CN113781158A - 商品组合的推荐方法、装置及存储介质 - Google Patents

Abstract

本申请提供一种商品组合的推荐方法及相关设备，用于向用户推荐更加符合其需求又能给其惊喜度的商品组合，提高组合推荐质量。该方法包括：根据用户、商品及商品组合的基本特征和惊喜度特征构建其嵌入向量；根据用户、商品及商品组合的嵌入向量确定N个用户对商品组合集中每个商品的偏好得分和其对每个商品组合本身的偏好得分；根据商品的偏好得分和商品组合本身的偏好得分确定用户对商品组合的最终偏好得分；从现有商品组合集合中选出最终偏好得分大于预设阈值的商品组合子集，按照惊喜度因素进行商品组合的构造或修改，综合偏好得分及惊喜度特征得到商品组合的推荐惊喜度，并按其进行排序；将推荐惊喜度排名前k的商品组合子集向目标用户推荐。

Description

商品组合的推荐方法、装置及存储介质

【技术领域】

本申请属于推荐领域，特别涉及一种商品组合的推荐方法、装置及存储介质。

【背景技术】

电商平台推荐的商品组合通常是由商家来设定的，缺少针对用户的个性化的组合，电商、音乐以及电影等在线平台使用推荐系统为用户在各种各样的商品和文化产品中挑选更符合用户心意的选项。目前来说，电商、电影以及音乐等平台中应用了个性化的组合推荐技术，向用户推荐组合时，主要是基于用户历史记录，针对用户偏好为其推荐喜欢的组合。

基于用户偏好的个性化组合推荐技术，大多是基于用户的历史购买和评分行为，专注推荐结果的准确性，具体的是将推荐任务转化为图结构网络上节点之间的链接预测问题，构建模型预测用户节点与组合节点存在链接的可能性，据此向该用户推荐组合。

但是基于用户偏好的个性化组合推荐技术，忽视了用户的多样性需求，导致了过滤气泡问题，用户也会对频繁反复出现的产品感到厌烦，降低对平台的信任度。

【发明内容】

本申请的目的在于提供一种商品组合的推荐方法、装置及存储介质，用于向用户推荐更加符合用户需求且能给用户惊喜度的商品组合，提高用户体验。

本申请实施例第一方面提供了一种商品组合的推荐方法，包括：

获取待进行商品组合推荐的N个用户所对应的用户特征、商品集合的商品特征和商品组合集合所对应的商品组合特征，其中，所述N为大于或等于2的整数，所述商品集合和所述商品组合集合与所述N个用户相对应；

确定所述N个用户所对应的用户惊喜度特征、所述商品集合所对应的商品惊喜度特征以及所述商品组合集合所对应的商品组合惊喜度特征；

根据所述用户特征、所述商品组合特征、所述商品特征、所述用户惊喜度特征、所述商品惊喜度特征以及所述商品组合惊喜度特征构建用户嵌入向量、商品嵌入向量和商品组合嵌入向量；

根据所述用户嵌入向量、所述商品嵌入向量和所述商品组合嵌入向量确定所述N个用户对所述商品组合集中每个商品的偏好得分和所述N个用户对所述商品集合中每个商品组合的偏好得分；

根据所述商品的偏好得分和所述商品组合的偏好得分确定所述商品组合的最终偏好得分；

确定所述商品组合集合中最终偏好得分大于预设阈值的商品组合子集；

将所述商品组合子集向目标用户推荐，所述目标用户为所述N个用户中的任意一个用户。

本申请第二方面提供了一种商品组合推荐装置，包括：

基本特征获取单元，用于获取待进行商品组合推荐的N个用户所对应的用户特征、商品集合的商品特征和商品组合集合所对应的商品组合特征，其中，所述N为大于或等于2的整数，所述商品集合和所述商品组合集合与所述N个用户相对应；

惊喜度特征确定单元，用于确定所述N个用户所对应的用户惊喜度特征、所述商品集合所对应的商品惊喜度特征以及所述商品组合集合所对应的商品组合惊喜度特征；

嵌入向量确定单元，用于根据所述用户特征、所述商品组合特征、所述商品特征、所述用户惊喜度特征、所述商品惊喜度特征以及所述商品组合惊喜度特征构建用户嵌入向量、商品嵌入向量和商品组合嵌入向量；

偏好得分计算单元，用于根据所述用户嵌入向量、所述商品嵌入向量和所述商品组合嵌入向量确定所述N个用户对所述商品组合集中每个商品的偏好得分和所述N个用户对所述商品集合中每个商品组合的偏好得分；

所述偏好得分计算单元，还用于根据所述商品的偏好得分和所述商品组合的偏好得分确定所述商品组合的最终偏好得分；

候选商品组合确定单元，用于确定所述商品组合集合中最终偏好得分大于预设阈值的商品组合子集；

商品组合推荐单元，用于将所述商品组合子集向目标用户推荐，所述目标用户为所述N个用户中的任意一个用户。

本申请实施例第三方面提供了一种计算机设备，其包括至少一个连接的处理器、存储器和收发器，其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中的程序代码来执行上述第一方面所述的商品组合的推荐方法的步骤。

本申请实施例第四方面提供了一种计算机存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的商品组合的推荐方法的步骤。

