物品推荐方法、装置、电子设备及存储介质与流程

1.本发明涉及金融科技领域，特别是涉及一种物品推荐方法、装置、电子设备及存储介质。


背景技术：

2.随着互联网技术的发展，在通过互联网进行购物时，越来越多的应用程序中涉及物品推荐功能，一些电商平台可以基于账号的历史点击操作，主动向账号推荐其可能感兴趣的物品，但是，这种物品推荐方式并不适用于新账号，即应用程序将无法准确预测出新账号感兴趣的物品，因此，如何准确预测出新账号感兴趣的物品，是亟待解决的一个问题。


技术实现要素：

3.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
4.本发明实施例提供了一种物品推荐方法、装置、电子设备及存储介质，能够准确预测出新账号感兴趣的物品，更加准确地向新账号进行物品推荐，提升新账号的购物效率。
5.第一方面，本发明实施例提供了一种物品推荐方法，包括：
6.获取多个待推荐物品的物品属性信息；
7.确定所述待推荐物品对应的目标推荐对象，获取所述目标推荐对象对应的对象属性信息以及所述目标推荐对象对应的上下文信息；
8.对所述物品属性信息、所述对象属性信息和所述上下文信息进行向量化处理，得到所述物品属性信息对应的第一特征向量、所述对象属性信息对应的第二特征向量和所述上下文信息对应的第三特征向量；
9.对所述第一特征向量、所述第二特征向量和所述第三特征向量中的任意两个进行特征交叉处理，得到第四特征向量；
10.将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到目标特征向量，将所述目标特征向量输入至深度学习网络进行映射处理，得到所述待推荐物品的倾向性得分；
11.根据所述倾向性得分从多个所述待推荐物品中确定目标推荐物品，对所述目标推荐物品进行推荐。
12.在一些实施例，所述对所述物品属性信息、所述对象属性信息和所述上下文信息进行向量化处理，得到所述物品属性信息对应的第一特征向量、所述对象属性信息对应的第二特征向量和所述上下文信息对应的第三特征向量，包括：
13.确定所述物品属性信息对应的第一初始特征序列、所述对象属性信息对应的第二初始特征序列以及所述上下文信息对应的第三初始特征序列；
14.将所述第一初始特征序列、所述第二初始特征序列和所述第三初始特征序列输入至因子分解器，对所述第一初始特征序列、所述第二初始特征序列和所述第三初始特征序
列进行向量化处理，得到所述第一初始特征序列对应的第一特征向量、所述第二初始特征序列对应的第二特征向量和所述第三初始特征序列对应的第三特征向量。
15.在一些实施例，所述对所述第一特征向量、所述第二特征向量和所述第三特征向量中的任意两个进行特征交叉处理，得到第四特征向量，包括：
16.将所述第一特征向量作为因子分解器的第一一阶特征序列，将所述第二特征向量作为所述因子分解器的第二一阶特征序列，将所述第三特征向量作为所述因子分解器的第三一阶特征序列；
17.将所述第一一阶特征序列、所述第二一阶特征序列和所述第三一阶特征序列输入至所述因子分解器，对所述第一一阶特征序列、所述第二一阶特征序列和所述第三一阶特征序列中的任意两个进行特征交叉处理，得到所述因子分解器的二阶特征序列；
18.将所述二阶特征序列作为所述第四特征向量。
19.在一些实施例，所述对象属性信息包括历史点击记录，所述将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到目标特征向量，包括：
20.根据所述历史点击记录确定所述目标推荐对象点击过的历史推荐物品，获取所述历史推荐物品的历史特征向量；
21.将所述历史特征向量和所述第一特征向量输入至注意力网络，确定各个所述第一特征向量的权重值，根据所述权重值与所述第一特征向量之间的乘积得到所述待推荐物品的加权特征向量；
22.将所述加权特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到目标特征向量。
23.在一些实施例，所述根据所述历史点击记录确定所述目标推荐对象点击过的历史推荐物品，包括：
24.将所述历史点击记录中存在所述历史推荐物品的对象属性信息对应的目标推荐对象确定为第一推荐对象，将所述历史点击记录中不存在所述历史推荐物品的对象属性信息对应的目标推荐对象确定为第二推荐对象；
25.计算所述第二推荐对象与所述第一推荐对象之间的信息相似度；
26.当所述信息相似度大于或者等于预设相似度，将所述第一推荐对象点击过的历史推荐物品作为所述第二推荐对象的历史推荐物品。
27.在一些实施例，所述将所述历史特征向量和所述第一特征向量输入至注意力网络，确定各个所述第一特征向量的权重值，包括：
28.将所述历史特征向量和所述第一特征向量输入至注意力网络，基于所述注意力网络确定所述历史特征向量与所述第一特征向量之间的向量相似度；
29.根据所述向量相似度确定各个所述第一特征向量的权重值。
30.在一些实施例，所述将所述目标特征向量输入至深度学习网络进行映射处理，得到所述待推荐物品的倾向性得分，包括：
31.将所述目标特征向量输入至预先训练好的所述深度学习网络，对所述目标特征向量进行非线性变换处理，得到输出层特征向量；
32.利用激活函数对所述输出层特征向量进行激活处理，得到所述待推荐物品的倾向
性得分。
33.第二方面，本发明实施例还提供了一种物品推荐装置，包括：
34.第一信息获取模块，用于获取多个待推荐物品的物品属性信息；
35.第二信息获取模块，用于确定所述待推荐物品对应的目标推荐对象，获取所述目标推荐对象对应的对象属性信息以及所述目标推荐对象对应的上下文信息；
36.向量化处理模块，用于对所述物品属性信息、所述对象属性信息和所述上下文信息进行向量化处理，得到所述物品属性信息对应的第一特征向量、所述对象属性信息对应的第二特征向量和所述上下文信息对应的第三特征向量；
37.特征交叉处理模块，用于对所述第一特征向量、所述第二特征向量和所述第三特征向量中的任意两个进行特征交叉处理，得到第四特征向量；
38.倾向性得分生成模块，用于将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到目标特征向量，将所述目标特征向量输入至深度学习网络进行映射处理，得到所述待推荐物品的倾向性得分；
