CN111784455B - 一种物品推荐方法及推荐设备 - Google Patents

Abstract

本申请实施例提供了一种物品推荐方法及推荐设备，涉及人工智能技术领域，该方法包括：获取待推荐用户的属性信息以及行为序列，然后根据属性信息以及行为序列确定待推荐用户针对物品的偏好特征。再根据待推荐用户针对物品的偏好特征以及各个候选物品的物品特征，从各个候选物品中确定出推荐给待推荐用户的目标物品。由于行为序列中的历史操作时间包括正向转化行为事件和负向转化行为事件，且正向转化行为事件与偏好特征正相关，负向转化行为事件与偏好特征负相关，故结合待推荐用户的属性信息以及行为序列对用户进行特征提取时，可以获得更全面的用户偏好特征，从而提高基于用户偏好特征为用户推荐物品的准确性。

Description

一种物品推荐方法及推荐设备

技术领域

本申请实施例涉及人工智能技术领域，尤其涉及一种物品推荐方法及推荐设备。

背景技术

随着在线购物平台的不断发展，推荐系统已经成为了电子商务中不可替代的重要组成部分。推荐系统能够学习用户历史行为中所隐藏的偏好信息，从而对用户购物行为进行进一步的预测，帮助顾客挑选满意商品的同时，促进电子商务平台的收益提升。

目前，很多推荐系统根据用户年龄、性别等基本信息对用户进行静态建模，然后采用获得的模型为用户推荐商品。该方法没有考虑到基本信息相同的用户，其偏好也有可能是不同的，故可能向用户推荐不需要的商品，推荐准确率较低。

发明内容

本申请实施例提供了一种物品推荐方法及推荐设备，用以提高物品推荐的准确率。

一方面，本申请实施例提供了一种物品推荐方法，该方法包括：

获取待推荐用户的属性信息以及行为序列，所述行为序列是按照历史操作时间，对所述待推荐用户针对各个物品的历史操作事件进行排序后获得的，所述历史操作事件包括正向转化行为事件和负向转化行为事件；

根据所述待推荐用户的属性信息以及行为序列，确定所述待推荐用户针对物品的偏好特征，其中，所述正向转化行为事件与所述偏好特征正相关，所述负向转化行为事件与所述偏好特征负相关；

根据所述待推荐用户针对物品的偏好特征以及各个候选物品的物品特征，从各个候选物品中确定出推荐给所述待推荐用户的目标物品。

一方面，本申请实施例提供了一种推荐设备，该推荐设备包括：

获取模块，用于获取待推荐用户的属性信息以及行为序列，所述行为序列是按照历史操作时间，对所述待推荐用户针对各个物品的历史操作事件进行排序后获得的，所述历史操作事件包括正向转化行为事件和负向转化行为事件；

处理模块，用于根据所述待推荐用户的属性信息以及行为序列，确定所述待推荐用户针对物品的偏好特征，其中，所述正向转化行为事件与所述偏好特征正相关，所述负向转化行为事件与所述偏好特征负相关；

推荐模块，用于根据所述待推荐用户针对物品的偏好特征以及各个候选物品的物品特征，从各个候选物品中确定出推荐给所述待推荐用户的目标物品。

一方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现物品推荐方法的步骤。

一方面，本申请实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行物品推荐方法的步骤。

本申请实施例中，由于行为序列中的历史操作事件包括正向转化行为事件和负向转化行为事件，且正向转化行为事件与偏好特征正相关，负向转化行为事件与偏好特征负相关，故结合待推荐用户的属性信息以及行为序列对用户进行特征提取时，可以获得更全面的用户偏好特征，进而构建准确性更高的用户画像。进一步地，根据用户偏好特征以及物品的物品特征向用户推荐物品时，能有效提高物品推荐的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种系统架构的示意图；

图2为本申请实施例提供的一种物品推荐方法的流程示意图；

图3a为本申请实施例提供的一种推荐页面的示意图；

图3b为本申请实施例提供的一种推荐页面的示意图；

图3c为本申请实施例提供的一种推荐页面的示意图；

图4为本申请实施例提供的一种提取偏好特征的方法的流程示意图；

图5为本申请实施例提供的一种卷积神经网络的结构示意图；

图6a为本申请实施例提供的一种行为时序图；

图6b为本申请实施例提供的一种行为时序图；

图6c为本申请实施例提供的一种行为时序图；

图7a为本申请实施例提供的一种行为时序图；

图7b为本申请实施例提供的一种行为时序图；

图7c为本申请实施例提供的一种行为时序图；

图8为本申请实施例提供的一种物品推荐方法的流程示意图；

图9为本申请实施例提供的一种推荐设备的结构示意图；

图10为本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了方便理解，下面对本发明实施例中涉及的名词进行解释。

人工智能(Artificial Intelligence，AI)：是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

自然语言处理(Nature Language processing，NLP)：是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。本申请实施例中利用NLP技术将用户特征以及物品特征等转换为特征向量等。

