信息推荐方法、装置、设备及计算机可读存储介质制造方法及图纸

本申请实施例提供一种信息推荐方法、装置、设备及计算机可读存储介质，涉及人工智能技术领域。方法包括：获取待推荐信息集合中的每一待推荐信息的至少一个第一类特征和至少一个第二类特征，对所述至少一个第一类特征进行特征交叉处理，得到第一预测分；对所述至少一个第二类特征进行特征融合处理，得到第二预测分；对所述第一预测分和所述第二预测分进行预测结果变换处理，得到所述待推荐信息的倾向性得分；根据每一所述待推荐信息的所述倾向性得分，将所述待推荐信息集合中的至少一条待推荐信息推荐给目标对象。通过本申请实施例，能够更精准的刻画待推荐信息在该特定人群上的受欢迎程度，提高对特定人群的信息推荐效果。

【技术实现步骤摘要】
信息推荐方法、装置、设备及计算机可读存储介质
本申请实施例涉及互联网
，涉及但不限于一种信息推荐方法、装置、设备及计算机可读存储介质。
技术介绍
在信息流推荐场景下，用户特征和内容特征对推荐系统来说是缺一不可的，现有的内容特征大都是基于内容本身的先验信息来定义的，如依据视频内容本身将视频归属为体育类、电影类等，没有与用户的行为进行联动，对于用户侧，除了使用用户的基础信息外，推荐系统会利用用户的历史消费行为，构建与内容特征相对应的用户兴趣点特征。在推荐时，即利用上述用户和视频内容的特征进行点击行为预测。但是，上述推荐思路在新用户推荐上存在较大的问题，由于新用户没有历史消费行为记录，推荐系统无法获取用户的兴趣点特征，只能利用用户基础信息进行推荐，导致推荐系统无法准确预测出新用户感兴趣的内容。同时新用户的推荐又是十分重要，新用户的留存决定了整个推荐产品诸如用户规模等关键指标，因此新用户的冷启动问题是现有推荐系统常常面临的重要难题。针对上述新用户的冷启动问题，相关技术中的技术方案只能利用用户的基础属性进行推荐。比如基于用户的地域信息，推荐本地新闻内容；或是基于用户的性别、年龄等信息，针对特定性别和年龄下人群的消费内容进行统计，并对高消费内容进行推荐。但是，相关技术中的解决方案只适用于已经产生消费的内容，对于新生产的内容，无法进行统计，并且，由于推荐系统的复杂性可能会导致其对于某一特定人群的推荐效果较差。
技术实现思路
本申请实施例提供一种信息推荐方法、装置、设备及计算机可读存储介质，涉及人工智能
由于对待推荐信息的至少一个第一类特征和至少一个第二类特征分别进行特征交叉处理和特征融合处理，并对得到的第一预测分和第二预测分进行预测结果变换处理，得到每一待推荐信息的倾向性得分，从而根据该倾向性得分进行信息推荐，如此，充分考虑了待推荐信息的特征的复杂多样性，从而能更精准的刻画待推荐信息在特定人群上的受欢迎程度，提高对特定人群的信息推荐效果。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：获取待推荐信息集合中的每一待推荐信息的至少一个第一类特征和至少一个第二类特征；对所述至少一个第一类特征进行特征交叉处理，得到第一预测分；对所述至少一个第二类特征进行特征融合处理，得到第二预测分；对所述第一预测分和所述第二预测分进行预测结果变换处理，得到所述待推荐信息的倾向性得分；根据每一所述待推荐信息的所述倾向性得分，将所述待推荐信息集合中的至少一条待推荐信息推荐给目标对象。本申请实施例提供一种信息推荐装置，包括：获取模块，用于获取待推荐信息集合中的每一待推荐信息的至少一个第一类特征和至少一个第二类特征；特征交叉处理模块，用于对所述至少一个第一类特征进行特征交叉处理，得到第一预测分；特征融合处理模块，用于对所述至少一个第二类特征进行特征融合处理，得到第二预测分；变换处理模块，用于对所述第一预测分和所述第二预测分进行预测结果变换处理，得到所述待推荐信息的倾向性得分；推荐模块，用于根据每一所述待推荐信息的所述倾向性得分，将所述待推荐信息集合中的至少一条待推荐信息推荐给目标对象。