信息推荐方法及装置、电子设备及存储介质制造方法及图纸

本公开是关于一种信息推荐方法及装置、电子设备及存储介质。该方法包括：获取待推荐的备选信息以及备选信息的历史行为数据；其中，历史行为数据中包括备选信息发生的历史行为类型；将备选信息输入至预设的各行为类型对应的预测模型，并结合历史行为数据，确定用于评估各预测模型的预测能力的评分值；其中，预测模型用于预测行为类型发生的概率；基于各预测模型对应的评分值、各预测模型对应的第一预设权重，以及预设目标优化函数，确定各预测模型对应的目标权重；其中，第一预设权重和目标权重用于表征预测模型的重要程度；根据各预测模型以及对应的目标权重，从备选信息中确定出目标推荐信息。通过该方法，能提升信息推荐的智能化程度。能化程度。能化程度。

【技术实现步骤摘要】
信息推荐方法及装置、电子设备及存储介质


[0001]本公开涉及信息
，尤其涉及一种信息推荐方法及装置、电子设备及存储介质。

技术介绍

[0002]随着当今技术的飞速发展，数据量也与日俱增，人们越来越感觉在海量数据面前束手无策。正是为了解决信息过载的问题，人们提出了推荐系统。
[0003]推荐系统通过将用户的历史行为、用户的兴趣偏好或者用户的人口统计学特征送给推荐算法，运用推荐算法来产生用户可能感兴趣的项目列表。然而推荐算法涉及大量理论知识，同时机器学习的算法模型包含大量参数，需要有较丰富的实践经验才能设计一个高效的模型。
[0004]如何高效设计模型，以及提升模型的准确度一直以来备受关注。

