[发明专利]物品推荐方法、元网络处理方法、装置、存储介质和设备

说明书

本申请涉及一种物品推荐方法、元网络处理方法、装置、存储介质和设备。所述物品推荐方法包括：获取物品的属性信息和物品交互对象的对象标识；通过元拉伸网络对所述属性信息进行特征提取，获得拉伸向量；以及，通过元偏移网络对所述对象标识进行特征提取，获得偏移向量；将所述物品的向量化的物品标识和所述拉伸向量进行特征交叉，并将所得的交叉特征向量与所述偏移向量进行融合，得到融合特征向量；基于所述融合特征向量、向量化的所述属性信息和目标对象的向量化的对象信息确定推荐概率；在所述推荐概率满足推荐条件时向所述目标对象推荐所述物品。采用本方法能够提高物品推荐的精准性，从而达到精准推荐的效果。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种物品推荐方法、元网络处理方法、装置、存储介质和设备。

背景技术

随着互联网技术的不断发展，用户可以从互联网中获取到各种各样的物品，如应用程序或其它的服务产品。对于物品提供方而言，需要将开发的新物品精准地推荐给有需求的用户，以提升产品使用率。

由于开发的新物品通常只有少量的用户使用，因此在进行推荐时，传统的推荐方案中既向用户推荐感兴趣且已成熟的物品，还向用户附带推送该新物品，以提升新物品的使用率。然而，上述的推荐方案中，用户对已成熟的物品感兴趣，但并不一定对该新物品感兴趣，从而导致向用户推荐物品的精准性低。

发明内容

基于此，有必要针对上述技术问题，提供一种物品推荐方法、元网络处理方法、装置、存储介质和设备，能够提高物品推荐的精准性。

一种物品推荐方法，所述方法包括：

获取物品的属性信息和物品交互对象的对象标识；

通过元拉伸网络对所述属性信息进行特征提取，获得拉伸向量；以及，通过元偏移网络对所述对象标识进行特征提取，获得偏移向量；

将所述物品的向量化的物品标识和所述拉伸向量进行特征交叉，并将所得的交叉特征向量与所述偏移向量进行融合，得到融合特征向量；

基于所述融合特征向量、向量化的所述属性信息和目标对象的向量化的对象信息确定推荐概率；

在所述推荐概率满足推荐条件时向所述目标对象推荐所述物品。

在其中的一个实施例中，所述方法还包括：

将所述训练融合特征向量、向量化的所述训练属性信息和所述对象样本的向量化的训练对象信息输入推荐模型；

通过所述推荐模型处理所述训练融合特征向量、向量化的所述训练属性信息和所述对象样本的向量化的训练对象信息，得到训练推荐概率；

当所述训练推荐概率满足训练条件时，执行所述根据所述第一损失值分别对所述元拉伸网络和所述元偏移网络中的网络参数进行更新的步骤。

在其中的一个实施例中，所述方法还包括：

通过嵌入层对所述训练物品标识进行向量化处理，得到训练物品标识嵌入向量；

计算所述训练物品标识嵌入向量与所述样本标签之间的第二损失值；

当所述训练推荐概率满足训练条件时，根据所述第二损失值对所述嵌入层中的网络参数进行更新。

一种物品推荐装置，所述装置包括：

获取模块，用于获取物品的属性信息和物品交互对象的对象标识；

特征提取模块，用于通过元拉伸网络对所述属性信息进行特征提取，获得拉伸向量；以及，通过元偏移网络对所述对象标识进行特征提取，获得偏移向量；

特征处理模块，用于将所述物品的向量化的物品标识和所述拉伸向量进行特征交叉，并将所得的交叉特征向量与所述偏移向量进行融合，得到融合特征向量；