CN116308634A - 基于行为序列和权重共享的双塔模型推荐方法及装置 - Google Patents
基于行为序列和权重共享的双塔模型推荐方法及装置 Download PDFInfo
- Publication number
- CN116308634A CN116308634A CN202310136544.XA CN202310136544A CN116308634A CN 116308634 A CN116308634 A CN 116308634A CN 202310136544 A CN202310136544 A CN 202310136544A CN 116308634 A CN116308634 A CN 116308634A
- Authority
- CN
- China
- Prior art keywords
- user
- vector
- article
- target user
- recommended
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 302
- 238000012545 processing Methods 0.000 claims abstract description 46
- 230000006399 behavior Effects 0.000 claims description 103
- 238000004590 computer program Methods 0.000 claims description 16
- 230000009977 dual effect Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 31
- 238000001994 activation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000002356 single layer Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于行为序列和权重共享的双塔模型推荐方法及装置,包括:获取目标用户对应的至少一个用户特征,通过SENet网络对各用户特征进行处理,得到与目标用户匹配的用户特征向量;根据目标用户对应的行为序列,获取目标用户对应的至少一个关联物品,并根据各关联物品确定与目标用户匹配的行为特征向量;获取多个待推荐物品分别对应的物品特征,通过SENet网络对各物品特征进行处理,得到与各待推荐物品匹配的物品向量;根据用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,并将目标物品推荐给目标用户。本发明实施例的技术方案可以提高物品推荐结果的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于行为序列和权重共享的双塔模型推荐方法及装置。
背景技术
随着互联网技术的快速发展,越来越多的用户通过网络对物品进行选择和购买。由于应用平台中物品种类以及数量繁多,因此如何为用户提供个性化的物品推荐变得尤为重要。
现有技术中,Embedding(嵌入)算法作为一种特征编码方式,在目前的推荐***中获得了广泛的应用。典型的,Embedding算法可以用于召回向量模型,比如深度结构化语义模型(Deep Structured Semantic Models,DSSM)。DSSM模型可以将用户特征和物品特征分别输入各自的神经网络中,并获取其embedding向量表示,然后通过向量余弦相似度度计算用户和物品之间的相关程度。
但是,由于DSSM模型需要建立用户和物品分别对应的独立网络结构,因此该模型很难有效捕捉用户与物品之间的交叉特征,进而导致物品推荐结果准确性较低;其次,由于交叉特征会产生较大的计算量,即时DSSM模型获取到交叉特征,也会影响DSSM模型的离线召回性能。
发明内容
本发明提供了基于行为序列和权重共享的双塔模型推荐方法及装置,可以提高物品推荐结果的准确性。
根据本发明的一方面,提供了一种基于行为序列和权重共享的双塔模型推荐方法,所述方法包括:
获取目标用户对应的至少一个用户特征,通过压缩激活网络SENet对各所述用户特征进行处理,得到与目标用户匹配的用户特征向量;
根据所述目标用户对应的行为序列,获取目标用户对应的至少一个关联物品,并根据各所述关联物品,确定与目标用户匹配的行为特征向量;