技术实现思路

[0005]本公开提供一种信息推荐方法及装置、电子设备及存储介质。
[0006]根据本公开实施例的第一方面，提供一种信息推荐方法，包括：
[0007]获取待推荐的备选信息以及所述备选信息的历史行为数据；其中，所述历史行为数据中包括所述备选信息发生的历史行为类型；
[0008]将所述备选信息输入至预设的各行为类型对应的预测模型，并结合所述历史行为数据，确定用于评估各预测模型的预测能力的评分值；其中，所述预测模型用于预测行为类型发生的概率；
[0009]基于所述各预测模型对应的评分值、所述各预测模型对应的第一预设权重，以及预设目标优化函数，确定所述各预测模型对应的目标权重；其中，所述第一预设权重和所述目标权重用于表征预测模型的重要程度；
[0010]根据所述各预测模型以及对应的所述目标权重，从所述备选信息中确定出目标推荐信息。
[0011]在一些实施例中，所述基于所述各预测模型对应的评分值、所述各预测模型对应的第一预设权重，以及预设目标优化函数，确定所述各预测模型对应的目标权重，包括：
[0012]基于所述各预测模型对应的评分值以及所述各预测模型对应的第一预设权重，确定所述各预测模型对应的第一加权评分值；
[0013]以通过拟合方式获得的加权评分值之和与所述各预测模型对应的第一加权评分值之和的差异最大化为所述目标优化函数，结合预设迭代终止条件，采用迭代的方式拟合确定所述各预测模型对应的所述目标权重。
[0014]在一些实施例中，所述以通过拟合方式获得的加权评分值之和与所述各预测模型对应的第一加权评分值之和的差异最大化为所述目标优化函数，结合预设迭代终止条件，采用迭代的方式拟合确定所述各预测模型对应的所述目标权重，包括：
[0015]基于所述各预测模型对应的第二预设权重，以及所述各预测模型对应的评分值，确定所述各预测模型对应的第二加权评分值；
[0016]将所述各预测模型对应的第二预设权重和所述第二加权评分值作为初始数据集进行高斯拟合，确定拟合的所述各预测模型对应的加权评分值之和与所述第一加权评分值之和之间的差值最大时的拟合点，所述拟合点包括拟合的所述各预测模型对应的权重值以及所述各拟合模型对应的加权评分值；
[0017]将所述拟合点加入所述初始数据集进行高斯拟合，将满足所述迭代终止条件时确定的拟合点中的权重值，确定为所述各预测模型对应的所述目标权重。
[0018]在一些实施例中，所述预设迭代终止条件包括：
[0019]迭代次数达到预设次数阈值；
[0020]和/或，
[0021]所述拟合方式获得的加权评分值之和与所述第一加权评分值之和之间的差值大于预设阈值。
[0022]在一些实施例中，所述根据所述各预测模型以及对应的所述目标权重，从所述备选信息中确定出目标推荐信息，包括：
[0023]基于当前用户的信息、所述各预测模型以及对应的所述目标权重，确定各所述备选信息的综合行为得分值；其中，所述综合行为得分值表征所述当前用户对所述备选信息的感兴趣程度；
[0024]对各所述备选信息的综合行为得分值进行排序，并根据排序结果从所述备选信息中确定出所述目标推荐信息。
[0025]在一些实施例中，所述基于当前用户的信息、所述各预测模型以及对应的所述目标权重，确定各所述备选信息的综合行为得分值，包括：
[0026]将所述当前用户的信息以及所述备选信息输入至行为类型对应的预测模型，预测所述当前用户对所述备选信息发生所述行为类型的概率；
[0027]将所述行为类型对应的目标权重与所述当前用户对所述备选信息发生所述行为类型的概率相乘，并将不同所述行为类型下的乘积相加，确定所述备选信息的综合行为得分值。
[0028]在一些实施例中，所述将所述备选信息输入至预设的各行为类型对应的预测模型，并结合所述历史行为数据，确定用于评估各预测模型的预测能力的评分值，包括：
[0029]将所述历史行为数据对应的历史用户信息以及所述备选信息，输入至行为类型对应的预测模型，确定历史用户对所述备选信息发生所述行为类型的概率；
[0030]基于历史用户对所述备选信息发生所述行为类型的概率，确定行为预测结果；
[0031]将所述行为预测结果和所述历史行为数据进行对比，确定所述预测模型的评分值。
[0032]根据本公开实施例的第二方面，提供一种信息推荐装置，包括：
[0033]获取模块，配置为获取待推荐的备选信息以及所述备选信息的历史行为数据；其中，所述历史行为数据中包括所述备选信息发生的历史行为类型；
[0034]评分模块，配置为将所述备选信息输入至预设的各行为类型对应的预测模型，并结合所述历史行为数据，确定用于评估各预测模型的预测能力的评分值；其中，所述预测模
型用于预测行为类型发生的概率；
[0035]权重确定模块，配置为基于所述各预测模型对应的评分值、所述各预测模型对应的第一预设权重，以及预设目标优化函数，确定所述各预测模型对应的目标权重；其中，所述第一预设权重和所述目标权重用于表征预测模型的重要程度；
[0036]推荐模块，配置为根据所述各预测模型以及对应的所述目标权重，从所述备选信息中确定出目标推荐信息。
[0037]在一些实施例中，所述权重确定模块，还配置为基于所述各预测模型对应的评分值以及所述各预测模型对应的第一预设权重，确定所述各预测模型对应的第一加权评分值；以通过拟合方式获得的加权评分值之和与所述各预测模型对应的第一加权评分值之和的差异最大化为所述目标优化函数，结合预设迭代终止条件，采用迭代的方式拟合确定所述各预测模型对应的所述目标权重。
[0038]在一些实施例中，所述权重确定模块，还配置为基于所述各预测模型对应的第二预设权重，以及所述各预测模型对应的评分值，确定所述各预测模型对应的第二加权评分值；将所述各预测模型对应的第二预设权重和所述第二加权评分值作为初始数据集进行高斯拟合，确定拟合的所述各预测模型对应的加权评分值之和与所述第一加权评分值之和之间的差值最大时的拟合点，所述拟合点包括拟合的所述各预测模型对应的权重值以及所述各拟合模型对应的加权评分值；将所述拟合点加入所述初始数本文档来自技高网...

