一种生成推荐列表的方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种生成推荐列表的方法、装置、电子设备及存储介质。所述方法包括：获取电商平台中用户对商品的历史行为数据；通过预设推荐模型根据所述历史行为数据确定所述电商平台中商品的分值；根据所述分值对所述电商平台中的商品进行排序，根据排序结果生成所述用户对应的推荐列表。本发明专利技术实施例通过推荐模型根据用户对商品的历史行为数据确定电商平台中商品的分值，根据分值对电商平台中的商品进行排序，根据排序结果生成对应用户的个性化的推荐列表，解决了相关技术中用户偏好模型质量较低、推荐算法的推荐效果不佳的问题，实现了基于用户偏好的个性化推荐，提高了推荐效果。推荐效果。推荐效果。

【技术实现步骤摘要】
一种生成推荐列表的方法、装置、电子设备及存储介质


[0001]本专利技术涉及数据处理
，尤其涉及一种生成推荐列表的方法、装置、电子设备及存储介质。

技术介绍

[0002]在当今信息化时代，如何快速并且准确地从互联网海量的信息资源中获取自己所需要的信息显得十分重要，于是个性化推荐系统应运而生。电子商务是近年来比较火热的一个行业，个性化推荐系统在电商平台上的应用被广泛关注。
[0003]相关技术中的推荐算法包括：Rendle S等人提出一种贝叶斯个性化排序模型BPR(Bayesian Personalized Ranking，以下简称BPR)，奠定了隐式反馈推荐算法的基础，但是它针对的是单类反馈问题，不能直接应用于多种反馈行为的电商平台上。
[0004]Pan W等人提出一种基于用户群组的BPR算法，该算法提出用户的偏好会受到其他用户的影响，这些有着共同的偏好的用户可以归属到一个群组。
[0005]然而，专利技术人在实现本专利技术的过程中发现，电商平台上存在大量的用户浏览、关注、下单、收藏等隐式反馈行为数据，这些数据的类型不一致，表达的意义也不一样，是异构式的反馈数据。相关技术中的BPR算法不能直接利用这些异构式数据，存在刻画的用户偏好模型质量较低，推荐算法的推荐效果不佳的问题。

