[发明专利]图书推荐方法、装置、计算机设备及可读存储介质

说明书

本发明实施例涉及人工智能技术领域，公开了一种电子图书推荐方法，该方法包括：确定特征集；所述特征集包括候选图书信息、用户信息、上下文搜索信息及用户阅读行为序列；将各个候选图书的特征集分别输入电子图书推荐模型，得到各个所述候选图书的推荐度；根据所述推荐度，对所述用户进行电子图书的推荐。通过上述方式，本发明实施例提高了计算效率及推荐的准确率。

技术领域

本发明实施例涉及人工智能技术领域，具体涉及一种图书推荐方法、装置、计算机设备及可读存储介质。

背景技术

现有的电子图书推荐方法往往从用户的历史操作行为确定用户的阅读兴趣，根据阅读兴趣与书籍的匹配度，筛选形成用户的兴趣书籍集，将同时属于候选书籍集和所述兴趣书籍集的书籍，确定为用户的推荐书籍。但是，发明人在实施本发明实施例的过程中发现，现有的电子图书推荐方法存在特征选择考虑不全面和用户阅读行为建模不充分的问题，使得计算效率和推荐准确率较低。

发明内容

鉴于上述问题，本发明实施例提供了一种电子图书推荐方法、装置、计算机设备及可读存储介质，用于解决现有技术中存在的图书推荐的计算效率和推荐准确率较低的技术问题。

根据本发明实施例的一个方面，提供了一种电子图书推荐方法，所述方法包括：

确定特征集；所述特征集包括候选图书信息、用户信息、上下文搜索信息及用户阅读行为序列；

将各个候选图书的特征集分别输入电子图书推荐模型，得到各个所述候选图书的推荐度；

根据所述推荐度，对所述用户进行电子图书的推荐。

在一种可选的方式中，所述将各个候选图书的特征集分别输入电子图书推荐模型，得到各个所述候选图书的推荐度，包括：获取候选图书的候选图书信息、用户的用户信息、上下文搜索信息以及用户的阅读行为序列；分别将候选图书的候选图书信息、用户的用户信息、上下文搜索信息以及用户的阅读行为序列进行文本向量化表示，得到特征向量集；所述特征向量集包括候选图书特征向量、用户特征向量、上下文搜索特征向量及用户的阅读行为序列特征向量。

在一种可选的方式中，所述确定特征集，包括：根据所述用户的历史图书搜索信息以及当前图书热搜信息，得到所述上下文搜索信息；根据用户的最近阅读图书信息以及书架图书信息，得到用户的阅读行为序列。

在一种可选的方式中，通过BERT模型对所述特征集进行文本向量化表示，得到所述特征向量集。

在一种可选的方式中，所述电子图书推荐模型包括Transformer编码器、交互层及预测层；所述Transformer编码器用于对用户阅读行为进行建模。

在一种可选的方式中，所述将各个候选图书的特征集分别输入电子图书推荐模型，得到各个所述候选图书的推荐度，包括：将所述特征向量集中的用户的阅读行为序列特征向量输入所述Transformer编码器，得到用户阅读行为特征；将所述用户特征向量、所述上下文搜索特征向量及所述用户阅读行为特征分别与所述候选图书特征向量在所述交互层进行交互及最大池化操作，得到交互池化后的用户特征、上下文搜索特征及交互池化后的用户阅读行为特征；将所述交互池化后的用户特征、上下文搜索特征及交互池化后的用户阅读行为特征，输入所述预测层进行预测，得到所述候选图书的推荐度。

在一种可选的方式中，所述根据所述推荐度，对用户进行电子图书的推荐，包括：根据各个所述候选图书的推荐度，对各个所述候选图书进行排序；根据各个所述候选图书的排序，对用户进行电子图书的推荐。

根据本发明实施例的另一方面，提供了一种电子图书推荐装置，包括：

确定模块，用于确定特征集；所述特征集包括候选图书信息、用户信息、上下文搜索信息及用户阅读行为序列；

预测模块，用于将各个候选图书的特征集分别输入电子图书推荐模型，得到各个所述候选图书的推荐度；