本申请实施例提供一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中；其中，计算机设备的处理器从所述计算机可读存储介质中读取所述计算机指令，所述处理器用于执行所述计算机指令，实现上述的信息推荐方法。本申请实施例提供一种信息推荐设备，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，实现上述的信息推荐方法。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所述可执行指令时，实现上述的信息推荐方法。本申请实施例具有以下有益效果：针对于待推荐信息集合中的每一待推荐信息，分别对至少一个第一类特征和至少一个第二类特征进行特征交叉处理和特征融合处理，对应得到第一预测分和第二预测分，并对第一预测分和第二预测分进行预测结果转换处理，得到每一待推荐信息的倾向性得分，从而根据每一待推荐信息的倾向性得分，对待推荐信息集合中的至少一条待推荐信息进行推荐，即将待推荐信息推荐给属于特定人群的目标对象。如此，由于分别基于待推荐信息的第一类特征和第二类特征进行处理，以确定最终的倾向性得分，因此充分考虑了待推荐信息的特征的复杂多样性，从而能更精准的刻画待推荐信息在该特定人群上的受欢迎程度，提高对特定人群的信息推荐效果。附图说明图1是本申请实施例提供的信息推荐系统的一个可选的架构示意图；图2是本申请实施例提供的服务器的结构示意图；图3是本申请实施例提供的信息推荐方法的一个可选的流程示意图；图4是本申请实施例提供的信息推荐方法的一个可选的流程示意图；图5是本申请实施例提供的信息推荐方法的一个可选的流程示意图；图6是本申请实施例提供的信息推荐方法的一个可选的流程示意图；图7是本申请实施例提供的信息推荐方法的一个可选的流程示意图；图8是本申请实施例提供的信息推荐方法的一个可选的流程示意图；图9A是本申请实施例提供的倾向性识别网络的结构图；图9B是本申请实施例提供的倾向性识别网络的训练方法的一个可选的流程示意图；图10是本申请实施例中整体算法的网络结构图。具体实施方式为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。除非另有定义，本申请实施例所使用的所有的技术和科学术语与属于本申请实施例的
的技术人员通常理解的含义相同。本申请实施例所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。为了更好地理解本申请实施例中提供的网络结构搜索方法，首先对相关技术中的网络结构搜索方法进行说明：相关技术中，针对新用户的冷启动问题，只能利用用户的基础属性进行推荐。但是这种解决方案，只适用于已经产生消费的内容，对于新生产的内容，无法进行统计。因此本申请针对这一痛点，提出了内容的人群倾向性标签，只利用内容本身的特征，预测其受特定人群的欢迎程度。可在内容被推荐前，为推荐系统提供该内容受欢迎的人群标识，指导推荐系统对特定人群下的新用户推荐，即缓解上述新用户的冷启动问题。另外，推荐系统的复杂性可能导致其对于某一人群的推荐效果较差，比如女性用户占比较少的情况下，推荐系统可能无法较好的学习该用户群体的点击行为。故在针对特定人群进行推荐效果优化的场景中，人群倾向性预估也是十分必要的，比如可以辅助运营进行特定人群倾向的内容筛选本文档来自技高网...