39.物品推荐模块，用于根据所述倾向性得分从多个所述待推荐物品中确定目标推荐物品，对所述目标推荐物品进行推荐。
40.第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的物品推荐方法。
41.第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如第一方面所述的物品推荐方法。
42.本发明实施例至少包括以下有益效果：
43.本发明实施例提出的一种物品推荐方法，通过对多个物品属性信息、对象属性信息和上下文信息进行向量化处理，能够刻画待推荐物品的全部特征、目标推荐对象的全部特征以及上下文信息的全部特征；然后通过对物品属性信息对应的第一特征向量、对象属性信息对应的第二特征向量和上下文信息对应的第三特征向量中的任意两个进行特征交叉处理，能够增加目标推荐对象在其他纬度上的特征，进而能够有效地挖掘目标推荐对象的偏好；再通过将第一特征向量、第二特征向量、第三特征向量和第四特征向量进行融合，以及通过将目标特征向量输入至深度学习网络进行映射处理，能够得到待推荐物品的倾向性得分，进而能够根据该倾向性得分从多个待推荐物品中准确预测出新账号感兴趣的目标推荐物品，更加准确地向新账号进行物品推荐，提升新账号的购物效率。
44.本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
45.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
46.图1为本发明实施例提供的一种实施环境的示意图；
47.图2为本发明个实施例提供的物品推荐方法的流程示意图；
48.图3为图2中步骤203的一种具体方法的流程示意图；
49.图4为图2中步骤204的一种具体方法的流程示意图；
50.图5为图2中步骤205的一种具体方法的流程示意图；
51.图6为图5中步骤501的一种具体方法的流程示意图；
52.图7为图5中步骤502的一种具体方法的流程示意图；
53.图8为图2中步骤205的另一种具体方法的流程示意图；
54.图9为本发明实施例提供的物品推荐装置的结构示意图；
55.图10为本发明实施例提供的电子设备的结构示意图。
具体实施方式
56.为了使本发明的目的、技术方案及优点更加清楚明白，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用以解释本发明，并不用于限定本发明。
57.应了解，在本发明实施例的描述中，若干个的含义是一个以上，多个(或多项)的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到“第一”、“第二”等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
58.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
59.首先，对本技术中涉及的若干名词进行解析：
60.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能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，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。
61.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、自动驾驶、智慧交通等几大方向。
62.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、示
教学习等技术。
63.自然语言处理(natural language processing，nlp)：nlp用计算机来处理、理解以及运用人类语言(如中文、英文等)，nlp属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息检索、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
64.医疗云(medical cloud)：医疗云是指在云计算、移动技术、多媒体、4g通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合，医疗云提高医疗机构的效率，方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。
65.embedding：embedding layer是与特定自然语言处理上的神经网络模型联合学习的单词嵌入。该嵌入方法将清理好的文本中的单词进行one hot编码(热编码)，向量空间的大小或维度被指定为模型的一部分，例如50、100或300维。向量以小的随机数进行初始化。embedding layer用于神经网络的前端，并采用反向传播算法进行监督。被编码过的词映射成词向量，如果使用多层感知器模型mlp，则在将词向量输入到模型之前被级联。如果使用循环神经网络rnn，则可以将每个单词作为序列中的一个输入。这种学习嵌入层的方法需要大量的培训数据，可能很慢，但是可以学习训练出既针对特定文本数据又针对nlp的嵌入模型。embedding是一种向量表征，是指用一个低维的向量表示一个物体，该物体可以是一个词，或是一个商品，或是一个电影等等；这个embedding向量的性质是能使距离相近的向量对应的物体有相近的含义。embedding实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。embedding能够用低维向量对物体进行编码还能保留其含义，常应用于机器学习，在机器学习模型构建过程中，通过把物体编码为一个低维稠密向量再传给dnn，以提高效率。
