[發明專利]基于零次學習的清單推薦方法、系統、設備及存儲介質

在審

• 申請號: 202110481796.7
• 申請日: 2021-04-30
• 公開（公告）號: CN113139127A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 黃雪;董彬
• 申請（專利權）人: 北京大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06K9/62;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王毅

本發明提供一種基于零次學習的清單推薦方法、系統、設備及存儲介質，方法包括：獲取待創建清單的基本信息屬性；將基本信息屬性輸入至預先訓練好的零次學習模型中，得到零次學習模型輸出的預測樣例特征；其中，零次學習模型是基于訓練清單以及訓練樣例之間的映射訓練得到的；將預測樣例特征與真實樣例特征進行相似度匹配，并將匹配成功的真實樣例特征對應的樣例推薦至待創建清單中構建清單。本發明通過零次學習模型獲取與待創建清單的基本信息屬性存在映射關系的預測樣例特征，并根據預測樣例特征推薦樣例至待創建清單中，從而根據用戶需求或偏好進行個性化清單推薦，提高了生成的推薦清單的準確性，進一步提高了與用戶的交互性及交互準確性。

技術領域

本發明涉及信息技術領域，尤其涉及一種基于零次學習的清單推薦方法、系統、設備及存儲介質。

背景技術

近年來，互聯網高速發展，與人類的生活變得越加密不可分。人類在互聯網上的行為，如購買、瀏覽、發布博文、信息填寫等等，都會被存儲下來，形成源源不斷的數據，促成了如今的大數據時代。若是能利用好這些數據，可以給人類的未來生活帶來許多便利。實現“數據創造美好生活”的技術有很多，推薦系統便是其中之一。它通過用戶目前的偏好，對其未來可能產生的興趣進行預測，從而將用戶可能喜好的商品或項目展現出來。比如，基于用戶購買的某種產品，系統繼續推送相關的產品或配件給該用戶，既可以提高銷售方的銷量，也為用戶選品提供便利；再比如，基于用戶的喜好，推薦類似風格的作品，以達到用戶留存的目的。

推薦系統通常分為四種類型：基于協同過濾的推薦、基于內容的推薦、基于知識的推薦，以及基于混合的推薦。其中：協同過濾推薦算法通常包括基于用戶或物品的協同、矩陣分解、隱因子模型等；內容和知識的推薦通常是引入物品或用戶的額外信息，計算相似度以進行推薦；基于混合的推薦則是將以上幾種方案融合使用。隨著深度學習技術的日漸成熟，神經網絡矩陣分解、深度神經網絡、生成式對抗網絡GAN、強化學習等都被應用在推薦系統中，通常比傳統方法具備更優的性能，可以高效地處理大量候選商品，并達到較為準確的推薦。

由于現有推薦系統大多基于歷史數據以進行單一或同類型偏好、物品的推薦，因此為實現多元化的推薦服務，采用一種清單推薦的方式，以項目構成的集合作為可推薦對象，向用戶進行列表形式的推薦。而現有的清單推薦，大多是根據推薦項目的用戶喜好程度進行排序，并基于排序選取一定數量的推薦項目組成清單，這種清單推薦方式忽略了用戶對于項目需求的指向性，比如咖喱牛肉食譜采購清單中實際用戶的口味偏好、春日出游穿搭清單中用戶實際的風格偏好、適合大學生閱讀的文學名著清單中用戶實際的興趣偏好、用戶指定風格流派的歌曲清單中用戶對于曲風、歌手、語言的偏好等，以致無法滿足用戶的個性化需求。

另外，對于初次使用清單推薦系統的用戶、初次加入推薦系統的項目或初次投入使用的推薦系統而言，推薦系統難以較好地應對冷啟動問題。冷啟動通常分為三個場景：新用戶冷啟動、新項目冷啟動與新系統冷啟動。在冷啟動時，不論是新用戶、新項目還是新系統，由于均是首次使用，推薦系統里沒有任何與其有關的歷史數據，比如新用戶的興趣偏好，新系統的評分數據或使用數據，新系統的歷史行為數據，因此為了使推薦系統能夠預測偏好以實現推薦，需要預先獲取額外信息，比如利用利用調查問卷、其他平臺的表現數據或社交信息數據來獲取用戶的額外信息，利用問卷調查該項目的使用意向偏好以獲取物品的額外信息，從而根據預先獲取的額外信息進行初次使用的預測及推薦。而這種基于預先獲取的額外信息進行預測推薦的方法，在面對不同的冷啟動對象時，需要進行多次額外信息的獲取，耗費時間且浪費人力資源。

發明內容

本發明提供一種基于零次學習的清單推薦方法、系統、設備及存儲介質，用以解決現有技術中無法滿足基于用戶個性化需求從零開始創建推薦清單的缺陷，能夠根據用戶需求選擇匹配的項目組成按用戶需求排序的推薦清單，實現用戶個性化清單推薦，便于從零開始創建滿足符合用戶個性化需求的推薦清單。