推荐方法、装置、计算机设备及存储介质制造方法及图纸

本申请公开了一种推荐方法、装置、计算机设备及存储介质，属于计算机技术领域。该方法包括：获取第一对象的第一特征信息；基于映射模型，将第一特征信息映射至目标空间，得到第一对象在所述目标空间中对应的第一映射向量；根据目标空间中任两个映射向量之间的距离，获取与第一映射向量之间的距离小于预设距离的第二映射向量对应的第二对象，基于第一对象及第二对象进行推荐。该方法在已知第一对象时，将第一对象映射至目标空间，选取与第一对象属于不同类别的第二对象进行推荐，不需要获取除第一对象之外的其他对象，在应用时不受其他对象的限制，扩展了应用范围。

Recommended methods, devices, computer equipment and storage media

【技术实现步骤摘要】
推荐方法、装置、计算机设备及存储介质
本申请实施例涉及计算机
，特别涉及一种推荐方法、装置、计算机设备及存储介质。
技术介绍
随着计算机技术的发展，越来越多的用户使用电子设备购买商品、阅读文章或者观看视频等，而随着数据规模的逐渐扩大，如何为用户推荐用户喜欢的商品、文章或者视频等数据，成为亟待解决的问题。在为用户推荐数据时，可以选取多个数据，确定该多个数据中的任两个数据是否相似，则获取与用户之前处理过的数据相似的数据，这些数据可以认为是用户感兴趣的数据，将获取到的数据推荐给用户。例如可以将与用户之前购买过的商品相似的商品推荐给用户。采用上述方案必须要获取多个数据的相似性以及用户之前处理过的数据，才能进行推荐，局限性强。针对新的用户，无法获取用户之前处理过的数据，也就无法为用户推荐数据，或者针对新的数据，无法获取到该数据与其他数据的相似性，也无法将该数据推荐给用户，因此上述方案的应用范围小。
技术实现思路
本申请实施例提供了一种推荐方法、装置、计算机设备及存储介质，解决了相关技术中的推荐方法局限性强和应用范围小的问题。所述技术方案如下：一方面，提供了一种推荐方法，所述方法包括：获取第一对象的第一特征信息，所述第一对象属于用户标识或备选数据；基于映射模型，将所述第一特征信息映射至目标空间，得到所述第一对象在所述目标空间中对应的第一映射向量，所述目标空间中包括与用户标识对应的用户映射向量和与备选数据对应的数据映射向量；根据所述目标空间中任两个映射向量之间的距离，基于所述第一对象及第二对象进行推荐，所述第二对象在所述目标空间中对应的第二映射向量与所述第一映射向量之间的距离小于预设距离，且所述第二映射向量与所述第一映射向量属于不同类别。另一方面，提供了一种推荐装置，所述装置包括：第一信息获取模块，用于获取第一对象的第一特征信息，所述第一对象属于用户标识或备选数据；第一映射模块，用于基于映射模型，将所述第一特征信息映射至目标空间，得到所述第一对象在所述目标空间中对应的第一映射向量，所述目标空间中包括与用户标识对应的用户映射向量和与备选数据对应的数据映射向量；推荐模块，用于根据所述目标空间中任两个映射向量之间的距离，基于所述第一对象及第二对象进行推荐，所述第二对象在所述目标空间中对应的第二映射向量与所述第一映射向量之间的距离小于预设距离，且所述第二映射向量与所述第一映射向量属于不同类别。可选地，所述第二推荐单元还用于基于反映射模型，对所述第二映射向量进行反映射，得到所述第二映射向量对应的第二特征信息，确定所述第二特征信息所属的第二对象。可选地，所述装置还包括用于训练所述映射模型的损失函数，包括以下至少一个：其中，Lneck为所述映射模型的第一损失值，λmargin为预设参数，为所述样本标签，为所述样本用户标识对应的映射向量，为所述样本数据对应的映射向量；其中，Lcov为所述映射模型的第二损失值，N为所述样本信息的数量，E为所述和所述构成的矩阵，Cov(E)为矩阵E的协方差矩阵，||·||f为转置函数，diag(·)为矩阵对角元素提取函数。