信息推荐模型确定方法、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模型确定方法、信息推荐方法及装置，确定方法包括：获取样本用户针对已推送内容的样本行为信息；构建用于表征样本用户行为的样本特征向量序列；将样本特征向量序列中的第1个至第K

【技术实现步骤摘要】
信息推荐模型确定方法、信息推荐方法及装置


[0001]本申请涉及计算机
，尤其是涉及信息推荐模型确定方法、信息推荐方法及装置。

技术介绍

[0002]目前的信息推荐方法，在对目标用户进行信息推荐的过程中，通常利用目标用户前几次的历史选择信息，确定待推送的推送信息。并且，目前的信息推荐方法，在很大程度上是基于紧邻的历史选择信息，确定待推送的推送信息。相隔越近的历史选择信息，对确定的推送信息的影响程度越高。
[0003]然而，实际应用过程中，紧邻的历史选择信息，反而不会被目标用户作为当前想选择的推送信息，因此，使用目前的信息推荐方法进行信息推荐，确定出的针对目标用户偏好的推送信息准确度较低。

技术实现思路

[0004]有鉴于此，本申请的目的在于提供信息推荐模型确定方法、信息推荐方法及装置，以提高推送满足目标用户偏好的信息的准确度。
[0005]第一方面，本申请实施例提供了一种信息推荐模型确定方法，该信息推荐模型确定方法包括：
[0006]获取样本用户针对已推送内容的样本行为信息；
[0007]基于所述样本行为信息的先后顺序，构建用于表征所述样本用户行为的样本特征向量序列；所述样本特征向量序列中包括K个样本特征向量；
[0008]将所述样本特征向量序列中的第1个至第K-1个样本特征向量输入至编码器，得到样本编码向量，以及所述编码器的预设网络层输出的状态向量；
[0009]基于所述样本编码向量、所述状态向量以及所述样本特征向量序列中的第K个样本特征向量，确定与所述第K个样本特征向量对应的预测相关度；其中，所述预测相关度用于表征所述样本用户在执行了与第1个至第K-1个样本特征向量对应的行为后，执行与第K个样本特征向量对应的行为的概率；
[0010]基于所述预测相关度以及所述第K个样本特征向量的实际相关度，训练所述编码器；
[0011]基于训练得到的所述编码器确定所述信息推荐模型。
[0012]一种可选实施方式中，所述编码器包括：第一神经网络以及第二神经网络；
[0013]则所述将所述样本特征向量序列中的第1个至第K-1个样本特征向量输入至编码器，得到样本编码向量，以及所述编码器的预设网络层输出的状态向量，具体包括：
[0014]将所述样本特征向量序列中的第1个至第K-2个样本特征向量输入至第一神经网络，得到与第1个至第K-2个样本特征向量分别对应的样本中间特征向量；以及在将第K-2个样本特征向量序列输入至所述第一神经网络后，从所述第一神经网络的预设网络层得到中
间状态向量；
[0015]将所述第1个至第K-2个样本特征向量分别对应的样本中间特征向量、所述中间状态向量、以及第K-1个样本特征向量输入至第二神经网络，得到与各个样本中间特征向量分别对应的权重；以及从所述第二神经网络的预设网络层得到所述状态向量；
[0016]基于各个所述样本中间特征向量，以及各个所述样本中间特征向量分别对应的权重，得到所述样本编码向量。
[0017]一种可选实施方式中，所述第一神经网络包括：第一子网络以及第二子网络；
[0018]则所述将所述样本特征向量序列中的第1个至第K-2个样本特征向量输入至第一神经网络，得到与第1个至第K-2个样本特征向量分别对应的样本中间特征向量，具体包括：
[0019]将所述样本特征向量序列中的第1个至第K-2个样本特征向量正序依次输入至所述第一子网络，得到与所述第1个至第K-2个样本特征向量分别对应的第一中间向量；
