[发明专利]物品推荐方法、物品推荐装置、设备和介质

说明书

本发明实施例提供了一种物品推荐方法，包括：获取用户的特征集合；利用预先训练的深度学习网络对特征集合进行处理，以得到该用户的消费能力预测分数；基于消费能力预测分数确定该用户的消费能力类别；以及，基于针对该消费能力类别的物品信息池，对该用户进行物品推荐。本发明实施例还提供了一种物品推荐装置、计算机设备和介质。

技术领域

本发明实施例涉及计算机技术领域，更具体地，涉及一种物品推荐方法、物品推荐装置、设备和介质。

背景技术

随着大数据和人工智能的发展，越来越多的用户喜欢网上购物。电商平台为了吸引更多的用户，通过各种策略或算法增加用户粘性，提升用户体验。下沉(sinking)群体是指在电商平台中购物行为少、用户等级低、或者处于低线城市的用户群体，即消费能力较低的用户群体，可以称为下沉用户。目前，下沉群体在中低端收入家庭或者三线以下的城市，占有很大比例，并且由于下沉群体的互联网消费的发展相对缓慢，具有较大的提升空间。为了进一步挖掘下沉群体的价值，针对下沉用户的物品推荐，具有十分重要意义。

一种处理方式下，电商平台的数据分析师根据经验设置策略公式，再根据该策略共识和用户特征来计算用户的下沉分数。再根据不同的下沉分数来为用户推荐不同的商品。然而，该方式具有如下缺点：随着业务的不断发展，用户特征会不断变化，需要不断更新公式，比较消耗人力成本。而且人的经验是有限的，设计公式可能考虑的因素也不是很全面，导致计算得到的下沉分数不准确，进而导致误判推荐不准确。

发明内容

有鉴于此，本发明提供了一种物品推荐方法、物品推荐装置、设备和介质。

本发明的一个方面提供了一种物品推荐方法，包括：获取用户的特征集合；利用预先训练的深度学习网络对特征集合进行处理，以得到该用户的消费能力预测分数；基于消费能力预测分数确定该用户的消费能力类别；以及，基于针对该消费能力类别的物品信息池，对该用户进行物品推荐。

根据本发明的实施例，上述方法还包括：构建初始网络；获取样本特征集合，并确定样本特征集合的标签分数；以及，利用样本特征集合和相应的标签分数，对初始网络进行训练，以得到上述预先训练的深度学习网络。

根据本发明的实施例，初始网络包括：嵌入层、特征提取层和输出层。特征提取层包括：低阶特征提取子网络，低阶特征提取子网络包括线性层和因子分解机；中阶特征提取子网络，中阶特征提取子网络包括卷积神经网络和重组层；以及，高阶特征提取子网络，高阶特征提取子网络包括深度神经网络。

根据本发明的实施例，上述利用样本特征集合和标签分数，对初始网络进行训练包括：利用嵌入层将样本特征集合转换为特征向量；利用线性层提取特征向量的线性特征组合，并利用因子分解机提取特征向量的二阶交叉特征组合，由线性特征组合和二阶交叉特征组合构成第一特征；利用卷积神经网络提取特征向量的局部特征，并利用重组层对局部特征进行组合，以得到第二特征；利用深度神经网络提取特征向量的第三特征；由输出层基于第一特征、第二特征和第三特征，输出样本特征集合的消费能力预测分数；基于样本特征集合的标签分数和消费能力预测分数，确定初始网络的损失值；以及，在损失值达到收敛的情况下，确定初始网络被训练为上述预先训练的深度学习网络。

根据本发明的实施例，上述利用因子分解机提取特征向量的二阶交叉特征组合包括：由因子分解机基于Dicefactor机制提取二阶交叉特征组合。

根据本发明的实施例，卷积神经网络包括：卷积层和池化层。上述利用卷积神经网络提取特征向量的局部特征包括：由卷积层对所述特征向量进行卷积操作以获得高阶局部特征，并由池化层对高阶局部特征进行降维操作以获得局部特征。上述利用重组层对局部特征进行组合包括：由重组层以全连接方式对局部特征进行组合。

根据本发明的实施例，上述利用深度神经网络提取特征向量的第三特征包括：由深度神经网络基于多头自注意力机制提取第三特征。