一种生成推荐列表的方法、装置、电子设备及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种生成推荐列表的方法、装置、电子设备及存储介质。


背景技术：

2.在当今信息化时代，如何快速并且准确地从互联网海量的信息资源中获取自己所需要的信息显得十分重要，于是个性化推荐系统应运而生。电子商务是近年来比较火热的一个行业，个性化推荐系统在电商平台上的应用被广泛关注。
3.相关技术中的推荐算法包括：rendle s等人提出一种贝叶斯个性化排序模型bpr(bayesian personalized ranking，以下简称bpr)，奠定了隐式反馈推荐算法的基础，但是它针对的是单类反馈问题，不能直接应用于多种反馈行为的电商平台上。
4.pan w等人提出一种基于用户群组的bpr算法，该算法提出用户的偏好会受到其他用户的影响，这些有着共同的偏好的用户可以归属到一个群组。
5.然而，发明人在实现本发明的过程中发现，电商平台上存在大量的用户浏览、关注、下单、收藏等隐式反馈行为数据，这些数据的类型不一致，表达的意义也不一样，是异构式的反馈数据。相关技术中的bpr算法不能直接利用这些异构式数据，存在刻画的用户偏好模型质量较低，推荐算法的推荐效果不佳的问题。


技术实现要素：

6.本发明实施例提供了一种生成推荐列表的方法、装置、电子设备及存储介质，以解决相关技术中用户偏好模型质量较低、推荐算法的推荐效果不佳的问题。
7.根据本发明的一方面，提供了一种生成推荐列表的方法，包括：
8.获取电商平台中用户对商品的历史行为数据；
9.通过预设推荐模型根据所述历史行为数据确定所述电商平台中商品的分值，其中，所述预设推荐模型的训练样本包含商品置信度偏序对集合和商品偏序对集合，所述商品置信度偏序对集合基于用户对有互动商品集合中的商品的置信度确定，所述置信度基于时间衰减函数和用户行为权重确定，所述商品偏序对集合基于有互动商品集合中的商品和无互动商品集合中的商品确定；
10.根据所述分值对所述电商平台中的商品进行排序，根据排序结果生成所述用户对应的推荐列表。
11.根据本发明的另一方面，提供了一种生成推荐列表的装置，包括：
12.数据获取模块，用于执行获取电商平台中用户对商品的历史行为数据；
13.分值确定模块，用于执行通过预设推荐模型根据所述历史行为数据确定所述电商平台中商品的分值，其中，所述预设推荐模型的训练样本包含商品置信度偏序对集合和商品偏序对集合，所述商品置信度偏序对集合基于用户对有互动商品集合中的商品的置信度确定，所述置信度基于时间衰减函数和用户行为权重确定，所述商品偏序对集合基于有互
动商品集合中的商品和无互动商品集合中的商品确定；
14.推荐列表生成模块，用于根据所述分值对所述电商平台中的商品进行排序，根据排序结果生成所述用户对应的推荐列表。
15.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
16.至少一个处理器；以及
17.与所述至少一个处理器通信连接的存储器；其中，
18.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的生成推荐列表的方法。
19.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的生成推荐列表的方法。
20.本发明实施例的技术方案，通过对用户行为进行量化得到的用户行为权重以及时间衰减函数确定用户对有互动商品的置信度，根据用户对有互动商品集合中的商品的置信度确定商品置信度偏序对集合，根据有互动商品集合中商品和无互动商品集合中的商品确定商品偏序对集合，根据商品置信度偏序对集合和商品偏序对集合训练推荐模型，通过推荐模型根据用户对商品的历史行为数据确定电商平台中商品的分值，根据分值对电商平台中的商品进行排序，根据排序结果生成对应用户的个性化的推荐列表，解决了相关技术中用户偏好模型质量较低、推荐算法的推荐效果不佳的问题，实现了基于用户偏好的个性化推荐，提高了推荐效果。
21.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
22.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
23.图1为本发明实施例提供了一种生成推荐列表的方法的流程图；
24.图2为本发明实施例提供的另一种生成推荐列表方法的流程图；
25.图3为本发明实施例提供的一种生成推荐列表的方法中的模型训练流程图；
26.图4为本发明实施例提供的一种构建ebprc模型的流程图；
