信息推荐方法、用于信息推荐的神经网络模型的训练方法技术

本申请提供了一种信息推荐方法、用于信息推荐的神经网络模型的训练方法；其中，信息推荐方法包括：获取向对象待发送的至少一条多模式信息，其中，每条多模式信息包括多个展示策略；获取多个展示策略分别对应的展示策略特征信息以及对象的对象特征信息；基于每个展示策略特征信息以及对象特征信息，调用神经网络模型进行预测处理，得到每个展示策略对应的排序参数，其中，神经网络模型是基于已经应用过的多个展示策略样本的排序结果进行训练得到的；确定每条多模式信息对应的目标展示策略；基于分别应用有对应的目标展示策略的至少一条多模式信息，执行针对对象的推荐操作。通过本申请，能够优化推荐效果，提升推荐资源的利用率。提升推荐资源的利用率。提升推荐资源的利用率。

【技术实现步骤摘要】
信息推荐方法、用于信息推荐的神经网络模型的训练方法


[0001]本申请涉及人工智能及大数据
，尤其涉及一种信息推荐方法、用于信息推荐的神经网络模型的训练方法。

技术介绍

[0002]人工智能(AI，Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
[0003]信息推荐是人工智能的一个重要分支，也涉及到云技术的大数据处理，主要研究针对一个特定的对象，如何将合适的信息推荐至该对象。对于包括多个展示策略的多模式信息，例如包括多个创意的多创意广告来说，在相关技术提供的方案中，通常是应用随机策略，即一个多创意广告包括的所有创意是按照均等概率进行推荐的。但是，这种方式容易导致推荐效果不佳，进而导致推荐资源的利用率低。

