CN115423555A - 一种商品推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种商品推荐方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及自然语言处理、大数据等领域。具体实现方案为：根据用户基础信息和用户历史行为构建用户画像；其中，用户基础信息用于表征用户个性化行为及人口学统计信息；根据与用户相关的商品构建商品画像，其中，商品画像包括建立商品之间关联关系的向量图；响应用户请求，根据用户画像和商品画像为用户推荐目标商品。采用本公开，可以提高个性化推荐的精度。

Description

一种商品推荐方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及自然语言处理、大数据等领域。

背景技术

随着互联网技术的发展，越来越多的用户利用互联网平台或应用(APP)浏览自身感兴趣的商品。对于新用户，缺少足够多的数据支持，导致为新用户推荐的商品不具备个性化且推荐精度低。

发明内容

本公开提供了一种商品推荐方法、画像构建方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种商品推荐方法，包括：

根据用户基础信息和用户历史行为构建用户画像；其中，所述用户基础信息用于表征用户个性化行为及人口学统计信息；

根据与用户相关的商品构建商品画像，其中，所述商品画像包括建立商品之间关联关系的向量图；

响应用户请求，根据所述用户画像和所述商品画像为用户推荐目标商品。

根据本公开的另一方面，提供了一种画像构建方法，包括：

根据用户基础信息和用户历史行为构建用户画像；其中，所述用户基础信息用于表征用户个性化行为及人口学统计信息；

根据与用户相关的商品构建商品画像，其中，所述商品画像包括建立商品之间关联关系的向量图。

根据本公开的另一方面，提供了一种商品推荐装置，包括：

第一画像构建模块，用于根据用户基础信息和用户历史行为构建用户画像；其中，所述用户基础信息用于表征用户个性化行为及人口学统计信息；

第二画像构建模块，用于根据与用户相关的商品构建商品画像，其中，所述商品画像包括建立商品之间关联关系的向量图；

推荐模块，用于响应用户请求，根据所述用户画像和所述商品画像为用户推荐目标商品。

根据本公开的另一方面，提供了一种画像构建装置，包括：

用户画像构建模块，用于根据用户基础信息和用户历史行为构建用户画像；其中，所述用户基础信息用于表征用户个性化行为及人口学统计信息；

商品画像构建模块，用于根据与用户相关的商品构建商品画像，其中，所述商品画像包括建立商品之间关联关系的向量图。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任意一实施例所提供的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使该计算机执行本公开任意一项实施例所提供的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现本公开任意一项实施例所提供的方法。

采用本公开，采用本公开，可以提高个性化推荐的精度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是相关技术中一商品向量化推荐的示意图；

图2是相关技术中另一商品向量化推荐的示意图；

图3是根据本公开实施例的一分布式集群处理场景的示意图；

图4是根据本公开实施例的商品推荐方法的流程示意图；

图5是根据本公开实施例的商品向量化推荐的示意图；

图6是根据本公开实施例的商品推荐的场景图；

图7是根据本公开实施例的画像构建方法的流程示意图；

图8是根据本公开实施例的应用示例中商品推荐框架的示意图；

图9是根据本公开实施例的应用示例中基于多路数据源构建画像的示意图；

图10是根据本公开实施例的应用示例中基于人口统计学信息推荐相似用户的聚类示意图；

图11是根据本公开实施例的商品推荐装置的组成结构示意图；

图12是根据本公开实施例的画像构建装置的组成结构示意图；

图13是用来实现本公开实施例的商品推荐方法/画像构建方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。本文中术语“第一”、“第二”表示指代多个类似的技术用语并对其进行区分，并不是限定顺序的意思，或者限定只有两个的意思，例如，第一特征和第二特征，是指代有两类/两个特征，第一特征可以为一个或多个，第二特征也可以为一个或多个。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

电商行业中，为用户推荐目标商品，大多基于全局热门商品库的推荐机制，即基于商品的历史点击数据，建库“全局热门商品库”，从“全局热门商品库”筛选出与用户请求匹配的商品并作为该目标商品；或者，基于“图游走”的商品向量化推荐得到该目标商品。

考虑到除了面向老用户的商品推荐，还涉及面向新用户的商品推荐，相比较而言，新用户的数量越来越高，在总用户数据中的占比高，但是在站内(如互联网平台或APP)的行为稀疏、低频，比如，在站内逗留的时长较短、行为轨迹的路径长度较短，或者访问时间(或称为session)的间隔较长，而且，新用户的历史数据较少(比如新用户的历史商品数量占比不高，且历史数据中无法覆盖新发布的商品)，导致在为新用户推荐目标商品时推荐精度较低的问题。

对于上述问题，发明人在研究过程中发现如下两个方面：

1)新用户的历史行为少，其他人的历史行为无法复制新用户的个性化需求；

2)“图游走”的商品向量化推荐，只记录用户行为轨迹且考虑了单个商品，未建立多个商品之间的关联关系。

针对第1)方面，其一、新用户的个性化需求，可以考虑新用户自身的个性化行为，而不仅是依赖新用户自身历史行为或者其他用户的历史行为来推断，从而基于新用户自身的个性化行为，可以目标商品的推荐精度。其二、新用户的个性化需求，可以考虑对新用户来说固定不变的属性，即人口学统计信息(如工作地或行业等)，相比新用户的历史行为而言，这类反映新用户基础属性的人口学统计信息可以更好的反映出符合新用户的个性化需求。

