[发明专利]物品推荐方法及装置、计算机可存储介质

说明书

本公开涉及物品推荐方法及装置、计算机可存储介质，涉及计算机技术领域。物品推荐方法包括：获取与待推荐用户对应的多个候选物品；利用物品推荐模型，根据所述待推荐用户的特征数据以及所述多个候选物品的特征数据，确定所述待推荐用户对每个候选物品的偏好概率，所述物品推荐模型为利用训练数据集中的每条训练数据所包括的一个训练用户对与该训练用户相关联的一个训练物品的行为的等级标签、和该训练物品在指定时间段内产生的价值总额，训练深度神经网络模型得到；根据所述多个候选物品的偏好概率，对所述待推荐用户进行物品推荐。根据本公开，可以提高物品推荐的准确性。

技术领域

本公开涉及计算机技术领域，特别涉及物品推荐方法及装置、计算机可存储介质。

背景技术

随着大数据技术和人工智能技术的发展，越来越多的用户选择以网上购物的方式购买所需物品。

相关技术中，直接利用通用的机器学习模型为用户推荐物品。

发明内容

发明人认为：相关技术中，通用的机器学习模型的训练过程与物品推荐业务的关联性较弱，利用常规训练得到的通用机器学习模型与物品推荐业务的匹配度较低，从而物品推荐的准确性较低。

针对上述技术问题，本公开提出了一种解决方案，可以提高物品推荐的准确性。

根据本公开的第一方面，提供了一种物品推荐方法，包括：获取与待推荐用户对应的多个候选物品；利用物品推荐模型，根据所述待推荐用户的特征数据以及所述多个候选物品的特征数据，确定所述待推荐用户对每个候选物品的偏好概率，所述物品推荐模型为利用训练数据集中的每条训练数据所包括的一个训练用户对与该训练用户相关联的一个训练物品的行为的等级标签、和该训练物品在指定时间段内产生的价值总额，训练深度神经网络模型得到；根据所述多个候选物品的偏好概率，对所述待推荐用户进行物品推荐。

在一些实施例中，每条训练数据还包括所述训练用户的特征数据和所述训练物品的特征数据，针对每条训练数据，等级标签和价值总额通过对应的训练用户的特征数据和训练物品的特征数据得到，利用训练数据集中的每条训练数据所包括的一个训练用户对与该训练用户相关联的一个训练物品的行为的等级标签、和该训练物品在指定时间段内产生的价值总额，训练深度神经网络模型得到所述物品推荐模型包括：将训练数据集作为深度神经网络模型的输入，计算与所述训练数据集中的每条训练数据对应的初始损失函数的值；利用每条训练数据所包括的等级标签和与该训练数据对应的价值总额，确定最终损失函数的值；利用所述最终损失函数的值更新所述深度神经网络模型的参数，得到训练后的深度神经网络模型作为所述物品推荐模型。

在一些实施例中，利用每条训练数据所包括的等级标签和与该训练数据对应的价值总额，确定最终损失函数的值包括：分别根据预设的价值总额与价值权重的对应关系、预设的等级标签与等级权重的对应关系，确定与每条训练数据对应的价值权重和等级权重；利用与每条训练数据对应的价值权重和等级权重，对所述训练数据集中的所有训练数据的初始损失函数的值进行加权操作，得到最终损失函数的值。

在一些实施例中，所述训练用户对所述训练物品的行为的等级标签通过根据所述训练用户对所述训练物品的行为特征确定，所述行为特征包括搜索行为特征、浏览行为特征、点击行为特征和购买行为特征中的一种或多种。

在一些实施例中，获取与待推荐用户对应的多个候选物品包括：根据预设召回策略执行物品召回操作，得到与所述待推荐用户对应的多个候选物品。

在一些实施例中，预设召回策略包括以下召回子策略中的至少一种：召回与所述待推荐用户具有指定行为关系的物品；基于与所述待推荐用户具有指定行为关系的物品，召回指定物品属性值的相似度大于相似度阈值的物品；基于与所述待推荐用户具有指定行为关系的物品，召回具有共同行为关系且共同行为关系的权重大于权重阈值的物品；基于与所述待推荐用户具有指定行为关系的物品，召回具有指定关联关系的物品。