本申请涉及一种内容推荐装置、电子设备及计算机可读介质。该装置包括：信息模块，用于基于用户的推荐请求获取用户信息；初选模块，用于基于所述用户信息获取多个初选内容；特征模块，用于基于所述用户信息、所述推荐请求、所述多个初选内容分别生成用户特征、请求特征、多个内容特征；评分模块，用于将所述用户特征、所述请求特征、所述多个内容特征输入到兴趣评分模型中得到所述多个初选内容对应的多个兴趣评分，所述兴趣评分模型通过深度推荐模型和多任务学习模型联合训练生成；推荐模块，用于基于所述多个兴趣评分由所述多个初选内容中确定待推荐的至少一个内容。本申请涉及的内容推荐装置，能够对用户的兴趣度进行多角度的分析，并结合多方面的信息综合生成推荐内容，提升推荐效率和用户满意度。升推荐效率和用户满意度。升推荐效率和用户满意度。
【技术实现步骤摘要】
一种内容推荐装置、电子设备及计算机可读介质
[0001]本申请涉及计算机信息处理领域，具体而言，涉及一种内容推荐装置、电子设备及计算机可读介质。
技术介绍
[0002]目前，随着计算机的高速发展，各种多媒体数据(如图文数据和视频数据)在各个来源渠道的入库峰值日上传量已超过百万级别乃至千万级别。特别是随着移动设备的普及和发展，在资讯数量越来越丰富的同时，用户的关注点也被过分的分散，难以获取到有效的信息。同时，考虑到移动互联网终端的使用场景，搜索引擎等需要用户输入关键词的主动搜索方式适用性较差，迫切需要解决系统自动获取用户兴趣并完成推送，以获得良好的用户体验。
[0003]推荐系统满足了上述需求。推荐系统是一项交互式产品功能，产品为推荐系统提供载体，用户通过使用产品触达及触发推荐系统，推荐系统为用户提供个性化的推荐，从而提升用户体验；和搜索引擎不同，推荐系统本质上是在用户需求不明确的情况下，从海量的信息中为用户寻找其感兴趣的信息的技术手段。推荐系统结合用户的信息，内容信息，利用机器学习技术构建用户兴趣模型，为用户提供精准的个性化推荐。
[0004]随着深度学习的发展，深度学习在推荐系统领域也得到了极大的应用，一系列基于深度学习的推荐算法也逐渐问世，推荐系统除了应用于购物软件，还广泛的应用于新闻app的资讯推荐以及视频软件的视频推荐等场景。
[0005]在所述
技术介绍
部分公开的上述信息仅用于加强对本申请的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
[0006]本申请提供一种内容推荐装置、电子设备及计算机可读介质，能够对用户的兴趣度进行多角度的分析，并结合多方面的信息综合生成推荐内容，提升推荐效率和用户满意度。
[0007]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0008]根据本申请的一方面，提出一种内容推荐装置，该装置包括：信息模块，用于基于用户的推荐请求获取用户信息；初选模块，用于基于所述用户信息获取多个初选内容；特征模块，用于基于所述用户信息、所述推荐请求、所述多个初选内容分别生成用户特征、请求特征、多个内容特征；评分模块，用于将所述用户特征、所述请求特征、所述多个内容特征输入到兴趣评分模型中得到所述多个初选内容对应的多个兴趣评分，所述兴趣评分模型通过深度推荐模型和多任务学习模型联合训练生成；推荐模块，用于基于所述多个兴趣评分由所述多个初选内容中确定待推荐的至少一个内容。
[0009]在本申请的一种示例性实施例中，还包括：训练模块，用于通过深度推荐模型和多
任务学习模型生成初始模型；基于多个用户推荐请求和多个内容推荐结果对所述初始模型进行训练以生成所述兴趣评分模型。
[0010]在本申请的一种示例性实施例中，所述基于所述用户信息获取多个初选内容，包括：基于所述用户信息中的用户标识提取预存的用户画像、用户向量；基于所述用户画像提取其他用户以生成其他用户列表；基于所述用户画像、所述用户向量、所述其他用户列表生成所述多个初选内容。
[0011]在本申请的一种示例性实施例中，基于所述用户画像、所述用户向量、所述其他用户列表生成所述多个初选内容，还包括：基于所述用户信息对所述多个初选内容进行曝光排重。
[0012]在本申请的一种示例性实施例中，基于所述用户信息、所述推荐请求、所述多个初选内容分别生成用户特征、请求特征、多个内容特征，包括：将所述用户信息、所述推荐请求、所述多个初选内容分别按照预设策略进行整理以生成所述用户特征、所述请求特征、所述多个内容特征。
[0013]在本申请的一种示例性实施例中，将所述用户特征、所述请求特征、所述多个内容特征输入到兴趣评分模型中得到所述多个初选内容对应的多个兴趣评分，包括：将所述用户特征、所述请求特征、所述多个内容特征输入到兴趣评分模型；所述兴趣评分模型中的深度推荐模型部分基于所述用户特征、所述请求特征、所述多个内容特征生成组合特征；所述兴趣评分模型中的多任务学习模型部分基于所述组合特征进行计算，生成所述多个内容特征对应的多个兴趣评分；其中，内容特征对应的兴趣评分代表所述用户对初选内容的感兴趣程度。