针对第2)方面，如图1所示为“图游走”的商品向量化的一个示例，向量图只记录用户行为的轨迹，将用户点击过的商品作为向量图中的节点，具体的，商品101、商品102、商品103皆为用户A点击的商品，商品101、商品102、商品103之间构成的连线作为该向量图的边，只记录“共线关系”(即：用户A点击过这三个商品，则在这三个商品之间形成边)。如图2所示为“图游走”的商品向量化的另一个示例，向量图也只记录用户行为的轨迹，具体的，商品201、商品202、商品203皆为用户A点击的商品，商品202、商品203、商品204皆为用户B点击的商品，商品201-商品204之间构成的连线作为该向量图的边，只记录“共线关系”(即：用户A和用户B都点击了三个商品，并在这三个商品之间形成边，其中，商品202和商品203是用户A和用户B共同点击的商品)，可见：向量图并未反映边的属性，如图1所示，向量图的边只是记录了用户A的行为轨迹，如图2所示，向量图的边只是记录了用户A和用户B存在不同的用户行为轨迹，基于向量图构成的商品数据库，不存在多个商品之间的“关联关系”(比如，多个商品属于同一个地区，或者，多个商品属于同一个品牌等)。有鉴于此，建立多个商品的关联关系，为向量图增加除了节点之外的边的属性，可以利用边来体现用户对应商品之间的关联关系，不同用户对同类或相似商品之间的关联关系等，通过该边的属性反映关联关系可以提高商品向量化推荐的推荐精度。

根据本公开的实施例，图3是根据本公开实施例的一分布式集群处理场景的示意图，该分布式集群***为集群***的一个示例，示例性的描述了可以利用该分布式集群***进行商品推荐，本公开不限于单机或多机上的商品推荐，采用分布式的处理可以进一步提高商品推荐的精度。如图3所示，在该分布式集群***300中包括多个节点(如服务器集群301、服务器302、服务器集群303、服务器304、服务器305，服务器305还可以连接电子设备，如手机3051及台式机3052)，多个节点间，以及多个节点与连接的电子设备间可以共同执行一个或多个关系商品推荐任务。可选地，该分布式集群***中的多个节点可以采用数据并行的关系进行商品推荐，则多个节点可以基于相同的处理逻辑执行商品推荐任务，该分布式集群***中的多个节点也可以基于不同的处理逻辑(如，一些节点执行用于商品推荐的画像构建等处理，一些节点执行商品推荐处理，一些商品执行用于提高商品推荐精度的合并、去重、干预、排序等处理，这些不同的处理逻辑也可以根据业务需求采用组合的处理)执行商品推荐任务。可选地，在每一轮关系提取模型训练完成后，多个节点之间都可以进行数据交换(如数据同步)。

根据本公开的实施例，提供了一种商品推荐方法，图4是根据本公开实施例的商品推荐方法的流程示意图，该方法可以应用于商品推荐装置，例如，该装置可以部署于单机、多机或集群***中的终端或服务器或其它处理设备执行的情况下，可以实现商品推荐等等处理。其中，终端可以为用户设备(UE，User Equipment)、移动设备、个人数字处理(PDA，Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图4所示，该方法应用于图3所示的集群***中的任一节点或电子设备(如台式机)中，包括：

S401、根据用户基础信息和用户历史行为构建用户画像；其中，用户基础信息用于表征用户个性化行为及人口学统计信息。

S402、根据与用户相关的商品构建商品画像，其中，商品画像包括建立商品之间关联关系的向量图。

S403、响应用户请求，根据用户画像和商品画像为用户推荐目标商品。

S401-S403的一示例中，用户个性化行为可以是用户自身关注的商品类型、商品品牌、商品购买意向等；人口学统计信息可以是用户的工作地(如北京、上海、深圳等)，用户的行业(如机械行业、电力行业、化工行业等)，基于这些用户基础信息，结合用户历史行为可以构建更符合用户个性化需求的用户画像。与用户相关的商品可以是用户之前发起用户请求(如点击某商品生成的请求、或者搜索某商品生成的请求等)得到的商品，该商品包括：根据该用户请求直接反馈的商品本身、和/或商品相关的推荐等，从而，基于与用户相关的商品可以构建更精确的商品画像，而且，基于向量图构建的商品画像，增加了边的属性(如图5所示)，不仅可以利用向量图的节点记录用户行为轨迹，而且可以利用边来体现用户对应商品之间的关联关系，不同用户对同类或相似商品之间的关联关系等，通过该边的属性反映关联关系可以提高商品向量化推荐的推荐精度，最终，响应用户请求，可以根据用户画像和商品画像为用户推荐更为精确的目标商品。

