物品推荐方法、物品推荐装置、设备和介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113781139A(43)申请公布日2021.12.10(21)申请号202011121208.0(22)申请日2020.10.19(71)申请人北京沃东天骏信息技术有限公司地址100176北京市大兴区北京经济技术开发区科创十一街18号院2号楼4层A402室申请人北京京东世纪贸易有限公司(72)发明人王颖帅(74)专利代理机构中科专利商标代理有限责任公司11021代理人刘丽丽(51)Int.Cl.G06Q30/06(2012.01)G06Q10/04(2012.01)G06Q10/06(2012.01)权利要求书3页说明书14页附图4页(54)发明名称物品推荐方法、物品推荐装置、设备和介质(57)摘要本发明实施例提供了一种物品推荐方法，包括：获取用户的特征集合；利用预先训练的深度学习网络对特征集合进行处理，以得到该用户的消费能力预测分数；基于消费能力预测分数确定该用户的消费能力类别；以及，基于针对该消费能力类别的物品信息池，对该用户进行物品推荐。本发明实施例还提供了一种物品推荐装置、计算机设备和介质。CN113781139ACN113781139A权利要求书1/3页1.一种物品推荐方法，包括：获取用户的特征集合；利用预先训练的深度学习网络对所述特征集合进行处理，以得到所述用户的消费能力预测分数；基于所述消费能力预测分数确定所述用户的消费能力类别；以及基于针对所述消费能力类别的物品信息池，对所述用户进行物品推荐。2.根据权利要求1所述的方法，还包括：构建初始网络；获取样本特征集合，并确定所述样本特征集合的标签分数；以及利用所述样本特征集合和所述标签分数，对所述初始网络进行训练，以得到所述预先训练的深度学习网络。3.根据权利要求2所述的方法，其中，所述初始网络包括：嵌入层、特征提取层和输出层，所述特征提取层包括：低阶特征提取子网络，所述低阶特征提取子网络包括线性层和因子分解机；中阶特征提取子网络，所述中阶特征提取子网络包括卷积神经网络和重组层；以及高阶特征提取子网络，所述高阶特征提取子网络包括深度神经网络。4.根据权利要求3所述的方法，其中，所述利用所述样本特征集合和所述标签分数，对所述初始网络进行训练包括：利用所述嵌入层将所述样本特征集合转换为特征向量；利用所述线性层提取所述特征向量的线性特征组合，并利用所述因子分解机提取所述特征向量的二阶交叉特征组合，由所述线性特征组合和所述二阶交叉特征组合构成第一特征；利用所述卷积神经网络提取所述特征向量的局部特征，并利用所述重组层对所述局部特征进行组合，以得到第二特征；利用所述深度神经网络提取所述特征向量的第三特征；由所述输出层基于所述第一特征、第二特征和第三特征，输出所述样本特征集合的消费能力预测分数；基于所述样本特征集合的标签分数和消费能力预测分数，确定所述初始网络的损失值；以及在所述损失值达到收敛的情况下，确定所述初始网络被训练为所述预先训练的深度学习网络。5.根据权利要求4所述的方法，其中，所述利用所述因子分解机提取所述特征向量的二阶交叉特征组合包括：由所述因子分解机基于随机因子Dicefactor机制提取所述二阶交叉特征组合。6.根据权利要求4所述的方法，其中，所述卷积神经网络包括：卷积层和池化层；所述利用所述卷积神经网络提取所述特征向量的局部特征包括：由所述卷积层对所述特征向量进行卷积操作以获得高阶局部特征，并由所述池化层对所述高阶局部特征进行降维操作以获得所述局部特征；所述利用所述重组层对所述局部特征进行组合包括：由所述重组层以全连接方式对所2CN113781139A权利要求书2/3页述局部特征进行组合。7.根据权利要求4所述的方法，其中，所述利用所述深度神经网络提取所述特征向量的第三特征包括：由所述深度神经网络基于多头自注意力机制提取所述第三特征。8.根据权利要求4所述的方法，其中，所述初始网络还包括输入层；所述对所述初始网络进行训练还包括：将所述样本特征集合输入所述输入层，并利用所述输入层对所述样本特征集合进行预处理；所述利用所述嵌入层将所述样本特征集合转换为特征向量包括：利用所述嵌入层将经所述预处理的样本特征集合转换为特征向量。9.根据权利要求4所述的方法，还包括：为所述样本特征集合设置样本权重；所述基于所述样本特征集合的标签分数和消费能力预测分数，确定所述初始网络的损失值包括：基于所述初始网络的损失函数、以及所述样本特征集合的标签分数和消费能力预测分数之间的差异，确定所述样本特征集合的损失值；以及基于所述样本特征集合的样本权重和所述样本特征集合的损失值，确定所述初始网络的损失值。10.根据权利要求9所述的方法，其中，所述获取样本特征集合包括：获取多个样本特征集合；所述方法还包括：在所述确定