资源推荐方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供一种资源推荐方法、装置、设备及存储介质，方法包括：获取待推荐用户的用户特征信息，以及获取若干个候选资源的资源特征信息；将所述用户特征信息和所述资源特征信息输入至资源推荐模型，得到所述资源推荐模型输出的资源推荐结果；其中，所述资源推荐模型是基于不同用户对应的资源类型偏好信息和用户嵌入式向量、各个资源对应的资源交互统计信息和资源嵌入式向量进行训练得到。本发明专利技术通过根据用户嵌入式向量、各个资源对应的资源嵌入式向量，结合资源类型偏好信息和资源交互统计信息，训练得到资源推荐模型，从而利用资源推荐模型学习得到各个资源的下载量、评论量等统计信息以及用户的类型偏好，有效提高资源推荐的准确性。准确性。准确性。

【技术实现步骤摘要】
资源推荐方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种资源推荐方法、装置、设备及存储介质。

技术介绍

[0002]随着人工智能的发展，由推荐系统带来的推荐服务基本上已经渗透到我们生活的方方面面。
[0003]目前，资源推荐方案一般是研究用户与各个资源的交互、序列，基于自然语言处理技术，对资源以及用户做嵌入式表示，进而基于资源的嵌入式向量以及用户的嵌入式向量，计算资源与用户之间的相似度，召回与搜索物品相似的待选资源，然后根据相似度的大小确定资源的推荐结果。然而，仅仅根据嵌入式向量之间的相似度来确定推荐结果，考虑因素过于单一，可能导致资源推荐的准确性较低。

技术实现思路

[0004]本专利技术提供一种资源推荐方法、装置、设备及存储介质，旨在提高资源推荐的准确性。
[0005]本专利技术提供一种资源推荐方法，包括：
[0006]获取待推荐用户的用户特征信息，以及获取若干个候选资源的资源特征信息；
[0007]将所述用户特征信息和所述资源特征信息输入至资源推荐模型，得到所述资源推荐模型输出的资源推荐结果；
[0008]其中，所述资源推荐模型是基于不同用户对应的资源类型偏好信息和用户嵌入式向量、各个资源对应的资源交互统计信息和资源嵌入式向量进行训练得到。
[0009]根据本专利技术提供的一种资源推荐方法，所述资源特征信息包括所述候选资源的目标资源交互统计信息以及目标资源嵌入式向量；所述用户特征信息包括所述待推荐用户的目标资源类型偏好信息以及目标用户嵌入式向量；
[0010]所述将所述用户特征信息和所述资源特征信息输入至至资源推荐模型，得到所述资源推荐模型输出的资源推荐结果，包括：
[0011]基于所述目标用户嵌入式向量与各所述候选资源对应的目标资源嵌入式向量，确定各所述候选资源分别对应的目标相似度；
[0012]对于任意一个候选资源，基于所述目标资源类型偏好信息、所述候选资源对应的目标相似度以及目标资源交互统计信息，形成待推荐特征信息；
[0013]将各所述待推荐特征信息输入至所述资源推荐模型，得到所述资源推荐模型输出的资源推荐结果。
[0014]根据本专利技术提供的一种资源推荐方法，所述获取若干个候选资源的资源特征信息，包括：
[0015]获取所述待推荐用户的资源查询请求；
[0016]基于所述资源查询请求，在资源特征数据库中查询得到各所述候选资源分别对应的资源特征信息；
[0017]所述资源特征数据库存储有基于不同用户的历史交互序列，利用资源嵌入式预测模型预测得到不同资源对应的资源嵌入式向量。
[0018]根据本专利技术提供的一种资源推荐方法，所述资源嵌入式预测模型是基于如下步骤训练得到：
[0019]获取不同用户对应的历史交互序列；
[0020]基于所述不同用户对应的历史交互序列，构建资源交互有向图，其中，所述资源交互有向图的图节点表征资源的资源标签；
[0021]对所述资源交互有向图中的各个图节点进行采样处理，得到若干个资源节点序列；
[0022]基于各所述资源节点序列以及各个资源对应的资源类别信息，构建得到若干个融合编码向量；
[0023]基于各所述融合编码向量，对所述资源嵌入式预测模型进行训练。
[0024]根据本专利技术提供的一种资源推荐方法，所述资源推荐模型是基于如下步骤训练得到：
[0025]获取不同用户的历史交互序列、资源类型偏好信息以及各个资源的资源交互统计信息；
[0026]对于任意一个用户的历史交互序列，将所述历史交互序列中各个资源对应的资源嵌入式向量进行聚合处理，得到用户嵌入式向量；
[0027]基于所述用户嵌入式向量和各所述资源对应的资源嵌入式向量，确定各个资源分别对应的相似度；
[0028]基于不同用户的资源类型偏好信息、各个资源分别对应的相似度以及资源交互统计信息，对所述资源推荐模型进行训练。
[0029]根据本专利技术提供的一种资源推荐方法，所述基于不同用户的资源类型偏好信息、各个资源分别对应的相似度以及资源交互统计信息，对所述资源推荐模型进行训练，包括；
[0030]基于任一用户的资源类型偏好信息、任一资源对应的相似度以及资源交互统计信息，形成若干个训练样本数据；
[0031]基于各所述用户的历史交互序列，确定各所述训练样本数据分别对应的样本标签；
[0032]基于各所述训练样本数据以及各所述训练样本数据对应的样本标签，对所述资源推荐模型进行训练。
[0033]根据本专利技术提供的一种资源推荐方法，所述对于任意一个用户的历史交互序列，将所述历史交互序列中各个资源对应的资源嵌入式向量进行聚合处理，得到用户嵌入式向量之后，还包括：
[0034]对于任意一个用户，将所述用户对应的用户基础信息、资源类型偏好信息以及用户嵌入式向量关联存储至用户特征数据库中；
[0035]相应地，所述获取待推荐用户的用户特征信息，包括：
[0036]根据所述待推荐用户的基础信息，在所述用户特征数据库中查询得到所述待推荐
用户的用户特征信息；
[0037]若在所述用户特征数据库中查询不到所述待推荐用户的用户特征信息，则基于所述基础信息，在所述用户特征数据库中查询匹配得到各个相似用户；
[0038]将各所述相似用户的用户特征数据进行聚合处理，得到所述待推荐用户的用户特征信息。
[0039]本专利技术还提供一种资源推荐装置，包括：
[0040]获取模块，用于获取待推荐用户的用户特征信息，以及获取若干个候选资源的资源特征信息；
[0041]推荐模块，用于将所述用户特征信息和所述资源特征信息输入至资源推荐模型，得到所述资源推荐模型输出的资源推荐结果；
[0042]其中，所述资源推荐模型是基于不同用户对应的资源类型偏好信息和用户嵌入式向量、各个资源对应的资源交互统计信息和资源嵌入式向量进行训练得到。
[0043]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述资源推荐方法。
[0044]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述资源推荐方法。
[0045]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述资源推荐方法。
[0046]本专利技术提供的资源推荐方法、装置、设备及存储介质，通过根据用户嵌入式向量、各个资源对应的资源嵌入式向量，结合资源类型偏好信息和资源交互统计信息，训练得到资源推荐模型，从而根据待推荐用户的用户特征信息以及若干个候选资源的资源特征信息，利用资源推荐模型学习得到各个资源的下载量、评论量等统计信息以及用户的类型偏好，有效提高资源推荐的准确性。
附图说明
[0047]为了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种资源推荐方法，其特征在于，包括：获取待推荐用户的用户特征信息，以及获取若干个候选资源的资源特征信息；将所述用户特征信息和所述资源特征信息输入至资源推荐模型，得到所述资源推荐模型输出的资源推荐结果；其中，所述资源推荐模型是基于不同用户对应的资源类型偏好信息和用户嵌入式向量、各个资源对应的资源交互统计信息和资源嵌入式向量进行训练得到。2.根据权利要求1所述的资源推荐方法，其特征在于，所述资源特征信息包括所述候选资源的目标资源交互统计信息以及目标资源嵌入式向量；所述用户特征信息包括所述待推荐用户的目标资源类型偏好信息以及目标用户嵌入式向量；所述将所述用户特征信息和所述资源特征信息输入至至资源推荐模型，得到所述资源推荐模型输出的资源推荐结果，包括：基于所述目标用户嵌入式向量与各所述候选资源对应的目标资源嵌入式向量，确定各所述候选资源分别对应的目标相似度；对于任意一个候选资源，基于所述目标资源类型偏好信息、所述候选资源对应的目标相似度以及目标资源交互统计信息，形成待推荐特征信息；将各所述待推荐特征信息输入至所述资源推荐模型，得到所述资源推荐模型输出的资源推荐结果。3.根据权利要求1所述的资源推荐方法，其特征在于，所述获取若干个候选资源的资源特征信息，包括：获取所述待推荐用户的资源查询请求；基于所述资源查询请求，在资源特征数据库中查询得到各所述候选资源分别对应的资源特征信息；所述资源特征数据库存储有基于不同用户的历史交互序列，利用资源嵌入式预测模型预测得到不同资源对应的资源嵌入式向量。4.根据权利要求3所述的资源推荐方法，其特征在于，所述资源嵌入式预测模型是基于如下步骤训练得到：获取不同用户对应的历史交互序列；基于所述不同用户对应的历史交互序列，构建资源交互有向图，其中，所述资源交互有向图的图节点表征资源的资源标签；对所述资源交互有向图中的各个图节点进行采样处理，得到若干个资源节点序列；基于各所述资源节点序列以及各个资源对应的资源类别信息，构建得到若干个融合编码向量；基于各所述融合编码向量，对所述资源嵌入式预测模型进行训练。5.根据权利要求1所述的资源推荐方法，其特征在于，所述资源推荐模型是基于如下步骤训练得到：获取不同用户的历史交互序列、资源类型偏好信息以及各个资源的资源交互统计信息；对于任意一个用户的历史交互序列，将所述历史交互序列中各个资源对应的资源嵌入式向...

【专利技术属性】
技术研发人员：孟海涛，
申请(专利权)人：科大讯飞股份有限公司，
类型：发明
国别省市：