CN109670117A - 信息列表的推荐方法及其装置 - Google Patents

Abstract

本发明公开了一种信息列表的推荐方法及其装置。其中，方法包括：获取多种信息列表的类型，将多种信息列表的类型输入信息列表类型推荐模型，以生成信息列表的推荐类型。获取多种信息内容的组合，将多种信息内容的组合和信息列表的推荐类型输入信息内容组合推荐模型，以生成推荐的信息列表。由此，实现了首先生成信息列表的推荐类型，再在确定信息列表的类型的基础上，进一步确定信息内容的组合，进而生成推荐的信息列表，提高了信息列表推荐的准确度。解决了现有技术中信息列表推荐的准确度较低的技术问题。

Description

信息列表的推荐方法及其装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种信息列表的推荐方法及其装置。

背景技术

在信息展示页面中，信息列表对于信息展示具有重要意义，合理的信息列表布置方案可以提升用户对信息内容的兴趣，提高用户对页面的点击数，优化用户的体验。信息列表可以分为信息列表的类型和信息内容两部分，其中信息列表的类型决定了信息列表的不同位置展示不同类型的信息内容，而信息内容则是信息列表的不同位置具体展示的信息。

相关技术中，直接将信息内容的类型作为特征输入到训练模型中，使得训练模型的训练任务过重，限制了训练模型对信息列表的类型进行推荐的能力，导致信息列表推荐的准确度较低。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种信息列表的推荐方法，以实现首先生成信息列表的推荐类型，再在确定信息列表的类型的基础上，进一步确定信息内容的组合，进而生成推荐的信息列表，提高了信息列表推荐的准确度。

本发明的第二个目的在于提出一种信息列表的推荐装置。

本发明的第三个目的在于提出一种计算机程序产品。

本发明的第四个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本发明第一方面实施例提出了一种信息列表的推荐方法，包括：获取多种信息列表的类型；将所述多种信息列表的类型输入信息列表类型推荐模型，以生成信息列表的推荐类型；获取多种信息内容的组合；以及将所述多种信息内容的组合和所述信息列表的推荐类型输入信息列表推荐模型，以生成推荐的信息列表。

和现有技术相比，本发明实施例首先生成信息列表的推荐类型，再在确定信息列表的类型的基础上，进一步确定信息内容的组合，进而生成推荐的信息列表，提高了信息列表推荐的准确度。

另外，本发明实施例的信息列表的推荐方法，还具有如下附加的技术特征：

可选地，所述信息列表类型推荐模型通过以下步骤生成：获取用户日志信息；根据所述用户日志信息，生成用户特征信息和信息列表的特征信息；将所述用户特征信息和所述信息列表的特征信息作为第一人工神经网络的输入；将信息列表的点击数作为所述第一人工神经网络的输出；以及对所述第一人工神经网络的参数进行训练，以生成所述信息列表类型推荐模型。

可选地，所述信息列表推荐模型通过以下步骤生成：获取用户日志信息；根据所述用户日志信息，生成用户特征信息和信息列表；将所述用户特征信息和所述信息列表作为第二人工神经网络的输入；将信息列表的点击数作为所述第二人工神经网络的输出；以及对所述第二人工神经网络的参数进行训练，以生成所述信息列表推荐模型。

可选地，所述信息列表的特征信息包括所述信息列表的上下文特征，所述信息列表的类型比例特征。

可选地，所述用户特征信息包括用户历史特征，用户画像特征，场景特征。

本发明第二方面实施例提出了一种信息列表的推荐装置，包括：第一获取模块，用于获取多种信息列表的类型；第一输入模块，用于将所述多种信息列表的类型输入信息列表类型推荐模型，以生成信息列表的推荐类型；第二获取模块，用于获取多种信息内容的组合；以及第二输入模块，用于将所述多种信息内容的组合和所述信息列表的推荐类型输入信息列表推荐模型，以生成推荐的信息列表。