相对于相关技术，本申请提供的实施例中，当需要向用户推荐商品组合时，可以获取用户的用户特征，用户已购买的商品特征和用户已购买的商品组合的特征，并确定用户惊喜度特征、商品惊喜度特征和商品组合惊喜度特征，之后根据用户特征、商品特征、商品组合特征、用户惊喜度特征、商品惊喜度特征和商品组合惊喜度特征构建用户嵌入向量、商品嵌入向量和商品组合嵌入向量，之后根据用户嵌入向量、商品嵌入向量和商品组合嵌入向量确定用户对商品组合中商品的偏好得分以及用户对商品组合的偏好得分，并根据用户对商品组合的偏好得分和用户对商品组合的偏好得分确定商品组合的最终偏好得分，并根据该商品组合的最终偏好得分向用户进行推荐。综合考虑用户、商品和商品组合之间的关系，并添加用户惊喜度特征、商品惊喜度特征和商品组合惊喜度特征，综合考虑了用户的接受能力和商品、商品组合的覆盖能力，由此可以向用户推荐符合既符合其需求又能给其惊喜的商品组合，提高用户体验。

【附图说明】

图1为本申请实施例提供的商品组合的推荐方法的流程示意图；

图2为本申请实施例提供的商品组合推荐装置的虚拟结构示意图；

图3为本申请实施例提供的服务器的硬件结构示意图。

【具体实施方式】

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。

下面从商品组合推荐装置的角度对商品组合的推荐方法进行说明，该商品组合推荐装置可以为服务器，也可以为服务器中的服务单元，具体不做限定。

请结合参阅图1，图1为本申请实施例提供的商品组合的推荐方法的流程示意图，包括：

101、获取待进行商品组合推荐的N个用户所对应的用户特征、商品集合的商品特征和商品组合集合所对应的商品组合特征。

本实施例中，商品组合推荐装置在需要向所述N个用户推荐商品组合时，可以获取待进行商品组合推荐的所述N个用户所对应的用户特征、所述商品集合的商品特征和所述商品组合集合所对应的商品组合特征，其中，所述N为大于或等于2的整数，所述商品集合和所述商品组合集合与所述N个用户相对应。也即，商品组合推荐装置可以根据所述N个用户中每个用户的历史记录分别进行用户特征、商品组合特征和商品特征的特征提取，其中，所述商品集合为所述N个用户已购买的商品的集合，所述商品组合集合为所述N个用户已购买的商品组合的集合，所述用户特征包括但不限于用户的年龄、性别和职业，所述商品特征包括但不限于商品所属的类别、商品价格和商品的生产日期，所述商品组合特征包括但不限于商品组合的构成信息，例如商品组合内包含的商品和商品组合内包含的商品的价格。

102、确定所述N个用户所对应的用户惊喜度特征、所述商品集合所对应的商品惊喜度特征以及所述商品组合集合所对应的商品组合惊喜度特征。

本实施例中，主要从三个方面来考量惊喜度：

一、从用户的角度，即用户能感受到的惊喜度。每个用户对推荐商品与交互过的商品的差异度的接受能力是不同的，利用用户的购买记录中商品种类及重复率预测用户的接受能力，并据此确定用户的惊喜度阈值，同时挖掘用户短时间内的购买记录可以确定用户对商品组合的偏好。

二、从商品组合的角度，即商品组合本身带来的惊喜度，主要从商品组合覆盖用户和商品组合内部商品关系两个角度进行定义。其一，商品组合覆盖的用户群体范围及在每个群体中的出现频率是不一样的，因此覆盖面越广，在各个群体中的频率越高，商品组合本身的惊喜度反而越低。其二，商品组合内部商品的多样性及每个类别的商品出现频率也是商品组合惊喜度的决定因素之一，多样性越高，单一类别商品的频率越低，商品组合的惊喜度越高。

三、从商品的角度，即商品带来的惊喜度，包括商品覆盖用户的范围及商品覆盖组合的范围两个方面。一方面，根据商品覆盖用户群体的多样性及在各个用户群体中的出现频率，来确定商品本身的惊喜度，覆盖范围越大，惊喜度越低。另一方面，通过商品在组合中的出现频率计算商品在组合中的普适度，普适度越高，商品惊喜度越低。具体来说，用户群体指的是将用户划分为多个集合，每个集合的类型不相同，例如可以根据年龄划分，也可以根据职业划分，也还可以根据其他类型进行划分，例如性别进行划分，具体不做限定。

下面对所述用户惊喜度特征、所述商品惊喜度特征和所述商品组合惊喜度特征的提取进行说明：

1、所述用户惊喜度特征的提取：

所述用户惊喜度特征为用户接受度，根据历史数据中用户与商品的交互记录来确定，所述用户惊喜度特征包括用户的商品接受广度和商品接受深度，其中，所述商品接受广度由用户所有购买商品的类别数来计算，所述商品接受深度由用户购买某一商品的重复次数来确定，而用户短时间喜好则是用户一次性购买商品的类别数，据此来确定用户对商品组合的偏好。

例如在音乐平台的应用，用户人群大致可以分为三种：第一种是整体可以接受多种类型的音乐，但一次只听一种类型的音乐；第二种是整体只能接受一两种音乐的类型；第三种是整体能接受多种类型的音乐，一次也能听多种类型。这三种用户对于商品的喜好程度是不一样的，包括喜好的深度和喜好的广度，因此根据用户不同的接受能力向用户推荐商品组合，不能推荐完全与历史记录中的商品属性重合率过高的商品，会让用户感到厌烦，降低用户体验，也不能推荐完全在用户接受能力以外的商品，会降低用户兴趣，造成对推荐内容的不信任。因此，推荐在用户接受能力以内，但又不是完全熟悉的商品组合会提高用户的惊喜度，更容易使用户接受。

同时，根据用户一次性(或短时间内)的购买记录，包括商品类别数和商品总数，可以得到用户一次性能接受的商品种类和商品数量，商品种类和商品数量是确定商品组合大小和多样性的额外辅助信息，可以运用到商品组合的推荐中。

