1.本技术实施例涉及数据处理技术领域，具体而言，涉及一种商品推荐方法、装置、电子设备以及存储介质。
背景技术：2.现在，为了提高用户的购物体验，商品推荐系统的发展迅速，商品推荐系统将用户的社交关系作为影响购物选择的重要因素进行考虑。
3.但是，现有的基于用户社交关系的商品推荐系统，仅是将用户的社交关系作为一种影响用户购物决策进行建模，忽视了社交信息背后的大量潜在因素，容易使得影响社交偏好与购物偏好的因素相互耦合，从而使得降低商品推荐的准确性。
技术实现要素：4.本技术实施例提供一种商品推荐方法、装置、电子设备以及存储介质，旨在提高商品推荐的准确性。
5.第一方面，本技术实施例提供一种商品推荐方法，所述方法包括：
6.获取当前用户的历史购物行为与社交行为；
7.将所述当前用户的历史购物行为与社交行为分别用向量表示；
8.将所述当前用户的历史购物行为的向量表示与社交行为的向量表示输入预先训练好的商品推荐模型，通过所述预先训练好的商品推荐模型，确定向所述当前用户推荐的目标商品；
9.其中，所述预先训练好的商品推荐模型是基于多个历史用户的购物行为样本集以及社交行为样本集，通过将所述购物行为样本集与社交行为样本集分别进行解离化表征，并根据所述购物行为样本集的解离化表征结果与社交行为样本集的解离化表征结果之间的影响关系训练得到的。
10.可选地，所述商品推荐模型是按照以下步骤训练得到的：
11.获取多个历史用户各自的历史购物行为与历史社交行为；
12.根据多个历史用户各自的历史购物行为，构建所述购物行为样本集，根据多个历史用户各自的历史社交行为，构建所述社交行为样本集；
13.将所述购物行为样本集与所述社交行为样本集分别输入预设模型，其中所述预设模型包括多个变分自动编码器；
14.通过预设模型分别确定所述购物行为样本集与所述社交行为样本集各自的解离化表征结果；
15.根据所述购物行为样本集的解离化表征结果，对所述社交行为样本集的解离化表征结果进行修正，根据修正结果对所述预设模型的模型参数进行更新；
16.根据所述社交行为样本集的解离化表征结果，对所述购物行为样本集的解离化表征结果进行修正，根据修正结果对所述预设模型的模型参数进行更新；
17.对所述预设模型迭代更新预设次数后，得到所述商品推荐模型。
18.可选地，通过预设模型分别确定所述购物行为样本集与所述社交行为样本集各自的解离化表征结果之后，还包括：
19.根据所述购物行为样本集与所述社交行为样本集各自的解离化表征结果，确定所述多个历史用户之间的真实影响参数；
20.根据所述购物行为样本集的解离化表征结果对所述社交行为样本集的解离化表征结果进行修正，包括：
21.根据所述真实影响参数与社交修正系数，对所述社交行为样本集的解离化表征结果进行修正；
22.根据所述社交行为样本集的解离化表征结果对所述购物行为样本集的解离化表征结果进行修正，包括：
23.根据所述真实影响参数与购物修正系数，对所述购物行为样本集的解离化表征结果进行修正。
24.可选地，所述购物行为样本集的解离化表征结果包括多个第一通道，每个所述第一通道表征用户的一个购物意图；所述社交行为样本集的解离化表征结果包括多个第二通道，每个所述第二通道表征用户的一个社交意图；
25.根据所述购物行为样本集与所述社交行为样本集各自的解离化表征结果，确定所述多个历史用户之间的真实影响参数，包括：
26.分别计算所述多个第一通道各自的用户购物表征相似度；
27.根据所述多个第一通道各自的用户购物表征相似度，确定多个历史用户之间的平均购物表征相似度；
28.分别计算所述多个第二通道各自的用户社交表征相似度；
29.根据所述多个第二通道各自的用户社交表征相似度，确定多个历史用户之间的平均社交表征相似度；
30.根据所述平均购物表征相似度以及所述平均社交表征相似度，确定所述真实影响参数。
31.可选地，所述多个第一通道各自的用户购物表征相似度的计算公式为：
[0032][0033]
平均购物表征相似度的计算公式为：
[0034][0035]
上述两式中，x为用户的历史购物行为；为第k
x
个第一通道的用户购物表征相似度；sim
