商品推荐方法及装置、计算机可读存储介质、电子设备与流程

1.本公开涉及数据处理技术领域，尤其涉及一种商品推荐方法与商品推荐装置、计算机可读存储介质及电子设备。


背景技术：

2.当前互联网技术高速发展，每时每刻都会产生海量信息。如何高效准确的从庞大的数据信息中挖掘捕获到有效的特征进行推荐是非常值得研究的热门问题。并且，近些年电商网站飞速发展，线上购物已经成为人们日常生活中非常重要的部分。各大电商网站的个性化推荐是提升品牌价值、商品销量以及客户体验的重要办法。
3.在个性化推荐中，主流做法是进行用户请求级别的点击率预估。点击率预估有因子分解机模型和深度兴趣网络两个方向。但是这两个方向都无法捕捉用户的动态信息，无法建立用户兴趣之间的关联，而且对基础设施的要求过高，容易造成系统耗时的上涨。
4.鉴于此，本领域亟需开发一种新的商品推荐方法及装置。
5.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。


技术实现要素：

6.本公开的目的在于提供一种商品推荐方法、商品推荐装置、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无法捕获兴趣关联和硬件消耗过大等问题。
7.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。
8.根据本发明实施例的第一个方面，提供一种商品推荐方法，所述方法包括：获取用户的用户编号和目标行为类别信息，并获取与所述用户对应的待推荐商品信息；确定与所述目标行为类别信息对应的行为序列数据，并利用自注意力机制网络提取所述行为序列数据的用户兴趣特征；将所述用户兴趣特征输入至简单循环单元，以使所述简单循环单元输出兴趣表征向量；将所述用户编号、所述兴趣表征向量和所述待推荐商品信息输入至全连接层，得到与所述待推荐商品信息对应的商品评分。
9.在本发明的一种示例性实施例中，所述确定与所述目标行为类别信息对应的行为序列数据，包括：获取与所述目标行为类别信息对应的目标商品信息，并获取与所述目标商品信息对应的行为发生时间；按照所述行为发生时间将所述目标商品信息进行排序，得到行为序列数据。
10.在本发明的一种示例性实施例中，所述获取与所述目标行为类别信息对应的目标商品信息，包括：获取与所述目标行为类别信息对应的商品信息以及与所述商品信息对应的用户行为数；对所述用户行为数进行排序，确定与排序结果对应的商品信息为目标商品信息。
11.在本发明的一种示例性实施例中，所述商品信息包括：商品编号、类目信息、品牌信息和店铺信息。
12.在本发明的一种示例性实施例中，所述对所述用户行为数进行排序，确定与排序结果对应的商品信息为目标商品信息，包括：对所述用户行为数进行排序，得到排序结果；获取所述排序结果中第一预设区间的商品的所述商品编号、所述类目信息、所述品牌信息和所述店铺信息作为目标商品信息。
13.在本发明的一种示例性实施例中，所述对所述用户行为数进行排序，确定与排序结果对应的商品信息为目标商品信息，包括：对所述用户行为数进行排序，得到排序结果；获取所述排序结果中第二预设区间的商品的所述类目信息、所述品牌信息和所述店铺信息作为目标商品信息。
14.在本发明的一种示例性实施例中，所述对所述用户行为数进行排序，确定与排序结果对应的商品信息为目标商品信息，包括：对所述用户行为数进行排序，得到排序结果；获取所述排序结果中除去所述第一预设区间和所述第二预设区间的其他商品的所述品牌信息和所述店铺信息作为目标商品信息。
15.在本发明的一种示例性实施例中，所述将所述用户编号、所述兴趣表征向量和所述待推荐商品信息输入至全连接层，得到与所述待推荐商品信息对应的商品评分，包括：将所述用户编号、所述兴趣表征向量和所述待推荐商品进行拼接处理，得到待输入向量；将所述待输入向量依次输入所述全连接层和归一化指数函数，得到与所述待推荐商品信息对应的商品评分。
16.在本发明的一种示例性实施例中，所述获取用户的用户编号和目标行为类别信息，包括：获取用户的用户编号和所述用户的多个行为类别信息；确定所述多个行为类别信息中的一个作为目标行为类别信息。
17.在本发明的一种示例性实施例中，所述方法还包括：利用损失函数和所述商品评分计算所述待推荐商品信息的损失，以根据所述损失调整所述简单循环单元的参数。
18.根据本发明实施例的第二个方面，提供一种商品推荐装置，所述装置包括：信息获取模块，被配置为获取用户的用户编号和目标行为类别信息，并获取与所述用户对应的待推荐商品信息；特征提取模块，被配置为确定与所述目标行为类别信息对应的行为序列数据，并利用自注意力机制网络提取所述行为序列数据的用户兴趣特征；变化捕捉模块，被配置为将所述用户兴趣特征输入至简单循环单元，以使所述简单循环单元输出兴趣表征向量；评分计算模块，被配置为将所述用户编号、所述兴趣表征向量和所述待推荐商品信息输入至全连接层，得到与所述待推荐商品信息对应的商品评分。
