[发明专利]基于场感知因子分解机的推荐召回方法、设备和存储介质

说明书

本发明揭示了一种基于场感知因子分解机的推荐召回方法、设备和存储介质，所述方法包括：通过物品库中每个物品的物品侧特征域，计算对应每个物品的物品侧特征域的域向量；通过待推荐用户的用户侧特征域，计算待推荐用户的用户侧特征域的域向量；计算Si和Su；通过待推荐用户的所述域向量、物品库中的物品的所述域向量、Si和Su，计算物品库中物品的得分。与现有技术相比，本发明的基于场感知因子分解机的推荐召回方法，将FFM算法用在推荐召回步骤中时，根据待推荐的用户快速精确的对所有的商品进行打分排序，从而给用户推荐召回更加符合心意的商品或信息；同时用一个模型替代了多个召回模型，简化了召回流程，省去多路召回的超参数设置。

技术领域

本发明属于计算机技术领域，具体涉及一种基于场感知因子分解机的推荐召回方法、设备和存储介质。

背景技术

随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载(Information-Overload)的时代。在这个时代，作为信息(包括商品)消费者，如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情。推荐系统(Recommended System)就是解决上述问题的重要工具。推荐系统的任务是帮助用户发现对自己有价值的信息。

目前主流的推荐系统的框架主要分为两部分：第一部分为召回，第二部分为重排序。召回主要的作用是从海量的待选物品中初步筛选出目标用户感兴趣的商品。由于召回的目的是初筛，召回算法的一般是计算复杂度比较低的，满足快速筛选的要求。由于用户的行为多样，因此会从不同的角度设计多个召回路。以文本推荐为例，文本具有不同的特征，比如主题、实体和标签等，根据用户感兴趣的主题、感兴趣的实体、感兴趣的标签这三个特征可以分别设计3个召回路。然后重排序就是对多个召回路中召回的商品根据分值进行排序，选出得分较高的，推荐给用户。

但是这种推荐系统使用简单算法作为召回算法在召回时只能捕捉关于特征的线性信息，而无法捕捉非线性信息，特别是交叉特征信息，因此准确度不高。另外这种推荐系统需要设计多路召回，每一路召回都有一个超参数需要调试。

发明内容

本发明的目的在于提供一种基于场感知因子分解机的推荐召回方法、设备和存储介质。

为实现上述发明目的之一，本发明一实施方式提供一种基于场感知因子分解机的推荐召回方法，所述方法包括：

通过物品库中每个物品的物品侧特征域，计算对应每个物品的物品侧特征域的域向量；

通过待推荐用户的用户侧特征域，计算待推荐用户的用户侧特征域的域向量；

计算物品库中物品的物品侧特征的一阶项得分Si和待推荐用户的用户侧特征的一阶项得分Su；

通过待推荐用户的所述域向量、物品库中的物品的所述域向量、所述Si和所述Su，计算物品库中物品的得分，选出得分前N的物品作为推荐召回物品。

作为本发明一实施方式的进一步改进，所述“通过待推荐用户的域向量、物品库中的物品的域向量、Si和Su，计算物品库中物品的得分”具体包括：

将待推荐用户的所有域向量分别与物品库中的物品的对应的域向量做向量内积并求和，再加上对应的Su和Si，得到每个物品相对于待推荐用户的得分。

作为本发明一实施方式的进一步改进，所述“通过待推荐用户的域向量、物品库中的物品的域向量、Si和Su，计算物品库中物品的得分”具体包括：

依次拼接每个物品的所有物品侧特征域的域向量、1和Si，得到每个物品的向量；

依次拼接待推荐用户的所有用户侧特征域的域向量、Su和1，得到所述待推荐用户的检索向量；

将所述检索向量与所述物品库中的每个物品的向量做向量内积，选出得分前N的物品作为推荐召回物品。