【技术实现步骤摘要】
基于推荐模型的资源推荐方法、装置、电子设备和介质
[0001]本公开涉及人工智能
，尤其涉及深度学习
，具体涉及一种基于推荐模型的资源推荐方法、推荐模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
技术介绍
[0002]人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
[0003]随着互联网技术的发展，推荐系统取得了快速的发展。推荐系统借助机器学习技术，基于对用户行为的挖掘，洞察用户的兴趣偏好，进而基于用户的兴趣偏好，自动化地为用户生成个性化的内容推荐，提高用户的浏览体验。
[0004]在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描...
【技术保护点】
【技术特征摘要】
1.一种基于推荐模型的资源推荐方法，所述推荐模型包括多个专家网络和多个门控网络，其中，所述多个专家网络对应于多个用户群体，所述多个门控网络对应于多个场景，所述方法包括：获取用户的行为数据和候选资源；基于所述行为数据和所述候选资源提取特征信息；将所述特征信息输入所述多个专家网络，获取专家网络的第一输出，其中，专家网络的第一输出具有对应的用户群体的特征表示；将专家网络的第一输出分别输入所述多个门控网络，获取门控网络的第二输出，其中，所述第二输出包括在对应的场景下所述候选资源针对多个推荐因子的推荐权重；以及针对所述多个场景中的至少一个场景，基于针对所述多个推荐因子的推荐权重，确定是否在该场景下推荐所述候选资源。2.根据权利要求1所述的方法，其中，所述基于所述行为数据和所述候选资源提取特征信息包括：基于所述行为数据，提取所述用户的历史点击通过率数据和所述用户的历史浏览时长数据，以用于确定用户特征信息；基于所述候选资源，提取所述候选资源对应的资源类型和所述候选资源被推荐时所在的位置，以用于确定候选资源特征信息；以及基于所述用户特征信息和所述候选资源特征信息，确定所述特征信息。3.根据权利要求2所述的方法，其中，所述多个专家网络中的每个专家网络包括宽层和深层，所述将所述特征信息输入所述多个专家网络包括：将所述特征信息中的用户特征信息输入所述多个专家网络的深层；以及将所述特征信息中的候选资源特征信息输入所述多个专家网络的宽层。4.根据权利要求1
‑
3中任一项所述的方法，其中，所述多个场景包括首屏场景和非首屏场景。5.根据权利要求1
‑
4中任一项所述的方法，其中，所述多个推荐因子包括：所述候选资源的历史点击通过率、所述候选资源的历史浏览时长、所述用户的历史点击通过率和所述用户的历史浏览时长。6.一种推荐模型的训练方法，所述推荐模型包括多个专家网络和多个门控网络，其中，所述多个专家网络对应于多个用户群体，所述多个门控网络对应于多个场景，所述方法包括：获取样本用户的行为数据和多个样本候选资源；针对所述多个样本候选资源中的每个样本候选资源，基于所述样本用户的行为数据和该样本候选资源提取样本特征信息；将所述样本特征信息输入所述多个专家网络，获取专家网络的第三输出；将专家网络的第三输出分别输入所述多个门控网络，获取门控网络的第四输出，其中，所述第四输出包括在对应的场景下该样本候选资源针对多个推荐因子的推荐权重；基于针对所述多个推荐因子的推荐权重，计算该样本候选资源在每个场景下的推荐分数；针对每个场景，
基于每个样本候选资源在该场景下的推荐分数，在该场景中推荐所述多个样本候选资源中的至少一个样本候选资源；获取所述样本用户针对所推荐的至少一个样本候选资源的反馈行为；以及基于所述反馈行为，调整所述推荐模型的参数。7.根据权利要求6所述的方法，其中，所述基于所述样本用户的行为数据和该样本候选资源提取样本特征信息包括：基于所述样本用户的行为数据，提取所述样本用户的历史点击通过率数据和所述样本用户的历史浏览时长数据，以用于确定样本用户特征信息；基于该样本候选资源，提取该样本候选资源对应的资源类型和该样本候选资源被推荐时所在的位置，以用于确定样本候选资源特征信息；以及基于所述样本用户特征信息和样本候选资源特征信息，确定所述样本特征信息。8.根据权利要求7所述的方法，其中，所述多个专家网络中的每个专家网络包括宽层和深层，所述将所述样本特征信息输入所述多个专家网络包括：...
【专利技术属性】
技术研发人员：孙倩，
申请(专利权)人：北京百度网讯科技有限公司，
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。