一种推荐方法、推荐装置、存储介质及终端设备制造方法及图纸

本申请公开了一种推荐方法、推荐装置、存储介质及终端设备，所述方法包括获取目标用户对应的用户特征；基于所述用户特征以及对象推荐模型，获得待推荐对象集中的各待推荐对象的推荐评分，其中，所述对象推荐模型包括隐语义模型；基于所述推荐评分，确定目标用户对应的推荐对象。本申请通过对象推荐模型来确定推荐对象，对象推荐模型可以通过自动聚类的方式来降低对象推荐模型对应的参数量，从而可以降低对象推荐模型所需的计算力，从而避免终端设备运行推荐方法时出现卡顿的问题。运行推荐方法时出现卡顿的问题。运行推荐方法时出现卡顿的问题。

【技术实现步骤摘要】
一种推荐方法、推荐装置、存储介质及终端设备


[0001]本申请涉及数据处理
，特别涉及一种推荐方法、推荐装置、存储介质及终端设备。

技术介绍

[0002]对象推荐功能是从海量对象(例如，商品、音视频和节目等)中主动挖掘用户喜好，并将其推荐给用户的功能。对象推荐功能能够实现信息过滤，来帮助用户快速发现自身所需信息，从而避免用户淹没在庞大而杂乱无序的网络内容中。但是，现有推荐模型往往需要占用终端设备大量的计算资源(例如，智能电视等)，而影响终端设备配置的其他功能的正常使用，而导致终端设备出现卡顿现象。

