[发明专利]一种对象推荐方法、装置及存储介质

说明书

本发明实施例提供一种对象推荐方法、装置、存储介质及计算机设备，本实施例基于循环神经网络，对多个样本用户对应的用户访问序列进行训练，得到推荐对象预测模型，对用户访问序列进行编码计算，再对得到的编码向量与各候选词向量进行相似度计算，得到该用户的推荐对象。可见，基于循环神经网络的在编码计算的特点，使得本实施例这种模型编码方式，兼顾了用户的长期历史兴趣和短期历史兴趣，且考虑到了用户在应用平台上访问对象的访问顺序，能够更准确定位用户的兴趣变迁和兴趣积累，解决现有ItemCF对象推荐方法导致所得推荐对象多样性和个性化损失的问题。

技术领域

本发明涉及数据处理技术领域，具体涉及一种对象推荐方法、装置及存储介质。

背景技术

如今，互联网的普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展，网络信息量的大幅增长，用户面对大量信息时，很难从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低。对此，技术人员提出了推荐系统，即根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户，实现个性化信息推荐，目前已被广泛应用到很多领域，如新闻推荐、商务推荐、娱乐推荐、学习推荐、生活推荐等。

目前，常用的推荐方法主要有基于协同过滤(Collaborative Filtering，简称CF)的推荐方法，即通过计算Item-Item(Item可以是一篇文章或一个视频等对象)相似度的方式，得到与用户访问过的对象，最相似的K个Item作为推荐对象。

其中，Item-Item相似度计算通常是采用Item CF的方法实现，即利用Item在用户的访问对象序列中的共现关系，计算两个Item的相似度。当不同用户在一段时间内访问对象Item相同，但各访问对象的访问顺序不同，基于Item CF的推荐方法得到的各用户的推荐对象将会相同，无法实现个性化推荐，还会影响推荐准确率，且得到的推荐对象无法兼顾用户的长期兴趣和短期兴趣。

发明内容

本发明实施例提供一种对象推荐方法、装置、存储介质及计算机设备，可以实现对用户兴趣变迁和兴趣积累的准确定位，满足不同用户个性化推荐需求，且所得推荐对象兼顾了用户的长期兴趣和短期兴趣，提高了向用户推荐对象的准确性。

为实现上述目的，本发明实施例提供如下技术方案：

一种对象推荐方法，所述方法包括：

获取用户访问序列，所述用户访问序列是基于用户访问应用平台输出的对象生成的；

将所述用户访问序列输入推荐对象预测模型进行编码计算，得到所述用户访问对象的编码向量，所述推荐对象预测模型是基于循环神经网络，对多个样本用户对应的用户访问序列训练得到；

对所述编码向量与各候选词向量进行相似度计算；

基于相似度计算结果，得到所述用户的推荐对象。

一种对象推荐装置，所述装置包括：

序列获取模块，用于获取用户访问序列，所述用户访问序列是基于用户访问应用平台输出的对象生成的；

编码计算模型，用于将所述用户访问序列输入推荐对象预测模型进行编码计算，得到所述用户访问对象的编码向量，所述推荐对象预测模型是基于循环神经网络，对多个样本用户对应的用户访问序列训练得到；

第一相似度计算模块，用于对所述编码向量与各候选词向量进行相似度计算；

推荐对象选择模型，用于基于相似度计算结果，得到所述用户的推荐对象。

一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行，实现如上所述的对象方法的各步骤。

一种计算机设备，所述计算机设备包括：

通信接口；