信息推荐方法技术

本公开提供了一种信息推荐方法

【技术实现步骤摘要】
信息推荐方法、信息推荐模型的训练方法及装置、设备


[0001]本公开涉及人工智能
、
深度学习
、
自然语言处理和信息推荐
，更具体地，涉及一种信息推荐方法
、
信息推荐模型的训练方法及装置
、
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]随着计算机技术的发展，智能客服的应用越来越广泛
。
智能客服可以指在大规模知识处理基础上发展起来的面向行业应用的技术手段
。
[0003]智能客服融合了大规模知识处理技术
、
自然语言理解技术
、
知识管理技术
、
自动问答系统和推理技术等
。
智能客服的问题推荐可以指在用户进入客服
、
向客服提问之前，推荐系统根据用户信息提供用户可能想问的问题列表，从而方便用户进行提问并使得问题更为规范
。
[0004]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下问题：由于相关技术中的推荐方法缺乏对文本信息的学习能力，导致无法保障推荐信息的准确性和可解释性
。

技术实现思路

[0005]有鉴于此，本公开提供了一种信息推荐方法
、
信息推荐模型的训练方法及装置
、
电子设备
、
计算机可读存储介质和计算机程序产品
。
[0006]根据本公开的一个方面，提供了一种信息推荐方法，包括：
[0007]响应于检测到用户针对目标链接的操作行为，获取上述用户的用户信息，其中，上述用户信息包括历史浏览轨迹信息集合和用户概况信息集合；
[0008]对上述历史浏览轨迹信息集合进行处理，得到历史浏览轨迹特征序列；
[0009]对上述用户概况信息集合进行处理，得到用户概况特征序列；以及
[0010]根据上述历史浏览轨迹特征序列和上述用户概况特征序列，确定与上述用户对应的推荐信息
。
[0011]根据本公开的实施例，上述根据上述历史浏览轨迹特征序列和上述用户概况特征序列，确定与上述用户对应的推荐信息包括：
[0012]对上述历史浏览轨迹特征序列和上述用户概况特征序列进行处理，得到中间特征向量集合；以及
[0013]对上述中间特征向量集合进行处理，得到上述推荐信息
。
[0014]根据本公开的实施例，上述历史浏览轨迹特征序列包括
M
个历史浏览轨迹特征向量，上述用户概况特征序列包括
N
个用户概况特征向量，
M
和
N
均为正整数
。
[0015]根据本公开的实施例，上述对上述历史浏览轨迹特征序列和上述用户概况特征序列进行处理，得到中间特征向量集合包括：
[0016]对上述
M
个历史浏览轨迹特征向量和上述
N
个用户概况特征向量进行特征交叉处
理，得到
P
个显式特征向量和
Q
个隐式特征向量，其中，
P
和
Q
均为正整数
。
[0017]根据本公开的实施例，上述对上述中间特征向量集合进行处理，得到上述推荐信息包括：
[0018]针对上述
P
个显式特征向量中的每个显式特征向量，对上述显式特征向量和上述
Q
个隐式特征向量分别进行融合处理，得到
Q
个目标特征向量；以及
[0019]根据与上述
P
个显式特征向量各自对应的
Q
个目标特征向量，确定上述推荐信息
。
[0020]根据本公开的实施例，上述对上述
M
个历史浏览轨迹特征向量和上述
N
个用户概况特征向量进行特征交叉处理，得到
P
个显式特征向量和
Q
个隐式特征向量包括：
[0021]针对上述
M
个历史浏览轨迹特征向量中的每个历史浏览轨迹特征向量，针对上述
N
个用户概况特征向量中的每个用户概况特征向量，对上述历史浏览轨迹特征向量和上述用户概况特征向量进行低阶特征交叉处理，得到上述显式特征向量；以及
[0022]对上述历史浏览轨迹特征向量和上述用户概况特征向量进行高阶特征交叉处理，得到上述隐式特征向量
。
[0023]根据本公开的实施例，上述用户概况信息集合包括多个用户概况信息
。
[0024]根据本公开的实施例，上述对上述用户概况信息集合进行处理，得到用户概况特征序列包括：
[0025]针对上述多个用户概况信息中的用户概况信息，根据上述用户概况信息，确定上述上述用户概况信息的概况信息类型；
[0026]在上述概况信息类型为连续数值类型的情况下，确定与上述连续数值类型对应的预定连续编码方式；以及
[0027]基于上述预定连续编码方式，对上述用户概况信息进行编码处理，得到与上述用户概况信息对应的第一用户概况特征
。
[0028]根据本公开的实施例，上述信息推荐还包括：
[0029]在上述概况信息类型为离散类别类型的情况下，确定与上述离散类别类型对应的预定离散编码方式；以及
[0030]基于上述预定离散编码方式，对上述用户概况信息进行编码处理，得到与上述用户概况信息对应的第二用户概况特征
。
[0031]根据本公开的实施例，上述历史浏览轨迹信息集合包括至少一个历史浏览轨迹信息和上述至少一个历史浏览轨迹信息之间的关联关系信息
。
