[发明专利]一种应用于推荐系统的信息处理方法及装置

权利要求书

1.一种应用于推荐系统的信息处理方法，所述方法包括：

获取推荐商品列表中每一商品的推荐特征信息；

根据所述推荐特征信息、商品推荐评分模型得到每一商品的评分预测值，所述商品推荐评分模型对所述推荐特征信息进行的特征提取包括在通道域上的特征提取和在空间域上的特征提取，其中，所述通道域上的特征提取包括基于多卷积核卷积计算的特征提取；

根据所述每一商品的评分预测值对所述推荐商品列表进行排序。

2.根据权利要求1所述的方法，所述根据所述推荐特征信息、商品推荐评分模型得到每一商品的评分预测值，包括：

对所述推荐特征信息进行压缩稀疏编码转换得到压缩后的特征编码信息；

对所述压缩后的特征编码信息进行特征提取，将所述压缩后的特征编码信息映射成第一嵌入向量，其中，所述特征提取包括在通道域上的特征提取和在空间域上的特征提取，其中，所述通道域上的特征提取包括基于多卷积核卷积计算的特征提取；

根据所述第一嵌入向量计算每一商品的评分预测值。

3.根据权利要求2所述的方法，所述对所述压缩后的特征编码信息进行特征提取，将所述压缩后的特征编码信息映射成第一嵌入向量，包括：

对所述特征编码信息进行第一次特征提取，将所述特征编码信息映射成第二嵌入向量；

对所述第二嵌入向量中的全部向量或部分向量进行第二次特征提取得到第三嵌入向量，所述第二次特征提取包括在通道域上的特征提取和在空间域上的特征提取，其中，所述通道域上的特征提取包括基于多卷积核卷积计算的特征提取；

对所述第二嵌入向量和所述第三嵌入向量进行合并得到第一嵌入向量。

4.根据权利要求3所述的方法，在所述对所述第二嵌入向量和所述第三嵌入向量进行合并得到第一嵌入向量之前，所述方法还包括：

对所述第二嵌入向量和/或第三嵌入向量进行特征增强处理。

5.根据权利要求4所述的方法，所述进行特征增强处理包括：

与特征权重值向量进行内积和哈达玛济运算。

6.根据权利要求1至5任一项所述的方法，所述特征提取包括基于各个特征的注意力权重的特征提取，其中所述各个特征的注意力权重是通过商品推荐评分模型自学习得到的。

7.根据权利要求2所述的方法，所述根据所述第一嵌入向量计算每一商品的评分预测值，包括：

根据所述第一嵌入向量，使用全连接层和分类器层进行神经网络计算得到每一商品的评分预测值。

8.根据权利要求2所述的方法，所述根据所述第一嵌入向量计算每一商品的评分预测值，包括：

根据所述第一嵌入向量，使用基于多层神经网络和分类器层进行神经网络计算得到每一商品的评分预测值。

9.根据权利要求2所述的方法，在所述根据所述第一嵌入向量计算每一商品的评分预测值之后，所述方法还包括：

根据预设的损失函数、每一商品的评分期待值和所述评分预测值计算得到所述损失函数的值；

根据所述损失函数的值和反向传播机制进行参数优化。

10.一种应用于推荐系统的信息处理装置，所述装置包括：

推荐特征信息获取模块，用于获取推荐商品列表中每一商品的推荐特征信息；

商品推荐评分模块，用于根据所述推荐特征信息、商品推荐评分模型得到每一商品的评分预测值，所述商品推荐评分模型对所述推荐特征信息进行的特征提取包括在通道域上的特征提取和在空间域上的特征提取，其中，所述通道域上的特征提取包括基于多卷积核卷积计算的特征提取；

商品列表排序模块，用于根据所述每一商品的评分预测值对所述推荐商品列表进行排序。