x
为平均购物表征相似度；为解离化表征后第k
x
个第一通道对应的解离化表征结果；1≤k
x
≤k
x
，k
x
为第一通道的通道总数。
[0036]
可选地，所述多个第二通道各自的用户社交表征相似度的计算公式为：
[0037][0038]
平均社交表征相似度的计算公式为：
[0039][0040]
上述两式中，a为用户的历史社交行为；为第ka个第二通道的用户社交表征相似度；sima为平均社交表征相似度；为解离化表征后第ka个第二通道对应的解离化表征结果；1≤ka≤ka，ka为第二通道的通道总数。
[0041]
可选地，所述真实影响参数的计算公式为：
[0042]
sim＝sim
x
·
sima[0043]
式中，sim
x
为平均购物表征相似度；sima为平均社交表征相似度；
[0044]
根据所述真实影响参数与购物修正系数，对所述购物行为样本集的解离化表征结果进行修正的公式为：
[0045][0046]
式中，α
x
为购物修正系数；
[0047]
根据所述真实影响参数与社交修正系数，对所述社交行为样本集的解离化表征结果进行修正的公式为：
[0048][0049]
式中，αa为社交修正系数。
[0050]
第二方面，本技术实施例提供一种商品推荐装置，所述装置包括：
[0051]
获取模块，用于获取当前用户的历史购物行为与社交行为；
[0052]
向量表示模块，用于将所述当前用户的历史购物行为与社交行为分别用向量表示；
[0053]
商品推荐模块，用于将所述当前用户的历史购物行为的向量表示与社交行为的向量表示输入预先训练好的商品推荐模型，通过所述预先训练好的商品推荐模型，确定向所述当前用户推荐的目标商品；其中，所述预先训练好的商品推荐模型是基于多个历史用户的购物行为样本集以及社交行为样本集，通过将所述购物行为样本集与社交行为样本集分别进行解离化表征，并根据所述购物行为样本集的解离化表征结果与社交行为样本集的解离化表征结果之间的影响关系训练得到的。
[0054]
第三方面，本技术实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例第一方面所述的商品推荐方法。
[0055]
第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现实施例第一方面所述的商品推荐方法。
[0056]
有益效果：
[0057]
获取当前用户的历史购物行为与社交行为，并用向量表示当前用户的历史购物行为与社交行为，将当前用户的历史购物行为的向量表示与社交行为的向量表示输入预先训练好的商品推荐模型，通过所述预先训练好的商品推荐模型，确定向所述当前用户推荐的目标商品。
[0058]
本方法中，利用商品推荐模型根据当前用户的历史购物行为与社交行为，向用户推荐目标商品，商品推荐模型基于多个历史用户的购物行为样本集以及社交行为样本集训练的，在训练的过程中对购物行为样本集与社交行为样本集均进行解离化表征，进而将购物行为与社交行为分解到更细的粒度，然后根据购物行为样本集的解离化表征结果与社交行为样本集的解离化表征结果之间的影响关系，使得购物行为与社交行为之间相互作用，如此训练得到的商品推荐模型在更细的粒度层面，确定用户的社交行为对购物行为的影响，能够向当前用户提供更适合的商品，从而提高商品推荐的准确性。
附图说明
[0059]
为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0060]
图1是本技术一实施例提出的商品推荐方法的步骤流程图；
[0061]
图2是本技术一实施例提出的训练商品推荐模型的步骤流程图；
[0062]
图3是本技术一实施例提出的商品推荐装置的功能模块图。
具体实施方式
[0063]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0064]
