[发明专利]一种物品推荐方法、装置、计算机设备及存储介质

权利要求书

1.一种物品推荐方法，其特征在于，包括：

获得待推荐用户的多个特征；其中，所述多个特征用于表示待推荐用户的用户特征和与所述待推荐用户关联的物品特征；

根据所述多个特征，从多个用户分群中，确定所述待推荐用户所属的目标用户分群；其中，每个用户分群是多个样本用户中针对目标物的行为序列满足共性条件的样本用户进行聚类获得的，每个样本用户是针对目标物具有转化行为的用户，其中，根据所述多个特征，从多个用户分群中，确定所述待推荐用户所属的目标用户分群，包括：对所述多个特征进行向量化编码，获得组合特征向量，提取所述组合特征向量的特征，获得组合编码特征向量，确定所述组合编码特征向量属于多个用户分群中每个用户分群的概率，以及将概率满足概率阈值的用户分群确定为待推荐用户所属的目标用户分群；

为所述待推荐用户推荐所述目标用户分群关联的目标物。

2.如权利要求1所述的方法，其特征在于，所述多个用户分群中每个用户分群是通过如下步骤确定的：

获得多个样本用户中各个样本用户分别针对每类目标物的行为序列；

针对每类目标物，确定多个行为序列的共同序列模式；其中，所述共同序列模式是指在多个行为序列中出现次数满足预设次数，且长度满足预设长度的子序列；

针对多类目标物，将存在共同序列模式的样本用户划分为一个用户分群。

3.如权利要求1所述的方法，其特征在于，所述多个用户分群中每个用户分群是通过如下步骤确定的：

获得每个样本用户针对各类目标物的行为序列；

针对每个样本用户，确定多个行为序列的共同序列模式；其中，所述共同序列模式是指在多个行为序列中出现次数满足预设次数，且长度满足预设长度的子序列；

针对多个样本用户，将存在相同的共同序列模式的样本用户划分为一个用户分群。

4.如权利要求2或3所述的方法，其特征在于，多个行为序列的共同序列模式通过如下步骤获得的：

递归挖掘多个行为序列中满足支持度阈值的前缀；其中，所述支持度阈值是指在多个行为序列中出现的次数与多个行为序列的个数的比值；

将每个前缀和每个前缀关联的后缀组合，获得多个频繁行为序列模式集合；

将频繁行为序列模式集合中满足预设条件的频繁行为序列模式确定为共同序列模式。

5.如权利要求1所述的方法，其特征在于，每个行为序列包括以下序列中的一种或几种的组合：

样本用户针对目标物进行的浏览行为序列、样本用户针对目标物进行的购买行为序列、或样本用户针对目标物进行操作的行为时间序列。

6.如权利要求1所述的方法，其特征在于，提取所述组合特征向量的特征，获得组合编码特征向量，包括：

对所述组合特征向量进行正向编码处理，获得前向编码向量；

对所述组合特征向量进行反向编码处理，获得后向编码向量；

对所述前向编码向量和所述后向编码向量进行组合，获得组合编码特征向量。

7.如权利要求1～3或5～6中任一项所述的方法，其特征在于，根据所述多个特征，从多个用户分群中，确定所述待推荐用户所属的用户分群，包括：

根据所述多个特征，通过已训练的物品推荐模型，从多个用户分群中，确定所述待推荐用户所属的目标用户分群；其中，所述物品推荐模型是根据每个用户分群下的各个样本用户的样本组合特征训练得到的。

8.如权利要求7所述的方法，其特征在于，所述物品推荐模型包括第一子模型和第二子模型，以及，

所述第一子模型和所述第二子模型是通过如下步骤共同训练得到的：

分别对每个用户分群下的样本用户的样本组合特征进行向量化编码，获得样本组合特征向量；

通过第一子模型，对样本组合特征向量进行特征提取，获得样本组合编码特征向量；

通过第二子模型，预测样本组合编码特征向量所属的用户分群；

当第二子模型的损失满足目标损失时，获得完成训练的第一子模型和第二子模型。