采用本公开实施例，可以根据用户基础信息(该用户基础信息用于表征用户个性化行为及人口学统计信息)和用户历史行为构建用户画像，可以根据与用户相关的商品构建商品画像(商品画像包括建立商品之间关联关系的向量图)。由于用户基础信息不仅是用户独有的个性化信息，而且诸如人口学统计信息(如工作地、行业)这类信息是静态的，可以保持长时间固定不变，更能反映用户需求，商品画像包括建立商品之间关联关系的向量图，除了能反映用户点击或搜索的商品以及这些商品之间的关联，因此，响应用户请求，根据用户画像和商品画像为用户推荐目标商品，可以提高个性化推荐的精度。

一实施方式中，还包括：获取用户高级信息，根据用户高级信息更新用户画像；其中，该用户高级信息用于表征用户的短期访问行为，也可以称之为短期session行为。

需要指出的是，针对session行为而言，通俗来说，如果把互联网平台或APP看成大卖场，则用户的行为就如同在大卖场扫货的顾客，对卖场来说，顾客从进入商场到离开商场，中间一系列行为购成了一次来访，对应的行为称之为该session行为(或visit行为)，从技术实现上来说，session本身是服务器为了保存用户状态而创建的一个对象，用户通过互联网登录互联网平台或APP，在每次访问互联网平台或APP对应的后台服务器时，后台服务器会基于第一次访问所创建的session对象标识用户的session行为。session行为可以具备5个要素(谁、时间、地点、如何、具体事件)，以用来描述用户的一个行为，即：用户在什么时间、什么地点、干了什么具体的事件，因此，通过session行为记录的用户行为，可以确定用户什么时间进入该互联网平台或APP，什么时间买了东西等等信息。

一些示例中，该用户高级信息可以是用户偏好信息，用户偏好信息分为短期session行为或长期session行为，考虑到针对新用户的个性化商品推荐，主要针对短期session行为。

一些示例中，短期session行为可以包括但不限于：从站内(如互联网平台或APP)跳转到首页的cookie信息。

采用本实施方式，通过该用户高级信息可以丰富用户数据，从而，可以根据该用户高级信息更新用户画像，以便更好的实现个性化商品推荐的目的。

一些实施方式中，还包括：根据用户点击操作或用户搜索操作对应的操作对象，得到多个商品，从多个商品中确定出同类或相似的待关联商品，根据多个商品及待关联商品之间的关联关系构建向量图。其中，该向量图的节点用于表征多个商品，向量图的边用于表征待关联商品之间的关联关系。

一些示例中，操作对象可以是点击的商品，或者搜索的关键词所间接得到的商品。

一些示例中，如图5所示的向量图，可以反映多个用户(用户511、用户512、用户513)点击的多个商品以及多个商品之间的关联关系(采用权重来来表征关联关系，各个关联关系对应的权重值可以相同，也可以不相同)。其中，多个商品包括：商品501、商品502、商品503、商品504、商品505、商品506、商品507。该向量图，除了考虑作为商品的节点，还考虑了边的属性，通过边的属性，反映多个商品之间的关联关系，比如多个商品之间是否属于同一个品牌，或者，同属于一个地域等，基于此，来构建商品画像(商品及其商品之间的关联关系)，从而，基于该商品画像，可以建立描述个性化需求的召回通路。

可选的，向量图中的节点，除了作为商品的节点，还可以包括作为用户的节点，类似的，也可以通过用户的节点与商品的节点之间的边，建立用户与相关商品之间的关联关系(也可以采用权重来表征关联关系)。

可选的，向量图除了如图5所示的无向图(边没有方向的向量图称为无向图)，也可以采用有向图，有向图相比无向图的优势在于：除了记录用户的轨迹及其关联关系，还存在一定的时序(比如，用户在什么时间段买什么商品，或者在什么地区/同一地区的不同区域买什么商品等，从而在有向图基础上可以筛选出更好、更精确的个性化推荐商品。

采用本实施方式，通过向量图节点之间的边，建立了商品之间的关联信息，使得商品向量不仅包括商品本身，还包括商品之间的关联关系，则根据关联关系构建的向量图后，基于该向量图得到的商品画像更精确，提高了后续商品推荐的推荐精度。

一实施方式中，响应用户请求，根据用户画像和商品画像为用户推荐目标商品，包括：从用户请求中提取待匹配信息，将待匹配信息与基于用户画像和商品画像得到的数据库进行匹配处理，得到匹配结果。根据该匹配结果和多维度的召回策略得到目标商品。

一些示例中，根据匹配结果和多维度的召回策略得到目标商品，包括：根据匹配结果和多维度的召回策略中的一个召回策略，得到目标商品。换言之，基于用户画像和商品画像得到的该数据库和该多维度的召回策略，支持至少一个具体的应用场景，针对性的，对于相应的场景，采用对应的一个召回策略即可，提高召回效率。

一些示例中，根据匹配结果和多维度的召回策略得到目标商品，包括：根据匹配结果和多维度的召回策略得到候选商品，对候选商品执行合并、过滤、去重、干预中的至少一种处理后进行排序，得到商品排序列表，将商品排序列表中排序在前的至少一个商品作为目标商品。换言之，基于用户画像和商品画像得到的该数据库和该多维度的召回策略，支持至少一个具体的应用场景，想得到最优的目标商品，可以同时采用多维度的召回策略，以便将多个场景得到的推荐结果，采取合并、过滤、去重、干预的至少一种方式，最终排序后得到最优的目标商品。

