一种信息推荐方法及装置制造方法及图纸

本发明专利技术实施例提供的一种信息推荐方法及装置，根据第一用户的历史行为，定义第一用户的用户标识，根据第一用户的用户标识、待推荐信息和预先训练的概率预测网络模型，确定第一用户对待推荐信息感兴趣的概率，根据得到的概率和待推荐信息，向第一用户推荐信息。基于上述处理，能够提高信息推荐的有效性。

An information recommendation method and device

An information recommendation method and device provided by the embodiment of the invention, according to the historical behavior of the first user, defines the user identification of the first user, determines the probability that the first user is interested in the recommendation information according to the user identification of the first user, the information to be recommended and the probability prediction network model of pre training, and pushes the information to the first user according to the obtained probability and the information to be recommended Recommendation information. Based on the above processing, the effectiveness of information recommendation can be improved.

【技术实现步骤摘要】
一种信息推荐方法及装置
本专利技术涉及计算机
，特别是涉及一种信息推荐方法及装置。
技术介绍
随着计算机技术的发展，当今社会正处于一个信息爆发的时代，在面对海量信息时，用户很难从海量信息中快速的选择出自己感兴趣的信息。基于神经协同过滤的推荐方法，可以对海量信息进行过滤，确定出用户可能感兴趣的信息，进而，可以将用户可能感兴趣的信息推荐给用户。现有技术中，可以基于神经协同过滤网络模型向用户推荐信息。例如，可以将样本用户的用户标识(用户标识可以为预设的表示用户唯一性的标识)，和一个样本信息(样本用户的历史行为对应的信息)作为NCF(NeuralCollaborativeFiltering，神经协同过滤)网络模型的输入参数，将样本用户对该样本信息感兴趣的概率作为对应的输出参数，对NCF网络模型进行训练。进而，使用训练好的NCF网络模型预测某一用户对待推荐信息感兴趣的概率时，NCF网络模型可以根据该用户的用户标识、待推荐信息、样本用户的用户标识和样本的历史行为对应的信息之间的关系，确定该用户对待推荐信息感兴趣的概率，进而，可以向该用户推荐用户感兴趣的概率最大的信息。专利技术人在实现本专利技术的过程中发现，现有技术至少存在如下问题：现有技术中，如果某一用户不是样本用户，即，样本用户的用户标识中不包含有该用户的用户标识，则NCF网络模型根据该用户的用户标识、待推荐信息、样本用户的用户标识和样本的历史行为对应的信息之间的关系，确定出的该用户对待推荐信息感兴趣的概率的准确度较低。进而，导致现有技术中信息推荐的有效性较低。
技术实现思路
本专利技术实施例的目的在于提供一种信息推荐方法，用以解决现有技术中信息推荐的有效性较低的问题。具体技术方案如下：第一方面，为了达到上述目的，本专利技术实施例提供了一种信息推荐方法，所述方法包括：根据第一用户的历史行为，定义所述第一用户的用户标识；根据所述第一用户的用户标识、待推荐信息和预先训练的概率预测网络模型，确定所述第一用户对所述待推荐信息感兴趣的概率；根据得到的概率和所述待推荐信息，向所述第一用户推荐信息；其中，所述概率预测网络模型为基于预设训练集进行训练得到的，所述预设训练集包括多个训练样本，所述训练样本包括样本用户的用户标识、样本信息和所述样本用户对所述样本信息感兴趣的概率，所述样本信息为所述样本用户的历史行为对应的信息，所述样本用户的用户标识为根据所述样本用户的历史行为定义的。