[发明专利]推荐系统召回的方法及装置

说明书

本发明公开了一种推荐系统召回的方法及装置，涉及人工智能技术领域，该方法包括：分别对用户特征和项目特征进行离散化和向量化处理，分别输入多层全连接神经网络得到深度学习输出向量，以及累加用户特征和项目特征的离散项目特征得到线性模型输出向量；将深度学习输出向量和线性模型输出向量进行拼接得到输出总向量，将用户特征的输出总向量和项目特征的输出总向量进行点积相乘，得到用户特征与项目特征之间匹配度的计算模型，并计算召回目标用户的用户特征与召回目标项目的项目特征之间的匹配度；根据召回目标用户的用户特征与召回目标项目的项目特征之间的匹配度，进行召回操作。本发明可提升推荐系统召回的准确性和召回效率。

技术领域

本发明涉及人工智能技术领域，尤其涉及推荐系统召回的方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

随着社会发展和互联网的普及，信息量增加的越来越快，已经从人找信息变为信息找人，而推荐系统正是智能化个性化的将有用信息从海量信息中提取出来并主动推送给人。

推荐系统需要从海量数据信息中找到匹配信息进行个性化推送，考虑到时间开销，一般包含了召回和排序这两个环节，召回环节负责从海量的信息中快速找到可能匹配的n个信息。向量检索是召回环节的一种方式。

由于当前用于推荐系统召回的深度学习模型通常是双塔架构，双塔架构输出形式为向量，然后进行向量检索。向量形式限制了深度学习模型的能力，无法使用一些更复杂的模型，因此推荐系统召回的模型能力就会受到限制，也降低了推荐系统召回的准确性；同时，因当前用于推荐系统召回的深度学习模型无法计算线性的特征向量，也降低了推荐系统召回效率。

发明内容

本发明实施例提供一种推荐系统召回的方法，用以提升推荐系统召回的准确性和工作效率，该方法包括：

对用户特征进行离散化和向量化处理，得到用户特征的多个用户离散特征向量；将用户特征的多个用户离散特征向量，输入到多层全连接神经网络，得到用户特征的深度学习输出向量；对用户特征的多个用户离散特征向量进行向量累加，得到用户特征的线性输出向量；对用户特征的深度学习输出向量和线性输出向量进行向量拼接，得到用户特征的输出总向量；

对项目特征进行离散化和向量化处理，得到项目特征的多个项目离散特征向量；将项目特征的多个项目离散特征向量，输入到多层全连接神经网络，得到项目特征的深度学习输出向量；对项目特征的多个项目离散特征向量进行向量累加，得到项目特征的线性输出向量；对项目特征的深度学习输出向量和线性输出向量进行向量拼接，得到项目特征的输出总向量；

将用户特征的输出总向量和项目特征的输出总向量，进行点积相乘，得到用户特征与项目特征之间匹配度的计算模型；

将召回目标用户的用户特征和召回目标项目的项目特征，输入到所述计算模型，得到召回目标用户的用户特征与召回目标项目的项目特征之间的匹配度；

根据召回目标用户的用户特征与召回目标项目的项目特征之间的匹配度，进行召回操作。

本发明实施例还提供一种推荐系统召回的装置，用以提升推荐系统召回的准确性和工作效率，该装置包括：

用户特征处理模块，用于对用户特征进行离散化和向量化处理，得到用户特征的多个用户离散特征向量；将用户特征的多个用户离散特征向量，输入到多层全连接神经网络，得到用户特征的深度学习输出向量；对用户特征的多个用户离散特征向量进行向量累加，得到用户特征的线性输出向量；对用户特征的深度学习输出向量和线性输出向量进行向量拼接，得到用户特征的输出总向量；