【技术实现步骤摘要】
信息推荐方法、装置、存储介质及计算机设备
[0001]本专利技术涉及人工智能领域，尤其是涉及一种信息推荐方法、装置、存储介质及计算机设备。
技术介绍
[0002]随着互联网技术的不断发展，用户的需求越来越多样化和个性化，目前，通过个性化推荐系统向用户推荐商品信息，并以此提高商品信息的点击率和转化率，已经成为了一种较为通用的手段。然而，在个性化推荐系统中，用户行为历史数据的分布对于不同的用户类型、不同的时段，不同的产品形式和不同的渠道均有着很大不同，这种数据的差异性对于模型的训练影响很大。
[0003]目前，传统的单一深度学习模型无法对用户行为数据中的差异性进行精准的刻画，而不同情形之间又会产生相互干扰，导致推荐结果不准确。而如果针对不同的情形单独建立模型优化，又会导致每个单一模型可使用的训练数据量不足，导致模型无法充分学习。另外，在复杂的推荐系统中，单独为每个情形的数据建立模型优化所需的工程开发量巨大，时间、人力成本过高。更重要的是，业务数据在不同情形间除了差异性，也有一定程度的相似性，但是这种相似性在现有方法下无法...
【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：响应于信息推荐请求，获取推荐信息的特征向量，其中，所述推荐信息包括用户信息、推荐内容和上下文信息，所述推荐信息还包括多个属性以及每个所述属性的属性值；基于所述推荐信息的特征向量，通过与每个所述属性对应的专家网络集，得到多个专家向量，其中，所述专家向量根据所述专家网络集中的每个子网络输出的子专家向量融合得到，每个所述子网络对应所述属性的一个属性值；通过门控网络对所述多个专家向量进行加权连接，得到融合向量，通过塔网络对所述融合向量进行预测，得到所述推荐信息的预测结果；基于所述推荐信息的预测结果，判断所述推荐内容是否符合预设的推荐条件，若符合，则将所述推荐内容推送至所述用户信息所在的客户端。2.根据权利要求1所述的方法，其特征在于，所述响应于信息推荐请求，获取推荐信息的特征向量，包括：响应于信息推荐请求，获取用户信息、推荐内容和上下文信息；根据所述用户信息、推荐内容和上下文信息，确定推荐信息的属性以及每个所述属性的属性值，其中，所述属性包括用户性别、用户年龄、用户状态、用户行为、商品类目、时间、地点、渠道中的至少一种信息；对所述用户信息、推荐内容和上下文信息进行特征化处理，并对所述特征化处理后的所述用户信息、推荐内容、上下文信息以及所述推荐信息中每个所述属性的属性值进行连接，得到推荐信息的特征向量。3.根据权利要求1所述的方法，其特征在于，所述基于所述推荐信息的特征向量，通过与每个所述属性对应的专家网络集，得到多个专家向量，包括：根据所述推荐信息中每个所述属性的属性值，在每个所述专家网络集中确定与所述推荐信息对应的主子网络和辅助子网络，其中，所述主子网络对应的属性值与所述推荐信息的属性值相同，所述辅助子网络对应的属性值与所述推荐信息的属性值不相同；通过所述主子网络将所述推荐信息的特征向量映射为主专家向量，通过所述辅助子网络将所述推荐信息的特征向量映射为辅助专家向量；针对每个所述专家网络集，对所述辅助专家向量进行聚合，并对所述聚合后的辅助专家向量和所述主专家向量进行加权融合，得到专家向量。4.根据权利要求3所述的方法，其特征在于，所述针对每个所述专家网络集，对所述辅助专家向量进行聚合，并对所述聚合后的辅助专家向量和所述主专家向量进行加权融合，得到专家向量，包括：针对每个所述专家网络集，获取每个所述辅助子网络与所述主子网络的相关性；根据每个所述辅助子网络与所述主子网络的相关性，确定每个所述辅助专家向量的权重；根据每个所述辅助专家向量的权重，对所述辅助专家向量进行聚合，得到聚合辅助专家向量；通过更新门网络，对所述主专家向量和所述聚合辅助专家向量进行加权融合，得到专家向量。5.根据权利要求1所述的方法，其特征在于，在所述通过门控网络对所述多个专家向量
进行加权连接，得...
【专利技术属性】
技术研发人员：徐霄，董方，张心梓，李阳华，胡宁，
申请(专利权)人：拉扎斯网络科技上海有限公司，
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。