一種物品信息的推薦方法及裝置的制造方法

一種物品信息的推薦方法及裝置的制造方法
【專利摘要】本發明公開了一種物品信息的推薦方法及裝置，其中該方法包括:當接收到物品訪問請求時，獲取訪問用戶的屬性信息及用戶行為數據；獲取相應的候選物品集；基于相似度矩陣、屬性信息及用戶行為數據，在候選物品集中確定滿足預設條件的物品，該相似度矩陣用于指示候選物品之間的相似度及候選物品和屬性信息之間的相似度；將該滿足預設條件的物品的信息向該訪問用戶推薦。即通過相似度矩陣、訪問用戶的屬性信息及近期對物品不同點擊和消費行為等，來實現對用戶訪問進行意圖預測，從而確定出適合用戶的物品并推薦，相對于基于線性模型預測用戶對物品的曝光轉化率得分來進行推薦的方式，不僅提升了推薦結果的個性化，還提高推薦結果的準確性。
【專利說明】
-種物品信息的推薦方法及裝置
技術領域
[0001] 本發明屬于通信技術領域，尤其設及一種物品信息的推薦方法及裝置。
【背景技術】
[0002] 隨著網絡的不斷推進，用戶在訪問網絡時對網絡各項功能的要求越來越高，譬如 W物品推薦為例，用戶一般會希望網站或應用商店推薦與其所需要物品的同類物品或相關 物品，從而通過比較查詢的方式可更方便地訪問到需要的物品。
[0003] 目前，傳統的物品推薦一般采用邏輯斯特回歸化R，Logistic Regression)模型預 測用戶對物品的曝光轉化率(CTR，Click-Throu曲-Rate)得分，如物品在應用商店首頁一天 內的下載次數和曝光次數的比值，其后根據CTR對物品進行排序，從而得到推薦結果。
[0004] 在對現有技術的研究和實踐過程中，本發明的發明人發現，由于LR是一種線性模 型，非線性表達能力有限，并且LR模型是一種基于人群的統計概率模型，因此面對海量各種 類型物品推薦的非線性問題，會出現推薦結果個性化不足W及推薦結果不準確的問題。

【發明內容】

[0005] 本發明的目的在于提供一種物品信息的推薦方法及裝置，旨在提升物品推薦的個 性化W及提高推薦結果的準確性。
[0006] 為解決上述技術問題，本發明實施例提供W下技術方案：
[0007] -種物品信息的推薦方法，其中包括：
[000引當接收到物品訪問請求時，獲取訪問用戶的屬性信息及用戶行為數據；
[0009] 獲取相應的候選物品集；
[0010] 基于預設的相似度矩陣、所述訪問用戶的屬性信息及用戶行為數據，在所述候選 物品集中確定滿足預設條件的物品，所述預設的相似度矩陣用于指示候選物品之間的相似 度W及候選物品和屬性信息之間的相似度；
[0011] 將所述滿足預設條件的物品所對應的物品信息向訪問用戶推薦。
[0012] 為解決上述技術問題，本發明實施例還提供W下技術方案：
[oou] -種物品信息的推薦裝置，其中包括：
[0014] 第一獲取單元，用于當接收到物品訪問請求時，獲取訪問用戶的屬性信息及用戶 行為數據；
[0015] 第二獲取單元，用于獲取相應的候選物品集；
[0016] 確定單元，用于基于預設的相似度矩陣、所述訪問用戶的屬性信息及用戶行為數 據，在所述候選物品集中確定滿足預設條件的物品，所述預設的相似度矩陣用于指示候選 物品之間的相似度W及候選物品和屬性信息之間的相似度；
[0017] 推薦單元，用于將所述滿足預設條件的物品所對應的物品信息向訪問用戶推薦。
[0018] 相對于現有技術，本發明實施例，當接收到物品訪問請求時，獲取訪問用戶的屬性 信息及用戶行為數據;然后，基于預設的相似度矩陣、W及獲取到的訪問用戶的屬性信息及 用戶行為數據，在候選物品集中確定滿足預設條件的物品，所述預設的相似度矩陣用于指 示候選物品之間的相似度W及候選物品和屬性信息之間的相似度;最后，將滿足預設條件 的物品所對應的物品信息向該訪問用戶推薦。即本發明實施例通過相似度矩陣、訪問用戶 的屬性信息及用戶行為數據，如近期對物品不同點擊和消費行為等，來實現對用戶訪問進 行意圖預測，其中相似度矩陣表示物品之間相似度W及物品和用戶基礎屬性之間的相似 度，從而可W確定出適合用戶的物品并推薦，相對于基于線性模型預測用戶對物品的曝光 轉化率得分來進行推薦的方式，不僅提升了推薦結果的個性化，改善推薦效果，還提高推薦 結果的準確性。
【附圖說明】
[0019] 下面結合附圖，通過對本發明的【具體實施方式】詳細描述，將使本發明的技術方案 及其它有益效果顯而易見。
[0020] 圖Ia是本發明實施例提供的物品信息的推薦系統的場景示意圖；
[0021] 圖化是本發明第一實施例提供的物品信息的推薦方法的流程示意圖；
[0022] 圖Ic是本發明第一實施例提供的熱傳導算法的原理示意圖；
[0023] 圖Id是本發明第一實施例提供的熱傳導算法的計算原理示意圖；
[0024] 圖2a為本發明第二實施例提供的物品信息的推薦方法的流程示意圖；
[0025] 圖化為本發明第二實施例提供的物品推薦界面示意圖；
[0026] 圖3a為本發明第=實施例提供的物品信息的推薦裝置的結構示意圖；
[0027] 圖3b為本發明第=實施例提供的物品信息的推薦裝置的另一結構示意圖；
[0028] 圖4為本發明第四實施例提供的服務器的結構示意圖。
【具體實施方式】
[0029] 請參照圖式，其中相同的組件符號代表相同的組件，本發明的原理是W實施在一 適當的運算環境中來舉例說明。W下的說明是基于所例示的本發明具體實施例，其不應被 視為限制本發明未在此詳述的其它具體實施例。
[0030] 在W下的說明中，本發明的具體實施例將參考由一部或多部計算機所執行的步驟 及符號來說明，除非另有述明。因此，運些步驟及操作將有數次提到由計算機執行，本文所 指的計算機執行包括了由代表了W-結構化型式中的數據的電子信號的計算機處理單元 的操作。此操作轉換該數據或將其維持在該計算機的內存系統中的位置處，其可重新配置 或另外W本領域測試人員所熟知的方式來改變該計算機的運作。該數據所維持的數據結構 為該內存的實體位置，其具有由該數據格式所定義的特定特性。但是，本發明原理W上述文 字來說明，其并不代表為一種限制，本領域測試人員將可了解到W下所述的多種步驟及操 作亦可實施在硬件當中。
[0031] 本文所使用的術語「模塊」可看做為在該運算系統上執行的軟件對象。本文所述的 不同組件、模塊、引擎及服務可看做為在該運算系統上的實施對象。而本文所述的裝置及方 法優選的W軟件的方式進行實施，當然也可在硬件上進行實施，均在本發明保護范圍之內。