用户的购物行为与社交行为通常都是用户的兴趣爱好的体现，因此用户的购物行为与社交行为之间存在联系以及两者之间会相互影响，示例地，用户喜欢购买电子设备，则该用户往往会关注科技或电子领域的博主，或者用户喜欢美妆，则该用户也会关注一些美妆博主；同样地，用户关注了科技或电子领域的博主，也可能会影响用户购买电子设备，或者用户关注了美妆博主，用户也更有可能购买美妆类的商品。
[0065]
本技术对用户的购物行为与社交行为进行解离化，在更细粒度的层面挖掘出购物行为与社交行为之间各个解离化结果之间的交互关系，从而提高向用户推荐商品时的准确性。
[0066]
参照图1，示出了本发明实施例中的一种商品推荐方法的步骤流程图，如图1，所述方法具体可以包括以下步骤：
[0067]
s101：获取当前用户的历史购物行为与社交行为。
[0068]
在实际实施的过程中，可以获取当前用户全部或者部分历史的购物行为与社交行
为，若当前用户想在一个购物客户端上购物时，可以获取用户在该购物客户端上的历史购物行为，示例地，通过获取当前用户在历史订单列表中的购物记录，以及获取当前用户该购物客户端上的社交行为，如当前用户关注的店家、经常逛的店家、收藏的商品、关注的其他购物用户或博主；在获得当前用户允许或权限的情况下，还可以获取用户在其他客户端上的历史购物行为与社交行为。
[0069]
s102：将所述当前用户的历史购物行为与社交行为分别用向量表示。
[0070]
获取得到当前用户的历史购物行为以及社交行为后，对历史购物行为与社交行为分别用向量表示，以满足商品推荐模型的输入条件的要求。示例地，对于任一当前用户，其购物行为是一个由0与1构成的向量，分别表示未购买/购买商品；同样的，其社交行为也是一个由0与1构成的向量，分别表示其未关注/关注了其他用户、店铺或博主。
[0071]
s103：将所述当前用户的历史购物行为的向量表示与社交行为的向量表示输入预先训练好的商品推荐模型，通过所述预先训练好的商品推荐模型，确定向所述当前用户推荐的目标商品。
[0072]
其中，所述预先训练好的商品推荐模型是基于多个历史用户的购物行为样本集以及社交行为样本集，通过将所述购物行为样本集与社交行为样本集分别进行解离化表征，并根据所述购物行为样本集的解离化表征结果与社交行为样本集的解离化表征结果之间的影响关系训练得到的。
[0073]
商品推荐模型在训练的过程中对购物行为样本集与社交行为样本集均进行解离化表征，进而将用户在购物行为与社交行过程中执行任一意图时的偏好进一步地分解到更细的粒度，然后根据购物行为样本集的解离化表征结果与社交行为样本集的解离化表征结果之间的影响关系，使得购物行为与社交行为之间相互作用，如此训练得到的商品推荐模型在更细的粒度层面，确定用户的社交行为对购物行为的影响，能够向当前用户提供更适合的商品，从而提高商品推荐的准确性，以及对于商品的推荐更具有可解释性与可控性。
[0074]
参照图2，示出了本发明实施例中的训练商品推荐模型的步骤流程图，如图2所示，所述商品推荐模型是按照以下步骤训练得到的：
[0075]
s201：获取多个历史用户各自的历史购物行为与历史社交行为。
[0076]
历史用户的数量本实施例中不做限制，可以根据实际需求进行自定义设置；用户的历史购物行为可以是基于同一购物客户端的历史购物记录，也可以是基于不同购物客户端的历史购物记录，用户的历史社交行为可以是基于同一社交平台的行为，也可以是基于不同社交平台的行为。
[0077]
s202：根据多个历史用户各自的历史购物行为，构建所述购物行为样本集，根据多个历史用户各自的历史社交行为，构建所述社交行为样本集。
[0078]
在实际实施过程中，购物行为样本集与社交行为样本集可以是矩阵，示例地，购物行为样本集是一个n
×
m的矩阵x，其中n行代表有n个用户，m列代表有m个商品，矩阵中的值x
ij
为0或1，x
ij
为0时代表某个用户i没有购买了某个商品j，x
ij
为1时代表某个用户i购买了某个商品j。社交行为样本集是一个大小为n
×
n的矩阵a，其中n行n列均代表n个用户，矩阵中的值a
ij
为0或1，a
ij
为0时代表某个用户i未关注另一个用户j，a
ij
为1时代表某个用户i关注了另一个用户j。
[0079]
