【技术实现步骤摘要】
一种物品推荐方法和装置
[0001]本专利技术涉及深度学习
,尤其涉及一种物品推荐方法和装置。
技术介绍
[0002]现有系统一般根据类目匹配、产品词匹配等方式向用户推荐相似物品,但由于同一个类目/产品词下物品众多,如果不区分物品之间的相似关系无法将最相似的物品推荐给用户。
[0003]在实现本专利技术过程中,专利技术人发现现有技术中至少存在如下问题:
[0004]传统召回算法有其简单、可解释性强的优点,但是也有自身的局限性。协同过滤和矩阵分解都没有加入用户、物品和上下文相关的特征,也没有考虑用户行为之间的相关性。目前的embedding算法(如word2vec,item2vec等序列模型)捕捉的是用户行为序列之间的相关性,忽略了图网络结构中节点之间的关系,也未考虑点击的时间间隔对边权重影响,同时忽略了非相邻点击的关系,导致推荐结果的准确性不够高。
技术实现思路
[0005]有鉴于此,本专利技术实施例提供一种物品推荐方法和装置,以解决推荐结果的准确性不够高的技术问题。
[0006]为实现上述目的,根据本专利技术实施例的一个方面,提供了一种物品推荐方法,包括:
[0007]根据各个历史用户的行为序列生成所述各个历史用户的物品序列和时间序列,从而根据所述各个历史用户的物品序列和时间序列构建有向图;其中,所述行为序列中的元素表示用户行为指向的物品,所述时间序列中的元素表示物品的用户行为发生时间,所述有向图中的节点表示所述物品序列中的物品,边方向表示两个邻接节点对应的物品 ...
【技术保护点】
【技术特征摘要】
1.一种物品推荐方法,其特征在于,包括:根据各个历史用户的行为序列生成所述各个历史用户的物品序列和时间序列,从而根据所述各个历史用户的物品序列和时间序列构建有向图;其中,所述行为序列中的元素表示用户行为指向的物品,所述时间序列中的元素表示物品的用户行为发生时间,所述有向图中的节点表示所述物品序列中的物品,边方向表示两个邻接节点对应的物品在所述物品序列中的先后顺序,边权重表示两个邻接节点对应的物品的用户行为发生时间间隔;基于所述有向图中的边权重对所述有向图中的边进行裁剪,得到优化有向图;基于所述优化有向图生成各个节点的向量,计算所述各个节点对应的物品之间的相似度,从而筛选出所述各个物品的相似物品;根据所述各个物品的相似物品向目标用户推送物品推荐列表。2.根据权利要求1所述的方法,其特征在于,根据所述各个历史用户的物品序列和时间序列构建有向图,包括:对于每个历史用户,根据所述历史用户的物品序列和时间序列确定各个边的邻接节点以及计算所述各个边的权重;将相同的边的权重累加;根据所述各个边的邻接节点和所述各个边的权重构建有向图。3.根据权利要求2所述的方法,其特征在于,根据所述历史用户的物品序列和时间序列确定各个边的邻接节点以及计算所述各个边的权重,包括:根据所述历史用户的物品序列确定各个边的邻接节点;根据所述历史用户的时间序列并采用时间衰减方式,计算所述各个边的权重;其中,所述两个邻接节点对应的物品在所述时间序列中的用户行为时间间隔越小,所述边权重越大,所述两个邻接节点对应的物品在所述时间序列中的用户行为时间间隔越大,所述边权重越小。4.根据权利要求3所述的方法,其特征在于,根据所述历史用户的时间序列并采用时间衰减方式,计算所述各个边的权重,包括:采用以下公式计算所述各个边的权重:其中,v
i
、v
j
表示节点i和节点j,t
i
、t
j
表示节点i和节点j对应的物品的用户行为发生时间。5.根据权利要求1所述的方法,其特征在于,基于所述有向图中的边权重对所述有向图中的边进行裁剪,得到优化有向图,包括:对所述有向图中的各个边的权重进行排序,过滤掉权重排序靠后的边或者权重小于权重阈值的边;或者,基于节点的各个邻接边权重,计算所述节点的各个邻接边权重与节点出度的比值,过滤掉邻接边权重与节点出度的比值小于比例阈值的邻接边。6.根据权利要求1所述的方法,其特征在于,基于所述优化有向图生成各个节点的向
量,计算所述各个节点对应的物品之间的相似度,包括:对所述优化有向图进行随机游走,生成随机游走序列;根据所述随机游走序列生成各个节点的向量;根据所述各个节点的向量计算各个节点之间的相似度,从而得到所述各个节点对应的物品之间的相似度。7.根据权利要求6所述的方法,其特征在于,对所述优化有向图进行随机游走,生成随机游走序列,包括:基于哈希将所述优化有向图划...
【专利技术属性】
技术研发人员:王永杰,张乐中,
申请(专利权)人:北京京东世纪贸易有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。