商品组合推荐装置在确定所述N个用户所对应的用户惊喜度特征时，可以获取所述目标用户所购买的商品种类数、所述商品集合所对应商品总种类数、所述目标用户重复购买一个商品的最大次数、所述目标用户所购买的商品总数；并根据所述商品种类数、所述商品总种类数、所述目标用户重复购买一个商品的最大次数和所述商品总数确定所述目标用户的用户惊喜度特征；具体的，可以通过如下公式计算所述目标用户的用户惊喜度特征：

其中，

为所述目标用户u的商品接受广度，

为所述目标用户u购买过的商品种类数(其中，商品种类可根据已有数据库的数据标签进行分类，也可以通过商品的特征相似度计算进行分类，当然也还可以通过其他的方式对商品进行分类，具体不做限定)，所述目标用户u为所述N个用户中的任意一个用户，c^p为所述商品集合所对应的商品总类数，

为所述目标用户u的商品接受深度，

为所述目标用户u重复购买某一商品的最大次数，

为所述目标用户u购买的所有商品的商品总数，所述商品接受广度和所述商品接受深度均为所述用户惊喜度特征。

2、所述商品惊喜度特征的提取：

将商品覆盖度作为所述商品惊喜度特征，所述商品覆盖度包括商品覆盖用户广度、商品覆盖用户深度和商品覆盖商品组合广度，其中，通过购买商品的用户群体、该商品被重复购买的次数及商品所在的商品组合等相关历史数据得到，所述商品覆盖度包括深度和广度，其中，深度是该商品被用户重复购买的次数，可以推断该商品的受喜好程度，广度则是计算购买商品的用户群体的多样性，通过用户群体的相似性来判定，即该商品的受众分布是否广泛，是否具有普适性。

覆盖组合广度即商品存在于多少个商品组合中，即商品在商品组合中的普适性，例如音乐中的流行单曲，放在很多歌单中也不违和，大家依然会去听。同时也可以根据该商品购买的用户群体，得到用户群体的倾向性。

商品组合推荐装置在确定所述商品惊喜度特征时，可以获取目标商品所覆盖的用户群体数、购买所述目标商品最多的用户群体所包含的用户数、购买所述目标商品的所有用户数，所述目标商品为所述商品集合中的任意一个商品；

根据所述目标商品所覆盖的用户群体数、购买所述目标商品最多的用户群体所包含的用户数和购买所述目标商品的所有用户数确定所述商品惊喜度特征，具体的，可以通过如下公式计算所述商品惊喜度特征：

其中，

为所述目标商品p覆盖用户广度，

为所述目标商品p覆盖的用户群体数，也即有多少个用户群体购买了所述目标商品，

为所述目标商品p覆盖用户深度，

为购买所述目标商品p最多的用户群体所包含的用户数(例如，A用户群体、B用户群体、C用户群体均购买了所述目标商品，且A用户群体购买所述目标商品的数量最多，则

为A用户群体中包含的用户的数量)，

为购买所述目标商品p的所有用户数，

为所述目标商品p覆盖组合广度，

为存在所述目标商品p的商品组合的数量。

3、所述商品组合惊喜度特征的提取：

将组合覆盖度的作为所述商品组合惊喜度特征，通过购买商品组合的用户群体、商品组合被重复购买次数以及商品组合内商品的历史数据，其中，所述商品组合惊喜度特征包括覆盖用户度和商品组合内部覆盖度。

所述覆盖用户度即商品组合面向用户的覆盖度，用户群体的多样性就是覆盖用户的广度，有些组合覆盖的用户范围较广，例如电商平台的日用品类组合，各类用户群体都会购买，而有些商品组合对应的用户群体较为单一，例如黑胶唱片及唱片机，只有音乐爱好群体才会购买。而购买商品组合的某一用户群体的数量则是覆盖用户的深度，用户群体可以通过用户之间的相似度来进行计算分类，同时也可以根据该商品组合购买的用户群体，得到其群体倾向性。

所述内部覆盖度即是商品组合内部的商品覆盖度，所述内部覆盖度包括内部覆盖广度和内部覆盖深度，所述内部覆盖广度是商品组合内所有商品的类别数，有些商品组合内部的商品多样性很大，例如音乐平台的一些歌单，会通过一些关键字将歌曲放在一个歌单里，但歌曲之间的风格差异极大，与之相反的是，有些歌单则是某一风格的歌曲，例如摇滚歌单、爵士歌单等，所述内部覆盖深度则是商品组合内某一类别商品的数量。

商品组合推荐装置在确定所述商品组合惊喜度特征时，可以获取目标商品组合所覆盖的用户群体数、总的用户群体数、所有的用户群体中购买所述目标商品组合最多的用户群体的用户数、购买所述目标商品组合的用户数；并根据所述用户群体数、所述总的用户群体数、所述购买商品组合最多的用户群体的用户数和购买所述目标商品组合的用户数确定所述目标商品组合的商品组合惊喜度特征；具体的，可以通过如下公式计算所述商品组合惊喜度特征：

其中，

为所述目标商品组合b覆盖用户广度，

为所述目标商品组合b所覆盖的用户群体数，所述目标商品组合为所述商品组合集合中的每个商品组合，g为所有的用户群体数(其中，用户群体可根据用户的特征进行分类，例如依据年龄、性别划分区间进行分类，也可以通过用户特征的相似度进行分类，当然也还可以通过其他的方式进行分类，具体不做限定)，

为所述目标商品组合b覆盖用户深度，

为所有用户群体中购买所述目标商品组合b最多的用户群体的用户数(例如，一共有甲、乙、丙、丁、戊五个用户群体，其中，丁用户群体购买所述目标商品组合b的人数是最多的，则丁用户群体的总人数即为

