[发明专利]一种应用于推荐系统的信息处理方法及装置

说明书

本申请公开了一种应用于推荐系统的信息处理方法及装置。该方法，首先，获取推荐商品列表中每一商品的推荐特征信息，例如用户ID，商品ID，商品品牌等；之后，根据推荐特征信息、商品推荐评分模型得到每一商品的评分预测值，其中，所述商品推荐评分模型在对所述推荐特征信息进行的特征提取时，不仅会进行通道域上的特征提取，还会进行空间域上的特征提取，且在通道域上进行特征时采取多卷积核。如此，可以使特征提取更全面和更准确，并突出重要特征和弱化非重要特征，从而可以获得更准确的商品推荐评分，进而以更符合用户偏好和期望的顺序排列推荐商品，帮助用户更快地找到真正想要的商品。

技术领域

本申请涉及计算机信息处理技术，尤其涉及一种应用于推荐系统的信息处理方法及装置。

背景技术

随着电子商务规模的不断扩大，在线上出售的商品数量和种类日益增长，用户往往要浏览大量的商品才能找到自己真正想买的商品，这无疑浪费了大量时间和精力，而给用户带来不良的线上购物体验。

在这种情况下，推荐系统应运而生。推荐系统是是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品的系统。

但因为可推荐的商品数量和种类还是很多，此时推荐商品的排序是否更接近用户的真实需求将直接决定用户的使用体验。

目前推荐系统的商品的排序系统在提取特征时，大多采用：1)压缩抽取网络(SENet)进行特征抽取，但该方案只考虑通道域的特征，没有考虑空间域的特征，准确度不高；2)使用卷积块的注意力模块(Convolutional Block Attention Module，CBAM)进行特征提取，虽然CBAM同时考虑了通道域和空间域，但通道域是使用固定思维卷积核，能提取到的特征有限，不能充分和全面地表达三维的语义特征。因此准确度不高。

因此如何提高特征提取的准确度，是推荐系统中的商品排序更加贴合用户的真实需求是推荐系统亟需解决的一个技术问题。

发明内容

本申请人发明人创造性地提供一种应用于推荐系统的信息处理方法及装置。

根据本申请实施例第一方面，提供一种应用于推荐系统的信息处理方法，该方法包括：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，商品推荐评分模型对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，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；根据每一商品的评分预测值对推荐商品列表进行排序。

根据本申请一实施例，根据推荐特征信息、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；对压缩后的特征编码信息进行特征提取，将压缩后的特征编码信息映射成第一嵌入向量，其中，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，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；根据第一嵌入向量计算每一商品的评分预测值。

根据本申请一实施例，对压缩后的特征编码信息进行特征提取，将压缩后的特征编码信息映射成第一嵌入向量，包括：对特征编码信息进行第一次特征提取，将特征编码信息映射成第二嵌入向量；对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，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，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；对第二嵌入向量和第三嵌入向量进行合并得到第一嵌入向量。

根据本申请一实施例，在对第二嵌入向量和第三嵌入向量进行合并得到第一嵌入向量之前，该方法还包括：对第二嵌入向量和/或第三嵌入向量进行特征增强处理。

根据本申请一实施例，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。

根据本申请一实施例，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。