采用本实施方式，从用户请求中提取出待匹配信息后，将待匹配信息与基于用户画像和商品画像得到的数据库进行匹配处理，得到匹配结果，从而可以根据该匹配结果和多维度的召回策略得到精确的目标商品。

一实施方式中，该多维度的召回策略，包括：基于用户实时搜索的商品相似召回策略、基于用户历史搜索的商品相似召回策略、基于用户实时点击商品的向量召回策略、基于用户实时点击商品的向量相似召回策略、基于用户实时点击商品的标签召回策略、基于用户历史偏好的召回策略、基于人口学统计信息的热门商品召回策略、基于人口学统计信息的用户向量召回策略中的至少一种。

一些示例中，如图6所示，多个用户请求中，比如，第一用户请求可以为用户点击操作所触发的请求，第N(N为大于1的整数)用户请求可以为用户搜索操作所触发的请求，从任一用户请求中提取出待匹配信息后，可以将待匹配信息与基于用户画像和商品画像得到的数据库进行匹配处理，比如，以基于向量化的商品画像为例，得到匹配结果后可以根据该匹配结果和多维度的召回策略进行商品推荐，以得到精确的目标商品。

更具体的，对上述多维度的召回策略描述如下：

基于用户实时搜索的商品相似召回策略而言，可以基于用户实时的搜索请求进行相似召回，比如，基于用户session短期行为的搜索请求，在线获取商品的类目、向量等，以召回内容相似的商品；

基于用户历史搜索的商品相似召回策略而言，可以基于用户历史搜索请求进行召回，比如，基于用户历史请求列表在线获取商品的类目、向量等，以召回内容相似的商品；

基于用户实时点击商品的向量召回策略而言，可以基于用户实时点击商品向量项目协同过滤(Item Collaborative Filtering，ICF)进行召回，比如，基于用户session短期行为的点击商品，在线获取商品向量，召回内容相似商品。其中，ICF是协同过滤中的一种方式，通过对商品的类别进行分析，以找出相似度高的商品并归为一类商品后再进行商品推荐；

基于用户实时点击商品的向量相似召回策略而言，可以基于用户实时点击商品内容向量相似召回，比如，基于用户session短期行为的点击商品，在线获取商品向量，以召回内容相似的商品；

基于用户实时点击商品的标签召回策略而言，可以基于用户实时点击商品实现基于商品标签的召回，比如，事先建立了商品标签，则基于用户session短期行为的点击商品，在线获取对应商品标签的商品类目，以召回同类目的商品；

基于用户历史偏好的召回策略而言，可以基于用户历史偏好召回，比如从“用户特征正排库”获取新用户的商品核心词，以召回对应用户历史偏好的热门商品；

基于人口学统计信息的热门商品召回策略而言，可以基于人口学统计信息进行热门召回，比如，基于在线请求的用户认证服务(User Authentication Service，简写为UAS)得到领域(field)，如用户的工作地和行业，以召回上述每个field下的热门商品；

基于人口学统计信息的用户向量召回策略而言，可以基于人口学统计信息的用户向量召回，比如基于在线请求UAS得到的field，如用户的工作地和行业，得到每个field下的用户向量，召回相似用户点击过的商品。

采用本实施方式，可以根据用户的业务场景，选择多维度的召回策略中的至少一种来实现召回，具备多样性。

根据本公开的实施例，提供了一种商品推荐方法，图7是根据本公开实施例的画像构建方法的流程示意图，该方法可以应用于画像构建装置，例如，该装置可以部署于单机、多机或集群***中的终端或服务器或其它处理设备执行的情况下，可以实现商品推荐等等处理。其中，终端可以为用户设备(UE，User Equipment)、移动设备、个人数字处理(PDA，Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图7所示，该方法应用于图3所示的集群***中的任一节点或电子设备(如台式机)中，包括：

S701、根据用户基础信息和用户历史行为构建用户画像；其中，用户基础信息用于表征用户个性化行为及人口学统计信息。

一些示例中，用户个性化行为可以是用户自身关注的商品类型、商品品牌、商品购买意向等；人口学统计信息可以是用户的工作地(如北京、上海、深圳等)，用户的行业(如机械行业、电力行业、化工行业等)，基于这些用户基础信息，结合用户历史行为可以构建更符合用户个性化需求的用户画像。

S702、根据与用户相关的商品构建商品画像，其中，商品画像包括建立商品之间关联关系的向量图。

一些示例中，与用户相关的商品可以是用户之前发起用户请求(如点击某商品生成的请求、或者搜索某商品生成的请求等)得到的商品，该商品包括：根据该用户请求直接反馈的商品本身、和/或商品相关的推荐等。

