信息的推荐方法、装置、设备和存储介质制造方法及图纸

本申请涉及一种信息的推荐方法、装置、设备和存储介质。该方法包括：获取当前用户的第一标识以及各个待推荐信息的第二标识；将所述第一标识以及各个第二标识输入至预设的预测模型中，得到所述当前用户对各个待推荐信息的多种行为的预测值，其中，所述预测模型为多输入多输出模型；将所述多种行为的预测值进行排序，并根据排序结果向所述当前用户进行信息推荐。该方法使得所得到的多种行为的预测值之间具有可比性，从而可以基于各个预测值之间的比较结果向当前用户推荐信息，相比基于单一行为的预测值的推荐结果，提高了推荐结果的准确性。

Recommended method, device, equipment and storage medium of information

【技术实现步骤摘要】
信息的推荐方法、装置、设备和存储介质
本申请涉及互联网领域，特别是涉及一种信息的推荐方法、装置、设备和存储介质。
技术介绍
随着大数据技术的不断发展，通过大数据分析可以为用户更精准得推送信息。其中，信息可以为视频、音频以及专辑等。传统技术中，计算机设备可以采集用户对信息的反馈情况，利用反馈情况为用户进行信息的个性化推荐。其中，反馈情况可以包括对信息感兴趣、信息内容质量高等正反馈信息，也可以包括对信息不感兴趣、信息内容质量差等负反馈信息。但是，传统技术推荐的结果的准确性较低。
技术实现思路
基于此，有必要针对传统方式推荐的结果的准确性较低的技术问题，提供一种信息的推荐方法、装置、设备和存储介质。第一方面，本申请实施例提供一种信息的推荐方法，包括：获取当前用户的第一标识以及各个待推荐信息的第二标识；将所述第一标识以及各个第二标识输入至预设的预测模型中，得到所述当前用户对各个待推荐信息的多种行为的预测值，其中，所述预测模型为多输入多输出模型；将所述多种行为的预测值进行排序，并根据排序结果向所述当前用户进行信息推荐。第二方面，本申请实施例提供一种信息的推荐装置，包括：获取模块，用于获取当前用户的第一标识以及各个待推荐信息的第二标识；预测模块，用于将所述第一标识以及各个第二标识输入至预设的预测模型中，得到所述当前用户对各个待推荐信息的多种行为的预测值，其中，所述预测模型为多输入多输出模型；推荐模块，用于将所述多种行为的预测值进行排序，并根据排序结果向所述当前用户进行信息推荐。第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的信息的推荐方法。第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例第一方面提供的信息的推荐方法。本申请实施例提供的信息的推荐方法、装置、设备和存储介质，在获取到当前用户的第一标识以及各个待推荐信息的第二标识之后，计算机设备将当前用户的第一标识以及各个待推荐信息的第二标识输入至预设的预测模型中，得到当前用户对各个待推荐信息的多种行为的预测值，并将得到的多种行为的预测值进行排序，根据排序结果向当前用户进行信息推荐。由于上述预测模型为多输入多输出模型，即可以通过该预测模型预测当前用户对各个待推荐信息的多种行为的概率值，且当前用户对各个待推荐信息的多种行为的概率值均是由同一个预测模型预测得到，因此，所得到的多种行为的概率值之间具有可比性，从而可以基于各个概率值之间的比较结果向当前用户推荐信息，也就是说，本申请实施例可以基于多种行为的预测值向当前用户推荐信息，相比基于单一行为的预测值的推荐结果，提高了推荐结果的准确性。附图说明图1为本申请实施例提供的信息的推荐方法的一种流程示意图；图2为本申请实施例提供的一种预测模型的结构示意图；图3为本申请实施例提供的信息的推荐方法的另一种流程示意图；图4为本申请实施例提供的信息的推荐装置的结构示意图；图5为本申请实施例提供的一种计算机设备的结构示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本申请实施例中的技术方案进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。需要说明的是，下述方法实施例的执行主体可以是信息的推荐装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的，计算机设备可以为个人计算机PC(personalcomputer)、移动终端、便携式设备等具有数据处理功能、且可以与外部设备或者用户交互的电子设备，本实施例对计算机设备的具体形式并不做限定。下述方法实施例以执行主体是计算机设备为例进行说明。图1为本申请实施例提供的信息的推荐方法的一种流程示意图。本申请实施例涉及的是计算机设备如何预测当前用户对各个待推荐信息的多种行为的预测值，并基于多种行为的预测值进行信息推荐的具体过程。如图1所示，该方法可以包括：S101、获取当前用户的第一标识以及各个待推荐信息的第二标识。其中，当前用户为待推荐信息的用户。上述待推荐信息可以为待推荐视频、待推荐音频、待推荐专辑以及待推荐物品等。S102、将所述第一标识以及各个第二标识输入至预设的预测模型中，得到所述当前用户对各个待推荐信息的多种行为的预测值。其中，所述预测模型为多输入多输出模型。当前用户的多种行为包括对待推荐信息的观看行为、订阅行为、下载行为以及反馈行为等。假设预测模型所支持的多输入以及多输出的数量为N，计算机设备将N组数据同时输入至预测模型中，N组数据中的每组数据均包括当前用户的第一标识、各个待推荐信息的第二标识。经过预测模型的预测处理，计算机设备可以得到N组数据，同一组数据包括当前用户对各个待推荐信息的同一种行为的预测值，不同组数据分别对应当前用户的不同行为的预测值。其中，上述N为大于或等于2的正整数。示例性的，假设预测模型所支持的多输入的数量N等于2，且该预测模型可以对用户的观看行为以及订阅行为进行预测。这样，在实际预测过程中，计算机设备向预测模型中输入两组数据，两组数据均为当前用户的第一标识以及各个待推荐信息的第二标识，经过预测模型的预测处理，计算机设备得到两组数据，一组数据为当前用户对各个待推荐信息的观看行为的预测值，另一组数据为当前用户对各个待推荐信息的订阅行为的预测值。S103、将所述多种行为的预测值进行排序，并根据排序结果向所述当前用户进行信息推荐。其中，由于上述得到的当前用户对各个待推荐信息的多种行为的预测值均来自同一预测模型，因此，所得到的多种行为的预测值之间具有可比性，计算机设备可以将多种行为的预测值放在一起进行综合排序，并根据排序结果向当前用户进行信息推荐。可选的，上述预测值可以为概率值，计算机设备可以将排序结果中概率值最大的待推荐信息推荐给当前用户。示例性的，继续以上述S102中经过预测模型预测得到的两种行为的预测值为例，即得到的一种行为的预测值为当前用户对各个待推荐信息的观看行为的预测值，另一种行为的预测值为当前用户对各个待推荐信息的订阅行为的预测值，计算机设备将观看行为的预测值以及订阅行为的预测值合并在一起进行综合排序，即可以按照各个预测值的大小进行排序，将预测值最大的待推荐信息推荐给当前用户。可以理解的是，假设该当前用户的历史记录中只存在观看行为数据或者订阅行为数据中的一种时，那么通过本申请实施例所提供的方法向其进行信息推荐时，在预测其有行为数据的未来行为时，预测值(即概率值)都偏高，而预测其另一种行为的未来行为时，预测值(即概率值)都会偏低，将两种输出结果进行综合排序，没有行为数据的输出推荐结果排序靠后，不影响推荐结果，进一步提高了推荐结果的准确性，同时也提高了该方法的普适性。<本文档来自技高网...