19.根据本发明实施例的第三个方面，提供一种电子设备，包括：处理器和存储器；其中，存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现上述任意示例性实施例的商品推荐方法。
20.根据本发明实施例的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意示例性实施例中的商品推荐方法。
21.由上述技术方案可知，本发明示例性实施例中的商品推荐方法、商品推荐装置、计算机存储介质及电子设备至少具备以下优点和积极效果：
22.在本公开的示例性实施例提供的方法及装置中，一方面建立用户的行为序列数据，更准确的表达用户兴趣，同时带来更高的点击通过率的预测准确性；另一方面，使用自注意力网络和简单循环单元联合建模捕获用户连续的兴趣表征向量，不仅可以建立直接的长距离关系，全局捕获用户行为兴趣，还可以完整刻画用户的独立兴趣点，反映用户偏好随着时间变化的情况。
23.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
24.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1示意性示出本公开示例性实施例中一种商品推荐方法的流程图；
26.图2示意性示出本公开示例性实施例中获取用户编号和目标行为类别信息的方法的流程示意图；
27.图3示意性示出本公开示例性实施例中得到行为序列数据的方法的流程示意图；
28.图4示意性示出本公开示例性实施例中得到目标商品信息的方法的流程示意图；
29.图5示意性示出本公开示例性实施例中第一种确定目标商品信息的方法的流程示意图；
30.图6示意性示出本公开示例性实施例中第二种确定目标商品信息的方法的流程示意图；
31.图7示意性示出本公开示例性实施例中第三种确定目标商品信息的方法的流程示意图；
32.图8示意性示出本公开示例性实施例中得到商品评分的方法的流程示意图；
33.图9示意性示出本公开示例性实施例中应用场景下的商品推荐方法的模型结构图；
34.图10示意性示出本公开示例性实施例中目标行为类别信息的组成结构图；
35.图11示意性示出本公开示例性实施例中激活单元的组成结构图；
36.图12示意性示出本公开示例性实施例中一种商品推荐装置的结构示意图；
37.图13示意性示出本公开示例性实施例中一种用于实现商品推荐方法的电子设备；
38.图14示意性示出本公开示例性实施例中一种用于实现商品推荐方法的计算机可读存储介质。
具体实施方式
39.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许
多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
40.本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
41.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
42.针对相关技术中存在的问题，本公开提出了一种商品推荐方法。图1示出了商品推荐方法的流程图，如图1所示，商品推荐方法至少包括以下步骤：
43.步骤s110.获取用户的用户编号和目标行为类别信息，并获取与用户对应的待推荐商品信息。
44.步骤s120.确定与目标行为类别信息对应的行为序列数据，并利用自注意力机制网络提取行为序列数据的用户兴趣特征。
45.步骤s130.将用户兴趣特征输入至简单循环单元，以使简单循环单元输出兴趣表征向量。
46.步骤s140.将用户编号、兴趣表征向量和待推荐商品信息输入至全连接层，得到与待推荐商品信息对应的商品评分。
47.在本公开的示例性实施例中，一方面建立用户的行为序列数据，更准确的表达用户兴趣，同时带来更高的点击通过率的预测准确性；另一方面，使用自注意力网络和简单循环单元联合建模捕获用户连续的兴趣表征向量，不仅可以建立直接的长距离关系，全局捕获用户行为兴趣，还可以完整刻画用户的独立兴趣点，反映用户偏好随着时间变化的情况。
48.下面对商品推荐方法的各个步骤进行详细说明。
49.在步骤s110中，获取用户的用户编号和目标行为类别信息，并获取与用户对应的待推荐商品信息。
50.在本公开的示例性实施例中，用户编号是指为了搜索、管理的方便，对用户进行编号。该用户编号成为唯一标识用户的一个标志。
