[发明专利]推荐方法、装置、设备及存储介质

说明书

本发明公开了一种推荐方法、装置、设备及存储介质，该方法包括：根据目标用户的历史行为数据以及预先确定出的多个物品的特征向量中的历史物品的特征向量，确定目标用户的特征向量，其中，历史物品为与历史行为数据对应的物品，根据目标用户的特征向量与多个物品的特征向量的相似度，确定向目标用户推荐的目标推荐物品，向目标用户推荐目标推荐物品。该推荐方法预先确定出了多个物品的特征向量，实现了在推荐时只需要确定出目标用户的特征向量，再基于目标用户的特征向量及物品的特征向量的相似度，确定目标推荐物品，减少了推荐时的计算量，提高了推荐的实时性。

技术领域

本发明实施例涉及大数据处理技术领域，尤其涉及一种推荐方法、装置、设备及存储介质。

背景技术

随着大数据处理技术的不断发展，向用户推荐物品的推荐系统的应用越来越广泛。这里的物品可以是影视、音乐、专辑等多媒体物品。

目前，常见的推荐算法有协同过滤矩阵分解推荐模型，比如机器学习开源软件Spark MLlib中的矩阵分解推荐模型。矩阵分解推荐模型的输入数据是用户对物品的打分数据，也就是三列格式的数据，“用户，物品，分值”。这里的分值可以是显性的评分，比如1至5分，也可以是隐性的评分，比如观看时长等。矩阵分解推荐模型将用户对物品的评分矩阵分解成两个矩阵相乘，两个矩阵分别是用户和物品的在同一个空间的特征向量，通过计算用户和物品的特征向量之间的相似度，可以寻找用户感兴趣的物品。

但是，矩阵分解推荐模型在训练和推荐计算时，需要为每个用户和物品都生成一份特征向量，计算量巨大，模型训练和预测只能离线计算，实时性比较差。

发明内容

本发明提供一种推荐方法、装置、设备及存储介质，以解决目前的推荐方法中实时性较低的技术问题。

第一方面，本发明实施例提供一种推荐方法，包括：

根据目标用户的历史行为数据以及预先确定出的多个物品的特征向量中的历史物品的特征向量，确定所述目标用户的特征向量；其中，所述历史物品为与所述历史行为数据对应的物品；

根据所述目标用户的特征向量与多个所述物品的特征向量的相似度，确定向所述目标用户推荐的目标推荐物品；

向所述目标用户推荐所述目标推荐物品。

第二方面，本发明实施例提供一种推荐装置，包括：

第一确定模块，用于根据目标用户的历史行为数据以及预先确定出的多个物品的特征向量中的历史物品的特征向量，确定所述目标用户的特征向量；其中，所述历史物品为与所述历史行为数据对应的物品；

第二确定模块，用于根据所述目标用户的特征向量与多个所述物品的特征向量的相似度，确定向所述目标用户推荐的目标推荐物品；

推荐模块，用于向所述目标用户推荐所述目标推荐物品。

第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面提供的推荐方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面提供的推荐方法。