66.应了解，本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能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。
67.目前，在金融业务场景或者医疗业务场景等各种应用场景下，常用的账号冷启动的方法可以包括基于领域的全局热度、基于交叉领域的全局热度、基于账号基础画像的标签热度召回等，但这些方法都有比较明显的劣势，比如，基于领域的全局热度，其反映的是整体的热度，缺乏个性化，且与账号的相关性较弱，长此以往，不利于新物品的推荐；又如，基于交叉领域的全局热度，账号在某领域没有对象属性信息，但在其他领域有对象属性信息，例如，假设某账号在平台a没有对象属性信息，但是在平台a的产品代理人触达软件b后，平台a就拥有了该账号的对象属性信息，而且还可以通过不同账号之间共有的对象属性信息，将不同领域的账号映射到同一个向量空间，然后通过软件b提升平台a的新账号冷启动的效果。但是，基于交叉领域的全局热度同样存在缺点，比如，交叉领域的账号的对象属性
信息与本域的账号的对象属性信息之间存在差异性，而且若将不同领域的账号映射到同一个向量空间，需要打通不同平台之间的数据通道，这会提高信息处理的复杂度；再如，基于账号基础画像属性的热度，新账号有部分的基础属性信息，例如，性别、年龄以及学历状况等，可以根据这些属性维度，组合成多属性的热度结果，再根据热度结果将待推荐物品推荐给账号，可见基于账号基础画像属性的热度有一定的个性化，但其粒度过粗，缺乏代表性和泛化性，因此，同样不利于新物品的推荐。
68.综上，在金融业务场景或者医疗业务场景等各种应用场景下，常用的账号冷启动的方法只能做到基于数据统计的热度，无法衡量到账号与物品之间的相似度，缺乏个性化。
69.基于此，本发明实施例提供了一种物品推荐方法、装置、电子设备及存储介质，能够准确预测出新账号感兴趣的物品。
70.本发明实施例提供的物品推荐方法、装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本公开实施例中的物品推荐方法。
71.参照图1，图1为本发明实施例提供的一种实施环境的示意图，该实施环境包括终端101和服务器102，其中，终端101和服务器102之间通过通信网络103连接。
72.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、cdn(content delivery network，内容分发网络)、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。
73.另外，服务器102还可以是区块链网络中的一个节点服务器。
74.终端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、车载终端等，但并不局限于此。终端101以及服务器102可以通过有线或无线通信方式进行直接或间接地连接，本发明实施例在此不做限制。
75.基于图1所示的实施环境，本发明实施例提供了一种物品推荐方法，该物品推荐方法可以由图1所示的服务器102执行，也可以由图1所示的终端101执行，或者由图1所示的终端101和服务器102配合执行，本发明实施例以该物品推荐方法由图1所示的服务器102执行为例进行说明。
76.参照图2，图2为本发明实施例提供的物品推荐方法的流程示意图，该物品推荐方法包括但不限于以下步骤201至步骤206。
77.步骤201：获取多个待推荐物品的物品属性信息；
78.步骤202：确定待推荐物品对应的目标推荐对象，获取目标推荐对象对应的对象属性信息以及目标推荐对象对应的上下文信息；
79.步骤203：对物品属性信息、对象属性信息和上下文信息进行向量化处理，得到物品属性信息对应的第一特征向量、对象属性信息对应的第二特征向量和上下文信息对应的第三特征向量；
80.步骤204：对第一特征向量、第二特征向量和第三特征向量中的任意两个进行特征交叉处理，得到第四特征向量；
81.步骤205：将第一特征向量、第二特征向量、第三特征向量和第四特征向量进行融合，得到目标特征向量，将目标特征向量输入至深度学习网络进行映射处理，得到待推荐物品的倾向性得分；
82.步骤206：根据倾向性得分从多个待推荐物品中确定目标推荐物品，对目标推荐物品进行推荐。
83.在一种可能的实现方式中，待推荐物品可以包括金融产品、医疗产品以及其他产品，其中，金融产品可以指未来出现的新型的理财产品，也可以是指具有经济价值可进行公开交易或兑现的非实物资产(即有价证券)。
84.示例性的，金融产品包括但不局限于汇票产品、基金产品、股票产品、期货产品、债券产品、黄金产品、理财产品以及保险产品。示例性的，债券产品的物品属性信息可以包括涨幅、现价、买入价、卖出价、总量、均价以及活跃度等等；又如，保险产品的物品属性信息可以包括价格、保险额度以及保险类型等等，在此不再一一列举。
85.示例性的，医疗产品可以包括医疗药品、医疗器械、医疗服务等等，其中，医疗药品可以包括与目标推荐对象的身体状况相匹配的药品，医疗器械可以包括带有心率监测的可穿戴设备等产品，医疗服务可以包括医生的挂号服务等等，在此不再一一列举。
86.在一种可能的实现方式中，对象属性信息可以包括性别、年龄、职业、婚姻状况、爱好、交易数据、购物数据、历史点击记录、不同时刻的体检报告数据、运动数据、饮食数据以及体征数据等等，比如，当待推荐物品为汽车，那么对象属性信息可以是性别、年龄、职业、所爱好的车类型、车贷款金融产品的使用记录和消费记录等等；又如，当待推荐物品为医疗产品，对象属性信息可以是不同时刻的体检报告数据、运动数据、饮食数据以及体征数据等等，在此不再一一列举。
87.在一种可能的实现方式中，目标推荐对象对应的对象属性信息可以从医疗系统服务器、支付平台系统服务器、铁路系统服务器、旅游管理系统服务器以及交通管理系统服务器等数据库中获取，在此不作具体限制。
88.在一种可能的实现方式中，目标推荐对象对应的上下文信息可以包括时间、应用场景和位置信息等，比如，假设待推荐物品为手机，那么目标推荐对象对应的上下文信息可以是待推荐物品的型号、消费时间和消费场所等。示例性的，应用场景为金融业务场景，时间为3010年11月2日，位置信息为a商城，目标推荐对象b购买过c型号的手机，在此不作具体限制。