27.图5为本发明实施例提供的一种生成推荐列表的装置的结构示意图；
28.图6为本发明示例提供的一种电子设备的结构示意图。
具体实施方式
29.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人
员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
30.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本发明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“包含”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。
31.为了便于理解，下面对说明书中可能出现的术语进行解释。
32.显式反馈：用户直接对商品给出评价分数的行为，如在豆瓣上给电影打分，在购物网站上给商品评级，这些行为在一定程度上能表达用户对商品的喜好程度。
33.隐式反馈：如用户对商品的点击、收藏、购买、和评价等行为，它们都是隐式反馈行为，不能直接表达用户对商品的喜好程度。
34.bpr：贝叶斯个性化排序。本质上是一种基于隐式反馈的排序推荐框架，通过假设用户对有互动行为的商品喜爱程度大于没有互动行为的商品，建立了贝叶斯个性化排序模型。
35.用户偏好置信度：用户喜欢某种商品的可能性。
36.偏序对：(u,i,j)，表明用户u对商品i的喜欢程度大于商品j。
37.熵权法：在客观评价中，熵权法根据指标的离散程度确定权值：指标的熵值越大，信息量越少，在评价过程中起到的贡献作用就越小，该指标被赋予的权重就越小。
38.序关系分析法：结合相关经验从主观上判断各指标的重要程度来进行权重计算。
39.图1为本发明实施例提供了一种生成推荐列表的方法的流程图，本实施例可适用于电子商务平台中商品推荐的场景，该方法可以由生成推荐列表的装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于电子设备中。如图1所示，该方法包括：
40.s110、获取电商平台中用户对商品的历史行为数据。
41.其中，电商平台指电子商务平台，即一个为企业或个人提供网上交易洽谈的平台。企业电子商务平台是建立在internet网上进行商务活动的虚拟网络空间和保障商务顺利运营的管理环境；是协调、整合信息流、货物流、资金流有序、关联、高效流动的重要场所。
42.用户为在电商平台中购买商品的一方。历史行为数据为用户对电商平台中的商品的操作行为相关的数据。具体的，历史行为数据包括浏览商品、关注商品、购买商品、收藏商品、将商品加入购物车以及从购物车中删除商品等行为相关的数据。
43.示例性地，根据用户标识从电商平台的数据库中获取用户对商品的历史行为数据。具体的，可以在用户登录电商平台时，通过用户账号从电商平台的数据库中获取该用户对商品的历史行为数据。
44.s120、通过预设推荐模型根据所述历史行为数据确定所述电商平台中商品的分值。
45.其中，所述预设推荐模型的训练样本包含商品置信度偏序对集合和商品偏序对集合，所述商品置信度偏序对集合基于用户对有互动商品集合中的商品的置信度确定，所述
置信度基于时间衰减函数和用户行为权重确定，所述商品偏序对集合基于有互动商品集合中的商品和无互动商品集合中的商品确定。
46.有互动商品集合为电商平台中存在至少一次被用户操作的记录的商品的集合。
47.无互动商品集合为电商平台中不存在用户操作的记录的商品的集合。
48.时间衰减函数用于表示用户行为发生的时间对置信度的影响。假设用户行为的时间越接近当前时间，置信度越大。
49.用户行为权重用于表示用户对商品的喜爱程度。通过将不同行为类型的用户行为量化成具体数值，数值越大，表示用户与商品之间的互动行为越频繁，表明用户对商品的喜爱程度越高。
50.示例性地，推荐模型的训练方式包括：获取所述电商平台中所有用户对商品的用户行为数据；根据各个用户的用户行为数据确定不同行为类型的用户行为权重；根据当前时间和各个用户对商品的互动行为的发生时间的差值确定时间衰减函数；根据所述用户行为权重和时间衰减函数确定置信度函数，根据所述置信度函数确定用户对有互动商品集合中的商品的置信度，根据用户对有互动商品集合中的商品的置信度确定商品置信度偏序对集合；根据用户集合、所述商品置信度偏序对集合和所述商品偏序对集合训练推荐模型。
51.在训练好的推荐模型配置于电商平台之后，根据所获取的用户对商品的历史行为数据确定商品偏序对和商品置信度偏序对，将该商品偏序对和商品置信度偏序对输入推荐模型，推荐模型输出对电商平台中的商品的评分结果。例如，评分结果可以是各个商品的分值。