机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。比如，本申请实施例中采用机器学习提取用户的偏好特征，然后基于偏好特征为用户推荐物品。

卷积神经网络：(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络。

循环神经网络：(Recurrent Neural Network，RNN)是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络，其中双向循环神经网络(Bidirectional RNN，Bi-RNN)和长短期记忆网络(Long Short-Term Memorynetworks，LSTM)是常见的循环神经网络。循环神经网络具有记忆性、参数共享并且图灵完备(Turing completeness)，因此在对序列的非线性特征进行学习时具有一定优势。循环神经网络在自然语言处理(Natural Language Processing，NLP)，例如语音识别、语言建模、机器翻译等领域有应用，也被用于各类时间序列预报。

时序图神经网络：时序图神经网络是在图神经网络(Graph ConvolutionalNetwork，GCN)基础上，增加了对时序信息进行处理的过程。图神经网络是以一个图结构为输入，输出图的向量表示。在图神经网络中，输入的图中的节点会被表示为向量，输入的图的边表示着节点之间的关联关系。时序图神经网络中每个节点除了对应一个向量之外，还可以有一个时间标签。

物品：泛指各类产品，例如商品、广告等。

待推荐用户：是指需要为其推荐物品的用户，待推荐用户可以是样本用户中的用户，也可以是新用户，任何需要为其推荐物品的用户都可以视为待推荐用户。

下面对本申请实施例的设计思想进行介绍。

目前，很多推荐系统根据用户年龄、性别等基本信息对用户进行静态建模，然后采用获得的模型为用户推荐商品。该方法没有考虑到基本信息相同的用户，其偏好也有可能是不同的。比如，20岁的女性可能喜欢高跟鞋，也可能喜欢球鞋，故基于用户的基本信息向用户推荐商品时，可能推荐用户不需要的商品，推荐准确率较低。

考虑到用户的喜好可能体现在用户的操作行为中，比如用户购买某件商品时，说明用户大概率是喜欢这件商品的。又比如，用户收藏某件商品时，说明用户对这件商品是感兴趣的。此时，推荐系统可以考虑向用户推荐用户购买或收藏的商品或者同类商品。但是，用户的操作行为并不全是说明用户喜欢某件商品，比如当用户购买某件商品后退货，说明用户购买的商品可能并不适合该用户。此时，推荐系统可以考虑不向用户推荐用户发生退货的商品或者同类商品。鉴于此，本申请实施例提供了一种物品推荐方法，该方法包括：首先获取待推荐用户的属性信息以及行为序列，行为序列是按照历史操作时间，对待推荐用户针对各个物品的历史操作事件进行排序后获得的，历史操作事件包括正向转化行为事件和负向转化行为事件。然后根据待推荐用户的属性信息以及行为序列，确定待推荐用户针对物品的偏好特征，其中，正向转化行为事件与偏好特征正相关，负向转化行为事件与偏好特征负相关。之后再根据待推荐用户针对物品的偏好特征以及各个候选物品的物品特征，从各个候选物品中确定出推荐给待推荐用户的目标物品。

本申请实施例中，由于行为序列中的历史操作事件包括正向转化行为事件和负向转化行为事件，且正向转化行为事件与偏好特征正相关，负向转化行为事件与偏好特征负相关，故结合待推荐用户的属性信息以及行为序列对用户进行特征提取时，可以获得更全面的用户偏好特征，进而构建准确性更高的用户画像。进一步地，根据用户偏好特征以及物品的物品特征向用户推荐物品时，能有效提高物品推荐的准确性。

在介绍完本申请实施例的设计思想之后，下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时，可以根据实际需要灵活地应用本申请实施例提供的技术方案。

场景一、购物推荐场景

在向待推荐用户推荐商品时，首先获取待推荐用户的属性信息以及行为序列，行为序列是按照历史操作时间，对待推荐用户针对各个商品的历史操作事件进行排序后获得的，其中，待推荐用户的属性信息包括性别、年龄、地点等，历史操作事件包括购买、退货、取消订单、收藏、取消收藏、加购等。历史操作事件包括正向转化行为事件和负向转化行为事件，其中正向转化事件为购买、收藏、加购等，负向转化行为事件为退货、取消订单、取消收藏等。根据待推荐用户的属性信息以及行为序列，确定待推荐用户针对商品的偏好特征，其中，正向转化行为事件与偏好特征正相关，负向转化行为事件与偏好特征负相关。之后再根据待推荐用户针对商品的偏好特征以及各个候选商品的商品特征，从各个候选商品中确定出推荐给待推荐用户的目标商品。