51.在可选的实施例中，图2示出了获取用户编号和目标行为类别信息的方法的流程示意图，如图2所示，该方法至少可以包括以下步骤：在步骤s210中，获取用户的用户编号和用户的多个行为类别信息。多个行为类别信息可以是收集到的用户对商品的历史行为的类别信息。举例而言，多个行为类别信息可以包括点击、加购和下单等，还可以包括其他类别信息，本示例性实施例对此不做特殊限定。
52.在步骤s220中，确定多个行为类别信息中的一个作为目标行为类别信息。举例而言，可以在用户的多种行为类别信息中选择点击作为目标行为类别信息，也可以选择其他行为类别作为目标行为类别信息，本示例性实施例对此不做特殊限定。
53.在本示例性实施例中，通过收集用户的目标行为类别信息可以为进一步确定目标
商品的感兴趣程度提供数据基础，并且获取方式简单，确定方式准确且人性化。
54.进一步的，还要获取要为用户进行推荐的待推荐商品信息。该待推荐商品信息可以包括商品编号、类目信息、品牌信息和店铺信息中的一种或多种。将各个维度的信息进行映射并且拼接可以得到待推荐商品信息。具体的，通过concat函数进行拼接，如公式(1)所示：
55.e
item
＝concat(e
sku
,e
brand
,e
cate
,e
shop
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
56.其中，e
sku
表示商品编号，e
cate
表示类目信息，e
brand
表示品牌信息，e
shop
表示店铺信息。
57.在步骤s120中，确定与目标行为类别信息对应的行为序列数据，并利用自注意力机制网络提取行为序列数据的用户兴趣特征。
58.在本公开的一种示例性实施例中，行为序列数据可以是根据目标行为类别信息得到的。
59.在可选的实施例中，图3示出了得到行为序列数据的方法的流程示意图，如图3所示，该方法至少可以包括以下步骤：在步骤s310中，获取与目标行为类别信息对应的目标商品信息以及与目标商品信息对应的行为发生时间。对于电商场景下，商品量规模在亿级别，并且由于不同的商品的热度不同，用户在热门商品的行为数据更加丰富，冷门商品可能几乎没有行为涉及。因此，可以对目标商品信息进行弹性聚合，亦即与目标行为类别信息对应的目标商品信息可以有一个，也可以有多种。
60.对于不同商品的目标商品信息可以根据用户的行为数进行确定，以实现弹性聚合的准确性。
61.在可选的实施例中，图4示出了得到目标商品信息的方法的流程示意图，如图4所示，该方法至少可以包括以下步骤：在步骤s410中，获取与目标行为类别信息对应的商品信息以及与商品信息对应的用户行为数。
62.在可选的实施例中，商品信息包括商品编号、类目信息、品牌信息和店铺信息。其中，商品编号可以是最细粒度的商品信息，类目信息可以是中等粒度的商品信息，品牌信息和店铺信息可以是最粗粒度的商品信息。
63.其中，用户行为数可以是针对某一商品所有用户产生的行为数据。举例而言，用户行为数可以是用户对商品的点击量。因此，用户行为数可以反映商品的热门程度。
64.在步骤s420中，对用户行为数进行排序，确定与排序结果对应的商品信息为目标商品信息。举例而言，对某一商品的点击量进行排序，可以得到对应的排序结果以确定目标商品信息。
65.图5、图6和图7分别示出了三种热门程度的商品对应的目标商品信息的确定方法。
66.在可选的实施例中，图5示出了第一种确定目标商品信息的方法的流程示意图，如图5所示，该方法至少可以包括以下步骤：在步骤s510中，对用户行为数进行排序，得到排序结果。鉴于用户行为数可以在数据上反映商品的热门程度，因此，对用户行为数据进行降序或者升序排列，可以得到商品从热门到冷门或者从冷门到热门的排序结果。
67.在步骤s520中，获取排序结果中第一预设区间的商品的商品编号、类目信息、品牌信息和店铺信息作为目标商品信息。第一预设区间可以是预先设置的，用来在排序结果中确定最热门商品的区间。举例而言，当排序结果为从热门商品到冷门商品的结果，可以确定
第一预设区间为top80％，亦即选取到排在最前列的前80％的商品作为热门商品。
68.进一步的，将热门商品的商品编号、类目信息、品牌信息和店铺信息均作为该商品的目标商品信息。
69.在本示例性实施例中，通过第一预设区间可以选择出最热门商品，并保留最细粒度的商品信息，完善热门商品的商品信息，进一步使目标商品的感兴趣程度评分更加准确。
70.在可选的实施例中，图6示出了第二种确定目标商品信息的方法的流程示意图，如图6所示，该方法至少包括以下步骤：在步骤s610中，对用户行为数进行排序，得到排序结果。鉴于用户行为数可以在数据上反映商品的热门程度，因此，对用户行为数据进行降序或者升序排列，可以得到商品从热门到冷门或者从冷门到热门的排序结果。
