【技术实现步骤摘要】
信息推荐方法、模型训练方法、装置、设备及存储介质
[0001]本申请涉及人工智能
,特别涉及一种信息推荐方法、模型训练方法、装置、设备及存储介质。
技术介绍
[0002]用户兴趣建模是个性化推荐系统的重要组成部分,所谓“人以群分”,对用户兴趣进行全面、多样地刻画,对于提升个性化推荐系统的用户满意度具有重要意义。
[0003]其中,用户历史行为序列是表达用户兴趣的重要组成部分。示例性的,推荐系统可以采集用户历史行为序列作为输入数据,然后从用户历史行为序列中提取兴趣特征来表征用户兴趣,基于兴趣特征筛选用户感兴趣的推荐内容。
[0004]但是,由于受限于线上服务资源的限制,推荐系统所能支持的用户历史行为序列的长度和维度都十分有限,使得用户兴趣表达受限。
技术实现思路
[0005]本申请实施例提供了一种信息推荐方法、模型训练方法、装置、设备及存储介质,该方法在线下完成对历史浏览内容序列的特征降维提取、以及候选内容的特征降维提取,使得线上信息推荐时可以直接获取预设维度上的特征向量进行计算,按照提供的线上服务资源来控制预设维度的大小,能够获得用户历史行为序列对用户兴趣的准确表达的同时,也不再受限于线上服务资源的限制,实现符合用户兴趣的精准信息推荐。所述技术方案如下:
[0006]根据本申请的一个方面,提供了一种信息推荐方法,该方法包括:
[0007]从参数表中获取用户标识对应的第一降维向量,以及从参数表中获取n个内容标识对应的n个第二降维向量;第一降维向量是预先对第一高维向量 ...
【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:从参数表中获取用户标识对应的第一降维向量,以及从所述参数表中获取n个内容标识对应的n个第二降维向量;所述第一降维向量是预先对第一高维向量离线降维得到的预设维度上的第一降维向量,所述第一高维向量是从所述用户标识对应的历史浏览内容序列中提取得到的用户兴趣的表征向量;所述第二降维向量是预先对所述内容标识对应的候选内容的第二高维向量离线降维得到的所述预设维度上的第二降维向量;所述预设维度小于所述第一高维向量与所述第二高维向量的维度;基于所述第一降维向量与所述n个第二降维向量,计算每个所述第二降维向量对应的候选内容的推荐分数,得到所述n个内容标识对应的n个候选内容的n个推荐分数;基于所述n个推荐分数从所述n个候选内容中确定推荐信息,向所述用户标识对应的用户设备发送所述推荐信息,n为正整数。2.根据权利要求1所述的方法,其特征在于,所述基于所述第一降维向量与所述n个第二降维向量,计算每个所述第二降维向量对应的候选内容的推荐分数,得到所述n个内容标识对应的n个候选内容的n个推荐分数,包括:对于每个所述第二降维向量,将所述第二降维向量与所述第一降维向量合并,得到合并后的降维向量;调用排序模型从m个评分方向上对所述合并后的降维向量进行评分计算,得到所述m个评分方向上的m个子推荐分数;所述评分方向是指对所述候选内容评分的参考点,所述排序模型用于内容评分;基于所述m个子推荐分数确定所述第二降维向量对应的候选内容的推荐分数,所述m为大于1的正整数。3.根据权利要求2所述的方法,其特征在于,所述排序模型包括m个门限网络、专家网络、m个评分网络和输出网络;所述m个子推荐分数包括第i个评分方向上的子推荐分数,i为小于或者等于m的正整数;所述调用排序模型从m个评分方向上对所述合并后的降维向量进行评分计算,得到所述m个评分方向上的m个子推荐分数,包括:将所述合并后的降维向量输入第i个门限网络,得到所述第i个评分方向对应的第i组权重;以及将所述合并后的降维向量输入所述专家网络,得到学习后的评分特征向量;将所述第i组权重与所述评分特征向量相乘,得到所述第i个评分方向上的评分特征向量;将所述第i个评分方向上的评分特征向量输入第i个评分网络,得到所述第i个评分方向上的子推荐分数;采用上述四个步骤计算得到所述m个子推荐分数之后,所述基于所述m个子推荐分数确定所述第二降维向量对应的候选内容的推荐分数,包括:通过所述输出网络基于所述m个子推荐分数确定所述第二降维向量对应的候选内容的推荐分数。4.根据权利要求1至3任一所述的方法,其特征在于,所述从参数表中获取用户标识对应的第一降维向量之前,还包括:获取第一时间段内所述用户标识对应的至少两个历史浏览内容,生成所述第一时间段
内的历史浏览内容序列;调用降维模型对所述第一时间段内的历史浏览内容序列进行离线特征提取,得到所述预设维度上的所述第一降维向量;其中,所述降维模型用于对特征向量进行降维提取;将所述第一降维向量与所述用户标识对应加载至所述参数表。5.根据权利要求4所述的方法,其特征在于,所述方法还包括:获取第三时间段内所述用户标识对应的至少两个历史浏览内容,生成所述第三时间段内的历史浏览内容序列;调用所述降维模型对所述第三时间段内的历史浏览内容序列进行离线特征提取,得到所述预设维度上的第三降维向量;根据所述第三降维向量对所述参数表中所述用户标识对应的所述第一降维向量进行更新;其中,所述第一时间段内的最大时刻先于所述第三时间段内的最大时刻。6.根据权利要求1至3任一所述的方法,其特征在于,所述从所述参数表中获取n个内容标识对应的n个第二降维向量之前,还包括:获取第二时间段内的所述n个候选内容;调用降维模型对每个所述候选内容进行离线特征提取,得到所述预设维度上的所述第二降维向量;其中,所述降维模型用于对特征向量进行降维提取;将所述第二降维向量与所述内容标识对应加载至所述参数表。7.根据权利要求6所述的方法,其特征在于,所述方法还包括:获取第四时间段内的k个新增候选内容;调用所述降维模型对每个所述新增候选内容进行离线特征提取,得到所述预设维度上的第四降维向量;将所述新增候选内容的第四降维向量与所述内容标识对应更新至所述参数表;其中,所述第二时间段内的最大时刻先于所述第四时间段内的最大时刻,k为正整数。8.根据权利要求1至3任一所述的方法,其特征在于,所述基于所述n个推荐分数从所述n个候选内容中确定推荐信息,包括:调用排序模型对所述n个推荐分数排序,将排序后的所述n个推荐分数中前g个推荐分数对应的候选内容确定为g个所述推荐信息,g为正整数。9.一种模型训练方法,其特征在于,所述方法用于对降维模型和...
【专利技术属性】
技术研发人员:程晓娜,高山,彭冲,范将科,程兵,
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:
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。