获取多个待推荐物品分别对应的物品特征,通过SENet网络对各所述物品特征进行处理,得到与各所述待推荐物品匹配的物品向量;
根据所述用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,并将所述目标物品推荐给目标用户。
可选的,通过压缩激活网络SENet对各所述用户特征进行处理,得到与目标用户匹配的用户特征向量,包括:
对各所述用户特征进行编码,得到目标用户对应的稀疏特征向量;
将所述稀疏特征向量输入至嵌入层中,通过所述嵌入层对稀疏特征向量进行处理,得到目标用户对应的稠密特征向量;
将所述稠密特征向量输入至SENet网络,通过所述SENet网络对稠密特征向量进行处理,得到与目标用户匹配的用户特征向量。
可选的,根据各所述关联物品,确定与目标用户匹配的行为特征向量,包括:
获取各所述关联物品分别对应的物品特征,并根据各所述物品特征,生成各所述关联物品分别对应的稀疏特征向量;
将各所述关联物品分别对应的稀疏特征向量,输入至嵌入层中,通过所述嵌入层对各所述稀疏特征向量进行处理,得到各关联物品对应的稠密特征向量;
将全部关联物品对应的稠密特征向量,进行均值池化处理,得到与目标用户匹配的行为特征向量。
可选的,通过SENet网络对各所述物品特征进行处理,得到与各所述待推荐物品匹配的物品向量,包括:
将各所述待推荐物品对应的稠密特征向量,输入至SENet网络,通过所述SENet网络对稠密特征向量进行处理,得到与各待推荐物品匹配的物品特征向量;
将各所述物品特征向量输入至动态神经网络DNN中,得到与各所述待推荐物品匹配的物品向量。
可选的,根据所述用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,包括:
根据所述用户特征向量以及行为特征向量,确定目标用户对应的用户向量;
根据所述用户向量以及各物品向量,确定目标用户与各待推荐物品之间的相关度;
根据所述相关度,在多个待推荐物品中确定目标物品。
可选的,根据所述用户特征向量以及行为特征向量,确定目标用户对应的用户向量,包括:
将所述用户特征向量以及行为特征向量进行拼接,并将拼接结果输入至DNN网络中,得到目标用户对应的用户向量。
可选的,根据所述用户向量以及各物品向量,确定目标用户与各待推荐物品之间的相关度,包括:
计算所述用户向量与各物品向量之间的余弦相似度,并根据所述余弦相似度确定目标用户与各待推荐物品之间的相关度。
根据本发明的另一方面,提供了一种基于行为序列和权重共享的双塔模型推荐装置,所述装置包括:
用户特征确定模块,用于获取目标用户对应的至少一个用户特征,通过压缩激活网络SENet对各所述用户特征进行处理,得到与目标用户匹配的用户特征向量;
行为特征确定模块,用于根据所述目标用户对应的行为序列,获取目标用户对应的至少一个关联物品,并根据各所述关联物品,确定与目标用户匹配的行为特征向量;
物品向量确定模块,用于获取多个待推荐物品分别对应的物品特征,通过SENet网络对各所述物品特征进行处理,得到与各所述待推荐物品匹配的物品向量;
目标物品确定模块,用于根据所述用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,并将所述目标物品推荐给目标用户。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的基于行为序列和权重共享的双塔模型推荐方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于行为序列和权重共享的双塔模型推荐方法。
本发明实施例提供的技术方案,通过获取目标用户对应的至少一个用户特征,通过SENet网络对各用户特征进行处理,得到与目标用户匹配的用户特征向量,根据目标用户对应的行为序列,获取目标用户对应的至少一个关联物品,并根据各关联物品确定与目标用户匹配的行为特征向量,获取多个待推荐物品分别对应的物品特征,通过SENet网络对各物品特征进行处理,得到与各待推荐物品匹配的物品向量,根据用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,并将目标物品推荐给目标用户的技术手段,可以提高物品推荐结果的准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的一种基于行为序列和权重共享的双塔模型推荐方法的流程图;
图2是根据本发明实施例提供的另一种基于行为序列和权重共享的双塔模型推荐方法的流程图;
图3a是根据本发明实施例提供的另一种基于行为序列和权重共享的双塔模型推荐方法的流程图;
