[发明专利]一种项目推荐方法、装置及存储介质

说明书

本发明实施例公开了一种项目推荐方法、装置及存储介质，其中，项目推荐方法包括：从当前用户感兴趣的项目中提取项目特征；对提取的项目特征进行扩展，得到目标特征；根据所述目标特征拉取项目，得到候选项目；从所述当前用户的用户画像中提取用户标签；根据提取的用户标签及所述候选项目的项目特征，计算所述当前用户与所述候选项目的相似度；根据所述当前用户与所述候选项目的相似度，从所述候选项目中选取推荐的目标项目。本发明实施例能够降低算法复杂度，提高推荐的准确性。

技术领域

本发明实施例涉及互联网技术领域，特别是涉及一种项目推荐方法、装置及存储介质。

背景技术

随着互联网技术的发展，越来越多的用户通过互联网获取感兴趣的项目(item)，例如：文章、资讯、物品等，为提高用户粘性，项目提供商通常会向用户推荐用户可能感兴趣的项目，而如何确定用户可能感兴趣的项目并向用户推荐该项目，成为技术人员研究的一个重要问题。

目前的推荐系统，解决用户兴趣类项目的推荐问题，通常有两类方法：

第一类：基于用户的协同过滤(user-based Collaborative Filtering，简称UserCF)算法，该方法的基本思想是基于用户对项目的偏好，找到与当前用户具有相似喜好的邻居用户，然后将邻居用户喜欢的项目推荐给当前用户。比如，对于用户A，根据用户A的历史偏好，计算得到一个邻居用户C，然后将邻居用户C喜欢的物品2推荐给用户A。

第二类：基于内容的协同过滤(Item-based Collaborative Filtering，简称ItemCF)算法，该方法的基本思想基于用户对项目的偏好，找到与当前用户偏好的项目相似的项目，推荐相似的项目给当前用户。比如：对于物品1，根据所有用户的历史偏好得知，喜欢物品1的用户都喜欢物品2，得出物品1和物品2比较相似，而用户C喜欢物品1，那么可以推断出用户C可能也喜欢物品2，将物品2推荐给用户C。

User CF算法需要基于用户的点击或投票结果，建立用户(user)与项目的评分矩阵，由于用户的量通常比较大，导致矩阵计算规模巨大，训练过程需要花费很大的代价；Item CF算法中，由于项目的量通常不会很大，比较方便计算，但Item CF算法需要多维度刻画项目的语义，才能得到较好的推荐效果，这就需要完成大量特征工程工作，复杂性高，调优困难。

发明内容

本发明实施例提供了一种项目推荐方法、装置及存储介质，能够降低算法复杂度，提高推荐的准确性。

本发明实施例提供的项目推荐方法，包括：

从当前用户感兴趣的项目中提取项目特征；

对提取的项目特征进行扩展，得到目标特征；

根据所述目标特征拉取项目，得到候选项目；

从所述当前用户的用户画像中提取用户标签；

根据提取的用户标签及所述候选项目的项目特征计算所述当前用户与所述候选项目的相似度；

根据所述当前用户与所述候选项目的相似度，从所述候选项目中选取推荐的目标项目。

本发明根据所述当前用户与所述候选项目的相似度，从所述候选项目中选取推荐的目标项目实施例提供的项目推荐装置，包括：

第一提取单元，用于从当前用户感兴趣的项目中提取项目特征；以及从所述当前用户的用户画像中提取用户标签；

扩展单元，用于对提取的项目特征进行扩展，得到目标特征；

拉取单元，用于根据所述目标特征拉取项目，得到候选项目；

计算单元，用于根据提取的用户标签及所述候选项目的项目特征，计算所述当前用户与所述候选项目的相似度；