[发明专利]面向企业的物品推荐方法、装置和存储介质

说明书

本发明提供了一种面向企业的物品推荐方法、装置和存储介质。该方法包括：根据购买数据和浏览数据计算历史偏好；将信息写入图数据库；计算任意两个企业之间的行为相似度，并存储到图数据库中；获取任意两个企业之间的属性相似度，并存储到图数据库中；计算总体相似度；根据总体相似度选取高相似度参考企业；获取高相似度参考企业历史购买的物品减去目标企业历史购买的物品的差集；来计算目标企业对差集中的物品的预期偏好；根据预期偏好，从差集中的物品中选取向目标企业推荐的物品。本发明借助知识图谱良好的关系表达和图计算能力，结合企业‑物品的关系以及企业之间的相似度，综合推荐个性化商品，提高了推荐物品的多样性、新颖性和惊喜度。

技术领域

本发明的实施方式总体上涉及智能信息处理领域，更具体地，涉及一种面向企业的物品推荐方法、装置和存储介质。

背景技术

目前，在电子商务领域中，推荐系统算法概括起来主要有以下几种。

(1)基于人口统计学推荐：在ToC(对客户)领域中，比如基于用户A的年龄、性别、兴趣、地理位置等信息找到相似用户B，给其推荐用户B感兴趣的物品，ToB领域可以结合用户A的行业、经营范围、地理位置等信息找到相似用户B，给用户A推荐用户B感兴趣的物品，该算法最为简单，缺点也很明显推荐的物品精准性不高，范围很宽泛；

(2)基于内容的推荐：结合物品的标题、品牌、标签等文本特征，给企业推荐其感兴趣物品的相似物品，该算法推荐的物品比较精确，但是缺乏推荐系统的新颖性和惊喜度；

(3)基于协同过滤推荐：利用企业的显式反馈和隐式反馈(官网上浏览的物品，购物信息)等行为数据，构建企业与企业的相似度或者物品与物品的相似度，从而给企业推荐其潜在感兴趣的物品，该算法无法纳入企业的其他维度特征，比如行业、经营范围等信息；

(4)基于模型的协同过滤推荐：比如利用FM、WideDeep、YouTubeDNN等神经网络模型的推荐算法，该类算法能够全面地纳入用户和项目特征，且能够很好的解决数据稀疏的问题，目前是电商推荐系统的主流算法，该类算法的缺点是用户和项目都是嵌入向量的形式，可解释性很差，另外对于深度学习模型需要有大数据量的学习才能很好的表达企业的兴趣及物品的特征，数据体量及质量有较高的要求。

因此，需要一种具有高精准度同时能够提高推荐物品的多样性、新颖性和惊喜度的物品推荐方案。

发明内容