[发明专利]一种商品推荐方法及其相关设备

说明书

本申请实施例属于人工智能领域，涉及一种商品推荐方法，主要采用：在获取到历史商品浏览记录后，分别确定商品节点嵌入向量和商品属性节点嵌入向量，之后对上述两种嵌入向量向量进行合并或者拼接，从而得到商品节点的综合嵌入向量，利用综合嵌入向量进行商品推荐。由于综合嵌入向量表征了商品的行为信息和商品的属性信息，相比现有的，表征的信息更为丰富，因此可以实现更为准确的商品推荐效果。本申请还提供一种商品推荐装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，用户的历史商品浏览记录可存储于区块链中，从而提高历史商品浏览记录存储的安全性和稳定性。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种商品推荐方法、装置、计算机设备及存储介质。

背景技术

图嵌入(Graph embedding)是推荐系统、图社交网络近年来的热门研究领域之一。通过学习图中节点所蕴含的信息，将节点映射到可以量化的空间，即生成图中节点embedding。在下游任务中，通过对节点embedding进行相似性计算、分类、聚类等任务可以更加深入的理解网络中节点之间的复杂关系。

现有的graph embedding技术应用在商品推荐场景时，首先可以获取商品的历史浏览顺序记录，并基于历史浏览顺序记录构建商品节点的图网络。然后，基于随机游走的方式，将构建的商品节点图网络中各个图中节点之间的拓扑结构，转化为类似文本的序列结构。进一步的，再利用word2vec模型结合负采样的方法将生成的序列结构嵌入新的空间，挖掘图网络中各个节点之间浏览次序的结构关系，从而确定商品节点图网络中各个商品节点的embedding向量，即嵌入向量。最后，再利用确定的各个商品节点的embedding向量进行相似商品推荐。

上述确定的商品节点的embedding向量可以实现一定程度上的商品推荐，但目前仅依赖上述手段确定的商品节点embedding向量由于只包含商品节点之间的次序信息，包含信息单一，进行商品推荐时，商品推荐的效果并不显著。

发明内容

本申请实施例的目的在于提出一种商品推荐方法、装置、计算机设备及存储介质，主要用于解决现有的商品节点的嵌入向量由于包含信息单一，商品推荐效果较差的技术问题。

为了解决上述技术问题，本申请实施例提供一种商品推荐方法，采用了如下所述的技术方案：

获取多个用户的历史商品浏览记录；

根据所述历史商品浏览记录生成商品节点序列和商品属性节点序列；

结合负采样策略，将所述商品节点序列和所述商品属性节点序列作为训练语料，分别输入word2vec模型，计算得到商品节点嵌入向量和商品属性节点嵌入向量；

对所述商品节点嵌入向量和所述商品属性节点嵌入向量进行向量拼接或者向量求和操作，得到每个商品对应的综合嵌入向量；

确定用户访问的目标商品；

确定与该目标商品的综合嵌入向量相近的综合嵌入向量所对应的商品，为针对该目标商品所确定的推荐商品。

为了解决上述技术问题，本申请实施例还提供一种商品推荐装置，采用了如下所述的技术方案：

获取单元，用于获取多个用户的历史商品浏览记录；

生成单元，根据所述历史商品浏览记录生成商品节点序列和商品属性节点序列；

训练单元，用于结合负采样策略，将所述商品节点序列和所述商品属性节点序列作为训练语料，分别输入word2vec模型，计算得到商品节点嵌入向量和商品属性节点嵌入向量；

计算单元，用于对所述商品节点嵌入向量和所述商品属性节点嵌入向量进行向量拼接或者向量求和操作，得到每个商品对应的综合嵌入向量；

响应单元，用于确定用户访问的目标商品；