技术实现思路

[0004]本申请实施例提供一种信息推荐方法、用于信息推荐的神经网络模型的训练方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够优化推荐效果，提升推荐资源的利用率。
[0005]本申请实施例的技术方案是这样实现的：
[0006]本申请实施例提供一种信息推荐方法，包括：
[0007]获取向对象待发送的至少一条多模式信息，其中，每条所述多模式信息包括多个展示策略；
[0008]获取所述多个展示策略分别对应的展示策略特征信息以及所述对象的对象特征信息；
[0009]基于每个所述展示策略特征信息以及所述对象特征信息，调用神经网络模型进行预测处理，得到每个所述展示策略对应的排序参数，其中，所述神经网络模型是基于已经应用过的多个展示策略样本的排序结果进行训练得到的；
[0010]确定每条所述多模式信息对应的目标展示策略，其中，所述目标展示策略是所述多模式信息中具有最大的所述排序参数的所述展示策略；
[0011]基于分别应用有所述对应的目标展示策略的所述至少一条多模式信息，执行针对所述对象的推荐操作。
[0012]本申请实施例提供一种信息推荐装置，包括：
[0013]获取模块，用于获取向对象待发送的至少一条多模式信息，其中，每条所述多模式信息包括多个展示策略；
[0014]所述获取模块，还用于获取所述多个展示策略分别对应的展示策略特征信息以及
所述对象的对象特征信息；
[0015]预测模块，用于基于每个所述展示策略特征信息以及所述对象特征信息，调用神经网络模型进行预测处理，得到每个所述展示策略对应的排序参数，其中，所述神经网络模型是基于已经应用过的多个展示策略样本的排序结果进行训练得到的；
[0016]确定模块，用于确定每条所述多模式信息对应的目标展示策略，其中，所述目标展示策略是所述多模式信息中具有最大的所述排序参数的所述展示策略；
[0017]推荐模块，用于基于分别应用有所述对应的目标展示策略的所述至少一条多模式信息，执行针对所述对象的推荐操作。
[0018]本申请实施例提供一种用于信息推荐的神经网络模型的训练方法，包括：
[0019]获取多个多模式信息样本分别对应的展示策略排序结果，其中，所述展示策略排序结果是基于所述多模式信息样本中的展示策略样本的推荐参数进行排序得到的；
[0020]基于所述展示策略排序结果采样得到多个展示策略样本；
[0021]基于所述多个展示策略样本调用初始化的所述神经网络模型执行训练任务，以更新所述神经网络模型的参数；
[0022]基于更新后的所述参数生成训练后的所述神经网络模型。
[0023]本申请实施例提供一种用于信息推荐的神经网络模型的训练装置，包括：
[0024]获取模块，用于获取多个多模式信息样本分别对应的展示策略排序结果，其中，所述展示策略排序结果是基于所述多模式信息样本中的展示策略样本的推荐参数进行排序得到的；
[0025]采样模块，用于基于所述展示策略排序结果采样得到多个展示策略样本；
[0026]执行模块，用于基于所述多个展示策略样本调用初始化的所述神经网络模型执行训练任务，以更新所述神经网络模型的参数；
[0027]生成模块，用于基于更新后的所述参数生成训练后的所述神经网络模型。
[0028]本申请实施例提供一种电子设备，包括：
[0029]存储器，用于存储可执行指令；
[0030]处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的信息推荐方法，或者用于信息推荐的神经网络模型的训练方法。
[0031]本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，用于被处理器执行时，实现本申请实施例提供的信息推荐方法，或者用于信息推荐的神经网络模型的训练方法。
[0032]本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，用于被处理器执行时，实现本申请实施例提供的信息推荐方法，或者用于信息推荐的神经网络模型的训练方法。
[0033]本申请实施例具有以下有益效果：
[0034]基于已经应用过的多个展示策略样本的排序结果对神经网络模型进行训练，使得神经网络模型能够从排序结果中学习准确预测多个展示策略的推荐参数的能力，如此，针对待发送的至少一条多模式信息，能够通过神经网络模型为每条多模式信息筛选出最佳的展示策略进行应用，加强了推荐的针对性和精准性，使得最终筛选出的展示策略能够更加符合对象的需求，提升了推荐资源的利用率。
附图说明
[0035]图1是本申请实施例提供的广告管理系统的架构示意图；
[0036]图2是本申请实施例提供的基于MAB的广告创意优选策略的原理示意图；
[0037]图3是本申请实施例提供的信息推荐系统100的架构示意图；
[0038]图4A是本申请实施例提供的服务器200的结构示意图；
[0039]图4B是本申请实施例提供的服务器200的结构示意图；
[0040]图5是本申请实施例提供的用于信息推荐的神经网络模型的训练方法的流程示意图；
[0041]图6是本申请实施例提供的信息推荐方法的流程示意图；
[0042]图7是本申请实施例提供的信息推荐方法的流程示意图；
[0043]图8A是本申请实施例提供的神经网络模型的训练阶段和预测阶段的原理示意图；
[0044]图8B是本申请实施例提供的神经网络模型的训练阶段和预测阶段的原理示意图；
[0045]图9是本申请实施例提供的信息推荐方法的流程示意图；
[0046]图10是本申请实施例提供的广告管理系统的架构示意图；
[0047]图11A是本申请实施例提供的tLTR模型的结构示意图；