【技术保护点】
1.一种信息推荐方法，其特征在于，包括：/n获取待推荐信息集合中的每一待推荐信息的至少一个第一类特征和至少一个第二类特征；/n对所述至少一个第一类特征进行特征交叉处理，得到第一预测分；/n对所述至少一个第二类特征进行特征融合处理，得到第二预测分；/n对所述第一预测分和所述第二预测分进行预测结果变换处理，得到所述待推荐信息的倾向性得分；/n根据每一所述待推荐信息的所述倾向性得分，将所述待推荐信息集合中的至少一条待推荐信息推荐给目标对象。/n

【技术特征摘要】
1.一种信息推荐方法，其特征在于，包括：
获取待推荐信息集合中的每一待推荐信息的至少一个第一类特征和至少一个第二类特征；
对所述至少一个第一类特征进行特征交叉处理，得到第一预测分；
对所述至少一个第二类特征进行特征融合处理，得到第二预测分；
对所述第一预测分和所述第二预测分进行预测结果变换处理，得到所述待推荐信息的倾向性得分；
根据每一所述待推荐信息的所述倾向性得分，将所述待推荐信息集合中的至少一条待推荐信息推荐给目标对象。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定所述目标对象的属性信息；
获取具有所述属性信息的对象所形成的对象集合、和与所述对象集合中的对象之间具有交互信息的推荐信息所形成的推荐信息集合；
对于所述推荐信息集合中的每一所述推荐信息，获取所述对象集合中每一对象与所述推荐信息之间的互动数据；
对所述互动数据进行聚合，得到所述对象集合中的对象针对于每一所述推荐信息的互动概率；
根据所述互动概率，在所述推荐信息集合中选择出至少一条推荐信息作为待推荐信息，以形成所述待推荐信息集合。


3.根据权利要求2所述的方法，其特征在于，所述互动数据至少包括对所述推荐信息的曝光次数、点击次数和浏览时长；
所述对所述互动数据进行聚合，得到所述对象集合中的对象针对于每一所述推荐信息的互动概率，包括：
对所述曝光次数、所述点击次数和所述浏览时长进行聚合，得到针对于每一所述推荐信息的平均点击率和平均浏览时长；
将所述平均点击率和所述平均浏览时长中的任意一个，确定为所述推荐信息的互动概率。


4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据所述推荐信息集合中的每一所述推荐信息的所述平均点击率，确定所述对象集合中的全部对象所对应的总平均点击率；
根据所述推荐信息集合中的每一所述推荐信息的所述平均浏览时长，确定所述对象集合中的全部对象所对应的总平均浏览时长；
所述根据所述互动概率，在所述推荐信息集合中选择出至少一条推荐信息作为待推荐信息，包括：
在所述推荐信息集合中，选择出所述平均点击率大于所述总平均点击率的推荐信息作为所述待推荐信息；或者，
在所述推荐信息集合中选择出平均浏览时长大于所述总平均浏览时长的推荐信息作为所述待推荐信息。


5.根据权利要求1所述的方法，其特征在于，所述第一类特征包括信息类别特征、信息长度特征和信息质量特征中的至少一种；
所述对所述至少一个第一类特征进行特征交叉处理，得到第一预测分，包括：
对所述信息类别特征中的一级类别特征和二级类别特征分别进行编码处理，对应得到一级类别特征向量和二级类别特征向量；
对所述信息长度特征依次进行离散化处理和编码处理，得到信息长度特征向量；
对所述信息质量特征进行编码处理，得到信息质量特征向量；
采用因子分解机对所述一级类别特征向量、所述二级类别特征向量、所述信息长度特征向量和所述信息质量特征向量中的至少一种进行所述交叉处理，得到所述第一预测分。


6.根据权利要求5所述的方法，其特征在于，所述对所述信息质量特征进行编码处理，得到信息质量特征向量，包括：
获取针对于所述待推荐信息的预先打分值；
对所述预先打分值进行所述编码处理，得到所述信息质量特征向量。


7.根据权利要求1所述的方法，其特征在于，所述第二类特征至少包括文本特征和图像特征；
所述对所述至少一个第二类特征进行特征融合处理，得到第二预测分，包括：
根据所述文本特征确定至少一个词；
获取每一词的词嵌入向量；
将所述词嵌入向量的平均值，确定为所...

【专利技术属性】
技术研发人员：张晗，马连洋，衡阵，
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