89.在一种可能的实现方式中，可以根据待推荐物品的倾向性得分，对多个待推荐物品进行排序，比如，倾向性得分越高的待推荐物品，其排序越靠前。进一步地，可以在多个待推荐物品中选择倾向性得分最高的待推荐物品作为目标推荐物品，对该目标推荐物品进行推荐；或者，可以在多个待推荐物品中选择倾向性得分最高的前三个待推荐物品作为目标推荐物品，对该目标推荐物品进行推荐，等等，在此不作具体限制。可以理解的是，目标推荐物品可以是1个或者多个，在此不作具体限制。
90.可以理解的是，倾向性得分与目标推荐对象的偏好程度有关，倾向性得分越高的待推荐物品，表明目标推荐对象对其的偏好程度越高；反之，倾向性得分越低的待推荐物品，表明目标推荐对象对其的偏好程度越低。
91.例如，可以在终端上运行药品购物应用程序，并登录使用者的账号，此时待推荐物品为多种药品。基于此，可以获取各种药品的物品属性信息，此时对应的目标推荐对象为当前登录的账号，获取当前登录的账号的对象属性信息以及上下文信息，将当前登录的账号的对象属性信息以及上下文信息，进行向量化处理，得到物品属性信息对应的第一特征向
量、对象属性信息对应的第二特征向量和上下文信息对应的第三特征向量，将第一特征向量、第二特征向量、第三特征向量和第四特征向量进行融合，得到目标特征向量，将目标特征向量输入至深度学习网络进行映射处理，得到各种药品的倾向性得分，根据倾向性得分对多种药品进行排序，从排序后的多种药品中选择排名位于前若干位的药品，在药品购物应用程序中进行推荐。
92.本实施例中，通过采用包括有上述步骤201至步骤206的物品推荐方法，通过对多个物品属性信息、对象属性信息和上下文信息进行向量化处理，能够刻画待推荐物品的全部特征、目标推荐对象的全部特征以及上下文信息的全部特征；然后通过对物品属性信息对应的第一特征向量、对象属性信息对应的第二特征向量和上下文信息对应的第三特征向量中的任意两个进行特征交叉处理，能够增加目标推荐对象在其他纬度上的特征，进而能够有效地挖掘目标推荐对象的偏好；再通过将第一特征向量、第二特征向量、第三特征向量和第四特征向量进行融合，以及通过将目标特征向量输入至深度学习网络进行映射处理，能够得到待推荐物品的倾向性得分，进而能够根据该倾向性得分从多个待推荐物品中准确预测出新账号感兴趣的目标推荐物品，更加准确地向新账号进行物品推荐，提升新账号的购物效率。
93.在一种可能的实现方式中，本发明实施例引入采用因子分解器以得到物品属性信息对应的第一特征向量、对象属性信息对应的第二特征向量和上下文信息对应的第三特征向量。参照图3，图3为本发明实施例提供的对物品属性信息、对象属性信息和上下文信息进行向量化处理的流程示意图，上述步骤203中，对物品属性信息、对象属性信息和上下文信息进行向量化处理，得到物品属性信息对应的第一特征向量、对象属性信息对应的第二特征向量和上下文信息对应的第三特征向量，具体可以包括以下步骤301至步骤302。
94.步骤301：确定物品属性信息对应的第一初始特征序列、对象属性信息对应的第二初始特征序列以及上下文信息对应的第三初始特征序列；
95.步骤302：将第一初始特征序列、第二初始特征序列和第三初始特征序列输入至因子分解器，对第一初始特征序列、第二初始特征序列和第三初始特征序列进行向量化处理，得到第一初始特征序列对应的第一特征向量、第二初始特征序列对应的第二特征向量和第三初始特征序列对应的第三特征向量。
96.具体地，假设对象属性信息包括性别、年龄以及运动数据，其中，性别可以用特征向量“1”和“0”表示，“1”表示性别“男”、“0”表示性别“女”；年龄用特征向量“2”、“3”、“4”表示，“2”表示0～30岁的年龄段，“3”表示31～60岁的年龄段，“4”表示61岁以上的年龄段；运动数据用特征向量“5”、“6”、“7”表示，“5”表示运动强度过低，“6”表示运动强度适中，“7”表示运动强度过高，若目标推荐对象为一名22岁的男运动员，即第二初始特征序列为“男”、“22岁”、“运动员”，则对象属性信息对应的第二特征向量为“127”，在此不作具体限制。
97.本实施例中，通过采用包括有上述步骤301至步骤302的物品推荐方法，因此，可以确定物品属性信息对应的第一初始特征序列、对象属性信息对应的第二初始特征序列以及上下文信息对应的第三初始特征序列，然后将第一初始特征序列、第二初始特征序列和第三初始特征序列输入至因子分解器，对第一初始特征序列、第二初始特征序列和第三初始特征序列进行向量化处理，能够刻画待推荐物品的全部特征、目标推荐对象的全部特征以及上下文信息的全部特征。
98.可以理解的是，相关技术中的因子分解器(factorization machines，fm)不支持序列型的特征输入，但是在本技术实施例中，可以利用因子分解器灵活处理特征序列(比如物品属性信息对应的第一初始特征序列、对象属性信息对应的第二初始特征序列以及上下文信息对应的第三初始特征序列)。
99.在一种可能的实现方式中，本发明实施例再次引入采用因子分解器，对第一特征向量、第二特征向量和第三特征向量中的任意两个进行特征交叉处理。参照图4，图4为本发明实施例提供的物品推荐方法的具体流程示意图，上述步骤204中，对第一特征向量、第二特征向量和第三特征向量中的任意两个进行特征交叉处理，得到第四特征向量，具体可以包括以下步骤401至步骤403。
100.步骤401：将第一特征向量作为因子分解器的第一一阶特征序列，将第二特征向量作为因子分解器的第二一阶特征序列，将第三特征向量作为因子分解器的第三一阶特征序列；
101.步骤402：将第一一阶特征序列、第二一阶特征序列和第三一阶特征序列输入至因子分解器，对第一一阶特征序列、第二一阶特征序列和第三一阶特征序列中的任意两个进行特征交叉处理，得到因子分解器的二阶特征序列；
102.步骤403：将二阶特征序列作为第四特征向量。
