(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210914107.1 (22)申请日 2022.08.01 (65)同一申请的已公布的文献号 申请公布号 CN 114996588 A (43)申请公布日 2022.09.02 (73)专利权人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 王露杰　 (74)专利代理 机构 深圳市沃德知识产权代理事 务所(普通 合伙) 44347 专利代理师 高杰　于志光 (51)Int.Cl. G06F 16/9535(2019.01) G06K 9/62(2022.01) (56)对比文件 CN 113362139 A,2021.09.07 CN 114547475 A,202 2.05.27CN 114648379 A,202 2.06.21 CN 114511387 A,202 2.05.17 CN 114781832 A,202 2.07.22 CN 114612194 A,202 2.06.10 CN 114565436 A,2022.05.31 US 2022114644 A1,202 2.04.14 KR 20190 047576 A,2019.0 5.08 US 2020381127 A1,2020.12.0 3 CN 111339240 A,2020.0 6.26 Hamideh Afsarmanesh 等.On service- enhanced product recom mendation guiding users through complex product specificati on. 《2015 I nternati onal Conference o n Computi ng and Communications Technologies (IC CCT)》 .2015, 林俊俊.面向用户个性 化兴趣准确表达的推 荐算法研究. 《中国优秀硕士学位 论文全文数据 库 信息科技 辑》 .2022,(第1期), 审查员 廖琼霞 (54)发明名称 基于双塔模型的产品推荐方法、 装置、 设备 及存储介质 (57)摘要 本发明涉及数据分析领域， 揭露一种基于双 塔模型的产品推荐方法、 装置、 电子设备及可读 存储介质， 所述方法包括： 获取用户多维特征、 符 合预设目标数量的待推荐产品及待推荐产品多 维特征； 利用预设双塔模型中的编码器 分别对所 述用户多维特征及所述待推荐产品多维特征进 行编码， 得到用户编码向量及产品编码向量； 利 用所述预设双塔模型中注意力机制层的归一化 指数函数对所述用户编码向量及所述产品编码 向量进行计算， 得到理想产品向量； 计算所述产 品编码向量与所述理想产品向量的相似度， 并将 相似度最高的待推荐产品作为目标产品。 本发明 可以提高产品推荐的精准度。 权利要求书3页 说明书11页 附图4页 CN 114996588 B 2022.10.21 CN 114996588 B 1.一种基于双塔模型的产品推荐方法， 其特 征在于， 所述方法包括： 获取用户多维特征、 初始待推荐产品多维特征及初始待推荐产品数量， 根据所述用户 多维特征及预设规则确定待推荐产品的目标 数量； 根据所述目标数量及所述初始待推荐产品数量， 对所述初始待推荐产品进行补全截断 处理， 得到符合所述目标数量的待推荐产品， 提取所述待推荐产品的多维特征， 得到待推荐 产品多维特 征； 利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征 进行编码， 得到用户编码向量及产品编码向量； 利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所 述产品编码向量进行计算， 得到理想产品向量； 计算所述产品编码向量与 所述理想产品向量的相似度， 并将相似度最高的待推荐产品 作为目标产品； 其中， 所述利用所述预设双塔模型中注意力 机制层的归一化指数函数对所述用户编码 向量及所述产品编码向量进行计算， 得到理想产品向量， 包括： 根据所述注意力 机制层中的第 一预设参数矩阵对所述用户编码向量做线性变换， 得到 查询向量； 根据所述注意力机制层中的第二预设参数矩阵及第三预设参数矩阵对所述产品编码 向量做线性变换， 得到关键向量及数值向量； 将所述关键向量与查询向量的转置向量 点乘， 得到相似度矩阵； 对所述相似度矩阵进行归一 化计算， 得到 权重矩阵； 将所述权 重矩阵与所述数值向量 点乘， 得到理想商品向量。 