[发明专利]一种物品推荐方法、装置、设备及计算机可读存储介质

说明书

本发明公开了一种物品推荐方法，包括：对接收到的物品推荐请求进行解析，得到请求端身份信息和待推荐的目标物品；将请求端身份信息和目标物品输入到通过增加冲量项的对比散度算法训练得到的目标受限玻尔兹曼机协同过滤推荐模型中；利用目标受限玻尔兹曼机协同过滤推荐模型根据请求端身份信息获取目标请求端对应的历史评分集，并根据历史评分集对目标物品进行评分操作，得到目标请求端关于目标物品的评分结果；根据评分结果生成目标物品关于目标请求端的推荐结果，并输出推荐结果。应用本发明实施例所提供的技术方案，较大地提高了推荐效率，提升了物品推荐准确性。本发明还公开了一种物品推荐装置、设备及存储介质，具有相应技术效果。

技术领域

本发明涉及计算机应用技术领域，特别是涉及一种物品推荐方法、装置、设备及计算机可读存储介质。

背景技术

面对日益突出的信息过载与个性化需求之间的矛盾，推荐系统成为解决这一问题的一种有效手段。在个性化推荐系统之中，协同过滤算法是当前利用最多的推荐技术之一。

现有的物品推荐方式主要是采用基于传统受限玻尔兹曼机(RBM)的协同过滤算法根据用户间兴趣的相似度和用户的兴趣偏好，实现为用户的推荐。基于传统受限玻尔兹曼机的协同过滤算法存在一些缺陷：首先，基于传统受限玻尔兹曼机的协同过滤算法在应用中容易陷入局部最优，使得它的应用范围受限，物品推荐结果不准确；其次，当数据量过大时，由于受限玻尔兹曼机迭代次数会成倍的增长，经过非常的漫长学习训练过程，才能够达到预期的均方根误差要求，得到满意的数据结果。因此将传统受限玻尔兹曼机应用到实时推荐系统中，面对大量的网络数据，需要经过长时间的运算给出结果，推荐效率低，用户的实时性体验差。

综上所述，如何有效地解决现有的物品推荐方式在应用中容易陷入局部最优，物品推荐结果不准确，推荐效率低，用户的实时性体验差等问题，是目前本领域技术人员急需解决的问题。

发明内容

本发明的目的是提供一种物品推荐方法，该方法较大地提高了推荐效率，提升了物品推荐准确性，提升了用户的实时性体验；本发明的另一目的是提供一种物品推荐装置、设备及计算机可读存储介质。

为解决上述技术问题，本发明提供如下技术方案：

一种物品推荐方法，包括：

对接收到的物品推荐请求进行解析，得到请求端身份信息和待推荐的目标物品；

将所述请求端身份信息和所述目标物品输入到通过增加冲量项的对比散度算法训练得到的目标受限玻尔兹曼机协同过滤推荐模型中；

利用所述目标受限玻尔兹曼机协同过滤推荐模型根据所述请求端身份信息获取目标请求端对应的历史评分集，并根据所述历史评分集对所述目标物品进行评分操作，得到所述目标请求端关于所述目标物品的评分结果；

根据所述评分结果生成所述目标物品关于所述目标请求端的推荐结果，并输出所述推荐结果。

在本发明的一种具体实施方式中，将所述请求端身份信息和所述目标物品输入到通过增加冲量项的对比散度算法训练得到的目标受限玻尔兹曼机协同过滤推荐模型中，包括：

将所述请求端身份信息和所述目标物品输入到所述目标受限玻尔兹曼机协同过滤推荐模型中；其中，所述目标受限玻尔兹曼机协同过滤推荐模型为结合增加冲量项的对比散度算法和MapReduce算法并行迭代训练得到。

在本发明的一种具体实施方式中，根据所述评分结果生成所述目标物品关于所述目标请求端的推荐结果，包括：

获取预设推荐评分阈值；

判断所述评分结果是否满足所述预设推荐评分阈值；

若是，则生成将所述目标物品推荐给所述目标请求端的推荐结果；

若否，则生成不将所述目标物品推荐给所述目标请求端的推荐结果。