图3b是根据本发明实施例提供的另一种基于行为序列和权重共享的双塔模型推荐方法的流程图;
图4是根据本发明实施例提供的一种基于行为序列和权重共享的双塔模型推荐装置的结构示意图;
图5是实现本发明实施例的基于行为序列和权重共享的双塔模型推荐方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例一提供的一种基于行为序列和权重共享的双塔模型推荐方法的流程图,本实施例可适用于应用平台向用户推荐相关物品的情况,该方法可以由基于行为序列和权重共享的双塔模型推荐装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于具备数据处理功能的电子设备(例如终端或者服务器)中。如图1所示,该方法包括:
步骤110、获取目标用户对应的至少一个用户特征,通过压缩激活网络SENet对各所述用户特征进行处理,得到与目标用户匹配的用户特征向量。
在本实施例中,所述目标用户可以为应用平台中,待推荐物品的登录用户。可选的,在检测到目标用户登录应用平台后,可以获取目标用户的性别、年龄、地域、偏好类别、偏好品牌、活跃度以及价值度等统计特征,并将所述统计特征作为目标用户的用户特征。
在此步骤中,获取到目标用户对应的用户特征后,可以通过压缩激活网络(Squeeze-and-Excitation Networks,SENet)对用户特征进行处理,得到用户特征向量。
在一个具体的实施例中,SENet网络可以分为压缩(squeeze)和激活(excitation)两个处理过程。压缩过程是指对用户特征求均值,将每个用户特征压缩为一维数值zi,具体处理过程可以参照下述公式:
其中,k可以表示为特征数量,vi可以表示为具体的用户特征。
激活过程是指通过多层感知器(Multilayer Perceptron,MLP)对输入的用户特征进行交叉处理,并输出对应的权重值,具体处理过程可以参照下述公式:
S=Fex(Z,W)=θ(W2θ(W1Z))
步骤120、根据所述目标用户对应的行为序列,获取目标用户对应的至少一个关联物品,并根据各所述关联物品,确定与目标用户匹配的行为特征向量。
在本实施例中,所述行为序列中可以包括目标用户在应用平台中触发的多个行为,例如浏览、点击、添加购物车、收藏以及购买等行为。可选的,在生成行为序列之前,可以对目标用户触发的上述行为进行筛选,并将筛选结果添加至行为序列中。
在一个具体的实施例中,可以获取目标用户在应用平台中触发的全部点击行为,并根据点击行为对应的页面停留时间,筛选符合要求的点击行为添加至行为序列中。其中,所述页面停留时间对应的最小阈值可以设为15s,具体数值可以根据实际情况进行调整,本实施例对此并不进行限制。
在此步骤中,可以将行为序列中涉及的、距离当前时间最近的物品,作为目标用户对应的关联物品。在获取到关联物品后,可以提取关联物品的物品特征,例如物品类别、物品品牌、物品ID、物品价格等,然后根据上述全部关联物品的物品特征,生成行为特征向量。
步骤130、获取多个待推荐物品分别对应的物品特征,通过SENet网络对各所述物品特征进行处理,得到与各所述待推荐物品匹配的物品向量。
在本实施例中,可选的,所述待推荐物品对应的物品特征可以包括物品类别、物品品牌、物品ID、物品价格等。
步骤140、根据所述用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,并将所述目标物品推荐给目标用户。
在本实施例中,可选的,可以根据用户特征向量、行为特征向量以及物品向量,确定目标用户与各待推荐物品之间的相关度,并将相关度较高的待推荐物品作为目标物品,然后将所述目标物品推荐给目标用户。
在本实施例中,通过在推荐***中增加SENet网络结构,可以增强重要特征的反馈,抑制非重要特征的干扰,并且通过分别抑制用户层以及物品层中的次要特征,可以保证用户与物品之间交叉特征的有效性,进而提高物品推荐结果的准确性。
本发明实施例提供的技术方案,通过获取目标用户对应的至少一个用户特征,通过SENet网络对各用户特征进行处理,得到与目标用户匹配的用户特征向量,根据目标用户对应的行为序列,获取目标用户对应的至少一个关联物品,并根据各关联物品确定与目标用户匹配的行为特征向量,获取多个待推荐物品分别对应的物品特征,通过SENet网络对各物品特征进行处理,得到与各待推荐物品匹配的物品向量,根据用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,并将目标物品推荐给目标用户的技术手段,可以提高物品推荐结果的准确性。
