(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111645527.6 (22)申请日 2021.12.2 9 (71)申请人 北京五八信息技 术有限公司 地址 100083 北京市海淀区学清路甲18号 中关村东升科技园学院园三层3 01室 (72)发明人 赵威严　彭飞　邓竹立　 (74)专利代理 机构 北京润泽恒知识产权代理有 限公司 1 1319 代理人 吕俊秀 (51)Int.Cl. G06Q 30/02(2012.01) G06F 16/9535(2019.01) G06F 16/958(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 项目推荐方法、 装置、 电子设备及可读介质 (57)摘要 本发明实施例提供一种项目推荐方法、 装 置、 电子设备及可读介质， 所述方法包括： 通过预 设的推荐模型对当前用户信息以及多个待推荐 项目信息进行关联性挖掘， 获得当前用户的预测 评分矩阵； 推荐模型基于生 成对抗网络对连续时 间收集的历史评分数据进行训练得到， 预测评分 矩阵包括对多个待推荐项目的预测评分； 根据对 多个待推荐项目的预测评分， 确定当前用户的推 荐列表； 推荐列表中的各个目标项目包括对应的 推荐路径； 按照对应的推荐路径， 向当前用户推 荐各个目标项目。 本发明实施例可以有效解决用 户与项目隐性特征的提取困难问题， 并且充分考 虑到用户偏好随时间变化的情况， 提高推荐准确 性， 提升用户体验。 权利要求书3页 说明书21页 附图4页 CN 114418624 A 2022.04.29 CN 114418624 A 1.一种项目推荐方法， 其特 征在于， 所述方法包括： 获取当前用户信息以及多个待推荐 项目信息； 通过预设的推荐模型对所述当前用户信息以及所述多个待推荐项目信息进行关联性 挖掘， 获得所述当前用户的预测评分矩阵； 所述推荐模型基于生成对抗网络对连续时间收 集的历史评 分数据进 行训练得到； 所述预测评 分矩阵包括对所述多个待推荐项目的预测评 分； 根据对所述多个待推荐项目的预测评分， 确定所述当前用户的推荐列表； 所述推荐列 表中的各个目标项目包括对应的推荐路径； 按照所述对应的推荐路径， 向所述当前用户推荐所述各个目标项目。 2.根据权利要求1所述的方法， 其特征在于， 所述根据对所述多个待推荐项目的预测评 分， 确定所述当前用户的推荐列表， 包括： 从所述多个待推荐 项目的预测评分中， 提取 预测评分大于 评分阈值的多个目标项目； 按照所述多个目标项目的评分大小， 生成所述当前用户的推荐列表。 3.根据权利要求1所述的方法， 其特征在于， 所述推荐模型包括第 一生成器和第 二生成 器； 所述通过预设的推荐模型对所述当前用户信息以及所述多个待推荐项目信息进行关联 性挖掘， 获得 所述当前用户的预测评分矩阵， 包括： 将所述当前用户信 息以及所述多个待推荐项目信 息输入至预设的推荐模型； 通过所述 第一生成器和所述第二生成器根据所述当前用户信息， 确定对应类别的用户偏好信息； 所 述用户偏好信息包括偏好项目以及对应的项目评分； 通过所述第一生成器和所述第二生成器分别提取所述待推荐项目的项目特征和所述 偏好项目的项目特 征； 通过所述第一生成器和所述第二生成器根据所述待推荐项目的项目特征与所述偏好 项目的项目特征之间的相似度， 确定与所述偏好项目匹配的待推荐项目， 并将所述偏好项 目对应的项目评分赋值至所述匹配的待推荐 项目， 以输出 所述当前用户的预测评分矩阵。 4.根据权利要求1所述的方法， 其特 征在于， 所述推荐模型通过如下 方式训练得到： 获取连续 时间收集的用户样本针对项目样本的历史评分数据， 以及获取初始的推荐模 型； 所述推荐模型包括编码器和所述 生成对抗网络； 对所述用户样本针对项目样本的历史评分数据按照预设时间段划分得到多个历史评 分集合； 通过所述编码器以及所述生成对抗网络， 对所述多个历史评分集合进行训练， 直至所 述多个历史评分集 合都满足预设条件时， 确定所述推荐模型训练完成。 