另外，本发明实施例的信息列表的推荐装置，还具有如下附加的技术特征：

可选地，所述第一输入模块，包括：第一获取子模块，用于获取用户日志信息；第一生成子模块，用于根据所述用户日志信息，生成用户特征信息和信息列表的特征信息；第一设置子模块，用于将所述用户特征信息和所述信息列表的特征信息作为第一人工神经网络的输入；第二设置子模块，用于将信息列表的点击数作为所述第一人工神经网络的输出；以及第一训练子模块，用于对所述第一人工神经网络的参数进行训练，以生成所述信息列表类型推荐模型。

可选地，所述第二输入模块，包括：第二获取子模块，用于获取用户日志信息；第二生成子模块，用于根据所述用户日志信息，生成用户特征信息和信息列表；第三设置子模块，用于将所述用户特征信息和所述信息列表作为第二人工神经网络的输入；第四设置子模块，用于将信息列表的点击数作为所述第二人工神经网络的输出；以及第二训练子模块，用于对所述第二人工神经网络的参数进行训练，以生成所述信息列表推荐模型。

可选地，所述信息列表的特征信息包括所述信息列表的上下文特征，所述信息列表的类型比例特征。

可选地，所述用户特征信息包括用户历史特征，用户画像特征，场景特征。

本发明第三方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时实现如前述方法实施例所述的信息列表的推荐方法。

本发明第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述方法实施例所述的信息列表的推荐方法。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为本发明实施例所提供的一种信息列表的推荐方法的流程示意图；

图2为本发明实施例所提供的信息列表类型推荐模型的训练流程图；

图3为本发明实施例所提供的信息列表推荐模型的训练流程图；以及

图4为本发明实施例所提供的一种信息列表的推荐装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的信息列表的推荐方法及其装置。

基于上述现有技术的描述可以知道，相关技术中，直接将信息内容的类型作为特征输入到训练模型中，使得训练模型的训练任务过重，限制了训练模型对信息列表的类型进行推荐的能力，导致信息列表推荐的准确度较低。

针对这一问题，本发明实施例提供了一种信息列表的推荐方法。首先生成信息列表的推荐类型，再在确定信息列表的类型的基础上，进一步确定信息内容的组合，进而生成推荐的信息列表，提高了信息列表推荐的准确度。

图1为本发明实施例所提供的一种信息列表的推荐方法的流程示意图。如图1所示，该方法包括以下步骤：

S101，获取多种信息列表的类型。

其中，信息列表的类型是信息列表中不同种类信息的分布方式。比如说：第一种信息列表的类型为信息列表的第一栏显示文字信息，第二栏显示图片信息，第三栏显示视频信息。第二种信息列表的类型为信息列表的第一栏显示图片信息，第二栏显示图片信息，第三栏显示视频信息。

需要特别说明的是，由于不知道最受用户喜爱的信息列表的类型是什么样的，可以随机生成多种信息列表的类型，再在其中进行选择。

应当理解，随机生成的信息列表的类型中，有的可能与常见的信息分布方式相同或者相似，有的可能与常见的信息分布方式完全不同，但是本发明实施例不对其进行筛选。

S102，将多种信息列表的类型输入信息列表类型推荐模型，以生成信息列表的推荐类型。

其中，信息列表类型推荐模型可以对输入的不同类型的信息列表进行分析，得到对应的信息列表的特征信息，结合用户特征信息，计算出信息列表的点击数，根据计算出的信息列表的点击数，生成信息列表的推荐类型。

需要说明的是，信息列表类型推荐模型通过以下步骤生成：

S11，获取用户日志信息。

其中，用户日志信息是用户长期以来浏览信息列表的历史信息，包括用户的历史浏览记录、用户的个人信息、用户对不同信息内容的点击记录。

可以理解，向不同用户推荐的信息列表并不相同，需要根据用户的使用习惯和使用偏好来确定，通过分析用户日志信息，可以得出用户的使用习惯和使用偏好，进而推荐个性化的信息列表类型。