可选地，所述映射模型为自编码器中的编码模型；所述装置还包括：第二样本获取模块，用于获取样本信息，所述样本信息包括样本用户标识的特征信息、样本数据的特征信息及样本标签，所述样本标签用于表示是否向所述样本用户标识推荐所述样本数据；第二训练模块，用于根据所述样本信息，对所述自编码器进行训练。可选地，所述装置还包括用于训练所述自编码器的损失函数，至少包括：其中，Lreconstruct为所述自编码器的损失值，为所述样本用户标识的特征信息或所述样本数据的特征信息，为所述基于所述自编码器进行处理后输出的特征信息。可选地，所述第一对象为用户标识，第二对象为备选数据，或者，所述第一对象为备选数据，第二对象为用户标识；所述推荐模块，还用于向所述用户标识推荐所述备选数据。另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以实现如所述推荐方法中所执行的操作。另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现如所述推荐方法中所执行的操作。再一方面，提供了一种计算机程序，所述计算机程序中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现如所述推荐方法中所执行的操作。本申请实施例提供的方法、装置、计算机设备及存储介质，分别获取第一对象的第一特征信息和第二对象的第二特征信息，基于映射模型，得到第一特征信息在目标空间中对应的第一映射向量，以及第二特征信息在目标空间中对应的第二映射向量，获取第一映射向量和第二映射向量之间的距离，当该距离小于预设距离时，基于第一对象和第二对象进行推荐。在已知属于不同类别的第一对象和第二对象时，将第一对象和第二对象映射到目标空间中，根据在目标空间中的距离进行推荐，该方法不需要获取除第一对象和第二对象之外的其他对象，在应用时不受其他对象的限制，扩展了应用范围。并且，本申请实施例提供的方法，获取第一对象的第一特征信息，基于映射模型，将第一特征信息映射至目标空间，得到该第一特征信息在该目标空间中对应的第一映射向量，确定目标空间中与第一映射向量属于不用类别的至少一个第三映射向量，获取第一映射向量与每个第三映射向量之间的距离，从至少一个第三映射向量中，选取与第一映射向量之间的距离小于预设距离的第二映射向量，确定第二映射向量对应的第二对象，基于第一对象和第二对象进行推荐。在已知第一对象时，将第一对象映射至目标空间，选取与第一对象属于不同类别的第二对象进行推荐，该方法不需要获取除第一对象之外的其他对象，在应用时不受其他对象的限制，扩展了应用范围。当第一对象为用户标识，第二对象为备选数据时，只需要根据该用户标识的特征信息，基于映射模型，就能够获取该用户标识感兴趣的备选数据，进行推荐，而不需要根据其他的用户标识或者备选数据，间接得到该用户标识感兴趣的备选数据，扩展了应用范围。当第一对象为备选数据，第二对象为用户标识时，只需要获取该备选数据的特征信息，基于映射模型，就能够获取对该备选数据感兴趣的用户标识，进行推荐，而不需要根据其他的备选数据或者用户标识，间接得到对该备选数据感兴趣的用户标识，扩展了应用范围。并且，该方法还可以绝对化用户标识的兴趣点，更加明确用户兴趣，在无备选数据时，可以实现对用户喜欢的备选数据的特征的推测。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本文档来自技高网...