52.s130、根据所述分值对所述电商平台中的商品进行排序，根据排序结果生成所述用户对应的推荐列表。
53.其中，推荐列表为通过推荐模型预测的用户可能感兴趣的商品的列表。
54.示例性地，根据电商平台中商品的分值对商品进行降序排列，进而，选择排序在前的设定数量的商品形成推荐列表，推荐给用户。
55.本发明实施例通过对用户行为进行量化得到的用户行为权重以及时间衰减函数确定用户对有互动商品的置信度，根据用户对有互动商品集合中的商品的置信度确定商品置信度偏序对集合，根据有互动商品集合中商品和无互动商品集合中的商品确定商品偏序对集合，根据商品置信度偏序对集合和商品偏序对集合训练推荐模型，通过推荐模型根据用户对商品的历史行为数据确定电商平台中商品的分值，根据分值对电商平台中的商品进行排序，根据排序结果生成对应用户的个性化的推荐列表，解决了相关技术中用户偏好模型质量较低、推荐算法的推荐效果不佳的问题，实现了基于用户偏好的个性化推荐，提高了推荐效果。
56.图2为本发明实施例提供的另一种生成推荐列表方法的流程图，本实施例在上述实施例的基础上，对推荐模型的训练方式进行详细说明。如图2所示，该方法包括：
57.s210、检测到满足模型训练条件，获取所述电商平台中所有用户对商品的用户行为数据。
58.其中，模型训练条件为触发执行模型训练的条件。本发明实施例对具体如何触发模型训练并不作具体限定。例如，可以定时触发模型训练。或者，在电商平台中新增的对商品的操作行为的记录的条数超过设定阈值时，触发模型训练。或者，人为触发模型训练等
等。
59.示例性地，检测到满足模型训练条件，获取电商平台中所有用户对应的用户集合u，获取电商平台中所有用户对商品的用户行为数据。
60.s220、根据各个用户的用户行为数据确定不同行为类型的用户行为权重。
61.在本发明实施例中，用户行为数据为电商平台的隐式饭就数据中的反馈行为。例如，反馈行为包括下述行为中的一项或多项：加入购物车、从购物车中删除、购买商品或收藏商品等。
62.相关技术中的bpr算法通过购买商品集合和未购买商品集合建立用户偏好序列，并基于用户偏好序列训练推荐模型，忽略了用户其他行为，导致推荐模型在多反馈行为下的推荐性能不高。
63.为了克服相关技术中的问题，本发明实施例从用户对商品的行为类型和次数能够在一定程度上反映用户对商品的喜爱程度的角度触发，通过熵权法和序关系分析法相结合的方式来获取用户行为权重的分布，从而将多反馈行为量化成具体的数值。数值越大，用户与商品之间的互动行为越频繁，表明用户对商品的喜爱程度越高。
64.示例性地，根据各个用户的用户行为数据确定不同行为类型的用户行为权重，包括：基于各个用户的用户行为数据，分别采用熵权法和序关系分析法计算不同行为类型的第一用户行为权重和第二用户行为权重；根据所述第一用户行为权重和第二用户行为权重计算用户行为权重。
65.其中，熵权法和序关系分析法均是计算权重地方法。熵权法为一种客观赋值方法。在信息论中，熵是对不确定性的一种度量。不确定性越大，熵就越大，包含的信息量越大；不确定性越小，熵就越小，包含的信息量就越小。根据熵的特性，可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响(权重)越大。比如样本数据在某指标下取值都相等，则该指标对总体评价的影响为0，权值为0。熵权法是一种客观赋权法，因为它仅依赖于数据本身的离散性。
66.序关系分析法为一种主观赋值方法。通过确定评价指标间的序关系，确定相邻指标间相对重要程度的比值的理性赋值。若评价者给出的该理性赋值满足r
c-1
＞1/rc，则用户行为权重可以采用下式表示：
[0067][0068]
ω
c-1
＝rcωc[0069]
式中，c＝m，m-1，m-2，
……
，3，2，其中，m表示用户行为总数。
[0070]
具体地，采用熵权法基于各个用户的用户行为数据，计算对应用户的不同类型的用户行为的信息熵，基于所述信息熵和用户行为次数计算对应行为类型的用户行为的第一用户行为权重。
[0071]
采用序关系分析法基于各个用户的用户行为数据，计算对应用户的不同类型的用户行为的重要程度的比值的理性赋值，基于所述理性赋值和用户行为次数计算对应行为类型的用户行为的第二用户行为权重。
[0072]
在本发明实施例中，用户行为权重ω
′j的计算公式如下：
[0073][0074]
式中，采用ωj为熵权法计算的权值，为序关系法计算的权值，η为两种方法的权衡值，η的取值范围为{0，0.1，0.2，
……
，1}。η的取值可以在实际应用环境中进行调整以在电商平台上更好地为用户进行商品推荐。