2.如权利要求1所述的基于双塔模型的产品推荐方法， 其特征在于， 所述获取用户多维 特征、 初始待推荐产品多维特 征及初始待推荐产品数量， 包括： 获取用户信息及预设产品库中的产品信息； 提取所述用户信 息及所述产品信 息的多维度 特征信息， 得到用户多维特征及产品多维 特征； 根据所述用户多维特征中的用户历史行为序列， 在所述预设产品库中查找与 所述用户 多维特征相匹配的召回产品； 根据所述用户多维特征及所述召回产品的产品多维特征， 利用预设的粗排算法， 对所 述召回产品进行粗 排， 得到初始待推荐产品； 提取所述产品多维特征中所述初始待推荐产品对应的产品多维特征， 得到初始待推荐 产品多维特 征； 计算所述初始待推荐产品的数量， 得到初始待推荐产品数量。 3.如权利要求2所述的基于双塔模型的产品推荐方法， 其特征在于， 所述根据 所述目标 数量及所述待推荐产品数量， 对所述待推荐产品进行补全截断处理， 得到符合所述 目标数 量的待推荐产品， 包括： 比较所述初始待推荐产品数量与所述目标 数量多少； 当所述初始待推荐产品数量少于所述目标数量 时， 从所述预设产品库中查找与所述用 户多维特征不匹配的产品， 得到负样本产品， 并将所述负样本产品添加至所述初始待推荐权　利　要　求　书 1/3 页 2 CN 114996588 B 2产品中， 得到符合所述目标 数量的待推荐产品； 当所述待推荐产品数量多于所述目标数量时， 根据所述目标数量， 利用预设的精排算 法对所述待推荐产品进行精排处 理， 得到符合所述目标 数量的待推荐产品。 4.如权利要求1所述的基于双塔模型的产品推荐方法， 其特征在于， 所述利用预设双塔 模型中的编 码器分别对所述用户多维特征及所述待推荐产品多维特征进 行编码， 得到用户 编码向量及产品编码向量， 包括： 利用所述预设双塔模型中User塔的编码器对所述用户多维特征中的用户特征向量进 行位置索引编码， 得到用户位置编码向量； 利用所述预设双塔模型中item塔的编码器对所述待推荐产品多维特征中的产品特征 向量进行位置索引编码， 得到产品位置编码向量； 将所述用户位置编码向量与所述用户多维特 征进行组合， 得到用户编码向量； 将所述产品位置编码向量与所述待推荐产品多维特 征进行组合， 得到产品编码向量。 5.如权利要求1所述的基于双塔模型的产品推荐方法， 其特征在于， 所述计算所述产品 编码向量与所述理想产品向量的相似度， 包括： 利用下述公式计算所述产品编码向量与所述理想产品向量的相似度 ： 其中， 所述 表示理想产品向量， 所述 表示第i个带推荐产品的产品编码向量的转置 矩阵， 表示第i个带推荐产品的产品编码向量。 6.如权利要求1所述的基于双塔模型的产品推荐方法， 其特征在于， 所述根据 所述用户 多维特征及预设规则确定待推荐产品的目标 数量， 包括： 根据所述用户多维特 征， 确定各个用户所有维度特 征对应的产品数量； 对所述产品数量进行求平均值， 并将所述平均值作为所述待推荐产品的目标 数量。 7.一种基于双塔模型的产品推荐装置， 其特 征在于， 所述装置包括： 产品编码向量计算模块， 用于获取用户多维特征、 初始待推荐产品多维特征及初始待 推荐产品数量， 根据所述用户多维特征及预设规则确定待推荐产品的目标数量， 根据所述 目标数量及所述初始待推荐产品数量， 对所述初始待推荐产品进行补全截断处理， 得到符 合所述目标数量的待推荐产品， 提取所述待推荐产品的多维特征， 得到待推荐产品多维特 征， 利用预设双塔模型中的编 码器分别对所述用户多维特征及所述待推荐产品多维特征进 行编码， 得到用户编码向量及产品编码向量； 理想产品向量计算模块， 用于利用所述预设双塔模型中注意力 机制层的归一化指数函 数对所述用户编码向量及所述产品编码向量进行计算， 得到理想产品向量； 目标产品筛选模块， 用于计算所述产品编码向量与所述理想产品向量的相似度， 并将 相似度最高的待推荐产品作为目标产品； 其中， 所述利用所述预设双塔模型中注意力 机制层的归一化指数函数对所述用户编码 向量及所述产品编码向量进行计算， 得到理想产品向量， 包括： 根据所述注意力 机制层中的第 一预设参数矩阵对所述用户编码向量做线性变换， 得到 查询向量；权　利　要　求　书 2/3 页 3 CN 114996588 B 3