103.可以理解的是，对第一一阶特征序列、第二一阶特征序列和第三一阶特征序列中的任意两个进行特征交叉处理，即对第一一阶特征序列、第二一阶特征序列和第三一阶特征序列中的任意两个进行向量的乘法运算。具体地，对第一一阶特征序列、第二一阶特征序列和第三一阶特征序列中的任意两个进行特征交叉处理，得到因子分解器的二阶特征序列，即对第一一阶特征序列和第二一阶特征序列进行向量的乘法运算，对第一一阶特征序列和第三一阶特征序列进行向量的乘法运算，对第二一阶特征序列和第三一阶特征序列进行向量的乘法运算。
104.本实施例中，通过采用包括有上述步骤401至步骤403的物品推荐方法，通过对物品属性信息对应的第一特征向量、对象属性信息对应的第二特征向量和上下文信息对应的第三特征向量中的任意两个进行特征交叉处理，能够增加目标推荐对象在其他纬度上的特征，进而能够有效地挖掘目标推荐对象的偏好。对于没有历史点击记录的新账号，能够通过特征交叉处理丰富新账号的对象属性信息，增强新账号的泛化性，从而更能准确得预测新账号的感兴趣的物品。
105.在一可能的实现方式中，在对象属性信息包括历史点击记录的情况下，参照图5，图5为本发明实施例提供的物品推荐方法的流程示意图，上述步骤205中，将第一特征向量、第二特征向量、第三特征向量和第四特征向量进行融合，得到目标特征向量，具体可以包括以下步骤501至步骤503。
106.步骤501：根据历史点击记录确定目标推荐对象点击过的历史推荐物品，获取历史推荐物品的历史特征向量；
107.步骤502：将历史特征向量和第一特征向量输入至注意力网络，确定各个第一特征向量的权重值，根据权重值与第一特征向量之间的乘积得到待推荐物品的加权特征向量；
108.步骤503：将加权特征向量、第二特征向量、第三特征向量和第四特征向量进行融合，得到目标特征向量。
109.其中，注意力网络即attention机制，attention机制可以帮助模型(比如本发明实施例中执行物品推荐方法的物品推荐装置或者物品推荐模型)对输入的每个部分赋予不同的权重，抽取出更加关键及重要的信息，使模型做出更加准确的判断，同时不会对模型的计算和存储带来更大的开销。
110.示例性的，将加权特征向量、第二特征向量、第三特征向量和第四特征向量进行融合，具体可以是将加权特征向量、第二特征向量、第三特征向量和第四特征向量按顺序拼接，比如，假设加权特征向量为[1.0,2.0,5.3]，第二特征向量为[2.0,3.0,5.0]，第三特征向量为[3.0,2.0,5.0]，第四特征向量为[4.0,2.0,6.3]，则将加权特征向量、第二特征向量、第三特征向量和第四特征向量按顺序拼接，得到的目标特征向量为[1.0,2.0,5.3,2.0,3.0,5.0,3.0,2.0,5.0,4.0,2.0,6.3]；还可以是将加权特征向量、第二特征向量、第三特征向量和第四特征向量相加，比如，假设加权特征向量为[1.0,2.0,5.3]，第二特征向量为[2.0,3.0,5.0]，第三特征向量为[3.0,2.0,5.0]，第四特征向量为[4.0,2.0,6.3]，则将加权特征向量、第二特征向量、第三特征向量和第四特征向量相加，得到的目标特征向量为[10.0,9.0,21.6]，等等，在此不作具体限制。
[0111]
可以理解的是，与历史特征向量匹配度越高的第一特征向量，其权重值越大。
[0112]
本实施例中，通过采用包括有上述步骤501至步骤503的物品推荐方法，因此，可以通过将目标推荐对象点击过的历史推荐物品所对应的历史特征向量以及待推荐物品的物品属性信息所对应的第一特征向量输入至注意力网络，能够确定各个第一特征向量的权重值，以增强目标推荐对象(比如新账号)的可解析性，然后根据权重值与第一特征向量之间的乘积得到待推荐物品的加权特征向量，通过待推荐物品的加权特征向量焦聚账号的兴趣，即是说，由于新账号的兴趣会漂移，通过注意力网络赋予新账号点击过的历史推荐物品所对应的历史特征向量不同的权重，更能够焦聚账号的兴趣，然后通过将待推荐物品的加权特征向量、对象属性信息的第二特征向量、上下文信息的第三特征向量以及所增加的目标推荐对象在其他纬度上的特征所对应的第四特征向量进行融合，能够得到新的物品向量(即目标特征向量)，进而能够通过新的物品向量准确预测出新账号感兴趣的物品。
[0113]
在一种可能的实现方式中，本发明实施例中引入信息相似度。然后，根据信息相似度确定历史点击记录中不存在历史推荐物品的对象属性信息对应的第二推荐对象的历史推荐物品。参照图6，图6为本发明实施例提供的物品推荐方法的具体流程示意图，上述步骤501中，根据历史点击记录确定目标推荐对象点击过的历史推荐物品，具体可以包括以下步骤601至步骤603。
[0114]
步骤601：将历史点击记录中存在历史推荐物品的对象属性信息对应的目标推荐对象确定为第一推荐对象，将历史点击记录中不存在历史推荐物品的对象属性信息对应的目标推荐对象确定为第二推荐对象；
[0115]
步骤602：计算第二推荐对象与第一推荐对象之间的信息相似度；
[0116]
步骤603：当信息相似度大于或者等于预设相似度，将第一推荐对象点击过的历史推荐物品作为第二推荐对象的历史推荐物品。
[0117]
示例性的，对象属性信息可以包括目标推荐对象(即第二推荐对象和第一推荐对象)的基础属性信息，比如，性别、年龄、职业、爱好、不同时刻的体检报告数据、运动数据、饮食数据以及体征数据等等。
[0118]
在一种可能的实现方式中，可以通过计算第二推荐对象与第一推荐对象之间的基础属性信息的相似度，得到信息相似度。进一步地，假设预设相似度为90％，信息相似度为92％，若第一推荐对象点击过的历史推荐物品为金融产品a，那么该金融产品a可以作为第二推荐对象的历史推荐物品，然后获取该金融产品a的历史特征向量，将金融产品a的历史特征向量和待推荐物品的第一特征向量输入至注意力网络，确定各个待推荐物品的第一特征向量的权重值，以便于从各个待推荐物品中预测出新账号感兴趣的物品。可以理解的是，预设相识度可以根据实际情况设定，在此不作具体限制。
[0119]
本实施例中，通过采用包括有上述步骤601至步骤603的物品推荐方法，因此，通过计算第二推荐对象与第一推荐对象之间的信息相似度，能够将缺少历史点击记录和其他特征的新账号通过建模，得到对物品的点击率，避免全局热度，即是说，通过历史点击记录中存在历史推荐物品的对象属性信息的第一推荐对象，与历史点击记录中不存在历史推荐物品的对象属性信息的第二推荐对象的信息相似度，当信息相似度大于或者等于预设相似度，可以对没有历史点击记录的新账号(即第二推荐对象)进行样本(即第一推荐对象的历史推荐物品)的迁移学习，挖掘新账号与待推荐物品之间的相关性，进而能够有效地且准确预测出新账号感兴趣的目标推荐物品，避免全局热度，同时兼顾个性化。