[0075]
s230、根据当前时间和各个用户对商品的互动行为的发生时间的差值确定时间衰减函数。
[0076]
示例性地，计算当前时间和用户u对商品i发生第n次互动行为的时间的差值，计算所述差值与预设时间影响因子的比值。以数学常数e为底数，所述比值为指数生成的指数函数作为时间衰减函数。
[0077]
在本发明实施例中，时间衰减函数的计算公式如下：
[0078][0079]
式中，t为当前时间，为用户u对商品i发生第n次行为的时间，α为时间影响因子。
[0080]
s240、根据所述用户行为权重和时间衰减函数确定置信度函数，根据所述置信度函数确定用户对有互动商品集合中的商品的置信度，根据用户对有互动商品集合中的商品的置信度确定商品置信度偏序对集合。
[0081]
示例性地，采用所述置信度函数，根据用户行为总数、用户u对商品i的第n次行为的类型的用户行为权重、用户u对商品i的第n次行为的时间和当前时间，计算所述用户u对所述商品i的置信度；根据所述用户u对有互动商品集合中的商品的置信度确定商品置信度偏序对集合。
[0082]
相关技术中的bpr算法中偏序对的假设过于严厉，忽略了用户对集合中不同商品的偏好程度。此外，用户行为发生的时间也会影响推荐模型的性能。理论上用户最近的行为比过去的行为更加能体现用户的偏好。为了表现出更加丰富的反馈信息，基于用户偏好引入置信度的概念，用于表示用户对商品的喜爱的可信程度。置信度的设置基于以下两种假设：
[0083]
假设1：用户行为量化后的用户行为权重越大，置信度越大。
[0084]
假设2：用户行为的时间越接近当前时间，置信度越大。
[0085]
基于上述两种假设，采用如下公式表示置信度函数
[0086][0087]
式中，n为用户行为总数，为用户u对商品i发生第n次行为的类型，为行为类型的用户行为权重。
[0088]
根据用户对集合中商品的置信度构造新的偏序对集合，即商品置信度偏序对集合其中，c
p
＞cq表示用户对商品p的置信度大于对商品q的置信度。u为电商平台上的用户集合。
[0089]
s250、根据有互动商品集合中的商品和无互动商品集合中的商品确定商品偏序对集合。
[0090]
bpr模型将商品分为有互动的商品集合和未互动的商品集合认为用户较中的商品更加喜欢中的商品。根据这一假设可以建立多组商品的偏序对＞u，表示用户u对商品的喜好。在数据集中构造一系列三元组集合，即商品偏序对集合du＝{(u，i，j)(or i＞uj)}。
[0091]
s260、根据用户集合、所述商品置信度偏序对集合和所述商品偏序对集合训练推荐模型。
[0092]
示例性地，确定所述用户集合中用户u对所述商品偏序对集合中的商品i和商品j的第一偏好差值。确定所述用户u对所述商品置信度偏序对集合中的商品p和商品q的第二偏好差值。根据所述第一偏好差值和第二偏好差值构建推荐模型。以所述商品置信度偏序对集合和所述商品偏序对集合中分别与用户集合中各个用户对应的偏序对为训练样本，采用梯度下降方法训练所述推荐模型。
[0093]
在本发明实施例中，根据商品偏序对集合du和商品置信度偏序对集合mu两种偏序关系，假设x
uij
为用户u对中的商品i和中的商品j的第一偏好差值，假设x
upq
为用户u对中的商品p和商品q的第二偏好差值，则可以得到x
uij
＝x
ui-x
uj
，x
upq
＝x
up-x
uq
。进而，目标优化偏序对＞u可以表示为：
[0094]
＞u＝λx
upq
+(1-λ)x
uij
[0095]
式中，λ为优化结构的参数，具体数值根据推荐模型的推荐效果调整。用户和商品整体的极大似然式可以表示为：
[0096]
ebprc(u)＝p(＞u)
[0097]
同样地，用σ(x)来替代p(x)，则ebprc对数似然估计为：
[0098][0099]
模型的目标函数为：
[0100][0101]
式中：r(θ)为正则项，用来抑制过拟合。bpr算法使用矩阵分解求解参数模型θ，引入矩阵分解模型，并在原来的基础上引入偏置项b，分解模型如下：
[0102]
x
ul
＝w
uhl
+b
l
[0103]
式中：wu为用户特征向量，h
l
为商品特征向量。r(θ)为正则化参数如下：
[0104][0105]
式中：为一组训练样本。最终的目标函数，如下所示：
[0106][0107]
上述目标函数即为推荐模型的目标函数。
[0108]
具体地，在训练推荐模型时：输入参数为用户集合u，商品偏序对集合du和商品置信度偏序对集合mu，矩阵分解维度k和模型参数θ，输出参数为收敛后的模型参数θ。
[0109]
图3为本发明实施例提供的一种生成推荐列表的方法中的模型训练流程图。如图3所示，推荐模型的训练过程包括：
