信息推荐方法、装置、设备和可读存储介质制造方法及图纸

本发明专利技术实施例提供一种信息推荐方法、装置、电子设备和可读存储介质，确定目标用户对应的用户特征属性向量；将目标用户对应的用户特征属性向量输入至对应的推荐模型中，得到推荐模型输出的兴趣偏好分的预测结果；其中，推荐模型与对抗模型组成生成对抗网络；生成对抗网络是以用户特征属性向量样本、融合特征向量样本以及用户行为隐反馈特征向量样本作为对抗模型的输入训练得到；融合特征向量样本是基于用户行为数据样本和待推荐物品对应的物品辅助信息样本确定的。本发明专利技术实施例提供的方法，引入了待推荐物品对应的物品辅助信息，增加了模型输入数据的信息维度，能有效挖掘出用户行为和待推荐物品属性间的关系，从而提升推荐的准确率。

【技术实现步骤摘要】
信息推荐方法、装置、设备和可读存储介质
本专利技术涉及人工智能领域，尤其涉及一种信息推荐方法、装置、设备和可读存储介质。
技术介绍
在包含图书、音乐或者视频等信息的信息提供平台中，平台往往为用户提供了信息推荐的功能，帮助用户从海量的信息中选择出自己感兴趣的信息。为用户进行信息推荐，基于的主要依据之一是用户在平台中产生过的信息浏览、购买、点击、收藏、评分、评论等行为数据，而用户的这些行为数据涉及到的信息的数量在平台提供的所有信息中所占比极低，所以信息推荐是典型的数据稀疏性问题。将深度学习模型运用于信息推荐是近年来的研究热点，其中生成对抗网络GAN(GenerativeAdversarialNetworks)能够通过生成模型和对抗模型的博弈，挖掘出用户行为语义层面的差异，使得生成的推荐结果更能体现用户的真实兴趣，然而，现有的基于IRGAN、GraphGAN、CFGAN等GAN模型的信息推荐方法仍然存在推荐准确率不高的问题。
技术实现思路
针对现有技术存在的上述至少一个技术问题，本专利技术实施例提供一种信息推荐方法、装置、电子设备和可读存储介质。第一方面，本专利技术实施例提供一种信息推荐方法，包括：确定目标用户对应的用户特征属性向量；将所述目标用户对应的用户特征属性向量输入至待推荐物品对应的推荐模型中，得到所述推荐模型输出的关于所述待推荐物品的兴趣偏好分的预测结果；其中，所述推荐模型与对抗模型组成生成对抗网络；所述生成对抗网络是以随机噪声向量样本、用户特征属性向量样本作为推荐模型的输入，以用户特征属性向量样本、融合特征向量样本以及所述推荐模型输出的用户行为隐反馈特征向量样本作为对抗模型的输入训练得到；所述融合特征向量样本是基于用户行为数据样本和所述待推荐物品对应的物品辅助信息样本确定的。可选地，所述融合特征向量样本是基于用户行为数据样本和所述待推荐物品对应的物品辅助信息样本确定的，包括：将所述用户行为数据样本和所述待推荐物品对应的物品辅助信息样本输入至融合模型中，得到所述融合模型输出的所述融合特征向量样本；其中，所述融合模型是基于所述用户行为数据样本和所述待推荐物品对应的所述物品辅助信息样本作为训练样本，以及用户行为标签作为训练标签，训练得到的；所述用户行为标签用于标识用户对所述待推荐物品的是否有过操作行为。可选地，将所述用户行为数据样本和所述待推荐物品对应的物品辅助信息样本输入至融合模型中，得到所述融合模型输出的所述融合特征向量样本，包括：将所述用户行为数据样本和所述待推荐物品对应的物品辅助信息样本输入至所述融合模型的神经网络嵌入层，得到所述神经网络嵌入层输出的经过降维处理的用户行为数据特征向量和物品辅助信息特征向量；将所述用户行为数据特征向量和所述物品辅助信息特征向量输入至所述融合模型的隐藏层，得到所述隐藏层输出的经过融合处理的所述融合特征向量样本。可选地，所述生成对抗网络是以随机噪声向量样本、用户特征属性向量样本作为推荐模型的输入，并以用户特征属性向量样本、融合特征向量样本以及所述推荐模型输出的用户行为隐反馈特征向量样本作为对抗模型的输入训练得到，包括：将所述用户特征属性向量样本和所述随机噪声向量样本输入所述推荐模型，得到所述推荐模型输出的所述用户行为隐反馈特征向量样本；将所述用户特征属性向量样本、所述融合特征向量样本和所述用户行为隐反馈特征向量样本输入对抗模型，得到所述对抗模型输出的判别结果；更新所述生成对抗网络的网络参数，直至所述生成对抗网络对应的损失函数满足收敛条件。可选地，所述更新所述生成对抗网络的网络参数，包括：采用批梯度下降法和反向传播方法，更新所述推荐模型和对抗模型的参数。可选地，所述方法还包括：根据关于所述待推荐物品的兴趣偏好分的预测结果，将兴趣偏好分最高的预设数量的待推荐物品推荐给目标用户。可选地，所述用户特征属性向量样本和用户行为数据样本通过信息平台的数据库获取，所述物品辅助信息样本通过信息提供平台的数据库或外站爬虫结果汇总库获取。第二方面，本专利技术实施例提供一种信息推荐装置，包括：用户特征确定模块，用于确定目标用户对应的用户特征属性向量；预测模块，用于将所述目标用户对应的用户特征属性向量输入至待推荐物品对应的推荐模型中，得到所述推荐模型输出的关于所述待推荐物品的兴趣偏好分的预测结果；其中，所述推荐模型与对抗模型组成生成对抗网络；所述生成对抗网络是以随机噪声向量样本、用户特征属性向量样本作为推荐模型的输入，以用户特征属性向量样本、融合特征向量样本以及所述推荐模型输出的用户行为隐反馈特征向量样本作为对抗模型的输入训练得到；所述融合特征向量样本是基于用户行为数据样本和所述待推荐物品对应的物品辅助信息样本确定的。第三方面，本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。本专利技术实施例提供的信息推荐方法，在生成对抗网络中引入了待推荐物品对应的物品辅助信息作为训练数据，增加了模型训练数据的信息维度，能有效挖掘出用户行为和待推荐物品属性间的关系，从而提升推荐的准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例中信息推荐方法的流程示意图；图2为本专利技术实施例中所采用的模型的结构示意图；图3为本专利技术实施例中信息推荐方法的另一流程示意图；图4为本专利技术实施例中信息推荐方法的又一流程示意图；图5为本专利技术实施例中信息推荐方法的再一流程示意图；图6为本专利技术实施例中信息推荐装置的结构示意图；图7为本专利技术实施例中电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例提供的信息推荐方法的流程示意图，如图1所示，该方法包括：S110，确定目标用户对应的用户特征属性向量；具体地，本专利技术实施例中的目标用户，是指要向其进行信息推荐的用户。目标用户对应的用户特征属性向量是指目标用户对应的用户特征属性的向量形式的表示。具体地，目标用户的用户本文档来自技高网...

