物品推荐排序方法、装置、计算机设备及存储介质制造方法及图纸

本申请适用于计算机领域，提供了一种物品推荐排序方法、装置、计算机设备及存储介质，包括：获取目标用户的日志信息和待推荐物品，日志信息包括用户信息和用户点击序列；对获取的用户信息和用户点击序列进行预处理产生一阶特征，对部分一阶特征进行处理得到二阶特征；确定待推荐物品的one

【技术实现步骤摘要】
物品推荐排序方法、装置、计算机设备及存储介质


[0001]本申请属于计算机领域，尤其涉及一种物品推荐排序方法、装置、计算机设备及存储介质。

技术介绍

[0002]排序模型在推荐系统里占有重要地位，好的排序模型可以使得系统推荐给用户的物品更具有个性化，能够有效提高用户的个人体验。目前主流的推荐系统一般采用DNN的排序模型，如DIN,Deep&wide network,DeepFM等技术的模型。然而DNN的排序模型虽然性能优越，但是基于DNN的排序模型对硬件的要求较高，推荐排序的规模越大，所要消耗的硬件资源就越多，因此无法适用于所有的应用场景。
[0003]同时，由于DNN的训练特性，训练基于DNN的排序模型往往需要大量的样本，一般是数百万以上，给样本的搜集和存储带来诸多不便。DNN模型的大样本训练会导致时间延长，模型的迭代速度缓慢，导致物品的推荐排序效率较低，用户体验较差。