图2为本发明实施例二提供的一种基于行为序列和权重共享的双塔模型推荐方法的流程图,本实施例是对上述实施例的进一步细化。如图2所示,该方法包括:
步骤201、获取目标用户对应的至少一个用户特征,对各所述用户特征进行编码,得到目标用户对应的稀疏特征向量。
在本实施例中,可选的,可以通过one-hot文本特征提取算法,对用户特征进行编码,得到稀疏特征向量。
步骤202、将所述稀疏特征向量输入至嵌入层中,通过所述嵌入层对稀疏特征向量进行处理,得到目标用户对应的稠密特征向量。
在此步骤中,可以将稀疏特征向量输入嵌入层embedding-layer中,通过嵌入算法将稀疏特征向量映射至稠密空间,得到稠密特征向量。
步骤203、将所述稠密特征向量输入至SENet网络,通过所述SENet网络对稠密特征向量进行处理,得到与目标用户匹配的用户特征向量。
在此步骤中,可以将稠密特征向量输入至SENet网络,得到加权后的用户特征向量。
步骤204、根据所述目标用户对应的行为序列,获取目标用户对应的至少一个关联物品。
步骤205、获取各所述关联物品分别对应的物品特征,并根据各所述物品特征,生成各所述关联物品分别对应的稀疏特征向量。
在此步骤中,可以采用与步骤201相同的方式,对各关联物品分别对应的物品特征进行处理,得到各关联物品分别对应的稀疏特征向量。
步骤206、将各所述关联物品分别对应的稀疏特征向量,输入至嵌入层中,通过所述嵌入层对各所述稀疏特征向量进行处理,得到各关联物品对应的稠密特征向量。
在此步骤中,可以采用与步骤202相同的方式,对各稀疏特征向量进行处理,得到各关联物品对应的稠密特征向量。
步骤207、将全部关联物品对应的稠密特征向量,进行均值池化处理,得到与目标用户匹配的行为特征向量。
在此步骤中,可以将全部关联物品对应的稠密特征向量,输入至均值池化层(Meanpooling)中,得到行为特征向量。
步骤208、获取多个待推荐物品分别对应的物品特征,将各所述待推荐物品对应的稠密特征向量,输入至SENet网络,通过所述SENet网络对稠密特征向量进行处理,得到与各待推荐物品匹配的物品特征向量。
在此步骤中,获取到多个待推荐物品分别对应的物品特征后,可以对各物品特征进行编码,得到各待推荐物品分别对应的稀疏特征向量,然后将各稀疏特征向量输入至嵌入层中,得到各待推荐物品分别对应的稠密特征向量,最后将各稠密特征向量输入至SENet网络进行动态加权,得到各待推荐物品匹配的物品特征向量。
步骤209、将各所述物品特征向量输入至动态神经网络DNN中,得到与各所述待推荐物品匹配的物品向量。
在此步骤中,可以将各物品特征向量输入至单层动态神经网络(Dynamic NeuralNetwork,DNN)中,通过单层DNN对物品特征向量进行处理,得到与各待推荐物品匹配的物品向量。
步骤210、根据所述用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,并将所述目标物品推荐给目标用户。
在一个具体的实施例中,通过上述方法确定的物品推荐模型,可以使用交叉熵作为损失函数,如下述公式所示:
本发明实施例提供的技术方案,通过获取目标用户对应的用户特征,对各用户特征进行编码得到稀疏特征向量,将稀疏特征向量输入至嵌入层中得到稠密特征向量,将稠密特征向量输入至SENet网络得到用户特征向量,根据目标用户的行为序列获取关联物品以及各关联物品分别对应的物品特征,并根据各物品特征生成各关联物品分别对应的稀疏特征向量,将各关联物品分别对应的稀疏特征向量输入至嵌入层中,得到各关联物品对应的稠密特征向量,将全部关联物品对应的稠密特征向量进行均值池化处理得到行为特征向量,获取多个待推荐物品分别对应的物品特征,将各待推荐物品对应的稠密特征向量输入至SENet网络,得到与各待推荐物品匹配的物品特征向量,将各物品特征向量输入至DNN网络中,得到与各待推荐物品匹配的物品向量,根据用户特征向量、行为特征向量以及物品向量确定目标物品,并将目标物品推荐给目标用户的技术手段,可以提高物品推荐结果的准确性。
图3a为本发明实施例三提供的一种基于行为序列和权重共享的双塔模型推荐方法的流程图,本实施例是对上述实施例的进一步细化。如图3a所示,该方法包括:
步骤310、获取目标用户对应的至少一个用户特征,通过压缩激活网络SENet对各所述用户特征进行处理,得到与目标用户匹配的用户特征向量。
步骤320、根据所述目标用户对应的行为序列,获取目标用户对应的至少一个关联物品,并根据各所述关联物品,确定与目标用户匹配的行为特征向量。
