推荐方法、模型生成方法、装置、介质及设备制造方法及图纸

本发明专利技术实施例提供了一种内容的推荐方法、模型生成方法、装置、存储介质以及计算机设备，其中，所述推荐方法包括：获取与原始推荐内容对应的内容特征信息，以及，用户行为信息，接着先根据用户行为信息，生成用户行为预估值，然后根据用户行为预估值、用户行为信息以及内容特征信息，得到各个原始推荐内容的内容推荐值，然后根据内容推荐值，确定至少两个目标推荐内容，并展示至少两个目标推荐内容，从而更加精准地预测用户对推荐内容的喜好度，并依次挑选最优的推荐内容，然后展示给用户，提高了向用户推荐内容的精准度。

Recommended method, model generation method, device, medium and equipment

【技术实现步骤摘要】
推荐方法、模型生成方法、装置、介质及设备
本专利技术涉及数据
，特别是涉及一种内容的推荐方法及装置、一种行为预估模型的生成方法及装置、一种内容推荐模型的生成方法及装置、一种存储介质以及一种计算机设备。
技术介绍
随着互联网领域的飞速发展，爆炸式增长的信息导致用户想要获取感兴趣的有效内容越来越困难，个性化推荐系统显然已经成为互联网领域不可或缺的基础技术，在新闻、短视频和音乐等产品中扮演着越来越重要的角色。在实施本专利技术过程中，专利技术人发现当前的内容推送方式中至少存在如下问题：传统的内容排序算法通过离线获取用户反馈行为数据，得到样本标签，同时从线上服务器存储的特征日志中进行特征提取，将两者结合后得到训练样本，然后在模型训练过程中，尽量拟合适配用户喜好度的模型。在模型应用过程中，线上基于该模型预测用户对内容条目的喜好度，并根据喜好度的高低，选择若干条最优内容条目构成推送列表，并推送给用户。在大多数产品推荐场景中，用户的反馈行为是多种多样的，根据用户的反馈行为，设定训练样本的标签以及对应的权重存在严重的主观局限性，并且不同用户本文档来自技高网...

【技术保护点】
1.一种内容的推荐方法，其特征在于，所述方法包括：/n获取与原始推荐内容对应的内容特征信息，以及，用户行为信息；/n根据所述用户行为信息，生成用户行为预估值；/n根据所述用户行为预估值、所述用户行为信息以及所述内容特征信息，得到各个所述原始推荐内容的内容推荐值；/n根据所述内容推荐值，确定至少两个目标推荐内容。/n

【技术特征摘要】
1.一种内容的推荐方法，其特征在于，所述方法包括：
获取与原始推荐内容对应的内容特征信息，以及，用户行为信息；
根据所述用户行为信息，生成用户行为预估值；
根据所述用户行为预估值、所述用户行为信息以及所述内容特征信息，得到各个所述原始推荐内容的内容推荐值；
根据所述内容推荐值，确定至少两个目标推荐内容。


2.根据权利要求1所述的方法，其特征在于，所述根据所述用户行为信息，生成用户行为预估值，包括：
对所述用户行为信息进行向量化处理，生成行为特征向量；
将所述行为特征向量输入预设的目标行为预估模型，生成所述用户行为预估值。


3.根据权利要求1或2所述的方法，其特征在于，所述根据所述评估值以及所述内容特征信息，得到各个所述原始推荐内容的内容推荐值，包括：
对所述用户行为预估值、所述用户行为信息以及所述内容特征信息进行向量化处理，生成内容推荐特征向量；
将所述内容推荐向量输入预设的目标内容推荐模型，生成各个所述原始推荐内容的内容推荐值。


4.根据权利要求1所述的方法，其特征在于，所述根据所述内容推荐值，确定至少两个目标推荐内容，包括：
按照内容推荐值从高到低的顺序，对各个所述原始推荐内容进行排序；
采用排序后的原始推荐内容，生成内容推荐列表；
从所述内容推荐列表中，提取排序在前的至少两个原始推荐内容，作为目标推荐内容。


5.根据权利要求1所述的方法，其特征在于，所述目标行为预估模型通过如下方式生成：
获取历史用户行为信息以及初始行为预估模型；
对所述历史用户行为信息进行向量化，生成第一训练向量信息；
在所述初始行为预估模型中，输入所述第一训练向量信息进行迭代，并计算每次迭代后的初始行为预估模型的多个损失函数；所述多个损失函数包括基于不同历史用户行为信息的损失函数；
当迭代之后的初始行为预估模型的多个损失函数均最小化时，停止迭代，生成目标行为预估模型。


6.根据权利要求1所述的方法，其特征在于，所述目标内容推荐模型通过如下方式生成：
获取样本数据以及初始内容推荐模型，所述样本数据包括历史用户行为信息，与所述历史用户行为信息对应的历史用户行为预估值，推荐内容的内容特征信息；
对所述历史用户行为信息、所述历史用户行为预估值以及所述内容特征信息进行向量化，生成第二训练向量信息；
在所述初始内容推荐模型中，输入所述第二训练向量信息进行迭代，并计算每次迭代后的初始内容推荐模型的多个损失函数；
当迭代之后的初始内容推荐模型的多个损失函数均最小化时，停止迭代，生成目标内容推荐模型。


7.根据权利要求5或6所述的方法，其特征在于，所述用户行为信息包括点击率、点赞率、播完率、关注率、分享率、评论率、收藏率、浏览时长等中至少两种。


8.一种行为预估模型的生成方法，其特征在于，包括：
获取历史用户行为信息以及初始行为预估模型；
对所述历史用户行为信息进行向量化，生成训练向量信息；
在所述初始行为预估模型中，输入所述训练向量信息进行迭代，并计算每次迭代后的初始行为预估模型的多个损失函数；所述多个损失函数包括基于不同历史用户行为信息的损失函数；
当迭代之后的初始行为预估模型的多个损失函数均最小化时，停止迭代，生成目标行为预估模型；
其中，所述历史用户行为信息包括点击率、点赞率、播完率、关注率、分享率、评论率、收藏率、浏览时长等中至少两种。


9.根据权利要求8所述的方法，其特征在于，所述初始行为预估模型包括预设数目的隐藏层、与最后一层隐藏层连接的全连接层以及与所述全连接层连接的多个输出节点；所述全连接层用于将所述最后一层隐藏层的输出结果拆分，并将拆分的输出结果分别输入到所述多个输出节点。


10.根据权利要求9所述的方法，其特征在于，所述在所述初始行为预估模型中，输入所述训练向量信息进行迭代，并计算每次迭代后的初始行为预估模型的多个损失函数，包括：
通过所述预设数目的隐藏层每一神经元的激活函数，对所述训练特征向量逐层进行映射，并将最后一层隐藏层生成的输出结果传输至所述全连接层；
通过所述全连接层采用所述输出结果，和与所述输出结果对应的多个损失函数，进行误差计算，生成多个梯度值。


11.根据权利要求10所述的方法，其特征在于，所述当迭代之后的初始行为预估模型的多个损失函数均最小化时，停止迭代，生成目标行为预估模型，包括：
通过所述输出节点判断所述多个梯度值是否满足预设阈值条件；
若否，则根据所述多个梯度值更新所述每一神经元的激活函数的参数，继续迭代所述初始行为预估模型；
若是，则生成所述目标行为预估模型...

【专利技术属性】
技术研发人员：杨晚鹏，谭怒涛，
申请(专利权)人：广州市百果园信息技术有限公司，
类型：发明
国别省市：广东;44