一种信息推荐方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种信息推荐方法、装置、设备及存储介质。其中，该方法包括：根据定性预测深度学习模型生成物品集合，确定与物品集合中各个物品对应的概率值，根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；根据概率值与预测值对物品集合中的物品进行排序；将排序后物品的信息推荐给用户。通过这样的方式，将定性预测与定量预测相结合，在发挥定性预测的优点，保障推荐内容具有相关性的同时，也能根据定量预测充分考虑用户的兴趣偏好，从而更加准确地向用户推荐其感兴趣的内容。

An information recommendation method, device, equipment and storage medium

The invention discloses an information recommendation method, device, device and storage medium. Among them, the method includes: generating the item set according to the qualitative prediction deep learning model, determining the probability value corresponding to each item in the item set, making the quantitative prediction on the item set according to the quantitative prediction deep learning model, generating the prediction value corresponding to each item in the item set, sorting the items in the item set according to the probability value and the prediction value, and sorting The information of the post item is recommended to the user. In this way, the combination of qualitative prediction and quantitative prediction can not only give full play to the advantages of qualitative prediction and ensure the relevance of recommended content, but also fully consider the user's interest preferences according to quantitative prediction, so as to more accurately recommend the content of interest to users.

【技术实现步骤摘要】
一种信息推荐方法、装置、设备及存储介质
本专利技术实施例涉及计算机处理技术，尤其涉及一种信息推荐方法、装置、设备及存储介质。
技术介绍
在大数据与互联网时代，很多企业为了满足用户的个性化需求，会广泛运用各种推荐算法以主动将产品呈现给用户，因此，各种推荐算法和模型层出不穷。但在现有的算法中，如谷歌开源的深度学习框架TensorFlow中的神经协同过滤(neuralcollaborativefilter，NCF)模型，只是将用户的行为数据统一转化成0和1，定性预测用户的兴趣偏好；交叉最小二乘法(alternativeleastsquares，ALS)矩阵分解模型等协同过滤模型，无论是进行显性评分(1-5分)，还是隐形评分(点击次数、收听时长等)，这些评分数据都是对于特征的线性拟合，只能定量预测用户的兴趣偏好。而一般情况下，定性预测用户的兴趣偏好没有考虑到用户真实的兴趣偏好程度，不能准确抓住用户的兴趣重点；定量预测用户的兴趣偏好则会出现一些不相关的推荐内容，影响用户体验。
技术实现思路
本专利技术提供一种信息推荐方法、装置、设备及存储介质，能够将定性预测与定量预测相结合，在保障推荐内容具有相关性的同时，充分考虑用户的兴趣偏好，更加准确地向用户推荐其感兴趣的内容。第一方面，本专利技术实施例提供了一种信息推荐方法，该方法包括：根据定性预测深度学习模型生成物品集合；确定与物品集合中各个物品对应的概率值；根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；根据概率值与预测值对物品集合中的物品进行排序；将排序后物品的信息推荐给用户。第二方面，本专利技术实施例还提供了一种信息推荐装置，该装置包括：生成单元，用于根据定性预测深度学习模型生成物品集合；确定单元，用于确定与物品集合中各个物品对应的概率值；生成单元，用于根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；排序单元，用于根据概率值与预测值对物品集合中的物品进行排序；推荐单元，用于将排序后物品的信息推荐给用户。第三方面，本专利技术实施例还提供了一种计算机设备，该设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当处理器执行计算机程序时，实现如本专利技术任意实施例所提供的信息推荐方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当计算机程序被处理器执行时，实现如本专利技术任意实施例所提供的信息推荐方法。本专利技术实施例提供了一种信息推荐方法、装置、设备及存储介质，根据定性预测深度学习模型生成物品集合，确定与物品集合中各个物品对应的概率值；根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；根据概率值与预测值对物品集合中的物品进行排序；将排序后物品的信息推荐给用户。通过这样的方式，将定性预测与定量预测相结合，在发挥定性预测的优点，保障推荐内容具有相关性的同时，也能根据定量预测充分考虑用户的兴趣偏好，从而更加准确地向用户推荐其感兴趣的内容。附图说明图1是本专利技术实施例一中的信息推荐方法流程图；图2是本专利技术实施例二中的信息推荐方法流程图；图3是本专利技术实施例三中的信息推荐装置示意图；图4是本专利技术实施例四中的信息推荐装置示意图；图5是本专利技术实施例五中的信息推荐设备示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。另外，在本申请实施例中，“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本专利技术实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。为了更加方便、清楚地描述本专利技术实施例，在此首先对本专利技术实施例中涉及到的相关概念，如用户、物品以及行为数据等做进一步地说明。例如，将用户标记为user，假设有k个用户，则用户集合可以表示为{user_1，user_2，……，user_k}；将物品标记为A，假设该物品有m个对象，则该对象的集合可以表示为{A_1，A_2，……，A_m}；将行为数据标记为rating，则符号“rating”加上用户索引号，如user_1，再加上物品索引号，如A_1，就表示对应的用户对物品的评分，如user_1对A_1的评分记为rating_1_1。因此，行为数据的集合可以表示为{rating_1_1，rating_1_2，……，rating_k_m}。其中，行为数据可以理解为用户在某物品上有访问痕迹，如用户在某电商平台上浏览了某物品，或者在某网页上观看了某视频等等。行为集合中的评分可以为用户定性评分或用户定量评分，该评分能够定性或定量的衡量用户的兴趣偏好。实施例一在上述概念的基础上，本专利技术实施例提供一种信息推荐方法，具体实现过程如图1所示，包括：S101、根据定性预测深度学习模型生成物品集合。在对定性预测深度学习模型的参数更新时，根据更新的定性预测深度学习模型得到正负样本集合，该正负样本集合中包括至少一份正负样本，一份正负样本对应一个物品。因此，可以通过至少一份正负样本生成由至少一个物品所构成的物品集合。S102、确定与物品集合中各个物品对应的概率值。物品集合生成之后，根据定性预测深度学习模型进行定性预测，预测用户的兴趣偏好，并针对物品集合中的每一个物品输出对应的概率值。S103、根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值。由于物品集合中包含有至少一个物品，且每个物品有对应的概率值，因而，可以根据概率值的大小对与概率值对应的物品进行排序。根据定量预测深度学习模型进行定量预测，预测用户的兴趣偏好，并针对排序后的物品输出与每一个物品对应的预测值。需要说明的是，在根据定量预测深度学习模型进行定量预测时，所选取的排序后的物品可以为物品集合中的所有物品，也可以为排序后的前若干个物品，本专利技术实施例对此不作限定。当然，本领域技术人员可以理解的是，若选取的排序后的物品为物品集合中的所有物品，那么此时可以不用对物品集合中的物品进行排序，而只需预测生成物品集合中与所有物品对应的预测值即可。S104、根据概率值与预测值对物品集合中的物品进行排序。由于在根据定量预测深度学习模型进行定量预测得到预测值时，所选用的物品包含在根据定性预测模型生成的物品集合中。所以，可以通过与物品对应的概率值、预测值，对这些物品进行排序。可选地，本专利技术实施例提供一种实现方式为，将本文档来自技高网...