采用本公开实施例，可以根据用户基础信息(该用户基础信息用于表征用户个性化行为及人口学统计信息)和用户历史行为构建用户画像，可以根据与用户相关的商品构建商品画像(商品画像包括建立商品之间关联关系的向量图)。由于用户基础信息不仅是用户独有的个性化信息，而且诸如人口学统计信息(如工作地、行业)这类信息是静态的，可以保持长时间固定不变，更能反映用户需求，商品画像包括建立商品之间关联关系的向量图，除了能反映用户点击或搜索的商品以及这些商品之间的关联，因此，基于用户画像和商品画像得到的数据库，响应用户请求后，可以根据该数据库为用户推荐目标商品，可以提高个性化推荐的精度。

一实施方式中，还包括：获取用户高级信息，根据用户高级信息更新用户画像；其中，用户高级信息用于表征用户的短期访问行为(如短期访问行为可以包括用户从站内页面跳转到首页的cookie信息)。采用本实施方式，可以及时的对用户画像进行更新，从而提高个性化推荐的精度。需要指出的是，该用户画像包括：买家用户的用户画像和卖家用户的用户画像。通过对用户的全局分析得到的买家用户和卖家用户的多类型画像，最终针对买家，为其推荐商品，更精确。

一实施方式中，还包括：根据用户点击操作或用户搜索操作对应的操作对象，得到多个商品，从多个商品中确定出同类或相似的待关联商品，根据多个商品及待关联商品之间的关联关系构建向量图，其中，向量图的节点用于表征多个商品，向量图的边用于表征待关联商品之间的关联关系。采用本实施方式，可以利用关联关系提高个性化推荐的精度。

一实施方式中，用户历史行为还携带至少一个时间戳信息，至少一个时间戳信息用于表征用户历史行为的执行时刻、或者用户历史行为的执行时刻构成的时间序列。采用本实施方式，用户历史行为携带时间戳，可以形成记录历史行为的行为序列，除了历史行为本身，还增加了历史行为的时序性，提高了个性化推荐的精度。

如下商品推荐的一应用示例中，针对新用户的个性化商品推荐，除了基于全局热门商品推荐，即基于商品的历史点击数据，建立“全局热门商品库”，而且，推荐商品时考虑到用户的个性化行为和人口学统计信息等。基于图游走的商品向量化推荐中，不仅记录用户历史记录点击或搜索的商品，在向量图中不仅采用每个节点用于记录用户点击或搜索的商品，而且采用每个边记录商品之间的关联关系，则采用图游走得到商品向量(商品向量包括节点表示的商品属性及边表示的商品之间的关联属性)，线上基于新用户的实时点击或搜索，可以召回商品(如所需商品、所需商品的同类或相似商品等)，提高推荐精度。

如图8所示为本应用示例的整体实现框图，主要包含5部分：多路数据源的召回、离线建库、分类存储、在线召回、合并及排序。具体描述如下：

一、多路数据源的召回

多路数据源的召回，是为了基于多路数据源以扩大用户覆盖，提升用户的行为路径长度，以提高后续召回的商品推荐精度。主要包括：站内(如互联网平台或APP)的历史行为、session行为及人口学统计信息，用户进入站内到离开的一系列行为，就是一次session行为。分析session行为，即在所有用户session行为中找出具备特定行为的用户session对象，以便进行用户session行为记录的筛选。其中，该特定行为包括：搜索过某些关键词的用户、访问时间在某个时间段内的用户、年龄在某个范围内的用户、职业在某个范围内的用户、在某个城市的用户等。其中，人口学统计信息可以包括：如工作地“北京”，用户买北京当地的商品，如工作地“上海”，用户逛上海的超市以购买商品；如行业“机械行业”，用户买机械行业的书籍、如行业“电子行业”，用户买电子行业的产品等

如图9所示为基于多路数据源构建的画像数据库，该画像数据库包括：商品画像的数据库及用户画像的数据库，其中，商品画像的数据库可以包括：商品向量、商品类目、商品等；用户画像的数据库包括买家用户的画像及卖家用户的画像，可以分别设置为独立的数据库，也可以整合为一个数据库，整合为一个数据库的情况下，可以包括：用户向量、用户行为及用户特征等。

二、离线建库

主要是为了支持在线策略实现个性化推荐商品。包含两部分：

(1)商品推荐库

可以包含人口学统计信息热门商品库、偏好标签热门商品库。

(2)用户行为库及用户特征库

可以包含用户历史请求列表库、用户特征正排库、人口学统计信息向量库。

三、分类存储

主要解决建设的商品推荐库、用户行为库、用户特征库的线上获取、线下分析、其余场景应用扩展的问题。整体的存储方式分为如下3种：

1)对于商品推荐库、人口学统计信息向量库，可以存储在redis(基于键值对的数据库)格式的数据库中，可以满足线上获取的时间响应要求；

2)对于用户历史请求列表库，由于是基于搜索自然结果和商业广告所挖掘得到的，数据量较大，存储在ava格式的数据库中，可满足存储容量的要求；

3)对于用户特征正排库，可以存储在SNDB格式的数据库中，可满足稳定性要求。

四、在线召回

主要建设个性化的多维度的召回策略，基于个体历史行为、session短期行为召回商品，弥补基于全局热门商品推荐的个性化不足、基于图游走的商品向量化推荐的商品覆盖、展现不足的问题。该多维度的召回策略，包括如下内容：