71.在步骤s620中，获取排序结果中第二预设区间的商品的类目信息、品牌信息和店铺信息作为目标商品信息。第二预设区间可以是预先设置的，用来在排序结果中确定较为热门的商品的区间。并且，第二预设区间可以是在第一预设区间已经筛选过后进一步确定的。举例而言，当排序结果为从热门商品到冷门商品的结果，且确定第一预设区间为前80％时，可以进一步在剩余的20％中再选取80％的商品作为第二预设区间对应的商品。除此之外，也可以是直接确定的第二预设区间，还可以是根据实际需求计算出的第二预设区间，本示例性实施例对此不做特殊限定。
72.进一步的，将较为热门商品的类目信息、品牌信息和店铺信息作为目标商品信息。
73.在本示例性实施例中，通过第二预设区间可以选择出较为热门商品，并保留中等粒度的商品信息，完善较热门商品的商品信息，进一步使目标商品的感兴趣程度评分更加准确。
74.在可选的实施例中，图7示出了第三种确定目标商品信息的方法的流程示意图，如图7所示，该方法至少可以包括以下步骤：在步骤s710中，对用户行为数进行排序，得到排序结果。鉴于用户行为数可以在数据上反映商品的热门程度，因此，对用户行为数据进行降序或者升序排列，可以得到商品从热门到冷门或者从冷门到热门的排序结果。
75.在步骤s720中，获取排序结果中除去第一预设区间和第二与预设区间的其他商品的品牌信息和店铺信息作为目标商品信息。在提取第一预设区间的热门商品和第二预设区间的较为热门商品之后，剩余的其他商品均为冷门商品。这些冷门商品的点击量等用户行为数不足，无需获取全部的目标商品信息，因此，可以仅获取对应的品牌信息和店铺信息作为目标商品信息。
76.在本示例性实施例中，通过提取第一预设区间和第二预设区间中的商品确定冷门商品，并保留粗粒度的商品信息，完善冷门商品的商品信息，在节省工作量的同时，进一步使目标商品的感兴趣程度评分更加准确
77.在本示例性实施例中，给出了三种针对热门程度不同的商品的目标商品信息的确定方法，可以根据受欢迎程度准确得到对应的目标商品信息。用户行为的弹性聚合映射处理，保留热门商品的细粒度，聚合冷门商品的粗粒度，保证映射后的目标商品信息能够训练充分，并且联合建模行为加静态属性信息解决了稀疏长尾商品和新上架商品的冷启动问题，保证每个商品都能够找到对应训练充分的信息。
78.在确定目标商品信息之后，可以进一步获取与该目标商品信息对应的用户的行为发生时间。
79.在步骤s320中，按照行为发生时间将目标商品信息进行排序，得到行为序列数据。具体的，根据行为发生时间对目标商品信息进行整理，生成日志数据。并且，按照行为发生时间进行排序，将排序结果确定为对应的行为序列数据。
80.举例而言，行为序列数据可以是点击序列数据，该点击序列数据的形式如公式(2)所示：
81.b
u
＝[i
t
],t∈(1,n
browse
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0082]
其中，n
browse
表示截取用户最近的行为个数，i
t
表示t时刻的商品。
[0083]
在本示例性实施例中，利用行为发生时间将目标商品信息进行排序得到行为序列数据，关注电商系统中的用户行为序列的变化过程，更准确的表达用户的兴趣，同时带来更高的点击通过率的预估准确性。
[0084]
在得到用户的行为序列数据之后，可以进一步提取用户的兴趣特征。
[0085]
具体的，可以利用自注意力机制网络提取行为序列数据的用户兴趣特征。注意力机制网络是对人类视觉机制的模仿。人类视觉机制通过快速扫描全局图像，获得需要重点关注的目标区域，也就是一般所说的注意力焦点，而后对这一目标区域投入更多的注意力资源，以获取更多所需要关注目标的细节信息，而抑制其他无用信息。由此可见，注意力机制是一种将内部经验和外部感觉对齐从而增加目标区域的观察精细度的机制，可以快读提取稀疏数据的重要特征。而自注意力机制还是注意力机制的改进，减少了对外部信息的依赖，更擅长捕捉数据或者特征的内部关联。
[0086]
在步骤s130中，将用户兴趣特征输入至简单循环单元，以使简单循环单元输出兴趣表征向量。
[0087]
在本公开的一种示例性实施例中，简单循环单元(simple recurrent units，简称sru)是循环神经网络的一个变体，或者说简单循环单元是循环圣经网络的一种特殊类型。
[0088]
将多组(至少两组)使用行为发生时间中采样时刻对应的用去兴趣特征作为训练样本，输入至简单循环单元中进行训练，以使简单循环单元输出兴趣表征向量。
[0089]
简单循环单元包括遗忘门f
t
、重置门r
t
、记忆单元c
t
和输出状态单元h
t
，分别可以通过公式(3)～公式(7)得到。具体的：
[0090][0091]
f
t
＝σ(w
f
x
t
b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0092]
r