[0032] 本發明實施例提供一種物品信息的推薦方法及裝置。
[0033] 參見圖la,該圖為本發明實施例所提供的物品信息的推薦系統的場景示意圖，該 物品信息的推薦系統可W包括物品信息的推薦裝置，該物品信息的推薦裝置具體可W集成 在服務器中，主要用于當接收到物品訪問請求時，獲取訪問用戶的屬性信息及用戶行為數 據;然后，獲取相應的候選物品集;基于預設的相似度矩陣、所述訪問用戶的屬性信息及用 戶行為數據，在所述候選物品集中確定滿足預設條件的物品，其中，該相似度矩陣用于指示 候選物品之間的相似度W及候選物品和屬性信息之間的相似度，最后將所述滿足預設條件 的物品所對應的物品信息向訪問用戶推薦，等等。
[0034] 此外，該物品信息的推薦系統還可W包括存儲器，主要用于存儲用戶的屬性信息 及用戶行為數據，比如，用戶的年齡、性別等屬性W及用戶近期對物品不同點擊和消費行為 等數據，另外，該存儲器還可W包括物品信息，如物品名稱、物品類別等。當然，該物品信息 的推薦系統還可W包括用戶終端，主要用于接收訪問用戶輸入的物品訪問請求、W及將物 品信息的推薦裝置向訪問用戶推薦的物品進行顯示等等。
[0035] W下將分別進行詳細說明。
[0036] 第一實施例
[0037] 在本實施例中，將從物品信息的推薦裝置的角度進行描述，該物品信息的推薦裝 置具體可W集成在服務器或網關等網絡設備中。
[0038] -種物品信息的推薦方法，包括：當接收到物品訪問請求時，獲取訪問用戶的屬性 信息及用戶行為數據;獲取相應的候選物品集;基于預設的相似度矩陣、所述訪問用戶的屬 性信息及用戶行為數據，在所述候選物品集中確定滿足預設條件的物品，所述預設的相似 度矩陣用于指示候選物品之間的相似度W及候選物品和屬性信息之間的相似度;將所述滿 足預設條件的物品所對應的物品信息向訪問用戶推薦。
[0039] 請參閱圖Ib,圖Ib是本發明第一實施例提供的物品信息的推薦方法的流程示意 圖。所述方法包括：
[0040] 在步驟SlOl中，當接收到物品訪問請求時，獲取訪問用戶的屬性信息及用戶行為 數據。
[0041 ] 比如，訪問用戶可W通過手機客戶端或者PC(personal computer,個人電腦)端等 向物品信息的推薦裝置發送物品訪問請求，物品信息的推薦裝置根據該物品訪問請求，獲 取該訪問用戶的屬性信息及用戶行為數據。
[0042] 本發明實施例中，所述訪問用戶的屬性信息主要是指用戶性別、年齡、地域等人口 統計屬性;所述用戶行為數據主要指用戶在PC端或者手機客戶端瀏覽、點擊、購買、下載、安 裝等行為日志。
[0043] 所述物品可W具體指手機端應用商城中的應用程序、購物平臺上提供的物品等 等，所述物品信息可W具體指物品名稱、物品類別、物品大小、物品標簽等信息，此處不作具 體限定。
[0044] 在步驟S102中，獲取相應的候選物品集。
[0045] 比如，當通過終端應用（如手機端應用商城)接收到物品訪問請求時，可W獲取到 該終端應用相應的物品信息數據庫，并將該物品信息數據庫中的物品信息設定為候選物品 集。
[0046] 在步驟S103中，基于預設的相似度矩陣、所述訪問用戶的屬性信息及用戶行為數 據，在所述候選物品集中確定滿足預設條件的物品，所述預設的相似度矩陣用于指示候選 物品之間的相似度W及候選物品和屬性信息之間的相似度。
[0047]本發明實施例中，該相似度矩陣可W預先設置在物品信息的推薦裝置中，則在當 接收到物品訪問請求時，獲取訪問用戶的屬性信息及用戶行為數據（即步驟SlOl)之前，需 要生成相似度矩陣并存儲，可W包括：
[004引步驟1、收集物品信息、用戶的屬性信息及用戶行為數據。
[0049] 步驟2、基于熱傳導算法，并根據所述物品信息所指示的物品、用戶的屬性信息及 用戶行為數據，生成預設的相似度矩陣。
[0050] 也就是說，物品信息的推薦裝置需要先收集物品信息、用戶的屬性信息及用戶行 為數據等數據源，并基于運些數據源學習熱傳導模型，從而生成相似度矩陣。
[0051] 可W理解的是，熱傳導算法的思想是將用戶和物品的關系類比為一個二部圖，即 用戶是一類節點，物品是另一類節點，用戶和物品之間存在連邊，但是用戶和用戶之間W及 物品和物品之間不存在連邊，可一并參考圖1C。其中，在二部圖基礎上，熱傳導算法根據物 理學兩種擴散原理，可W得到物品（item)之間的關聯強度，兩種擴散原理分別是物質擴散 和熱量傳導。物質擴散，滿足能量守恒定律，即物質和能量擴散過程中，總能量保持不變，傾 向于推薦流行item。熱量傳導，由一個或者多個恒溫源驅動，不滿足能量守恒，傾向于推薦 冷口 item。可一并參考圖IcU為具體物質擴散和能量傳導的過程示意。
[0052] 用戶消費某種物品的行為，可W理解為能量巧ne巧y)或熱量化eat)。如圖Id中（a) 所示，假設用戶已消費物品信息的推薦能力為1，未消費物品信息的推薦能力為0, W標注 了*的用戶(user)為例，對于物質擴散，物品首先把其能量平分給消費過它的用戶，如(b)所 示，然后用戶將自己能量平分給物品，如(C)所示，就可W得到*用戶未消費的物品中，第S 個物品的得分最高，接下來應該給*用戶推薦第=個物品；對于熱量傳導，首先一個用戶溫 度等于他購買過物品溫度的平均值，如(d)所示，接下來每一個物品溫度等于所有購買過它 的用戶溫度平均值，如(e)所示，可W看到*用戶未消費的物品中，應該給*用戶推薦第四個 物品。接著，根據物質擴散和熱量傳導的兩個過程，可W分別得到計算物品之間相似度公式 如下：
[005；3] 物質擴黃 （1 )
[0054] 熱量傳導 （2；)
[0055] 根據（1)和(2)，可W得到綜合公式
（3 )
[0056] 其中a、財示識兩個不同物品，ka、ke標識物品a和物品巧皮消費次數，kj標識用戶j消 費過的物品數，aai、aei標識用戶i是否消費物品a、e，是則為1，否則為0。
[0057] 本發明實施例中，將用戶視作熱傳導算法中的user,將物品W及用戶的屬性信息 視作item,根據綜合公式(3)，即可得到物品之間的相似度W及物品和屬性信息之間的相似 度，從而得到相似度矩陣。
