[发明专利]一种产品推荐方法、装置及设备

说明书

本发明公开了一种产品推荐方法、装置及设备，该方法包括：获取预设时长内用户的行为，行为包括用户信息、近期交互的产品序列信息及远期交互的产品序列信息；获取多个待预测产品信息；对每个待预测产品信息，将待预测产品信息和用户信息进行组合，生成对应的第一信息；对近期交互的产品序列信息进行特征提取，对远期交互的产品序列信息进行向量转换，将提取的特征信息、向量转换后的远期交互的产品序列信息与第一信息进行级联，生成对应的第二信息；根据各第二信息在多个待预测产品信息中选择推荐的产品信息。通过对用户近期兴趣和长期兴趣进行表征，从而根据用户近期兴趣和长期兴趣可以准确表征用户兴趣变化趋势，提升个性化产品推荐的精准度。

技术领域

本申请涉及产品推荐技术领域，尤其涉及一种产品推荐方法、装置及设备。

背景技术

目前，在电商平台，一般是通过对用户一段时间的行为进行学习，学习用户一段时间通用的兴趣走势特征，得到产品推荐模型，例如GRU4REC模型，然后采用产品推荐模型给用户推荐产品。然而，用户有时由于在操作时存在误点击或由于外界的偶然因素导致其一段时间的行为不能真正反映用户的兴趣变化趋势，同时，用户在购物时的兴趣有时是多变的，因此，在产品推荐时，如果仅考虑用户一段时间通用的兴趣走势特征，那么给用户推荐的产品可能并不是用户想要的，推荐效果受限。

发明内容

本发明实施例通过提供一种产品推荐方法、装置及设备，用以解决现有产品推荐方法仅考虑用户一段时间通用的兴趣走势特征，给用户推荐的产品可能并不是用户想要的，推荐效果受限的问题。

为了解决上述问题，第一方面，本发明实施例提供了一种产品推荐方法，包括：获取预设时长内用户的行为，行为包括用户信息、近期交互的产品序列信息及远期交互的产品序列信息；获取多个待预测产品信息；对每个待预测产品信息，将待预测产品信息和用户信息进行组合，生成对应的第一信息；对近期交互的产品序列信息进行特征提取，对远期交互的产品序列信息进行向量转换，将提取的特征信息、向量转换后的远期交互的产品序列信息与第一信息进行级联，生成对应的第二信息；根据各第二信息在多个待预测产品信息中选择推荐的产品信息。

可选地，对近期交互的产品序列信息进行特征提取，包括：将近期交互的产品序列信息进行独热编码；将独热编码后的近期交互的产品序列信息转换为第一词向量；对第一词向量进行卷积运算和最大池化运算，得到近期交互的产品序列信息的特征信息。

可选地，对第一词向量进行卷积运算和最大池化运算，得到近期交互的产品序列信息的特征信息，包括：采用特征提取模型对第一词向量进行卷积运算和最大池化运算，得到近期交互的产品序列信息的特征信息；其中，特征提取模型在训练时，对训练样本进行卷积运算之后，对训练样本进行最大池化运算之前，还对训练样本进行随机块丢弃操作。

可选地，对远期交互的产品序列信息进行向量转换，包括：将远期交互的产品序列信息进行独热编码；将独热编码后的远期交互的产品序列信息转换为第二词向量；计算第二词向量的平均值，得到向量转换后的远期交互的产品序列信息。

可选地，将提取的特征信息、向量转换后的远期交互的产品序列信息与第一信息进行级联，生成对应的第二信息，包括：将第一信息进行独热编码；将独热编码后的第一信息转换为第三词向量；将近期交互的产品序列信息的特征信息、向量转换后的远期交互的产品序列信息及第三词向量进行级联，生成对应的第二信息。

可选地，根据各第二信息在多个待预测产品信息中选择推荐的产品信息，包括：将各第二信息输入自注意力模型，得到对应的第三信息，将各第三信息输入产品点击概率模型，得到对应的点击概率；根据各点击概率在多个待预测产品信息中选择推荐的产品信息。