推荐方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了推荐方法、装置、电子设备和存储介质，涉及计算机技术领域。具体实现方案为根据会话信息，确定当轮需求和上下文信息；根据当轮需求和上下文信息确定多个推荐项；针对每个推荐项，根据上下文信息及推荐项的特征确定推荐项的预估点击率；根据各个推荐项的预估点击率，从多个推荐项中确定至少一个最终推荐项。本申请提高对用户需求分析的准确性，进而提高了推荐质量。

Recommended methods, devices, electronic equipment and storage media

【技术实现步骤摘要】
推荐方法、装置、电子设备及存储介质
本申请涉及一种计算机
，尤其涉及一种信息检索

技术介绍
现有的信息推荐系统主要是基于用户单轮信息的推荐，缺乏对用户当前情境下的需求分析，往往难以发现用户真正的兴趣点，推荐质量低，带来较差的用户体验。
技术实现思路
本申请实施例提供推荐方法、装置、电子设备及存储介质，以解决或缓解现有技术中的以上一个或多个技术问题。第一方面，本申请实施例提供了一种推荐方法，包括：根据会话信息，确定当轮需求和上下文信息；根据当轮需求和上下文信息确定多个推荐项；针对每个推荐项，根据上下文信息及推荐项的特征确定推荐项的预估点击率；根据各个推荐项的预估点击率，从多个推荐项中确定至少一个最终推荐项。上述实施方式对会话信息充分挖掘，基于当轮需求，并联系上下文信息和推荐项特征确定推荐项，提高对用户需求分析的准确性，进而提高了推荐质量，提高用户体验。在一种实施方式中，根据当轮需求和上下文信息确定多个推荐项，包括：从当轮需求和上下文信息中提取用户意图和关键词；根据用户意图和关键词在搜索数据中进行检索，得到多个推荐项。在一种实施方式中，还包括：对多个推荐项进行初步过滤处理，得到初步过滤处理后的多个推荐项；初步过滤处理包括下述至少一项：确定各个推荐项的历史访问数据以及各个推荐项与关键词的相关度，过滤历史访问数据和相关度不满足预设条件的推荐项；过滤多个推荐项中重复的推荐项。通过上述实施方式，根据历史访问数据和关键词的相关度进行过滤，考虑了推荐项的热度和相关度，有利于提高推荐项的质量。处理对重复的推荐项进行过滤排除，可以避免对用户推荐重复内容，有利于提高推荐质量。在一种实施方式中，根据上下文信息及推荐项的特征确定推荐项的预估点击率，包括：从上下文信息中提取上下文的特征；将上下文的特征及推荐项的特征输入预先训练的点击率预估模型，由点击率预估模型输出推荐项的预估点击率。通过上述实施方式，由点击率预估模型来进行预测，可以更好地找到上下文的特征及推荐项的特征和预估点击率的关系，提高对点击率预测的准确性。在一种实施方式中，还包括：获取历史推荐项的用户反馈行为数据；根据用户反馈行为数据，确定最终推荐项的推荐策略。通过上述实施方式，考虑用户的历史反馈，根据将最终需要推荐的内容以合适的方式呈现给用户，提高推荐的合理性，减少对用户的干扰，从而提高用户体验感。在一种实施方式中，上下文信息包括：用户提问信息、系统提示信息和用户兴趣信息中的至少一项。第二方面，本申请实施例提供一种点击率预估模型训练方法，包括：根据会话信息，确定当轮需求和上下文信息；根据当轮需求和上下文信息确定多个推荐项；获取各个推荐项的实际点击率，将上下文信息、推荐项的特征及推荐项的实际点击率作为训练样本，训练点击率预估模型。在一种实施方式中，推荐项的特征包括推荐项与当轮需求的匹配度、推荐项与当轮需求的编辑距离、推荐项与当轮需求的意图的一致性以及推荐项展现位置中的至少一项。第三方面，本申请实施例提供一种推荐装置，包括：会话信息模块，用于根据会话信息，确定当轮需求和上下文信息；推荐项确定模块，用于根据当轮需求和上下文信息确定多个推荐项；预估点击率确定模块，用于针对每个推荐项，根据上下文信息及推荐项的特征确定推荐项的预估点击率；最终推荐项确定模块，用于根据各个推荐项的预估点击率，从多个推荐项中确定至少一个最终推荐项。在一种实施方式中，还包括：初步过滤模块，用于对多个推荐项进行初步过滤处理，得到初步过滤处理后的多个推荐项；初步过滤模块包括下述子模块中的至少一个：第一过滤子模块，用于确定各个推荐项的历史访问数据以及各个推荐项与关键词的相关度，过滤历史访问数据和相关度不满足预设条件的推荐项；第二过滤子模块，用于过滤多个推荐项中重复的推荐项。在一种实施方式中，预估点击率确定模块包括：上下文特征提取子模块，用于从上下文信息中提取上下文的特征；预估子模块，用于将上下文的特征及推荐项的特征输入预先训练的点击率预估模型，由点击率预估模型输出推荐项的预估点击率。在一种实施方式中，还包括：反馈获取模块，用于获取历史推荐项的用户反馈行为数据；推荐策略确定模块，用于根据用户反馈行为数据，确定最终推荐项的推荐策略。第四方面，本申请实施例提供一种点击率预估模型训练装置，包括：会话信息分析模块，用于根据会话信息，确定当轮需求和上下文信息；推荐项确定模块，用于根据当轮需求和上下文信息确定多个推荐项；训练模块，用于获取各个推荐项的实际点击率，将上下文信息、推荐项的特征及推荐项的实际点击率作为训练样本，训练点击率预估模型。第五方面，本申请实施例提供了电子设备，电子设备的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块。在一个可能的设计中，电子设备中包括处理器和存储器，存储器用于电子设备执行上述推荐方法的程序，处理器被配置为用于执行存储器中存储的程序。电子设备还可以包括通信接口，用于电子设备与其他设备或通信网络通信。第六方面，本申请实施例还提供一种计算机可读存储介质，用于推荐装置所用的计算机软件指令，其中包括用于执行上述推荐方法所涉及的程序。上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1是根据本申请实施例的推荐方法的流程图一；图2是根据本申请实施例的推荐方法中，步骤S102的流程图；图3是根据本申请实施例的的推荐方法的流程图二；图4是根据本申请实施例的推荐方法中，步骤S103的流程图；图5是根据本申请实施例的点击率预估模型训练方法的流程图；图6是根据本申请实施例的推荐装置的结构框图一；图7是根据本申请实施例的推荐装置的结构框图二图8是根据本申请实施例的推荐装置中，预估点击率确定模块603的结构框图；图9是根据本申请实施例的点击率预估模型训练装置900的结构框图；图10是用来实现本申请实施例的推荐方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。图1示出根据本申请实施例提供的推荐方法的流程图。参见图1，该方法包括：S101、根据会话信息，确定当轮需求和上下文信息；S本文档来自技高网...