[0058] 進一步的，在基于預設的相似度矩陣、所述屬性信息及用戶行為數據，在所述候選 物品集中確定滿足預設條件的物品（步驟S103)之前，還可W包括：
[0059] 根據所述訪問用戶的屬性信息及用戶行為數據，構造用戶特征向量。
[0060] 可具體的，物品信息的推薦裝置在線上為訪問用戶推薦物品時，首先獲取候選物 品集，然后根據用戶近期消費物品的行為W及用戶性別、年齡、地域等屬性信息，構成一個 用戶特征向量A。比如，一位27歲深圳女性昨天下載了 "XX街"App(Application，應用程序）， 貝IJ用戶特征向量A中即包含【女性，27歲，深圳，XX街】運樣的維度。
[0061] 基于此，所述基于預設的相似度矩陣、所述屬性信息及用戶行為數據，在所述候選 物品集中確定滿足預設條件的物品（即步驟S103)可W具體包括:基于預設的相似度矩陣和 所述用戶特征向量，在所述候選物品集中確定滿足預設條件的物品。
[0062] 在某些實施方式中，基于預設的相似度矩陣和所述用戶特征向量，在所述候選物 品集中確定滿足預設條件的物品可W具體包括：
[0063] 步驟A、根據所述相似度矩陣W及所述用戶特征向量，對所述候選物品集中的物品 進行打分，得到打分結果。
[0064] 步驟B、根據所述打分結果，確定目標物品，所述目標物品為在所述候選物品集中， 相應的打分結果超過預設分數闊值的物品。
[0065] 步驟C、將所述目標物品確定為滿足預設條件的物品。
[0066] 更進一步的，步驟A可W具體為將所述相似度矩陣W及所述用戶特征向量進行相 乘，生成得分向量，將所述得分向量作為打分結果。其后根據打分結果確定超過預設分數闊 值的物品，也就是對物品進行預排序W及篩選，從而得到目標物品。
[0067] 在某些實施方式中，基于預設的相似度矩陣和所述用戶特征向量，在所述候選物 品集中確定滿足預設條件的物品還可W具體包括：
[0068] 步驟a、根據所述相似度矩陣W及所述用戶特征向量，對所述候選物品集中的物品 進行打分，得到打分結果。
[0069] 步驟b、根據所述打分結果，確定目標物品，所述目標物品為在所述候選物品集中， 相應的打分結果超過預設分數闊值的物品。
[0070] 步驟C、通過預設的邏輯斯特回歸模型，對所述目標物品進行排序，得到排序后的 目標物品。
[0071] 步驟d、將所述排序后的目標物品確定為滿足預設條件的物品。
[0072] 也就是說，在確定目標物品后，通過預設的邏輯斯特回歸模型對目標物品進行精 排，W將最適合用戶的物品對應的物品信息推薦給用戶。其中，步驟a可W具體為將所述相 似度矩陣W及所述用戶特征向量進行相乘，生成得分向量，將所述得分向量作為打分結果。 其后，根據打分結果確定超過預設分數闊值的物品，也就是對物品進行預排序W及篩選，從 而得到目標物品。
[0073] 優選的，在通過預設的邏輯斯特回歸模型，對所述目標物品進行排序，得到排序后 的目標物品之前，還可W包括:根據所述物品信息、用戶的屬性信息及用戶行為數據，構造 特征，所述特征包括物品特征及物品和用戶之間的交叉特征。
[0074] 可W理解的是，本發明實施例中，該邏輯斯特回歸模型可W預先設置在物品信息 的推薦裝置中，因此所述通過預設的邏輯斯特回歸模型，對所述目標物品進行排序，得到排 序后的目標物品（步驟C)可W包括：
[0075] 步驟cl、通過預設的邏輯斯特回歸模型，對所述特征進行學習，生成特征權重。
[0076] 步驟c2、基于所述特征權重，對所述目標物品進行排序，得到排序后的目標物品。
[0077] 即物品信息的推薦裝置可W結合物品信息、用戶的屬性信息及用戶行為數據，通 過特征離散化和特征交叉等特征工程技術，使用邏輯斯特回歸模型化財莫型)進行學習，從 而可W學習出不同特征權重，其中運些特征權重是量化衡量對用戶消費物品有影響的各因 素的影響程度。在物品信息的推薦裝置確定出目標物品后，根據學習得到的特征權重對目 標物品進行排序，得到排序后的目標物品。
[0078] 為了更好理解本發明技術方案，下面對LR模型的基礎原理進行簡單分析。由于在 該推薦方法中，僅將其作為二分類模型使用，遇見你次運里W二分類為典型介紹其原理，多 分類問題可在此基礎上擴展。
[0079] 首先，給定樣本數據集X和對應標簽向量Y，（ X，y)為其中一個樣本，假設樣本服從 下面一個概率模型：
[0080；
( 4 )
[0081] 如果訓練樣本實例為Xi，i = 1，2，3，. . .，1，yi G {1，-1}，則權重W和常數項b為待估 計參數，通過最大似然估計方法，可W得到如下優化目標：
[0082]

[0083] 山^*'二古《與/田AW丄^一 A中會做如下簡化：
[0084]
[0085] 同時為了獲取更佳的泛化能力，減少過擬合，會增加一個正則項wTw/2,運樣就得 到最終的優化目梳：
[0086]
( 5 )：
[0087] 可W理解的是，具體實現該優化目標獲取w，b的方法很多，比如截斷牛頓法等，此 處不作具體介紹。
[0088] 也就是說，使用如公式(5)所示的運樣一個目標函數模型，得到權重W和常數項b， 并使用LR模型的假設（即公式(4))對物品進行再次打分W及排序，最終得到滿足預設條件 的物品，其中，特征是指公式(5)中的X，特征權重即是指公式(5)中的W。
[0089] 在步驟S104中，將所述滿足預設條件的物品所對應的物品信息向訪問用戶推薦。
[0090] 比如，物品信息的推薦裝置確定出所述滿足預設條件的物品后，先獲取運些物品 相對應的物品信息，如物品的分類、物品的名稱、物品的廠商、物品的大小、物品標簽等等信 息，然后將運些物品信息進行顯示，W向用戶進行物品推薦。
[0091] 由上述可知，本發明實施例提供的物品信息的推薦方法，當接收到物品訪問請求 時，獲取訪問用戶的屬性信息及用戶行為數據;然后，基于預設的相似度矩陣、W及獲取到 的訪問用戶的屬性信息及用戶行為數據，在候選物品集中確定滿足預設條件的物品，所述 預設的相似度矩陣用于指示候選物品之間的相似度W及候選物品和屬性信息之間的相似 度;最后，將滿足預設條件的物品向該訪問用戶推薦。即本發明實施例通過相似度矩陣、訪 問用戶的屬性信息及用戶行為數據，如近期對物品不同點擊和消費行為等，來實現對用戶 訪問進行意圖預測，其中相似度矩陣表示物品之間相似度W及物品和用戶基礎屬性之間的 相似度，從而可W確定出適合用戶的物品并推薦，相對于基于線性模型預測用戶對物品的 曝光轉化率得分來進行推薦的方式，不僅提升了推薦結果的個性化，改善推薦效果，還提高 推薦結果的準確性。