[0048]图11B是本申请实施例提供的tLTR模型的结构示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息推荐方法，其特征在于，所述方法包括：获取向对象待发送的至少一条多模式信息，其中，每条所述多模式信息包括多个展示策略；获取所述多个展示策略分别对应的展示策略特征信息以及所述对象的对象特征信息；基于每个所述展示策略特征信息以及所述对象特征信息，调用神经网络模型进行预测处理，得到每个所述展示策略对应的排序参数，其中，所述神经网络模型是基于已经应用过的多个展示策略样本的排序结果进行训练得到的；确定每条所述多模式信息对应的目标展示策略，其中，所述目标展示策略是所述多模式信息中具有最大的所述排序参数的所述展示策略；基于分别应用有所述对应的目标展示策略的所述至少一条多模式信息，执行针对所述对象的推荐操作。2.根据权利要求1所述的方法，其特征在于，所述基于每个所述展示策略特征信息以及所述对象特征信息，调用神经网络模型进行预测处理，得到每个所述展示策略对应的排序参数，包括：针对每个所述展示策略特征信息，调用所述神经网络模型执行以下处理：分别对所述展示策略特征信息以及所述对象特征信息进行向量化处理，对应得到所述展示策略的展示策略特征向量以及所述对象的对象特征向量；对所述展示策略特征向量以及所述对象特征向量进行编码处理，得到隐层特征向量；对所述隐层特征向量进行激活处理，得到所述展示策略的排序参数。3.根据权利要求2所述的方法，其特征在于，所述编码处理是通过调用所述神经网络模型的至少一个隐藏层实现的，当所述至少一个隐藏层的数量为多个时，多个所述隐藏层依次级联形成一个塔式网络；所述对所述展示策略特征向量以及所述对象特征向量进行编码处理，得到隐层特征向量，包括：对所述展示策略特征向量和所述对象特征向量进行拼接处理，得到拼接向量；调用所述塔式网络对所述拼接向量进行编码处理，得到隐层特征向量。4.根据权利要求3所述的方法，其特征在于，在对所述展示策略特征向量以及所述对象特征向量进行编码处理，得到隐层特征向量之前，所述方法还包括：获取所述至少一条多模式信息的数据量；响应于所述数据量小于数据量阈值，转入执行基于所述展示策略特征向量以及所述对象特征向量调用所述塔式网络进行编码处理的步骤。5.根据权利要求3所述的方法，其特征在于，所述调用所述塔式网络对所述拼接向量进行编码处理，得到隐层特征向量，包括：通过所述塔式网络的第一个隐藏层，对所述拼接向量进行编码处理；将所述第一个隐藏层输出的编码结果输入至后续级联的隐藏层，并通过所述后续级联的隐藏层继续进行编码处理，直至最后一个隐藏层；将所述最后一个隐藏层输出的编码结果，确定为所述隐层特征向量。6.根据权利要求2所述的方法，其特征在于，所述编码处理是通过调用所述神经网络模型的至少一个隐藏层实现的，当所述至少一
个隐藏层的数量为多个时，多个所述隐藏层分为两组，第一组的所述多个隐藏层依次级联形成第一塔式网络，第二组的所述多个隐藏层依次级联形成第二塔式网络；所述对所述展示策略特征向量以及所述对象特征向量进行编码处理，得到隐层特征向量，包括：针对每个所述展示策略特征向量执行以下处理：调用所述第一塔式网络对所述对象特征向量进行编码处理，得到第一子隐层特征向量；调用所述第二塔式网络对所述展示策略特征向量进行编码处理，得到第二子隐层特征向量；对所述第一子隐层特征向量和所述第二子隐层特征向量进行点乘处理，得到隐层特征向量。7.根据权利要求6所述的方法，其特征在于，在对所述展示策略特征向量以及所述对象特征向量进行编码处理，得到隐层特征向量之前，所述方法还包括：获取所述至少一条多模式信息的数据量；响应于所述数据量大于或等于数据量阈值，转入执行基于所述对象特征向量以及所述展示策略特征向量，分别调用所述第一塔式网络以及所述第二塔式网络进行编码处理的步骤。8.根据权利要求2所述的方法，其特征在于，所述分别对所述展示策略特征信息以及所述对象特征信息进行向量化处理，对应得到所述展示策略的展示策略特征向量以及所述对象的对象特征向量，包括：对所述展示策略特征信息进行独热编码处理，得到第一独热编码向量；对所述第一独热编码向量进行词嵌入处理，得到所述展示策略的展示策略特征向量；对所述对象特征信息进行独热编码处理，得到第二独热编码向量；对所述第二独热编码向量进行词嵌入处理，得到所述对象的对象特征向量。9.根据权利要求8所述的方法，其特征在于，所述神经网络模型的输入层包括与多个领域分别对应的多个子输入层；所述对所述对象特征信息进行独热编码处理，得到第二独热编码向量，包括：确定所述对象所属的领域；调用与所述领域对应的所述子输入层对所述对象特征信息进行独热编码处理，得到第二独热编码向量。10.根据权利要求1
‑
9任一项所述的方法，其特征在于，在调用所述神经网络模型进行预测处理之前，所述方法还包括：获取多个多模式信息样本分别对应的展示策略排序结果，其中，所述展示策略排序结果是基于所述多模式信息样本中的展示策略样本的推荐参数进行排序得到的；基于所述展示策略排序结果采样得到多个展示策略样本；对所述多个展示策略样本进行两两组合处理，得到多个展示策略样本对；比较每个所述展示策略样本对包括的两个所述展示策略样本的推荐参数，并根据比较结果生成每个所述展示策略样本对的标签数据；基于所述多个展示策略样本对以及对应的所述标签数据，训练所述神经网络模型。
11.根据权利要求10所述的方法，其特征在于，所述根据比较结果生成每个所述展示策略样本对的标签数据，包括：针对每个所述展示策略样本对执行以下处理：当所述展示策略样本对中第一个展示策略样本的推荐参数大于第二个展示策略样本的推荐参数时，将所述展示策略样本对的标签数据确定为1；当所述展示策略样本对中第一个展示策略样本的推荐参数小于第二个展示策略样本的推荐参数时，将所述展示策略样本对的标签数据确定为0。12.根据权利要求10所述的方法，其特征在于，所述基于所述展示策略排序结果采样得到多个展示策略样本，包括：根据所述神经网络模型的训练速度，确定采样的比例，其中，所述比例与所述训练速度负相关；按照所述比例对每个所述多模式信息样...

【专利技术属性】
技术研发人员：喻先哲，李敏丽，杨建博，
申请(专利权)人：腾讯科技上海有限公司，
类型：发明
国别省市：