S12，根据用户日志信息，生成用户特征信息和信息列表的特征信息。

其中，用户特征信息包括用户历史特征、用户画像特征、场景特征。

信息列表的特征信息包括信息列表的上下文特征，信息列表的类型比例特征。

具体地，用户历史特征是用户浏览信息列表的特征，比如喜欢点击视频信息，喜欢逐条点击信息等。

用户画像特征是从用户的个人信息中抽象出的特征，比如用户的职业、用户的年龄、用户的兴趣领域。

场景特征是用户浏览信息列表的时间、地点特征，比如用户每天早晨在地铁上浏览信息列表。

信息列表的上下文特征是信息列表中周围信息的种类特征，比如之前三条信息都是文字信息，之后三条信息都是图片信息。

信息列表的类型比例特征是信息列表中不同类型的信息的占比，比如文字信息占25％，图片信息占50％，视频信息占25％。

S13，将用户特征信息和信息列表的特征信息作为第一人工神经网络的输入。

S14，将信息列表的点击数作为第一人工神经网络的输出。

S15，对第一人工神经网络的参数进行训练，以生成信息列表类型推荐模型。

需要说明的是，为了能够对第一人工神经网络的参数进行训练，用于训练的用户特征信息、信息列表的特征信息、信息列表的点击数应当相对应。

一种可能的实现方式是，将用户特征信息、信息列表的特征信息、信息列表的点击数根据对应关系整理成多个数据组，作为第一人工神经网络的多个输入和输出。

举例来说，用户历史特征是A，用户画像特征是B，场景特征是C，这三种用户特征信息是根据用户的使用习惯和使用偏好确定的，每个用户的用户特征信息不易随时间发生变化。而信息列表的特征信息是由信息列表的类型确定的，不同的信息列表对应的信息列表的特征信息不同。

因此，可以将不同的信息列表的信息特征进行分组，并确定对应的信息列表的点击数。第一种信息列表的类型对应的信息列表的上下文特征是D1，信息列表的类型比例特征是E1，信息列表的点击数是F1。第二种信息列表的类型对应的信息列表的上下文特征是D2，信息列表的类型比例特征是E2，信息列表的点击数是F2。由此得到两组第一人工神经网络的训练数据，第一组训练数据的输入为{A，B，C，D1，E1}，输出为{F1}，第二组训练数据的输入为{A，B，C，D2，E2}，输出为{F2}。

将多组训练数据对第一人工神经网络的参数进行训练，可以生成信息列表类型推荐模型。

S103，获取多种信息内容的组合。

应当理解的是，在确定了信息列表的类型之后，可以根据信息列表的类型生成信息内容的组合。

比如：已经确定了信息列表的推荐类型为第一栏为文字信息，第二栏为视频信息，那么在所有的文字信息中抽取一项文字信息作为信息列表的第一栏，在所有的视频信息中抽取一项视频信息作为信息列表的第二栏，将抽取出的文字信息和视频信息进行组合，得到一种信息内容的组合。采用相同的方式，可以生成多种信息内容的组合。

S104，将多种信息内容的组合和信息列表的推荐类型输入信息列表推荐模型，以生成推荐的信息列表。

其中，信息列表推荐模型可以将输入的多种信息内容的组合填入信息列表的推荐类型，生成多种信息列表。然后根据生成的信息列表，计算出对应的信息列表的点击数，根据计算出的信息列表的点击数，生成推荐的信息列表。

需要说明的是，信息列表推荐模型通过以下步骤生成：

S21、获取用户日志信息。

S22、根据用户日志信息，生成用户特征信息和信息列表。

其中，信息列表是用户之前浏览过的页面所显示的信息列表。

S23、将用户特征信息和信息列表作为第二人工神经网络的输入。

S24、将信息列表的点击数作为第二人工神经网络的输出。

S25、对第二人工神经网络的参数进行训练，以生成信息列表推荐模型。

需要说明的是，和前述信息列表类型推荐模型不同的是，信息列表推荐模型不仅需要考虑信息列表中不同种类信息的分布方式，还需要考虑信息列表中的信息内容，因此需要将信息列表直接输入第二人工神经网络。

综上所述，本发明实施例所提供的信息列表的推荐方法，获取多种信息列表的类型，将多种信息列表的类型输入信息列表类型推荐模型，以生成信息列表的推荐类型。获取多种信息内容的组合，将多种信息内容的组合和信息列表的推荐类型输入信息内容组合推荐模型，以生成推荐的信息列表。由此，实现了首先生成信息列表的推荐类型，再在确定信息列表的类型的基础上，进一步确定信息内容的组合，进而生成推荐的信息列表，提高了信息列表推荐的准确度。

