[發(fā)明專利]物品推薦方法、裝置、設(shè)備以及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201810096325.2
• 申請(qǐng)日: 2018-01-31
• 公開(kāi)（公告）號(hào): CN110097412A
• 公開(kāi)（公告）日: 2019-08-06
• 發(fā)明（設(shè)計(jì)）人: 劉舒蒙;秦鍇;蓋永波;謝志輝;周志洋;張濤;王駿
• 申請(qǐng)（專利權(quán)）人: 阿里巴巴集團(tuán)控股有限公司
• 主分類號(hào): G06Q30/06
• 分類號(hào): G06Q30/06
• 代理公司: 北京展翼知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11452
• 代理人: 屠長(zhǎng)存

1.一種物品推薦方法，其特征在于，包括：

獲取第一物品集；

根據(jù)用戶的第一歷史操作信息，從所述第一物品集中選取適于向所述用戶推薦的物品，以得到第二物品集；

將所述第二物品集中的物品推薦給所述用戶。

2.根據(jù)權(quán)利要求1所述的物品推薦方法，其特征在于，所述獲取第一物品集的步驟包括：

從一個(gè)或多個(gè)數(shù)據(jù)源獲取熱門物品，以得到所述第一物品集。

3.根據(jù)權(quán)利要求1所述的物品推薦方法，其特征在于，所述從第一物品集中選取適于向所述用戶推薦的物品的步驟包括：

基于協(xié)同過(guò)濾的方式，從所述第一物品集中選取適于向所述用戶推薦的物品。

4.根據(jù)權(quán)利要求1所述的物品推薦方法，其特征在于，所述從所述第一物品集中選取適于向所述用戶推薦的物品的步驟包括：

根據(jù)所述第一歷史操作信息，確定所述用戶的偏好物品；

計(jì)算所述第一物品集中的物品與所述偏好物品之間的第一相似度；

選取第一相似度排名靠前的第一預(yù)定數(shù)量的物品，以得到所述第二物品集。

5.根據(jù)權(quán)利要求4所述的物品推薦方法，其特征在于，所述確定用戶的偏好物品的步驟包括：

根據(jù)所述第一歷史操作信息，確定第三物品集，所述第三物品集包括一個(gè)或多個(gè)歷史操作物品；

從所述第三物品集中選取操作次數(shù)超過(guò)第一預(yù)定閾值的歷史操作物品作為所述偏好物品。

6.根據(jù)權(quán)利要求4所述的物品推薦方法，其特征在于，所述確定用戶的偏好物品的步驟包括：

根據(jù)所述第一歷史操作信息，選取操作次數(shù)超過(guò)第二預(yù)定閾值的歷史操作物品，得到第四物品集；

計(jì)算所述第四物品集中任意兩個(gè)歷史操作物品間的第二相似度；

將第二相似度超過(guò)第三預(yù)定閾值的歷史操作物品合并為同一物品，得到第五物品集，其中，合并后的物品的操作次數(shù)為合并前各歷史操作物品的操作次數(shù)之和；

從所述第五物品集中選取操作次數(shù)排名靠前的第二預(yù)定數(shù)量的歷史操作物品作為所述偏好物品。

7.根據(jù)權(quán)利要求5或6所述的物品推薦方法，其特征在于，還包括：

對(duì)屬于現(xiàn)象級(jí)物品的歷史操作物品的操作次數(shù)進(jìn)行降權(quán)處理。

8.根據(jù)權(quán)利要求1所述的物品推薦方法，其特征在于，所述將第二物品集中的物品推薦給所述用戶的步驟包括：

確定所述第二物品集中至少部分物品的推薦度；

選取推薦度排名靠前的第三預(yù)定數(shù)量的物品，推薦給所述用戶。

9.根據(jù)權(quán)利要求8所述的物品推薦方法，其特征在于，所述確定第二物品集中至少部分物品的推薦度的步驟包括：

根據(jù)所述用戶的第二歷史操作信息，將所述用戶和所述至少部分物品分別映射到同一語(yǔ)義空間，以得到所述用戶的第一特征向量表示和所述至少部分物品中每個(gè)所述物品的第二特征向量表示；

計(jì)算所述第一特征向量表示和所述第二特征向量表示之間的第三相似度，作為所述推薦度。

10.根據(jù)權(quán)利要求8所述的物品推薦方法，其特征在于，所述確定第二物品集中至少部分物品的推薦度的步驟包括：

利用預(yù)先訓(xùn)練好的排序模型，為所述至少部分物品中的每個(gè)所述物品生成排序分，作為所述推薦度。

11.根據(jù)權(quán)利要求10所述的物品推薦方法，其特征在于，還包括：

根據(jù)一個(gè)或多個(gè)用戶的第三歷史操作信息，構(gòu)建一個(gè)或多個(gè)訓(xùn)練樣本，每個(gè)所述訓(xùn)練樣本包括對(duì)應(yīng)于一個(gè)或多個(gè)維度的樣本特征；

使用一個(gè)或多個(gè)所述訓(xùn)練樣本訓(xùn)練梯度提升決策樹(shù)模型，以得到所述排序模型，所述排序模型用于為所述物品生成排序分。