)，

为购买所述目标商品组合b的所有用户的数量，

为所述目标商品组合b内部覆盖商品广度，

为所述目标商品组合b中包含的商品类别数，

为所述目标商品组合b内部商品覆盖深度，

为所述目标商品组合b内数量最多的商品类别中包含的商品的数量，

为所述目标商品组合b中包含的所有商品的数量。

需要说明的是，通过步骤101可以获取所述用户特征、所述商品特征和所述商品组合特征，通过步骤102可以确定所述用户惊喜度特征、所述商品惊喜度特征和所述商品组合惊喜度特征，然而，这两个步骤之间并没有先后执行顺序的限制，可以先执行步骤101，也可以先执行步骤102，或者同时执行，具体不做限定。

103、根据所述用户特征、所述商品组合特征、所述商品特征、所述用户惊喜度特征、所述商品惊喜度特征以及所述商品组合惊喜度特征构建用户嵌入向量、商品嵌入向量和商品组合嵌入向量。

本实施例中，商品组合的推荐装置在确定所述用户惊喜度特征、所述商品惊喜度特征和所述商品组合惊喜度特征之后，可以根据所述用户特征、所述商品组合特征、所述商品特征、所述用户惊喜度特征、所述商品惊喜度特征以及所述商品组合惊喜度特征构建用户嵌入向量、商品嵌入向量和商品组合嵌入向量，也即将所述用户惊喜度特征加入所述用户特征来构建所述用户嵌入向量，将所述商品惊喜度特征加入所述商品特征来构建所述商品嵌入向量，将所述商品组合惊喜度特征加入所述商品组合特征来构建所述商品组合嵌入向量，其中，所述用户嵌入向量由用户特征矩阵和用户one-hot特征向量得到，例如有N个用户参与到网络中，每个用户都有自己的D个用户特征，则所述用户嵌入向量就是一个N×D维的矩阵，所述商品嵌入向量和所述商品组合嵌入向量也可以通过相同的原理构建得到。

需要说明的是，对于用户来说推荐与交互记录中的商品过分相似的相关商品会容易让其感到厌烦，且容易造成过滤气泡问题，使得用户视野受限，因此本申请提出惊喜度的概念，即在商品组合中添加与用户偏好相关但有不完全相同的商品。

104、根据所述用户嵌入向量、所述商品嵌入向量和所述商品组合嵌入向量确定所述N个用户对所述商品组合集中每个商品的偏好得分和所述N个用户对所述商品集合中每个商品组合的偏好得分。

本实施例中，商品组合推荐装置在确定所述N个用户中每个用户对所述商品组合集合中每个商品组合内商品的偏好得分和所述N个用户中每个用户对所述商品组合集合中每个商品组合偏好得分时，首先确定所述用户嵌入向量e_u、所述商品嵌入向量e_i和所述商品组合嵌入向量e_b，利用对应所有用户、商品、组合的嵌入矩阵E_u、E_i、E_b与用户u、商品i，商品组合b的one-hot特征向量x_u、x_i、x_b得到，将所述用户嵌入向量e_u、所述商品嵌入向量e_i和所述商品组合嵌入向量e_b输入用户-商品-商品组合模型，通过图卷积网络(GRU)得到用户图节点表示、商品图节点表示和商品组合图节点表示，所述目标网络模型为通过图卷积对数据样本进行训练得到的；之后将所述用户图节点表示、商品图节点表示和商品组合图节点表示通过多层感知器(MLP)确定所述目标用户u对所述商品组合b的偏好得分P(u,b)，和所述目标用户u对所述商品组合b中所有商品的偏好得分P(u,i)。

需要说明的是，商品组合推荐装置通过所述图卷积网络得到用户、商品和商品组合的图节点表示时，图卷积网络的层数可以为两层，也可为3层或更多层，具体不做限定。所述目标网络模型确定的用户图节点表示和商品图节点表示计算商品组合集合中每个商品的偏好得分时，可以聚合用户图节点表示和商品图节点表示得到用户表示和商品表示，并通过所述目标网络模型中的多层感知器得到所述N个用户中每个用户对所述商品组合集合中每个商品的偏好得分。另外，商品组合推荐装置在通过所述目标网络模型确定的用户图节点表示和商品组合图节点表示计算商品组合集合中每个商品组合的偏好得分时，可以聚合用户图节点表示和商品组合图节点表示得到用户表示和组合表示，并通过所述目标网络模型中的多层感知器得到所述目标用户对所述商品组合集合中每个商品组合的偏好得分。

另外，商品组合推荐装置在根据所述目标网络模型确定每个商品的偏好得分和每个商品组合的偏好得分之前，还可以通过图卷积对数据样本进行训练得到，在训练时，可以将分别训练用户-商品网络模型和用户-组合网络模型，将用户嵌入向量和商品嵌入向量输入该用户-商品网络模型得到用户图节点表示和商品图节点表示，将用户嵌入向量和商品组合嵌入向量输入用户-组合网络模型可以得到用户图节点表示和商品组合图节点表示，当然也还可以训练用户-商品-组合网络模型，将用户嵌入向量、商品嵌入向量和商品组合嵌入向量输入该用户-商品-组合网络模型，得到用户图节点表示、商品图节点表示和商品组合图节点表示，具体不做限定。

105、根据所述商品的偏好得分和所述商品组合的偏好得分确定所述商品组合的最终偏好得分。

本实施例中，商品组合推荐装置在得到所述商品的偏好得分和所述商品组合的偏好得分之后，可以通过如下公式来计算所述目标用户对所述商品组合的最终偏好得分：

其中，f(u,b)为所述目标用户u对商品组合b的最终偏好得分，P(u,b)为所述目标用户u对所述商品组合b的偏好得分，P(u,i)为所述目标用户u对所述商品组合b中所有商品的偏好得分，n为所述商品组合内商品的数量。