可选的，生成所述训练样本，包括：针对每一样本用户，根据时间先后顺序对该样本用户的历史行为进行排序；根据该样本用户的第一预设数目个历史行为，定义该样本用户的用户标识；根据该样本用户的在所述第一预设数目个历史行为之后的历史行为，确定该样本用户对应的第一样本信息，将该样本用户对所述第一样本信息感兴趣的概率设置为第一概率；根据该样本用户的在所述第一预设数目个历史行为之前的历史行为，确定该样本用户对应的第二样本信息，将该样本用户对所述第二样本信息感兴趣的概率设置为第二概率，其中，所述第二概率低于所述第一概率；生成包含有该样本用户对应的正样本和负样本的所述训练样本，其中，所述正样本中包括该样本用户的用户标识、所述第一样本信息，以及该样本用户对所述第一样本信息感兴趣的概率，所述负样本中包括该样本用户的用户标识、所述第二样本信息，以及该样本用户对所述第二样本信息感兴趣的概率。可选的，所述根据第一用户的历史行为，定义所述第一用户的用户标识，包括：根据时间先后顺序对所述第一用户的历史行为进行排序；根据所述第一用户的历史行为中距离当前时刻最近的第二预设数目个历史行为，定义所述第一用户的用户标识，其中，所述第二预设数目不大于定义所述样本用户的用户标识所使用的历史行为的数目。可选的，所述第一用户的用户标识为根据所述第一用户的历史行为对应的信息定义的；所述根据所述第一用户的用户标识、待推荐信息和预先训练的概率预测网络模型，确定所述第一用户对所述待推荐信息感兴趣的概率，包括：基于预先训练的概率预测网络模型中的第一预设算法，对所述第一用户的用户标识进行处理，得到第一线性表征向量，并对所述待推荐信息进行处理，得到第二线性表征向量；基于对所述第一线性表征向量进行卷积处理的处理结果和所述第二线性表征向量，得到表示所述第一用户的历史行为对应的信息与所述待推荐信息的共同特征的线性特征向量；基于所述概率预测网络模型中的第二预设算法，对所述第一用户的用户标识进行处理，得到第一非线性表征向量，并对所述待推荐信息进行处理，得到第二非线性表征向量；基于对所述第一非线性表征向量和所述第二非线性表征向量进行特征融合的结果，得到表示所述第一用户的历史行为对应的信息与所述待推荐信息的共同特征的非线性特征向量；对所述线性特征向量和所述非线性特征向量进行特征融合，得到目标特征向量；对所述目标特征向量进行回归处理，确定所述第一用户对所述待推荐信息感兴趣的概率。可选的，在所述根据所述第一用户的用户标识、待推荐信息和预先训练的概率预测网络模型，确定所述第一用户对所述待推荐信息感兴趣的概率之前，所述方法还包括：基于用户协同过滤UserCF算法和所述第一用户的历史行为，从预设的多个信息中确定出第三预设数目个信息，作为所述待推荐信息。第二方面，为了达到上述目的，本专利技术实施例提供了一种信息推荐装置，所述装置包括：第一确定模块，用于根据第一用户的历史行为，定义所述第一用户的用户标识；第二确定模块，用于根据所述第一用户的用户标识、待推荐信息和预先训练的概率预测网络模型，确定所述第一用户对所述待推荐信息感兴趣的概率；推荐模块，用于根据得到的概率和所述待推荐信息，向所述第一用户推荐信息；其中，所述概率预测网络模型为基于预设训练集进行训练得到的，所述预设训练集包括多个训练样本，所述训练样本包括样本用户的用户标识、样本信息和所述样本用户对所述样本信息感兴趣的概率，所述样本信息为所述样本用户的历史行为对应的信息，所述样本用户的用户标识为根据所述样本用户的历史行为定义的。可选的，所述装置还包括：生成模块，用于针对每一样本用户，根据时间先后顺序对该样本用户的历史行为进行排序；根据该样本用户的第一预设数目个历史行为，定义该样本用户的用户标识；根据该样本用户的在所述第一预设数目个历史行为之后的历史行为，确定该样本用户对应的第一样本信息，将该样本用户对所述第一样本信息感兴趣的概率设置为第一概率；根据该样本用户的在所述第一预设数目个历史行为之前的历史行为，确定该样本用户对应的第二样本信息，将该样本用户对所述第二样本信息感兴趣的概率设置为第二概率，其中，所述第二概率低于所述第一概率；生成包含有该样本用户对应的正样本和负样本的所述训练样本，其中，所述正样本中包括该样本用户的用户标识、所述第一样本信息，以及该样本用户对所述第一样本信息感兴趣的概率，所述负样本中包括该样本用户的用户标识、所述第二样本信息，以及该样本用户对所述第二样本信息感兴趣的概率。可选的，所述第一确定模块，具体用于根据时间先后顺序对所述第一用户的历史行为进行排序；根据所述第一用户的历史行为中距离当前时刻最近的第二预设数目个历史行为，定义所述第一用户的用户标识，其中，所述第二预设数目不大于定义所述样本用户的用户标识所使用的历史行为的数目。可选的，所述本文档来自技高网...

