[發明專利]產品推薦方法、裝置、設備及存儲介質

在審

• 申請號: 202011036837.3
• 申請日: 2020-09-27
• 公開（公告）號: CN112200623A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 張攀;陳倫廣;林培圻;陳偉健;魏新宇
• 申請（專利權）人: 深圳市其樂游戲科技有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06K9/62;G06N3/04
• 代理公司: 深圳市恒程創新知識產權代理有限公司 44542
• 代理人: 張小容

1.一種產品推薦方法，其特征在于，所述產品推薦方法包括以下步驟：

獲得用戶的用戶信息和待選產品數據，所述待選產品數據包括多個待選產品以及每個待選產品的歷史信息；

對所述用戶信息和所述待選產品數據進行預處理，以獲得預處理數據；

將所述預處理數據輸入訓練得到的推薦模型，以獲得每個所述待選產品的推薦評分，其中，所述推薦模型包括循環神經單元，所述循環神經單元用于根據所述預處理數據獲得偏好特征；

根據每個所述待選產品的推薦評分，輸出推薦結果。

2.如權利要求1所述的產品推薦方法，其特征在于，在所述將所述預處理數據輸入訓練得到的推薦模型，以獲得每個所述待選產品的推薦評分的步驟之前，所述產品推薦方法還包括：

獲取用戶樣本、待選產品樣本集和歷史訂單樣本集；

對所述用戶樣本、所述待選產品樣本集和歷史訂單樣本集進行預處理，以獲得預處理數據樣本；

將所述預處理數據樣本輸入原始推薦模型，對所述原始推薦模型進行訓練，以獲得訓練好的推薦模型，其中，所述原始推薦模型包括循環神經單元，所述循環神經單元用于根據所述預處理數據樣本獲得偏好特征。

3.如權利要求1所述的產品推薦方法，其特征在于，所述對所述用戶信息和所述待選產品數據進行預處理，以獲得預處理數據的步驟，包括：

根據所述用戶信息和所述待選產品數據，獲得用戶信息特征和每個待選產品的特征矩陣，每個待選產品的特征矩陣包括每個待選產品的評論特征和每個待選產品的信息特征；

根據每個待選產品的評論特征，獲得每個待選產品的每條評論的第一評論矩陣；

對所述每條評論的第一評論矩陣進行過濾，獲得每條評論的第二評論矩陣；

基于所述用戶信息特征、每個待選產品的信息特征、每個待選產品的特征矩陣和每條評論的第二評論矩陣，獲得所述預處理數據。

4.如權利要求3所述的產品推薦方法，其特征在于，根據所述用戶信息和所述待選產品數據，獲得每個待選產品的特征矩陣的步驟，包括：

對所述用戶信息進行特征提取，獲得用戶信息特征；

對所述待選產品數據進行特征提取，獲得每個待選產品的信息特征、每個待選產品的歷史評分特征和每個待選產品的評論特征；

根據所述每個待選產品的信息特征、每個待選產品的歷史評分特征和每個待選產品的評論特征，獲得每個待選產品的特征矩陣。

5.如權利要求3所述的產品推薦方法，其特征在于，所述推薦模型還包括注意力網絡和因子分解機網絡；所述預處理數據還包括用戶特征向量和每個待選產品的信息特征向量；

所述將所述預處理數據輸入訓練得到的推薦模型，以獲得匹配所述用戶的每個待選產品的推薦評分的步驟，包括：

通過所述循環神經單元對所述每個待選產品的特征矩陣進行評分，獲得所述用戶的偏好信息；

通過所述注意力網絡對所述用戶特征信息、所述用戶的偏好信息以及所述每條評論的第二評論矩陣進行合并，獲得每條評論的偏好評分；

通過所述因子分解機網絡對所述偏好信息、所述每條評論的偏好評分、所述用戶特征向量和所述每個待選產品的信息特征向量進行處理，獲得每個待選產品的推薦評分。

6.如權利要求5所述的產品推薦方法，其特征在于，所述推薦結果包括推薦評分最高的K個所述待選產品，所述K為大于或等于1的正整數；

所述根據每個所述待選產品的推薦評分，輸出推薦結果的步驟之后，所述方法還包括：

將所述K個待選產品的偏好評分最高的M條評論確定為推薦解釋，所述M為大于或等于1的正整數；

輸出所述推薦解釋。

7.一種推薦模型訓練方法，其特征在于，所述推薦模型訓練方法包括：

獲取用戶樣本、待選產品樣本集和歷史訂單樣本集；

對所述用戶樣本、所述待選產品樣本集和歷史訂單樣本集進行預處理，以獲得預處理數據樣本；

將所述預處理數據樣本輸入原始推薦模型，對所述原始推薦模型進行訓練，以獲得訓練好的推薦模型，其中，所述原始推薦模型包括循環神經單元，所述循環神經單元用于根據所述預處理數據樣本獲得偏好特征。