信息推荐方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了一种信息推荐方法、装置、电子设备及存储介质，涉及云技术、大数据、多媒体等技术领域。该方法包括：获取包括n个第一对象的特征向量的待处理数据集，第一对象为候选推荐对象或候选被推荐物品；将待处理数据集划分为k个数据子集；对于每个数据子集，基于该数据子集中各第一对象的特征向量，获得该数据子集对应的各第一对象之间的第一相似度；根据k个数据子集对应的各第一对象之间的第一相似度，确定待处理数据集中各第一对象之间的第二相似度，以基于第二相似度向目标推荐对象进行物品推荐。基于本申请实施例提供的方法，能够快速、有效的获取到各对象间相似度，从而实现基于相似度的信息推荐，可以更好的满足实际应用需求。应用需求。应用需求。

【技术实现步骤摘要】
信息推荐方法、装置、电子设备及存储介质


[0001]本申请涉及计算机、分布式计算、云技术和大数据等领域，具体而言，本申请涉及一种信息推荐方法、装置、电子设备及存储介质。

技术介绍

[0002]随着科技的快速发展，人们生活水平和需求也在不断的提升，对于各式各样的应用程序的使用已经成为人们生活中的常态，信息推荐也成为了不可缺少的一部分。比如，对于提供多媒体服务的应用程序，可以为应用程序的用户推荐其可能感兴趣的多媒体数据，从而可以提升用户的使用感知，也可以提高用户黏度。
[0003]为了满足应用需求，目前的相关技术中推荐方式也在不断改变，虽然目前的推荐方案一定程度上能够满足一个或多个方面的需求，但是推荐方案仍有待改进，如何优化推荐方案也是本领域相关技术人员一直在研究的重要问题之一。