【技术保护点】
1.一种信息推荐方法，其特征在于，所述方法包括：根据第一用户的历史行为，定义所述第一用户的用户标识；根据所述第一用户的用户标识、待推荐信息和预先训练的概率预测网络模型，确定所述第一用户对所述待推荐信息感兴趣的概率；根据得到的概率和所述待推荐信息，向所述第一用户推荐信息；其中，所述概率预测网络模型为基于预设训练集进行训练得到的，所述预设训练集包括多个训练样本，所述训练样本包括样本用户的用户标识、样本信息和所述样本用户对所述样本信息感兴趣的概率，所述样本信息为所述样本用户的历史行为对应的信息，所述样本用户的用户标识为根据所述样本用户的历史行为定义的。

【技术特征摘要】
1.一种信息推荐方法，其特征在于，所述方法包括：根据第一用户的历史行为，定义所述第一用户的用户标识；根据所述第一用户的用户标识、待推荐信息和预先训练的概率预测网络模型，确定所述第一用户对所述待推荐信息感兴趣的概率；根据得到的概率和所述待推荐信息，向所述第一用户推荐信息；其中，所述概率预测网络模型为基于预设训练集进行训练得到的，所述预设训练集包括多个训练样本，所述训练样本包括样本用户的用户标识、样本信息和所述样本用户对所述样本信息感兴趣的概率，所述样本信息为所述样本用户的历史行为对应的信息，所述样本用户的用户标识为根据所述样本用户的历史行为定义的。2.根据权利要求1所述的方法，其特征在于，生成所述训练样本，包括：针对每一样本用户，根据时间先后顺序对该样本用户的历史行为进行排序；根据该样本用户的第一预设数目个历史行为，定义该样本用户的用户标识；根据该样本用户的在所述第一预设数目个历史行为之后的历史行为，确定该样本用户对应的第一样本信息，将该样本用户对所述第一样本信息感兴趣的概率设置为第一概率；根据该样本用户的在所述第一预设数目个历史行为之前的历史行为，确定该样本用户对应的第二样本信息，将该样本用户对所述第二样本信息感兴趣的概率设置为第二概率，其中，所述第二概率低于所述第一概率；生成包含有该样本用户对应的正样本和负样本的所述训练样本，其中，所述正样本中包括该样本用户的用户标识、所述第一样本信息，以及该样本用户对所述第一样本信息感兴趣的概率，所述负样本中包括该样本用户的用户标识、所述第二样本信息，以及该样本用户对所述第二样本信息感兴趣的概率。3.根据权利要求1所述的方法，其特征在于，所述根据第一用户的历史行为，定义所述第一用户的用户标识，包括：根据时间先后顺序对所述第一用户的历史行为进行排序；根据所述第一用户的历史行为中距离当前时刻最近的第二预设数目个历史行为，定义所述第一用户的用户标识，其中，所述第二预设数目不大于定义所述样本用户的用户标识所使用的历史行为的数目。4.根据权利要求1所述的方法，其特征在于，所述第一用户的用户标识为根据所述第一用户的历史行为对应的信息定义的；所述根据所述第一用户的用户标识、待推荐信息和预先训练的概率预测网络模型，确定所述第一用户对所述待推荐信息感兴趣的概率，包括：基于预先训练的概率预测网络模型中的第一预设算法，对所述第一用户的用户标识进行处理，得到第一线性表征向量，并对所述待推荐信息进行处理，得到第二线性表征向量；基于对所述第一线性表征向量进行卷积处理的处理结果和所述第二线性表征向量，得到表示所述第一用户的历史行为对应的信息与所述待推荐信息的共同特征的线性特征向量；基于所述概率预测网络模型中的第二预设算法，对所述第一用户的用户标识进行处理，得到第一非线性表征向量，并对所述待推荐信息进行处理，得到第二非线性表征向量；基于对所述第一非线性表征向量和所述第二非线性表征向量进行特征融合的结果，得到表示所述第一用户的历史行为对应的信息与所述待推荐信息的共同特征的非线性特征向量；对所述线性特征向量和所述非线性特征向量进行特征融合，得到目标特征向量；对所述目标特征向量进行回归处理，确定所述第一用户对所述待推荐信息感兴趣的概率。5.根据权利要求1所述的方法，其特征在于，在所述根据所述第一用户的用户标识、待推荐信息和预先训练的概率预测网络模型，确定所述第一用户对所述待推荐信息感兴趣的概率之前，所述方法还包括：基于用户协同过滤UserCF算法和所述第一用户的历史行为，从预设的多个信息中确定出第三预设数目个信息，作为所述待推荐信息。6.一种信息推荐装置，其特征在于，所述装置包括：第一确定模块，用于根据第一用户的历史行为，定义所述第一...

【专利技术属性】
技术研发人员：陆震寰，
申请(专利权)人：北京奇艺世纪科技有限公司，
类型：发明
国别省市：北京,11