[发明专利]一种商品推荐的召回方法、装置、设备及存储介质

说明书

本申请公开了一种商品推荐的召回方法，涉及数据挖掘领域，包括以下步骤：获取电商平台上每个商品的多模态特征和每个用户的点击行为序列；根据获取的多模态特征和点击行为序列生成商品关联图，并对商品关联图进行多次游走得到若干个以商品为节点的游走序列；将若干个游走序列输入到预先训练的词向量模型中，输出每个商品对应的词向量；根据每个商品对应的词向量计算商品的相似度参数，并将相似度值排名在前N的商品作为召回池的候选商品，其中，N为大于1的整数。本方案在经典的基于用户行为序列的随机游走算法基础上，考虑到商品的多模态特征，可以在一定程度上缓解各种偏差造成的马太效应，提升商品推荐的公平性和多样性。

技术领域

本申请涉及数据挖掘领域，尤其涉及一种商品推荐的召回方法、装置、设备及存储介质。

背景技术

现阶段大多数电子商务公司和零售公司都利用海量数据在其网站上设置搜索或推荐系统以促进销售，但长期以来，推荐系统的研究主要关注的问题一直是如何提高商品推荐的准确性，这就导致电商平台上不同的产品在推荐中没有得到公平曝光，少数受欢迎的产品被过度推荐，而其他大多数产品或供应商没有得到应有的关注。

其主要原因在于传统推荐算法是根据模型选择的样本进行曝光，然后进入模型训练以进一步选择新的曝光样本，模型基于有偏样本不断学习，使得整体反馈环路不断受到偏差影响，系统选择面越来越窄并形成“马太效应”，这种偏见如果不加以缓解，会对平台上不同用户的体验产生负面影响，且随着时间的推移，这种负面影响会通过用户与平台的互动进一步加重。

发明内容

本申请针对现有技术中的缺点，根据商品的多模态特征和用户的点击行为，提供了一种商品推荐的召回方法。

为实现上述目的，本申请采用以下技术方案：

本申请的一种商品推荐的召回方法，包括以下步骤：

获取电商平台上每个商品的多模态特征和每个用户的点击行为序列，所述点击行为包括点击的商品以及点击该商品的时间；

根据获取的多模态特征和点击行为序列生成商品关联图，并对所述商品关联图进行多次游走得到若干个以商品为节点的游走序列；

将若干个所述游走序列输入到预先训练的词向量模型中，输出每个商品对应的词向量；

根据所述每个商品对应的词向量计算商品的相似度参数，并将相似度值排名在前N的商品作为召回池的候选商品，其中，N为大于1的整数。

作为优选，所述多模态特征包括文本特征、图像特征、价格特征以及标签特征。

作为优选，所述根据获取的多模态特征和点击行为序列生成商品关联图，并对所述商品关联图进行多次游走得到若干个以商品为节点的游走序列，包括：

根据每个用户点击的商品以及点击该商品的时间生成包含用户点击共现边的商品时序关联图，并利用转移概率计算公式得到所述用户点击行为共现边的权值；

根据邻近算法对每个商品的多模态特征进行处理得到每个商品最相似的k个商品，在所述商品时序关联图中为当前商品与其最相似的k个商品间添加多模态向量边得到商品关联图，并确定所述多模态向量边的权值，其中，k为大于等于1的整数；

根据所述用户点击行为共现边的权值对所述商品关联图进行随机游走，得到若干个以商品为节点的游走序列。

作为优选，所述利用转移概率计算公式得到所述用户点击行为共现边的权值，包括：

获取每个用户的活跃度和每个商品的流行度，并在商品的相似度计算公式中加入用户活跃度参数和商品流行度参数，得到表达式(1)：