(1)基于用户实时的搜索请求进行相似召回，比如，基于用户session短期行为的搜索请求，在线获取商品的类目、向量等，以召回内容相似的商品。

(2)基于用户历史搜索请求进行召回，比如，基于用户历史请求列表在线获取商品的类目、向量等，以召回内容相似的商品。

(3)基于用户实时点击商品向量ICF进行召回，比如，基于用户session短期行为的点击商品，在线获取商品向量，召回内容相似商品。

(4)基于用户实时点击商品内容向量相似召回，比如，基于用户session短期行为的点击商品，在线获取商品向量，召回内容相似的商品。

(5)基于用户实时点击商品实现基于商品标签的召回，比如，事先建立了商品标签，则基于用户session短期行为的点击商品，在线获取对应商品标签的商品类目，以召回同类目的商品。

(6)基于用户历史偏好召回，比如从“用户特征正排库”获取新用户的商品核心词，以召回对应用户历史偏好的热门商品。

(7)基于人口学统计信息进行热门召回，比如，基于在线请求的UAS得到field，如用户的工作地和行业，以召回上述每个field下的热门商品。以机械行业的用户点击过的商品为例，事先构建了机械行业的商品推荐库，那么，其他用户如果基于人口学统计信息分析为：也是机械行业的用户，那么，从该机械行业的商品推荐库中为该用户进行个性化的推荐，从而可以直接召回，得到所需的商品。

(8)基于人口学统计信息的用户向量召回，比如基于在线请求UAS得到的field，如用户的工作地和行业，得到每个field下的用户向量，召回相似用户点击过的商品。如图10所示为召回相似用户的聚类过程，人口统计学信息100包括机械行业及化工行业，机械行业的用户及化工行业的用户分别构建了用户向量，进行聚类后得到机械行业的聚类簇1001及化工行业的聚类簇1003，其中，机械行业的聚类簇1001的中心点为用户向量1002，化工行业的聚类簇1003的中心点为用户向量1004，再用各自行业的用户向量分别找与其最近邻的相似用户，从而召回该相似用户点击过的商品。

五、合并及排序

主要是为了满足“多样性”、“相关性”，给用户推荐更符合个性化需求的商品，提升用户体验。包含5个部分：利于多维度的召回策略得到各召回通路的候选商品，对候选商品进行合并，对低质、敏感的商品类目等过滤，对用户历史推荐商品进行去重，对召回通路进行干预后排序，得到目标商品的推荐列表，并将排序在前的目标商品优先推荐给用户。

采用本应用示例，通过多路数据源的召回，扩大了用户覆盖，提升用户的行为路径长度；通过离线建库，支持在线策略实现个性化推荐商品；通过存储，解决了建设的商品库、用户行为库、用户特征库的线上获取、线下分析、其余场景应用扩展的问题；通过在线召回，弥补了对于新用户的个性化不足、商品覆盖和展现不足的问题；通过合并及排序，实现了“多样性”、“相关性”的提升，给用户推荐更符合个性化需求的商品，提升用户体验。

根据本公开的实施例，提供了一种商品推荐装置，图11是根据本公开实施例的商品推荐装置的组成结构示意图，如图11所示，商品推荐装置包括：第一画像构建模块1101，用于根据用户基础信息和用户历史行为构建用户画像；其中，所述用户基础信息用于表征用户个性化行为及人口学统计信息；第二画像构建模块1102，用于根据与用户相关的商品构建商品画像，其中，所述商品画像包括建立商品之间关联关系的向量图；推荐模块1103，用于响应用户请求，根据所述用户画像和所述商品画像为用户推荐目标商品。

一实施方式中，还包括更新模块，用于获取用户高级信息，根据所述用户高级信息更新所述用户画像；其中，所述用户高级信息用于表征用户的短期访问行为。

一实施方式中，还包括：操作模块，用于根据用户点击操作或用户搜索操作对应的操作对象，得到多个商品；确定模块，用于从所述多个商品中确定出同类或相似的待关联商品；图构建模块，用于根据所述多个商品，所述待关联商品之间的关联关系构建所述向量图；其中，所述向量图的节点用于表征所述多个商品，所述向量图的边用于表征所述待关联商品之间的关联关系。

一实施方式中，所述推荐模块1103，用于从所述用户请求中提取待匹配信息；将所述待匹配信息，与基于所述用户画像和所述商品画像得到的数据库进行匹配处理，得到匹配结果；根据所述匹配结果和多维度的召回策略，得到所述目标商品。

一实施方式中，所述推荐模块1103，用于根据所述匹配结果和多维度的召回策略中的一个召回策略，得到所述目标商品。

一实施方式中，所述推荐模块1103，用于根据所述匹配结果和多维度的召回策略，得到候选商品；对所述候选商品执行合并、过滤、去重、干预中的至少一种处理后进行排序，得到商品排序列表；将所述商品排序列表中排序在前的至少一个商品作为所述目标商品。

