信息推荐方法及装置制造方法及图纸

本申请提供了一种信息推荐方法、装置、电子设备及计算机可读存储介质；方法包括：获取用户的历史信息序列以及推荐信息集合；确定所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子；根据所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子，确定所述用户对应所述每个推荐信息的行为特征；对所述每个推荐信息的行为特征进行多次迭代地特征提取处理，并基于所述每个推荐信息的特征提取结果，确定所述每个推荐信息的点击率；基于所述每个推荐信息的点击率执行推荐操作。通过本申请，能够提高推荐准确率。

【技术实现步骤摘要】
信息推荐方法及装置
本申请涉及人工智能技术，尤其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
人工智能(AI，ArtificialIntelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。信息推荐是人工智能的重要应用，推荐系统中的排序阶段通常是基于机器学习模型预测点击率并排序，将评分高的作为优先推荐的对象。相关技术中为了提高为机器学习模型的点击率预测精度进行了各种努力，例如在特征工程阶段构建大量的特征数据以使机器学习模型进行充分学习，但是申请人在实施本申请实施例的过程中发现特征数据的利用方式缺乏针对性以及区别性，难以有效刻画用户多样性兴趣，将影响点击率预测精度进而影响信息推荐的精度。
技术实现思路
本申请实施例提供一种信息推荐方法、装置、电子设备及计算机可读存储介质，能够提高推荐准确率。本申请实施例的技术方案是这样实现的：本申请实施例提供一种信息推荐方法，包括：获取用户的历史信息序列以及推荐信息集合；确定所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子；根据所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子，确定所述用户对应所述每个推荐信息的行为特征；对所述每个推荐信息的行为特征进行多次迭代地特征提取处理，并基于所述每个推荐信息的特征提取结果，确定所述每个推荐信息的点击率；基于所述每个推荐信息的点击率执行推荐操作。本申请实施例提供一种信息推荐装置，包括：获取模块，用于获取用户的历史信息序列以及推荐信息集合；相关因子确定模块，用于确定所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子；行为特征确定模块，用于根据所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子，确定所述用户对应所述每个推荐信息的行为特征；点击率确定模块，用于对所述每个推荐信息的行为特征进行多次迭代地特征提取处理，并基于所述每个推荐信息的特征提取结果，确定所述每个推荐信息的点击率；推荐模块，用于基于所述每个推荐信息的点击率执行推荐操作。在上述方案中，所述历史信息序列对应每个推荐信息的相关因子包括：所述历史信息序列中每个历史信息对应所述每个推荐信息的相关因子；所述相关因子确定模块，还用于：确定所述历史信息序列中每个历史信息的特征；针对所述推荐信息集合中的任意一个推荐信息、以及所述历史信息序列中任意一个历史信息，执行以下处理：获取所述推荐信息的特征；将所述推荐信息的特征与所述历史信息的特征进行对位相减处理，得到对应的差值特征；将所述推荐信息的特征、所述历史信息的特征以及对应的差值特征进行拼接处理，得到对应所述历史信息的拼接特征；对所述历史信息的拼接特征进行全连接处理，得到所述历史信息对应所述推荐信息的相关因子。在上述方案中，所述行为特征确定模块，还用于：确定所述历史信息序列中每个历史信息的特征；针对所述推荐信息集合中的每个推荐信息执行以下处理：以所述历史信息对应所述推荐信息的相关因子为权重，对多个所述历史信息的特征进行加权处理，得到表征所述用户针对所述推荐信息的行为特征。在上述方案中，所述点击率确定模块，还用于：确定所述用户的数据特征、所述用户的推荐环境特征、所述推荐信息集合中每个推荐信息的特征；将所述行为特征、所述数据特征、所述推荐环境特征以及所述推荐信息的特征进行拼接处理；对拼接处理结果进行迭代地特征提取处理。在上述方案中，所述点击率确定模块，还用于：通过N个级联的神经网络模型中的第n神经网络模型，对所述第n神经网络模型的输入进行特征提取处理，并将所述第n神经网络模型输出的第n特征提取结果传输到第n+1神经网络模型以继续进行特征提取处理；其中，n为取值从1开始递增的整数，且n的取值范围满足1≤n≤N-1，N为大于或等于2的整数；当n取值为1时，所述第n神经网络模型的输入为所述拼接处理结果，当n取值为2≤n≤N-1时，所述第n神经网络模型的输入为第n-1神经网络模型的特征提取结果。在上述方案中，当n取值为1≤n≤N-1时，所述第n神经网络模型包括一维卷积层、以及最大池化层；所述点击率确定模块，还用于：将所述第n神经网络的输入与所述第n神经网络模型的一维卷积层的一维卷积层参数进行卷积处理，得到对应所述拼接处理结果的第n卷积层处理结果；通过所述第n神经网络模型的最大池化层对所述第n卷积层处理结果进行最大池化处理，得到所述第n神经网络模型输出的第n特征提取结果；当n的取值为N-1时，所述第n+1神经网络模型包括所述一维卷积层、折叠层以及所述最大池化层；所述点击率确定模块，还用于：将所述第n特征提取结果与所述第n+1神经网络模型的一维卷积层的一维卷积层参数进行卷积处理，得到对应所述第n特征提取结果的第n+1卷积层处理结果；通过所述折叠层对所述第n+1卷积层处理结果中相邻维度的卷积特征值进行两两对位相加处理，得到折叠处理结果；通过所述第n+1神经网络模型的最大池化层对所述折叠处理结果进行最大池化处理，得到所述第n+1神经网络模型输出的第n+1特征提取结果。在上述方案中，所述点击率确定模块，还用于：将所述第n神经网络的输入的每个维度的特征值与所述一维卷积层参数进行卷积处理，得到每个维度的卷积特征值；将所述每个维度的卷积特征值进行拼接处理，得到基于所述一维卷积层参数的第n卷积层处理结果。在上述方案中，所述点击率确定模块，还用于：针对所述第n卷积层处理结果中每个维度的特征执行以下处理：获取所述维度的多个卷积计算值，并对多个所述卷积计算值进行降序排序处理；将降序排序结果中排序靠前的多个卷积计算值确定为所述维度的特征的最大池化处理结果；将每个维度的特征的最大池化处理结果进行拼接处理，得到所述第n神经网络模型输出的第n特征提取结果。在上述方案中，所述点击率确定模块，还用于：对所述每个推荐信息的特征提取结果进行全连接处理，并对全连接处理结果进行最大似然处理，得到对应所述每个推荐信息的点击率；所述推荐模块，还用于：对所述推荐信息集合中的推荐信息进行基于点击率的降序排序处理，并基于将排序靠前的多个推荐信息执行推荐操作。本申请实施例提供一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的信息推荐方法。本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的信息推荐方法。本申请实施例具有以下有益效果：基于有针对性的确定相同历史信息序列对应不同推荐信息的相关因子本文档来自技高网...