[0092] 第二實施例
[0093] 根據第一實施例所描述的方法，W下將舉例作進一步詳細說明。
[0094] 首先，本發明實施例提供的物品信息的推薦方法，可W構建在化doop和Spark分布 式計算和存儲集群上。其次，該實施例中物品信息的推薦裝置通過熱傳導算法對用戶意圖 進行預測，W及通過LR算法對物品進行篩選排序，最終得到最適合用戶的物品并進行推薦。 W下將進行詳細說明。
[00%]請參閱圖2曰，圖2a為本發明第二實施例提供的物品信息的推薦方法的流程示意 圖。所述方法包括步驟S21、獲取數據源;步驟S22、根據數據源進行離線計算;步驟S23、在線 打分及排序，并輸出推薦結果。
[0096] 步驟S21、獲取數據源。
[0097] 物品信息的推薦裝置收集物品信息、用戶的屬性信息及用戶行為數據，并從運些 數據源中學習 LR模型和熱傳導模型。
[0098] 其中，所述物品信息可W具體指物品名稱、物品類別、物品頭像、物品大小、物品標 簽等信息、用戶的屬性信息主要指性別、年齡、地域等人口統計屬性信息，所述用戶行為數 據主要指用戶在PC端或者手機客戶端瀏覽、點擊、購買、下載、安裝等行為日志。
[0099] 步驟S22、根據數據源進行離線計算。
[0100] 本發明實施例中，物品信息的推薦裝置根據獲取的數據源進行離線計算：
[0101] ( - )基于熱傳導算法計算相似度矩陣
[0102] 將用戶視作熱傳導算法中的user,將物品W及用戶屬性信息視作item,然后使用 用戶行為數據及用戶屬性信息，通過熱傳導計算公式(即前述公式(3))，就可W得到物品之 間相似度W及物品和用戶屬性信息之間相似度，從而構成相似度矩陣S:
[0103]
[0104] 假設物品候選集共有N個物品(N為大于0的整數），用戶屬性信息共M維(M為大于0 的整數），由于該實施例中可W將用戶屬性信息視作物品，則可認為共M+N個物品，假設物品 編號1，2,3…，（M+N)，則相似度矩陣S是一個(M+N)*(M+N)方陣，而其中的元素3。表示物品i 和物品j的相似度，比如，和男性相似度比較高的物品，意味著，男性更喜歡消費運類物品。
[0105] (二)根據LR模型計算特征權重。
[0106] 物品信息的推薦裝置結合物品信息、用戶的屬性信息及用戶行為數據，通過特征 離散化和特征交叉等特征工程技術，構造海量特征，使用LR模型就可W學習出不同特征權 重，其中運些特征權重是量化衡量對用戶消費物品有影響的各因素的影響程度。
[0107] 步驟S23、在線打分及排序，并輸出推薦結果。
[0108] 如圖2a所示，物品信息的推薦裝置在線上為用戶推薦物品時，首先取出所有候選 物品集，然后根據訪問用戶近期消費物品的行為（即用戶行為數據）W及用戶性別、年齡、地 域等屬性信息，構成一個用戶特征向量A，A和相似度矩陣S相乘，則可W得到(M+N)個物品的 得分向量Score。
[0109] Scoreix(M+N)=Aix(M+N) ? S(M+N)x如+N)
[0110] 比如，一位27歲深功枚性昨天下載了 "XX街"App(應用程序），則用戶特征向量A中 即包含【女性，27歲，深圳，XX街】運樣的維度。然后將運個用戶特征向量A和相似度矩陣S進 行相乘，得到(M+N)個物品的得分向量Score。
[0111] 假設，某女性用戶近期消費了物品1，則物品1和女性運個特征相似，女性偏向購買 的物品的得分會較高；同時該女性消費了物品1，則和物品1相似的物品得分也會較高，即和 物品1相似的物品可認為是購買了 1接著又會購買的物品。而綜合得分最高的物品，即推測 是該女性近期比較喜歡或者關注的物品。也就是說，先通過相似度矩陣W及用戶特征向量A 進行用戶意圖預測，然后從Score向量中抽取出得分最高的一組物品即是近期最適合用戶 的一組物品，將運一組物品使用LR模型（即特征權重)進行排序，得到最終排序結果。
[0112] 物品信息的推薦裝置根據物品的最終排序結果，先獲取運些物品相對應的物品信 息，如物品的分類、物品的名稱、物品的廠商等等信息，然后將運些物品信息進行顯示，W向 用戶進行物品推薦。
[0113] 本發明實施例提供的該物品信息的推薦方法可應用于應用商城，如圖2b所示，可 W根據用戶瀏覽、點擊、購買、下載的一些行為W及屬性信息，推薦最適合用戶的應用程序， 從而可W實現將發現首頁(或軟件首頁等）的曝光轉化率(Ctr)提升15%至20% W上，曝光 轉化率是指物品在應用捜索首頁一天內的下載次數和曝光次數的比值。
[0114] 綜合前述步驟可知，本發明通過在線性模型（目化R模型）前增加用戶意圖預測層， 即根據用戶屬性信息及近期對物品不同點擊和消費行為，使用熱傳導算法計算物品之間相 似度W及物品和用戶屬性信息之間的相似度，然后根據用戶行為數據及用戶特征向量和相 似度矩陣相乘，得到待推薦物品打分粗選打分，找到最適合給用戶推薦的一組個性化物品， 然后在LR模型表達能力范圍內將有限推薦集合進行排序。
[0115] 由上述可知，本發明實施例提供的物品信息的推薦方法，當接收到物品訪問請求 時，獲取訪問用戶的屬性信息及用戶行為數據;然后，基于預設的相似度矩陣、W及獲取到 的訪問用戶的屬性信息及用戶行為數據，在候選物品集中確定滿足預設條件的物品，所述 預設的相似度矩陣用于指示候選物品之間的相似度W及候選物品和屬性信息之間的相似 度;最后，將滿足預設條件的物品向該訪問用戶推薦。即本發明實施例通過相似度矩陣、訪 問用戶的屬性信息及用戶行為數據，如近期對物品不同點擊和消費行為等，來實現對用戶 訪問進行意圖預測，也就是說在LR模型前增加一層用戶意圖預測，使用熱傳導模型首先將 候選集進行個性化選擇，然后將選出的一組個性化物品交由LR, LR發揮其對各種影響推薦 的因素的衡量能力，進行精排，從而可W確定出適合用戶的物品并推薦，相對于基于線性模 型預測用戶對物品的曝光轉化率得分來進行推薦的方式，不僅提升了推薦結果的個性化， 改善推薦效果，還提高推薦結果的準確性。
[0116] 第；實施例