s203：将所述购物行为样本集与所述社交行为样本集分别输入预设模型，其中所
述预设模型包括多个变分自动编码器。
[0080]
变分自动编码器(variational auto-encoder，vae)是一种由编码器和解码器组成的结构，编码器主要用来输入的初始数据进行降维或数据压缩，即减少描述数据的特征数量的过程，通过从初始数据的特征中保留或提取特征进行降维，解码器用于执行其逆过程，即基于保留或提取的特征进行重构。
[0081]
本方法中，编码器用于将购物行为样本集与社交行为样本集的高维度的有效信息稀疏数据编码为低维度的有效信息稠密数据，即对购物行为样本集与社交行为样本集进行解离化表征，解离化表征的过程均采用无监督的方式进行，不需要其他任何的额外信息的监督，仅仅利用上述的两个矩阵x与a训练预设模型，使预设模型将这两个初始矩阵经过解离化表征之后重新还原。
[0082]
s204：通过预设模型分别确定所述购物行为样本集与所述社交行为样本集各自的解离化表征结果。
[0083]
本方法中，预设模型包括有多个编码器，每一个vae的编码器所编码出的解离化向量视为一个通道，进而可以将购物行为样本集与社交行为样本集均表示成多个通道的解离化表征，所述购物行为样本集的解离化表征结果包括多个第一通道，每个所述第一通道表征用户的一个购物意图；所述社交行为样本集的解离化表征结果包括多个第二通道，每个所述第二通道表征用户的一个社交意图。
[0084]
通道代表用户的高层次意图，解离化向量的不同维度代表低层次的偏好，示例地，购物行为对应的通道表示的高层次意图为用户购物过程中购买的物品种类，如购物行为对应的通道1为服装服饰，通道2为运动器材，通道3为电子产品，低层次偏好主要指物品的特征，例如衣服的款式、尺码、颜色等等；社交行为对应的通道表示高层次意图为用户的群体属性，如运动爱好者，美妆博主，电子发烧友等，低层次偏好指用户的个人属性，如年龄、性别、兴趣等等，因为某一个用户可能因为自身的群体属性或者自身的个人属性而受到另一个用户的关注。
[0085]
其中，在确定商品的种类或者用户的属性时，采用“原型”的方式，与某一类别原型更接近的商品或用户视作这一类别，示例地，外套、毛衣、衬衫、t恤等各自的表征向量都是不同的，通过对它们的表征向量求取平均值，就获得了上述多个表征向量的“中点”所对应的向量，则将这个平均值对应的表征向量看作“衣服”这一类商品的表征向量；在新的商品数据进入模型的时候，判断新的商品的表征向量离“衣服”的表征向量的距离，若距离小于预设值则表征新的商品属于“衣服”的范畴。
[0086]
在实际生活中，用户的购物行为与社交行为之间会相互影响，示例地，用户1购买了商品1，可能会结识同样购买了商品1的用户2，用户1和用户2建立社交关系后，用户2对商品2的评价或使用可能会影响用户1购买商品2。因此在得到所述购物行为样本集的解离化表征结果，以及社交行为样本集的解离化表征结果之后，本方法还会使得购物行为样本集的解离化表征结果与社交行为样本集的解离化表征结果之间互相进行修正，以进行交替式的迭代更新。
[0087]
在对购物行为样本集的解离化表征结果与社交行为样本集的解离化表征结果之间互相进行修正之前，需要根据所述购物行为样本集与所述社交行为样本集各自的解离化表征结果，确定所述多个历史用户之间的真实影响参数，具体步骤如下：
[0088]
购物行为样本集记为x，社交行为样本集记为a，购物行为样本集的解离化表征结果记为社交行为样本集的解离化表征结果记为其中，其中1≤k
x
≤k
x
，1≤ka≤ka，k
x
为第一通道的通道总数；ka为第二通道的通道总数。
[0089]
a1：分别计算所述多个第一通道各自的用户购物表征相似度，用户购物表征相似度表征不同用户出于第k
x
个意图而购买物品的相似程度。
[0090]
第k
x
个第一通道的用户购物表征相似度的计算公式为：
[0091][0092]
依次计算所有的第一通道各自的用户购物表征相似度。
[0093]
a2：根据所述多个第一通道各自的用户购物表征相似度，确定多个历史用户之间的平均购物表征相似度。
[0094]
平均购物表征相似度的计算公式为：
