[发明专利]商品推荐方法及商品推荐装置、设备和存储介质

权利要求书

1.一种商品推荐方法，其特征在于，包括：

提取目标用户集中每个用户的关联用户信息对应的用户信息向量和目标商品集中的每种商品的关联商品信息对应的商品信息向量；

将所述商品信息向量和所述用户信息向量分别输入至对应的根据用户历史行为数据训练得到的深度神经网络模型中进行特征提取；

根据提取到的商品特征向量和用户特征向量计算所述每个用户和所述每种商品之间的相关性系数；

根据与所述每个用户关联的所有相关性系数向所述每个用户推荐商品。

2.根据权利要求1所述的商品推荐方法，其特征在于，所述根据提取到的商品特征向量和用户特征向量计算所述每个用户和与所述每个用户和所述每种商品之间的相关性系数的步骤包括：

在潜在语义空间，将所述商品特征向量和所述用户特征向量代入预设相似度计算公式计算所述每个用户和所述每种商品之间的所述相关性系数。

3.根据权利要求2所述的商品推荐方法，其特征在于，所述预设相似度计算公式为：

其中，U代表用户，I代表商品，y_U代表所述用户特征向量，y_I代表所述商品特征向量，y_U^T代表y_U的转置，‖y_U‖代表所述用户特征向量的范数，‖y_I‖代表所述商品特征向量的范数。

4.根据权利要求3所述的商品推荐方法，其特征在于，

用户侧的经训练得到的深度神经网络模型为：y_U＝f(W_u,N×L_u,N-1+b_N)，

其中，L_u,p＝f(W_u,p×L_u,p-1+b_u,p),p＝2,…,N-1，以及L_u,1＝W_u,1×X_U+b_u,1，以及L_u,p(p＝1,…,N-1)表示用户侧的深度神经网络的第p个隐层，W_u,p(p＝1,…,N-1)表示第p个隐层的权重矩阵，b_u,p(p＝1,…,N-1)表示第p个隐层的偏置，N为大于1的正整数；

商品侧的经训练得到的深度神经网络模型为：y_I＝f(W_q,M×L_q,M-1+b_M)，

其中，L_i,q＝f(W_i,q×L_i,q-1+b_i,q),q＝2,…,M-1，以及L_i,1＝W_i,1×X_I+b_i,1，以及L_i,q(q＝1,…,M-1)表示用户侧的深度神经网络的第q个隐层，W_u,i(i＝1,…,M-1)表示第q个隐层的权重矩阵，b_i,q(q＝1,…,M-1)表示第q个隐层的偏置，M为大于1的正整数。

5.根据权利要求1至4中任一项所述的商品推荐方法，其特征在于，根据与所述每个用户关联的所有相关性系数向所述每个用户推荐商品的步骤包括：

将与所述每个用户关联的所有相关性系数进行排序；

将排列在预设位次阈值之前的相关性系数分别对应的目标商品推荐给所述每个用户。