[0117] 為便于更好的實施本發明實施例提供的物品信息的推薦方法，本發明實施例還提 供一種基于上述物品信息的推薦方法的裝置。其中名詞的含義與上述物品信息的推薦的方 法中相同，具體實現細節可W參考方法實施例中的說明。
[0118] 請參閱圖3曰，圖3a為本發明實施例提供的物品信息的推薦裝置的結構示意圖，其 中所述物品信息的推薦裝置可W包括第一獲取單元301、第二獲取單元302、確定單元303W 及推薦單元304。
[0119] 其中所述第一獲取單元301，用于當接收到物品訪問請求時，獲取訪問用戶的屬性 信息及用戶行為數據;第二獲取單元302,用于獲取相應的候選物品集。
[0120] 比如，訪問用戶可W通過手機客戶端或者PC(個人電腦)端等向物品信息的推薦裝 置發送物品訪問請求，物品信息的推薦裝置根據該物品訪問請求，獲取該訪問用戶的屬性 信息及用戶行為數據。當通過終端應用（如手機端應用商城)接收到物品訪問請求時，可W 獲取到該終端應用相應的物品信息數據庫，并將該物品信息數據庫中的物品信息設定為候 選物品集。
[0121] 本發明實施例中，所述物品可W具體指手機端應用商城中的應用程序、購物平臺 上提供的物品等等，所述物品信息可W具體指物品名稱、物品類別、物品大小、物品標簽等 信息，此處不作具體限定。
[0122] 所述訪問用戶的屬性信息主要是指用戶性別、年齡、地域等人口統計屬性;所述用 戶行為數據主要指用戶在PC端或者手機客戶端瀏覽、點擊、購買、下載、安裝等行為日志。
[0123] 確定單元303,用于基于預設的相似度矩陣、所述訪問用戶的屬性信息及用戶行為 數據，在所述候選物品集中確定滿足預設條件的物品，所述預設的相似度矩陣用于指示候 選物品之間的相似度W及候選物品和屬性信息之間的相似度;推薦單元304,用于將所述滿 足預設條件的物品所對應的物品信息向訪問用戶推薦。
[0124] 請一并參考圖3b，圖3b為本發明實施例提供的物品信息的推薦裝置的另一結構示 意圖；所述物品信息的推薦裝置還可W包括收集單元305W及生成單元306,用于預先生成 相似度矩陣并存儲：
[0125] 其中所述收集單元305,用于收集物品信息、用戶的屬性信息及用戶行為數據;所 述生成單元306,用于基于熱傳導算法，并根據所述物品信息所指示的物品、用戶的屬性信 息及用戶行為數據，生成預設的相似度矩陣。
[0126] 也就是說，物品信息的推薦裝置需要先收集物品信息、用戶的屬性信息及用戶行 為數據等數據源，并基于運些數據源學習熱傳導模型，從而生成相似度矩陣。
[0127] 可W理解的是，熱傳導算法的思想是將用戶和物品的關系類比為一個二部圖，即 用戶是一類節點，物品是另一類節點，用戶和物品之間存在連邊，但是用戶和用戶之間W及 物品和物品之間不存在連邊。
[0128] 用戶消費某種物品的行為，可W理解為能量巧ne巧y)或熱量化eat)。如圖Id中（a) 所示，假設用戶已消費物品信息的推薦能力為1，未消費物品信息的推薦能力為0, W標注 了*的用戶(user)為例，對于物質擴散，物品首先把其能量平分給消費過它的用戶，如(b)所 示，然后用戶將自己能量平分給物品，如(C)所示，就可W得到*用戶未消費的物品中，第S 個物品的得分最高，接下來應該給*用戶推薦第=個物品；對于熱量傳導，首先一個用戶溫 度等于他購買過物品溫度的平均值，如(d)所示，接下來每一個物品溫度等于所有購買過它 的用戶溫度平均值，如(e)所示，可W看到*用戶未消費的物品中，應該給*用戶推薦第四個 物品。接著，根據物質擴散和熱量傳導的兩個過程，可W得到計算物品之間相似度的綜合公 式
[0129] 進一步的，所述物品信息的推薦裝置還可W包括第一構造單元307,用于根據所述 訪問用戶的屬性信息及用戶行為數據，構造用戶特征向量。
[0130] 可具體的，物品信息的推薦裝置在在線上為訪問用戶推薦物品時，首先獲取候選 物品集，然后根據用戶近期消費物品的行為W及用戶性別、年齡、地域等屬性信息，構成一 個用戶特征向量A。比如，一位27歲深圳女性昨天下載了 "XX街"App(應用程序），則用戶特征 向量A中即包含【女性，27歲，深圳，XX街】運樣的維度。
[0131] 基于此，所述確定單元303用于:基于預設的相似度矩陣和所述用戶特征向量，在 所述候選物品集中確定滿足預設條件的物品。
[0132] 在某些實施方式中，所述確定單元303可W包括打分子單元3031和第一確定子單 元3032,用于基于預設的相似度矩陣和所述用戶特征向量，在所述候選物品集中確定滿足 預設條件的物品。
[0133] 可具體的，所述打分子單元3031，用于根據所述相似度矩陣W及所述用戶特征向 量，對所述候選物品集中的物品進行打分，得到打分結果；
[0134] 所述第一確定子單元3032，用于根據所述打分結果，確定目標物品，將所述目標物 品確定為滿足預設條件的物品，所述目標物品為在所述候選物品集中，相應的打分結果超 過預設分數闊值的物品。
[0135] 更進一步的，該實施方式中，所述打分子單元3031可W具體用于:將所述相似度矩 陣W及所述用戶特征向量進行相乘，生成得分向量，將所述得分向量作為打分結果。
[0136] 在某些實施方式中，所述確定單元303可W包括打分子單元3031、第二確定子單元 3033W及排序子單元3034,用于基于預設的相似度矩陣和所述用戶特征向量，在所述候選 物品集中確定滿足預設條件的物品。
[0137] 所述打分子單元3031，用于根據所述相似度矩陣W及所述用戶特征向量，對所述 候選物品集中的物品進行打分，得到打分結果;可具體的，將所述相似度矩陣W及所述用戶 特征向量進行相乘，生成得分向量，將所述得分向量作為打分結果。
[0138] 所述第二確定子單元3033，用于根據所述打分結果，確定目標物品，所述目標物品 為在所述候選物品集中，相應的打分結果超過預設分數闊值的物品;所述排序子單元3034， 用于通過預設的邏輯斯特回歸模型，對所述目標物品進行排序，得到排序后的目標物品；
[0139] 所述第二確定子單元3033還用于:將所述排序后的目標物品確定為滿足預設條件 的物品。
[0140] 也就是說，在確定目標物品后，通過預設的邏輯斯特回歸模型對目標物品進行精 排，W將最適合用戶的物品對應的物品信息推薦給用戶。