[0095][0096]
a3：分别计算所述多个第二通道各自的用户社交表征相似度，用户社交表征相似度表征用户与用户的群体属性的相似程度。
[0097]
第ka个第二通道的用户社交表征相似度的计算公式如下：
[0098][0099]
依次计算所有的第二通道各自的用户社交表征相似度。
[0100]
a4：根据所述多个第二通道各自的用户社交表征相似度，确定多个历史用户之间的平均社交表征相似度。
[0101]
平均社交表征相似度的计算公式为：
[0102][0103]
a5：根据所述平均购物表征相似度以及所述平均社交表征相似度，确定所述真实影响参数。
[0104]
平均购物表征相似度sim
x
与平均社交表征相似度sima在购物与社交两个方面体现了用户与用户之间的联系的紧密程度，对平均购物表征相似度sim
x
与平均社交表征相似度sima求交集得到真实影响参数sim，即sim＝sim
x
·
sima，真实影响参数sim用于反映用户之间相互影响，示例地，如果sim
x
数值较大，表示用户之间具有购物行为上的相似性；如果sima数值较大，说明用户之间具有社交行为上的相似性。如果两者的乘积较大，即真实影响参数sim的值较大，说明用户在购物和行为两方面上都具有相似性，而非仅一方面的相似性。
[0105]
s205：根据所述购物行为样本集的解离化表征结果，对所述社交行为样本集的解离化表征结果进行修正，根据修正结果对所述预设模型的模型参数进行更新。
[0106]
在一种可行的实施方式中，在计算得到真实影响参数后，根据所述真实影响参数与购物修正系数，对所述购物行为样本集的解离化表征结果进行修正，公式为：
[0107][0108]
式中，α
x
为购物修正系数，α
x
的值可以自定义设置，社交行为对购物行为的影响越大，α
x
越大。
[0109]
s206：根据所述社交行为样本集的解离化表征结果，对所述购物行为样本集的解离化表征结果进行修正，根据修正结果对所述预设模型的模型参数进行更新。
[0110]
在一种可行的实施方式中，根据所述真实影响参数与社交修正系数，对所述社交行为样本集的解离化表征结果进行修正，公式为：
[0111][0112]
式中，αa为社交修正系数，αa的值可以自定义设置，购物行为对社交行为的影响越大，αa越大。
[0113]
s207：对所述预设模型迭代更新预设次数后，得到所述商品推荐模型。
[0114]
在预设模型训练的过程中，包括解离化的过程与相互修正的过程。示例地，预设模型可以首先解离购物行为样本集，初步得到了不同用户购物习惯的解离化表征结果后，然后在预设模型解离社交行为样本集的过程中，预设模型根据解离购物行为样本集的时得到用户的平均购物表征相似度，来对社交行为样本集的解离化表征做一个修正，上述的过程视为一次迭代在第二次迭代中，社交行为样本集的解离化表征结果也会对购物行为样本集的解离化表征做一个修正。对所述预设模型迭代更新预设次数后，得到所述商品推荐模型。
[0115]
在一种可行的实施方式中，在对预设模型进行预设次数的训练时，每次迭代训练可以基于不同的购物行为样本集与社交行为样本集，每次训练包括了购物行为与社交行为的解离过程、修正购物以及重建过程。示例地，第一次训练基于购物行为样本1与社交行为样本1进行解离化表征，并利用购物行为样本1的平均购物表征相似度对社交行为样本的解离化表征进行修正，第二次训练基于购物行为样本2与社交行为样本2进行解离化表征，利用社交行为样本2的平均社交表征相似度对购物行为样本2的解离化表征进行修正，如此交替式的迭代更新，当迭代次数为预设次数时，得到商品推荐模型。
[0116]
总体上来说，商品推荐模型的训练过程就是对购物行为样本集与社交行为样本集进行解离化，并对两者解离化表征结果求解相似度，并对对方提供较小的加权作为修正。
[0117]
在商品推荐模型训练完成以后，向当前用户进行推荐时，将当前用户的历史购物行为以0/1向量进行表示，将当前用户的历史社交行为以0/1向量表示。以历史购物行为为例，假设商品集中一共有a、b、c、d、e五样商品，当前用户购买过b商品，那么输入的购物信息的向量就是[0,1,0,0,0]。当前用户并未购买过另外的四件商品a、c、d、e。
