[发明专利]推荐商品确定方法及装置、电子设备及可读存储介质

说明书

本发明公开了一种推荐商品确定方法及装置、电子设备及可读存储介质。其中，该方法包括：通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示，以及，通过推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示，其中，推荐模型是由预设训练样本预先训练完成的；通过推荐模型的第一混合门控模块，确定第一向量表示对应的用户向量表示，以及，通过推荐模型的第二混合门控模块，确定第二向量表示对应的商品向量表示；通过推荐模型的分类模块，根据用户向量表示以及商品向量表示确定用户数据对应的推荐商品。

技术领域

本发明涉及神经网络技术领域，具体而言，涉及一种推荐商品确定方法及装置、电子设备及可读存储介质。

背景技术

现有技术中，在电子商务场景中，推荐系统从大量候选商品中筛选出的用户感兴趣的商品。进而将这些商品推荐给用户以促进商业目标增长。由于候选商品的量级通常会达到上千万甚至上亿，工业界常见的做法是将推荐系统分为召回和排序两个阶段。召回阶段的目标是从大型商品语料库中找出一小部分相关候选商品，即候选集。排序阶段的目标是对候选集进行排序。候选集的质量会影响排序的效果，因此提升召回模型在大型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。

现有技术中，召回阶段中通常使用双塔模型(专利申请号201911224581.6)，双塔模型通过用户塔(商品塔)对用户(商品)的特征进行编码得到用户(商品)表示向量。通过计算用户表示向量和商品表示向量间的余弦相似度来度量用户对商品的偏好程度。

申请人在实现本发明的过程中，发现相关技术中存在以下问题：

为了取得较好的效果，双塔模型需要大量的训练样本。因此，在多业务场景中，现有的双塔模型联合训练大、小业务中的样本以将大业务中的知识迁移到小业务中，从而提升其在小业务上的效果。然而双塔模型未区分不同业务样本间的差异性，导致不合理的迁移发生，阻碍其效果的进一步提升，也即负迁移现象。

可见，相关技术中针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种推荐商品确定方法及装置、电子设备及可读存储介质，以至少解决由于相关技术中多业务的样本联合训练时，无法识别样本间复杂的关系，进而产生负迁移，阻碍推荐模型性能进一步提升的技术问题。

根据本发明实施例的一个方面，提供了一种推荐商品确定方法，包括：通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示，以及，通过所述推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示，其中，所述推荐模型是由预设训练样本预先训练完成的；通过所述推荐模型的第一混合门控模块，确定所述第一向量表示对应的用户向量表示，以及，通过所述推荐模型的第二混合门控模块，确定所述第二向量表示对应的商品向量表示；通过所述推荐模型的分类模块，根据所述用户向量表示以及所述商品向量表示确定所述用户数据对应的推荐商品。

根据本发明实施例的另一方面，还提供了一种推荐商品确定装置，包括：第一确定模块，用于通过推荐模型中的第一嵌入模块确定目标用户的用户数据对应的第一向量表示，以及，通过所述推荐模型中的第二嵌入模块确定商品数据对应的第二向量表示，其中，所述推荐模型是由预设训练样本预先训练完成的；第二确定模块，用于通过所述推荐模型的第一混合门控模块，确定所述第一向量表示对应的用户向量表示，以及，通过所述推荐模型的第二混合门控模块，确定所述第二向量表示对应的商品向量表示；第三确定模块，用于通过所述推荐模型的分类模块，根据所述用户向量表示以及所述商品向量表示确定所述用户数据对应的推荐商品。

根据本发明实施例的另一方面，还提供了一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上所述的推荐商品确定方法的步骤。

根据本发明实施例的另一方面，还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上所述的推荐商品确定方法的步骤。