场景二、广告推荐场景

在向待推荐用户推荐广告时，首先获取待推荐用户的属性信息以及行为序列，行为序列是按照历史操作时间，对待推荐用户针对各个广告的历史操作事件进行排序后获得的，其中，待推荐用户的属性信息包括性别、年龄、地点等，历史操作事件包括点击、浏览、咨询、购买、退货、取消订单、收藏、取消收藏、加购等。历史操作事件包括正向转化行为事件和负向转化行为事件，其中正向转化事件为点击、浏览、咨询、购买、收藏、加购等，负向转化行为事件为退货、取消订单、取消收藏等。根据待推荐用户的属性信息以及行为序列，确定待推荐用户针对广告的偏好特征，其中，正向转化行为事件与偏好特征正相关，负向转化行为事件与偏好特征负相关。之后再根据待推荐用户针对广告的偏好特征以及各个候选广告的广告特征，从各个候选广告中确定出推荐给待推荐用户的目标广告。

参考图1，其为本申请实施例提供的物品推荐方法的系统架构图。该架构至少包括终端设备101以及服务器102。

终端设备101中可以安装有客户端，客户端可以是网页版客户端，也可以是预装在终端设备101中的客户端，本申请实施例中的客户端可以是电商类购物客户端，或者是理财类客户端，或者可以是可以投放广告的任意类型的客户端。可以从待推荐用户的在客户端中的注册信息中获得待推荐用户的属性信息，从待推荐用户的在客户端中的操作行为数据中获得待推荐用户的行为序列。终端设备101可以包括一个或多个处理器1011、存储器1012、与埋点服务器103交互的I/O接口1013以及显示面板1014等。终端设备101可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。

服务器102可以是客户端的后台服务器，为客户端提供相应的服务，服务器102可以包括一个或多个处理器1021、存储器1022以及与终端设备101交互的I/O接口1023等。此外，服务器102还可以配置数据库1024。服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备101与服务器102可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

推荐设备可以是终端设备101，也可以是服务器102。

第一种情况，推荐设备是终端设备101。

待推荐用户在终端设备101的客户端中触发物品推荐服务时，终端设备101从服务器102中获取待推荐用户的属性信息以及行为序列，然后根据待推荐用户的属性信息以及行为序列，确定待推荐用户针对物品的偏好特征。之后再根据待推荐用户针对物品的偏好特征以及各个候选物品的物品特征，从各个候选物品中确定出推荐给待推荐用户的目标物品。终端设备101在客户端展示目标物品。

第二种情况，推荐设备是服务器102。

待推荐用户在终端设备101的客户端中触发物品推荐服务时，终端设备101发送推荐请求至服务器102，服务器102根据推荐请求，从数据库中获取待推荐用户的属性信息以及行为序列，然后根据待推荐用户的属性信息以及行为序列，确定待推荐用户针对物品的偏好特征。之后再根据待推荐用户针对物品的偏好特征以及各个候选物品的物品特征，从各个候选物品中确定出推荐给待推荐用户的目标物品。服务器102将目标物品的相关信息发送至终端设备101，终端设备101在客户端展示目标物品。

基于图1所示的系统架构图，本申请实施例提供了一种物品推荐方法的流程，如图2所示，该方法的流程由推荐设备执行，该推荐设备可以是图1所示的终端设备101或服务器102，包括以下步骤：

步骤S201，获取待推荐用户的属性信息以及行为序列。

具体地，待推荐用户的属性信息可以从待推荐用户的注册信息中获取，待推荐用户的属性信息至少包括两类信息：

第一类为数值类，即用数字描述的信息，比如年龄、出生年月日、账号注册时间等，这类信息可以直接作为待推荐用户的数值型特征对待推荐用户进行特征提取。

第二类为选项类，即待推荐用户注册时选择的属性，比如性别可选的是男或女，地点可选的是北京、上海等地点。将每个选项类信息的所有选项进行编码，然后在符合待推荐用户选择的维度填1，其余维度填0，形成一个向量特征，从而实现将选项类特征转化为数值型特征，然后再对待推荐用户进行特征提取。

行为序列是按照历史操作时间，对待推荐用户针对各个物品的历史操作事件进行排序后获得的，历史操作事件包括正向转化行为事件和负向转化行为事件。

具体地，在购物推荐场景中，历史操作事件包括购买、退货、取消订单、收藏、取消收藏、加购等，其中，正向转化事件为购买、收藏、加购等，负向转化行为事件为退货、取消订单、取消收藏等。在广告推荐场景中，历史操作事件包括点击、浏览、咨询、购买、退货、取消订单、收藏、取消收藏、加购等，其中，正向转化事件为点击、浏览、咨询、购买、收藏、加购等，负向转化行为事件为退货、取消订单、取消收藏等。

步骤S202，根据待推荐用户的属性信息以及行为序列，确定待推荐用户针对物品的偏好特征。

具体地，正向转化行为事件与偏好特征正相关，负向转化行为事件与偏好特征负相关。比如，设定待推荐用户在购物客户端上购买了商品A和商品B，待推荐用户在收到商品A和商品B后，留下了商品A，将商品B退回商家，则待推荐用户的正向转化行为事件为购买商品A和购买商品B，待推荐用户的负向转化行为事件为将商品B退回商家，由于正向转化行为事件与偏好特征正相关，负向转化行为事件与偏好特征负相关，故获得的待推荐用户针对物品的偏好特征为偏好商品A，而商品B可能并不适合待推荐用户。

