[发明专利]项目信息的排序方法、装置、计算机设备及存储介质

说明书

本发明实施例公开了一种项目信息的排序方法、装置、计算机设备及存储介质，包括下述步骤：获取目标用户的行为信息数据；将所述行为信息数据输入到预设的特征提取模型中，根据特征提取模型的中间结果确定所述目标用户的行为特征向量；获取所述行为特征向量，结合预设的项目数据与所述目标用户的用户画像，通过数据处理以得到各项目类别的预估值，并根据所述预估值确定项目序列，其中，所述预估值为根据所述行为特征向量、项目数据与用户画像通过计算得到的用于反映各项目类型与所述目标用户的匹配程度的数值。利用特征提取模型输出的行为特征向量进行预估值的计算，根据预估值进行项目排序，有效提高项目序列和用户信息的关联度。

技术领域

本发明涉及计算机应用技术领域，特别是涉及一种项目信息的排序方法、装置、计算机设备及存储介质。

背景技术

在大多数非搜索电商场景下，用户并不会实时表达目前的兴趣偏好。因此通过设计模型来捕获用户的兴趣，是提升CTR预估效果的关键。深度学习在CTR预估领域已经有了广泛的应用，常见的算法比如Wide&Deep，DeepFM等。这些方法一般的思路是：通过Embedding层，将高维离散特征转换为固定长度的连续特征，然后通过多个全联接层，最后通过一个sigmoid函数转化为0-1值，代表点击的概率。即SparseFeatures->EmbeddingVector->MLPs->Sigmoid->Output.通过神经网络可以拟合高阶的非线性关系，同时减少了人工特征的工作量。

研究者们通过观察收集到的线上数据，发现了用户行为数据中有两个很重要的特性：Diversity：用户在浏览电商网站的过程中显示出的兴趣是十分多样性的。Localactivation:由于用户兴趣的多样性，只有部分历史数据会影响到当次推荐的物品是否被点击，而不是所有的历史记录。针对上面提到的用户行为中存在的两种特性，推出了深度兴趣网路DIN。

另一方面，在内容推荐系统里，一个常用的方法是通过理解内容(挖掘内容属性)去挖掘用户的兴趣点来构建推荐模型。从大多数业务的效果来看，这样的模型是有效的，也就是说用户行为与内容是相关的。而相关性是对称的，这意味着如果可以从内容属性去理解用户行为，预测用户行为，那么也可以通过理解用户行为去理解内容，预测内容属性。因此推出了Item2Vec模型。

不过，实践发现，Item2Vec模型通过加和平均物品embeddings的方式表征用户偏好的方式没有考虑到用户历史点击序列的时序属性。Item2Vec模型仅考虑了用户行为序列信息，用户和物品的画像信息没有纳入模型，直接影响的推荐效果。而DIN的物品embedding的聚类效果不理想，从而直接影响了物品关联度的计算效果。

发明内容

本发明实施例能够提供一种有效提高商品排序和用户信息之间的关联度的项目信息的排序方法、装置、计算机设备及存储介质。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种项目信息的排序方法，包括以下步骤：

获取目标用户的行为信息数据；

将所述行为信息数据输入到预设的特征提取模型中，根据特征提取模型的中间结果确定所述目标用户的行为特征向量；

获取所述行为特征向量，结合预设的项目数据与所述目标用户的用户画像，通过数据处理以得到各项目类别的预估值，并根据所述预估值确定项目序列，其中，所述预估值为根据所述行为特征向量、项目数据与用户画像通过计算得到的用于反映各项目类型与所述目标用户的匹配程度的数值。

可选地，所述获取目标用户的行为信息数据的步骤之前，包括以下步骤：

获取目标用户的操作信息，其中，所述操作信息为指定时间范围内用户的操作行为；

根据所述操作信息确定所述操作行为对应的商品信息；