[发明专利]商品推荐方法及商品推荐装置、设备和存储介质

说明书

本发明提供了一种商品推荐方法，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；将商品信息向量和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每个用户和每种商品之间的相关性系数；根据与每个用户关联的所有相关性系数向每个用户推荐商品。相应地，本发明还对应提出了商品推荐装置、计算机设备和计算机可读存储介质。通过本发明的技术方案，可以有效地解决现有推荐方案中的冷启动问题，并有效地降低了特征提取的难度，从而提高了商品的推荐效率和推荐效果。

技术领域

本发明涉及商品推荐技术领域，具体而言，涉及商品推荐方法、商品推荐装置、计算机设备和计算机可读存储介质。

背景技术

目前，推荐系统和个性化推荐在现代网络中扮演着越来越重要的角色，许多网络服务致力于在最短的时间帮助用户寻找到最相关的内容。一般地，传统推荐系统可以分为基于协同过滤的推荐系统和基于内容的推荐系统，其中协同过滤推荐系统一般遵循“相似用户的兴趣爱好相同，会喜欢相同东西”的原则，以及协同过滤推荐可分为基于用户的协同过滤推荐、基于商品的协同过滤推荐以及二者相结合的协同过滤推荐。其中，基于用户的协同过滤推荐算法利用用户喜欢的商品计算用户之间的相似度，然后结合该相似度对商品进行打分排序，进而实现商品推荐。基于商品的协同过滤则是给用户推荐那些和他们之前喜欢的物品相似的物品。协同过滤推荐系统算法虽然简单易行，但是存在冷启动的问题，无法给新用户推荐商品。而基于内容的推荐系统是从商品或者用户中提取相应的特征，并根据这些特征向用户推荐商品。虽然，基于内容的推荐系统可以在一定程度上应对冷启动的问题，但由于用户在线配置的文件产生的信息是有限的，通常这种用户级的特征获取难度较大，这很可能无法获取用户真正的兴趣点，从而很大程度上降低了推荐效果。

综上可知，无论是基于用户的协同过滤还是基于商品的协同过滤都存在冷启动问题，无法给新的用户推荐合适的商品；而基于内容的推荐系统，用户级的特征获取难度较大，可能无法获取用户真正的兴趣点，在很大程度上降低了推荐效果。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的一个目的在于提出了一种新的商品推荐方法，可以有效地解决现有推荐方案中的冷启动问题，并支持对新用户推荐合适的商品，而且通过采用深度学习直接对用户兴趣进行建模，无需繁琐的人工提取特征过程，即有效地降低了特征提取的难度，从而提高了商品的推荐效率和推荐结果。

本发明的另一个目的在于对应提出了商品推荐装置、计算机设备和计算机可读存储介质。

为实现上述至少一个目的，根据本发明的第一方面，提出了一种商品推荐方法包括：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；将商品信息向量和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每个用户和每种商品之间的相关性系数；根据与每个用户关联的所有相关性系数向每个用户推荐商品。