[0141] 可W理解的是，本發明實施例中，該邏輯斯特回歸模型可W預先設置在物品信息 的推薦裝置中，因此所述物品信息的推薦裝置還可W包括第二構造單元308，用于根據所述 物品信息、用戶的屬性信息及用戶行為數據，構造特征，所述特征包括物品特征及物品和用 戶之間的交叉特征。
[0142] 基于此，所述排序子單元3034可W用于:通過預設的邏輯斯特回歸模型，對所述特 征進行學習，生成特征權重，基于所述特征權重，對所述目標物品進行排序，得到排序后的 目標物品。
[0143] 即物品信息的推薦裝置可W結合物品信息、用戶的屬性信息及用戶行為數據，通 過特征離散化和特征交叉等特征工程技術，使用邏輯斯特回歸模型化財莫型)進行學習，從 而可W學習出不同特征權重，其中運些特征權重是量化衡量對用戶消費物品有影響的各因 素的影響程度。
[0144] 可W理解的是，使用如公式(5)所示的運樣一個目標函數模型，得到權重W和常數 項b，并使用LR模型的假設（即公式(4))對物品進行打分W及排序，最終得到滿足預設條件 的物品，其中，特征是指公式(5)中的X，特征權重即是指公式(5)中的W。
[0145] 在確定出滿足預設條件的物品后，推薦單元304,用于將所述滿足預設條件的物品 所對應的物品信息向訪問用戶推薦。
[0146] 比如，物品信息的推薦裝置確定出所述滿足預設條件的物品后，先獲取運些物品 相對應的物品信息，如物品的分類、物品的名稱、物品的廠商等等信息，然后將運些物品信 息進行顯示，W向用戶進行物品推薦。
[0147] 需要說明的是，熱傳導算法W及邏輯斯特回歸模型原理可參考第一實施例相關內 容，此處不再寶述。
[0148] 具體實施時，W上各個單元可W作為獨立的實體來實現，也可W進行任意組合，作 為同一或若干個實體來實現，W上各個單元的具體實施可參見前面的方法實施例，在此不 再寶述。
[0149] 該物品信息的推薦裝置具體可W集成在服務器或網關等網絡設備中。
[0150] 由上述可知，本發明實施例提供的物品信息的推薦裝置，當接收到物品訪問請求 時，獲取訪問用戶的屬性信息及用戶行為數據;然后，基于預設的相似度矩陣、W及獲取到 的訪問用戶的屬性信息及用戶行為數據，在候選物品集中確定滿足預設條件的物品，所述 預設的相似度矩陣用于指示候選物品之間的相似度W及候選物品和屬性信息之間的相似 度;最后，將滿足預設條件的物品向該訪問用戶推薦。即本發明實施例通過相似度矩陣、訪 問用戶的屬性信息及用戶行為數據，如近期對物品不同點擊和消費行為等，來實現對用戶 訪問進行意圖預測，其中相似度矩陣表示物品之間相似度W及物品和用戶基礎屬性之間的 相似度，從而可W確定出適合用戶的物品并推薦，相對于基于線性模型預測用戶對物品的 曝光轉化率得分來進行推薦的方式，不僅提升了推薦結果的個性化，改善推薦效果，還提高 推薦結果的準確性。
[0151] 第四實施例
[0152] 本發明實施例還提供一種服務器，其中可W集成本發明實施例的物品信息的推薦 裝置，如圖4所示，其示出了本發明實施例所設及的服務器的結構示意圖，具體來講：
[0153] 該服務器可W包括一個或者一個W上處理核屯、的處理器401、一個或一個W上計 算機可讀存儲介質的存儲器402、射頻(Radio Frequency ,RF)電路403、電源404、輸入單元 405、W及顯示單元406等部件。本領域技術人員可W理解，圖4中示出的服務器結構并不構 成對服務器的限定，可W包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部 件布置。其中：
[0154] 處理器401是該服務器的控制中屯、，利用各種接口和線路連接整個服務器的各個 部分，通過運行或執行存儲在存儲器402內的軟件程序和/或模塊，W及調用存儲在存儲器 402內的數據，執行服務器的各種功能和處理數據，從而對服務器進行整體監控。可選的，處 理器401可包括一個或多個處理核屯、；優選的，處理器401可集成應用處理器和調制解調處 理器，其中，應用處理器主要處理操作系統、用戶界面和應用程序等，調制解調處理器主要 處理無線通信。可W理解的是，上述調制解調處理器也可W不集成到處理器401中。
[0K5]存儲器402可用于存儲軟件程序W及模塊，處理器401通過運行存儲在存儲器402 的軟件程序W及模塊，從而執行各種功能應用W及數據處理。存儲器402可主要包括存儲程 序區和存儲數據區，其中，存儲程序區可存儲操作系統、至少一個功能所需的應用程序（比 如聲音播放功能、圖像播放功能等)等;存儲數據區可存儲根據服務器的使用所創建的數據 等。此外，存儲器402可W包括高速隨機存取存儲器，還可W包括非易失性存儲器，例如至少 一個磁盤存儲器件、閃存器件、或其他易失性固態存儲器件。相應地，存儲器402還可W包括 存儲器控制器，W提供處理器401對存儲器402的訪問。
[0156] RF電路403可用于收發信息過程中，信號的接收和發送，特別地，將基站的下行信 息接收后，交由一個或者一個W上處理器401處理;另外，將設及上行的數據發送給基站。通 常，RF電路403包括但不限于天線、至少一個放大器、調諧器、一個或多個振蕩器、用戶身份 模塊(SIM)卡、收發信機、禪合器、低噪聲放大器(LNA，Low Noise Amplifier)、雙工器等。此 夕h RF電路403還可W通過無線通信與網絡和其他設備通信。所述無線通信可W使用任一通 信標準或協議，包括但不限于全球移動通訊系統（GSM，Global System of Mobile communication)、通用分組無線服務（GPRS,General Packet Radio Service)、碼分多址 (CDMA，Code Division Multiple Access)、寬帶碼分多址（WCDMA，Wideband Code Division Multiple Access)、長期演進(XTE，Long Term Evolution)、電子郵件、短消息服 務（SMS,化ort Messaging Service)等。
[0157] 服務器還包括給各個部件供電的電源404(比如電池），優選的，電源可W通過電源 管理系統與處理器401邏輯相連，從而通過電源管理系統實現管理充電、放電、W及功耗管 理等功能。電源404還可W包括一個或一個W上的直流或交流電源、再充電系統、電源故障 檢測電路、電源轉換器或者逆變器、電源狀態指示器等任意組件。
