[发明专利]一种物品推荐方法、计算设备以及存储介质

说明书

本发明公开了一种物品推荐方法、计算设备以及存储介质。物品推荐方法在计算设备中执行，方法包括：响应于用户请求，获取与用户相关的物品序列；基于物品序列，从物品向量集中为用户匹配候选物品集合，物品向量集中包含各物品所对应的至少一个向量；基于候选物品集合，向用户进行物品推荐。

技术领域

本发明涉及互联网领域，具体涉及一种物品推荐方法、计算设备以及存储介质。

背景技术

互联网的出现和普及给用户带来了海量信息，满足了用户在信息时代的信息需求。然而，随着数据量的大幅增长，用户在面对海量信息时，已经无法迅速从中获得有价值的信息，为解决这一难题，推荐系统应用而生。它可以根据用户的兴趣特点和行为，向用户推荐用户感兴趣的信息和商品。但是，在个性化推荐中，用户的兴趣通常都是多元化的，如果仅仅通过某些特定的推荐策略(如兴趣标签、兴趣实体、协同过滤等)进行推荐召回的话，用户会在初期的时候表现的很感兴趣，而随着用户浏览次数的增多，用户会慢慢产生疲劳。

发明内容

鉴于上述问题，提出了本发明，以便提供一种克服上述问题或者至少部分地解决上述问题的物品推荐方法、计算设备以及存储介质。

根据本发明的一个方面，提供一种物品推荐方法，在计算设备中执行，方法包括：响应于用户请求，获取与用户相关的物品序列；基于物品序列，从物品向量集中为用户匹配候选物品集合，物品向量集中包含各物品所对应的至少一个向量；基于候选物品集合，向用户进行物品推荐。

可选地，在根据本发明的物品推荐方法中，还包括步骤：预先生成物品向量集。

可选地，在根据本发明的物品推荐方法中，预先生成物品向量集的步骤包括：基于用户的行为数据，对至少一个初始的第一模型分别进行训练，得到训练好的各第一模型；基于物品的属性数据，对至少一个初始的第二模型分别进行训练，得到训练好的各第二模型；基于训练好的各第一模型，得到第三模型；基于训练好的各第二模型，得到第四模型；利用各第一模型、各第二模型、第三模型、第四模型对物品进行处理，得到各模型对应的各物品的物品向量，作为物品向量集。

可选地，在根据本发明的物品推荐方法中，第一模型为文本模型、语言模型、图模型、长短期记忆模型和矩阵分解模型中的一种；第二模型为文本模型、语言模型、图模型、长短期记忆模型和矩阵分解模型中的一种。

可选地，在根据本发明的物品推荐方法中，基于物品序列，从物品向量集中为用户匹配候选物品集合的步骤，包括：通过计算物品序列所指向的各物品与物品向量集中的各物品向量的相似度，来确定出候选物品集合。

可选地，在根据本发明的物品推荐方法中，通过计算物品序列所指向的各物品与物品向量集中的各物品向量的相似度的步骤，包括：通过余弦相似度算法或欧式距离算法计算物品序列所指向的各物品与物品向量集中的各物品向量的相似度。

可选地，在根据本发明的物品推荐方法中，基于物品序列，从物品向量集中为用户匹配候选物品集合的步骤，包括：基于用户的实时点击反馈，调整各模型对应的物品向量在候选物品集合中的数量。

可选地，根据本发明的物品推荐方法，基于候选物品集合，向用户进行物品推荐的步骤，包括：基于物品的重复召回比例、曝光率比例和用户负反馈比例确定候选物品集合中的物品数量。

根据本发明的又一个方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行上述方法的指令。

根据本发明的又一个方面，提供一种存储有程序指令的可读存储介质，当程序指令被计算设备读取并执行时，使得计算设备执行上述的方法。