信息推荐方法、装置、设备及计算机可读存储介质制造方法及图纸

本申请实施例提供一种信息推荐方法、装置、设备及计算机可读存储介质，至少应用于人工智能领域，包括：对目标域行为序列和源域行为序列分别进行兴趣特征提取，得到目标域兴趣特征和一阶源域兴趣特征；源域包括目标对象已有信息的数据特征，目标域至少包括目标对象的待学习信息的数据特征；对目标域兴趣特征和一阶源域兴趣特征进行兴趣特征融合处理，对目标域兴趣特征和源域融合兴趣特征进行跨域聚合处理，得到聚合兴趣特征；基于聚合兴趣特征，对目标域的目标推荐对象进行信息推荐。通过本申请，能够利用源域充分的目标对象行为，指导目标域用户兴趣特征的表示，从而缓解目标域目标对象行为的稀疏性，提升目标域推荐准确性。提升目标域推荐准确性。提升目标域推荐准确性。

【技术实现步骤摘要】
信息推荐方法、装置、设备及计算机可读存储介质


[0001]本申请实施例涉及人工智能
，涉及但不限于一种信息推荐方法、装置、设备及计算机可读存储介质。

技术介绍

[0002]随着大数据时代的到来，推荐系统已经进入人们生活的方方面面。点击率(CTR，Click Through Rate)预估模块作为推荐系统中的核心模块发展迅速，从最早的稀疏浅层模型到深度模型，再到序列和图模型，模型复杂度越来越高，使用的信息越来越全面，所需要的训练数据规模也越来越大。而现实生活中的推荐系统往往存在数据稀疏、冷启动等问题，尤其是很多业务往往存在多个场景，这些场景规模存在差异，场景间既存在共性又存在不同，如何结合不同域数据的特点，充分利用多场景的信息就成为一个非常关键的问题，因此近年来跨域推荐(CDR，Cross
‑
domain Recommendation)逐渐受到人们的关注。
[0003]相关技术中，通常是基于源域和目标域行为序列建模进行跨域推荐，但是，相关技术中的方法，在进行跨域推荐时，跨域兴趣特征表征不全面、且跨域兴趣特征融合不充分，从而导致跨域推荐的准确性较低。