一实施方式中，所述多维度的召回策略，包括：基于用户实时搜索的商品相似召回策略、基于用户历史搜索的商品相似召回策略、基于用户实时点击商品的向量召回策略、基于用户实时点击商品的向量相似召回策略、基于用户实时点击商品的标签召回策略、基于用户历史偏好的召回策略、基于人口学统计信息的热门商品召回策略、基于人口学统计信息的用户向量召回策略中的至少一种。

根据本公开的实施例，提供了一种画像构建装置，图12是根据本公开实施例的画像构建装置的组成结构示意图，如图12所示，画像构建装置包括：用户画像构建模块1201，用于根据用户基础信息和用户历史行为构建用户画像；其中，所述用户基础信息用于表征用户个性化行为及人口学统计信息；商品画像构建模块1202，用于根据与用户相关的商品构建商品画像，其中，所述商品画像包括建立商品之间关联关系的向量图。

一实施方式中，还包括用户画像更新模块，用于获取用户高级信息，根据所述用户高级信息更新所述用户画像；其中，所述用户高级信息用于表征用户的短期访问行为。

一实施方式中，还包括：操作对象获取模块，用于根据用户点击操作或用户搜索操作对应的操作对象，得到多个商品；商品确定模块，用于从所述多个商品中确定出同类或相似的待关联商品；向量图构建模块，用于根据所述多个商品，所述待关联商品之间的关联关系构建所述向量图；其中，所述向量图的节点用于表征所述多个商品，所述向量图的边用于表征所述待关联商品之间的关联关系。

一实施方式中，所述用户画像包括：买家用户的用户画像和卖家用户的用户画像。

一实施方式中，所述用户历史行为，还携带至少一个时间戳信息，所述至少一个时间戳信息用于表征用户历史行为的执行时刻、或者所述用户历史行为的执行时刻构成的时间序列。

一实施方式中，所述短期访问行为，包括用户从站内页面跳转到首页的访问信息。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图13示出了可以用来实施本公开的实施例的示例电子设备1300的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图13所示，电子设备1300包括计算单元1301，其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储电子设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。

电子设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306，例如键盘、鼠标等；输出单元1307，例如各种类型的显示器、扬声器等；存储单元1308，例如磁盘、光盘等；以及通信单元1309，例如网卡、调制解调器、无线通信收发机等。通信单元1309允许电子设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理，例如商品推荐方法/画像构建方法。例如，在一些实施例中，商品推荐方法/画像构建方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到电子设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的商品推荐方法/画像构建方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行商品推荐方法/画像构建方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (29)

1.一种商品推荐方法，包括：

根据用户基础信息和用户历史行为构建用户画像；其中，所述用户基础信息用于表征用户个性化行为及人口学统计信息；

根据与用户相关的商品构建商品画像，其中，所述商品画像包括建立商品之间关联关系的向量图；

响应用户请求，根据所述用户画像和所述商品画像为用户推荐目标商品。

2.根据权利要求1所述的方法，还包括：

获取用户高级信息，根据所述用户高级信息更新所述用户画像；其中，所述用户高级信息用于表征用户的短期访问行为。

3.根据权利要求2所述的方法，还包括：

根据用户点击操作或用户搜索操作对应的操作对象，得到多个商品；

从所述多个商品中确定出同类或相似的待关联商品；

根据所述多个商品，所述待关联商品之间的关联关系构建所述向量图；

其中，所述向量图的节点用于表征所述多个商品，所述向量图的边用于表征所述待关联商品之间的关联关系。

4.根据权利要求1-3中任一项所述的方法，其中，所述响应用户请求，根据所述用户画像和所述商品画像为用户推荐目标商品，包括：

从所述用户请求中提取待匹配信息；

将所述待匹配信息，与基于所述用户画像和所述商品画像得到的数据库进行匹配处理，得到匹配结果；

根据所述匹配结果和多维度的召回策略，得到所述目标商品。

5.根据权利要求4所述的方法，其中，所述根据所述匹配结果和多维度的召回策略，得到所述目标商品，包括：

根据所述匹配结果和多维度的召回策略中的一个召回策略，得到所述目标商品。

6.根据权利要求4所述的方法，其中，所述根据所述匹配结果和多维度的召回策略，得到所述目标商品，包括：

根据所述匹配结果和多维度的召回策略，得到候选商品；

对所述候选商品执行合并、过滤、去重、干预中的至少一种处理后进行排序，得到商品排序列表；

将所述商品排序列表中排序在前的至少一个商品作为所述目标商品。

7.根据权利要求5或6所述的方法，其中，所述多维度的召回策略，包括：基于用户实时搜索的商品相似召回策略、基于用户历史搜索的商品相似召回策略、基于用户实时点击商品的向量召回策略、基于用户实时点击商品的向量相似召回策略、基于用户实时点击商品的标签召回策略、基于用户历史偏好的召回策略、基于人口学统计信息的热门商品召回策略、基于人口学统计信息的用户向量召回策略中的至少一种。

