[发明专利]一种推荐方法及装置

权利要求书

1.一种推荐方法，所述方法包括：

获取目标用户的用户信息和候选对象的对象信息；

对所述用户信息和所述对象信息进行低阶特征提取，得到第一特征矢量；

对所述用户信息和所述对象信息进行高阶特征提取，得到连接向量；

对所述连接向量进行降维处理，得到激活向量；

将所述连接向量和所述激活向量进行残差融合，得到第二特征矢量；

根据所述第一特征矢量和所述第二特征矢量，预测所述目标用户选择所述候选对象的概率；

在所述概率满足设定条件时，向所述目标用户推荐所述候选对象。

2.根据权利要求1所述的方法，所述对所述用户信息和所述对象信息进行低阶特征提取，得到第一特征矢量，包括：

对所述用户信息和所述对象信息进行矩阵分解，得到所述第一特征矢量。

3.根据权利要求2所述的方法，所述对所述用户信息和所述对象信息进行矩阵分解，得到所述第一特征矢量，包括：

分别对所述用户信息和所述对象信息进行矩阵分解初始化，相应的分别得到用户初始矩阵向量和对象初始矩阵向量；

对所述用户初始矩阵向量和对象初始矩阵向量进行全局矩阵分解，得到所述第一特征矢量。

4.根据权利要求1所述的方法，所述对所述用户信息和所述对象信息进行高阶特征提取，得到连接向量，包括：

利用神经网络算法，对所述用户信息和所述对象信息进行特征提取，得到所述连接向量。

5.根据权利要求4所述的方法，所述利用神经网络算法，对所述用户信息和所述对象信息进行特征提取，得到所述连接向量，包括：

分别对所述用户信息和所述对象信息进行特征提取初始化，相应的分别得到用户初始感知向量和对象初始感知向量；

对所述用户初始感知向量和所述对象初始感知向量进行全局矩阵分解，得到共享特征向量；

对所述用户初始感知向量、所述对象初始感知向量和所述共享特征向量进行全连接，得到所述连接向量。

6.根据权利要求1所述的方法，所述对所述连接向量进行降维处理，得到激活向量，包括：对所述连接向量进行非线性转换，得到所述激活向量。

7.根据权利要求6所述的方法，在对所述连接向量进行非线性转换，得到激活向量之前，所述对连接向量进行降维处理，得到激活向量，还包括以下至少之一：对所述连接向量进行批归一化；

采用注意力机制对所述连接向量进行处理。

8.根据权利要求1所述的方法，所述根据所述第一特征矢量和所述第二特征矢量，预测所述目标用户选择所述候选对象的概率，包括：

对所述第一特征矢量和所述第二特征矢量进行全连接，得到输出向量；

对所述输出向量进行非线性转换，得到所述概率。

9.根据权利要求1-8中任一项所述的方法，

所述用户信息为所述目标用户和的身份标识；和/或

所述对象信息为所述候选对象的对象标识。

10.一种推荐装置，所述装置包括：

获取模块，用于获取目标用户的用户信息和候选对象的对象信息；

第一特征提取模块，用于对所述用户信息和所述对象信息进行低阶特征提取，得到第一特征矢量；

第二特征提取模块，用于对所述用户信息和所述对象信息进行高阶特征提取，得到连接向量；

激活模块，用于对所述连接向量进行降维处理，得到激活向量；

残差模块，用于将所述连接向量和所述激活向量进行残差融合，得到第二特征矢量；

预测模块，用于根据所述第一特征矢量和所述第二特征矢量，预测所述目标用户选择所述候选对象的概率；

推荐模块，用于在所述概率满足设定条件时，向所述目标用户推荐所述候选对象。