技术实现思路

[0004]本申请实施例提供一种信息推荐方法、装置、设备及计算机可读存储介质，至少应用于人工智能领域，能够利用源域充分的目标对象行为，指导目标域用户兴趣特征的表示，从而缓解目标域目标对象行为的稀疏性，提升目标域推荐准确性。
[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，所述方法包括：
[0007]获取目标对象在目标域中的目标域行为序列和在源域中的源域行为序列；其中，所述源域包括所述目标对象已有信息的数据特征，所述目标域至少包括所述目标对象的待学习信息的数据特征；对所述目标域行为序列和所述源域行为序列分别进行兴趣特征提取，对应得到目标域兴趣特征和一阶源域兴趣特征；对所述目标域兴趣特征和所述一阶源域兴趣特征进行兴趣特征融合处理，得到源域融合兴趣特征；对所述目标域兴趣特征和所述源域融合兴趣特征进行跨域聚合处理，得到聚合兴趣特征；基于所述聚合兴趣特征，对所述目标域的目标推荐对象进行信息推荐，其中，所述目标对象的待学习信息至少包括所述目标推荐对象。
[0008]在一些实施例中，对目标域行为序列进行兴趣特征提取，得到目标域兴趣特征，包括：基于自注意力机制，对所述目标域行为序列进行向量表示，得到目标域行为向量；获取所述目标域中的每一推荐对象的第一对象信息、所述目标对象的第二对象信息、与当前推荐场景对应的上下文信息；基于所述第一对象信息、所述第二对象信息和所述上下文信息，生成目标域查询向量；基于所述目标域查询向量，对所述目标域行为向量进行聚合处理，得到所述目标域兴趣特征。
[0009]在一些实施例中，所述基于所述第一对象信息、所述第二对象信息和所述上下文信息，生成目标域查询向量，包括：分别对所述第一对象信息、所述第二对象信息和所述上下文信息进行特征提取，得到第一对象特征向量、第二对象特征向量和上下文特征向量；对所述第一对象特征向量、所述第二对象特征向量和所述上下文特征向量进行拼接处理，得到第一拼接向量；将所述第一拼接向量确定为所述目标域查询向量。
[0010]在一些实施例中，对源域行为序列进行兴趣特征提取，得到一阶源域兴趣特征，包括：基于自注意力机制，对所述源域行为序列进行向量表示，得到源域行为向量；获取所述目标对象的第二对象信息、与当前推荐场景对应的上下文信息；基于所述第二对象信息和所述上下文信息，生成源域查询向量；基于所述源域查询向量，对所述源域行为向量进行合并处理，得到原始源域兴趣特征；获取空间转换参数；采用所述空间转换参数，对所述原始源域兴趣特征进行空间转换，得到所述一阶源域兴趣特征。
[0011]在一些实施例中，所述基于所述第二对象信息和所述上下文信息，生成源域查询向量，包括：分别对所述第二对象信息和所述上下文信息进行特征提取，得到第二对象特征向量和上下文特征向量；对所述第二对象特征向量和所述上下文特征向量进行拼接处理，得到第二拼接向量；将所述第二拼接向量确定为所述源域查询向量。
[0012]在一些实施例中，所述对所述目标域兴趣特征和所述一阶源域兴趣特征进行兴趣特征融合处理，得到源域融合兴趣特征，包括：对所述目标域兴趣特征和所述一阶源域兴趣特征进行映射处理，得到二阶源域兴趣特征；对所述一阶源域兴趣特征和所述二阶源域兴趣特征进行源域特征融合处理，得到所述源域融合兴趣特征。
[0013]在一些实施例中，所述对所述目标域兴趣特征和所述一阶源域兴趣特征进行映射处理，得到二阶源域兴趣特征，包括：对所述目标域兴趣特征和所述一阶源域兴趣特征进行向量哈达玛积运算，得到融合兴趣向量；基于每一推荐对象的第一对象信息和所述融合兴趣向量，生成融合查询向量；基于所述融合查询向量，对所述源域行为向量进行聚合处理，得到源域聚合兴趣特征；采用所述空间转换参数，对所述源域聚合兴趣特征进行空间转换，得到所述二阶源域兴趣特征。
[0014]在一些实施例中，所述对所述一阶源域兴趣特征和所述二阶源域兴趣特征进行源域特征融合处理，得到所述源域融合兴趣特征，包括：对所述一阶源域兴趣特征和所述二阶源域兴趣特征进行元素对应叠加，得到所述源域融合兴趣特征。
[0015]在一些实施例中，所述对所述目标域兴趣特征和所述源域融合兴趣特征进行跨域聚合融合处理，得到聚合兴趣特征，包括：通过门控网络分别为所述目标域兴趣特征、所述源域融合兴趣特征和所述融合兴趣向量对应分配目标域权重、源域权重和融合权重；基于所述目标域权重、所述源域权重和所述融合权重，对所述目标域兴趣特征、所述源域融合兴趣特征和所述融合兴趣向量进行加权融合，得到加权融合向量；将所述加权融合向量确定为所述聚合兴趣特征。
[0016]在一些实施例中，所述通过门控网络分别为所述目标域兴趣特征、所述源域融合兴趣特征和所述融合兴趣向量对应分配目标域权重、源域权重和融合权重，包括：基于所述目标对象的第二对象信息、所述目标域兴趣特征、所述源域融合兴趣特征、所述融合兴趣向量、与当前推荐场景对应的上下文信息，通过所述门控网络，分别为所述目标域兴趣特征、所述源域融合兴趣特征和所述融合兴趣向量对应分配所述目标域权重、所述源域权重和所
述融合权重。
[0017]在一些实施例中，所述基于所述聚合兴趣特征，对所述目标域的目标推荐对象进行信息推荐，包括：基于所述聚合兴趣特征，生成模型输入向量；将所述模型输入向量输入至信息推荐模型中；通过所述信息推荐模型，确定所述目标对象对所述目标域中的每一推荐对象进行交互的交互概率；基于所述交互概率，从所述目标域中的推荐对象中确定出所述目标推荐对象；对所述目标推荐对象进行信息推荐。
[0018]在一些实施例中，所述基于所述聚合兴趣特征，生成模型输入向量，包括：获取所述目标域中的每一推荐对象的第一对象信息、所述目标对象的第二对象信息、与当前推荐场景对应的上下文信息；分别对所述第一对本文档来自技高网...

