信息推荐方法、装置、电子设备及计算机可读存储介质制造方法及图纸

本申请实施例涉及信息处理技术领域，公开了一种信息和推荐方法、装置、电子设备及计算机可读存储介质，其中，信息推荐方法包括：获取用户的第一用户特征与至少一个待推荐对象的第一对象特征，并将各第一对象特征分别与第一用户特征进行拼接，得到各待推荐对象分别对应的目标组合特征；接着，基于各目标组合特征，从各待推荐对象中确定目标对象，并向用户推荐目标对象的对象信息，目标对象是依据各目标组合特征分别对应的第二偏好度从各待推荐对象中确定出的，第二偏好度是基于多个样本组合特征及多个样本组合特征分别对应的第一偏好度确定出的。可以提高信息推荐的准确性，提升用户满意度。

Information recommendation methods, devices, electronic equipment and computer readable storage media

【技术实现步骤摘要】
信息推荐方法、装置、电子设备及计算机可读存储介质
本申请实施例涉及信息处理
，具体而言，本申请涉及一种信息推荐方法、装置、电子设备及计算机可读存储介质。
技术介绍
随着信息技术的日益发展，信息推荐已经成为目前网络技术应用的一项重要内容。为了避免用户花费大量的时间和精力对信息进行查找和获取，通常会对用户进行信息推荐，以便用户可以从大量的信息中快速找到感兴趣的信息。例如，在用户浏览新闻、视频、广告等时，向用户推荐可能感兴趣的内容，又例如在用户浏览商品时，向用户推荐倾向购买的商品，等等。虽然相关技术提供的信息推荐方式类型多样，例如，物品推荐一般依据已有的用户对物品的评分进行推荐，又例如，找到与用户A兴趣最相似的一批其他用户，然后将这些用户喜欢的、且用户A没有听说过的物品推荐给用户A，但是在这种情况下，推荐的信息较为盲目，导致信息推荐的准确度较低，在个性化推荐方面存在一定局限性。
技术实现思路
本申请实施例的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案：一方面，提供了一种信息推荐方法，包括：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获取用户的第一用户特征与至少一个待推荐对象的第一对象特征，并将各所述第一对象特征分别与所述第一用户特征进行拼接，得到各待推荐对象分别对应的目标组合特征；/n基于各所述目标组合特征，从各待推荐对象中确定目标对象，并向所述用户推荐所述目标对象的对象信息，所述目标对象是依据各所述目标组合特征分别对应的第二偏好度从所述各待推荐对象中确定出的，所述第二偏好度是基于多个样本组合特征及所述多个样本组合特征分别对应的第一偏好度确定出的。/n

【技术特征摘要】
1.一种信息推荐方法，其特征在于，包括：
获取用户的第一用户特征与至少一个待推荐对象的第一对象特征，并将各所述第一对象特征分别与所述第一用户特征进行拼接，得到各待推荐对象分别对应的目标组合特征；
基于各所述目标组合特征，从各待推荐对象中确定目标对象，并向所述用户推荐所述目标对象的对象信息，所述目标对象是依据各所述目标组合特征分别对应的第二偏好度从所述各待推荐对象中确定出的，所述第二偏好度是基于多个样本组合特征及所述多个样本组合特征分别对应的第一偏好度确定出的。


2.根据权利要求1所述的方法，其特征在于，在将各所述第一对象特征分别与所述第一用户特征拼接，得到各待推荐对象分别对应的目标组合特征之后，还包括：
对各所述目标组合特征中的第一用户特征和/或第一对象特征进行以下至少一项处理，得到处理后的各目标组合特征：
对缺失的第一用户特征和/或第一对象特征进行舍弃处理；
对满足异常特征判别条件的第一用户特征和/或第一对象特征进行舍弃处理；
对缺失的第一用户特征和/或第一对象特征进行填充处理；
对第一用户特征和/或第一对象特征进行特征衍生处理；
对第一用户特征和/或第一对象特征进行预定的特征变换处理；
基于各所述目标组合特征，通过预定模型从各待推荐对象中确定目标对象，包括：
基于处理后的各目标组合特征，通过预定模型从各待推荐对象中确定目标对象。


3.根据权利要求1所述的方法，其特征在于，基于多个样本组合特征及所述多个样本组合特征分别对应的第一偏好度，确定各所述目标组合特征分别对应的第二偏好度，包括：
针对每一目标组合特征，计算所述每一目标组合特征与所述多个样本组合特征之间的相似度，并基于计算得到的多个相似度和所述多个样本组合特征分别对应的第一偏好度，确定所述每一目标组合特征的第二偏好度。


4.根据权利要求3所述的方法，其特征在于，基于计算得到的多个相似度和所述多个样本组合特征分别对应的第一偏好度，确定所述每一目标组合特征的第二偏好度，包括以下任一项：
从所述多个相似度中确定最大相似度，并确定该最大相似度对应的样本组合特征的第一偏好度为所述每一目标组合特征的第二偏好度；
基于最大的N个相似度分别对应的样本组合特征的第一偏好度，确定所述每一目标组合特征的第二偏好度，所述N为大于1的整数。


5.根据权利要求4所述的方法，其特征在于，基于最大的N个相似度分别对应的样本组合特征的第一偏好度，确定所述每一目标组合特征的第二偏好度，包括以下任一项：
当最大的N个相似度分别对应的样本组合特征的第一偏好度中，存在相同的第一偏好度时，根据该相同的第一偏好度的数量与所述N的比值，确定所述每一目标组合特征的第二偏好度；
当最大的N个相似度分别对应的样本组合特征的第一偏好度中，不存在相同的第一偏好度时，从所述最大的N个相似度中确定最大相似度，并确定该最大相似度对应的样本组合特征的第一偏好度为所述每一目标组合特征的第二偏好度。


6.根据权利要求1-5任一项所述的方法，其特征在于，所述基于各所述目标组合特征，从各待推荐对象中确定目标对象是通过神经网络模型实现的，所述神经网络模型是通过以下方式训练得到的：
获取多个样本用户的第二用户特征以及所述多个样本用户分别对应的至少一个样本对象的第二对象特征，并将各样本对象的第二对象特征分别与各样本对象分别对应的样本用户的第二用户特征拼接，得到多个样本组合特征；
根据所述多个样本用户针对各自对应的每个样本对象的至少一个用户行为，确定所述多个样本组合特征分别对应的第一偏好度；
基于所述多个样本组合特征与所述多个样本组合特征分别对应的第一偏好度，对所述神经网络模型进行训练，直至对应的损失函数收敛，所述损失函数的值表征了模型输出的各样本组合特征的偏好度和各样本组合特征的第一偏好度之间的差异。

<...

【专利技术属性】
技术研发人员：刘志煌，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44