[發明專利]用于基于FastText模型向用戶推薦商品的方法、裝置、電子設備及存儲介質

在審

• 申請號: 201710045166.9
• 申請日: 2017-01-19
• 公開（公告）號: CN108335127A
• 公開（公告）日: 2018-07-27
• 發明（設計）人: 歐輝思;郭文濤
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q30/06;G06F17/30
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 楊姍

本公開公開了一種用于基于FastText模型向用戶推薦商品的方法，包括：將所述用戶正在瀏覽的第一商品的商品向量和特征向量組合為最終向量；以及利用相似度算法根據所述最終向量確定與所述第一商品相似的多個推薦商品，其中，所述商品向量是利用FastText模型中的Word2Vec模塊，根據與所述第一商品相關的一個或多個商品瀏覽序列生成的；以及所述特征向量是利用FastText模型中的Ngrams模塊，根據與所述第一商品相關的特征信息生成的。

技術領域

本公開總體上涉及互聯網技術領域，更具體地，涉及用于基于FastText模型向用戶推薦商品的方法、裝置、電子設備及存儲介質。

背景技術

在推薦系統中，存在很多基于用戶的商品瀏覽序列的推薦場景。可以認為，同一個用戶的商品瀏覽序列內的商品是相互關聯的。基于用戶的商品瀏覽序列的推薦，即根據瀏覽序列挖掘商品間的關聯性，可以根據每個商品挖掘出與之最相關的商品集合。可以認為，用戶在瀏覽某個商品之后，會大概率有興趣瀏覽這個商品的最相關商品集合內的商品，于是可以將這樣的商品集合推薦給當前正在瀏覽以及歷史瀏覽過該商品的用戶。

現有的基于用戶商品瀏覽序列推薦方法主要為字轉向量模型(Word2Vec)。Word2Vec將每個商品(由可用商品ID表示)當作一個Word(字)，并且每個用戶的商品瀏覽序列當作一個Sentence(句子)。對每個Word，Word2Vec選中包含該Word上下文(前后Word)的窗口，該Word與窗口中的其他Word有相關性，可根據該Word對其上下文Word進行預測。通過不斷輸入用戶的商品瀏覽序列(Sentence)，依據上述方法可對每個商品訓練出該商品的定長商品向量。

在得到所有商品各自的商品向量之后，根據余弦相似度算法、皮爾遜相似度算法等相似度計算方法計算出每個商品的最相似的商品集合。圖1示出了Word2Vec的具體結構圖。商品向量(如表1所示)的維度相同，比如100維。維度可以在初始時人為指定。向量值為浮點數。

表1

現有基于用戶商品瀏覽序列的推薦方法Word2Vec的流程如下：從數據庫、日志中篩選出所有用戶的商品瀏覽序列集合；根據Word2Vec訓練出商品的商品向量；計算商品向量的相似度，獲得每個商品最相似的商品集合；以及向瀏覽過或正在瀏覽特定商品的用戶推薦該商品的相似商品集合。

然而，現有基于用戶商品瀏覽序列的推薦方法Word2Vec具有以下缺點：首先，Word2Vec只利用用戶的商品瀏覽序列訓練商品向量，沒有利用每個商品本身的屬性特性(如商品標題、商品屬性如類別等)信息，準確性不足；其次，對瀏覽次數很少的商品或新加入商品，因瀏覽序列很少，無法通過Word2Vec訓練得到準確的商品向量，即Word2Vec對長尾物品和冷啟動物品的推薦效果差，推薦多樣性和準確性不足。

發明內容

鑒于此，本公開提出了用于基于FastText模型向用戶推薦商品的方法、系統和計算機可讀介質。

在本公開的第一方面，提供了一種基于FastText模型向用戶推薦商品的方法，包括：

將所述用戶正在瀏覽的第一商品的商品向量和特征向量組合為最終向量；以及

利用相似度算法根據所述最終向量確定與所述第一商品相似的多個推薦商品，

其中，所述商品向量是利用FastText模型中的Word2Vec模塊，根據與所述第一商品相關的一個或多個商品瀏覽序列生成的；以及

所述特征向量是利用FastText模型中的Ngrams模塊，根據與所述第一商品相關的特征信息生成的。

優選地，所述特征信息包括標題信息和屬性信息。