另外，由于行为序列是按照历史操作时间，对待推荐用户针对各个物品的历史操作事件进行排序后获得的，故根据行为序列，可以获得待推荐用户随时间变化的偏好特征。比如，待推荐用户一年前购买了商品C，半年前收藏了商品B，一周前购买了商品F，则说明待推荐用户之前偏好商品B和商品C，当前偏好商品F，故该待推荐用户当前更需要的是商品F或与商品F同类型的商品。

步骤S203，根据待推荐用户针对物品的偏好特征以及各个候选物品的物品特征，从各个候选物品中确定出推荐给待推荐用户的目标物品。

具体实施中，各个候选物品是可以推荐给用户的所有物品，比如所有在售的商品、所有待投放的广告等。若推荐设备为终端设备，终端设备确定出推荐给待推荐用户的目标物品后，在客户端展示目标物品。若推荐设备为服务器，服务器确定出推荐给待推荐用户的目标物品后，将目标物品的相关信息发送至终端设备，终端设备在客户端展示目标物品。

示例性地，如图3a所述，推荐设备在确定出推荐给待推荐用户的目标商品为“菠萝”和“葡萄”时，在购物客户端水果类别的推荐页面中，优先展示“菠萝”和“葡萄”的购买链接，比如将“菠萝”和“葡萄”的购买链接展示在推荐页面的最上端，将其他推荐水果的购买链接展示在推荐页面的下端，比如将“香蕉”和“草莓”的购买链接展示在推荐页面的下端。

示例性地，如图3b所述，推荐设备在确定出推荐给待推荐用户的目标商品为“鼠标”和“键盘”时，在购物客户端电器类别的推荐页面中，优先展示“鼠标”和“键盘”的购买链接，比如将“鼠标”和“键盘”的购买链接展示在推荐页面的最上端，将其他推荐电器的购买链接展示在推荐页面的下端，比如将“耳机”的购买链接展示在推荐页面的下端。

示例性地，如图3c所述，推荐设备在确定出推荐给待推荐用户的目标广告为汽车广告时，在即时通信客户端的朋友圈中，展示汽车广告。待推荐用户可以点击广告图片查看广告或进入购买页面。

本申请实施例中，由于行为序列中的历史操作事件包括正向转化行为事件和负向转化行为事件，且正向转化行为事件与偏好特征正相关，负向转化行为事件与偏好特征负相关，故结合待推荐用户的属性信息以及行为序列对用户进行特征提取时，可以获得更全面的用户偏好特征，进而构建准确性更高的用户画像。进一步地，根据用户偏好特征以及物品的物品特征向用户推荐物品时，能有效提高物品推荐的准确性。

可选地，在上述步骤S202中，根据待推荐用户的属性信息以及行为序列，确定待推荐用户针对物品的偏好特征，具体包括以下步骤，如图4所示：

步骤S401，采用卷积神经网络对待推荐用户的属性信息进行特征提取，获得待推荐用户的第一特征向量。

具体地，待推荐用户的属性信息包括账号注册时间、性别、年龄、地点等，在将待推荐用户的属性信息输入卷积神经网络进行特征提取之前，先将待推荐用户的属性信息转化为数值型特征，以便卷积神经网络对待推荐用户的属性信息进行特征提取。具体实施中，由于注册时间、年龄等属性信息本身采用数字描述，故可以直接作为待推荐用户的数值型特征。针对性别、地点等文字描述的属性信息，本申请实施例中采用编码的方式转化为数值型特征。

如图5所示，卷积神经网络至少包括卷积层、激活层以及池化层。将待推荐用户的属性信息输入卷积层，卷积层通过卷积核对待推荐用户的属性信息进行特征提取，其中卷积层中的卷积核可以为一个或多个。然后将卷积获得的特征输入激活层，激活层采用激活函数对特征进行非线性调整，然后输入池化层。池化层对调整后的特征进行降采样操作，获得待推荐用户的第一特征向量。

步骤S402，采用时序图神经网络对行为序列进行特征提取，获得待推荐用户的第二特征向量。

具体地，时序图神经网络是在图神经网络(Graph Convolutional Network，GCN)基础上，增加了对时序信息的处理过程。图神经网络是以一个图结构为输入，输出图的向量表示。在图神经网络中，输入的图中的节点会被表示为向量，输入的图的边表示着节点之间的关联关系。时序图神经网络中每个节点除了对应一个向量之外，还可以有一个时间标签。

本申请实施例中，时序图神经网络是以样本用户的正向转化行为事件为正样本，以样本用户的负向转化行为事件为负样本训练获得的。具体实施中，预先获取各个样本用户的历史操作事件以及历史操作时间，历史操作事件包括购买、退货、取消订单、收藏、取消收藏、加购等，其中，其中正向转化事件为购买、收藏、加购等，负向转化行为事件为退货、取消订单、取消收藏等。然后将样本用户中的正向转化行为事件标记为正样本，将样本用户的负向转化行为事件标记为负样本，之后再采用获得的样本对时序图神经网络进行训练。

