[发明专利]用于推荐的方法、装置、电子设备和介质

说明书

本公开的实施例涉及用于推荐的方法、装置、电子设备和介质。该方法包括获取用户历史交互的对象序列，该对象序列按交互时间排序。该方法还包括基于对象序列中的多个对象的多个概率分布，生成对象分布序列。该方法还包括基于对象分布序列，通过确定对象分布序列中每对对象的概率分布之间的最大均值差异(MMD)距离，生成MMD距离集合。此外，该方法还包括基于对象分布序列和MMD距离集合，生成向用户推荐对象的推荐结果。本公开的实施例的方法通过计算每对对象的概率分布之间的MMD距离，能够更好的保留对象之间的关联性，从而促进新对象的冷启动，提高冷门对象的曝光，由此改善用户体验，并且提高顺序推荐模型的准确性。

技术领域

本公开总体涉及计算机领域，并且更具体地，涉及用于推荐的方法、装置、电子设备和介质。

背景技术

推荐系统是一种信息过滤系统，推荐系统可以通过分析用户的历史行为等多种因素来预测用户对某些对象的喜好程度，从而向用户推荐个性化的对象列表。推荐系统广泛应用于内容分发、音乐电影、社交网络和电子商务等领域。

顺序推荐(sequential recommendation)是指针对用户在一段时间内产生的行为序列(例如，阅读文章、浏览视频、收藏音乐、添加好友等)进行个性化推荐的任务。相比于传统的推荐任务，顺序推荐不仅考虑用户的兴趣偏好，还考虑了行为的时序性，从而更加贴合用户的实际需求。在应用顺序推荐的场景中，用户通常会产生大量的行为序列数据，如何从这些行为序列数据中挖掘出有用的信息，提高推荐的效果是顺序推荐的主要研究方向。

发明内容

本公开的实施例提供了一种用于推荐的方法、装置、电子设备和介质，通过计算每对对象的概率分布之间的最大均值差异(Maximum Mean Discrepancy，MMD)距离，能够更好的保留对象之间的关联性，从而促进新对象的冷启动，提高冷门对象的曝光，提高顺序推荐模型的准确性，改善用户体验。

在本公开的第一方面中，提供了一种用于推荐的方法。该方法包括获取用户历史交互的对象序列，该对象序列按交互时间排序。该方法还包括基于对象序列中的多个对象的多个概率分布，生成对象分布序列。该方法还包括基于对象分布序列，通过确定对象分布序列中每对对象的概率分布之间的MMD距离，生成MMD距离集合。此外，该方法还包括基于对象分布序列和MMD距离集合，生成向用户推荐对象的推荐结果。

在本公开的第二方面中，提供了一种用于推荐的装置。该装置包括对象序列获取模块，被配置为获取用户历史交互的对象序列，该对象序列按交互时间排序。该装置还包括分布序列生成模块，被配置为基于对象序列中的多个对象的多个概率分布，生成对象分布序列。该装置还包括分布距离确定模块，被配置为基于对象分布序列，通过确定对象分布序列中每对对象的概率分布之间的MMD距离，生成MMD距离集合。此外，该装置还包括推荐结果生成模块，被配置为基于对象分布序列和MMD距离集合，生成向用户推荐对象的推荐结果。

在本公开的第三方面中，提供了一种电子设备。该电子设备包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现一种用于推荐的方法。该方法包括获取用户历史交互的对象序列，该对象序列按交互时间排序。该方法还包括基于对象序列中的多个对象的多个概率分布，生成对象分布序列。该方法还包括基于对象分布序列，通过确定对象分布序列中每对对象的概率分布之间的MMD距离，生成MMD距离集合。此外，该方法还包括基于对象分布序列和MMD距离集合，生成向用户推荐对象的推荐结果。

在本公开的第四方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种用于推荐的方法。该方法包括获取用户历史交互的对象序列，该对象序列按交互时间排序。该方法还包括基于对象序列中的多个对象的多个概率分布，生成对象分布序列。该方法还包括基于对象分布序列，通过确定对象分布序列中每对对象的概率分布之间的MMD距离，生成MMD距离集合。此外，该方法还包括基于对象分布序列和MMD距离集合，生成向用户推荐对象的推荐结果。