物料推荐方法、装置、设备及计算机存储介质与流程

本技术涉及计算机，尤其涉及一种物料推荐方法、装置、设备及计算机存储介质。

背景技术：

1、用户兴趣模型中的长期历史行为序列可以显著提高点击通过率(click-through-rate，ctr)模型的性能。虽然较长的用户行为序列为用户兴趣建模带来了更多有用的信息，但它极大地增加了在线服务系统的延迟和存储负担，同时包含了逐点点击率预测的大量噪声。

2、现有的推荐系统中，行为序列模型只能处理短期行为序列数据，短期行为序列数据的长度(即序列中的用户行为的个数)通常小于150，使得无法捕捉用户长行为序列中的有用信息，导致无法实现更精准的物料推荐。

技术实现思路

1、本技术提供一种物料推荐方法、装置、设备及计算机存储介质，以实现更精准的物料推荐。

2、本技术的技术方案是这样实现的：

3、本技术提供一种物料推荐方法，上述方法包括：基于待推荐的候选物料，从第一行为序列中筛选出与候选物料相关的第二行为序列；第一行为序列用于表征目标用户点击过的多个历史物料，第二行为序列用于表征多个历史物料中与候选物料相关的目标历史物料；确定与第二行为序列关联的辅助信息序列；辅助信息序列用于表征目标用户点击每一个目标历史物料的时间信息；通过推荐模型中的注意力模块，基于第二行为序列、辅助信息序列和候选物料得到每一个目标历史物料的权重，并基于权重对所有目标历史物料进行聚合，以得到序列聚合特征；通过推荐模型中的深度神经网络，基于序列聚合特征、候选物料、和每一个目标历史物料的物料特征预测目标用户对候选物料的点击率；基于点击率，向目标用户进行物料推荐。

4、在一些可能的实施方式中，基于待推荐的候选物料，从第一行为序列中筛选出与候选物料相关的第二行为序列，包括：从多个历史物料中筛选与候选物料为相同物料类目的历史物料作为目标历史物料；基于目标历史物料的物料标识，生成第二行为序列。

5、在一些可能的实施方式中，基于待推荐的候选物料，从第一行为序列中筛选出与候选物料相关的第二行为序列，包括：对多个历史物料的物料标识进行编码处理，以得到第一行为序列对应的第一嵌入向量矩阵；第一嵌入向量矩阵中的多个元素与多个历史物料的物料标识一一对应；对候选物料的物料标识进行编码处理，以得到候选物料对应的第二嵌入向量；分别对第一嵌入向量矩阵中的每一个元素和第二嵌入向量进行相似度计算，以得到第一元素；第一元素为第一嵌入向量矩阵中与第二嵌入向量的相似度大于预设阈值的元素；将第一元素对应的历史物料作为目标历史物料，组合目标历史物料的物料标识，生成第二行为序列。

6、在一些可能的实施方式中，通过推荐模型中的注意力模块，基于第二行为序列、辅助信息序列和候选物料得到每一个目标历史物料的权重，并基于权重对所有目标历史物料进行聚合，以得到序列聚合特征，包括：对候选物料的物料标识进行编码处理，以得到候选物料对应的第二嵌入向量；对每一个目标历史物料的物料标识进行编码处理，以得到第二行为序列对应的第三嵌入向量矩阵；对每一个目标历史物料的时间信息进行编码处理，以得到第四嵌入向量矩阵；第四嵌入向量矩阵中的多个元素与第三嵌入向量矩阵中的多个元素一一对应；通过注意力模块，基于第二嵌入向量、第三嵌入向量矩阵和第四嵌入向量矩阵，确定每一个目标历史物料的权重；基于每一个目标历史物料的权重，对各个目标历史物料在第三嵌入向量矩阵中对应的元素进行加权求和处理，得到序列聚合特征。

7、在一些可能的实施方式中，通过注意力模块，基于第二嵌入向量、第三嵌入向量矩阵和第四嵌入向量矩阵，确定每一个目标历史物料的权重，包括：对第三嵌入向量矩阵中的每一个元素和第二嵌入向量进行哈达玛积运算，得到融合矩阵；融合矩阵用于表示每一个目标历史物料与候选物料的相关性；通过注意力模块，对融合矩阵和第四嵌入向量矩阵进行函数映射，以得到每一个目标历史物料的权重。

8、在一些可能的实施方式中，对第三嵌入向量矩阵中的每一个元素和第二嵌入向量进行哈达玛积运算，得到融合矩阵，包括：分别对第三嵌入向量矩阵中的每一个元素和第二嵌入向量进行哈达玛积运算，得到多个第二元素；多个第二元素与第三嵌入向量矩阵中的多个元素一一对应；每一个第二元素用于表征对应的目标历史物料与候选物料的相关性；组合多个第二元素，得到融合矩阵。

9、在一些可能的实施方式中，通过注意力模块，对融合矩阵和第四嵌入向量矩阵进行函数映射，以得到序列聚合特征，包括：通过注意力模块，分别对每一个第二元素和与每一个第二元素对应的第四嵌入向量矩阵中的元素进行函数映射，得到多个第一输出特征；多个第一输出特征与多个第二元素一一对应；分别对每一个第一输出特征和与每一个第一输出特征对应的第二元素进行哈达玛积运算，得到多个子序列聚合特征；对多个子序列聚合特征进行求和处理，得到序列聚合特征。

10、在一些可能的实施方式中，通过推荐模型中的深度神经网络，基于序列聚合特征和候选物料预测目标用户对候选物料的点击率，包括：对候选物料的物料标识进行编码处理，以得到候选物料对应的第二嵌入向量；对第二嵌入向量和序列聚合特征进行哈达玛积运算，得到相关性特征；相关性特征用于表征候选物料与所有目标历史物料之间的相关性；将相关性特征、序列聚合特征、第二嵌入向量和每一个目标历史物料的物料特征输入深度神经网络，得到目标用户对候选物料的点击率的预测值。

