信息推荐方法及装置、电子设备、存储介质制造方法及图纸

本申请的实施例揭示了一种信息推荐方法及装置，该方法包括：根据候选信息的信息特征以及待推荐用户的用户特征，预测所述待推荐用户对于所述候选信息的初步意向得分；基于预测得到的所述初步意向得分构建初步得分矩阵，所述初步得分矩阵中含有行列交叉的多个数据，各个数据用于表征所在位置对应的待推荐用户对于相应候选信息的初步意向得分；对所述初步得分矩阵进行协同过滤处理，得到用户得分矩阵，所述用户得分矩阵中含有所述待推荐用户对于所有候选信息的用户意向得分；根据所述用户得分矩阵，向所述待推荐用户进行所述候选信息的推荐。本申请实施例的技术方案能够极大地提升候选信息推荐的准确性。候选信息推荐的准确性。候选信息推荐的准确性。

【技术实现步骤摘要】
信息推荐方法及装置、电子设备、存储介质


[0001]本申请涉及人工智能
，具体涉及一种信息推荐方法及装置、电子设备、计算机可读存储介质。

技术介绍

[0002]随着互联网技术的快速发展，越来越多的信息能够借由信息推荐系统被推荐给用户。目前，信息推荐系统是根据用户历史行为数据来推荐用户可能感兴趣的信息的，但在实际应用中，存在大量的新用户没有用户历史行为数据以及大量新的信息也没有相应的用户数据的情况，导致信息推荐的准确度较低。

