[發明專利]一種物品推薦方法、裝置、設備及計算機可讀存儲介質

在審

• 申請號: 202010614536.8
• 申請日: 2020-06-30
• 公開（公告）號: CN111767470A
• 公開（公告）日: 2020-10-13
• 發明（設計）人: 馬宗學;李傳義;顧易;王成
• 申請（專利權）人: 山東匯貿電子口岸有限公司
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9535
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 侯珊

本發明公開了一種物品推薦方法，包括：對接收到的物品推薦請求進行解析，得到請求端身份信息和待推薦的目標物品；將請求端身份信息和目標物品輸入到通過增加沖量項的對比散度算法訓練得到的目標受限玻爾茲曼機協同過濾推薦模型中；利用目標受限玻爾茲曼機協同過濾推薦模型根據請求端身份信息獲取目標請求端對應的歷史評分集，并根據歷史評分集對目標物品進行評分操作，得到目標請求端關于目標物品的評分結果；根據評分結果生成目標物品關于目標請求端的推薦結果，并輸出推薦結果。應用本發明實施例所提供的技術方案，較大地提高了推薦效率，提升了物品推薦準確性。本發明還公開了一種物品推薦裝置、設備及存儲介質，具有相應技術效果。

技術領域

本發明涉及計算機應用技術領域，特別是涉及一種物品推薦方法、裝置、設備及計算機可讀存儲介質。

背景技術

面對日益突出的信息過載與個性化需求之間的矛盾，推薦系統成為解決這一問題的一種有效手段。在個性化推薦系統之中，協同過濾算法是當前利用最多的推薦技術之一。

現有的物品推薦方式主要是采用基于傳統受限玻爾茲曼機(RBM)的協同過濾算法根據用戶間興趣的相似度和用戶的興趣偏好，實現為用戶的推薦?；趥鹘y受限玻爾茲曼機的協同過濾算法存在一些缺陷：首先，基于傳統受限玻爾茲曼機的協同過濾算法在應用中容易陷入局部最優，使得它的應用范圍受限，物品推薦結果不準確；其次，當數據量過大時，由于受限玻爾茲曼機迭代次數會成倍的增長，經過非常的漫長學習訓練過程，才能夠達到預期的均方根誤差要求，得到滿意的數據結果。因此將傳統受限玻爾茲曼機應用到實時推薦系統中，面對大量的網絡數據，需要經過長時間的運算給出結果，推薦效率低，用戶的實時性體驗差。

綜上所述，如何有效地解決現有的物品推薦方式在應用中容易陷入局部最優，物品推薦結果不準確，推薦效率低，用戶的實時性體驗差等問題，是目前本領域技術人員急需解決的問題。

發明內容

本發明的目的是提供一種物品推薦方法，該方法較大地提高了推薦效率，提升了物品推薦準確性，提升了用戶的實時性體驗；本發明的另一目的是提供一種物品推薦裝置、設備及計算機可讀存儲介質。

為解決上述技術問題，本發明提供如下技術方案：

一種物品推薦方法，包括：

對接收到的物品推薦請求進行解析，得到請求端身份信息和待推薦的目標物品；

將所述請求端身份信息和所述目標物品輸入到通過增加沖量項的對比散度算法訓練得到的目標受限玻爾茲曼機協同過濾推薦模型中；

利用所述目標受限玻爾茲曼機協同過濾推薦模型根據所述請求端身份信息獲取目標請求端對應的歷史評分集，并根據所述歷史評分集對所述目標物品進行評分操作，得到所述目標請求端關于所述目標物品的評分結果；

根據所述評分結果生成所述目標物品關于所述目標請求端的推薦結果，并輸出所述推薦結果。

在本發明的一種具體實施方式中，將所述請求端身份信息和所述目標物品輸入到通過增加沖量項的對比散度算法訓練得到的目標受限玻爾茲曼機協同過濾推薦模型中，包括：

將所述請求端身份信息和所述目標物品輸入到所述目標受限玻爾茲曼機協同過濾推薦模型中；其中，所述目標受限玻爾茲曼機協同過濾推薦模型為結合增加沖量項的對比散度算法和MapReduce算法并行迭代訓練得到。

在本發明的一種具體實施方式中，根據所述評分結果生成所述目標物品關于所述目標請求端的推薦結果，包括：

獲取預設推薦評分閾值；

判斷所述評分結果是否滿足所述預設推薦評分閾值；

若是，則生成將所述目標物品推薦給所述目標請求端的推薦結果；

若否，則生成不將所述目標物品推薦給所述目標請求端的推薦結果。