t
＝σ(w
r
x
t
b
r
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0093][0094]
h
t
＝r
t
⊙
g(c
t
) (1-r
t
)
⊙
x
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0095]
其中，(w,w
f
,w
r
,b
f
,b
r
)为权重变量；
⊙
符号表示对应元素相乘，c
t-1
为上一单元计算输出，经过计算得到输出h
t
/c
t
，亦即兴趣表征向量。
[0096]
在步骤s140中，将用户编号、兴趣表征向量和待推荐商品信息输入至全连接层，得到与待推荐商品信息对应的商品评分。
[0097]
在本公开的一种示例性实施例中，在将用户编号、兴趣表征向量和待推荐商品信息输入至全连接层之前，还需要对三者进行拼接处理。
[0098]
在可选的实施例中，图8示出了得到商品评分的方法的流程示意图，如图8所示，该
方法至少可以包括以下步骤：在步骤s810中，将用户编号、兴趣表征向量和待推荐商品信息进行拼接处理，得到待输入向量。具体的，可以通过concat函数进行拼接处理，也可以通过其他方式进行拼接，本示例性实施例对此不做特殊限定。
[0099]
在步骤s820中，将待输入向量依次输入全连接层和归一化指数函数，得到与待推荐商品信息对应的商品评分。该商品评分可以表征用户对待推荐商品的感兴趣程度，以确定是否要推荐给用户或者推荐的具体方式等。
[0100]
具体的，对待输入向量的处理方式如公式(8)所示：
[0101]
score＝softmax(relu((x b))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0102]
其中，x＝concat(user
profile
,user
embedding
,i
target
,vec
context
)，亦即x为待输入向量。
[0103]
在本示例性实施例中，通过对拼接后的待处理向量进行分类，可以得到待推荐商品信息的商品评分，计算方式简单准确，并且适用性极强。
[0104]
更进一步的，为使该评分确定模型的准确度更高，可以确定待推荐商品的计算损失。
[0105]
在可选的实施例中，利用损失函数和商品评分计算待推荐商品信息的损失，以根据损失调整简单循环单元的参数。
[0106]
具体的，待推荐商品的损失可以通过公式(9)进行计算：
[0107]
loss＝-y*log(score)-(1-y)log(1-score)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0108]
其中，y为待推荐商品是否被用户点击的标签。
[0109]
下面结合一应用场景对本公开实施例中的商品推荐方法做出详细说明。
[0110]
图9示出了应用场景下的商品推荐方法的模型结构图，如图9所示，获取用户编号、目标行为类别信息和待推荐商品信息。
[0111]
其中，图10示出了目标行为类别信息的组成结构图，如图10所示，目标行为类别信息中可以包括商品编号、类目信息、品牌信息和店铺信息。
[0112]
进一步的，将得到的四个目标行为类别信息按照行为发生时间进行排序得到对应的四个行为序列数据。然后，将行为序列数据输入至自注意力机制网络中，提取用户兴趣特征。
[0113]
将提取到的四种用户兴趣特征输入至简单循环单元中，以使该简单循环单元输出兴趣表征向量。
[0114]
在应用场景下，还可以设置一激活单元。
[0115]
图11示出了激活单元的组成结构图，如图11所示，该激活单元可以将输入兴趣表征向量和待推荐商品信息，除了将输入兴趣特征向量与待推荐商品信息进行连接之外，还会将二者共同生成的向量进行连接，以输出对应的输出向量。
[0116]
在对目标行为类别信息处理结束之后，可以将用户编号、激活单元输出的输出向量和其他特征向量共同依次输入至全连接层和归一化指数函数中，以得到待推荐商品的商品评分。
[0117]
在本公开的示例性实施例中，一方面建立用户的行为序列数据，更准确的表达用户兴趣，同时带来更高的点击通过率的预测准确性；另一方面，使用自注意力网络和简单循环单元联合建模捕获用户连续的兴趣表征向量，不仅可以建立直接的长距离关系，全局捕获用户行为兴趣，还可以完整刻画用户的独立兴趣点，反映用户偏好随着时间变化的情况。
[0118]
此外，在本公开的示例性实施例中，还提供一种商品推荐装置。图12示出了商品推荐装置的结构示意图，如图12所示，商品推荐装置1200可以包括：信息获取模块1210、特征提取模块1220、变化捕捉模块1230和评分计算模块1240。其中：
[0119]