[0120]
在一种可能的实现方式中，参照图7，图7为本发明实施例提供的物品推荐方法的具体流程示意图，上述步骤502中，将历史特征向量和第一特征向量输入至注意力网络，确定各个第一特征向量的权重值，具体可以包括以下步骤701至步骤702。
[0121]
步骤701：将历史特征向量和第一特征向量输入至注意力网络，基于注意力网络确定历史特征向量与第一特征向量之间的向量相似度；
[0122]
步骤702：根据向量相似度确定各个第一特征向量的权重值。
[0123]
示例性的，假设item i为历史推荐物品，item j为待推荐物品j，那么历史推荐物品对应的历史特征向量与待推荐物品j对应的第一特征向量之间的向量相似度a
i,j
可以采用如下公式(1)表示，即：
[0124][0125]
在公式(1)中，表示历史特征向量的转置，ej表示待推荐物品j的第一特征向量，q表示投影矩阵，表示所有的待推荐物品所对应的第一特征向量。
[0126]
进一步地，第一特征向量的权重值可以采用如下公式(2)表示，即：
[0127][0128]
在公式(2)中，u(*)表示第一特征向量的权重值，a
i,j
表示历史推荐物品对应的历史特征向量与待推荐物品j对应的第一特征向量之间的向量相似度，ei表示历史特征向量。
[0129]
本实施例中，通过采用包括有上述步骤701至步骤702的物品推荐方法，因此，可以通过将目标推荐对象点击过的历史推荐物品所对应的历史特征向量以及待推荐物品的物品属性信息所对应的第一特征向量输入至注意力网络，能够确定历史特征向量与第一特征向量之间的向量相似度，以增强目标推荐对象(比如新账号)的可解析性，然后根据向量相似度确定各个第一特征向量的权重值，以焦聚账号的兴趣，即是说，由于新账号的兴趣会漂
移，通过注意力网络赋予新账号点击过的历史推荐物品所对应的历史特征向量不同的权重，更能够焦聚账号的兴趣，进而能够有效地且准确预测出新账号感兴趣的目标推荐物品。
[0130]
在一种可能的实现方式中，本发明实施例引入了激活函数，通过激活函数得到待推荐物品的倾向性得分。参照图8，图8为本发明实施例提供的物品推荐方法的具体流程示意图，上述步骤205中，将历史特征向量和第一特征向量输入至注意力网络，确定各个第一特征向量的权重值，具体可以包括以下步骤801至步骤802。
[0131]
步骤801：将目标特征向量输入至预先训练好的深度学习网络，对目标特征向量进行非线性变换处理，得到输出层特征向量；
[0132]
步骤802：利用激活函数对输出层特征向量进行激活处理，得到待推荐物品的倾向性得分。
[0133]
其中，深度学习网络可以是多层感知机(multilayer perceptron，mlp)，其中，多层感知机包括输入层、隐藏层和输出层，输入层包括flatten层和concat层，隐藏层包括relu(rectified linear unit)，relu是一种人工神经网络中常用的激活函数，通常意义下，relu指代数学中的斜坡函数。另外，隐藏层可以有多层，比如，三层或者更多层。需要说明的是，relu还可以用在预先训练好的深度学习网络的输出层，对目标特征向量进行非线性变换处理，把输出层的输出层特征向量控制在大于或者等于0的取值范围内，即对输出层特征向量进行压缩和变换，使得各个输出层特征向量不会相差太大，从而能够得到更加精确的结果(即更加精确的倾向性得分)。
[0134]
具体地，假设深度学习网络为三层的mlp，那么输入层所输出的特征向量为256维的特征向量，隐藏层所输出的特征向量为128维的特征向量，输出层所输出的特征向量为64维的特征向量，即是说，深度学习网络中的每一层均对输入的目标特征向量进行非线性变换处理，将目标特征向量降维至64维的特征向量，本技术实施例对此不作具体限制。
[0135]
此外，对输出层特征向量进行激活处理的激活函数可以是tanh函数、sigmoid函数或者relu函数，等等，其中，通过sigmoid函数可以将输出层特征向量集中在0到1之间，得到待推荐物品的倾向性得分；而tanh函数是sigmoid函数的变形，tanh的均值是0；就relu函数而言，当输出层特征向量小于0时，倾向性得分为0，当输出层特征向量大于0时，倾向性得分等于输出层特征向量，可以根据实际需求选择对应的激活函数，在此不作具体限制。
[0136]
本实施例中，通过采用包括有上述步骤801至步骤802的物品推荐方法，因此，可以通过将目标特征向量输入至预先训练好的深度学习网络进行映射处理，对目标特征向量进行非线性变换处理，能够反向优化目标特征向量，提升物品推荐的准确性以及增强新账号的泛化性，然后利用激活函数对输出层特征向量进行激活处理，能够将输出层特征向量进行压缩和变换，使得各个输出层特征向量对应的倾向性得分不会相差太大，从而能够得到更加精确的结果(即更加精确的倾向性得分)。
[0137]
需要说明的是，在执行本发明实施例中的物品推荐方法后，通过线上ab实验(即同质样本组的对照实验)得知，目标推荐物品的点击率高于执行相关技术中的技术方案后的目标推荐物品的点击率的10％以上。
[0138]
可以理解的是，虽然上述各个流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本实施例中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图
中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0139]
需要说明的是，在本技术的各个具体实施方式中，当涉及到需要根据对象属性信息、用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关的法律法规和标准。此外，当本技术实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
