[发明专利]基于深度学习的推荐方法和装置、电子设备、介质、程序

权利要求书

1.一种基于深度学习的推荐方法，其特征在于，包括：

分别获取目标用户的相关信息和目标物品的相关信息；所述相关信息包括用于描述与用户的操作相关的，或与被操作的物品相关的任意一个或多个信息；

分别利用集成模型中的各子模型，基于所述目标用户的相关信息和所述目标物品的相关信息得到各所述子模型对应的操作概率；所述操作概率用于表示基于一个子模型得到的所述目标用户操作所述目标物品的概率，所述集成模型包括至少两个子模型，所述集成模型经过对所述各子模型之间的关系进行训练获得；

基于所述各子模型对应的操作概率得到所述目标用户操作所述目标物品的目标概率；

基于所述目标概率为所述目标用户推荐所述目标物品。

2.根据权利要求1所述的方法，其特征在于，所述目标用户的相关信息包括：所述目标用户操作历史物品的历史信息，所述历史物品包括所述目标用户操作过的所有物品；

和/或，

所述目标物品的相关信息包括：所述目标物品被历史用户操作的历史信息，所述历史用户包括操作过所述目标物品的所有用户。

3.根据权利要求1或2所述的方法，其特征在于，所述分别利用集成模型中的各子模型，基于所述目标用户的相关信息和所述目标物品的相关信息得到各所述子模型对应的操作概率，包括：

利用所述子模型分别将所述目标用户的相关信息和所述目标物品的相关信息向量化，得到用户向量和物品向量；

基于所述用户向量和所述物品向量得到所述操作概率。

4.根据权利要求3所述的方法，其特征在于，基于所述用户向量和所述物品向量得到所述操作概率，包括：

计算所述用户向量与所述物品向量的点积得到操作值，基于所述操作值得到所述操作概率。

5.根据权利要求1-4任一所述的方法，其特征在于，基于所述各子模型对应的操作概率得到所述目标用户操作所述目标物品的目标概率，包括：

分别计算所述操作概率与所述操作概率对应的子模型的模型权重值的乘积，每个所述模型权重值对应一个所述子模型；

将所述对应各所述操作概率的乘积相加，得到所述目标用户操作所述目标物品的目标概率。

6.一种基于深度学习的推荐装置，其特征在于，包括：

信息获取单元，用于分别获取目标用户的相关信息和目标物品的相关信息；所述相关信息包括用于描述与用户的操作相关的，或与被操作的物品相关的任意一个或多个信息；

概率获取单元，用于分别利用集成模型中的各子模型，基于所述目标用户的相关信息和所述目标物品的相关信息得到各所述子模型对应的操作概率；所述操作概率用于表示基于一个子模型得到的所述目标用户操作所述目标物品的概率，所述集成模型包括至少两个子模型，所述集成模型经过对所述各子模型之间的关系进行训练获得；

概率合成单元，用于基于所述各子模型对应的操作概率得到所述目标用户操作所述目标物品的目标概率；

推荐单元，用于基于所述目标概率为所述目标用户推荐所述目标物品。

7.一种电子设备，其特征在于，包括处理器，所述处理器包括权利要求6所述的基于深度学习的推荐装置。

8.一种电子设备，其特征在于，包括：存储器，用于存储可执行指令；

以及处理器，用于与所述存储器通信以执行所述可执行指令从而完成权利要求1至5任意一项所述基于深度学习的推荐方法的操作。

9.一种计算机存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被执行时执行权利要求1至5任意一项所述基于深度学习的推荐方法的操作。

10.一种计算机程序，包括计算机可读代码，其特征在于，当所述计算机可读代码在设备上运行时，所述设备中的处理器执行用于实现权利要求1至5任意一项所述基于深度学习的推荐方法的指令。