步骤330、获取多个待推荐物品分别对应的物品特征,通过SENet网络对各所述物品特征进行处理,得到与各所述待推荐物品匹配的物品向量。
步骤340、根据所述用户特征向量以及行为特征向量,确定目标用户对应的用户向量。
在本实施例中,可选的,可以采用预设的线性或非线性算法,对用户特征向量以及行为特征向量进行处理,得到用户向量。
在本实施例的一个实施方式中,根据所述用户特征向量以及行为特征向量,确定目标用户对应的用户向量,包括:将所述用户特征向量以及行为特征向量进行拼接,并将拼接结果输入至DNN网络中,得到目标用户对应的用户向量。
在一个具体的实施例中,可以将用户特征向量以及行为特征向量,共同输入至拼接层Concat中,通过Concat层将用户特征向量以及行为特征向量进行拼接,然后将拼接结果输入至单层DNN网络中,得到用户向量。
步骤350、根据所述用户向量以及各物品向量,确定目标用户与各待推荐物品之间的相关度。
在本实施例的一个实施方式中,根据所述用户向量以及各物品向量,确定目标用户与各待推荐物品之间的相关度,包括:计算所述用户向量与各物品向量之间的余弦相似度,并根据所述余弦相似度确定目标用户与各待推荐物品之间的相关度。
在一个具体的实施例中,可以将所述余弦相似度直接作为目标用户与待推荐物品之间的相关度,或者可以对余弦相似度进行线性处理,并将处理结果作为目标用户与待推荐物品之间的相关度。
步骤360、根据所述相关度,在多个待推荐物品中确定目标物品,并将所述目标物品推荐给目标用户。
在此步骤中,可选的,可以将多个待推荐物品按照相关度由大到小进行排序,并将排序靠前的待推荐物品作为目标物品;或者可以将相关度大于预设阈值的待推荐物品作为目标物品。
本发明实施例提供的技术方案,通过获取目标用户对应的用户特征,通过SENet网络对各用户特征进行处理得到用户特征向量,根据目标用户对应的行为序列获取关联物品,并根据各关联物品确定行为特征向量,获取多个待推荐物品分别对应的物品特征,通过SENet网络对各物品特征进行处理,得到与各待推荐物品匹配的物品向量,根据用户特征向量以及行为特征向量确定用户向量,根据用户向量以及各物品向量,确定目标用户与各待推荐物品之间的相关度,根据相关度确定目标物品推荐给目标用户的技术手段,可以提高物品推荐结果的准确性。
在上述实施例的基础上,本实施例还提供了一种基于行为序列和权重共享的双塔模型推荐方法的优选实施方式,如图3b所示,所述方法包括以下步骤:
步骤1:获取目标用户对应的用户特征(User特征),对用户特征进行编码得到稀疏特征向量,将稀疏特征向量输入至嵌入层(Embedding)中,通过嵌入层对稀疏特征向量进行处理得到稠密特征向量,将稠密特征向量输入至SENet网络,通过SENet网络对稠密特征向量进行处理,得到与目标用户匹配的用户特征向量;
步骤2:根据目标用户对应的行为序列,获取关联物品分别对应的物品特征(item1、item2、item3……),根据各物品特征生成各关联物品分别对应的稀疏特征向量,将各关联物品分别对应的稀疏特征向量,输入至嵌入层(Embedding)中,通过嵌入层对各所述稀疏特征向量进行处理得到稠密特征向量,将全部关联物品对应的稠密特征向量,输入至均值池化层(Mean pooling)中,得到行为特征向量;
步骤3:将上述用户特征向量以及行为特征向量,共同输入至拼接层Concat中,通过Concat层将用户特征向量以及行为特征向量进行拼接,然后将拼接结果输入至单层DNN网络中,得到用户向量;
步骤4:获取待推荐物品分别对应的物品特征(Item特征),对物品特征进行编码得到稀疏特征向量,将稀疏特征向量输入至嵌入层(Embedding)中,得到待推荐物品对应的稠密特征向量,将稠密特征向量输入至SENet网络进行动态加权,得到待推荐物品匹配的物品特征向量,最后将物品特征向量输入至DNN网络中,得到与待推荐物品匹配的物品向量;
步骤5:计算用户向量与各物品向量之间的余弦相似度(cosin),并根据余弦相似度确定目标用户与待推荐物品之间的相关度,根据相关度将目标物品推荐给目标用户。
图4为本发明实施例四提供的一种基于行为序列和权重共享的双塔模型推荐装置的结构示意图,如图4所示,该装置包括:用户特征确定模块410、行为特征确定模块420、物品向量确定模块430和目标物品确定模块440。
其中,用户特征确定模块410,用于获取目标用户对应的至少一个用户特征,通过压缩激活网络SENet对各所述用户特征进行处理,得到与目标用户匹配的用户特征向量;
行为特征确定模块420,用于根据所述目标用户对应的行为序列,获取目标用户对应的至少一个关联物品,并根据各所述关联物品,确定与目标用户匹配的行为特征向量;