【技术保护点】
1.一种信息推荐方法，其特征在于，包括：/n根据定性预测深度学习模型生成物品集合；/n确定与所述物品集合中各个物品对应的概率值；/n根据定量预测深度学习模型对所述物品集合进行定量预测，生成与所述物品集合中各个物品对应的预测值；/n根据所述概率值与所述预测值对所述物品集合中的物品进行排序；/n将排序后物品的信息推荐给用户。/n

【技术特征摘要】
1.一种信息推荐方法，其特征在于，包括：
根据定性预测深度学习模型生成物品集合；
确定与所述物品集合中各个物品对应的概率值；
根据定量预测深度学习模型对所述物品集合进行定量预测，生成与所述物品集合中各个物品对应的预测值；
根据所述概率值与所述预测值对所述物品集合中的物品进行排序；
将排序后物品的信息推荐给用户。


2.根据权利要求1所述的信息推荐方法，其特征在于，在所述根据定性预测深度学习模型生成物品集合之前，所述方法还包括：
根据用户定性行为数据训练定性预测深度学习模型；
以及，根据用户定量行为数据训练定量预测深度学习模型。


3.根据权利要求2所述的信息推荐方法，其特征在于，在所述根据用户定性行为数据训练定性预测深度学习模型之前，所述方法还包括：
根据所述用户定量行为数据生成所述用户定性行为数据；
其中，所述用户定量行为数据包括至少一个用户ID、至少一个物品ID以及至少一个用户定量评分，所述至少一个用户ID、所述至少一个物品ID以及所述至少一个用户定量评分之间呈对应关系。


4.根据权利要求3所述的信息推荐方法，其特征在于，所述根据所述用户定量行为数据生成所述用户定性行为数据，包括：
将所述用户定量行为数据中用户定量评分大于阈值的数据设为第一数据，将所述用户定量行为数据中用户定量评分小于或等于阈值的数据设为第二数据，所述第一数据和所述第二数据为用户定性评分；
根据所述用户定性评分、所述用户ID和所述物品ID生成所述用户定性行为数据。


5.根据权利要求1所述的信息推荐方法，其特征在于，所述根据定性预测深度学习模型生成物品集合，包括：
更新所述定性预测深度学习模型参数，得到正负样本集合，所述正负样本集合包括至少一份正负样本，所述一份正负样本对应一个物品；
根据至少一个所述物品生成所述...

【专利技术属性】
技术研发人员：胡志超，
申请(专利权)人：上海喜马拉雅科技有限公司，
类型：发明
国别省市：上海;31