5.根据权利要求4所述的方法， 其特征在于， 所述对所述用户样本针对项目样本的历史 评分数据按照预设时间段划分得到多个历史评分集 合， 包括： 根据所述用户样本针对项目样本的历史评分数据， 确定各种类别的用户集 合； 分别对所述各种类别的用户集合中的历史评分数据按照预设时间段划分， 得到所述各 种类别的用户集 合对应的多个历史评分集 合。 6.根据权利要求5所述的方法， 其特征在于， 所述生成对抗网络由第 一生成对抗网络与 第二生成对抗网络连接组成； 所述通过所述编码器以及所述生成对抗网络， 对所述多个历史评分集合进行训练， 包权　利　要　求　书 1/3 页 2 CN 114418624 A 2括： 将同一时间段的各种类别的历史评分集合输入至所述编码器， 由所述编码器进行处 理， 输出各种类别的历史评分矩阵； 通过所述第 二生成对抗网络根据所述第 一生成对抗网络的输出， 对所述各种类别的历 史评分矩阵进行学习； 通过所述第一生成对抗网络根据所述第二生成对抗网络的输出， 对 所述各种类别的历史评分矩阵进行 学习。 7.根据权利要求6所述的方法， 其特征在于， 所述第 一生成对抗网络包括第 一生成器和 第一判别器， 所述第二 生成对抗网络包括第二 生成器和第二判别器； 所述通过所述第 二生成对抗网络根据 所述第一生成对抗网络的输出， 对所述各种类别 的历史评分矩阵进行学习； 通过所述第一生成对抗网络根据所述第二生成对抗网络的输 出， 对所述各种类别的历史评分矩阵进行 学习， 包括： 在输入高斯噪音矩阵的情况下， 通过所述第 二生成器根据 所述第一判别器输出的第 一 判别信息， 对所述各种类别的历史评 分矩阵进行学习， 得到各种类别的第二模拟评 分矩阵； 所述第一判别信息通过所述第一判别器针对所述第一生成器学习得到的第一模拟评分矩 阵进行判别得到； 在不输入高斯噪音矩阵的情况下， 通过所述第 一生成器根据所述第 二判别器输出的第 二判别信息， 对所述各种类别的历史评分矩阵进行学习， 得到各种类别的第一模拟评分矩 阵； 所述第二判别信息通过所述第二判别器针对所述第二生成器学习得到的第二模拟评分 矩阵进行判别得到 。 8.根据权利要求7所述的方法， 其特征在于， 所述第 一模拟评分矩阵具有第 一模拟样本 分布特征， 所述历史评分矩阵具有真实样本分布特征， 所述第一判别信息包括所述第一模 拟样本分布特 征与对应 类别的真实样本分布特 征之间的第一特 征差异； 所述在输入高斯噪音矩阵的情况下， 通过所述第 二生成器根据 所述第一判别器输出的 第一判别信息， 对所述各种类别的历史评分矩阵进行学习， 得到各种类别的第二模拟评分 矩阵， 包括： 向所述第二生成器输入所述各种类别的历史评分矩阵、 所述第 一特征差异以及高斯噪 音矩阵； 通过所述第 二生成器根据所述真实样本分布特征以及所述第 一特征差异， 采用所述高 斯噪音矩阵模拟生成各种类别的第二模拟评分矩阵； 所述第二模拟评分矩阵具有第 二模拟样本分布特征， 所述第 二判别信 息包括所述第 二 模拟样本分布特 征与对应 类别的真实样本分布特 征之间的第二特 征差异； 所述通过所述第 一生成器根据 所述第二判别器输出的第 二判别信 息， 对所述各种类别 的历史评分矩阵进行 学习， 得到各种类别的第一模拟评分矩阵， 包括： 向所述第一 生成器输入所述各种类别的历史评分矩阵以及所述第二特 征差异； 通过所述第 一生成器根据所述真实样本分布特征以及所述第 二特征差异， 模拟生成各 种类别的第一模拟评分矩阵。 9.根据权利要求7所述的方法， 其特征在于， 所述直至所述多个历史评分集合都满足预 设条件时， 确定所述推荐模型训练完成， 包括： 分别计算各个时间段学习得到的各种类别的第 一模拟评分矩阵、 第 二模拟评分矩阵的权　利　要　求　书 2/3 页 3 CN 114418624 A 3