[发明专利]一种推荐物品的方法、装置、设备及存储介质

说明书

本发明公开了一种推荐物品的方法、装置、设备及存储介质。该方法包括：确定包含场景特征和属性特征的初始特征信息，其中，所述属性特征包括物品属性特征和用户属性特征；基于目标预处理方式对所述初始特征信息进行相应的预处理，得到目标特征信息；将所述目标特征信息输入预设多任务神经网络模型，得到曝光预估值和获取预估值，并根据所述曝光预估值和所述获取预估值，向用户推荐物品。本发明实施例的技术方案，利用多任务神经网络模型充分挖掘了场景特征和属性特征中蕴含的特征信息，提高了物品的曝光预估值和获取预估值的准确度，利用该曝光预估值和获取预估值确定的推荐物品，可以很好的满足用户的需求并提高物品的被获取的概率。

技术领域

本发明涉及互联网应用技术领域，尤其涉及一种推荐物品的方法、装置、设备及存储介质。

背景技术

目前，对于物品的推荐排序，通常需要通过精排后，再截取前n个物品对用户进行展示和推荐。该截取的动作可能会造成，曝光数据与精排候选数据之间存在偏差，从而导致向用户推荐的物品不准确。

现存的精排有两种方法。一是采用最小价、最多好评或最短耗时等人工规则来确定物品排序。二是采用一般的机器学习算法来预测物品的获取率，如收集精排候选集中的物品曝光率、点击率和获取数据等，再进行曝光后获取率的预测，并按曝光后获取率预估值的大小来确定物品排序。

然而，利用人工规则来确定物品排序的方式，较为主观，容易造成物品排序不贴合用户需求的情况出现，其并不能很好的解决向用户推荐的物品不准确的问题。由于精排候选集中存在着大量不会曝光的数据，因此将利用一般机器学习算法确定的物品排序，也容易造成物品排序不贴合用户需求的情况出现，影响用户的体验感。

发明内容

本发明提供了一种推荐物品的方法、装置、设备及存储介质，以解决向用户推荐的物品不贴合用户需求的问题。

第一方面，本发明提供了一种推荐物品的方法，包括：

确定包含场景特征和属性特征的初始特征信息，其中，所述属性特征包括物品属性特征和用户属性特征；

基于目标预处理方式对所述初始特征信息进行相应的预处理，得到目标特征信息，其中，所述目标预处理方式包括填充处理、归一化处理以及独热编码处理中的至少一项；

将所述目标特征信息输入预设多任务神经网络模型，得到曝光预估值和获取预估值，并根据所述曝光预估值和所述获取预估值，向用户推荐物品。

第二方面，本发明提供了一种推荐物品的装置，包括：

初始信息确定模块，用于确定包含场景特征和属性特征的初始特征信息，其中，所述属性特征包括物品属性特征和用户属性特征；

目标信息确定模块，用于基于目标预处理方式对所述初始特征信息进行相应的预处理，得到目标特征信息，其中，所述目标预处理方式包括填充处理、归一化处理以及独热编码处理中的至少一项；

物品推荐模块，用于将所述目标特征信息输入预设多任务神经网络模型，得到曝光预估值和获取预估值，并根据所述曝光预估值和所述获取预估值，向用户推荐物品。

第三方面，本发明提供了一种电子设备，该电子设备包括：

至少一个处理器；

以及与至少一个处理器通信连接的存储器；

其中，存储器存储有可被至少一个处理器执行的计算机程序，该计算机程序被至少一个处理器执行，以使至少一个处理器能够执行上述第一方面的推荐物品的方法。

第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现上述第一方面的推荐物品的方法。