商品推荐方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例公开了一种商品推荐方法、装置、电子设备及存储介质，该方法包括：获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量；待推荐图像特征向量是通过提取待推荐商品图像的图像特征得到的，多个历史图像特征向量是和当前用户历史行为相关的多个历史商品图像分别对应的图像特征向量；根据待推荐图像特征向量和多个历史图像特征向量，通过注意力机制确定当前用户对待推荐商品图像的视觉偏好特征；根据视觉偏好特征和待推荐图像特征向量，确定待推荐商品的推荐分数。本申请实施例利用了用户的视觉信息，从而可以提高推荐结果的准确性，并且可以减轻商品冷启动的问题。

【技术实现步骤摘要】
商品推荐方法、装置、电子设备及存储介质
本申请实施例涉及互联网
，特别是涉及一种商品推荐方法、装置、电子设备及存储介质。
技术介绍
现有技术中，进行商品推荐时，一般是根据用户历史购买或点击的商品的统计特征，包括商品的统计特征、用户和商品的交叉统计特征，以及用户画像等特征，计算商品的推荐分数，并按照推荐分数的高低进行排序，向用户进行推荐。现有技术是基于商品本身的统计特征进行商品推荐，没有有效利用用户的视觉信息，导致推荐结果准确性低，而且存在着商品冷启动推荐效果差的问题。
技术实现思路
本申请实施例提供一种商品推荐方法、装置、电子设备及存储介质，有助于提高推荐结果准确性，并缓解商品冷启动的问题。为了解决上述问题，第一方面，本申请实施例提供了一种商品推荐方法，包括：获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量；其中，所述待推荐图像特征向量是通过提取所述待推荐商品图像的图像特征得到的，所述多个历史图像特征向量是和当前用户历史行为相关的多个历史商品图像分别对应的图像特征向量；根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征；根据所述视觉偏好特征和所述待推荐图像特征向量，确定待推荐商品的推荐分数。第二方面，本申请实施例提供了一种商品推荐装置，包括：特征获取模块，用于获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量；其中，所述待推荐图像特征向量是通过提取所述待推荐商品图像的图像特征得到的，所述多个历史图像特征向量是和当前用户历史行为相关的多个历史商品图像分别对应的图像特征向量；视觉偏好确定模块，用于根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征；推荐分数确定模块，用于根据所述视觉偏好特征和所述待推荐图像特征向量，确定待推荐商品的推荐分数。第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的商品推荐方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请实施例所述的商品推荐方法的步骤。本申请实施例提供的商品推荐方法、装置、电子设备及存储介质，通过获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量，根据待推荐图像特征向量和多个历史图像特征向量，通过注意力机制确定当前用户对待推荐商品图像的视觉偏好特征，根据视觉偏好特征和待推荐图像特征向量确定待推荐商品的推荐分数。由于在向用户推荐商品时，综合考虑了和用户历史行为相关的历史商品的图像内容，利用了用户的视觉信息，从而可以提高推荐结果的准确性，现有技术中基于商品的统计特征向用户进行推荐，如果有新商品只能进行冷启动，而采用本申请实施例的技术方案，虽然商品是新的，但是该商品的图像与历史商品图像会有相似的特征，从而可以减轻商品冷启动的问题。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供的商品推荐方法的流程图；图2是本申请实施例中采用InceptionV4网络提取图像特征的网络结构示意图；图3是本申请实施例中的视觉偏好特征提取模型的网络结构示意图；图4是本申请实施例中的商品推荐模型的网络结构示意图；图5是本申请实施例提供的商品推荐装置的结构示意图；图6是本申请实施例提供的电子设备的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本申请实施例提供的一种商品推荐方法，如图1所示，该方法包括：步骤110至步骤130。步骤110，获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量；其中，所述待推荐图像特征向量是通过提取所述待推荐商品图像的图像特征得到的，所述多个历史图像特征向量是和当前用户历史行为相关的多个历史商品图像分别对应的图像特征向量。其中，所述历史商品图像对应的图像特征向量是对历史商品图像进行图像嵌入(embedding)或特征嵌入的方式提取到的稠密向量，可以利用卷积神经网络提取得到。待推荐图像特征向量是对待推荐商品图像进行图像嵌入或特征嵌入的方式提取到的稠密向量。特征嵌入是将数据降维为固定大小的特征表示，以便于处理和计算。图像特征向量与传统的稀疏性质的商品标识或商品属性等特征的区别是：图像特征向量是基于图像内容的；图像特征向量代表图像内容，与图像名称无关，相同图像内容的图像特征向量是相同的，相似图像内容的图像特征向量相似度较高。在根据用户的推荐请求召回多个待推荐商品后，对于每个待推荐商品分别计算推荐分数，并基于推荐分数对多个待推荐商品进行排序，按照排序顺序向用户推荐所述多个待推荐商品。其中，待推荐商品可以是外卖商品，如菜品，也可以是其他品类的商品，如衣服等。本申请实施例中，基于待推荐商品的图像内容向用户推荐商品，即计算推荐分数时基于待推荐商品的图像内容进行计算。在计算一个待推荐商品的推荐分数时，获取该推荐商品的图像，得到待推荐商品图像。对于和当前用户历史行为相关的多个历史商品图像对应的多个历史图像特征向量可以预先提取并保存到数据库中，在进行商品推荐时，从数据库中获取所述多个历史图像特征向量，从而可以节省线上的推荐时间。当然，也可以在进行商品推荐时对所述多个历史商品图像分别实时提取所述多个历史图像特征向量。其中，所述历史行为可以包括点击行为和/或下单行为等。在提取待推荐商品图像特征向量时，可以通过卷积神经网络对待推荐商品图像进行特征提取，用一个稠密向量表示待推荐商品图像的图像特征，得到待推荐图像特征向量。在提取多个历史图像特征向量时，可以分别对每一个历史商品图像提取对应的历史图像特征向量，也可以通过卷积神经网络对历史商品图像进行特征提取，从而用一个稠密向量表示该历史商品图像的图像特征，得到该历史商品图像对应的历史图像特征向量。在本申请的一个实施例中，所述获取与待推荐商品图像相关的待推荐图像特征向量，包括：将所述待推荐商品图像预处理为预设分辨率的三通道图像；将所述三通道图像输入卷积神经网络，通过所述卷积神经网络对所述三通道图像进行本文档来自技高网...