需要说明的是，上述以用户-商品网络模型和用户-组合网络模型为例进行说明，当然还可以增加商品组合网络模型进行综合说明，也即根据商品嵌入向量、商品组合嵌入向量、商品邻接矩阵和商品组合邻接矩阵构建商品组合网络模型，并基于该商品组合网络模型确定商品图节点表示和商品组合图节点表示，并对商品图节点表示和商品组合图节点表示进行聚合得到商品表示和商品组合表示，进而根据商品表示和商品组合表示得到商品与商品组合的关联性得分，并综合考虑商品的偏好得分，商品组合的偏好得分，商品与商品组合的关联性得分计算商品组合的最终得分(上述步骤104和步骤105已经对商品的偏好得分、商品组合的偏好得分，商品组合的最终偏好得分进行详细说明，此处确定商品与商品组合的关联性得分与上述确定商品的偏好得分和商品组合的偏好得分类似，上述已经进行了详细说明，具体此处不在赘述)。

106、确定所述商品组合集合中最终偏好得分大于预设阈值的商品组合子集。

本实施例中，商品组合推荐装置在得到所述商品组合的最终偏好得分之后，即得到了所述N个用户中每个用户对所述商品组合集合中每个商品组合的最终偏好得分，之后将所述商品组合集合中最终偏好得分大于预设阈值的商品组合确定为所述商品组合子集。可以理解的是，此处的预设阈值仅为举例说明，当然也可以按照最终偏好得分对所述商品组合集合中的商品组合进行排序，将排序的前几名作为所述商品组合子集，具体不做限定。

107、将所述商品组合子集向所述目标用户推荐。

本实施例中，商品组合推荐装置在得到所述商品组合子集之后，可以直接将所述商品组合子集中的所有商品组合向所述目标用户推荐，所述目标用户为所述N个用户中的任意一个用户，也可以直推荐最终得分最高的商品组合，或者推荐商品组合的最终得分大于一个得分阈值的所有商品组合，具体不做限定。

一个实施例中，所述将所述商品组合子集向所述目标用户推荐包括：

根据所述用户惊喜度特征、所述商品惊喜度特征和所述商品组合惊喜度特征计算推荐惊喜度；

确定所述商品组合子集中每个商品组合的大小偏差；

根据所述推荐惊喜度、所述大小偏差以及所述商品组合子集中每个商品组合的最终偏好得分确定所述商品组合子集中每个商品组合的推荐得分；

根据所述商品组合子集中每个商品组合的推荐得分将所述商品组合子集中的商品组合向所述目标用户推荐。

本实施例中，商品组合推荐装置可以根据所述用户惊喜度特征、所述商品惊喜度特征和所述商品组合惊喜度特征计算推荐惊喜度(所述推荐惊喜度为用户对商品组合的推荐惊喜度)，具体的可以通过如下公式计算所述推荐惊喜度：

其中，s(u,b)为商品组合b(商品组合b为所述商品组合子集中的任意一个商品组合)对所述目标用户u的推荐惊喜度，

为商品组合b覆盖用户广度，

为商品p覆盖用户广度，

为商品接受广度，

为商品组合b覆盖用户深度，

为商品p覆盖用户深度，

为所述目标用户u的商品接受深度。

之后可以通过如下公式计算所述商品组合子集中每个商品组合的大小偏差：

其中，bias(u,b)为用户u对于商品组合b的大小偏差，

为所述商用户u的商品组合大小标准，由用户u短时间购买商品的数量的平均值，例如用户在1天之内多次购买商品的平均值，例如音乐平台中，用户在多个半小时内购买音乐产品数量的平均值，

为商品组合b内商品的数量。

之后通过如下公式计算所述商品组合子集中每个商品组合的推荐得分：

r(u,b)＝w₁*f(u,b)+w₂*s(u,b)+w₃*bias(u,b) (公式13)；

其中，r(u,b)为商品组合b相对于所述目标用户u的推荐得分，f(u,b)为商品组合b相对于所述目标用户u的最终偏好得分，s(u,b)为所述商品组合b对于所述目标用户u的推荐惊喜度，bias(u,b)为所述目标用户u对于商品组合b的大小偏差，w₁为商品组合b相对于所述目标用户u的最终偏好得分的权值，w₂为商品组合b对于所述目标用户u的推荐惊喜度的权值，w3为所述目标用户u对于商品组合b的大小偏差的权值。

最后，根据所述商品组合子集中每个商品组合的推荐得分将所述商品组合子集中的商品组合向所述目标用户推荐，例如可以为的一个阈值，将所述商品组合子集中推荐得分大于该阈值的商品组合向所述目标用户推荐，当然也可以为只推荐所述商品组合子集中推荐得分最高的商品组合，当然也还可以有其他的方式，例如将商品组合子集中的商品组合按照推荐得分进行排序，并向所述目标用户推荐排序TOP5的商品组合，具体不做限定。

一个实施例中，商品组合推荐装置还执行如下操作：

对所述商品组合子集进行分类；

确定分类后所述商品组合子集中每个商品组合的数量偏差；

确定分类后所述商品组合子集中每个商品组合的用户评分、推荐惊喜度和商品种类数；

根据所述数量偏差、所述用户评分、所述推荐惊喜度和所述商品种类数确定分类后所述商品组合子集中每个商品组合的质量评分；

根据所述商品组合子集中每个商品组合的质量评分将所述商品组合子集中的商品向所述目标用户推荐。

本实施例中，由于商品组合的类型不同，商品组合内部商品的依赖关系也不同，因此商品组合推荐装置可以基于商品组合的类型对商品组合的质量进行评估，并基于评估结果向用户进行推荐，具体如下：