[0032]根据本公开的实施例，上述对上述历史浏览轨迹信息集合进行处理，得到历史浏览轨迹特征序列包括：
[0033]根据上述关联关系信息，对上述至少一个历史浏览轨迹信息进行编码处理，得到至少一个位置编码和与上述至少一个位置编码各自对应的历史浏览轨迹特征向量；以及
[0034]根据上述至少一个位置编码和与上述至少一个位置编码各自对应的历史浏览轨迹特征向量，确定上述历史浏览轨迹特征序列
。
[0035]根据本公开的实施例，上述响应于检测到用户针对目标链接的操作行为，获取与上述用户对应的用户信息包括：
[0036]响应于检测到上述用户针对上述目标链接的操作行为，确定与上述用户对应的用户标识；以及
[0037]根据上述用户标识，从数据源中获取上述历史浏览轨迹信息集合和上述用户概况信息集合
。
[0038]根据本公开的实施例，上述方法还包括，在上述根据上述历史浏览轨迹特征序列和上述用户概况特征序列，确定与上述用户对应的推荐信息之后：
[0039]在目标页面的输出区域展示上述推荐信息
。
[0040]根据本公开的一个方面，提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种信息推荐方法，包括：响应于检测到用户针对目标链接的操作行为，获取所述用户的用户信息，其中，所述用户信息包括历史浏览轨迹信息集合和用户概况信息集合；对所述历史浏览轨迹信息集合进行处理，得到历史浏览轨迹特征序列；对所述用户概况信息集合进行处理，得到用户概况特征序列；以及根据所述历史浏览轨迹特征序列和所述用户概况特征序列，确定与所述用户对应的推荐信息
。2.
根据权利要求1所述的方法，其中，所述根据所述历史浏览轨迹特征序列和所述用户概况特征序列，确定与所述用户对应的推荐信息包括：对所述历史浏览轨迹特征序列和所述用户概况特征序列进行处理，得到中间特征向量集合；以及对所述中间特征向量集合进行处理，得到所述推荐信息
。3.
根据权利要求2所述的方法，其中，所述历史浏览轨迹特征序列包括
M
个历史浏览轨迹特征向量，所述用户概况特征序列包括
N
个用户概况特征向量，
M
和
N
均为正整数；所述对所述历史浏览轨迹特征序列和所述用户概况特征序列进行处理，得到中间特征向量集合包括：对所述
M
个历史浏览轨迹特征向量和所述
N
个用户概况特征向量进行特征交叉处理，得到
P
个显式特征向量和
Q
个隐式特征向量，其中，
P
和
Q
均为正整数；所述对所述中间特征向量集合进行处理，得到所述推荐信息包括：针对所述
P
个显式特征向量中的每个显式特征向量，对所述显式特征向量和所述
Q
个隐式特征向量分别进行融合处理，得到
Q
个目标特征向量；以及根据与所述
P
个显式特征向量各自对应的
Q
个目标特征向量，确定所述推荐信息
。4.
根据权利要求3所述的方法，其中，所述对所述
M
个历史浏览轨迹特征向量和所述
N
个用户概况特征向量进行特征交叉处理，得到
P
个显式特征向量和
Q
个隐式特征向量包括：针对所述
M
个历史浏览轨迹特征向量中的每个历史浏览轨迹特征向量，针对所述
N
个用户概况特征向量中的每个用户概况特征向量，对所述历史浏览轨迹特征向量和所述用户概况特征向量进行低阶特征交叉处理，得到所述显式特征向量；以及对所述历史浏览轨迹特征向量和所述用户概况特征向量进行高阶特征交叉处理，得到所述隐式特征向量
。5.
根据权利要求1至4中任一项所述的方法，其中，所述用户概况信息集合包括多个用户概况信息；所述对所述用户概况信息集合进行处理，得到用户概况特征序列包括：针对所述多个用户概况信息中的用户概况信息，根据所述用户概况信息，确定所述所述用户概况信息的概况信息类型；在所述概况信息类型为连续数值类型的情况下，确定与所述连续数值类型对应的预定连续编码方式；以及基于所述预定连续编码方式，对所述用户概况信息进行编码处理，得到与所述用户概
况信息对应的第一用户概况特征
。6.
根据权利要求5所述的方法，还包括：在所述概况信息类型为离散类别类型的情况下，确定与所述离散类别类型对应的预定离散编码方式；以及基于所述预定离散编码方式，对所述用户概况信息进行编码处理，得到与所述用户概况信息对应的第二用户概况特征
。7.
根据权利要求1至4中任一项所述的方法，其中，所述历史浏览轨迹信息集合包括至少一个历史浏览轨迹信息和所述至少一个历史浏览轨迹信息之间的关联关系信息；所述对所述历史浏览轨迹信息集合进行处理，得到历史浏览轨迹特征序列包括：根据所述关联关系信息，对所述至少一个历史浏览轨迹信息进行编码处理，得到至少一个位置编码和与所述至少一个位置编码各自对应的历史浏览轨迹特征向量；以及根据所述至少一个位置编码和与所述至少一个位置编码各自对应的历史浏览轨迹特征向量，确定所述历史浏览轨迹特征序列
。8.
根据权利要求1至4中任一项所述的方法，其中，所述响应于检测到用户针对目标链接的操作行为，获取与所述...

【专利技术属性】
技术研发人员：袁鹏，徐松，赵靖，黄蝶，吴友政，
申请(专利权)人：京东科技信息技术有限公司，
类型：发明
国别省市：