[0158] 該服務器還可包括輸入單元405,該輸入單元405可用于接收輸入的數字或字符信 息，W及產生與用戶設置W及功能控制有關的鍵盤、鼠標、操作桿、光學或者軌跡球信號輸 入。
[0159] 該服務器還可包括顯示單元406,該顯示單元406可用于顯示由用戶輸入的信息或 提供給用戶的信息W及服務器的各種圖形用戶接口，運些圖形用戶接口可W由圖形、文本、 圖標、視頻和其任意組合來構成。顯示單元406可包括顯示面板，可選的，可W采用液晶顯示 器化CD,Liquid Oystal Display)、有機發光二極管（0LED，0rganic Light-Emitting Diode)等形式來配置顯示面板。
[0160] 具體在本實施例中，服務器中的處理器401會按照如下的指令，將一個或一個W上 的應用程序的進程對應的可執行文件加載到存儲器402中，并由處理器401來運行存儲在存 儲器402中的應用程序，從而實現各種功能，如下：
[0161] 當接收到物品訪問請求時，獲取訪問用戶的屬性信息及用戶行為數據;獲取相應 的候選物品集;基于預設的相似度矩陣、所述訪問用戶的屬性信息及用戶行為數據，在所述 候選物品集中確定滿足預設條件的物品，所述預設的相似度矩陣用于指示候選物品之間的 相似度W及候選物品和屬性信息之間的相似度;將所述滿足預設條件的物品所對應的物品 信息向訪問用戶推薦。
[0162] 優選的，所述處理器401還可W用于，收集物品信息、用戶的屬性信息及用戶行為 數據;基于熱傳導算法，并根據所述物品信息所指示的物品、用戶的屬性信息及用戶行為數 據，生成預設的相似度矩陣。
[0163] 優選的，所述處理器401還可W用于，根據所述訪問用戶的屬性信息及用戶行為數 據，構造用戶特征向量;基于預設的相似度矩陣和所述用戶特征向量，在所述候選物品集中 確定滿足預設條件的物品。
[0164] 優選的，所述處理器401還可W用于，根據所述相似度矩陣W及所述用戶特征向 量，對所述候選物品集中的物品進行打分，得到打分結果;根據所述打分結果，確定目標物 品，所述目標物品為在所述候選物品集中，相應的打分結果超過預設分數闊值的物品；將所 述目標物品確定為滿足預設條件的物品。
[0165] 優選的，所述處理器401還可W用于，根據所述相似度矩陣W及所述用戶特征向 量，對所述候選物品集中的物品進行打分，得到打分結果;根據所述打分結果，確定目標物 品，所述目標物品為在所述候選物品集中，相應的打分結果超過預設分數闊值的物品;通過 預設的邏輯斯特回歸模型，對所述目標物品進行排序，得到排序后的目標物品；將所述排序 后的目標物品確定為滿足預設條件的物品。
[0166] 優選的，所述處理器401還可W用于，根據所述物品信息、用戶的屬性信息及用戶 行為數據，構造特征，所述特征包括物品特征及物品和用戶之間的交叉特征;通過預設的邏 輯斯特回歸模型，對所述特征進行學習，生成特征權重，基于所述特征權重，對所述目標物 品進行排序，得到排序后的目標物品。
[0167] 優選的，所述處理器401還可W用于，將所述相似度矩陣W及所述用戶特征向量進 行相乘，生成得分向量，將所述得分向量作為打分結果。
[0168] 由上述可知，本發明實施例提供的服務器中，當接收到物品訪問請求時，獲取訪問 用戶的屬性信息及用戶行為數據;然后，基于預設的相似度矩陣、W及獲取到的訪問用戶的 屬性信息及用戶行為數據，在候選物品集中確定滿足預設條件的物品，所述預設的相似度 矩陣用于指示候選物品之間的相似度W及候選物品和屬性信息之間的相似度;最后，將滿 足預設條件的物品向該訪問用戶推薦。即本發明實施例通過相似度矩陣、訪問用戶的屬性 信息及用戶行為數據，如近期對物品不同點擊和消費行為等，來實現對用戶訪問進行意圖 預測，其中相似度矩陣表示物品之間相似度W及物品和用戶基礎屬性之間的相似度，從而 可W確定出適合用戶的物品并推薦，相對于基于線性模型預測用戶對物品的曝光轉化率得 分來進行推薦的方式，不僅提升了推薦結果的個性化，改善推薦效果，還提高推薦結果的準 確性。
[0169] 在上述實施例中，對各個實施例的描述都各有側重，某個實施例中沒有詳述的部 分，可W參見上文針對物品信息的推薦方法的詳細描述，此處不再寶述。
[0170] 本發明實施例提供的所述物品信息的推薦裝置，譬如為計算機、平板電腦、具有觸 摸功能的手機等等，所述物品信息的推薦裝置與上文實施例中的物品信息的推薦方法屬于 同一構思，在所述物品信息的推薦裝置上可W運行所述物品信息的推薦方法實施例中提供 的任一方法，其具體實現過程詳見所述物品信息的推薦方法實施例，此處不再寶述。
[0171] 需要說明的是，對本發明所述物品信息的推薦方法而言，本領域普通測試人員可 W理解實現本發明實施例所述物品信息的推薦方法的全部或部分流程，是可W通過計算機 程序來控制相關的硬件來完成，所述計算機程序可存儲于一計算機可讀取存儲介質中，如 存儲在終端的存儲器中，并被該終端內的至少一個處理器執行，在執行過程中可包括如所 述物品信息的推薦方法的實施例的流程。其中，所述的存儲介質可為磁碟、光盤、只讀存儲 器（ROM,Read Only Memory)、隨機存取記憶體（RAM,Random Access Memory)等。
[0172] 對本發明實施例的所述物品信息的推薦裝置而言，其各功能模塊可W集成在一個 處理忍片中，也可W是各個模塊單獨物理存在，也可W兩個或兩個W上模塊集成在一個模 塊中。上述集成的模塊既可W采用硬件的形式實現，也可W采用軟件功能模塊的形式實現。 所述集成的模塊如果W軟件功能模塊的形式實現并作為獨立的產品銷售或使用時，也可W 存儲在一個計算機可讀取存儲介質中，所述存儲介質譬如為只讀存儲器，磁盤或光盤等。
[0173] W上對本發明實施例所提供的一種物品信息的推薦方法及裝置進行了詳細介紹， 本文中應用了具體個例對本發明的原理及實施方式進行了闡述，W上實施例的說明只是用 于幫助理解本發明的方法及其核屯、思想；同時，對于本領域的技術人員，依據本發明的思 想，在【具體實施方式】及應用范圍上均會有改變之處，綜上所述，本說明書內容不應理解為對 本發明的限制。