技术实现思路

[0004]本申请实施例的目的旨在提供一种能够更好的满足应用需求的信息推荐方法、装置、电子设备及存储介质。为了实现上述目的，本申请实施例提供的技术方案如下：
[0005]一方面，本申请实施例提供了一种信息推荐方法，该方法包括：
[0006]获取待处理数据集，所述待处理数据集中包括n个第一对象的特征向量，所述第一对象为候选推荐对象或候选被推荐物品，n≥2；
[0007]将所述待处理数据集划分为k个数据子集，k≥2；
[0008]对于每个所述数据子集，基于该数据子集中各第一对象的特征向量，获得该数据子集对应的各第一对象之间的第一相似度；
[0009]根据k个所述数据子集对应的各第一对象之间的第一相似度，确定所述待处理数据集中各第一对象之间的第二相似度，以基于所述第二相似度向目标推荐对象进行物品推荐。
[0010]另一方面，本申请实施例提供了一种信息推荐装置，该装置包括：
[0011]源数据获取模块，用于获取待处理数据集，所述待处理数据集中包括n个第一对象的特征向量，所述第一对象为候选推荐对象或候选被推荐物品，n≥2；
[0012]数据切分处理模块，用于将所述待处理数据集划分为k个数据子集，对于每个所述数据子集，基于该数据子集中各第一对象的特征向量，获得该数据子集对应的各第一对象之间的第一相似度，k≥2；
[0013]处理结果获取模块，用于根据k个所述数据子集对应的各第一对象之间的第一相似度，确定所述待处理数据集中各第一对象之间的第二相似度，以基于所述第二相似度向目标推荐对象进行信息推荐。
[0014]可选的，上述信息推荐装置为第一电子设备中的装置，所述数据切分处理模块可以用于：
[0015]将k个所述数据子集分别发送给k个第二电子设备，由所述k个第二电子设备根据各自接收到的数据子集中各第一对象的特征向量，并行计算得到各自接收到的数据子集对应的各第一对象之间的第一相似度；
[0016]接收所述k个第二电子设备发送的各个数据子集对应的各第一对象之间的第一相似度。
[0017]可选的，所述处理结果获取模块可以用于执行以下操作：
[0018]对于每个所述数据子集，根据该数据子集对应的各第一对象之间的第一相似度，构建得到该数据子集对应的第一相似度矩阵，其中，所述第一相似度矩阵中的每行元素的元素值为该数据子集对应的一个对象与该数据子集对应的各个第一对象之间的第一相似度；
[0019]将各所述数据子集对应的第一相似度矩阵进行融合，得到融合矩阵，其中，所述融合矩阵的行数和列数均为n，所述融合矩阵中每行元素表示一个第一对象与所述n个第一对象中各个对象之间的相似度向量，一个第一对象的相似度向量包括已知元素值和缺失元素值，已知元素值为该第一对象对应的第一相似度；
[0020]通过对所述融合矩阵进行补全得到第二相似度矩阵，所述第二相似度矩阵中的每行元素的元素值为所述n个第一对象中的一个对象与所述n个第一对象各个第一对象之间的第二相似度。
[0021]可选的，处理结果获取模块可以用于：基于所述融合矩阵，初始化一待优化矩阵，所述待优化矩阵的行数和列数等于所述融合矩阵；对所述待优化矩阵中的各元素的元素值进行初始化；将初始化后的待优化矩阵作为待训练神经网络模型的模型参数，对所述待优化矩阵重复执行优化操作直至满足预设条件，将满足所述预设条件时的待优化矩阵作为所述第二相似度矩阵，其中，所述优化操作包括以下步骤：
[0022]确定所述融合矩阵中的已知元素值与待优化矩阵中所述已知元素值对应的元素值之间的差异值，若不满足所述预设条件，则将所述差异值作为训练损失值，基于所述训练损失值对待优化矩阵中的各元素值进行调整。
[0023]可选的，处理结果获取模块可以用于：将所述待优化矩阵分解为至少两个矩阵；对所述至少两个矩阵中各矩阵中的各元素的元素值进行初始化；
[0024]其中，所述将初始化后的待优化矩阵作为待训练神经网络模型的模型参数包括：将初始化后的所述至少两个矩阵中各矩阵中的元素值作为待训练神经网络模型的模型参数；
[0025]处理结果获取模块在确定所述融合矩阵中的已知元素值与待优化矩阵中所述已知元素值对应的元素值之间的差异值时，可以用于：
[0026]基于至少两个矩阵中各元素的元素值，确定所述待优化矩阵中各元素的元素值；确定所述融合矩阵中的已知元素值与待优化矩阵中所述已知元素值对应的元素值之间的差异值。
[0027]可选的，处理结果获取模块可以用于：通过以下表达式对所述待优化矩阵进行分解：
[0028][0029]其中，表示的特征矩阵，表示的协方差矩阵，为的转置矩阵；所述至少两个矩阵包括所述特征矩阵和所述协方差矩阵。
[0030]可选的，处理结果获取模块可以用于：基于k个所述数据子集对应的各第一对象之间的第一相似度，通过训练好的神经网络模型，预测得到所述待处理数据集对应的各第一对象之间的第二相似度；
[0031]其中，所述训练好的神经网络模型是基于多个训练样本对初始神经网络模型进行训练得到的，每个所述训练样本包括多个局部相似度数据，每个所述局部相似度数据包括一个样本对象子集中各样本对象之间的相似度；
[0032]所述初始神经网络模型的输入为每个训练样本中的多个局部相似度数据，输出为每个训练样本对应的全局相似度数据，其中，一个训练样本对应的全局相似度数据包括该训练样本对应的多个样本对象子集中所有对象之间的两两相似度。
[0033]可选的，在确定出待处理数据集中各第一对象之间的第二相似度之后，可以由信息推荐模块基于待处理数据集中各第一对象之间的第二相似度向目标推荐对象进行信息推荐。
[0034]可选的，所述第一对象为候选推荐对象，所述目标推荐对象为所述n个第一对象中的任一对象，上述信息推荐模块可以用于：
[0035]基于所述目标推荐对象与n
‑
1个候选推荐对象中各对象之间的第二相似度，从所述n
‑
1个候选推荐对象中确定出与所述目标推荐对象相匹配的至少一个匹配对象，所述n
‑
1个候选推荐对象为所述n个本文档来自技高网...