[0118]
当前用户的历史购物行为的向量表示与社交行为的向量表示输入预先训练好的商品推荐模型，商品推荐模型解离出当前用户购物与社交偏好，解离出的低维稠密向量包含了用户的意图和偏好，再将这一解离结果通过解码器还原出该用户可能的购物需求。假设还原后的向量为[0.1,0.9,0.3,0.4,0.7]，分别对应了当前用户购买五件商品的可能性，其中b的可能性最大，因为这是已知的用户购买的情况，将已购买的商品对应的可能性忽略后，将可能性大于预设可能性阈值的商品推荐给当前用户，预设可行性阈值以及推荐商品的个数可以根据实际应用自行设置。
[0119]
参照图3，示出了本发明实施例中的商品推荐装置的功能模块图，所述装置包括：
[0120]
获取模块100，用于获取当前用户的历史购物行为与社交行为；
[0121]
向量表示模块200，用于将所述当前用户的历史购物行为与社交行为分别用向量表示；
[0122]
商品推荐模块300，用于将所述当前用户的历史购物行为的向量表示与社交行为的向量表示输入预先训练好的商品推荐模型，通过所述预先训练好的商品推荐模型，确定向所述当前用户推荐的目标商品；其中，所述预先训练好的商品推荐模型是基于多个历史用户的购物行为样本集以及社交行为样本集，通过将所述购物行为样本集与社交行为样本集分别进行解离化表征，并根据所述购物行为样本集的解离化表征结果与社交行为样本集的解离化表征结果之间的影响关系训练得到的。
[0123]
可选地，所述装置还包括模型训练模块，具体的，所述模型训练模块包括：
[0124]
获取单元，用于获取多个历史用户各自的历史购物行为与历史社交行为；
[0125]
样本确定单元，用于根据多个历史用户各自的历史购物行为，构建所述购物行为样本集，根据多个历史用户各自的历史社交行为，构建所述社交行为样本集；
[0126]
输入单元，用于将所述购物行为样本集与所述社交行为样本集分别输入预设模型，其中所述预设模型包括多个变分自动编码器；
[0127]
解离化单元，用于通过预设模型分别确定所述购物行为样本集与所述社交行为样本集各自的解离化表征结果；
[0128]
第一修正单元，用于根据所述购物行为样本集的解离化表征结果，对所述社交行为样本集的解离化表征结果进行修正，根据修正结果对所述预设模型的模型参数进行更新；
[0129]
第二修正单元，用于根据所述社交行为样本集的解离化表征结果，对所述购物行为样本集的解离化表征结果进行修正，根据修正结果对所述预设模型的模型参数进行更新；
[0130]
模型确定单元，用于对所述预设模型迭代更新预设次数后，得到所述商品推荐模型。
[0131]
可选地，所述模型训练模块还包括：
[0132]
真实影响参数确定单元，用于根据所述购物行为样本集与所述社交行为样本集各自的解离化表征结果，确定所述多个历史用户之间的真实影响参数；
[0133]
所述第一修正单元包括：
[0134]
第一修正子单元，用于根据所述真实影响参数与社交修正系数，对所述社交行为样本集的解离化表征结果进行修正；
[0135]
所述第二修正单元包括：
[0136]
第二修正子单元根据所述真实影响参数与购物修正系数，对所述购物行为样本集的解离化表征结果进行修正。
[0137]
可选地，所述购物行为样本集的解离化表征结果包括多个第一通道，每个所述第一通道表征用户的一个购物意图；所述社交行为样本集的解离化表征结果包括多个第二通道，每个所述第二通道表征用户的一个社交意图；
[0138]
所述真实影响参数确定单元包括：
[0139]
第一相似度确定子单元，用于分别计算所述多个第一通道各自的用户购物表征相似度；
[0140]
第一平均子单元，用于根据所述多个第一通道各自的用户购物表征相似度，确定多个历史用户之间的平均购物表征相似度；
[0141]
第二相似度确定子单元，用于分别计算所述多个第二通道各自的用户社交表征相似度；
[0142]
第二平均子单元，用于根据所述多个第二通道各自的用户社交表征相似度，确定多个历史用户之间的平均社交表征相似度；