信息获取模块1210，被配置为获取用户的用户编号和目标行为类别信息，并获取与用户对应的待推荐商品信息；特征提取模块1220，被配置为确定与目标行为类别信息对应的行为序列数据，并利用自注意力机制网络提取行为序列数据的用户兴趣特征；变化捕捉模块1230，被配置为将用户兴趣特征输入至简单循环单元，以使简单循环单元输出兴趣表征向量；评分计算模块1240，被配置为将用户编号、兴趣表征向量和待推荐商品信息输入至全连接层，得到与待推荐商品信息对应的商品评分。
[0120]
上述商品推荐装置1200的具体细节已经在对应的商品推荐方法中进行了详细的描述，因此此处不再赘述。
[0121]
应当注意，尽管在上文详细描述中提及商品推荐装置1200的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0122]
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
[0123]
下面参照图13来描述根据本发明的这种实施例的电子设备1300。图13显示的电子设备1300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0124]
如图13所示，电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于：上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330、显示单元1340。
[0125]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1310执行，使得所述处理单元1310执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
[0126]
存储单元1320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)1321和/或高速缓存存储单元1322，还可以进一步包括只读存储单元(rom)1323。
[0127]
存储单元1320还可以包括具有一组(至少一个)程序模块1325的程序/实用工具1324，这样的程序模块1325包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0128]
总线1330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0129]
电子设备1300也可以与一个或多个外部设备1500(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1300交互的设备通信，和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1350进行。并且，电子设备1300还可以通过网络适配器1360与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1340通过总线1330与电子设备1300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1300使用其它硬件和/或软件
模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0130]
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
[0131]
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
[0132]
参考图14所示，描述了根据本发明的实施例的用于实现上述方法的程序产品1400，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0133]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0134]
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0135]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0136]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0137]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其
他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。