【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：获取待处理数据集，所述待处理数据集中包括n个第一对象的特征向量，所述第一对象为候选推荐对象或候选被推荐物品，n≥2；将所述待处理数据集划分为k个数据子集，k≥2；对于每个所述数据子集，基于该数据子集中各第一对象的特征向量，获得该数据子集对应的各第一对象之间的第一相似度；根据k个所述数据子集对应的各第一对象之间的第一相似度，确定所述待处理数据集中各第一对象之间的第二相似度，以基于所述第二相似度向目标推荐对象进行物品推荐。2.根据权利要求1所述的方法，其特征在于，所述方法由第一电子设备执行，所述对于每个所述数据子集，基于该数据子集中各第一对象的特征向量，获得该数据子集对应的各第一对象之间的第一相似度，包括：将k个所述数据子集分别发送给k个第二电子设备，由所述k个第二电子设备根据各自接收到的数据子集中各第一对象的特征向量，并行计算得到各自接收到的数据子集对应的各第一对象之间的第一相似度；接收所述k个第二电子设备发送的各个数据子集对应的各第一对象之间的第一相似度。3.根据权利要求1所述的方法，其特征在于，所述根据k个所述数据子集对应的各第一对象之间的第一相似度，确定所述待处理数据集中各第一对象之间的第二相似度，包括：对于每个所述数据子集，根据该数据子集对应的各第一对象之间的第一相似度，构建得到该数据子集对应的第一相似度矩阵，其中，所述第一相似度矩阵中的每行元素的元素值为该数据子集对应的一个对象与该数据子集对应的各个第一对象之间的第一相似度；将各所述数据子集对应的第一相似度矩阵进行融合，得到融合矩阵，其中，所述融合矩阵的行数和列数均为n，所述融合矩阵中每行元素表示一个第一对象与所述n个第一对象中各个对象之间的相似度向量，一个第一对象的相似度向量包括已知元素值和缺失元素值，已知元素值为该第一对象对应的第一相似度；通过对所述融合矩阵进行补全得到第二相似度矩阵，所述第二相似度矩阵中的每行元素的元素值为所述n个第一对象中的一个对象与所述n个第一对象各个第一对象之间的第二相似度。4.根据权利要求3所述的方法，其特征在于，所述通过对所述融合矩阵进行补全得到第二相似度矩阵，包括：基于所述融合矩阵，初始化一待优化矩阵，所述待优化矩阵的行数和列数等于所述融合矩阵；对所述待优化矩阵中的各元素的元素值进行初始化；将初始化后的待优化矩阵作为待训练神经网络模型的模型参数，对所述待优化矩阵重复执行优化操作直至满足预设条件，将满足所述预设条件时的待优化矩阵作为所述第二相似度矩阵，其中，所述优化操作包括以下步骤：确定所述融合矩阵中的已知元素值与待优化矩阵中所述已知元素值对应的元素值之间的差异值，若不满足所述预设条件，则将所述差异值作为训练损失值，基于所述训练损失值对待优化矩阵中的各元素值进行调整。
5.根据权利要求4所述的方法，其特征在于，所述对所述待优化矩阵中的各元素的元素值进行初始化，包括：将所述待优化矩阵分解为至少两个矩阵；对所述至少两个矩阵中各矩阵中的各元素的元素值进行初始化；其中，所述将初始化后的待优化矩阵作为待训练神经网络模型的模型参数包括：将初始化后的所述至少两个矩阵中各矩阵中的元素值作为待训练神经网络模型的模型参数；所述确定所述融合矩阵中的已知元素值与待优化矩阵中所述已知元素值对应的元素值之间的差异值，包括：基于所述至少两个各矩阵中各元素的元素值，确定所述待优化矩阵中各元素的元素值；确定所述融合矩阵中的已知元素值与待优化矩阵中所述已知元素值对应的元素值之间的差异值。6.根据权利要求5所述的方法，其特征在于，所述将所述待优化矩阵分解为至少两个矩阵，包括：通过以下表达式对所述...

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