【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：获取目标对象在目标域中的目标域行为序列和在源域中的源域行为序列；其中，所述源域包括所述目标对象已有信息的数据特征，所述目标域至少包括所述目标对象的待学习信息的数据特征；对所述目标域行为序列和所述源域行为序列分别进行兴趣特征提取，对应得到目标域兴趣特征和一阶源域兴趣特征；对所述目标域兴趣特征和所述一阶源域兴趣特征进行兴趣特征融合处理，得到源域融合兴趣特征；对所述目标域兴趣特征和所述源域融合兴趣特征进行跨域聚合处理，得到聚合兴趣特征；基于所述聚合兴趣特征，对所述目标域的目标推荐对象进行信息推荐，其中，所述目标对象的待学习信息至少包括所述目标推荐对象。2.根据权利要求1所述的方法，其特征在于，对目标域行为序列进行兴趣特征提取，得到目标域兴趣特征，包括：基于自注意力机制，对所述目标域行为序列进行向量表示，得到目标域行为向量；获取所述目标域中的每一推荐对象的第一对象信息、所述目标对象的第二对象信息、与当前推荐场景对应的上下文信息；基于所述第一对象信息、所述第二对象信息和所述上下文信息，生成目标域查询向量；基于所述目标域查询向量，对所述目标域行为向量进行聚合处理，得到所述目标域兴趣特征。3.根据权利要求2所述的方法，其特征在于，所述基于所述第一对象信息、所述第二对象信息和所述上下文信息，生成目标域查询向量，包括：分别对所述第一对象信息、所述第二对象信息和所述上下文信息进行特征提取，得到第一对象特征向量、第二对象特征向量和上下文特征向量；对所述第一对象特征向量、所述第二对象特征向量和所述上下文特征向量进行拼接处理，得到第一拼接向量；将所述第一拼接向量确定为所述目标域查询向量。4.根据权利要求1所述的方法，其特征在于，对源域行为序列进行兴趣特征提取，得到一阶源域兴趣特征，包括：基于自注意力机制，对所述源域行为序列进行向量表示，得到源域行为向量；获取所述目标对象的第二对象信息、与当前推荐场景对应的上下文信息；基于所述第二对象信息和所述上下文信息，生成源域查询向量；基于所述源域查询向量，对所述源域行为向量进行合并处理，得到原始源域兴趣特征；获取空间转换参数；采用所述空间转换参数，对所述原始源域兴趣特征进行空间转换，得到所述一阶源域兴趣特征。5.根据权利要求4所述的方法，其特征在于，所述基于所述第二对象信息和所述上下文信息，生成源域查询向量，包括：分别对所述第二对象信息和所述上下文信息进行特征提取，得到第二对象特征向量和
上下文特征向量；对所述第二对象特征向量和所述上下文特征向量进行拼接处理，得到第二拼接向量；将所述第二拼接向量确定为所述源域查询向量。6.根据权利要求4所述的方法，其特征在于，所述对所述目标域兴趣特征和所述一阶源域兴趣特征进行兴趣特征融合处理，得到源域融合兴趣特征，包括：对所述目标域兴趣特征和所述一阶源域兴趣特征进行映射处理，得到二阶源域兴趣特征；对所述一阶源域兴趣特征和所述二阶源域兴趣特征进行源域特征融合处理，得到所述源域融合兴趣特征。7.根据权利要求6所述的方法，其特征在于，所述对所述目标域兴趣特征和所述一阶源域兴趣特征进行映射处理，得到二阶源域兴趣特征，包括：对所述目标域兴趣特征和所述一阶源域兴趣特征进行向量哈达玛积运算，得到融合兴趣向量；基于每一推荐对象的第一对象信息和所述融合兴趣向量，生成融合查询向量；基于所述融合查询向量，对所述源域行为向量进行聚合处理，得到源域聚合兴趣特征；采用所述空间转换参数，对所述源域聚合兴趣特征进行空间转换，得到所述二阶源域兴趣特征。8.根...

【专利技术属性】
技术研发人员：乔阳，付煜文，陈亮，何秀强，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：