【主權項】
1. 一種物品信息的推薦方法，其特征在于，包括： 當接收到物品訪問請求時，獲取訪問用戶的屬性信息及用戶行為數據； 獲取相應的候選物品集； 基于預設的相似度矩陣、所述訪問用戶的屬性信息及用戶行為數據，在所述候選物品 集中確定滿足預設條件的物品，所述預設的相似度矩陣用于指示候選物品之間的相似度以 及候選物品和屬性信息之間的相似度； 將所述滿足預設條件的物品所對應的物品信息向訪問用戶推薦。2. 根據權利要求1所述的物品信息的推薦方法，其特征在于，所述當接收到物品訪問請 求時，獲取訪問用戶的屬性信息及用戶行為數據之前，還包括： 收集物品信息、用戶的屬性信息及用戶行為數據； 基于熱傳導算法，并根據所述物品信息所指示的物品、用戶的屬性信息及用戶行為數 據，生成預設的相似度矩陣。3. 根據權利要求1所述的物品信息的推薦方法，其特征在于，所述基于預設的相似度矩 陣、所述屬性信息及用戶行為數據，在所述候選物品集中確定滿足預設條件的物品之前，還 包括： 根據所述訪問用戶的屬性信息及用戶行為數據，構造用戶特征向量； 所述基于預設的相似度矩陣、所述屬性信息及用戶行為數據，在所述候選物品集中確 定滿足預設條件的物品包括:基于預設的相似度矩陣和所述用戶特征向量，在所述候選物 品集中確定滿足預設條件的物品。4. 根據權利要求3所述的物品信息的推薦方法，其特征在于，所述基于預設的相似度矩 陣和所述用戶特征向量，在所述候選物品集中確定滿足預設條件的物品包括： 根據所述相似度矩陣以及所述用戶特征向量，對所述候選物品集中的物品進行打分， 得到打分結果； 根據所述打分結果，確定目標物品，所述目標物品為在所述候選物品集中，相應的打分 結果超過預設分數閾值的物品； 將所述目標物品確定為滿足預設條件的物品。5. 根據權利要求3所述的物品信息的推薦方法，其特征在于，所述基于預設的相似度矩 陣和所述用戶特征向量，在所述候選物品集中確定滿足預設條件的物品包括： 根據所述相似度矩陣以及所述用戶特征向量，對所述候選物品集中的物品進行打分， 得到打分結果； 根據所述打分結果，確定目標物品，所述目標物品為在所述候選物品集中，相應的打分 結果超過預設分數閾值的物品； 通過預設的邏輯斯特回歸模型，對所述目標物品進行排序，得到排序后的目標物品； 將所述排序后的目標物品確定為滿足預設條件的物品。6. 根據權利要求5所述的物品信息的推薦方法，其特征在于，所述通過預設的邏輯斯特 回歸模型，對所述目標物品進行排序，得到排序后的目標物品之前，還包括： 根據所述物品信息、用戶的屬性信息及用戶行為數據，構造特征，所述特征包括物品特 征及物品和用戶之間的交叉特征； 所述通過預設的邏輯斯特回歸模型，對所述目標物品進行排序，得到排序后的目標物 品包括:通過預設的邏輯斯特回歸模型，對所述特征進行學習，生成特征權重，基于所述特 征權重，對所述目標物品進行排序，得到排序后的目標物品。7. 根據權利要求4或5所述的物品信息的推薦方法，其特征在于，所述根據所述相似度 矩陣以及所述用戶特征向量，對所述候選物品集中的物品進行打分，得到打分結果，包括： 將所述相似度矩陣以及所述用戶特征向量進行相乘，生成得分向量，將所述得分向量 作為打分結果。8. -種物品信息的推薦裝置，其特征在于，包括： 第一獲取單元，用于當接收到物品訪問請求時，獲取訪問用戶的屬性信息及用戶行為 數據； 第二獲取單元，用于獲取相應的候選物品集； 確定單元，用于基于預設的相似度矩陣、所述訪問用戶的屬性信息及用戶行為數據，在 所述候選物品集中確定滿足預設條件的物品，所述預設的相似度矩陣用于指示候選物品之 間的相似度以及候選物品和屬性信息之間的相似度； 推薦單元，用于將所述滿足預設條件的物品所對應的物品信息向訪問用戶推薦。9. 根據權利要求8所述的物品信息的推薦裝置，其特征在于，所述裝置還包括： 收集單元，用于收集物品信息、用戶的屬性信息及用戶行為數據； 生成單元，用于基于熱傳導算法，并根據所述物品信息所指示的物品、用戶的屬性信息 及用戶行為數據，生成預設的相似度矩陣。10. 根據權利要求8所述的物品信息的推薦裝置，其特征在于，所述裝置還包括： 第一構造單元，用于根據所述訪問用戶的屬性信息及用戶行為數據，構造用戶特征向 量； 所述確定單元用于:基于預設的相似度矩陣和所述用戶特征向量，在所述候選物品集 中確定滿足預設條件的物品。11. 根據權利要求10所述的物品信息的推薦裝置，其特征在于，所述確定單元包括： 打分子單元，用于根據所述相似度矩陣以及所述用戶特征向量，對所述候選物品集中 的物品進行打分，得到打分結果； 第一確定子單元，用于根據所述打分結果，確定目標物品，將所述目標物品確定為滿足 預設條件的物品，所述目標物品為在所述候選物品集中，相應的打分結果超過預設分數閾 值的物品。12. 根據權利要求10所述的物品信息的推薦裝置，其特征在于，所述確定單元包括： 打分子單元，用于根據所述相似度矩陣以及所述用戶特征向量，對所述候選物品集中 的物品進行打分，得到打分結果； 第二確定子單元，用于根據所述打分結果，確定目標物品，所述目標物品為在所述候選 物品集中，相應的打分結果超過預設分數閾值的物品； 排序子單元，用于通過預設的邏輯斯特回歸模型，對所述目標物品進行排序，得到排序 后的目標物品； 所述第二確定子單元還用于:將所述排序后的目標物品確定為滿足預設條件的物品。13. 根據權利要求12所述的物品信息的推薦裝置，其特征在于，所述裝置還包括： 第二構造單元，用于根據所述物品信息、用戶的屬性信息及用戶行為數據，構造特征， 所述特征包括物品特征及物品和用戶之間的交叉特征； 所述排序子單元用于:通過預設的邏輯斯特回歸模型，對所述特征進行學習，生成特征 權重，基于所述特征權重，對所述目標物品進行排序，得到排序后的目標物品。14.根據權利要求11或12所述的物品信息的推薦裝置，其特征在于，所述打分子單元用 于:將所述相似度矩陣以及所述用戶特征向量進行相乘，生成得分向量，將所述得分向量作 為打分結果。
【文檔編號】G06F17/30GK105956146SQ201610316412
【公開日】2016年9月21日
【申請日】2016年5月12日
【發明人】莊廣安, 梁宇, 賀鵬, 岳亞丁
【申請人】騰訊科技（深圳）有限公司