【技术实现步骤摘要】
信息推荐方法、装置、服务器及计算机可读存储介质
本公开涉及互联网
，特别涉及一种信息推荐方法、装置、服务器及计算机可读存储介质。
技术介绍
在互联网
，信息推荐包括三个阶段，分别为召回、粗排及精排。召回是指从海量信息中筛选出用户可能感兴趣的信息；粗排是指采用较少特征训练的粗排模型，对召回的信息进行排序，从而将召回的信息缩小到合理范围；精排是指采用较多特征训练的精排模型，对筛选的信息进行排序，从而将筛选的信息缩小到预期数量。面对互联网上的海量信息，通过对召回的信息进行粗排及精排，保证所推荐信息的覆盖性和准确性。相关技术中，基于粗排模型对召回的信息进行排序，从中筛选出第一数量条信息，该粗排模型基于多个训练样本信息和第一优化目标训练得到；基于精排模型对第一数量条信息进行排序，从中筛选出第二数量条信息，该精排模型基于多个训练样本信息和第二优化目标训练得到；将第二数量条信息推荐给用户。然而，由于粗排模型和精排模型基于不同的优化目标训练得到，导致精排模型和粗排模型的排序机制不同，采用粗排模型和精排模型无法按照...
【技术保护点】
1.一种信息推荐方法，其特征在于，所述方法包括：/n获取多条候选信息；/n提取目标用户的目标用户特征，并提取每条候选信息的信息特征及每条候选信息与所述目标用户的交叉特征；/n将所述目标用户特征、每条候选信息的信息特征及交叉特征输入到粗排模型中，输出每条候选信息的粗排分数，所述粗排模型基于精排模型的训练结果训练得到；/n基于每条候选信息的粗排分数，从所述多条候选信息中，筛选出多条第一信息；/n基于所述精排模型，从所述多条第一信息中，筛选出多条第二信息；/n将所述多条第二信息推荐给所述目标用户。/n
【技术特征摘要】 【专利技术属性】
1.一种信息推荐方法，其特征在于，所述方法包括：
获取多条候选信息；
提取目标用户的目标用户特征，并提取每条候选信息的信息特征及每条候选信息与所述目标用户的交叉特征；
将所述目标用户特征、每条候选信息的信息特征及交叉特征输入到粗排模型中，输出每条候选信息的粗排分数，所述粗排模型基于精排模型的训练结果训练得到；
基于每条候选信息的粗排分数，从所述多条候选信息中，筛选出多条第一信息；
基于所述精排模型，从所述多条第一信息中，筛选出多条第二信息；
将所述多条第二信息推荐给所述目标用户。
2.根据权利要求1所述的方法，其特征在于，所述粗排模型的训练过程为：
基于所述精排模型，从用于训练所述精排模型的多条训练样本信息中，获取多条粗排样本信息；
提取每条粗排样本信息的训练信息特征、点击每条粗排样本信息的用户的用户特征以及每个用户与每条粗排样本信息之间的训练交叉特征；
基于每条粗排样本信息的训练信息特征、点击每条粗排样本信息的用户的用户特征以及每个用户与每条粗排样本信息之间的训练交叉特征，对初始粗排模型进行训练，得到所述粗排模型。
3.根据权利要求2所述的方法，其特征在于，所述基于所述精排模型，从用于训练所述精排模型的多条训练样本信息中，获取多条粗排样本信息，包括：
基于所述精排模型对所述多条训练样本信息的精排分数，获取排位在前预设位数的训练样本信息；
将所述排位在前预设位数的训练样本信息确定为正样本，将其余的训练样本信息确定为负样本；
将所述正样本和所述负样本组成为所述多条粗排样本信息。
4.根据权利要求2所述的方法，其特征在于，所述基于所述精排模型，从用于训练所述精排模型的多条训练样本信息中，获取多条粗排样本信息，包括：
基于所述精排模型对所述多条训练样本信息的精排分数，获取排位在前预设位数的训练样本信息；
将所述排位在前预设位数的训练样本信息及与每条训练样本信息来源于同一查询请求且排位在预设位数之后的至少一条训练样本信息，确定为所述多条粗排训练样本信息。
5.根据权利要求2所述的方法，其特征在于，所述基于所述精排模型，从用于训练所述精排模型的多条训练样本信息中，获取多条粗排样本信息，包括：
基于所述粗排模型预估每条训练样本信息的点击率和转化率；
根据每条训练样本信息的点击率和转化率，确定每条训练样本信息的排序分数；
基于每条训练样本信息的排序分数，从所述多条训练样本信息中，获取多条粗排训练样本信息。
6.一种信息推荐装置，其特征在于，所述装置包括：
第一获取模块，用于获取多条候选信息；
第一提取模块，用于提取目标用户的目标用户特征；
技术研发人员：朱静雅，王立平，尚铮，程佳，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。