基于人工智能的信息推荐方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种基于人工智能的信息推荐方法、装置、设备及存储介质，其中该方法包括：获取待推荐的目标信息以及目标用户的历史浏览信息；通过感兴趣概率预测模型，确定目标信息对应的目标信息特征向量；通过该感兴趣概率预测模型，确定历史浏览信息对应的历史信息特征向量，根据目标信息特征向量和历史信息特征向量，确定目标用户对应的目标用户特征向量；通过该感兴趣概率预测模型，根据目标信息特征向量和目标用户特征向量，确定目标用户对于所述目标信息的感兴趣概率；基于该感兴趣概率确定是否向目标用户推荐目标信息。该方法能够有效地提高信息推荐的准确性。

Information recommendation methods, devices, devices and storage media based on Artificial Intelligence

【技术实现步骤摘要】
基于人工智能的信息推荐方法、装置、设备及存储介质
本申请涉及人工智能(ArtificialIntelligence,AI)
，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
基于用户画像有针对性地向用户推荐其可能感兴趣的信息，如今已成为很多网络平台重点关注的业务之一，例如，新闻平台需要向用户推荐其可能感兴趣的新闻，音视频资源播放平台需要向用户推荐其可能感兴趣的音频和/或视频资源，购物平台需要向用户推荐其可能感兴趣的商品信息，等等。目前，相关技术主要通过神经网络模型如Deep&Wide模型、DeepFM(FactorizationMachines)模型等，预测用户对于待推荐信息的感兴趣程度，进而基于此确定是否向用户推荐该待推荐信息。具体实现时，上述神经网络模型会确定用户特征向量和待推荐信息的特征向量，然后通过深度神经网络(DeepNeuralNetworks，DNN)基于这两种特征向量，预测用户对于待推荐信息的感兴趣程度。然而，本申请专利技术人研究发现，上述神经网络模型构建的用户特征向量通常都是固定的，此类特征向本文档来自技高网...

【技术保护点】
1.一种基于人工智能的信息推荐方法，其特征在于，所述方法包括：/n获取待推荐的目标信息以及目标用户的历史浏览信息；/n通过感兴趣概率预测模型，确定所述目标信息对应的目标信息特征向量；/n通过所述感兴趣概率预测模型，确定所述历史浏览信息对应的历史信息特征向量，根据所述目标信息特征向量和所述历史信息特征向量，确定所述目标用户对应的目标用户特征向量；/n通过所述感兴趣概率预测模型，根据所述目标信息特征向量和所述目标用户特征向量，确定所述目标用户对于所述目标信息的感兴趣概率；/n基于所述感兴趣概率确定是否向所述目标用户推荐所述目标信息。/n

【技术特征摘要】
1.一种基于人工智能的信息推荐方法，其特征在于，所述方法包括：
获取待推荐的目标信息以及目标用户的历史浏览信息；
通过感兴趣概率预测模型，确定所述目标信息对应的目标信息特征向量；
通过所述感兴趣概率预测模型，确定所述历史浏览信息对应的历史信息特征向量，根据所述目标信息特征向量和所述历史信息特征向量，确定所述目标用户对应的目标用户特征向量；
通过所述感兴趣概率预测模型，根据所述目标信息特征向量和所述目标用户特征向量，确定所述目标用户对于所述目标信息的感兴趣概率；
基于所述感兴趣概率确定是否向所述目标用户推荐所述目标信息。


2.根据权利要求1所述的方法，其特征在于，所述感兴趣概率预测模型通过以下方式确定所述目标用户特征向量：
针对所获取的每条所述历史浏览信息，确定其对应的历史信息特征向量，确定该历史信息特征向量与所述目标信息特征向量之间的相似度，作为该条历史浏览信息对应的相似度；
利用各条所述历史浏览信息各自对应的相似度，对各条所述历史浏览信息各自对应的历史信息特征向量进行加权处理，得到所述目标用户特征向量。


3.根据权利要求1所述的方法，其特征在于，所获取的所述历史浏览信息来自多个不同的数据域；则所述感兴趣概率预测模型通过以下方式确定所述目标用户特征向量：
针对来自同一数据域的每条所述历史浏览信息，确定其对应的历史信息特征向量，确定该历史信息特征向量与所述目标信息特征向量之间的相似度，作为该条历史浏览信息对应的相似度；利用来自该数据域的各条所述历史浏览信息各自对应的相似度，对各条所述历史浏览信息各自对应的历史信息特征向量进行加权处理，得到该数据域对应的用户特征向量；
利用变换矩阵将各数据域各自对应的用户特征向量映射至同一向量空间，拼接映射后的用户特征向量得到所述目标用户特征向量。


4.根据权利要求2或3所述的方法，其特征在于，所述确定该历史信息特征向量与所述目标信息特征向量之间的相似度，包括：
将所述历史信息特征向量与所述目标信息特征向量拼接起来，得到第一拼接向量；
通过第一深度神经网络基于所述第一拼接向量，确定所述相似度。


5.根据权利要求1所述的方法，其特征在于，所述感兴趣概率预测模型通过以下方式确定所述目标信息特征向量：
将所述目标信息的特征信息映射至稠密向量空间，得到所述目标信息对应的稠密特征向量；
利用神经网络处理所述稠密特征向量，得到所述目标信息特征向量；所述神经网络为卷积神经网络或长短期记忆神经网络。


6.根据权利要求1所述的方法，其特征在于，所述感兴趣模型通过以下方式确定所述感兴趣概率：
将所述目标信息特征向量与所述目标用户特征向量拼接起来，得到第二拼接向量；
通过第二深度神经网络基于所述第二拼接向量，确定所述感兴趣概率。


7.根据权利要求1至6任一项所述的方法，其特征在于，所述感兴趣概率预测模型应用于新闻推荐系统；所述目标信息为新闻信息或广告信息；所述历史浏览信息包括以下至少一种：历史浏览的新闻信息、历史搜索的新闻信息和历史浏览的广告信息。


8.根据权利要求1至6任一项所述的方法，其特征在于，所述感兴趣概率预测模型应用于多媒体资源推荐系统；所述目标...

【专利技术属性】
技术研发人员：卢建东，
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