[0110]
s310、初始化参数θ。
[0111]
s320、获取用户集合u中的任意一个用户u。
[0112]
s330、根据用户u从商品偏序对集合du中获取对应的偏序对(u，i，j)。
[0113]
s340、根据用户u从商品置信度偏序对集合mu中获取对应的偏序对(u，p，q)。
[0114]
s350、根据偏序对(u，i，j)和(u，p，q)采用梯度下降法更新参数θ。
[0115]
s360、判断推荐模型是否收敛，若是，则执行s370，否则执行s320。
[0116]
s370、返回模型参数θ。
[0117]
根据模型参数θ更新推荐模型，将更新后的推荐模型封装应用在电商平台，用于商品推荐。
[0118]
s270、获取电商平台中用户对商品的历史行为数据。
[0119]
s280、通过推荐模型根据所述历史行为数据确定所述电商平台中商品的分值。
[0120]
s290、根据所述分值对所述电商平台中的商品进行排序，根据排序结果生成所述用户对应的推荐列表。
[0121]
本发明实施例通过熵权法和序关系分析法量化获取各种反馈行为的权重，根据用户反馈行为的类型和时间计算用户偏好置信度，根据置信度建立用户对互动过的商品的偏序对。将该偏序对和用户对互动过的商品和未互动过的商品的偏序对结合，一起训练模型。最终得到的训练模型可以计算出每一个用户对各商品的评分，进而挑选评分较高的商品推荐给用户，达到个性化推荐的目的，解决了传统bpr模型只考虑到用户单类反馈的问题，解决了用户偏好反映程度过低的问题，还解决了无法直接应用于电商数据的问题。
[0122]
本发明实施例中，考虑到bpr算法的严格偏序关系，提出一种基于用户偏好置信度的增强贝叶斯个性化排序算法(enhanced bpr with confidence，以下简称ebprc),对排序模型进行增强。图4为本发明实施例提供的一种构建ebprc模型的流程图。如图4所示，该方法包括：
[0123]
s410、数据清洗。
[0124]
s420、特征提取。
[0125]
示例性地，对电商平台中的所有用户的设定时间内的用户行为数据进行数据清洗，对清洗后的数据进行特征提取，构建偏序对。
[0126]
s430、用户行为权重计算。
[0127]
用户行为权重计算中所采用的权衡值η基于模型试验结果更新。
[0128]
s440、ebprc模型建立。
[0129]
ebprc模型建立过程中所采用的优化结构的参数λ基于模型试验结果更新。
[0130]
s450、ebprc模型训练。
[0131]
s460、模型验证。
[0132]
图5为本发明实施例提供的一种生成推荐列表的装置的结构示意图。该装置可以由采用硬件和/或软件的形式实现，该装置可配置于电子设备中。如图5所示，该装置包括：数据获取模块510、分值确定模块520和推荐列表生成模块530。
[0133]
数据获取模块510，用于执行获取电商平台中用户对商品的历史行为数据；
[0134]
分值确定模块520，用于执行通过预设推荐模型根据所述历史行为数据确定所述电商平台中商品的分值，其中，所述预设推荐模型的训练样本包含商品置信度偏序对集合和商品偏序对集合，所述商品置信度偏序对集合基于用户对有互动商品集合中的商品的置信度确定，所述置信度基于时间衰减函数和用户行为权重确定，所述商品偏序对集合基于有互动商品集合中的商品和无互动商品集合中的商品确定；
[0135]
推荐列表生成模块530，用于根据所述分值对所述电商平台中的商品进行排序，根据排序结果生成所述用户对应的推荐列表。
[0136]
可选地，该装置还包括模型训练模块，所述模型训练模块包括数据获取子模块、权重确定子模块、函数确定子模块、集合确定子模块和模型训练子模块。
[0137]
数据获取子模块，用于执行在获取电商平台中用户对商品的历史行为数据之前，检测到满足模型训练条件，获取所述电商平台中所有用户对商品的用户行为数据；
[0138]
权重确定子模块，用于执行根据各个用户的用户行为数据确定不同行为类型的用户行为权重；
[0139]
函数确定子模块，用于执行根据当前时间和各个用户对商品的互动行为的发生时间的差值确定时间衰减函数；
[0140]
集合确定子模块，用于执行根据所述用户行为权重和时间衰减函数确定置信度函数，根据所述置信度函数确定用户对有互动商品集合中的商品的置信度，根据用户对有互动商品集合中的商品的置信度确定商品置信度偏序对集合；
[0141]
模型训练子模块，用于执行根据用户集合、所述商品置信度偏序对集合和所述商品偏序对集合训练推荐模型。
[0142]
可选地，权重确定子模块具体用于执行：
[0143]