[0020]将所述样本特征向量序列中的第1个至第K-2个样本特征向量逆序依次输入至所述第二子网络，得到与所述第1个至第K-2个样本特征向量分别对应的第二中间向量；
[0021]针对所述第1个至第K-2个样本特征向量中的每个样本特征向量，基于该样本特征向量对应的第一中间向量以及第二中间向量，生成与该样本特征向量对应的样本中间特征向量。
[0022]一种可选实施方式中，所述第二神经网络包括：第三子网络以及第四子网络；
[0023]则所述将所述第1个至第K-2个样本特征向量分别对应样本中间特征向量、所述中间状态向量、以及第K-1个样本特征向量输入至第二神经网络，得到与各个样本中间特征向量分别对应的权重，具体包括：
[0024]将所述中间状态向量以及所述第K-1个样本特征向量输入至第三子网络，得到与所述第K-1个样本特征向量对应的第三中间向量；
[0025]将所述第三中间向量以及所述第1个至第K-2个样本特征向量分别对应样本中间特征向量输入至所述第四子网络，得到与各个所述样本中间特征向量分别对应的权重。
[0026]第二方面，本申请实施例提供了一种信息推荐方法，包括：
[0027]获取待推送用户针对多个已推送内容的历史行为信息；
[0028]基于所述历史行为信息的先后顺序以及至少一个待推送内容，构建与各个待推送内容分别对应的特征向量序列；
[0029]针对每个待推送内容，将与该待推送内容对应的特征向量序列输入至信息推荐模型中，得到与该待推送内容对应的相关度；
[0030]基于各个待推送内容分别对应的相关度的大小，从多个所述待推送内容中确定至少一个目标推送内容，并将所述目标推送内容推送至所述待推送用户；
[0031]其中，所述信息推荐模型基于第一方面任意一项所述的信息推荐模型的确定方法确定。
[0032]第三方面，本申请实施例还提供一种信息推荐模型确定装置，该信息推荐模型确定装置包括：第一获取模块、第一构建模块、第一输入模块、第一确定模块、训练模块以及第二确定模块，其中：
[0033]所述第一获取模块，用于获取样本用户针对已推送内容的样本行为信息；
[0034]所述第一构建模块，用于基于所述样本行为信息的先后顺序，构建用于表征所述
样本用户行为的样本特征向量序列；所述样本特征向量序列中包括K个样本特征向量；
[0035]所述第一输入模块，用于将所述样本特征向量序列中的第1个至第K-1个样本特征向量输入至编码器，得到样本编码向量，以及所述编码器的预设网络层输出的状态向量；
[0036]所述第一确定模块，用于基于所述样本编码向量、所述状态向量以及所述样本特征向量序列中的第K个样本特征向量，确定与所述第K个样本特征向量对应的预测相关度；其中，所述预测相关度用于表征所述样本用户在执行了与第1个至第K-1个样本特征向量对应的行为后，执行与第K个样本特征向量对应的行为的概率；
[0037]所述训练模块，用于基于所述预测相关度以及所述第K个样本特征向量的实际相关度，训练所述编码器；
[0038]所述第二确定模块，用于基于训练得到的所述编码器确定所述信息推荐模型。
[0039]一种可选实施方式中，所述编码器包括：第一神经网络以及第二神经网络；
[0040]所述第一输入模块，在将所述样本特征向量序列中的第1个至第K-1个样本特征向量输入至编本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息推荐模型确定方法，其特征在于，该信息推荐模型确定方法包括：获取样本用户针对已推送内容的样本行为信息；基于所述样本行为信息的先后顺序，构建用于表征所述样本用户行为的样本特征向量序列；所述样本特征向量序列中包括K个样本特征向量；将所述样本特征向量序列中的第1个至第K-1个样本特征向量输入至编码器，得到样本编码向量，以及所述编码器的预设网络层输出的状态向量；基于所述样本编码向量、所述状态向量以及所述样本特征向量序列中的第K个样本特征向量，确定与所述第K个样本特征向量对应的预测相关度；其中，所述预测相关度用于表征所述样本用户在执行了与第1个至第K-1个样本特征向量对应的行为后，执行与第K个样本特征向量对应的行为的概率；基于所述预测相关度以及所述第K个样本特征向量的实际相关度，训练所述编码器；基于训练得到的所述编码器确定所述信息推荐模型。