在训练结束之后，将行为序列作为一个图输入时序图神经网络，采用时序图神经网络获得行为序列的向量表示，将该向量表示作为待推荐用户的第二特征向量。

步骤S403，将第一特征向量与第二特征向量融合，获得待推荐用户针对物品的偏好特征。

具体实施中，可以采用全联通层将第一特征向量与第二特征向量融合，获得待推荐用户针对物品的偏好特征。

本申请实施例中，采用卷积神经网络和时序图神经网络分别对待推荐用户的属性信息和行为序列进行特征提取并融合，获得待推荐用户多维度的特征，从而提高构建的用户画像的准确性，进而提高物品推荐的准确性。

可选地，在上述步骤S402中，可以先基于行为序列构建行为时序图，之后再采用时序图神经网络对行为时序图进行特征提取，获得第二特征向量。具体地，以各个物品以及操作事件为节点，基于行为序列中所述待推荐用户针对各个物品的历史操作事件确定边，以行为序列中的历史操作时间为边属性，构建待推荐用户的行为时序图。采用时序图神经网络提取待推荐用户的行为时序图的空间特征，获得待推荐用户的第二特征向量。

一种可能的实施方式，行为时序图中节点对应的物品是能推荐给用户的所有物品，比如所有在售的商品、所有待投放的广告等。行为时序图中节点对应的操作事件是用户可能的所有操作事件，比如购物场景中的购买、退货、取消订单、收藏、取消收藏、加购等，广告投放场景中的点击、浏览、咨询、购买、退货、取消订单、收藏、取消收藏、加购等。

一种可能的实施方式，行为时序图中节点对应的物品是与待推荐用户关联的所有物品，比如，与待推荐用户关联的所有物品为商品A、商品B以及商品C，则行为时序图中节点对应的物品为商品A、商品B以及商品C。行为时序图中节点对应的操作事件是与待推荐用户关联的所有操作事件。比如，与待推荐用户关联的所有操作事件为购买、退货以及收藏，则行为时序图中节点对应的操作事件为购买、退货以及收藏。

具体实施中，采用时序图神经网络提取待推荐用户的行为时序图的空间特征，获得待推荐用户的第二特征向量之前，先获取各个样本用户的行为序列，其中，行为序列中包括样本用户的历史操作事件和历史操作时间，历史操作事件包括正向转化行为事件和负向转化行为事件。然后基于各个样本用户的行为序列构建样本用户的样本行为时序图，并将样本行为时序图中的正向转化行为事件标记为正样本，将样本行为时序图中的负向转化行为事件标记为负样本。之后再采用各个样本用户的样本行为时序图对时序图神经网络进行训练。在训练结束之后，再采用时序图神经网络提取待推荐用户的行为时序图的空间特征，获得待推荐用户的第二特征向量。

下面举例说明构建待推荐用户的行为时序图的过程。

示例性地，以购物场景来说，设定待推荐用户在t1时段购买了商品A和商品B，然后在t2时段将商品B退回了商家，之后在t3时段收藏并购买了商品C。与待推荐用户关联的商品为商品A、商品B以及商品C，与待推荐用户关联的操作事件为购买、退货以及收藏，则以商品A、商品B、商品C、购买、退货以及收藏作为行为时序图的节点。

t1时段对应的行为时序图如图6a所示，节点“商品A”与节点“购买”连接，节点“商品B”与节点“购买”连接，获得的两条连接边的边属性为t1时段。

t2时段对应的行为时序图如图6b所示，在图6a的基础上，节点“商品B”与节点“退货”连接，获得的一条连接边的边属性为t2时段。

t3时段对应的行为时序图如图6c所示，在图6b的基础上，节点“商品C”与节点“购买”连接，节点“商品C”与节点“收藏”连接，获得的两条连接边的边属性为t3时段。

一种可能的实施方式，采用时序图神经网络提取待推荐用户的行为时序图的空间特征时，将图6a至图6c所示的三个行为时序图均输入时序图神经网络，由时序图神经网络提取三个行为时序图的空间特征，获得待推荐用户的第二特征向量。

另一种可能的实施方式，采用时序图神经网络提取待推荐用户的行为时序图的空间特征时，将图6c所示的行为时序图输入时序图神经网络，由时序图神经网络提取行为时序图的空间特征，获得待推荐用户的第二特征向量。

需要说明的是，输入时序图神经网络的行为时序图并不仅限于上述两种实施方式，还可以是将图6a和图6c所示的两个行为时序图均输入时序图神经网络等其他实施方式，对此，本申请不做具体限定。