【技术保护点】
1.一种推荐方法，其特征在于，所述方法包括：/n获取第一对象的第一特征信息，所述第一对象属于用户标识或备选数据；/n基于映射模型，将所述第一特征信息映射至目标空间，得到所述第一对象在所述目标空间中对应的第一映射向量，所述目标空间中包括与用户标识对应的用户映射向量和与备选数据对应的数据映射向量；/n根据所述目标空间中任两个映射向量之间的距离，基于所述第一对象及第二对象进行推荐，所述第二对象在所述目标空间中对应的第二映射向量与所述第一映射向量之间的距离小于预设距离，且所述第二映射向量与所述第一映射向量属于不同类别。/n

【技术特征摘要】
1.一种推荐方法，其特征在于，所述方法包括：
获取第一对象的第一特征信息，所述第一对象属于用户标识或备选数据；
基于映射模型，将所述第一特征信息映射至目标空间，得到所述第一对象在所述目标空间中对应的第一映射向量，所述目标空间中包括与用户标识对应的用户映射向量和与备选数据对应的数据映射向量；
根据所述目标空间中任两个映射向量之间的距离，基于所述第一对象及第二对象进行推荐，所述第二对象在所述目标空间中对应的第二映射向量与所述第一映射向量之间的距离小于预设距离，且所述第二映射向量与所述第一映射向量属于不同类别。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述第二对象的第二特征信息；
基于所述映射模型，将所述第二特征信息映射至所述目标空间，得到所述第二对象在所述目标空间中对应的所述第二映射向量；
所述根据所述目标空间中任两个映射向量之间的距离，基于所述第一对象及第二对象进行推荐，包括：
获取所述第一映射向量与所述第二映射向量之间的距离；
当所述距离小于所述预设距离时，基于所述第一对象和所述第二对象进行推荐。


3.根据权利要求1所述的方法，其特征在于，所述根据所述目标空间中任两个映射向量之间的距离，基于所述第一对象及第二对象进行推荐，包括：
确定所述目标空间中与所述第一映射向量属于不同类别的至少一个第三映射向量；
获取所述第一映射向量与每个第三映射向量之间的距离；
从所述至少一个第三映射向量中，选取与所述第一映射向量之间的距离小于预设距离的第二映射向量；
确定所述第二映射向量对应的所述第二对象，基于所述第一对象和所述第二对象进行推荐。


4.根据权利要求3所述的方法，其特征在于，所述确定所述第二映射向量对应的所述第二对象，包括：
基于反映射模型，对所述第二映射向量进行反映射，得到所述第二映射向量对应的第二特征信息，确定所述第二特征信息所属的第二对象。


5.根据权利要求1所述的方法，其特征在于，所述基于映射模型，将所述第一特征信息映射至目标空间，得到所述第一对象在所述目标空间中对应的第一映射向量之前，所述方法还包括：
获取样本信息，所述样本信息包括样本用户标识的特征信息、样本数据的特征信息及样本标签，所述样本标签用于表示是否向所述样本用户标识推荐所述样本数据；
根据所述样本信息，对所述映射模型进行训练。


6.根据权利要求5所述的方法，其特征在于，用于训练所述映射模型的损失函数，包括以下至少一个：



其中，Lneck为所述映射模型的第一损失值，λmargin为预设参数，为所述样本标签，为所述样本用户标识对应的映射向量，为所述样本数据对应的映射向量；



其中，Lcov为所述映射模型的第二损失值，N为所述样本信息的数量，E为所述和所述构成的矩阵，Cov(E)为矩阵E的协方差矩阵，||·||f为转置函数，diag(·)为矩阵对角元素提取函数。


7.根据权利要求1所述的方法，其特征在于，所述映射模型为自编码器中的编码模型；
所述基于映射模型，将所述第一特征信息映射至目标空间，得到所述第一对象在所述目标空间中对应的第一映射向量之前，所述方法还包括：
获取样本信息，所述样本信息包括样本用户标识的特征信息、样本数据的特征信息及样本标签，所述样本标签用于表示是否向所述样本用户标识推荐所述样本数据；
根据所述样本信息，对所述自编码器进行训练。


8.根据权利要求7所述的方法，其特征在于，用于训练所述自编码器的损失函数至少包括：



其中，Lreconstruct为所述自编码器的损失值，为所述样本用户标识的特征信息或所述样本数据的特征信息，为所述基于所述自编码器进行处理后输出的特征信息。


9.根据权利要求1-8任一项所述的方法，其特征在于，所述第一对象为用户标识，第二对象为备选数据，或者，所述第一对象为备选数据，第二对象为用户标识；
所述基于所述第一对象及第二对象进行推荐，包括：向所述用户标识推荐所述备选数据。


10.一种推荐装置，其特征在于，所述装置包括：
第一信息获取模块，用于获取第一对象的第一特征信息，所述第一对象属于用户标识或备选数据；
第一映射模块，用于基于映射模...

【专利技术属性】
技术研发人员：丁子扬，马文晔，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44