[发明专利]基于零次学习的清单推荐方法、系统、设备及存储介质

说明书

本发明提供一种基于零次学习的清单推荐方法、系统、设备及存储介质，方法包括：获取待创建清单的基本信息属性；将基本信息属性输入至预先训练好的零次学习模型中，得到零次学习模型输出的预测样例特征；其中，零次学习模型是基于训练清单以及训练样例之间的映射训练得到的；将预测样例特征与真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单。本发明通过零次学习模型获取与待创建清单的基本信息属性存在映射关系的预测样例特征，并根据预测样例特征推荐样例至待创建清单中，从而根据用户需求或偏好进行个性化清单推荐，提高了生成的推荐清单的准确性，进一步提高了与用户的交互性及交互准确性。

技术领域

本发明涉及信息技术领域，尤其涉及一种基于零次学习的清单推荐方法、系统、设备及存储介质。

背景技术

近年来，互联网高速发展，与人类的生活变得越加密不可分。人类在互联网上的行为，如购买、浏览、发布博文、信息填写等等，都会被存储下来，形成源源不断的数据，促成了如今的大数据时代。若是能利用好这些数据，可以给人类的未来生活带来许多便利。实现“数据创造美好生活”的技术有很多，推荐系统便是其中之一。它通过用户目前的偏好，对其未来可能产生的兴趣进行预测，从而将用户可能喜好的商品或项目展现出来。比如，基于用户购买的某种产品，系统继续推送相关的产品或配件给该用户，既可以提高销售方的销量，也为用户选品提供便利；再比如，基于用户的喜好，推荐类似风格的作品，以达到用户留存的目的。

推荐系统通常分为四种类型：基于协同过滤的推荐、基于内容的推荐、基于知识的推荐，以及基于混合的推荐。其中：协同过滤推荐算法通常包括基于用户或物品的协同、矩阵分解、隐因子模型等；内容和知识的推荐通常是引入物品或用户的额外信息，计算相似度以进行推荐；基于混合的推荐则是将以上几种方案融合使用。随着深度学习技术的日渐成熟，神经网络矩阵分解、深度神经网络、生成式对抗网络GAN、强化学习等都被应用在推荐系统中，通常比传统方法具备更优的性能，可以高效地处理大量候选商品，并达到较为准确的推荐。

由于现有推荐系统大多基于历史数据以进行单一或同类型偏好、物品的推荐，因此为实现多元化的推荐服务，采用一种清单推荐的方式，以项目构成的集合作为可推荐对象，向用户进行列表形式的推荐。而现有的清单推荐，大多是根据推荐项目的用户喜好程度进行排序，并基于排序选取一定数量的推荐项目组成清单，这种清单推荐方式忽略了用户对于项目需求的指向性，比如咖喱牛肉食谱采购清单中实际用户的口味偏好、春日出游穿搭清单中用户实际的风格偏好、适合大学生阅读的文学名著清单中用户实际的兴趣偏好、用户指定风格流派的歌曲清单中用户对于曲风、歌手、语言的偏好等，以致无法满足用户的个性化需求。

另外，对于初次使用清单推荐系统的用户、初次加入推荐系统的项目或初次投入使用的推荐系统而言，推荐系统难以较好地应对冷启动问题。冷启动通常分为三个场景：新用户冷启动、新项目冷启动与新系统冷启动。在冷启动时，不论是新用户、新项目还是新系统，由于均是首次使用，推荐系统里没有任何与其有关的历史数据，比如新用户的兴趣偏好，新系统的评分数据或使用数据，新系统的历史行为数据，因此为了使推荐系统能够预测偏好以实现推荐，需要预先获取额外信息，比如利用利用调查问卷、其他平台的表现数据或社交信息数据来获取用户的额外信息，利用问卷调查该项目的使用意向偏好以获取物品的额外信息，从而根据预先获取的额外信息进行初次使用的预测及推荐。而这种基于预先获取的额外信息进行预测推荐的方法，在面对不同的冷启动对象时，需要进行多次额外信息的获取，耗费时间且浪费人力资源。

发明内容

本发明提供一种基于零次学习的清单推荐方法、系统、设备及存储介质，用以解决现有技术中无法满足基于用户个性化需求从零开始创建推荐清单的缺陷，能够根据用户需求选择匹配的项目组成按用户需求排序的推荐清单，实现用户个性化清单推荐，便于从零开始创建满足符合用户个性化需求的推荐清单。