内容推荐方法、模型的训练方法及电子设备技术

本申请实施例提供了一种内容推荐方法、模型的训练方法及电子设备，内容推荐方法，包括：获取用户对目标对象进行访问的候选内容，所述候选内容包括文本、图片和视频中的至少两者，所述文本、所述图片和所述视频具有关联关系；将所述候选内容输入到第一深度学习模型进行向量转换，得到与所述候选内容对应的连续多维多模态向量；将所述连续多维多模态向量输入到推荐模型中进行行为预测，得到用户对所述候选内容进行目标行为的预测结果；根据用户对所述候选内容进行目标行为的预测结果向用户进行内容推荐。内容推荐。内容推荐。

【技术实现步骤摘要】
内容推荐方法、模型的训练方法及电子设备


[0001]本专利技术涉及互联网
，尤其涉及一种内容推荐方法、模型的训练方法及电子设备。

技术介绍

[0002]随着互联网的快速发展，各种各样的信息流产品应运而生，信息流产品以瀑布流的方式分发内容产品，常见的信息流产品如购物类应用，其对应分发的内容产品为商品、新闻类应用，其对应分发的内容产品为新闻信息等。为了满足用户的需求，可以结合用户的部分特征通过推荐系统向用户推荐感兴趣的内容。
[0003]在一些场景下，通过用户的浏览的信息流产品的文本内容的离散特征输入到推荐系统中，来预测用户点击候选内容的可能性，由于离散特征的有限性以及输入到推荐系统中的文本内容的单一性，推荐系统的预测效果较差，推荐系统的预测精度较低，进而导致为用户推荐的内容无法满足用户的需求，降低了用户体验感。

技术实现思路

[0004]本申请实施例的目的是提供一种内容推荐方法、模型的训练方法及电子设备，以解决推荐系统的预测效果较差，预测精度较低的问题。
[0005]为了解决上述技术问题，本申请实施例是这样实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种内容推荐方法，其特征在于，包括：获取用户对目标对象进行访问的候选内容，所述候选内容包括文本、图片和视频中的至少两者，所述文本、所述图片和所述视频具有关联关系；将所述候选内容输入到第一深度学习模型进行向量转换，得到与所述候选内容对应的连续多维多模态向量；将所述连续多维多模态向量输入到推荐模型中进行行为预测，得到用户对所述候选内容进行目标行为的预测结果；根据用户对所述候选内容进行目标行为的预测结果向用户进行内容推荐。2.根据权利要求1所述的内容推荐方法，其特征在于，在所述获取用户对目标对象进行访问的候选内容之后，所述方法还包括：获取与所述候选内容对应的标识信息，所述标识信息包括话题和/或标签信息；将所述标识信息输入到第二深度学习模型进行向量转换，得到与所述标识信息对应的连续多维向量；所述将所述连续多维多模态向量输入到推荐模型中进行行为预测包括：将所述连续多维多模态向量和所述连续多维向量输入到推荐模型中进行行为预测，得到用户对所述候选内容进行目标行为的预测结果。3.根据权利要求1所述的内容推荐方法，其特征在于，所述将所述候选内容输入到第一深度学习模型进行向量转换，得到与所述候选内容对应的连续多维多模态向量，包括：将所述候选内容输入到所述第一深度学习模型；通过所述第一深度学习模型中的文本编码器对所述候选内容中的文本进行编码，得到第一向量；通过所述第一深度学习模型中的图像编码器对所述候选内容中的图片和/或视频进行编码，得到第二向量；对所述第一向量和所述第二向量进行融合，得到与所述候选内容对应的连续多维多模态向量。4.根据权利要求2所述的内容推荐方法，其特征在于，所述第二深度学习模型包括文本编码器，所述将所述标识信息输入到第二深度学习模型进行向量转换包括：将所述标识信息输入到所述文本编码器中对所述标识信息进行编码，得到所述连续多维向量。5.根据权利要求2所述的内容推荐方法，其特征在于，所述将所述连续多维多模态向量和所述连续多维向量输入到推荐模型中进行行为预测包括：将所述连续多维多模态向量和所述连续多维向量输入到推荐模型中进行向量交叉融合，所述向量交叉融合指示计算所述连续多维多模态向量和所述连续多维向量的匹配度；根据所述匹配度对用户对所述候选内容进行目标行为的概率进行预测。6.一种模型的训练方法，其特征在于，包括：获取用户对目标对象进行访问的历史信息流数据，所述历史信息流数据包括文本、图片和视频中的至少两者，所述文本、图片和所述视频具有关联关系；将所述历史信息流数据输入到待训练的第一深度学习模型中进行迭代训练，得到所述第一深度学习模...

【专利技术属性】
技术研发人员：杜则尧，周鑫，
申请(专利权)人：微梦创科网络科技中国有限公司，
类型：发明
国别省市：