基于各个用户的用户行为数据，分别采用熵权法和序关系分析法计算不同行为类型的第一用户行为权重和第二用户行为权重；
[0144]
根据所述第一用户行为权重和第二用户行为权重计算用户行为权重。
[0145]
可选地，权重确定子模块还具体用于执行：
[0146]
采用熵权法基于各个用户的用户行为数据，计算对应用户的不同类型的用户行为的信息熵，基于所述信息熵和用户行为次数计算对应行为类型的用户行为的第一用户行为权重；
[0147]
采用序关系分析法基于各个用户的用户行为数据，计算对应用户的不同类型的用
户行为的重要程度的比值的理性赋值，基于所述理性赋值和用户行为次数计算对应行为类型的用户行为的第二用户行为权重。
[0148]
可选地，函数确定子模块具体用于执行：
[0149]
计算当前时间和用户u对商品i发生第n次互动行为的时间的差值，计算所述差值与预设时间影响因子的比值；
[0150]
以数学常数e为底数，所述比值为指数生成的指数函数作为时间衰减函数。
[0151]
可选地，集合确定子模块具体用于执行：
[0152]
采用所述置信度函数，根据用户行为总数、用户u对商品i的第n次行为的类型的用户行为权重、用户u对商品i的第n次行为的时间和当前时间，计算所述用户u对所述商品i的置信度；
[0153]
根据所述用户u对有互动商品集合中的商品的置信度确定商品置信度偏序对集合。
[0154]
可选地，模型训练子模块具体用于执行：
[0155]
确定所述用户集合中用户u对所述商品偏序对集合中的商品i和商品j的第一偏好差值；
[0156]
确定所述用户u对所述商品置信度偏序对集合中的商品p和商品q的第二偏好差值；
[0157]
根据所述第一偏好差值和第二偏好差值构建推荐模型；
[0158]
以所述商品置信度偏序对集合和所述商品偏序对集合中分别与用户集合中各个用户对应的偏序对为训练样本，采用梯度下降方法训练所述推荐模型。
[0159]
本发明实施例所提供的生成推荐列表的装置可执行本发明任意实施例所提供的生成推荐列表的方法，具备执行方法相应的功能模块和有益效果。
[0160]
图6为本发明示例提供的一种电子设备的结构示意图。图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，服务器、刀片式服务器、大型计算机、服务器集群和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0161]
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0162]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0163]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能
(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如方法推荐列表生成方法和模型训练方法等。
[0164]
在一些实施例中，生成推荐列表的方法和模型训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的生成推荐列表的方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行生成推荐列表的方法。
[0165]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0166]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0167]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0168]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0169]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界
面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0170]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0171]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0172]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。