[发明专利]货品推荐方法、装置及存储介质和电子设备

说明书

本发明实施例提出货品推荐方法、装置及可读存储介质和电子设备。方法包括：预先提取可选货品集中每个货品的图像文本联合特征；当要为第一货品推荐相似货品时，采用图向量特征提取算法提取第一货品和可选货品集中每个货品的图向量特征，根据第一货品与可选货品集中每个货品的图向量特征，分别计算第一货品与可选货品集中每个货品的相似度，得到第一货品的初始推荐货品集；根据初始推荐货品集中每个货品的图像文本联合特征以及第一货品的图像文本联合特征，计算第一货品与初始推荐货品集中每个货品的相似度，按照相似度的从高到低，对初始推荐货品集中的货品进行排序，得到第一货品的最终推荐货品集。本发明实施例提高了货品推荐速度和准确性。

技术领域

本发明涉及计算机技术领域，尤其涉及货品推荐方法、装置及存储介质和电子设备。

背景技术

对网购平台而言，对用户进行货品推荐是一项非常重要的内容。目前，货品推荐首选机器学习方法，主要有基于内容的货品属性、基于用户的协同过滤、混合推荐、深度学习建模等机器学习方法。

基于内容的货品属性的机器学习方法需要手工设计特征，依赖于自然语言处理的知识得到用户的偏好。

基于用户的协同过滤的机器学习方法无需依赖手工设计特征，可以通过自动学习嵌入向量，得到货品隐向量表达。旨在用统计技术寻找与目标用户有相同喜好的“邻居”，根据目标用户的社群行为，向目标用户进行推荐，可帮助用户找到新类别的有惊喜的物品。

混合推荐的机器学习方法是为了解决上述两种方法各自的缺点而产生的，但其在处理一定数据规模，多源异构数据类型以及数据噪音方面仍然有一定的局限性。

采用深度学习建模的机器学习方法，虽然能够处理多源异构数据，将非结构化数据转化为嵌入(Embedding)特征向量的表达，但货品属性的输入层表达也仅限于货品id或各级类目id，输入信息有限，因此在学习的过程中也很难对货品属性在高维空间上进行充分的表达。同时深度学习倾向于大的数据规模，且算法的可解释性较差。特别针对非结构化数据的处理，即特征向量层的引入，使得模型参数的调整更加困难。

无论采用上述任何一种机器学习方法，数据源质量在一定程度上对模型的预测结果有很大的影响，尤其是在货品规模较大且类别繁杂时对于模型的训练时间及预测结果都有一定的制约性，因此，对数据集的选择以及数据源的确定有较高要求。

发明内容

本发明实施例提出货品推荐方法、装置及可读存储介质和电子设备，以提高货品推荐速度和准确性。

本发明实施例的技术方案是这样实现的：

一种货品推荐方法，该方法包括：

预先提取可选货品集中每个货品的图像文本联合特征；

当要为第一货品推荐相似货品时，采用图向量特征提取算法提取第一货品和可选货品集中每个货品的图向量特征，根据第一货品与可选货品集中每个货品的图向量特征，计算第一货品与可选货品集中每个货品的相似度，得到第一货品的初始推荐货品集；

根据初始推荐货品集中每个货品的图像文本联合特征以及第一货品的图像文本联合特征，计算第一货品与初始推荐货品集中每个货品的相似度，按照相似度的从高到低，对初始推荐货品集中的货品进行排序，得到第一货品的最终推荐货品集。

所述预先提取可选货品集中每个货品的图像文本联合特征包括：

采用词向量特征提取算法提取可选货品集中每个货品的词向量特征；

根据每个货品的词向量特征，将可选货品集中所有货品分成多个类别，得到每个类别下的子货品集；

对每个类别下的子货品集，采用已训练好的该类别的深度学习模型提取该类别下的子货品集中每个货品的图像文本联合特征。