[发明专利]一种近似物品推荐的控制方法及装置

说明书

本发明公开了一种近似物品推荐的控制方法，包括如下步骤：a.将所有待推荐物品的特征信息作为输入在BERT模型中进行预测以确定待推荐物品的embedding特征向量；b.将待推荐物品的embedding特征向量存储在向量检索数据库中；c.基于用户访问信息所确定的第一物品在向量检索数据库中匹配，确定第一物品的embedding特征向量；d.基于最邻近查找算法确定与所述第一物品的embedding特征向量相似的第二物品。本发明采用BERT进行训练，能够有效捕捉物品中文本上下文的信息，生成可靠的Embedding；采用大量数据训练，一旦训练完成，可以使用较长时间，没有必要频繁更新。本发明方法简单、流程便捷、推荐精准、节约训练时间并解决了冷启动的问题，具有极高的商业价值。

技术领域

本发明属于互联网技术应用领域，特别涉及一种近似物品推荐的控制方法及装置。

背景技术

推荐系统需要解决海量用户和海量物品匹配的问题，需要在几十毫秒内，从海量物品中找到用户最可能感兴趣的物品，2019年谷歌开发了双塔模型，其主要思想是：通过DNN将用户用户特征映射到用户特征向量，特征向量可以基于Embedding技术生成，表示用户兴趣特征。同时通过DNN将物品特征和物品ID映射到物品特征向量，表示物品特征。然后通过用户的行为反馈数据训练模型，目标是让用户和它喜欢的物品的距离最近，而这个距离通过内积运算得到。通过训练模型，将物品特征生成的特征向量（Embedding）放入向量数据库中，当用户来时，通过模型生成用户的特征向量（Embedding），然后去物品向量库里查找特征（Embedding）最相似的物品，推荐给用户。

而目前在现有技术中，存在一定的问题，无论是Google的双塔模型或基于双塔模型思想的衍生模型，基本上都是针对视频推荐的，然而应用于信息流推荐会存在如下缺点：信息流时效性特别强，每天出现大量新闻，很多新闻很快就过时了，能够迅速找出用户感兴趣的最新新闻特别重要。然而谷歌的双塔模型，物品的embedding生成依赖用户对物品的行为反馈，无法解决这种新物品的冷启动问题；信息流含有大量文本信息，双塔模型及其衍生模型无法有效利用这些文本信息，而当一些物品只有很少部分人有行为反馈时，生成的物品embedding就无法准确表达物品的信息；为了能够对新物品生成embedding，需要频繁的训练模型，而这将同时改变老物品的embedding，因此，需要频繁更新物品向量库，当物品熟练较大时，频繁更新的开销是十分巨大的；物品的embedding经常变化，无法用于排序模型的训练，因为物品embedding的变化可能导致同一个物品训练时和排序时特征不一致；物品特征embedding生成不具有迁移性，每个项目都需要训练自己的embedding。

尤其对于物品与物品之间的关联程度没有很好的一种预测方法，也没有一种能够通过物品来实现近似物品推荐的控制方法，目前在现有的技术中，并没有一种能够解决上述技术问题的技术方案，具体地，缺少一种近似物品推荐的控制方法及装置。

发明内容

针对现有技术存在的技术缺陷，本发明的目的是提供一种近似物品推荐的控制方法及装置，根据本发明的一个方面，提供了一种近似物品推荐的控制方法，包括如下步骤：

a.将所有待推荐物品的特征信息作为输入在BERT模型中进行预测以确定一个或多个待推荐物品的embedding特征向量，所述待推荐物品至少包括第一物品以及第二物品；

b.将一个或多个待推荐物品的embedding特征向量存储在向量检索数据库中；

c.基于用户访问信息所确定的第一物品在向量检索数据库中匹配，确定所述第一物品的embedding特征向量，所述用户访问信息至少包括用户当前访问信息和/或用户历史访问信息；

d.基于最邻近查找算法确定一个或多个与所述第一物品的embedding特征向量相似的第二物品。

优选地，在所述步骤c之前，还包括：

i：将所述用户历史访问信息进行缓存。