【技术保护点】
1.一种信息的推荐方法，其特征在于，包括：/n获取当前用户的第一标识以及各个待推荐信息的第二标识；/n将所述第一标识以及各个第二标识输入至预设的预测模型中，得到所述当前用户对各个待推荐信息的多种行为的预测值，其中，所述预测模型为多输入多输出模型；/n将所述多种行为的预测值进行排序，并根据排序结果向所述当前用户进行信息推荐。/n

【技术特征摘要】
1.一种信息的推荐方法，其特征在于，包括：
获取当前用户的第一标识以及各个待推荐信息的第二标识；
将所述第一标识以及各个第二标识输入至预设的预测模型中，得到所述当前用户对各个待推荐信息的多种行为的预测值，其中，所述预测模型为多输入多输出模型；
将所述多种行为的预测值进行排序，并根据排序结果向所述当前用户进行信息推荐。


2.根据权利要求1所述的方法，其特征在于，所述将所述第一标识以及各个第二标识输入至预设的预测模型中，得到所述当前用户对各个待推荐信息的多种行为的预测值，包括：
按照所述预测模型所支持的多输入的数量，将所述第一标识以及各个第二标识输入至所述预测模型中，并分别经过对应的嵌入层的嵌入操作、交互层的交互操作以及输出层的激活操作，得到所述当前用户对各个待推荐信息的多种行为的预测值。


3.根据权利要求1所述的方法，其特征在于，在所述获取当前用户的第一标识以及各个待推荐信息的第二标识之前，还包括：
构建模型训练数据，所述模型训练数据包括目标用户对信息的多种行为数据，不同行为数据的数据量相同；
根据所述模型训练数据，对预设的初始模型进行模型训练，得到所述预测模型。


4.根据权利要求3所述的方法，其特征在于，所述构建模型训练数据，包括：
获取所述目标用户对信息的第一行为数据以及第二行为数据，所述第一行为数据以及所述第二行为数据包括正样本数据以及负样本数据；
按照预设规则，将所述第一行为数据以及所述第二行为数据进行融合，得到融合后的第一行为数据以及融合后的第二行为数据，其中，所述融合后的第一行为数据和所述融合后的第二行为数据的数据量相同。


5.根据权利要求3所述的方法，其特征在于，所述根据所述模型训练数据，对预设的初始...

【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