[0140]
另外，参照图9，图9为本发明实施例提供的物品推荐装置的结构示意图，本发明实施例还提供了一种物品推荐装置900，包括：
[0141]
第一信息获取模块901，用于获取多个待推荐物品的物品属性信息；
[0142]
第二信息获取模块902，用于确定待推荐物品对应的目标推荐对象，获取目标推荐对象对应的对象属性信息以及目标推荐对象对应的上下文信息；
[0143]
向量化处理模块903，用于对物品属性信息、对象属性信息和上下文信息进行向量化处理，得到物品属性信息对应的第一特征向量、对象属性信息对应的第二特征向量和上下文信息对应的第三特征向量；
[0144]
特征交叉处理模块904，用于对第一特征向量、第二特征向量和第三特征向量中的任意两个进行特征交叉处理，得到第四特征向量；
[0145]
倾向性得分生成模块905，用于将第一特征向量、第二特征向量、第三特征向量和第四特征向量进行融合，得到目标特征向量，将目标特征向量输入至深度学习网络进行映射处理，得到待推荐物品的倾向性得分；
[0146]
物品推荐模块906，用于根据倾向性得分从多个待推荐物品中确定目标推荐物品，对目标推荐物品进行推荐。
[0147]
上述物品推荐装置900与上述物品推荐方法基于相同的发明构思，通过对多个物品属性信息、对象属性信息和上下文信息进行向量化处理，能够刻画待推荐物品的全部特征、目标推荐对象的全部特征以及上下文信息的全部特征；然后通过对物品属性信息对应的第一特征向量、对象属性信息对应的第二特征向量和上下文信息对应的第三特征向量中的任意两个进行特征交叉处理，能够增加目标推荐对象在其他纬度上的特征，进而能够有效地挖掘目标推荐对象的偏好；再通过将第一特征向量、第二特征向量、第三特征向量和第四特征向量进行融合，以及通过将目标特征向量输入至深度学习网络进行映射处理，能够得到待推荐物品的倾向性得分，进而能够根据该倾向性得分从多个待推荐物品中准确预测出新用户感兴趣的目标推荐物品，更加准确地向新账号进行物品推荐，提升新账号的购物效率。
[0148]
可以理解的是，上述物品推荐装置900还可以具体用于执行在上述物品推荐方法实施例中描述的各种流程。
[0149]
参照图10，图10为本发明实施例提供的电子设备的结构示意图。电子设备1000包括：存储器1001、处理器1002及存储在存储器1001上并可在处理器1002上运行的计算机程
序，计算机程序运行时用于执行上述的物品推荐方法。
[0150]
处理器1002和存储器1001可以通过总线或者其他方式连接。
[0151]
存储器1001作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如本发明实施例描述的物品推荐方法。处理器1002通过运行存储在存储器1001中的非暂态软件程序以及指令，从而实现上述的物品推荐方法。
[0152]
存储器1001可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储执行上述的物品推荐方法。此外，存储器1001可以包括高速随机存取存储器1001，还可以包括非暂态存储器1001，例如至少一个储存设备存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中，存储器1001可选包括相对于处理器1002远程设置的存储器1001，这些远程存储器1001可以通过网络连接至该电子设备1000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0153]
实现上述的物品推荐方法所需的非暂态软件程序以及指令存储在存储器1001中，当被一个或者多个处理器1002执行时，执行上述的物品推荐方法。
[0154]
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
[0155]
本领域技术人员可以理解的是，图2-8中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0156]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0157]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0158]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0159]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0160]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其
它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0161]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0162]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0163]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0164]
以上参照附图说明了本公开实施例的优选实施例，并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本公开实施例的权利范围之内。

技术特征：
