【技术实现步骤摘要】
信息推荐方法、装置、设备及存储介质
[0001]本申请涉及信息处理技术,尤其涉及一种信息推荐方法、装置、设备及存储介质。
技术介绍
[0002]随着信息技术的发展,数据量越来越多。这些数据可以用于对用户进行个性化推荐。个性化推荐不需要用户提供明确的需求,就能够根据用户的信息需求、兴趣等,将用户感兴趣的信息、产品等推荐给用户。
[0003]目前的个性化推荐中,主要是根据用户的历史行为数据对用户进行画像,从而根据用户画像在推荐系统中为用户进行个性化推荐。这些历史行为数据包括用户曾发生交互的对象,例如景点、商户、商圈等对象。
[0004]然而,针对用户历史行为数据较少的情况,就会导致推荐的准确度较低。
技术实现思路
[0005]本申请提供一种信息推荐方法、装置、设备及存储介质,用以解决针对用户历史行为数据较少的情况,导致推荐的准确度较低的问题。
[0006]第一方面,本申请提供一种信息推荐方法,应用于服务器,所述方法包括:接收推荐请求,所述推荐请求包括用户的标识;根据所述用户的标识,确定候选对象,所述候选对象为用于对所述用户进行预推荐的对象;根据所述用户的标识和预设的对应关系,确定所述用户的标识对应的用户特征向量,所述对应关系用于表示用户与用户特征向量之间的映射关系,所述用户特征向量是根据用户数据对所述用户数据中的用户进行向量化表示的训练得到的,且用于表示所述用户对对象的兴趣程度和所述用户的社交朋友的兴趣对所述用户的兴趣点的影响程度的向量;根据所述用户特征向量与候选对象的特征向量,确 ...
【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,应用于服务器,所述方法包括:接收推荐请求,所述推荐请求包括用户的标识;根据所述用户的标识,确定候选对象,所述候选对象为用于对所述用户进行预推荐的对象;根据所述用户的标识和预设的对应关系,确定所述用户的标识对应的用户特征向量,所述对应关系用于表示用户与用户特征向量之间的映射关系,所述用户特征向量是根据用户数据对所述用户数据中的用户进行向量化表示的训练得到的,且用于表示所述用户对对象的兴趣程度和所述用户的社交朋友的兴趣对所述用户的兴趣点的影响程度的向量;根据所述用户特征向量与候选对象的特征向量,确定所述候选对象对所述用户的推荐度,所述候选对象的特征向量是根据所述用户数据对所述用户数据中的对象进行向量化表示的训练得到的,且用于表示所述对象的用户群体的向量;根据所述候选对象对所述用户的推荐度对所述候选对象进行排序,得到推荐结果并返回至所述用户的终端设备。2.根据权利要求1所述的方法,其特征在于,所述方法还包括:获取所述用户数据,所述用户数据包括多个用户的信息和多个对象的地理位置,所述多个用户中至少部分用户之间具有社交关系,所述多个对象为所述多个用户的交互对象;针对多个用户中每个用户的一个交互关系进行向量化表示的训练,得到所述用户的第一预特征向量和所述对象的第一预特征向量;若所述用户存在其他交互关系,且所述其他交互关系中包括已训练用户或已训练对象,则根据所述已训练用户的第一预特征向量或已训练对象的第一预特征向量对所述其他交互关系进行训练,直至所述用户数据中所有用户均训练完成,得到所述用户特征向量和所述对象的特征向量。3.根据权利要求2所述的方法,其特征在于,所述针对多个用户中每个用户的一个交互关系进行向量化表示的训练,得到所述用户的预特征向量和所述对象的预特征向量,包括:针对第n次训练,确定第一特征向量和第二特征向量,所述第一特征向量是对第n
‑
1次训练得到的用户的特征向量进行调整得到的特征向量,所述第二特征向量是对第n
‑
1次训练得到的对象的特征向量进行调整得到的特征向量,n为大于2的正整数;根据所述第一特征向量和所述第二特征向量,确定第一概率值,所述第一概率值用于表示所述用户对所述对象的兴趣程度;根据所述第一概率值与第一权重之间的误差进行迭代训练,直至训练结束,将训练结束得到的第一特征向量确定为所述用户的第一预特征向量,以及将训练结束得到的所述第二特征向量确定为所述对象的第一预特征向量。4.根据权利要求3所述的方法,其特征在于,所述第一权重根据如下方法确定:确定第一子权重,所述第一子权重为所述用户对所述对象的访问频率;确定第二子权重,所述第二子权重为所述用户对所有曾访问的对象的总访问频率;根据所述第一子权重和所述第二子权重的比值,得到所述第一权重。5.根据权利要求3或4所述的方法,其特征在于,第一次训练的第一特征向量为所述用户的中间特征向量,则所述用户的中间特征向量根据如下方法确定:针对多个用户中每个用户的一个社交关系进行向量化表示的训练,得到所述用户的第
二预特征向量和另一用户的第二预特征向量;若所述用户存在其他社交关系,且所述其他社交关系中已训练用户或已训练的另一用户,则根据所述已训练用户的第二预特征向量或已训练的另一用户的第二预特征向量对所述其他社交关系进行训练,直至所述用户数据中所有用户均训练完成,得到所述多个用户中每个用户的中间特征向量。6.根据权利要求5所述的方法,其特征在于,所述针对多个用户中每个用户的一个社交关系进行向量化表示的训练,得到所述用户的第二预特征向量和另一用户的第二预特征向量,包括:针对第m次训练,确定第三特征向量和第四特征向量,所述第三特征向量是对第m
‑
1次训练得到的用户的特征向量进行调整得到的特征向量,所述第四特征向量是对第m
‑
1次训练得到的另一用户的特征向量进行调整得到的特征向量,m为大于2的正整数;根据所述第三特征向量和所述第四特征向量,确定第二概率值,所述第二概率值用于表示所述用户与另一用户之间的熟悉程度;根据所述第二概率值与第二权重之间的误差进行迭代训练,直至训练结束,得到所述用户的第二预特征向量和另一用户的第二预特征向量。7.根据权利要求6所述的方法,其特征在于,所述第二权重根据如下方法确定:确定第三子权重,所述第三子权重为所述用户与所述另一用户之间的权重;确定第四子权重,所述第四子权重为所述用户与所述用户的所有社交朋友之间的权重的累加和;根据所述第三子权重与第四子权重的比值,确定所述第二权重。8.根据权利要求3或4所述的方法,其特征在于,第一次训练的第二特征向量为所述对象的中间特征向量,则所述对象的中间特征向量根据如下方法确定:针对多个对象中每个对象的一个关联关系进行向量化表示的训练,得到所述对象的第三预特征向量和另一对象的第三预特征向量;若所述对象存在其他关联关系,且所述其他对象关系中已训练对象或已训练的另一对象,则根据所述已训练对象的第三预特征向量或已训练的另一对象的第三预特征向量对所述其他关联关系进行训练,直至所述用户数据中所有对象均训练完成,得到所述多个对象中每个对象的中间特征向量。9.根据权利要求8所述的方法,其特征在于,所述针对多个对象中每个对象的一个关联关系进行向量化表示的训练,得到所述对象的第三预特征向量和另一对象的第三预特征向量,包括:针对第m次训练,确定第五特征向量和第六特征向量,所述第五特征向量是对第...
【专利技术属性】
技术研发人员:苏义军,郑丽娟,张钧波,郑宇,
申请(专利权)人:京东城市北京数字科技有限公司,
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。