[0143]
确定子单元，用于根据所述平均购物表征相似度以及所述平均社交表征相似度，确定所述真实影响参数。
[0144]
本技术实施例还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例所述的商品推荐方法。
[0145]
本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现实施例所述的商品推荐方法。
[0146]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0147]
本领域内的技术人员应明白，本技术实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本技术实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0148]
本技术实施例是参照根据本技术实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0149]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0150]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0151]
尽管已描述了本技术实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为
包括优选实施例以及落入本技术实施例范围的所有变更和修改。
[0152]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0153]
本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。
技术特征：1.一种商品推荐方法，其特征在于，所述方法包括：获取当前用户的历史购物行为与社交行为；将所述当前用户的历史购物行为与社交行为分别用向量表示；将所述当前用户的历史购物行为的向量表示与社交行为的向量表示输入预先训练好的商品推荐模型，通过所述预先训练好的商品推荐模型，确定向所述当前用户推荐的目标商品；其中，所述预先训练好的商品推荐模型是基于多个历史用户的购物行为样本集以及社交行为样本集，通过将所述购物行为样本集与社交行为样本集分别进行解离化表征，并根据所述购物行为样本集的解离化表征结果与社交行为样本集的解离化表征结果之间的影响关系训练得到的。2.根据权利要求1所述的方法，其特征在于，所述商品推荐模型是按照以下步骤训练得到的：获取多个历史用户各自的历史购物行为与历史社交行为；根据多个历史用户各自的历史购物行为，构建所述购物行为样本集，根据多个历史用户各自的历史社交行为，构建所述社交行为样本集；将所述购物行为样本集与所述社交行为样本集分别输入预设模型，其中所述预设模型包括多个变分自动编码器；通过预设模型分别确定所述购物行为样本集与所述社交行为样本集各自的解离化表征结果；根据所述购物行为样本集的解离化表征结果，对所述社交行为样本集的解离化表征结果进行修正，根据修正结果对所述预设模型的模型参数进行更新；根据所述社交行为样本集的解离化表征结果，对所述购物行为样本集的解离化表征结果进行修正，根据修正结果对所述预设模型的模型参数进行更新；对所述预设模型迭代更新预设次数后，得到所述商品推荐模型。3.根据权利要求2所述的方法，其特征在于，通过预设模型分别确定所述购物行为样本集与所述社交行为样本集各自的解离化表征结果之后，还包括：根据所述购物行为样本集与所述社交行为样本集各自的解离化表征结果，确定所述多个历史用户之间的真实影响参数；根据所述购物行为样本集的解离化表征结果对所述社交行为样本集的解离化表征结果进行修正，包括：根据所述真实影响参数与社交修正系数，对所述社交行为样本集的解离化表征结果进行修正；根据所述社交行为样本集的解离化表征结果对所述购物行为样本集的解离化表征结果进行修正，包括：根据所述真实影响参数与购物修正系数，对所述购物行为样本集的解离化表征结果进行修正。4.根据权利要求3所述的方法，其特征在于，所述购物行为样本集的解离化表征结果包括多个第一通道，每个所述第一通道表征用户的一个购物意图；所述社交行为样本集的解离化表征结果包括多个第二通道，每个所述第二通道表征用户的一个社交意图；