技术实现思路

[0006]本专利技术实施例提供了一种生成推荐列表的方法、装置、电子设备及存储介质，以解决相关技术中用户偏好模型质量较低、推荐算法的推荐效果不佳的问题。
[0007]根据本专利技术的一方面，提供了一种生成推荐列表的方法，包括：
[0008]获取电商平台中用户对商品的历史行为数据；
[0009]通过预设推荐模型根据所述历史行为数据确定所述电商平台中商品的分值，其中，所述预设推荐模型的训练样本包含商品置信度偏序对集合和商品偏序对集合，所述商品置信度偏序对集合基于用户对有互动商品集合中的商品的置信度确定，所述置信度基于时间衰减函数和用户行为权重确定，所述商品偏序对集合基于有互动商品集合中的商品和无互动商品集合中的商品确定；
[0010]根据所述分值对所述电商平台中的商品进行排序，根据排序结果生成所述用户对应的推荐列表。
[0011]根据本专利技术的另一方面，提供了一种生成推荐列表的装置，包括：
[0012]数据获取模块，用于执行获取电商平台中用户对商品的历史行为数据；
[0013]分值确定模块，用于执行通过预设推荐模型根据所述历史行为数据确定所述电商平台中商品的分值，其中，所述预设推荐模型的训练样本包含商品置信度偏序对集合和商品偏序对集合，所述商品置信度偏序对集合基于用户对有互动商品集合中的商品的置信度确定，所述置信度基于时间衰减函数和用户行为权重确定，所述商品偏序对集合基于有互
动商品集合中的商品和无互动商品集合中的商品确定；
[0014]推荐列表生成模块，用于根据所述分值对所述电商平台中的商品进行排序，根据排序结果生成所述用户对应的推荐列表。
[0015]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0016]至少一个处理器；以及
[0017]与所述至少一个处理器通信连接的存储器；其中，
[0018]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的生成推荐列表的方法。
[0019]根据本专利技术的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的生成推荐列表的方法。
[0020]本专利技术实施例的技术方案，通过对用户行为进行量化得到的用户行为权重以及时间衰减函数确定用户对有互动商品的置信度，根据用户对有互动商品集合中的商品的置信度确定商品置信度偏序对集合，根据有互动商品集合中商品和无互动商品集合中的商品确定商品偏序对集合，根据商品置信度偏序对集合和商品偏序对集合训练推荐模型，通过推荐模型根据用户对商品的历史行为数据确定电商平台中商品的分值，根据分值对电商平台中的商品进行排序，根据排序结果生成对应用户的个性化的推荐列表，解决了相关技术中用户偏好模型质量较低、推荐算法的推荐效果不佳的问题，实现了基于用户偏好的个性化推荐，提高了推荐效果。
[0021]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0022]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0023]图1为本专利技术实施例提供了一种生成推荐列表的方法的流程图；
[0024]图2为本专利技术实施例提供的另一种生成推荐列表方法的流程图；
[0025]图3为本专利技术实施例提供的一种生成推荐列表的方法中的模型训练流程图；
[0026]图4为本专利技术实施例提供的一种构建EBPRC模型的流程图；
[0027]图5为本专利技术实施例提供的一种生成推荐列表的装置的结构示意图；
[0028]图6为本专利技术示例提供的一种电子设备的结构示意图。
具体实施方式
[0029]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人
员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0030]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“包含”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0031]为了便于理解，下面对说明书中可能出现的术语进行解释。
[0032]显式反馈：用户直接对商品给出评价分数的行为，如在豆瓣上给电影打分，在购物网站上给商品评级，这些行为在一定程度上能表达用户对商品的喜好程度。
[0033]隐式反馈：如用户对商品的点击、收藏、购买、和评价等行为，它们都是隐式反馈行为，不能直接表达用户对商品的喜好程度。
[0034]BPR：贝叶斯个性化排序。本质上是一种基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生成推荐列表的方法，其特征在于，包括：获取电商平台中用户对商品的历史行为数据；通过预设推荐模型根据所述历史行为数据确定所述电商平台中商品的分值，其中，所述预设推荐模型的训练样本包含商品置信度偏序对集合和商品偏序对集合，所述商品置信度偏序对集合基于用户对有互动商品集合中的商品的置信度确定，所述置信度基于时间衰减函数和用户行为权重确定，所述商品偏序对集合基于有互动商品集合中的商品和无互动商品集合中的商品确定；根据所述分值对所述电商平台中的商品进行排序，根据排序结果生成所述用户对应的推荐列表。2.根据权利要求1所述的方法，其特征在于，在获取电商平台中用户对商品的历史行为数据之前，还包括：检测到满足模型训练条件，获取所述电商平台中所有用户对商品的用户行为数据；根据各个用户的用户行为数据确定不同行为类型的用户行为权重；根据当前时间和各个用户对商品的互动行为的发生时间的差值确定时间衰减函数；根据所述用户行为权重和时间衰减函数确定置信度函数，根据所述置信度函数确定用户对有互动商品集合中的商品的置信度，根据用户对有互动商品集合中的商品的置信度确定商品置信度偏序对集合；根据用户集合、所述商品置信度偏序对集合和所述商品偏序对集合训练推荐模型。3.根据权利要求2所述的方法，其特征在于，所述根据各个用户的用户行为数据确定不同行为类型的用户行为权重，包括：基于各个用户的用户行为数据，分别采用熵权法和序关系分析法计算不同行为类型的第一用户行为权重和第二用户行为权重；根据所述第一用户行为权重和第二用户行为权重计算用户行为权重。4.根据权利要求3所述的方法，其特征在于，所述基于各个用户的用户行为数据，分别采用熵权法和序关系分析法计算不同行为类型的第一用户行为权重和第二用户行为权重，包括：采用熵权法基于各个用户的用户行为数据，计算对应用户的不同类型的用户行为的信息熵，基于所述信息熵和用户行为次数计算对应行为类型的用户行为的第一用户行为权重；采用序关系分析法基于各个用户的用户行为数据，计算对应用户的不同类型的用户行为的重要程度的比值的理性赋值，基于所述理性赋值和用户行为次数计算对应行为类型的用户行为的第二用户行为权重。5.根据权利要求2所述的方法，其特征在于，所述根据当前时间和各个用户对商品的互动行为的发生时间的差值确定时间衰减函数，包括：计算当前时间和用户u对商品i发生第n次互动行为的时间的差值，计算所述差值与预设时间影响因子的比...

【专利技术属性】
技术研发人员：汪志远，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：