一种推荐方法及装置制造方法及图纸

本公开涉及人工智能技术领域，提供了一种推荐方法、装置、计算机设备及计算机可读存储介质。该方法可以提高推荐策略模型对于目标对象对应的目标推荐策略的预测的精准度，可以实现线上指标的进一步提升，以及，可以灵活的针对不同用户和对象(例如商品)给予不同的推荐策略，可以弥补对于用户线上实时行为反应滞后的不足；同时，可以进一步提高整体环节的数据质量，为后续召回和排序模型的迭代贡献了更为干净和高质量的模型训练样本数据，降低了推荐策略模型有偏的概率，以及，推荐策略模型可以有更高的可解释性，利于模型策略接待升级，并且推荐策略模型对线上数据比较敏感，可以快速根据数据分布调整目标对象对应的目标推荐策略。略。略。

【技术实现步骤摘要】
一种推荐方法及装置


[0001]本公开涉及人工智能
，尤其涉及一种推荐方法及装置。

技术介绍

[0002]随着深度学习的发展，工业推荐系统在探索用户兴趣和减缓信息过载取得了持续的进步。在一个典型的工业推荐场景中(如常见的首页信息流、商品详情页和短视频)，一个经过排序的、最贴近用户兴趣的最终推荐列表被推荐给用户。一个标准的工业推荐系统通常由三个阶段依次组成：召回、排序和重排。一直以来，召回和排序得到了持续的关注和长足的发展，而重排，由于其直接决定了最终透出的商品及其展示顺序，也在逐渐受到关注并且展示出极大的潜力。随着对重排问题及其特性理解的深入，各种各样的重排方法被提出。其中，通过对业务场景进行不同维度的分析得到的针对不同用户群的重排策略是较容易上线且收益可观的重排模块。如何针对不同的用户群体选择合适的重排策略是一个关键问题，直接影响线上策略效果。
[0003]在互联网电子商务推荐场景中，系统通过召回和排序阶段给出最贴近用户兴趣的物品列表。但随着互联网业务的实现目标的不同，如常见的点击率、转化率或GMV，需要采用不同的重排策略来提升本文档来自技高网...

【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：获取目标用户的用户属性特征、目标对象的对象属性特征以及所述目标用户和所述目标对象之间的交互行为特征；将所述目标用户的用户属性特征、所述目标对象的对象属性特征以及所述目标用户和所述目标对象之间的交互行为特征输入已训练的推荐策略模型，得到所述目标对象对应的目标推荐策略；基于所述目标对象对应的目标推荐策略，向所述目标用户推荐所述目标对象；获取所述目标用户针对所述目标对象的目标交互结果，以及，根据所述目标交互结果确定所述目标推荐策略对应的奖励值；利用所述目标用户的用户属性特征、所述目标对象的对象属性特征、所述目标用户和所述目标对象之间的交互行为特征、所述目标推荐策略和所述目标推荐策略对应的奖励值，对所述推荐策略模型的模型参数进行调整。2.根据权利要求1所述的方法，其特征在于，所述推荐策略模型为分类模型。3.根据权利要求1所述的方法，其特征在于，所述将所述目标用户的用户属性特征、所述目标对象的对象属性特征以及所述目标用户和所述目标对象之间的交互行为特征输入已训练的推荐策略模型，得到所述目标对象对应的目标推荐策略，包括：将所述目标用户的用户属性特征、所述目标对象的对象属性特征以及所述目标用户和所述目标对象之间的交互行为特征输入已训练的推荐策略模型，得到所述目标对象的对应的候选推荐策略以及各个候选推荐策略对应的交互转化概率；根据所述目标对象的对应的候选推荐策略以及各个候选推荐策略对应的交互转化概率，确定所述目标对象对应的目标推荐策略。4.根据权利要求1所述的方法，其特征在于，所述推荐策略模型是基于历史交互训练样本集训练得到的，所述历史交互训练样本集包括若干组历史交互训练样本，且每组历史交互训练样本均包括一历史对象属性特征、一历史交互行为特征、一历史用户属性特征和历史目标对象对应的真实推荐策略。5.根据权利要求4所述的方法，其特征在于，所述推荐策略模型的训练过程包括：针对所述历史交互训练样本集中每组历史交互训练样本，将所述历史交互训练样本中的历史对象属性特征、历史交互行为特征和历史用户属性特征输入所述推荐策略模型中，得到历史目标对象对应的预测推荐策略；以及，根据所述历史目标对象对应的预测...

【专利技术属性】
技术研发人员：姜佳，暴宇健，
申请(专利权)人：北京龙智数科科技服务有限公司，
类型：发明
国别省市：