示例性地，以广告投放场景来说，设定待推荐用户在t1时段点击了广告L，然后在t2时段点击了广告M中的商品并咨询了广告M中的商品。之后在t3时段点击了广告N并购买了广告N中的商品。与待推荐用户关联的广告为广告L、广告M以及广告N，与待推荐用户关联的操作事件为点击、咨询、购买，则以广告L、广告M、广告N、点击、咨询以及购买作为行为时序图的节点。

t1时段对应的行为时序图如图7a所示，节点“广告L”与节点“点击”连接，获得的一条连接边的边属性为t1时段。

t2时段对应的行为时序图如图7b所示，在图7a的基础上，节点“广告M”与节点“咨询”连接，节点“广告M”与节点“点击”连接，获得的两条连接边的边属性为t2时段。

t3时段对应的行为时序图如图7c所示，在图7b的基础上，节点“广告N”与节点“点击”连接，节点“广告N”与节点“购买”连接，获得的一条连接边的边属性为t3时段。

一种可能的实施方式，采用时序图神经网络提取待推荐用户的行为时序图的空间特征时，将图7a至图7c所示的三个行为时序图均输入时序图神经网络，由时序图神经网络提取三个行为时序图的空间特征，获得待推荐用户的第二特征向量。

另一种可能的实施方式，采用时序图神经网络提取待推荐用户的行为时序图的空间特征时，将图7c所示的行为时序图输入时序图神经网络，由时序图神经网络提取行为时序图的空间特征，获得待推荐用户的第二特征向量。

需要说明的是，输入时序图神经网络的行为时序图并不仅限于上述两种实施方式，还可以是将图7a和图7c所示的两个行为时序图均输入时序图神经网络等其他实施方式，对此，本申请不做具体限定。

本申请实施例中，基于待推荐用户的行为序列构建待推荐用户的行为时序图，然后采用时序图神经网络提取行为时序图的空间特征，获得待推荐用户时序上的特征向量，从而更好的描述待推荐用户动态变化的偏好特征，提高向待推荐用户推荐物品的准确性。

可选地，在上述步骤S203，各个候选物品的物品特征至少可以采用以下几种方式获得：

一种可能的实施方式，各个候选物品的物品特征是采用循环神经网络对各个候选物品的描述信息进行特征提取后获得的。

具体实施中，循环神经网络可以是双向循环神经网络(Bidirectional RNN，Bi-RNN)、长短期记忆网络(Long Short-Term Memory networks，LSTM)等。

候选物品的描述信息可以是物品类别、物品价格、物品品牌、物品购买和物品评论等信息。示例性地，设定候选物品为苹果，则该候选物品的描述信息包括：水果、8元每斤、红富士、月销售2000件等信息。

一种可能的实施方式，各个候选物品的物品特征是采用卷积神经网络对各个候选物品的描述信息进行特征提取后获得的。

卷积神经网络至少包括卷积层、激活层以及池化层。将候选物品的描述信息输入卷积层，卷积层通过卷积核对候选物品的描述信息进行特征提取，其中卷积层中的卷积核可以为一个或多个。然后将卷积获得的特征输入激活层，激活层采用激活函数对特征进行非线性调整，然后输入池化层。池化层对调整后的特征进行降采样操作，获得候选物品的物品特征。

采用神经网络模型获取候选物品多维度的物品特征，更好地表征了候选物品的特点，从而提高后续与待推荐用户的偏好特征进行匹配的准确性，提高物品推荐的准确性。

可选地，在上述步骤S204，为待推荐用户推荐物品时，首先将待推荐用户针对物品的偏好特征与每个候选物品的物品特征匹配，获得每个候选物品的匹配权值，然后将匹配权值大于预设阈值的候选物品，确定为推荐给待推荐用户的目标物品。

具体地，可以采用分类层对将待推荐用户针对物品的偏好特征与每个候选物品的物品特征匹配，获得每个候选物品的匹配权值。匹配权值越高，说明待推荐用户当前越偏好该候选物品。具体实施中，分类层可以为全连接层。预设阈值可以根据实际需要进行设定，比如设置为0.8，当候选物品的匹配权值大于0.8时，将该候选物品确定为推荐给待推荐用户的目标物品。

通过将待推荐用户针对物品的偏好特征与每个候选物品的物品特征匹配，获得匹配权值，实现了给每个候选物品进行打分，将分值高的候选物品推荐给待推荐用户，方便待推荐用户找到喜欢的物品，从而提升用户体验。

为了更好地解释本申请实施例，下面以购物场景为例，介绍本申请实施例提供的一种物品推荐方法，该方法的流程由推荐设备执行，该推荐设备可以是图1所示的终端设备101或服务器102，如图8所示，包括以下步骤：

预先获取各个样本用户的属性信息，属性信息包括账号注册时间、性别、年龄、地点等。获取各个样本用户的历史操作事件以及历史操作时间，历史操作事件包括购买、退货、取消订单、收藏、取消收藏、加购等，其中，其中正向转化事件为购买、收藏、加购等，负向转化行为事件为退货、取消订单、取消收藏等。基于各个样本用户的历史操作事件以及历史操作时间构建各个样本对应的样本行为时序图，将样本行为时序图中的正向转化行为事件标记为正样本，将样本行为时序图中的负向转化行为事件标记为负样本。获取各个样本商品的描述信息，样本商品的描述信息可以是商品类别、商品价格、商品品牌、商品购买和商品评论等信息。