技术实现思路

[0004]本申请的目的在于提供一种物品推荐排序方法、装置、计算机设备及存储介质，旨在解决现有技术中排序模型的迭代速度缓慢、物品的推荐排序效率较低的技术问题。
[0005]本申请是这样实现的：
[0006]第一方面，本申请实施例提供一种物品推荐排序方法，包括：
[0007]获取目标用户的日志信息和待推荐物品，所述日志信息包括用户信息和用户点击序列；
[0008]对获取的所述用户信息和所述用户点击序列进行预处理产生一阶特征，对部分所述一阶特征进行处理得到二阶特征；<br/>[0009]确定所述待推荐物品的one
‑
hot编码，并将多个所述待推荐物品的one
‑
hot编码映射成可区分的低维向量；
[0010]根据所述一阶特征、所述二阶特征及所述待推荐物品的低维向量构建训练集并训练LightGBM模型；
[0011]根据所述LightGBM模型生成所述用户点击序列和所述待推荐物品的相似度结果，根据所述相似度结果向所述目标用户推荐所述待推荐物品中的物品。
[0012]可选地，所述用户点击序列包括当前时间之前的至少一个历史物品的物品信息，所述历史物品的物品信息包括所述历史物品的分享数量和所述历史物品的点击率。
[0013]可选地，所述对获取的所述用户信息和所述用户点击序列进行预处理产生一阶特征，对部分所述一阶特征进行处理得到二阶特征，包括：
[0014]对所述历史物品的分享数量和所述历史物品的点击率进行运算处理产生一阶特征；
[0015]将所述历史物品的分享数量的一阶特征和所述历史物品的点击率的一阶特征做
乘积运算，得到所述二阶特征。
[0016]可选地，所述确定所述待推荐物品的one
‑
hot编码，并将多个所述待推荐物品的one
‑
hot编码映射成可区分的低维向量包括：
[0017]采用one
‑
hot对每一个所述待推荐物品进行编码；
[0018]对所述待推荐物品进行初始化，形成高维向量表示，更新所述待推荐物品集合后的高维向量表示；
[0019]基于权重矩阵，采用全连接网络将所述高维向量表示进行线性变换，映射成可区分的低维向量。
[0020]可选地，所述确定所述待推荐物品的one
‑
hot编码，并将多个所述待推荐物品的one
‑
hot编码映射成可区分的低维向量包括：
[0021]采用one
‑
hot对一个所述待推荐物品进行编码，具体的one
‑
hot编码为[0 0 0 1 0]；
[0022]所述基于权重矩阵，采用全连接网络将所述高维向量表示进行线性变换，映射成可区分的低维向量，包括：
[0023][0024]得到[10 12 19]即为one
‑
hot编码为[0 0 0 1 0]的低维向量。
[0025]可选地，所述根据所述LightGBM模型生成所述用户点击序列和所述待推荐物品的相似度结果包括：
[0026]对所述一阶特征和所述二阶特征进行处理得到特征向量；
[0027]采用LightGBM模型计算所述特征向量和所述待推荐物品的相似度；
[0028]根据每一个所述待推荐物品的相似度结果向所述目标用户推荐物品。
[0029]可选地，所述特征向量和所述待推荐物品的相似度是通过计算所述特征向量和所述待推荐物品余弦相似度得到。
[0030]第二方面，本申请实施例提供一种物品推荐排序装置，包括：
[0031]获取模块，被配置为获取目标用户的日志信息和待推荐物品，所述日志信息包括用户信息和用户点击序列；
[0032]特征生成模块，对获取的所述用户信息和所述用户点击序列进行预处理产生一阶特征，对部分所述一阶特征进行处理得到二阶特征；
[0033]低维处理模块，确定所述待推荐物品的one
‑
hot编码，并将多个所述待推荐物品的one
‑
hot编码映射成可区分的低维向量；
[0034]模型训练模块，根据所述一阶特征、所述二阶特征及所述待推荐物品的低维向量构建训练集并训练LightGBM模型；
[0035]排序推荐模块，根据所述LightGBM模型生成所述用户点击序列和所述待推荐物品的相似度结果，根据所述相似度结果向所述目标用户推荐所述待推荐物品中的物品。
[0036]第三方面，本申请实施例提供种计算机设备，包括存储器和处理器，所述存储器中
存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上述所述的物品推荐排序方法的步骤。
[0037]第四方面，本申请实施例提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述所述的物品推荐排序方法的步骤。
[0038]本申请提供的物品推荐排序方法获取目标用户的日志信息和待推荐物品，所述日志信息包括用户信息和用户点击序列；对获取的所述用户信息和所述用户点击序列进行预处理产生一阶特征，对部分所述一阶特征进行处理得到二阶特征；确定所述待推荐物品的one
‑
hot编码，并将多个所述待推荐物品的one
‑
hot编码映射成可区分的低维向量；根据所述一阶特征、所述二阶特征及所述待推荐物品的低维向量构建训练集并训练LightGBM模型；根据所述LightGBM模型生成所述用户点击序列和所述待推荐物品的相似度结果，根据所述相似度结果向所述目标用户推荐所述待推荐物品中的物品，该物品推荐排序方法通过一阶特征和二阶特征的处理，能够更精准的为用户推荐物品，且采用低维向量处理，模型占用的存储空间较小，消耗的硬件资源相对较少，更新与迭代速度快，有效提高推荐排序效率。
附图说明
[0039]图1是本申请实施例提供的物品推荐排序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物品推荐排序方法，其特征在于，包括：获取目标用户的日志信息和待推荐物品，所述日志信息包括用户信息和用户点击序列；对获取的所述用户信息和所述用户点击序列进行预处理产生一阶特征，对部分所述一阶特征进行处理得到二阶特征；确定所述待推荐物品的one
‑
hot编码，并将多个所述待推荐物品的one
‑
hot编码映射成可区分的低维向量；根据所述一阶特征、所述二阶特征及所述待推荐物品的低维向量构建训练集并训练LightGBM模型；根据所述LightGBM模型生成所述用户点击序列和所述待推荐物品的相似度结果，根据所述相似度结果向所述目标用户推荐所述待推荐物品中的物品。2.如权利要求1所述的物品推荐排序方法，其特征在于：所述用户点击序列包括当前时间之前的至少一个历史物品的物品信息，所述历史物品的物品信息包括所述历史物品的分享数量和所述历史物品的点击率。3.如权利要求2所述的物品推荐排序方法，其特征在于，所述对获取的所述用户信息和所述用户点击序列进行预处理产生一阶特征，对部分所述一阶特征进行处理得到二阶特征，包括：对所述历史物品的分享数量和所述历史物品的点击率进行运算处理产生一阶特征；将所述历史物品的分享数量的一阶特征和所述历史物品的点击率的一阶特征做乘积运算，得到所述二阶特征。4.如权利要求1所述的物品推荐排序方法，其特征在于：所述确定所述待推荐物品的one
‑
hot编码，并将多个所述待推荐物品的one
‑
hot编码映射成可区分的低维向量包括：采用one
‑
hot对每一个所述待推荐物品进行编码；对所述待推荐物品进行初始化，形成高维向量表示，更新所述待推荐物品集合后的高维向量表示；基于权重矩阵，采用全连接网络将所述高维向量表示进行线性变换，映射成可区分的低维向量。5.如权利要求4所述的物品推荐排序方法，其特征在于,所述确定所述待推荐物品的one
‑
hot编码，并将多个所述待推荐物品的one
‑
hot编码映射成可区分的低维向量包括：采用one
‑
...

【专利技术属性】
技术研发人员：王国彬，牟锟伦，卢铄波，侯兴兴，
申请(专利权)人：土巴兔集团股份有限公司，
类型：发明
国别省市：