商品组合推荐装置可以对所述商品组合子集进行分类，主要依据商品组合内部商品的关系对组合进行分类，此处将商品组合分为四类(当然也还可以分为3类或者5类，具体不做限定)，包括b_r，b_a，b_m，b_e，其中b_r是基于一些关联规则的商品搭配，例如啤酒和尿布(已婚已育男士往往在去超市买尿布时买啤酒)；b_a是主件与配件的搭配，例如手机和充电线、耳机等，该种情况下，主件具有绝对的优势地位，即买了耳机必定会买手机，但买了手机不一定会买耳机；b_m是商品的对等搭配关系，例如上衣、裤子和鞋子，用户对该类组合内部商品的需求往往是相同的；b_e则是指商品之间存在平等关系，例如音乐和电影的推荐列表等。

之后商品组合推荐装置从商品组合中商品的数量和商品的质量这两方面对商品组合进行评价，商品组合推荐装置可以确定分类后所述商品组合子集中的任意每个商品组合的数量偏差。

可以理解的是，不同类别的商品组合对商品数量的要求不同，例如b_e的商品组合相较其他三类商品数量会更多，因为是属于同类中的相关商品，其他的则是相关类别中的商品组合(一般一类中仅有一个)。

下面以商品组合b(该商品组合b为所述商品组合子集中的任意一个商品组合)为例对所述商品组合子集中各个商品组合的质量评分进行说明：

商品组合b的数量偏差size_b(size_b为该商品组合b大小/定义的组合包大小，通过所有与该商品组合b交互的用户在短时间偏好的平均值)本申请中通过size_b来标识商品组合b的数量偏差；

商品组合推荐装置还可以确定商品组合b的用户评分、推荐惊喜度和商品种类数，其中，商品组合b的用户评分通过用户对商品组合b的用户评分可以得到，通过所有用户对商品组合b的评分平均值

可以得到；所述推荐惊喜度，也即商品组合b对于用户u的惊喜度

可以通过上述公式11计算得到；商品组合b内商品种类的多样性

(也即商品组合b内包含的商品种类数)，通过商品组合内商品种类/所有的商品种类得到。

之后通过如下公式计算分类后所述商品组合子集中每个商品组合的质量评分：

其中w₄，w₅，w₆，w₇为预先定义的权重系数，在不同类别中其数值不同，因为对于不同类别的商品组合，用户的需求不同，在商品组合b_e中，用户可能希望有更多惊喜，因此b_e对应的权重系数会较高，而在b_a和b_m中，商品更多的是相互补充的关系，因此对用户偏好和准确性的要求更高。

综上所述，可以看出，本申请提供的实施例中，当需要向用户推荐商品组合时，可以获取用户的用户特征，用户已购买的商品特征和用户已购买的商品组合的特征，并确定用户惊喜度特征、商品惊喜度特征和商品组合惊喜度特征，之后根据用户特征、商品特征、商品组合特征、用户惊喜度特征、商品惊喜度特征和商品组合惊喜度特征构建用户嵌入向量、商品嵌入向量和商品组合嵌入向量，并确定用户邻接矩阵、商品邻接矩阵和商品组合邻接矩阵，之后根据用户嵌入向量、商品嵌入向量、商品组合嵌入向量、用户邻接矩阵、商品邻接矩阵和商品组合邻接矩阵确定用户对商品组合中商品的偏好得分以及用户对商品组合的偏好得分，并根据用户对商品组合的偏好得分和用户对商品组合的偏好得分确定商品组合的最终偏好得分，并根据该商品组合的最终偏好得分向用户进行推荐。综合考虑用户、商品和商品组合之间的关系，并添加用户惊喜度特征、商品惊喜度特征和商品尊惊喜度特征，综合考虑了商品内部各个商品的细粒度关系，由此可以向用户推荐符合既符合其需求又能给其惊喜的商品组合，提高用户体验。

上面从商品组合的推荐方法的角度对本申请实施例进行说明，下面从商品组合推荐装置的角度对本申请实施例进行说明。

请参阅图2，图2为本申请实施例提供的商品组合推荐装置的虚拟结构示意图，所述商品组合推荐装置200包括：

基本特征获取单元201，用于获取待进行商品组合推荐的N个用户所对应的用户特征、商品集合的商品特征和商品组合集合所对应的商品组合特征，其中，所述N为大于或等于2的整数，所述商品集合和所述商品组合集合与所述N个用户相对应；

惊喜度特征确定单元202，用于确定所述N个用户所对应的用户惊喜度特征、所述商品集合所对应的商品惊喜度特征以及所述商品组合集合所对应的商品组合惊喜度特征；

嵌入向量确定单元203，用于根据所述用户特征、所述商品组合特征、所述商品特征、所述用户惊喜度特征、所述商品惊喜度特征以及所述商品组合惊喜度特征构建用户嵌入向量、商品嵌入向量和商品组合嵌入向量；

偏好得分计算单元204，用于根据所述用户嵌入向量、所述商品嵌入向量和所述商品组合嵌入向量确定所述N个用户对所述商品组合集中每个商品的偏好得分和所述N个用户对所述商品集合中每个商品组合的偏好得分；