物品向量确定模块430,用于获取多个待推荐物品分别对应的物品特征,通过SENet网络对各所述物品特征进行处理,得到与各所述待推荐物品匹配的物品向量;
目标物品确定模块440,用于根据所述用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,并将所述目标物品推荐给目标用户。
本发明实施例提供的技术方案,通过获取目标用户对应的至少一个用户特征,通过SENet网络对各用户特征进行处理,得到与目标用户匹配的用户特征向量,根据目标用户对应的行为序列,获取目标用户对应的至少一个关联物品,并根据各关联物品确定与目标用户匹配的行为特征向量,获取多个待推荐物品分别对应的物品特征,通过SENet网络对各物品特征进行处理,得到与各待推荐物品匹配的物品向量,根据用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,并将目标物品推荐给目标用户的技术手段,可以提高物品推荐结果的准确性。
在上述实施例的基础上,所述用户特征确定模块410包括:
用户特征编码单元,用于对各所述用户特征进行编码,得到目标用户对应的稀疏特征向量;
稀疏向量处理单元,用于将所述稀疏特征向量输入至嵌入层中,通过所述嵌入层对稀疏特征向量进行处理,得到目标用户对应的稠密特征向量;
用户特征向量确定单元,用于将所述稠密特征向量输入至SENet网络,通过所述SENet网络对稠密特征向量进行处理,得到与目标用户匹配的用户特征向量。
所述行为特征确定模块420包括:
关联物品特征获取单元,用于获取各所述关联物品分别对应的物品特征,并根据各所述物品特征,生成各所述关联物品分别对应的稀疏特征向量;
稠密向量确定单元,用于将各所述关联物品分别对应的稀疏特征向量,输入至嵌入层中,通过所述嵌入层对各所述稀疏特征向量进行处理,得到各关联物品对应的稠密特征向量;
均值池化单元,用于将全部关联物品对应的稠密特征向量,进行均值池化处理,得到与目标用户匹配的行为特征向量。
所述物品向量确定模块430包括:
物品特征向量确定单元,用于将各所述待推荐物品对应的稠密特征向量,输入至SENet网络,通过所述SENet网络对稠密特征向量进行处理,得到与各待推荐物品匹配的物品特征向量;
物品向量生成单元,用于将各所述物品特征向量输入至动态神经网络DNN中,得到与各所述待推荐物品匹配的物品向量。
所述目标物品确定模块440包括:
用户向量确定单元,用于根据所述用户特征向量以及行为特征向量,确定目标用户对应的用户向量;
相关度确定单元,用于根据所述用户向量以及各物品向量,确定目标用户与各待推荐物品之间的相关度;
目标物品筛选单元,用于根据所述相关度,在多个待推荐物品中确定目标物品;
向量拼接单元,用于将所述用户特征向量以及行为特征向量进行拼接,并将拼接结果输入至DNN网络中,得到目标用户对应的用户向量;
相似度计算单元,用于计算所述用户向量与各物品向量之间的余弦相似度,并根据所述余弦相似度确定目标用户与各待推荐物品之间的相关度。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如基于行为序列和权重共享的双塔模型推荐方法。
在一些实施例中,基于行为序列和权重共享的双塔模型推荐方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的基于行为序列和权重共享的双塔模型推荐方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于行为序列和权重共享的双塔模型推荐方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的***和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算***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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于行为序列和权重共享的双塔模型推荐方法,其特征在于,所述方法包括:
获取目标用户对应的至少一个用户特征,通过压缩激活网络SENet对各所述用户特征进行处理,得到与目标用户匹配的用户特征向量;
根据所述目标用户对应的行为序列,获取目标用户对应的至少一个关联物品,并根据各所述关联物品,确定与目标用户匹配的行为特征向量;