【技术保护点】
1.一种信息推荐方法，其特征在于，包括：/n确定目标用户对应的用户特征属性向量；/n将所述目标用户对应的用户特征属性向量输入至待推荐物品对应的推荐模型中，得到所述推荐模型输出的关于所述待推荐物品的兴趣偏好分的预测结果；/n其中，所述推荐模型与对抗模型组成生成对抗网络；所述生成对抗网络是以随机噪声向量样本、用户特征属性向量样本作为推荐模型的输入，以用户特征属性向量样本、融合特征向量样本以及所述推荐模型输出的用户行为隐反馈特征向量样本作为对抗模型的输入训练得到；/n所述融合特征向量样本是基于用户行为数据样本和所述待推荐物品对应的物品辅助信息样本确定的。/n

【技术特征摘要】
1.一种信息推荐方法，其特征在于，包括：
确定目标用户对应的用户特征属性向量；
将所述目标用户对应的用户特征属性向量输入至待推荐物品对应的推荐模型中，得到所述推荐模型输出的关于所述待推荐物品的兴趣偏好分的预测结果；
其中，所述推荐模型与对抗模型组成生成对抗网络；所述生成对抗网络是以随机噪声向量样本、用户特征属性向量样本作为推荐模型的输入，以用户特征属性向量样本、融合特征向量样本以及所述推荐模型输出的用户行为隐反馈特征向量样本作为对抗模型的输入训练得到；
所述融合特征向量样本是基于用户行为数据样本和所述待推荐物品对应的物品辅助信息样本确定的。


2.根据权利要求1所述的信息推荐方法，其特征在于，所述融合特征向量样本是基于用户行为数据样本和所述待推荐物品对应的物品辅助信息样本确定的，包括：
将所述用户行为数据样本和所述待推荐物品对应的物品辅助信息样本输入至融合模型中，得到所述融合模型输出的所述融合特征向量样本；
其中，所述融合模型是基于所述用户行为数据样本和所述待推荐物品对应的所述物品辅助信息样本作为训练样本，以及用户行为标签作为训练标签，训练得到的；所述用户行为标签用于标识用户对所述待推荐物品是否有过操作行为。


3.根据权利要求2所述的信息推荐方法，其特征在于，将所述用户行为数据样本和所述待推荐物品对应的物品辅助信息样本输入至融合模型中，得到所述融合模型输出的所述融合特征向量样本，包括：
将所述用户行为数据样本和所述待推荐物品对应的物品辅助信息样本输入至所述融合模型的神经网络嵌入层，得到所述神经网络嵌入层输出的经过降维处理的用户行为数据特征向量和物品辅助信息特征向量；
将所述用户行为数据特征向量和所述物品辅助信息特征向量输入至所述融合模型的隐藏层，得到所述隐藏层输出的经过融合处理的所述融合特征向量样本。


4.根据权利要求1所述的信息推荐方法，其特征在于，所述生成对抗网络是以随机噪声向量样本、用户特征属性向量样本作为推荐模型的输入，并以用户特征属性向量样本、融合特征向量样本以及所述推荐模型输出的用户行为隐反馈特征向量样本作为对抗模型的输入训练得到，包括：
将所述用户特征属性向量样...

【专利技术属性】
技术研发人员：吴志勇，金懿伟，斯凌，丁悦华，陈妙，
申请(专利权)人：咪咕数字传媒有限公司，咪咕文化科技有限公司，
类型：发明
国别省市：浙江;33