所述偏好得分计算单元204，还用于根据所述商品的偏好得分和所述商品组合的偏好得分确定所述商品组合的最终偏好得分；

候选商品组合确定单元205，用于确定所述商品组合集合中最终偏好得分大于预设阈值的商品组合子集；

商品组合推荐单元206，用于将所述商品组合子集向目标用户推荐，所述目标用户为所述N个用户中的任意一个用户。

一种可能的设计中，所述惊喜度特征确定单元202具体用于：

获取所述目标用户所购买的商品种类数、所述商品集合所对应商品总种类数、所述目标用户重复购买一个商品的最大次数、所述目标用户所购买的商品总数；

根据所述商品种类数、所述商品总种类数、所述目标用户重复购买一个商品的最大次数和所述商品总数确定所述目标用户的用户惊喜度特征；

获取目标商品组合所覆盖的用户群体数、总的用户群体数、所有的用户群体中购买所述目标商品组合最多的用户群体的用户数、购买所述目标商品组合的用户数，所述目标商品组合为所述商品组合集合中的每个商品组合；

根据所述用户群体数、所述总的用户群体数、所述购买所述目标商品组合最多的用户群体的用户数和购买所述目标商品组合的用户数确定所述目标商品组合的商品组合惊喜度特征；

获取目标商品所覆盖的用户群体数、购买所述目标商品最多的用户群体所包含的用户数、购买所述目标商品的所有用户数，所述目标商品为所述商品组合中的任意一个商品；

根据所述目标商品所覆盖的用户群体数、购买所述目标商品最多的用户群体所包含的用户数和购买所述目标商品的所有用户数确定所述商品惊喜度特征。

一种可能的设计中，所述商品组合推荐单元206具体用于：

根据所述用户惊喜度特征、所述商品惊喜度特征和所述商品组合惊喜度特征计算推荐惊喜度；

确定所述商品组合子集中每个商品组合的大小偏差；

根据所述推荐惊喜度、所述大小偏差以及所述商品组合子集中每个商品组合的最终偏好得分确定所述商品组合子集中每个商品组合的推荐得分；

根据所述商品组合子集中每个商品组合的推荐得分将所述商品组合子集中的商品组合向所述目标用户推荐。

一种可能的设计中，所述商品组合推荐单元206还具体用于：

确定所述商品组合子集中每个商品组合内商品所对应的邻居商品；

根据所述邻居商品对所述商品组合子集中每个商品组合内的商品进行调整；

将调整后的所述商品组合子集向所述目标用户推荐。

一种可能的设计中，所述商品组合推荐单元206还用于：

确定所述N个用户中每个用户的商品接受广度和商品接受深度；

确定所述N个用户中每个用户所对应的偏好；

根据所述商品接受广度和所述商品接受深度确定所述N个用户中每个用户的分类；

根据所述商品接受广度、所述商品接受深度和所述N个用户中每个用户所对应的偏好将所述N个用户所对应的商品进行聚合，得到至少一个商品组合；

将所述至少一个商品组合向所述目标用户推荐。

一种可能的设计中，所述商品组合推荐单元206还用于：

对所述商品组合子集进行分类；

确定分类后所述商品组合子集中每个商品组合的数量偏差；

确定分类后所述商品组合子集中每个商品组合的用户评分、惊喜度和商品种类数；

根据所述商品数量、所述用户评分、所述推荐惊喜度和所述商品种类数确定分类后所述商品组合子集中每个商品组合的质量评分；

根据所述商品组合子集中每个商品组合的质量评分将所述商品组合子集中的商品组合向所述目标用户推荐。

一种可能的设计中，所述偏好得分计算单元204具体用于：

将所述用户嵌入向量、所述商品嵌入向量和所述商品组合嵌入向量输入目标网络模型，得到用户图节点表示、商品图节点表示和商品组合图节点表示，所述目标网络模型为通过图卷积对数据样本进行训练得到的；

根据所述用户图节点表示、商品图节点表示和商品组合图节点表示确定所述商品的偏好得分和所述商品组合的偏好得分。

图3为本申请服务器的结构示意图，如图3所示，本实施例的服务器300包括至少一个处理器301，至少一个网络接口304或者其他用户接口303，存储器305，和至少一通信总线302。该服务器300可选的包含用户接口303，包括显示器，键盘或者点击设备。存储器305可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器305存储执行指令，当服务器300运行时，处理器301与存储器305之间通信，处理器301调用存储器305中存储的指令，以执行上述商品组合的推荐方法。操作系统306，包含各种程序，用于实现各种基础业务以及处理基于硬件的任务。

本申请实施例提供的服务器，可以执行商品组合的推荐方法的实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本申请实施例还提供一种计算机可读介质，包含计算机执行指令，计算机执行指令能够使服务器执行上述实施例描述的商品组合的推荐方法，其实现原理和技术效果类似，此处不再赘述。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种商品组合的推荐方法，其特征在于，包括：

获取待进行商品组合推荐的N个用户所对应的用户特征、商品集合的商品特征和商品组合集合所对应的商品组合特征，其中，所述N为大于或等于2的整数，所述商品集合和所述商品组合集合与所述N个用户相对应；

确定所述N个用户所对应的用户惊喜度特征、所述商品集合所对应的商品惊喜度特征以及所述商品组合集合所对应的商品组合惊喜度特征；

根据所述用户特征、所述商品组合特征、所述商品特征、所述用户惊喜度特征、所述商品惊喜度特征以及所述商品组合惊喜度特征构建用户嵌入向量、商品嵌入向量和商品组合嵌入向量；

根据所述用户嵌入向量、所述商品嵌入向量和所述商品组合嵌入向量确定所述N个用户对所述商品组合集中每个商品的偏好得分和所述N个用户对所述商品集合中每个商品组合的偏好得分；

根据所述商品的偏好得分和所述商品组合的偏好得分确定所述商品组合的最终偏好得分；

确定所述商品组合集合中最终偏好得分大于预设阈值的商品组合子集；

将所述商品组合子集向目标用户推荐，所述目标用户为所述N个用户中的任意一个用户。

2.根据权利要求1所述的方法，其特征在于，所述确定所述N个用户所对应的用户惊喜度特征、所述商品集合所对应的商品惊喜度特征以及所述商品组合集合所对应的商品组合惊喜度特征包括：