【技术保护点】
1.一种推荐方法，其特征在于，包括：/n根据会话信息，确定当轮需求和上下文信息；/n根据所述当轮需求和所述上下文信息确定多个推荐项；/n针对每个所述推荐项，根据所述上下文信息及所述推荐项的特征确定所述推荐项的预估点击率；/n根据各个所述推荐项的预估点击率，从所述多个推荐项中确定至少一个最终推荐项。/n

【技术特征摘要】
1.一种推荐方法，其特征在于，包括：
根据会话信息，确定当轮需求和上下文信息；
根据所述当轮需求和所述上下文信息确定多个推荐项；
针对每个所述推荐项，根据所述上下文信息及所述推荐项的特征确定所述推荐项的预估点击率；
根据各个所述推荐项的预估点击率，从所述多个推荐项中确定至少一个最终推荐项。


2.根据权利要求1所述的方法，其特征在于，所述根据所述当轮需求和所述上下文信息确定多个推荐项，包括：
从所述当轮需求和所述上下文信息中提取用户意图和关键词；
根据所述用户意图和所述关键词在搜索数据中进行检索，得到多个推荐项。


3.根据权利要求2所述的方法，其特征在于，还包括：对所述多个推荐项进行初步过滤处理，得到初步过滤处理后的多个推荐项；
所述初步过滤处理包括下述至少一项：
确定各个所述推荐项的历史访问数据以及各个所述推荐项与所述关键词的相关度，过滤所述历史访问数据和所述相关度不满足预设条件的推荐项；
过滤所述多个推荐项中重复的推荐项。


4.根据权利要求1所述的方法，其特征在于，所述根据所述上下文信息及所述推荐项的特征确定所述推荐项的预估点击率，包括：
从所述上下文信息中提取上下文的特征；
将所述上下文的特征及所述推荐项的特征输入预先训练的点击率预估模型，由所述点击率预估模型输出所述推荐项的预估点击率。


5.根据权利要求1至4任一所述的方法，其特征在于，还包括：
获取历史推荐项的用户反馈行为数据；
根据所述用户反馈行为数据，确定所述最终推荐项的推荐策略。


6.根据权利要求1至4任一项所述的方法，其特征在于，所述上下文信息包括：用户提问信息、系统提示信息和用户兴趣信息中的至少一项。


7.一种点击率预估模型训练方法，其特征在于，包括：
根据会话信息，确定当轮需求和上下文信息；
根据所述当轮需求和所述上下文信息确定多个推荐项；
获取各个所述推荐项的实际点击率，将所述上下文信息、所述推荐项的特征及所述推荐项的实际点击率作为训练样本，训练所述点击率预估模型。


8.根据权利要求7所述的方法，其特征在于，所述推荐项的特征包括推荐项与当轮需求的匹配度、推荐项与当轮需求的编辑距离、推荐项与所述当轮需求的意图的一致性以及推荐项展现位置中的至少一项。


9.一种推荐装置，其特征在于，包括：<...

【专利技术属性】
技术研发人员：刘锋，范中吉，吕欣蔚，张兵兵，高晓旸，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京;11