8.一种画像构建方法，包括：

根据用户基础信息和用户历史行为构建用户画像；其中，所述用户基础信息用于表征用户个性化行为及人口学统计信息；

根据与用户相关的商品构建商品画像，其中，所述商品画像包括建立商品之间关联关系的向量图。

9.根据权利要求8所述的方法，还包括：

获取用户高级信息，根据所述用户高级信息更新所述用户画像；其中，所述用户高级信息用于表征用户的短期访问行为。

10.根据权利要求8或9所述的方法，还包括：

根据用户点击操作或用户搜索操作对应的操作对象，得到多个商品；

从所述多个商品中确定出同类或相似的待关联商品；

根据所述多个商品，所述待关联商品之间的关联关系构建所述向量图；

其中，所述向量图的节点用于表征所述多个商品，所述向量图的边用于表征所述待关联商品之间的关联关系。

11.根据权利要求8或9所述的方法，其中，所述用户画像包括：买家用户的用户画像和卖家用户的用户画像。

12.根据权利要求8所述的方法，其中，所述用户历史行为，还携带至少一个时间戳信息，所述至少一个时间戳信息用于表征用户历史行为的执行时刻、或者所述用户历史行为的执行时刻构成的时间序列。

13.根据权利要求9所述的方法，其中，所述短期访问行为，包括用户从站内页面跳转到首页的访问信息。

14.一种商品推荐装置，包括：

第一画像构建模块，用于根据用户基础信息和用户历史行为构建用户画像；其中，所述用户基础信息用于表征用户个性化行为及人口学统计信息；

第二画像构建模块，用于根据与用户相关的商品构建商品画像，其中，所述商品画像包括建立商品之间关联关系的向量图；

推荐模块，用于响应用户请求，根据所述用户画像和所述商品画像为用户推荐目标商品。

15.根据权利要求14所述的装置，还包括更新模块，用于获取用户高级信息，根据所述用户高级信息更新所述用户画像；其中，所述用户高级信息用于表征用户的短期访问行为。

16.根据权利要求15所述的装置，还包括：

操作模块，用于根据用户点击操作或用户搜索操作对应的操作对象，得到多个商品；

确定模块，用于从所述多个商品中确定出同类或相似的待关联商品；

图构建模块，用于根据所述多个商品，所述待关联商品之间的关联关系构建所述向量图；

其中，所述向量图的节点用于表征所述多个商品，所述向量图的边用于表征所述待关联商品之间的关联关系。

17.根据权利要求14-16中任一项所述的装置，其中，所述推荐模块，用于：

从所述用户请求中提取待匹配信息；

将所述待匹配信息，与基于所述用户画像和所述商品画像得到的数据库进行匹配处理，得到匹配结果；

根据所述匹配结果和多维度的召回策略，得到所述目标商品。

18.根据权利要求17所述的装置，其中，所述推荐模块，用于：

根据所述匹配结果和多维度的召回策略中的一个召回策略，得到所述目标商品。

19.根据权利要求17所述的装置，其中，所述推荐模块，用于：

根据所述匹配结果和多维度的召回策略，得到候选商品；

对所述候选商品执行合并、过滤、去重、干预中的至少一种处理后进行排序，得到商品排序列表；

将所述商品排序列表中排序在前的至少一个商品作为所述目标商品。

20.根据权利要求18或19所述的装置，其中，所述多维度的召回策略，包括：基于用户实时搜索的商品相似召回策略、基于用户历史搜索的商品相似召回策略、基于用户实时点击商品的向量召回策略、基于用户实时点击商品的向量相似召回策略、基于用户实时点击商品的标签召回策略、基于用户历史偏好的召回策略、基于人口学统计信息的热门商品召回策略、基于人口学统计信息的用户向量召回策略中的至少一种。

21.一种画像构建装置，包括：

用户画像构建模块，用于根据用户基础信息和用户历史行为构建用户画像；其中，所述用户基础信息用于表征用户个性化行为及人口学统计信息；

商品画像构建模块，用于根据与用户相关的商品构建商品画像，其中，所述商品画像包括建立商品之间关联关系的向量图。

22.根据权利要求21所述的装置，还包括用户画像更新模块，用于：

获取用户高级信息，根据所述用户高级信息更新所述用户画像；其中，所述用户高级信息用于表征用户的短期访问行为。

23.根据权利要求21或22所述的装置，还包括：

操作对象获取模块，用于根据用户点击操作或用户搜索操作对应的操作对象，得到多个商品；

商品确定模块，用于从所述多个商品中确定出同类或相似的待关联商品；

向量图构建模块，用于根据所述多个商品，所述待关联商品之间的关联关系构建所述向量图；

其中，所述向量图的节点用于表征所述多个商品，所述向量图的边用于表征所述待关联商品之间的关联关系。

24.根据权利要求21或22所述的装置，其中，所述用户画像包括：买家用户的用户画像和卖家用户的用户画像。

25.根据权利要求21所述的装置，其中，所述用户历史行为，还携带至少一个时间戳信息，所述至少一个时间戳信息用于表征用户历史行为的执行时刻、或者所述用户历史行为的执行时刻构成的时间序列。

26.根据权利要求22所述的装置，其中，所述短期访问行为，包括用户从站内页面跳转到首页的访问信息。

27.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-13中任一项所述的方法。

28.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-13中任一项所述的方法。

29.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-13中任一项所述的方法。

Images