【技术保护点】
1.一种信息推荐方法，其特征在于，包括：/n获取用户的历史信息序列以及推荐信息集合；/n确定所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子；/n根据所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子，确定所述用户对应所述每个推荐信息的行为特征；/n对所述每个推荐信息的行为特征进行多次迭代地特征提取处理，并基于所述每个推荐信息的特征提取结果，确定所述每个推荐信息的点击率；/n基于所述每个推荐信息的点击率执行推荐操作。/n

【技术特征摘要】
1.一种信息推荐方法，其特征在于，包括：
获取用户的历史信息序列以及推荐信息集合；
确定所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子；
根据所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子，确定所述用户对应所述每个推荐信息的行为特征；
对所述每个推荐信息的行为特征进行多次迭代地特征提取处理，并基于所述每个推荐信息的特征提取结果，确定所述每个推荐信息的点击率；
基于所述每个推荐信息的点击率执行推荐操作。


2.根据权利要求1所述的方法，其特征在于，
所述历史信息序列对应每个推荐信息的相关因子包括：所述历史信息序列中每个历史信息对应所述每个推荐信息的相关因子；
所述确定所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子，包括：
确定所述历史信息序列中每个历史信息的特征；
针对所述推荐信息集合中的任意一个推荐信息、以及所述历史信息序列中任意一个历史信息，执行以下处理：
获取所述推荐信息的特征；
将所述推荐信息的特征与所述历史信息的特征进行对位相减处理，得到对应的差值特征；
将所述推荐信息的特征、所述历史信息的特征以及对应的差值特征进行拼接处理，得到对应所述历史信息的拼接特征；
对所述历史信息的拼接特征进行全连接处理，得到所述历史信息对应所述推荐信息的相关因子。


3.根据权利要求2所述的方法，其特征在于，所述根据所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子，确定所述用户对应所述每个推荐信息的行为特征，包括：
确定所述历史信息序列中每个历史信息的特征；
针对所述推荐信息集合中的每个推荐信息执行以下处理：
以所述历史信息对应所述推荐信息的相关因子为权重，对多个所述历史信息的特征进行加权处理，得到表征所述用户针对所述推荐信息的行为特征。


4.根据权利要求1所述的方法，其特征在于，所述对所述每个推荐信息的行为特征进行多次迭代地特征提取处理，包括：
确定所述用户的数据特征、所述用户的推荐环境特征、所述推荐信息集合中每个推荐信息的特征；
将所述行为特征、所述数据特征、所述推荐环境特征以及所述推荐信息的特征进行拼接处理；
对拼接处理结果进行迭代地特征提取处理。


5.根据权利要求4所述的方法，其特征在于，所述对拼接处理结果进行迭代地特征提取处理，包括：
通过N个级联的神经网络模型中的第n神经网络模型，对所述第n神经网络模型的输入进行特征提取处理，并
将所述第n神经网络模型输出的第n特征提取结果传输到第n+1神经网络模型以继续进行特征提取处理；
其中，n为取值从1开始递增的整数，且n的取值范围满足1≤n≤N-1，N为大于或等于2的整数；当n取值为1时，所述第n神经网络模型的输入为所述拼接处理结果，当n取值为2≤n≤N-1时，所述第n神经网络模型的输入为第n-1神经网络模型的特征提取结果。


6.根据权利要求5所述的方法，其特征在于，
当n取值为1≤n≤N-1时，所述第n神经网络模型包括一维卷积层、以及最大池化层，所述通过N个级联的神经网络模型中的第n神经网络模型，对所述第n神经网络模型的输入进行特征提取处理，包括：
将所述...

【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