技术实现思路

[0003]为解决上述技术问题，本申请的实施例提供一种信息推荐方法及装置、电子设备、计算机可读存储介质，以基于本实施例进行的信息推荐来有效提升信息推荐的准确度。
[0004]根据本申请实施例的一个方面，提供了一种信息推荐方法，包括：根据候选信息的信息特征以及待推荐用户的用户特征，预测所述待推荐用户对于所述候选信息的初步意向得分；基于预测得到的所述初步意向得分构建初步得分矩阵，所述初步得分矩阵中含有行列交叉的多个数据，各个数据用于表征所在位置对应的待推荐用户对于相应候选信息的初步意向得分；对所述初步得分矩阵进行协同过滤处理，得到用户得分矩阵，所述用户得分矩阵中含有所述待推荐用户对于所有候选信息的用户意向得分；根据所述用户得分矩阵，向所述待推荐用户进行所述候选信息的推荐。
[0005]根据本申请实施例的一个方面，提供了一种信息推荐装置，包括：意向得分预测模块，配置为根据候选信息的信息特征以及待推荐用户的用户特征，预测所述待推荐用户对于所述候选信息的初步意向得分；得分矩阵构建模块，配置为基于预测得到的所述初步意向得分构建初步得分矩阵，所述初步得分矩阵中含有行列交叉的多个数据，各个数据用于表征所在位置对应的待推荐用户对于相应候选信息的初步意向得分；协同过滤处理模块，配置为对所述初步得分矩阵进行协同过滤处理，得到用户得分矩阵，所述用户得分矩阵中含有所述待推荐用户对于所有候选信息的用户意向得分；候选信息推荐模块，配置为根据所述用户得分矩阵，向所述待推荐用户进行所述候选信息的推荐。
[0006]根据本申请实施例的一个方面，提供了一种电子设备，包括处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上所述的信息推荐方法。
[0007]根据本申请实施例的一个方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上所述的信息推荐方法。
[0008]根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质
中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实施例中提供的信息推荐方法。
[0009]在本申请的实施例提供的技术方案中，首先根据候选信息的信息特征和推荐用户的用户特征预测得到待推荐用户对于候选信息的初步意向得分，然后基于预测的初步意向得分构建初步得分矩阵，并对初步得分矩阵进行协同过滤处理，以对初步得分矩阵中缺失的待推荐用户对于某些候选信息的意向得分数据进行填充，使得所得到的用户得分矩阵中含有待推荐用户对于所有候选信息的用户意向得分，能够避免出现由于候选信息缺失用户数据而无法得到用户对于候选信息的用户意向得分，进而导致的候选信息推荐不准确的问题，极大地提升了候选信息推荐的准确性。
[0010]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0011]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，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。在附图中：
[0012]图1是本申请涉及的一种实施环境的示意图；
[0013]图2是根据一示例性实施例示出的一种信息推荐方法的流程图；
[0014]图3是图2所示实施例中步骤S110在一示例性实施例中的流程图；
[0015]图4是图2所示实施例中的步骤S130在一示例性实施例的流程图；
[0016]图5是本申请涉及的一种示例性的业务场景界面示意图；
[0017]图6是本申请实施例示出的一种示例性的信息推荐应用场景的流程图；
[0018]图7是根据一示例性实施例示出的一种信息推荐装置的框图；
[0019]图8是适于用来实现本申请实施例的电子设备的一种示例性计算机系统的结构示意图。
具体实施方式
[0020]这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0021]附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
[0022]附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0023]还需要说明的是：在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述
关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0024]人工智能(Artificial Intelligence，AI)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、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
[0025]机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息推荐方法，其特征在于，包括：根据候选信息的信息特征以及待推荐用户的用户特征，预测所述待推荐用户对于所述候选信息的初步意向得分；基于预测得到的所述初步意向得分构建初步得分矩阵，所述初步得分矩阵中含有行列交叉的多个数据，各个数据用于表征所在位置对应的待推荐用户对于相应候选信息的初步意向得分；对所述初步得分矩阵进行协同过滤处理，得到用户得分矩阵，所述用户得分矩阵中含有所述待推荐用户对于所有候选信息的用户意向得分；根据所述用户得分矩阵，向所述待推荐用户进行所述候选信息的推荐。2.根据权利要求1所述的方法，其特征在于，根据候选信息的信息特征以及待推荐用户的用户特征，预测所述待推荐用户对于所述候选信息的初步意向得分，包括：获取稀疏特征集合和稠密特征集合，所述稀疏特征集合由所述信息特征以及所述用户特征中含有的稀疏特征组成，所述稠密特征集合由所述信息特征以及所述用户特征中含有的稠密特征组成；对所述稀疏特征集合中含有的稀疏特征进行特征提取，得到所述稀疏特征所对应的特征表示；将所述稀疏特征所对应的特征表示与所述稠密特征集合进行组合，得到特征样本数据，基于所述特征样本数据预测所述待推荐用户对于所述候选信息的初步意向得分。3.根据权利要求2所述的方法，其特征在于，对所述稀疏特征集合中含有的稀疏特征进行特征提取，得到所述稀疏特征所对应的特征表示，包括：将所述稀疏特征集合输入深度学习模型，所述深度学习模型用于提取所述稀疏特征集合的特征表示，所述深度学习模型是基于稀疏样本数据进行训练得到的；获取所述深度学习模型针对所述稀疏特征集合中含有的稀疏特征所输出的特征表示。4.根据权利要求2所述的方法，其特征在于，基于所述特征样本数据预测所述待推荐用户对于所述候选信息的初步意向得分，包括：将所述特征样本数据输入分类模型，以使所述分类模型基于特征样本数据预测所述待推荐用户对于所述候选信息的初步意向得分；获取分类模型输出的所述待推荐用户对于所述候选信息的初步意向得分。5.根据权利要求1所述的方法，其特征在于，基于预测得到的所述初步意向得分构建初步得分矩阵，包括：基于分数间隔相等的多个得分区间，对所述待推荐用户对于所述候选信息的初步意向得分进行得分区间的划分处理，得到各个得分区间内所含有的初步意向得分；按照所述各个得分区间之间的排序，依次将所述各个得分区间内所含有的初步意向得分转化为所述初步得分矩阵中的数据。6.根据权利要求1所述的方法，其特征在于，基于预测得到的所述初步意向得分构建初步得分矩阵，包括：对预测得到的所述待推荐用户对于所述候选信息的初步意向得分进行整数化处理，得到所述初步意向得分对应的整数得分，所述整数得分用于对所述初步意向得分进行整数化的分数表达；
根据所述初步意向得分对应的整数得分构建所述初步得分矩阵。7.根据权利要求1所述的方法，其特征在于，对所述初步得分矩阵进行协同过滤处理，得到用户得分矩阵，包括：对所述初步得分矩阵进行矩阵分解处理，得到用户兴趣得分矩阵和信息属性得分矩阵；将所述用户兴趣得分矩阵与所述信息属性得分矩阵相乘，得到所述用户得分矩阵。8.根据权利要求1所述的方法，其特征在于，在对所述初步得分矩阵进行...

【专利技术属性】
技术研发人员：钟子宏，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：