获取所述目标用户所购买的商品种类数、所述商品集合所对应商品总种类数、所述目标用户重复购买一个商品的最大次数、所述目标用户所购买的商品总数；

根据所述商品种类数、所述商品总种类数、所述目标用户重复购买一个商品的最大次数和所述商品总数确定所述目标用户的用户惊喜度特征；

获取目标商品组合所覆盖的用户群体数、总的用户群体数、所有的用户群体中购买所述目标商品组合最多的用户群体的用户数、购买所述目标商品组合的用户数，所述目标商品组合为所述商品组合集合中的每个商品组合；

根据所述用户群体数、所述总的用户群体数、所述购买所述目标商品组合最多的用户群体的用户数和购买所述目标商品组合的用户数确定所述目标商品组合的商品组合惊喜度特征；

获取目标商品所覆盖的用户群体数、购买所述目标商品最多的用户群体所包含的用户数、购买所述目标商品的所有用户数，所述目标商品为所述商品组合中的任意一个商品；

根据所述目标商品所覆盖的用户群体数、购买所述目标商品最多的用户群体所包含的用户数和购买所述目标商品的所有用户数确定所述商品惊喜度特征。

3.根据权利要求1所述的方法，其特征在于，所述将所述商品组合子集向目标用户推荐包括：

根据所述用户惊喜度特征、所述商品惊喜度特征和所述商品组合惊喜度特征计算推荐惊喜度；

确定所述商品组合子集中每个商品组合的大小偏差；

根据所述推荐惊喜度、所述大小偏差以及所述商品组合子集中每个商品组合的最终偏好得分确定所述商品组合子集中每个商品组合的推荐得分；

根据所述商品组合子集中每个商品组合的推荐得分将所述商品组合子集中的商品组合向所述目标用户推荐。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述将所述商品组合子集向目标用户推荐包括：

确定所述商品组合子集中每个商品组合内商品所对应的邻居商品；

根据所述邻居商品对所述商品组合子集中每个商品组合内的商品进行调整；

将调整后的所述商品组合子集向所述目标用户推荐。

5.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：

确定所述N个用户中每个用户的商品接受广度和商品接受深度；

确定所述N个用户中每个用户所对应的偏好；

根据所述商品接受广度和所述商品接受深度确定所述N个用户中每个用户的分类；

根据所述商品接受广度、所述商品接受深度和所述N个用户中每个用户所对应的偏好将所述N个用户所对应的商品进行聚合，得到至少一个商品组合；

将所述至少一个商品组合向所述目标用户推荐。

6.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：

对所述商品组合子集进行分类；

确定分类后所述商品组合子集中每个商品组合的数量偏差；

确定分类后所述商品组合子集中每个商品组合的用户评分、惊喜度和商品种类数；

根据所述商品数量、所述用户评分、所述推荐惊喜度和所述商品种类数确定分类后所述商品组合子集中每个商品组合的质量评分；

根据所述商品组合子集中每个商品组合的质量评分将所述商品组合子集中的商品组合向所述目标用户推荐。

7.根据权利要求1至3所述的方法，其特征在于，所述根据所述用户嵌入向量、所述商品嵌入向量和所述商品组合嵌入向量确定所述N个用户对所述商品组合集中每个商品的偏好得分和所述N个用户对所述商品集合中每个商品组合的偏好得分包括：

将所述用户嵌入向量、所述商品嵌入向量和所述商品组合嵌入向量输入目标网络模型，得到用户图节点表示、商品图节点表示和商品组合图节点表示，所述目标网络模型为通过图卷积对数据样本进行训练得到的；

根据所述用户图节点表示、商品图节点表示和商品组合图节点表示确定所述商品的偏好得分和所述商品组合的偏好得分。

8.一种商品组合推荐装置，其特征在于，包括：

基本特征获取单元，用于获取待进行商品组合推荐的N个用户所对应的用户特征、商品集合的商品特征和商品组合集合所对应的商品组合特征，其中，所述N为大于或等于2的整数，所述商品集合和所述商品组合集合与所述N个用户相对应；

惊喜度特征确定单元，用于确定所述N个用户所对应的用户惊喜度特征、所述商品集合所对应的商品惊喜度特征以及所述商品组合集合所对应的商品组合惊喜度特征；

嵌入向量确定单元，用于根据所述用户特征、所述商品组合特征、所述商品特征、所述用户惊喜度特征、所述商品惊喜度特征以及所述商品组合惊喜度特征构建用户嵌入向量、商品嵌入向量和商品组合嵌入向量；

偏好得分计算单元，用于根据所述用户嵌入向量、所述商品嵌入向量和所述商品组合嵌入向量确定所述N个用户对所述商品组合集中每个商品的偏好得分和所述N个用户对所述商品集合中每个商品组合的偏好得分；

所述偏好得分计算单元，还用于根据所述商品的偏好得分和所述商品组合的偏好得分确定所述商品组合的最终偏好得分；

候选商品组合确定单元，用于确定所述商品组合集合中最终偏好得分大于预设阈值的商品组合子集；

商品组合推荐单元，用于将所述商品组合子集向目标用户推荐，所述目标用户为所述N个用户中的任意一个用户。

9.一种计算机设备，其特征在于，包括：

至少一个连接的处理器、存储器和收发器，其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中的程序代码来执行上述权利要求1至7中任一项所述的商品组合的推荐方法。

10.一种计算机存储介质，其特征在于，包括：

指令，当所述指令在计算机上运行时，使得计算机执行权利要求1至7中任一项所述的商品组合的推荐方法。

Images