[發明專利]項目推薦方法、裝置、電子設備及可讀介質

在審

• 申請號: 202111645527.6
• 申請日: 2021-12-29
• 公開（公告）號: CN114418624A
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 趙威嚴;彭飛;鄧竹立
• 申請（專利權）人: 北京五八信息技術有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06F16/9535;G06F16/958;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 呂俊秀

本發明實施例提供一種項目推薦方法、裝置、電子設備及可讀介質，所述方法包括：通過預設的推薦模型對當前用戶信息以及多個待推薦項目信息進行關聯性挖掘，獲得當前用戶的預測評分矩陣；推薦模型基于生成對抗網絡對連續時間收集的歷史評分數據進行訓練得到，預測評分矩陣包括對多個待推薦項目的預測評分；根據對多個待推薦項目的預測評分，確定當前用戶的推薦列表；推薦列表中的各個目標項目包括對應的推薦路徑；按照對應的推薦路徑，向當前用戶推薦各個目標項目。本發明實施例可以有效解決用戶與項目隱性特征的提取困難問題，并且充分考慮到用戶偏好隨時間變化的情況，提高推薦準確性，提升用戶體驗。

技術領域

本發明涉及互聯網技術領域，特別是涉及一種項目推薦方法、一種項目推薦裝置、一種電子設備以及一種計算機可讀介質。

背景技術

隨著大數據時代的到來，如何挖掘龐大的數據所蘊含的信息，來引導用戶進行潛在的消費，是各個行業尤為關心的話題。目前，推薦算法是最佳的解決方法。

傳統的推薦算法，如協同過濾，矩陣分解，不是無法自動提取用戶與項目隱性特征，就是隱性特征提取能力不行，因此，對于評分預測或者項目推薦等存在局限性。

基于深度學習的混合模型在很大程度上提高了推薦算法的性能，但是也存在一定的局限性，且主要是在于對項目本身的隱性特征提取后，將特征融入到協同過濾等傳統算法中，因此，目前的深度學習的混合模型通常是作為傳統算法的輔助，無法有效提升推薦算法的性能，推薦準確性不高，用戶體驗不好。

發明內容

本發明實施例是提供一種項目推薦方法、裝置、電子設備及可讀介質，可以有效提升推薦算法的性能，提高推薦準確性，提升用戶體驗。

本發明實施例公開了一種項目推薦方法，所述方法包括：

獲取當前用戶信息以及多個待推薦項目信息；

通過預設的推薦模型對所述當前用戶信息以及所述多個待推薦項目信息進行關聯性挖掘，獲得所述當前用戶的預測評分矩陣；所述推薦模型基于生成對抗網絡對連續時間收集的歷史評分數據進行訓練得到；所述預測評分矩陣包括對所述多個待推薦項目的預測評分；

根據對所述多個待推薦項目的預測評分，確定所述當前用戶的推薦列表；所述推薦列表中的各個目標項目包括對應的推薦路徑；

按照所述對應的推薦路徑，向所述當前用戶推薦所述各個目標項目。

可選地，所述根據對所述多個待推薦項目的預測評分，確定所述當前用戶的推薦列表，包括：

從所述多個待推薦項目的預測評分中，提取預測評分大于評分閾值的多個目標項目；

按照所述多個目標項目的評分大小，生成所述當前用戶的推薦列表。

可選地，所述推薦模型包括第一生成器和第二生成器；所述通過預設的推薦模型對所述當前用戶信息以及所述多個待推薦項目信息進行關聯性挖掘，獲得所述當前用戶的預測評分矩陣，包括：

將所述當前用戶信息以及所述多個待推薦項目信息輸入至預設的推薦模型；通過所述第一生成器和所述第二生成器根據所述當前用戶信息，確定對應類別的用戶偏好信息；所述用戶偏好信息包括偏好項目以及對應的項目評分；

通過所述第一生成器和所述第二生成器分別提取所述待推薦項目的項目特征和所述偏好項目的項目特征；

通過所述第一生成器和所述第二生成器根據所述待推薦項目的項目特征與所述偏好項目的項目特征之間的相似度，確定與所述偏好項目匹配的待推薦項目，并將所述偏好項目對應的項目評分賦值至所述匹配的待推薦項目，以輸出所述當前用戶的預測評分矩陣。

可選地，所述推薦模型通過如下方式訓練得到：