[0014]所述兴趣评分模型中的多任务学习模型部分基于所述组合特征进行计算，生成所述多个内容特征对应的兴趣评分，包括：所述兴趣评分模型中的多任务学习模型部分基于所述组合特征进行计算生成点击概率和传播概率；基于所述点击概率、所述传播概率和其对应的权重生成所述多个内容特征对应的兴趣评分。
[0015]所述多个兴趣评分由所述多个初选内容中确定待推荐的至少一个内容，包括：基于所述多个兴趣评分将所述多个初选内容进行排序；按照所述排序提取至少一个初选内容作为待推荐的内容。
[0016]所述兴趣评分模型基于多个用户推荐请求和多个内容推荐结果对所述初始模型进行训练并生成，包括：基于多个用户推荐请求生成训练样本集合；基于所述内容推荐结果为所述训练样本集合中的样本设置样本标签；基于带有样本标签的训练样本集合数据对所述初始模型进行训练；在训练参数满足阈值时，生成所述兴趣评分模型。
[0017]所述推荐模块包括深度推荐子模块和多任务学习子模块，同时将深度推荐子模块的输出数据作为多任务学习子模块的输入数据。
[0018]优选的，所述深度推荐子模块中的DNN隐藏层设置为三层，每层都带有dropout因子；所述多任务学习子模块的专家网络设置为两个，专家单元设置为十六个；将多任务学习子模块的专家网络中的DNN隐藏层设置为两层；同时，基于以上设置生成所述推荐模块的初始模型。
[0019]根据本申请的内容推荐装置、电子设备及计算机可读介质，通过基于用户的推荐请求获取用户信息；基于所述用户信息获取多个初选内容；基于所述用户信息、所述推荐请
求、所述多个初选内容分别生成用户特征、请求特征、多个内容特征；将所述用户特征、所述请求特征、所述多个内容特征输入到兴趣评分模型中得到所述多个初选内容对应的多个兴趣评分，所述兴趣评分模型通过深度推荐模型和多任务学习模型联合训练生成；基于所述多个兴趣评分由所述多个初选内容中确定待推荐的至少一个内容的方式，能够对用户的兴趣度进行多角度的分析，并结合多方面的信息综合生成推荐内容，提升推荐效率和用户满意度。
[0020]应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
[0021]通过参照附图详细描述其示例实施例，本申请的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是根据一示例性实施例示出的一种内容推荐装置的系统框图。
[0023]图2是根据一示例性实施例示出的一种内容推荐装置的框图。
[0024]图3是根据一示例性实施例示出的一种内容推荐装置的工作过程的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种内容推荐装置，其特征在于，包括：信息模块，用于基于用户的推荐请求获取用户信息；初选模块，用于基于所述用户信息获取多个初选内容；特征模块，用于基于所述用户信息、所述推荐请求、所述多个初选内容分别生成用户特征、请求特征、多个内容特征；评分模块，用于将所述用户特征、所述请求特征、所述多个内容特征输入到兴趣评分模型中得到所述多个初选内容对应的多个兴趣评分，所述兴趣评分模型通过深度推荐模型和多任务学习模型联合训练生成；推荐模块，用于基于所述多个兴趣评分由所述多个初选内容中确定待推荐的至少一个内容。2.如权利要求1所述的装置，其特征在于，还包括：训练模块，用于通过深度推荐模型和多任务学习模型生成初始模型；基于多个用户推荐请求和多个内容推荐结果对所述初始模型进行训练以生成所述兴趣评分模型。3.如权利要求1或2之一所述的装置，其特征在于：所述基于所述用户信息获取多个初选内容进一步包括：基于所述用户信息中的用户标识提取预存的用户画像、用户向量；基于所述用户画像提取其他用户以生成其他用户列表；基于所述用户画像、所述用户向量、所述其他用户列表生成所述多个初选内容。4.如权利要求1或2之一所述的装置，其特征在于：所述用于基于所述用户信息、所述推荐请求、所述多个初选内容分别生成用户特征、请求特征、多个内容特征采用多路召回模块实现，具体步骤进一步包括：用户和文章向量是通过对一个打分矩阵做矩阵分解得到的，矩阵分解的方法和公式部分对应下面步骤S205
‑
1和步骤S205
‑
2；步骤S205
‑
1：采用用户协同过滤算法，根据站内所有用户的点击日志采用内容相似度算法计算得到每个内容的协同内容列表；步骤S205
‑
2：用户热点召回，所述用户热点召回是指依照热度值计算公式，对用户召回最感兴趣的分类的分类中当前最热的内容，计算内容的热度；步骤S205
‑
3：算法模型召回，所述算法模型召回是指通过矩阵分解算法将用户和内容分别进行向量化；步骤S205
‑
【专利技术属性】
技术研发人员：吴德超，田佳伟，曾庆学，刘科强，
申请(专利权)人：北京立达智胜科技有限公司，
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。