【技术保护点】
1.一种商品推荐方法，其特征在于，包括：/n获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量；其中，所述待推荐图像特征向量是通过提取所述待推荐商品图像的图像特征得到的，所述多个历史图像特征向量是和当前用户历史行为相关的多个历史商品图像分别对应的图像特征向量；/n根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征；/n根据所述视觉偏好特征和所述待推荐图像特征向量，确定待推荐商品的推荐分数。/n

【技术特征摘要】
1.一种商品推荐方法，其特征在于，包括：
获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量；其中，所述待推荐图像特征向量是通过提取所述待推荐商品图像的图像特征得到的，所述多个历史图像特征向量是和当前用户历史行为相关的多个历史商品图像分别对应的图像特征向量；
根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征；
根据所述视觉偏好特征和所述待推荐图像特征向量，确定待推荐商品的推荐分数。


2.根据权利要求1所述的商品推荐方法，其特征在于，所述获取与待推荐商品图像相关的待推荐图像特征向量，包括：
将所述待推荐商品图像预处理为预设分辨率的三通道图像；
将所述三通道图像输入卷积神经网络，通过所述卷积神经网络对所述三通道图像进行特征提取，得到初始图像特征；
对所述初始图像特征进行池化处理，得到所述待推荐图像特征向量。


3.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征，包括：
根据所述待推荐图像特征向量，通过注意力机制分别确定所述多个历史图像特征向量的注意力权重；
根据所述多个历史图像特征向量的注意力权重，对所述多个历史图像特征向量进行加权求和，得到所述待推荐商品图像的视觉偏好特征。


4.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征，包括：
通过长短期记忆网络LSTM对所述多个历史图像特征向量进行处理，得到多个处理后特征向量；
根据所述待推荐图像特征向量和所述多个处理后特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征。


5.根据权利要求1所述的商品推荐方法，其特征在于，根据所述视觉偏好特征和所述待推荐图像特征向量，确定待推荐商品的推荐分数，包括...

【专利技术属性】
技术研发人员：陈英杰，王永康，崔同，王兴星，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京;11