获取多个待推荐物品分别对应的物品特征,通过SENet网络对各所述物品特征进行处理,得到与各所述待推荐物品匹配的物品向量;
根据所述用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,并将所述目标物品推荐给目标用户。
2.根据权利要求1所述的方法,其特征在于,通过压缩激活网络SENet对各所述用户特征进行处理,得到与目标用户匹配的用户特征向量,包括:
对各所述用户特征进行编码,得到目标用户对应的稀疏特征向量;
将所述稀疏特征向量输入至嵌入层中,通过所述嵌入层对稀疏特征向量进行处理,得到目标用户对应的稠密特征向量;
将所述稠密特征向量输入至SENet网络,通过所述SENet网络对稠密特征向量进行处理,得到与目标用户匹配的用户特征向量。
3.根据权利要求1所述的方法,其特征在于,根据各所述关联物品,确定与目标用户匹配的行为特征向量,包括:
获取各所述关联物品分别对应的物品特征,并根据各所述物品特征,生成各所述关联物品分别对应的稀疏特征向量;
将各所述关联物品分别对应的稀疏特征向量,输入至嵌入层中,通过所述嵌入层对各所述稀疏特征向量进行处理,得到各关联物品对应的稠密特征向量;
将全部关联物品对应的稠密特征向量,进行均值池化处理,得到与目标用户匹配的行为特征向量。
4.根据权利要求1所述的方法,其特征在于,通过SENet网络对各所述物品特征进行处理,得到与各所述待推荐物品匹配的物品向量,包括:
将各所述待推荐物品对应的稠密特征向量,输入至SENet网络,通过所述SENet网络对稠密特征向量进行处理,得到与各待推荐物品匹配的物品特征向量;
将各所述物品特征向量输入至动态神经网络DNN中,得到与各所述待推荐物品匹配的物品向量。
5.根据权利要求1所述的方法,其特征在于,根据所述用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,包括:
根据所述用户特征向量以及行为特征向量,确定目标用户对应的用户向量;
根据所述用户向量以及各物品向量,确定目标用户与各待推荐物品之间的相关度;
根据所述相关度,在多个待推荐物品中确定目标物品。
6.根据权利要求5所述的方法,其特征在于,根据所述用户特征向量以及行为特征向量,确定目标用户对应的用户向量,包括:
将所述用户特征向量以及行为特征向量进行拼接,并将拼接结果输入至DNN网络中,得到目标用户对应的用户向量。
7.根据权利要求5所述的方法,其特征在于,根据所述用户向量以及各物品向量,确定目标用户与各待推荐物品之间的相关度,包括:
计算所述用户向量与各物品向量之间的余弦相似度,并根据所述余弦相似度确定目标用户与各待推荐物品之间的相关度。
8.一种基于行为序列和权重共享的双塔模型推荐装置,其特征在于,所述装置包括:
用户特征确定模块,用于获取目标用户对应的至少一个用户特征,通过压缩激活网络SENet对各所述用户特征进行处理,得到与目标用户匹配的用户特征向量;
行为特征确定模块,用于根据所述目标用户对应的行为序列,获取目标用户对应的至少一个关联物品,并根据各所述关联物品,确定与目标用户匹配的行为特征向量;
物品向量确定模块,用于获取多个待推荐物品分别对应的物品特征,通过SENet网络对各所述物品特征进行处理,得到与各所述待推荐物品匹配的物品向量;
目标物品确定模块,用于根据所述用户特征向量、行为特征向量以及物品向量,在多个待推荐物品中确定目标物品,并将所述目标物品推荐给目标用户。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-7中任一项所述的基于行为序列和权重共享的双塔模型推荐方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于行为序列和权重共享的双塔模型推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310136544.XA CN116308634A (zh) | 2023-02-20 | 2023-02-20 | 基于行为序列和权重共享的双塔模型推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310136544.XA CN116308634A (zh) | 2023-02-20 | 2023-02-20 | 基于行为序列和权重共享的双塔模型推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116308634A true CN116308634A (zh) | 2023-06-23 |