1.一种物品推荐方法，其特征在于，包括：获取多个待推荐物品的物品属性信息；确定所述待推荐物品对应的目标推荐对象，获取所述目标推荐对象对应的对象属性信息以及所述目标推荐对象对应的上下文信息；对所述物品属性信息、所述对象属性信息和所述上下文信息进行向量化处理，得到所述物品属性信息对应的第一特征向量、所述对象属性信息对应的第二特征向量和所述上下文信息对应的第三特征向量；对所述第一特征向量、所述第二特征向量和所述第三特征向量中的任意两个进行特征交叉处理，得到第四特征向量；将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到目标特征向量，将所述目标特征向量输入至深度学习网络进行映射处理，得到所述待推荐物品的倾向性得分；根据所述倾向性得分从多个所述待推荐物品中确定目标推荐物品，对所述目标推荐物品进行推荐。2.根据权利要求1所述的物品推荐方法，其特征在于，所述对所述物品属性信息、所述对象属性信息和所述上下文信息进行向量化处理，得到所述物品属性信息对应的第一特征向量、所述对象属性信息对应的第二特征向量和所述上下文信息对应的第三特征向量，包括：确定所述物品属性信息对应的第一初始特征序列、所述对象属性信息对应的第二初始特征序列以及所述上下文信息对应的第三初始特征序列；将所述第一初始特征序列、所述第二初始特征序列和所述第三初始特征序列输入至因子分解器，对所述第一初始特征序列、所述第二初始特征序列和所述第三初始特征序列进行向量化处理，得到所述第一初始特征序列对应的第一特征向量、所述第二初始特征序列对应的第二特征向量和所述第三初始特征序列对应的第三特征向量。3.根据权利要求1所述的物品推荐方法，其特征在于，所述对所述第一特征向量、所述第二特征向量和所述第三特征向量中的任意两个进行特征交叉处理，得到第四特征向量，包括：将所述第一特征向量作为因子分解器的第一一阶特征序列，将所述第二特征向量作为所述因子分解器的第二一阶特征序列，将所述第三特征向量作为所述因子分解器的第三一阶特征序列；将所述第一一阶特征序列、所述第二一阶特征序列和所述第三一阶特征序列输入至所述因子分解器，对所述第一一阶特征序列、所述第二一阶特征序列和所述第三一阶特征序列中的任意两个进行特征交叉处理，得到所述因子分解器的二阶特征序列；将所述二阶特征序列作为所述第四特征向量。4.根据权利要求1所述的物品推荐方法，其特征在于，所述对象属性信息包括历史点击记录，所述将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到目标特征向量，包括：根据所述历史点击记录确定所述目标推荐对象点击过的历史推荐物品，获取所述历史推荐物品的历史特征向量；
将所述历史特征向量和所述第一特征向量输入至注意力网络，确定各个所述第一特征向量的权重值，根据所述权重值与所述第一特征向量之间的乘积得到所述待推荐物品的加权特征向量；将所述加权特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到目标特征向量。5.根据权利要求4所述的物品推荐方法，其特征在于，所述根据所述历史点击记录确定所述目标推荐对象点击过的历史推荐物品，包括：将所述历史点击记录中存在所述历史推荐物品的对象属性信息对应的目标推荐对象确定为第一推荐对象，将所述历史点击记录中不存在所述历史推荐物品的对象属性信息对应的目标推荐对象确定为第二推荐对象；计算所述第二推荐对象与所述第一推荐对象之间的信息相似度；当所述信息相似度大于或者等于预设相似度，将所述第一推荐对象点击过的历史推荐物品作为所述第二推荐对象的历史推荐物品。6.根据权利要求4所述的物品推荐方法，其特征在于，所述将所述历史特征向量和所述第一特征向量输入至注意力网络，确定各个所述第一特征向量的权重值，包括：将所述历史特征向量和所述第一特征向量输入至注意力网络，基于所述注意力网络确定所述历史特征向量与所述第一特征向量之间的向量相似度；根据所述向量相似度确定各个所述第一特征向量的权重值。7.根据权利要求1所述的物品推荐方法，其特征在于，所述将所述目标特征向量输入至深度学习网络进行映射处理，得到所述待推荐物品的倾向性得分，包括：将所述目标特征向量输入至预先训练好的所述深度学习网络，对所述目标特征向量进行非线性变换处理，得到输出层特征向量；利用激活函数对所述输出层特征向量进行激活处理，得到所述待推荐物品的倾向性得分。8.一种物品推荐装置，其特征在于，包括：第一信息获取模块，用于获取多个待推荐物品的物品属性信息；第二信息获取模块，用于确定所述待推荐物品对应的目标推荐对象，获取所述目标推荐对象对应的对象属性信息以及所述目标推荐对象对应的上下文信息；向量化处理模块，用于对所述物品属性信息、所述对象属性信息和所述上下文信息进行向量化处理，得到所述物品属性信息对应的第一特征向量、所述对象属性信息对应的第二特征向量和所述上下文信息对应的第三特征向量；特征交叉处理模块，用于对所述第一特征向量、所述第二特征向量和所述第三特征向量中的任意两个进行特征交叉处理，得到第四特征向量；倾向性得分生成模块，用于将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合，得到目标特征向量，将所述目标特征向量输入至深度学习网络进行映射处理，得到所述待推荐物品的倾向性得分；物品推荐模块，用于根据所述倾向性得分从多个所述待推荐物品中确定目标推荐物品，对所述目标推荐物品进行推荐。9.一种电子设备，其特征在于，包括存储器、处理器，所述存储器存储有计算机程序，所
述处理器执行所述计算机程序时实现权利要求1至7中任意一项所述的物品推荐方法。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现权利要求1至7中任意一项所述的物品推荐方法。

技术总结
本发明实施例公开了一种物品推荐方法、装置、电子设备及存储介质，通过对物品属性信息对应的第一特征向量、对象属性信息对应的第二特征向量和上下文信息对应的第三特征向量中的任意两个进行特征交叉处理，能够增加目标推荐对象在其他纬度上的特征，进而能够有效地挖掘目标推荐对象的偏好；再通过将第一特征向量、第二特征向量、第三特征向量和第四特征向量进行融合，以及通过将目标特征向量输入至深度学习网络进行映射处理，能够得到待推荐物品的倾向性得分，进而能够根据该倾向性得分从多个待推荐物品中准确预测出新用户感兴趣的目标推荐物品。本发明实施例可广泛应用于例如金融业务场景、医疗业务场景等各种场景。医疗业务场景等各种场景。医疗业务场景等各种场景。


技术研发人员：黄严汉
受保护的技术使用者：中国平安人寿保险股份有限公司
技术研发日：2023.07.07
技术公布日：2023/10/19