11、本技术提供一种物料推荐装置，上述装置包括：第一数据处理模块，用于基于待推荐的候选物料，从第一行为序列中筛选出与候选物料相关的第二行为序列；第一行为序列用于表征目标用户点击过的多个历史物料，第二行为序列用于表征多个历史物料中与候选物料相关的目标历史物料；第二数据处理模块，用于确定与第二行为序列关联的辅助信息序列；辅助信息序列用于表征目标用户点击每一个目标历史物料的时间信息；数据计算模块，用于通过推荐模型中的注意力模块，基于第二行为序列、辅助信息序列和候选物料得到每一个目标历史物料的权重，并基于权重对所有目标历史物料进行聚合，以得到序列聚合特征；预测模块，通过推荐模型中的深度神经网络，基于序列聚合特征、候选物料、和每一个目标历史物料的物料特征预测目标用户对候选物料的点击率；推荐模块，基于点击率，向目标用户进行物料推荐。

12、在一些可能的实施方式中，第一数据处理模块，用于从多个历史物料中筛选与候选物料为相同物料类目的历史物料作为目标历史物料；基于目标历史物料的物料标识，生成第二行为序列。

13、在一些可能的实施方式中，第一数据处理模块，用于对多个历史物料的物料标识进行编码处理，以得到第一行为序列对应的第一嵌入向量矩阵；第一嵌入向量矩阵中的多个元素与多个历史物料的物料标识一一对应；对候选物料的物料标识进行编码处理，以得到候选物料对应的第二嵌入向量；分别对第一嵌入向量矩阵中的每一个元素和第二嵌入向量进行相似度计算，以得到第一元素；第一元素为第一嵌入向量矩阵中与第二嵌入向量的相似度大于预设阈值的元素；将第一元素对应的历史物料作为目标历史物料，组合目标历史物料的物料标识，生成第二行为序列。

14、在一些可能的实施方式中，数据计算模块，用于对候选物料的物料标识进行编码处理，以得到候选物料对应的第二嵌入向量；对每一个目标历史物料的物料标识进行编码处理，以得到第二行为序列对应的第三嵌入向量矩阵；对每一个目标历史物料的时间信息进行编码处理，以得到第四嵌入向量矩阵；第四嵌入向量矩阵中的多个元素与第三嵌入向量矩阵中的多个元素一一对应；通过注意力模块，基于第二嵌入向量、第三嵌入向量矩阵和第四嵌入向量矩阵，确定每一个目标历史物料的权重；基于每一个目标历史物料的权重，对各个目标历史物料在第三嵌入向量矩阵中对应的元素进行加权求和处理，得到序列聚合特征。

15、在一些可能的实施方式中，数据计算模块，用于对第三嵌入向量矩阵中的每一个元素和第二嵌入向量进行哈达玛积运算，得到融合矩阵；融合矩阵用于表示每一个目标历史物料与候选物料的相关性；通过注意力模块，对融合矩阵和第四嵌入向量矩阵进行函数映射，以得到每一个目标历史物料的权重。

16、在一些可能的实施方式中，数据计算模块，用于分别对第三嵌入向量矩阵中的每一个元素和第二嵌入向量进行哈达玛积运算，得到多个第二元素；多个第二元素与第三嵌入向量矩阵中的多个元素一一对应；每一个第二元素用于表征对应的目标历史物料与候选物料的相关性；组合多个第二元素，得到融合矩阵。

17、在一些可能的实施方式中，数据计算模块，用于通过注意力模块，分别对每一个第二元素和与每一个第二元素对应的第四嵌入向量矩阵中的元素进行函数映射，得到多个第一输出特征；多个第一输出特征与多个第二元素一一对应；分别对每一个第一输出特征和与每一个第一输出特征对应的第二元素进行哈达玛积运算，得到多个子序列聚合特征；对多个子序列聚合特征进行求和处理，得到序列聚合特征。

18、在一些可能的实施方式中，预测模块，用于对候选物料的物料标识进行编码处理，以得到候选物料对应的第二嵌入向量；对第二嵌入向量和序列聚合特征进行哈达玛积运算，得到相关性特征；相关性特征用于表征候选物料与所有目标历史物料之间的相关性；将相关性特征、序列聚合特征、第二嵌入向量和每一个目标历史物料的物料特征输入深度神经网络，得到目标用户对候选物料的点击率的预测值。

19、本技术提供一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于执行存储器中存储的可执行指令时，以实现本技术提供的方法。

20、本技术提供一种计算机存储介质，存储有可执行指令，用于可执行指令被处理器执行时，以实现本技术提供的方法。

21、本技术提供一种计算机程序产品，包括计算机程序或指令，用于计算机程序或指令被处理器执行时，以实现本技术提供的方法。

22、本技术具有以下有益效果：

23、在本技术中，通过第一行为序列和候选物料，确定第二行为序列，其中，第一行为序列用于表征目标用户点击过的多个历史物料，第二行为序列用于表征多个历史物料中与候选物料相关的目标历史物料，即，第二行为序列为第一行为序列的一部分，第二行为序列的长度是小于第一行为序列的，如此，可以在有效地捕捉用户长行为序列中的有用信息的同时，减小用户行为序列的长度；基于此，将候选物料和目标历史物料关联的第二行为序列、辅助信息序列作为推荐模型的输入数据，可以更简单有效的在推荐模型中提取目标用户的长期历史行为序列的信息，以此实现更精准的物料推荐。