采用各个样本用户的属性信息、样本行为时序图以及各个样本商品的描述信息对由卷积神经网络、时序图神经网络以及循环神经网络组成的推荐网络进行联合训练，在训练时，将各个样本用户的属性信息输入卷积神经网络，将各个样本用户的样本行为时序图输入时序图神经网络，将各个样本商品的描述信息输入循环神经网络。

训练结束之后，获取待推荐用户的属性信息，属性信息具体为女、20岁、上海，将待推荐用户的属性信息输入推荐网络中的卷积神经网络，获得待推荐用户的第一特征向量。

获取待推荐用户的历史操作事件以及历史操作时间，具体为：待推荐用户在t1时段购买了商品A和商品B，然后在t2时段将商品B退回了商家，之后在t3时段收藏并购买了商品C。由待推荐用户的历史操作事件可知，与待推荐用户关联的商品为商品A、商品B以及商品C，与待推荐用户关联的操作事件为购买、退货以及收藏，则以商品A、商品B、商品C、购买、退货以及收藏作为行为时序图的节点。然后构建待推荐用户的行为时序图，具体地，t1时段：节点“商品A”与节点“购买”连接，节点“商品B”与节点“购买”连接，获得的两条连接边的边属性为t1时段。t2时段：在t1时段的基础上，节点“商品B”与节点“退货”连接，获得的一条连接边的边属性为t2时段。t3时段：在t2时段的基础上，节点“商品C”与节点“购买”连接，节点“商品C”与节点“收藏”连接，获得的两条连接边的边属性为t3时段。t1时段、t2时段以及t3时段的行为时序图均输入推荐网络中的时序图神经网络，获得待推荐用户的第二特征向量。

将第一特征向量与第二特征向量输入推荐网络中的全联通层，获得待推荐用户针对商品的偏好特征。

获取各个候选商品的描述信息，将各个候选商品的描述信息输入推荐网络中的循环神经网络，获得各个候选商品的商品特征。

最后，将待推荐用户针对商品的偏好特征和各个候选商品的商品特征输入推荐网络中的分类层，获得每个候选商品的匹配权值，将匹配权值大于预设阈值的候选商品，确定为推荐给待推荐用户的目标商品，然后将目标商品推荐给待推荐用户。

本申请实施例中，由于行为序列中的历史操作事件包括正向转化行为事件和负向转化行为事件，且正向转化行为事件与偏好特征正相关，负向转化行为事件与偏好特征负相关，故结合待推荐用户的属性信息以及行为序列对用户进行特征提取时，可以获得更全面的用户偏好特征，进而构建准确性更高的用户画像。进一步地，根据用户偏好特征以及物品的物品特征向用户推荐物品时，能有效提高物品推荐的准确性。

基于相同的技术构思，本申请实施例提供了一种推荐设备的结构示意图，如图9所示，该推荐设备900包括：

获取模块901，用于获取待推荐用户的属性信息以及行为序列，行为序列是按照历史操作时间，对待推荐用户针对各个物品的历史操作事件进行排序后获得的，历史操作事件包括正向转化行为事件和负向转化行为事件；

处理模块902，用于根据待推荐用户的属性信息以及行为序列，确定待推荐用户针对物品的偏好特征，其中，正向转化行为事件与偏好特征正相关，负向转化行为事件与偏好特征负相关；

推荐模块903，用于根据待推荐用户针对物品的偏好特征以及各个候选物品的物品特征，从各个候选物品中确定出推荐给待推荐用户的目标物品。

可选地，处理模块902具体用于：

采用卷积神经网络对待推荐用户的属性信息进行特征提取，获得待推荐用户的第一特征向量；

采用时序图神经网络对行为序列进行特征提取，获得待推荐用户的第二特征向量，时序图神经网络是以样本用户的正向转化行为事件为正样本，以样本用户的负向转化行为事件为负样本训练获得的；

将第一特征向量与第二特征向量融合，获得待推荐用户针对物品的偏好特征。

可选地，处理模块902具体用于：

以各个物品以及操作事件为节点，基于行为序列中待推荐用户针对各个物品的历史操作事件确定边，以行为序列中的历史操作时间为边属性，构建待推荐用户的行为时序图；

采用时序图神经网络提取待推荐用户的行为时序图的空间特征，获得待推荐用户的第二特征向量。

可选地，各个候选物品的物品特征是采用循环神经网络对各个候选物品的描述信息进行特征提取后获得的。

可选地，推荐模块903具体用于：

将待推荐用户针对物品的偏好特征与每个候选物品的物品特征匹配，获得每个候选物品的匹配权值；

将匹配权值大于预设阈值的候选物品，确定为推荐给待推荐用户的目标物品。

基于相同的技术构思，本申请实施例提供了一种计算机设备，如图10所示，包括至少一个处理器1001，以及与至少一个处理器连接的存储器1002，本申请实施例中不限定处理器1001与存储器1002之间的具体连接介质，图10中处理器1001和存储器1002之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。