2.根据权利要求1所述的确定方法，其特征在于，所述编码器包括：第一神经网络以及第二神经网络；则所述将所述样本特征向量序列中的第1个至第K-1个样本特征向量输入至编码器，得到样本编码向量，以及所述编码器的预设网络层输出的状态向量，具体包括：将所述样本特征向量序列中的第1个至第K-2个样本特征向量输入至第一神经网络，得到与第1个至第K-2个样本特征向量分别对应的样本中间特征向量；以及在将第K-2个样本特征向量序列输入至所述第一神经网络后，从所述第一神经网络的预设网络层得到中间状态向量；将所述第1个至第K-2个样本特征向量分别对应的样本中间特征向量、所述中间状态向量、以及第K-1个样本特征向量输入至第二神经网络，得到与各个样本中间特征向量分别对应的权重；以及从所述第二神经网络的预设网络层得到所述状态向量；基于各个所述样本中间特征向量，以及各个所述样本中间特征向量分别对应的权重，得到所述样本编码向量。3.根据权利要求2所述的确定方法，其特征在于，所述第一神经网络包括：第一子网络以及第二子网络；则所述将所述样本特征向量序列中的第1个至第K-2个样本特征向量输入至第一神经网络，得到与第1个至第K-2个样本特征向量分别对应的样本中间特征向量，具体包括：将所述样本特征向量序列中的第1个至第K-2个样本特征向量正序依次输入至所述第一子网络，得到与所述第1个至第K-2个样本特征向量分别对应的第一中间向量；将所述样本特征向量序列中的第1个至第K-2个样本特征向量逆序依次输入至所述第二子网络，得到与所述第1个至第K-2个样本特征向量分别对应的第二中间向量；针对所述第1个至第K-2个样本特征向量中的每个样本特征向量，基于该样本特征向量对应的第一中间向量以及第二中间向量，生成与该样本特征向量对应的样本中间特征向量。4.根据权利要求2所述的确定方法，其特征在于，所述第二神经网络包括：第三子网络以及第四子网络；则所述将所述第1个至第K-2个样本特征向量分别对应样本中间特征向量、所述中间状
态向量、以及第K-1个样本特征向量输入至第二神经网络，得到与各个样本中间特征向量分别对应的权重，具体包括：将所述中间状态向量以及所述第K-1个样本特征向量输入至第三子网络，得到与所述第K-1个样本特征向量对应的第三中间向量；将所述第三中间向量以及所述第1个至第K-2个样本特征向量分别对应样本中间特征向量输入至所述第四子网络，得到与各个所述样本中间特征向量分别对应的权重。5.一种信息推荐方法，其特征在于，包括：获取待推送用户针对多个已推送内容的历史行为信息；基于所述历史行为信息的先后顺序以及至少一个待推送内容，构建与各个待推送内容分别对应的特征向量序列；针对每个待推送内容，将与该待推送内容对应的特征向量序列输入至信息推荐模型中，得到与该待推送内容对应的相关度；基于各个待推送内容分别对应的相关度的大小，从多个所述待推送内容中确定至少一个目标推送内容，并将所述目标推送内容推送至所述待推送用户；其中，所述信息推荐模型基于权利要求1-4任意一项所述的信息推荐模型的确定方法确定。6.一种信息推荐模型确定装置，其特征在于，该信息推荐模型确定装置包括：第一获取模块，用于获取样本用户针对已推送内容的样本行为信息；第一构建模块，用于基于所述样本行为信息的先后顺序，构建用于表征所述样本用户行为的样本特征向量序列；所述样本特征向量序列中包括K个样本特征向量；第一输入模块，用于将所述样本特征向量序列中的第...

【专利技术属性】
技术研发人员：王惠照，李建丽，郑凯，夏虎，
申请(专利权)人：国信优易数据股份有限公司，
类型：发明
国别省市：