【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，所述方法包括：获取待推荐的备选信息以及所述备选信息的历史行为数据；其中，所述历史行为数据中包括所述备选信息发生的历史行为类型；将所述备选信息输入至预设的各行为类型对应的预测模型，并结合所述历史行为数据，确定用于评估各预测模型的预测能力的评分值；其中，所述预测模型用于预测行为类型发生的概率；基于所述各预测模型对应的评分值、所述各预测模型对应的第一预设权重，以及预设目标优化函数，确定所述各预测模型对应的目标权重；其中，所述第一预设权重和所述目标权重用于表征预测模型的重要程度；根据所述各预测模型以及对应的所述目标权重，从所述备选信息中确定出目标推荐信息。2.根据权利要求1所述的方法，其特征在于，所述基于所述各预测模型对应的评分值、所述各预测模型对应的第一预设权重，以及预设目标优化函数，确定所述各预测模型对应的目标权重，包括：基于所述各预测模型对应的评分值以及所述各预测模型对应的第一预设权重，确定所述各预测模型对应的第一加权评分值；以通过拟合方式获得的加权评分值之和与所述各预测模型对应的第一加权评分值之和的差异最大化为所述目标优化函数，结合预设迭代终止条件，采用迭代的方式拟合确定所述各预测模型对应的所述目标权重。3.根据权利要求2所述的方法，其特征在于，所述以通过拟合方式获得的加权评分值之和与所述各预测模型对应的第一加权评分值之和的差异最大化为所述目标优化函数，结合预设迭代终止条件，采用迭代的方式拟合确定所述各预测模型对应的所述目标权重，包括：基于所述各预测模型对应的第二预设权重，以及所述各预测模型对应的评分值，确定所述各预测模型对应的第二加权评分值；将所述各预测模型对应的第二预设权重和所述第二加权评分值作为初始数据集进行高斯拟合，确定拟合的所述各预测模型对应的加权评分值之和与所述第一加权评分值之和之间的差值最大时的拟合点，所述拟合点包括拟合的所述各预测模型对应的权重值以及所述各拟合模型对应的加权评分值；将所述拟合点加入所述初始数据集进行高斯拟合，将满足所述迭代终止条件时确定的拟合点中的权重值，确定为所述各预测模型对应的所述目标权重。4.根据权利要求3所述的方法，其特征在于，所述预设迭代终止条件包括：迭代次数达到预设次数阈值；和/或，所述拟合方式获得的加权评分值之和与所述第一加权评分值之和之间的差值大于预设阈值。5.根据权利要求1所述的方法，其特征在于，所述根据所述各预测模型以及对应的所述目标权重，从所述备选信息中确定出目标推荐信息，包括：基于当前用户的信息、所述各预测模型以及对应的所述目标权重，确定各所述备选信息的综合行为得分值；其中，所述综合行为得分值表征所述当前用户对所述备选信息的感
兴趣程度；对各所述备选信息的综合行为得分值进行排序，并根据排序结果从所述备选信息中确定出所述目标推荐信息。6.根据权利要求5所述的方法，其特征在于，所述基于当前用户的信息、所述各预测模型以及对应的所述目标权重，确定各所述备选信息的综合行为得分值，包括：将所述当前用户的信息以及所述备选信息输入至行为类型对应的预测模型，预测所述当前用户对所述备选信息发生所述行为类型的概率；将所述行为类型对应的目标权重与所述当前用户对所述备选信息发生所述行为类型的概率相乘，并将不同所述行为类型下的乘积相加，确定所述备选信息的综合行为得分值。7.根据权利要求1所述的方法，其特征在于，所述将所述备选信息输入至预设的各行为类型对应的预测模型，并结合所述历史行为数据，确定用于评估各预测模型的预测能力的评分值，包括：将所述历史行为数据对应的历史用户信息以及所述备选信息，输入至行为类型对应的预测模型，确定历史用户对所述备选信息发生所述行为类型的概率；基于历史用户对所述备选信息发生所述行为类型的概率，确定行为预测结果；将所述...

【专利技术属性】
技术研发人员：王若宇，
申请(专利权)人：北京快乐茄信息技术有限公司，
类型：发明
国别省市：