[发明专利]物品召回方法及装置、存储介质、电子设备

说明书

本公开属于计算机技术领域，涉及一种物品召回方法及装置、存储介质、电子设备。该方法包括：获取用户数据特征、物品信息特征和物品类别标识，并进行稀疏映射处理得到待输入用户向量；对待输入用户向量进行迭代全连接处理得到第一特征向量，并进行特征归一化处理得到用户表示向量；对物品信息特征进行稀疏映射处理得到待输入物品向量，并进行迭代全连接处理得到第二特征向量；对第二特征向量进行特征归一化处理得到物品表示向量，并进行类别对齐损失计算得到类别对齐损失值；基于类别对齐损失值，对用户表示向量和物品表示向量进行点积相似度计算得到物品召回分值，以确定召回物品。本公开提高小类别物品的召回准确率和所有类别物品的召回精度。

技术领域

本公开涉及计算机技术领域，尤其涉及一种物品召回方法与物品召回 装置、计算机可读存储介质及电子设备。

背景技术

推荐系统被广泛地应用于电子商务场景中，它可以从大量候选物品 中筛选出用户感兴趣的物品。这种大规模推荐最核心的挑战就是实时准 确地对数千万甚至上亿个物品进行评分。一种工业界常见的做法是将推 荐系统视为两阶段体系结构。其中，召回模块首先从大型物品语料库中 召回出一小部分相关候选物品，而排序模型根据之前收集到的用户历史 行为数据对召回到的物品进行排序。显然，召回模块召回到的物品候选 集的质量会影响推荐系统的后续排序模块的效果，因此提升召回模型在 大型物品语料库下的召回效果，对整个推荐系统的性能提升至关重要。

现有的工业级召回方法主要是使用深度神经网络来构建召回模型。 尽管召回模型在工业界广泛应用，但由于物品的业务类别会多种多样且 各类别数量严重不均(例如，外卖、酒店、旅游、电影、休娱…)，其中 个别物品类别(例如，外卖)的数量可能会占大部分，而召回模型的统 计性很强，出现次数越多的物品类别学习得越好。这样召回模型会倾向于大类别物品，会使数量最多的物品类别的召回准确率最高，其他类别 物品的召回准确率都偏低，间接的损害了其他物品类别的召回准确率。

鉴于此，本领域亟需开发一种新的物品召回方法及装置。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公 开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现 有技术的信息。

发明内容

本公开的目的在于提供一种物品召回方法、物品召回装置、计算机 可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的 限制而导致的召回准确率低的技术问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分 地通过本公开的实践而习得。

根据本发明实施例的第一个方面，提供一种物品召回方法，所述方 法包括：获取用户数据特征、物品信息特征和物品类别标识，并对所述 用户数据特征进行稀疏映射处理得到待输入用户向量；

对所述待输入用户向量进行迭代全连接处理得到第一特征向量，并 对所述第一特征向量进行特征归一化处理得到用户表示向量；

对所述物品信息特征进行稀疏映射处理得到待输入物品向量，并对 所述待输入物品向量进行迭代全连接处理得到第二特征向量；

对所述第二特征向量进行特征归一化处理得到物品表示向量，并对 所述用户表示向量、所述物品表示向量和所述物品类别标识进行类别对 齐损失计算得到类别对齐损失值；

基于所述类别对齐损失值，对所述用户表示向量和所述物品表示向 量进行点积相似度计算得到物品召回分值，以根据所述物品召回分值确 定召回物品。

在本发明的一种示例性实施例中，所述对所述用户表示向量、所述 物品表示向量和所述物品类别标识进行类别对齐损失计算得到类别对齐 损失值，包括：

对所述用户表示向量和所述物品表示向量进行交叉熵损失计算得到 主要损失值；