技术实现思路

[0003]本申请要解决的技术问题在于，针对现有技术的不足，提供一种推荐方法、推荐装置、存储介质及终端设备。
[0004]为了解决上述技术问题，本申请实施例第一方面提供了一种推荐方法，所述方法包括：
[0005]获取目标用户对应的用户特征，其中，所述用户特征包括若干对象组，每个对象组均包括目标对象以及访问记录；
[0006]基于所述用户特征以及对象推荐模型，获得待推荐对象集中的各待推荐对象的推荐评分；
[0007]基于所述推荐评分，确定目标用户对应的推荐对象。
[0008]所述推荐方法，其中，所述基于所述用户特征以及对象推荐模型，获得待推荐对象集中的各待推荐对象的推荐评分具体包括：
[0009]利用所述对象推荐模型，基于所述用户特征确定待推荐对象集中的各待推荐对象各自对应的候选推荐评分；
[0010]利用所述对象推荐模型，基于所述访问记录以及各待推荐对象各自对应的候选推荐评分，确定各待推荐对象各自对应的修正因子；
[0011]利用所述对象推荐模型，基于各待推荐对象对应的候选推荐评分以及修正因子，确定各待推荐对象各自对应的推荐评分。
[0012]所述推荐方法，其中，利用所述对象推荐模型，基于所述访问记录以及各待推荐对象各自对应的候选推荐评分，确定各待推荐对象各自对应的修正因子具体包括：
[0013]利用所述对象推荐模型，基于所述访问记录，确定各待推荐对象对应的权重系数；
[0014]利用所述对象推荐模型，根据各待推荐对象对应的权重系数以及候选推荐评分，确定各待推荐对象各自对应的修正因子。
[0015]所述推荐方法，其中，所述对象推荐模型包括隐语义模型。
[0016]所述推荐方法，其中，所述对象推荐模型的训练过程具体包括：
[0017]将训练样本集中的训练样本输入预设网络模型，通过预设网络模型确定训练样本对应的预测评分；
[0018]基于所述训练样本对应的目标评分以及预测评分确定损失函数；
[0019]基于所述损失函数以及梯度下降法对所述预设网络模型的模型参数进行修正，以得到所述对象推荐模型。
[0020]所述推荐方法，其中，所述训练样本集包括若干组用户偏好数据，每组用户偏好数据包括若干对象数据以及各对象数据各自对应的目标评分，其中，每组用户偏好数据中的每个对象数据均为该用户偏好数据对应的训练用户所访问过的对象，所述目标评分包括正样本评分或负样本评分。
[0021]所述推荐方法，其中，所述基于所述推荐评分，确定目标用户对应的推荐对象具体包括：
[0022]确定所述待推荐对象集与参考对象集的对象交集，其中，参考对象集包括用户特征中的所有目标对象；
[0023]基于所述待推荐对象集以及对象交集，确定目标对象集，其中，所述目标对象集中的每个待推荐对象均包括于待推荐对象集内，且不包含于所述对象交集中；
[0024]基于所述目标对象集及各推荐评分，确定目标用户对应的推荐对象。
[0025]所述推荐方法，其中，所述基于所述目标对象集及各推荐评分，确定目标用户对应的推荐对象具体包括：
[0026]选取所述目标对象集中推荐评分最高的待推荐对象；
[0027]将选取到的待推荐对象作为所述目标用户对应的推荐对象。
[0028]所述推荐方法，其中，所述若干对象组中的每个对象组均包括目标对象均为影片，并且各对象组包括的影片互不相同；所述推荐对象为推荐影片。
[0029]本申请实施例第二方面提供了一种推荐装置，所述推荐装置包括：
[0030]获取模块，用于获取目标用户对应的用户特征，其中，所述用户特征包括若干对象组，每个对象组均包括目标对象以及访问记录；
[0031]获得模块，用于基于所述用户特征以及对象推荐模型，获得待推荐对象集中的各待推荐对象的推荐评分，其中，所述对象推荐模型包括隐语义模型；
[0032]确定模块，用于基于所述推荐评分，确定目标用户对应的推荐对象。
[0033]本申请实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的推荐方法中的步骤。
[0034]本申请实施例第四方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
[0035]所述通信总线实现处理器和存储器之间的连接通信；
[0036]所述处理器执行所述计算机可读程序时实现如上任一所述的推荐方法中的步骤。
[0037]有益效果：与现有技术相比，本申请提供了一种推荐方法、推荐装置、存储介质及终端设备，所述方法包括获取目标用户对应的用户特征；基于所述用户特征以及对象推荐模型，获得待推荐对象集中的各待推荐对象的推荐评分，其中，所述对象推荐模型包括隐语义模型；基于所述推荐评分，确定目标用户对应的推荐对象。本申请通过对象推荐模型来确
定推荐对象，对象推荐模型可以通过自动聚类的方式来降低对象推荐模型对应的参数量，从而可以降低对象推荐模型所需的计算力，从而避免终端设备运行推荐方法时出现卡顿的问题。
附图说明
[0038]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在不符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。
[0039]图1为本申请提供的推荐方法的流程图。
[0040]图2为本申请提供的推荐方法的样本集的获取过程的流程图
[0041]图3为本申请提供的推荐方法中训练样本集的确定过程的流程图。
[0042]图4为本申请提供的推荐装置的结构原理图。
[0043]图5为本申请提供的终端设备的结构原理图。
具体实施方式
[0044]本申请提供一种推荐方法、推荐装置、存储介质及终端设备，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
[0045]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐方法，其特征在于，所述方法包括：获取目标用户对应的用户特征，其中，所述用户特征包括若干对象组，每个对象组均包括目标对象以及访问记录；基于所述用户特征以及对象推荐模型，获得待推荐对象集中的各待推荐对象的推荐评分；基于所述推荐评分，确定目标用户对应的推荐对象。2.根据权利要求1所述推荐方法，其特征在于，所述基于所述用户特征以及对象推荐模型，获得待推荐对象集中的各待推荐对象的推荐评分具体包括：利用所述对象推荐模型，基于所述用户特征确定待推荐对象集中的各待推荐对象各自对应的候选推荐评分；利用所述对象推荐模型，基于所述访问记录以及各待推荐对象各自对应的候选推荐评分，确定各待推荐对象各自对应的修正因子；利用所述对象推荐模型，基于各待推荐对象对应的候选推荐评分以及修正因子，确定各待推荐对象各自对应的推荐评分。3.根据权利要求2所述推荐方法，其特征在于，利用所述对象推荐模型，基于所述访问记录以及各待推荐对象各自对应的候选推荐评分，确定各待推荐对象各自对应的修正因子具体包括：利用所述对象推荐模型，基于所述访问记录，确定各待推荐对象对应的权重系数；利用所述对象推荐模型，根据各待推荐对象对应的权重系数以及候选推荐评分，确定各待推荐对象各自对应的修正因子。4.根据权利要求1
‑
3任一所述推荐方法，其特征在于，所述对象推荐模型包括隐语义模型。5.根据权利要求1所述推荐方法，其特征在于，所述对象推荐模型的训练过程具体包括：将训练样本集中的训练样本输入预设网络模型，通过预设网络模型确定训练样本对应的预测评分；基于所述训练样本对应的目标评分以及预测评分确定损失函数；基于所述损失函数以及梯度下降法对所述预设网络模型的模型参数进行修正，以得到所述对象推荐模型。6.根据权利要求5所述推荐方法，其特征在于，所述训练样本集包括若干组用户偏好数据，每组用户偏好数据包括若干对象数据以及各对象数据各自对应的目标评分，其中，每组用户偏好数据中的每个对象数据均为该用户偏好数据对应的...

【专利技术属性】
技术研发人员：药欣，曹芝勇，胡乐，周树荣，毛明海，
申请(专利权)人：深圳TCL数字技术有限公司，
类型：发明
国别省市：