Family
ID=86791596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310136544.XA Pending CN116308634A (zh) | 2023-02-20 | 2023-02-20 | 基于行为序列和权重共享的双塔模型推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308634A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408786A (zh) * | 2023-12-11 | 2024-01-16 | 深圳须弥云图空间科技有限公司 | 一种基于门控机制的物品推荐方法及装置 |
-
2023
- 2023-02-20 CN CN202310136544.XA patent/CN116308634A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408786A (zh) * | 2023-12-11 | 2024-01-16 | 深圳须弥云图空间科技有限公司 | 一种基于门控机制的物品推荐方法及装置 |
CN117408786B (zh) * | 2023-12-11 | 2024-04-16 | 深圳须弥云图空间科技有限公司 | 一种基于门控机制的物品推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784778B (zh) | 生成模型并识别年龄和性别的方法、装置、设备和介质 | |
CN113360711B (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN113407851A (zh) | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 | |
CN114821063A (zh) | 语义分割模型的生成方法及装置、图像的处理方法 | |
CN113592593A (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
CN116308634A (zh) | 基于行为序列和权重共享的双塔模型推荐方法及装置 | |
CN113205189B (zh) | 训练预测模型的方法、预测方法及装置 | |
CN114973333B (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
CN115169489B (zh) | 数据检索方法、装置、设备以及存储介质 | |
CN113656689B (zh) | 模型生成方法和网络信息的推送方法 | |
CN116090438A (zh) | 主题处理方法、装置、电子设备及存储介质 | |
CN114662688A (zh) | 模型的训练方法、数据处理方法、装置、电子设备及介质 | |
CN113255824B (zh) | 训练分类模型和数据分类的方法和装置 | |
CN115619142A (zh) | 匹配数据的方法、装置、设备和计算机可读介质 | |
CN113239215B (zh) | 多媒体资源的分类方法、装置、电子设备及存储介质 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN113989152A (zh) | 图像增强方法、装置、设备以及存储介质 | |
CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN113010782A (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
CN112861684A (zh) | 一种物品展示方法和装置 | |
CN114066278B (zh) | 物品召回的评估方法、装置、介质及程序产品 | |
CN114998600B (zh) | 图像处理方法、模型的训练方法、装置、设备及介质 | |
CN113391989B (zh) | 程序评估方法、装置、设备、介质及程序产品 | |
CN116911913B (zh) | 一种交互结果的预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |