资源推荐方法、资源推荐模型的训练方法以及装置制造方法及图纸

本公开提供了资源推荐方法、资源推荐模型的训练方法以及装置，涉及计算机技术领域，尤其涉及人工智能、大数据、信息流等技术领域。具体实现方案为：获取目标用户的多个相似用户；从各相似用户感兴趣的资源中筛选出目标用户未浏览的资源，得到候选资源；基于多个相似用户中的用户子集对候选资源的兴趣度，对候选资源进行投票，得到候选资源的投票结果；在候选资源的投票结果满足推荐条件的情况下，将候选资源推荐给目标用户。本公开实施例中，基于候选资源的基础上引入了相似用户对候选资源的兴趣度，这种方式不仅提高了召回精度，而且节约运算资源和网络资源。约运算资源和网络资源。约运算资源和网络资源。

【技术实现步骤摘要】
资源推荐方法、资源推荐模型的训练方法以及装置


[0001]本公开涉及计算机
，尤其涉及人工智能、大数据、信息流等


技术介绍

[0002]现有技术中，传统的内容推荐方式是基于内容进行分析，进而基于分析的结果进行推荐。而协同过滤推荐是基于用户兴趣进行分析，进而实现用户对某一信息的喜好程度进行预测。协同过滤算法主要分为基于启发式和基于模型式两种。其中，基于启发式的协同过滤算法，又可以分为基于用户的协同过滤算法(User
‑
Based)和基于项目的协同过滤算法(Item
‑
Based)。但是随着资源的丰富、产品服务形式的改进，推荐资源的方式也需要不断的更新。

技术实现思路

[0003]本公开提供了一种资源推荐方法、资源推荐模型的训练方法以及装置。
[0004]根据本公开的一方面，提供了一种资源推荐方法，包括：
[0005]获取目标用户的多个相似用户；
[0006]从各相似用户感兴趣的资源中筛选出目标用户未浏览的资源，得到候选资源；
[0007]基于多个相似用户中的用户子集对候选资源的兴趣度，对候选资源进行投票，得到候选资源的投票结果；
[0008]在候选资源的投票结果满足推荐条件的情况下，将候选资源推荐给目标用户。
[0009]根据本公开的另一方面，提供了一种资源推荐模型的训练方法，包括：
[0010]获取多个样本资源；
[0011]针对每个样本资源，获取至少一个样本用户分别对样本资源的操作参数；
[0012]构建样本数据集，样本数据集中包括多条样本数据，每条样本数据中包括样本资源以及样本资源对应的一条操作参数；
[0013]基于样本数据集和初始预测模型，得到初始预测模型输出的预测兴趣度；
[0014]基于预测兴趣度对初始预测模型的模型参数进行调整，在初始预测模型的模型参数满足收敛条件的情况下，结束训练，得到兴趣度估计模型。
[0015]根据本公开的另一方面，提供了一种资源推荐装置，包括：
[0016]第一获取模块，用于获取目标用户的多个相似用户；
[0017]筛选模块，用于从各相似用户感兴趣的资源中筛选出目标用户未浏览的资源，得到候选资源；
[0018]投票模块，用于基于多个相似用户中的用户子集对候选资源的兴趣度，对候选资源进行投票，得到候选资源的投票结果；
[0019]推荐模块，用于在候选资源的投票结果满足推荐条件的情况下，将候选资源推荐给目标用户。
[0020]根据本公开的另一方面，提供了一种资源推荐模型的训练装置，包括：
[0021]第二获取模块，用于获取多个样本资源；
[0022]参数确定模块，用于针对每个样本资源，获取至少一个样本用户分别对样本资源的操作参数；
[0023]构建模块，用于构建样本数据集，样本数据集中包括多条样本数据，每条样本数据中包括样本资源以及样本资源对应的一条操作参数；
[0024]预测模块，用于基于样本数据集和初始预测模型，得到初始预测模型输出的预测兴趣度；
[0025]训练模块，用于基于预测兴趣度对初始预测模型的模型参数进行调整，在初始预测模型的模型参数满足收敛条件的情况下，结束训练，得到兴趣度估计模型。
[0026]根据本公开的另一方面，提供了一种电子设备，包括：
[0027]至少一个处理器；以及
[0028]与该至少一个处理器通信连接的存储器；其中，
[0029]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开中任一实施例的方法。
[0030]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行根据本公开中任一实施例的方法。
[0031]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开中任一实施例的方法。
[0032]本公开实施例中，基于相似用户筛选出目标用户未浏览过的资源作为候选资源，并在候选资源的基础上引入了相似用户对候选资源的兴趣度，对候选资源进行进一步筛选，该方式可以有效提高投票的精度，进而实现向目标用户推荐更加感兴趣的资源，这种方式不仅提高了召回精度，而且由于相关技术中对目标用户推荐的资源可能存在大多数用户不感兴趣的情况，基于本公开可向用户推荐的资源更为合理，可节约运算资源和网络资源。
[0033]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0034]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0035]图1是根据本公开一实施例的资源推荐方法的流程示意图；
[0036]图2是根据本公开另一实施例的资源推荐方法的流程示意图；
[0037]图3是根据本公开一实施例的资源推荐模型的训练方法的流程示意图；
[0038]图4是根据本公开一实施例的资源推荐装置的结构示意图；
[0039]图5是根据本公开一实施例的资源推荐模型的训练装置的结构示意图；
[0040]图6是用来实现本公开实施例的资源推荐方法/资源推荐的模型训练方法的电子设备的框图。
具体实施方式
[0041]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识
到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0042]相关技术中的资源推荐系统主要分为召回、排序两个阶段。基于用户的协同过滤方式(UserCF，UCF)是一种非常高效且成熟的召回方式。UCF主要考虑的是目标用户与其他用户之间的相似度，目的是向目标用户推荐兴趣相似的其他用户点击过的资源。相关技术中的UCF召回方式为把相似用户点击过的资源一视同仁，导致资源推荐的准确性仍需提高，因而导致运算资源的浪费、因推荐资源至客户端导致网络资源的浪费。
[0043]有鉴于此，为了提高运算资源和网络资源的利用率，本公开提供一种资源推荐方法，该方法充分考虑到不同用户对同一资源的兴趣度，进而可以提高召回精度，提高运算资源和网络资源的利用率。该方法的流程图如图1所示，包括以下内容：
[0044]S101，获取目标用户的多个相似用户。
[0045]在一些实施例中，可基于UCF确定目标用户的相似用户。举例来说，基于UCF构建资源的索引，供在线召回。索引例子如下：
[0046]user1[user2&0.91,user3&0.82,user4&0.71,
…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，包括：获取目标用户的多个相似用户；从各相似用户感兴趣的资源中筛选出所述目标用户未浏览的资源，得到候选资源；基于所述多个相似用户中的用户子集对所述候选资源的兴趣度，对所述候选资源进行投票，得到所述候选资源的投票结果；在所述候选资源的投票结果满足推荐条件的情况下，将所述候选资源推荐给所述目标用户。2.根据权利要求1所述的方法，其中，所述基于所述多个相似用户中的用户子集对所述候选资源的兴趣度，对所述候选资源进行投票，得到所述候选资源的投票结果，包括：从所述多个相似用户中筛选出满足预设条件的相似用户，得到所述用户子集；其中，所述预设条件包括以下中的至少一种：条件1、浏览过所述候选资源；条件2、未浏览过所述候选资源且所述候选资源在指定时间范围内已推荐给所述相似用户；确定所述用户子集中各相似用户分别对所述候选资源的兴趣度；基于所述用户子集中各相似用户分别和所述目标用户的相似度、以及所述用户子集中各相似用户分别对所述候选资源的兴趣度，确定所述候选资源的投票结果。3.根据权利要求2所述的方法，其中，所述基于所述用户子集中各相似用户分别和所述目标用户的相似度、以及所述用户子集中各相似用户分别对所述候选资源的兴趣度，确定所述候选资源的投票结果，包括：在所述用户子集包括一个相似用户的情况下，将所述一个相似用户和所述目标用户的相似度与所述一个相似用户对所述候选资源的兴趣度执行乘法操作，得到所述候选资源的投票结果；在所述用户子集包括n个相似用户的情况下，针对所述n个相似用户中的每个相似用户，将所述相似用户对所述候选资源的兴趣度确定为所述相似用户和所述目标用户的相似度的权重因子；并，对所述n个相似用户分别和所述目标用户的相似度执行加权求和操作，得到所述候选资源的投票结果其中，n为大于1的正整数。4.根据权利要求2所述的方法，其中，所述确定所述用户子集中各相似用户分别对所述候选资源的兴趣度，包括：针对所述用户子集中的每个相似用户，获取所述相似用户对所述候选资源的操作参数；将所述操作参数转换为特征值；将所述操作参数的特征值输入兴趣度估计模型，得到所述相似用户对所述候选资源兴趣度。5.根据权利要求4所述的方法，其中，所述获取所述相似用户对所述候选资源的操作参数，包括：在所述候选资源为所述相似用户的历史浏览资源的情况下，获取所述相似用户对所述候选资源的行为记录和所述相似用户对所述候选资源的行为发生概率中的至少一种，得到所述操作参数；在所述候选资源为所述相似用户未浏览过的资源的情况下，获取所述相似用户对所述候选资源的行为发生概率，得到所述操作参数。
6.根据权利要求1所述的方法，其中，所述行为记录包括以下中的至少一种：对所述候选资源的点击行为记录、阅读时长记录、点赞记录、评论记录、关注记录、收藏记录、打赏记录、购买记录、完播率；所述行为发生概率包括以下中的至少一种：对所述候选资源的预估点击率、预估阅读时长、预估点赞率、预估评论率、预估关注率、预估收藏率、预估打赏率、预估购买率。7.一种资源推荐模型的训练方法，包括：获取多个样本资源；针对每个样本资源，获取至少一个样本用户分别对所述样本资源的操作参数；构建样本数据集，所述样本数据集中包括多条样本数据，每条样本数据中包括样本资源以及所述样本资源对应的一条操作参数；基于所述样本数据集和初始预测模型，得到所述初始预测模型输出的预测兴趣度；基于所述预测兴趣度对所述初始预测模型的模型参数进行调整，在所述初始预测模型的模型参数满足收敛条件的情况下，结束训练，得到兴趣度估计模型。8.根据权利要求7所述的方法，其中，所述基于所述样本数据集和初始预测模型，得到所述初始预测模型输出的预测兴趣度，包括：对所述样本数据集进行随机负采样，得到训练集；将所述训练集中的每条样本数据分别输入所述初始预测模型，得到所述初始预测模型针对每条样本数据分别输出的预测兴趣度。9.一种资源推荐装置，包括：第一获取模块，用于获取目标用户的多个相似用户；筛选模块，用于从各相似用户感兴趣的资源中筛选出所述目标用户未浏览的资源，得到候选资源；投票模块，用于基于所述多个相似用户中的用户子集对所述候选资源的兴趣度...

【专利技术属性】
技术研发人员：肖涛，李善涛，
申请(专利权)人：百度时代网络技术北京有限公司，
类型：发明
国别省市：