根据所述购物行为样本集与所述社交行为样本集各自的解离化表征结果，确定所述多个历史用户之间的真实影响参数，包括：分别计算所述多个第一通道各自的用户购物表征相似度；根据所述多个第一通道各自的用户购物表征相似度，确定多个历史用户之间的平均购物表征相似度；分别计算所述多个第二通道各自的用户社交表征相似度；根据所述多个第二通道各自的用户社交表征相似度，确定多个历史用户之间的平均社交表征相似度；根据所述平均购物表征相似度以及所述平均社交表征相似度，确定所述真实影响参数。5.根据权利要求4所述的方法，其特征在于，所述多个第一通道各自的用户购物表征相似度的计算公式为：平均购物表征相似度的计算公式为：上述两式中，x为用户的历史购物行为；为第k
x
个第一通道的用户购物表征相似度；sim
x
为平均购物表征相似度；为解离化表征后第k
x
个第一通道对应的解离化表征结果；1≤k
x
≤k
x
，k
x
为第一通道的通道总数。6.根据权利要求5所述的方法，其特征在于，所述多个第二通道各自的用户社交表征相似度的计算公式为：平均社交表征相似度的计算公式为：上述两式中，a为用户的历史社交行为；为第k
a
个第二通道的用户社交表征相似度；sim
a
为平均社交表征相似度；为解离化表征后第k
a
个第二通道对应的解离化表征结果；1≤k
a
≤k
a
，k
a
为第二通道的通道总数。7.根据权利要求6所述的方法，其特征在于，所述真实影响参数的计算公式为：sim＝sim
x
·
sim
a
式中，sim
x
为平均购物表征相似度；sim
a
为平均社交表征相似度；根据所述真实影响参数与购物修正系数，对所述购物行为样本集的解离化表征结果进
行修正的公式为：式中，α
x
为购物修正系数；根据所述真实影响参数与社交修正系数，对所述社交行为样本集的解离化表征结果进行修正的公式为：式中，α
a
为社交修正系数。8.一种商品推荐装置，其特征在于，所述装置包括：获取模块，用于获取当前用户的历史购物行为与社交行为；向量表示模块，用于将所述当前用户的历史购物行为与社交行为分别用向量表示；商品推荐模块，用于将所述当前用户的历史购物行为的向量表示与社交行为的向量表示输入预先训练好的商品推荐模型，通过所述预先训练好的商品推荐模型，确定向所述当前用户推荐的目标商品；其中，所述预先训练好的商品推荐模型是基于多个历史用户的购物行为样本集以及社交行为样本集，通过将所述购物行为样本集与社交行为样本集分别进行解离化表征，并根据所述购物行为样本集的解离化表征结果与社交行为样本集的解离化表征结果之间的影响关系训练得到的。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的商品推荐方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的商品推荐方法。
技术总结本申请提供一种商品推荐方法、装置、电子设备以及存储介质，属于数据处理技术领域。所述方法包括：获取当前用户的历史购物行为与社交行为；将当前用户的历史购物行为与社交行为分别用向量表示；将当前用户的历史购物行为的向量表示与社交行为的向量表示输入预先训练好的商品推荐模型，通过预先训练好的商品推荐模型，确定向当前用户推荐的目标商品；其中，预先训练好的商品推荐模型是基于多个历史用户的购物行为样本集以及社交行为样本集，通过将购物行为样本集与社交行为样本集分别进行解离化表征，并根据购物行为样本集的解离化表征结果与社交行为样本集的解离化表征结果之间的影响关系训练得到的。本申请旨在提高商品推荐的准确性。荐的准确性。荐的准确性。
技术研发人员：王鑫 朱文武 周煜威
受保护的技术使用者：清华大学
技术研发日：2022.03.28
技术公布日：2022/7/5