在本申请实施例中，存储器1002存储有可被至少一个处理器1001执行的指令，至少一个处理器1001通过执行存储器1002存储的指令，可以执行前述物品推荐方法中所包括的步骤。

其中，处理器1001是计算机设备的控制中心，可以利用各种接口和线路连接计算机设备的各个部分，通过运行或执行存储在存储器1002内的指令以及调用存储在存储器1002内的数据，从而向待推荐用户推荐物品。可选的，处理器1001可包括一个或多个处理单元，处理器1001可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1001中。在一些实施例中，处理器1001和存储器1002可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。

处理器1001可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器1002作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1002可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器1002是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器1002还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

基于同一发明构思，本申请实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当程序在计算机设备上运行时，使得计算机设备执行上述物品推荐方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种物品推荐方法，其特征在于，包括：

获取待推荐用户的属性信息以及行为序列，所述行为序列是按照历史操作时间，对所述待推荐用户针对各个物品的历史操作事件进行排序后获得的，所述历史操作事件包括正向转化行为事件和负向转化行为事件；

采用卷积神经网络对所述待推荐用户的属性信息进行特征提取，获得所述待推荐用户的第一特征向量；

以各个物品以及操作事件为节点，基于所述行为序列中所述待推荐用户针对各个物品的历史操作事件确定边，以所述行为序列中的历史操作时间为边属性，构建所述待推荐用户的行为时序图；

采用时序图神经网络提取所述待推荐用户的行为时序图的空间特征，获得所述待推荐用户的第二特征向量，所述时序图神经网络是以样本用户的正向转化行为事件为正样本，以样本用户的负向转化行为事件为负样本训练获得的；

将所述第一特征向量与所述第二特征向量融合，获得所述待推荐用户针对物品的偏好特征，其中，所述正向转化行为事件与所述偏好特征正相关，所述负向转化行为事件与所述偏好特征负相关；

根据所述待推荐用户针对物品的偏好特征以及各个候选物品的物品特征，从各个候选物品中确定出推荐给所述待推荐用户的目标物品。

2.如权利要求1所述的方法，其特征在于，所述各个候选物品的物品特征是采用循环神经网络对各个候选物品的描述信息进行特征提取后获得的。

3.如权利要求1至2任一所述的方法，其特征在于，所述根据所述待推荐用户针对物品的偏好特征以及各个候选物品的物品特征，从各个候选物品中确定出推荐给所述待推荐用户的目标物品，包括：

将所述待推荐用户针对物品的偏好特征与每个候选物品的物品特征匹配，获得每个候选物品的匹配权值；

将匹配权值大于预设阈值的候选物品，确定为推荐给所述待推荐用户的目标物品。

4.一种推荐设备，其特征在于，包括：

获取模块，用于获取待推荐用户的属性信息以及行为序列，所述行为序列是按照历史操作时间，对所述待推荐用户针对各个物品的历史操作事件进行排序后获得的，所述历史操作事件包括正向转化行为事件和负向转化行为事件；

处理模块，用于采用卷积神经网络对所述待推荐用户的属性信息进行特征提取，获得所述待推荐用户的第一特征向量；

以各个物品以及操作事件为节点，基于所述行为序列中所述待推荐用户针对各个物品的历史操作事件确定边，以所述行为序列中的历史操作时间为边属性，构建所述待推荐用户的行为时序图；

采用时序图神经网络提取所述待推荐用户的行为时序图的空间特征，获得所述待推荐用户的第二特征向量，所述时序图神经网络是以样本用户的正向转化行为事件为正样本，以样本用户的负向转化行为事件为负样本训练获得的；

将所述第一特征向量与所述第二特征向量融合，获得所述待推荐用户针对物品的偏好特征，其中，所述正向转化行为事件与所述偏好特征正相关，所述负向转化行为事件与所述偏好特征负相关；

推荐模块，用于根据所述待推荐用户针对物品的偏好特征以及各个候选物品的物品特征，从各个候选物品中确定出推荐给所述待推荐用户的目标物品。

5.如权利要求4所述的推荐设备，其特征在于，所述各个候选物品的物品特征是采用循环神经网络对各个候选物品的描述信息进行特征提取后获得的。

6.如权利要求4至5任一所述的推荐设备，其特征在于，所述推荐模块具体用于：

将所述待推荐用户针对物品的偏好特征与每个候选物品的物品特征匹配，获得每个候选物品的匹配权值；

将匹配权值大于预设阈值的候选物品，确定为推荐给所述待推荐用户的目标物品。

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1～3任一权利要求所述方法的步骤。

8.一种计算机可读存储介质，其特征在于，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行权利要求1～3任一所述方法的步骤。