[發(fā)明專利]一種智能推薦方法、裝置、計(jì)算機(jī)設(shè)備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201910872210.2
• 申請日: 2019-09-16
• 公開（公告）號: CN110837596B
• 公開（公告）日: 2023-02-03
• 發(fā)明（設(shè)計(jì)）人: 陳楚
• 申請（專利權(quán)）人: 中國平安人壽保險股份有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/04;G06Q30/02;G06Q30/06;G06Q40/08
• 代理公司: 深圳市世聯(lián)合知識產(chǎn)權(quán)代理有限公司 44385
• 代理人: 汪琳琳

本申請實(shí)施例屬于大數(shù)據(jù)的智能推薦技術(shù)領(lǐng)域，涉及一種智能推薦方法，包括獲取項(xiàng)目的至少一個特征值和原始表征向量，該項(xiàng)目包括多個點(diǎn)擊序列項(xiàng)目和待學(xué)習(xí)的曝光項(xiàng)目；將該至少一個特征值及原始表征向量進(jìn)行拼接，得到各點(diǎn)擊序列項(xiàng)目和該曝光項(xiàng)目的新表征向量；將該各點(diǎn)擊序列項(xiàng)目和該曝光項(xiàng)目的新表征向量組合在一起，并進(jìn)行卷積深度學(xué)習(xí)獲取卷積特征；將該卷積特征與該原始表征向量的深度網(wǎng)絡(luò)的處理結(jié)果拼接后輸入推薦模型的輸出層，得到曝光項(xiàng)目的點(diǎn)擊機(jī)率；根據(jù)所述點(diǎn)擊機(jī)率確定是否推薦所述曝光項(xiàng)目。本申請還提供一種智能推薦裝置、計(jì)算機(jī)設(shè)備及存儲介質(zhì)。本申請可以提高推薦模型推薦的精準(zhǔn)性。

技術(shù)領(lǐng)域

本申請涉及大數(shù)據(jù)的智能推薦技術(shù)領(lǐng)域，尤其涉及一種智能推薦方法、裝置、計(jì)算機(jī)設(shè)備及存儲介質(zhì)。

背景技術(shù)

隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，個性化推薦已經(jīng)成為人們網(wǎng)絡(luò)生活中不可或缺的網(wǎng)絡(luò)服務(wù)之一，也成為了互聯(lián)網(wǎng)產(chǎn)品未來發(fā)展的重點(diǎn)。現(xiàn)有技術(shù)通常使用深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行個性化的產(chǎn)品推薦，例如：電商在產(chǎn)品推薦時使用深度學(xué)習(xí)網(wǎng)絡(luò)模型，一般采用widedeep(寬度深度)推薦模型，deep網(wǎng)絡(luò)部分輸入商品item(項(xiàng)目)的embedding(表征向量)，包括點(diǎn)擊序列和曝光商品的表征向量拼接后接入MLP(多層感知器)，wide網(wǎng)絡(luò)輸入item的表征向量以外的特征，例如用戶性別，商品價錢，商品購買率，場景ID等，然而，這種網(wǎng)絡(luò)結(jié)構(gòu)沒有考慮點(diǎn)擊序列和曝光商品之間的隱性特征，deep網(wǎng)絡(luò)在訓(xùn)練時也沒有考慮商品的其他屬性特征，因此常出現(xiàn)推薦結(jié)果不夠準(zhǔn)確的現(xiàn)象，導(dǎo)致推薦結(jié)果與實(shí)際情況不符。

發(fā)明內(nèi)容

本申請實(shí)施例的目的在于提出一種智能推薦方法、裝置、計(jì)算機(jī)設(shè)備及存儲介質(zhì)，以解決現(xiàn)有技術(shù)使用深度學(xué)習(xí)網(wǎng)絡(luò)推薦結(jié)果與實(shí)際情況不符的問題。

為了解決上述技術(shù)問題，本申請實(shí)施例提供一種智能推薦方法，采用了如下所述的技術(shù)方案：

獲取項(xiàng)目的至少一個特征值和原始表征向量，所述項(xiàng)目包括多個點(diǎn)擊序列項(xiàng)目和待學(xué)習(xí)的曝光項(xiàng)目；

將所述至少一個特征值及原始表征向量進(jìn)行拼接，得到各點(diǎn)擊序列項(xiàng)目和所述曝光項(xiàng)目的新表征向量；

將所述各點(diǎn)擊序列項(xiàng)目和所述曝光項(xiàng)目的新表征向量組合在一起，并進(jìn)行卷積深度學(xué)習(xí)獲取卷積特征；

將所述項(xiàng)目的原始表征向量輸入推薦模型的深度網(wǎng)絡(luò)的輸入層得到深度網(wǎng)絡(luò)的處理結(jié)果；

將所述卷積特征與所述原始表征向量的深度網(wǎng)絡(luò)的處理結(jié)果拼接后輸入推薦模型的輸出層，得到曝光項(xiàng)目的點(diǎn)擊機(jī)率；

根據(jù)所述點(diǎn)擊機(jī)率確定是否推薦所述曝光項(xiàng)目。

進(jìn)一步的，所述將所述至少一個特征值及原始表征向量進(jìn)行拼接，得到各點(diǎn)擊序列項(xiàng)目和各曝光項(xiàng)目的新表征向量的步驟包括：

將所述至少一個特征值寫入所述原始表征向量，構(gòu)成新表征向量。

進(jìn)一步的，所述將所述點(diǎn)擊序列項(xiàng)目和所述曝光項(xiàng)目的新表征向量組合在一起，并進(jìn)行卷積深度學(xué)習(xí)獲取卷積特征的步驟包括：

將各點(diǎn)擊序列項(xiàng)目和各曝光項(xiàng)目的新表征向量組合在一起，構(gòu)成卷積圖像；

根據(jù)預(yù)設(shè)的卷積核對卷積圖像進(jìn)行卷積計(jì)算，獲取卷積特征。

進(jìn)一步的，所述根據(jù)預(yù)設(shè)的卷積核對卷積圖像進(jìn)行卷積計(jì)算，獲取卷積特征的步驟包括：

將由各點(diǎn)擊序列項(xiàng)目和各曝光項(xiàng)目的新表征向量構(gòu)成的二維向量寫入卷積神經(jīng)網(wǎng)絡(luò)的輸入層，以使卷積神經(jīng)網(wǎng)絡(luò)的進(jìn)行卷積計(jì)算和處理，并輸出所述卷積特征。

進(jìn)一步的，所述將所述項(xiàng)目的原始表征向量輸入推薦模型的深度網(wǎng)絡(luò)的輸入層得到深度網(wǎng)絡(luò)處理結(jié)果的步驟包括：

將所述各點(diǎn)擊序列項(xiàng)目與所述各曝光項(xiàng)目的原始表征向量一同輸入深度網(wǎng)絡(luò)計(jì)算得到降維表征向量。