为了更加清楚地说明本发明实施例所提出的信息列表的推荐方法，下面进行举例说明。

首先获取用户日志信息，从中获取用户的历史使用信息，用户浏览过的信息列表及其对应的点击数，从用户的历史使用信息中分析出用户历史特征，用户画像特征，场景特征，从用户浏览过的信息列表中分析出信息列表的上下文特征和信息列表的类型比例特征。

对不同信息列表对应的用户特征信息、信息列表的特征信息、信息列表的点击数进行整理，得到多组训练数据。

如图2所示，将多组训练数据分别作为第一人工神经网络的输入和输出，对第一人工神经网络的参数进行训练，生成信息列表类型推荐模型。

相应地，对不同信息列表对应的用户特征信息和信息列表的点击数进行整理，得到新的多组训练数据。

如图3所示，将新的多组训练数据分别作为第二人工神经网络的输入和输出，对第二人工神经网络的参数进行训练，生成信息列表推荐模型。

生成推荐的信息列表时，首先随机生成多种信息列表的类型，将其输入信息列表类型推荐模型，生成信息列表的推荐类型。

再根据信息列表的推荐类型，随机生成多种信息内容的组合。信息列表推荐模型可以将生成的多种信息内容的组合填入信息列表的推荐类型，生成多种信息列表。然后根据生成的多种信息列表，生成推荐的信息列表。

为了实现上述实施例，本发明实施例还提出一种信息列表的推荐装置，图4为本发明实施例所提供的一种信息列表的推荐装置的结构示意图，如图4所示，该装置包括：第一获取模块210，第一输入模块220，第二获取模块230，第二输入模块240。

第一获取模块210，用于获取多种信息列表的类型。

第一输入模块220，用于将多种信息列表的类型输入信息列表类型推荐模型，以生成信息列表的推荐类型。

第二获取模块230，用于获取多种信息内容的组合。

第二输入模块240，用于将多种信息内容的组合和信息列表的推荐类型输入信息列表推荐模型，以生成推荐的信息列表。

进一步地，为了生成信息列表类型推荐模型，一种可能的实现方式是，第一输入模块220，包括：第一获取子模块221，用于获取用户日志信息。第一生成子模块222，用于根据用户日志信息，生成用户特征信息和信息列表的特征信息。第一设置子模块223，用于将用户特征信息和信息列表的特征信息作为第一人工神经网络的输入。第二设置子模块224，用于将信息列表的点击数作为第一人工神经网络的输出。第一训练子模块225，用于对第一人工神经网络的参数进行训练，以生成信息列表类型推荐模型。

进一步地，为了生成信息列表推荐模型，一种可能的实现方式是，第二输入模块240，包括：第二获取子模块241，用于获取用户日志信息。第二生成子模块242，用于根据用户日志信息，生成用户特征信息和信息列表。第三设置子模块243，用于将用户特征信息和信息列表作为第二人工神经网络的输入。第四设置子模块244，用于将信息列表的点击数作为第二人工神经网络的输出。第二训练子模块245，用于对第二人工神经网络的参数进行训练，以生成信息列表推荐模型。

需要说明的是，前述对信息列表的推荐方法实施例的解释说明也适用于该实施例的信息列表的推荐装置，此处不再赘述。

综上所述，本发明实施例所提供的信息列表的推荐装置，获取多种信息列表的类型，将多种信息列表的类型输入信息列表类型推荐模型，以生成信息列表的推荐类型。获取多种信息内容的组合，将多种信息内容的组合和信息列表的推荐类型输入信息内容组合推荐模型，以生成推荐的信息列表。由此，实现了首先生成信息列表的推荐类型，再在确定信息列表的类型的基础上，进一步确定信息内容的组合，进而生成推荐的信息列表，提高了信息列表推荐的准确度。

为了实现上述实施例，本发明实施例还提出一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时实现如前述方法实施例所述的信息列表的推荐方法。

为了实现上述实施例，实施例还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述方法实施例所述的信息列表的推荐方法。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种信息列表的推荐方法，其特征在于，包括：

获取多种信息列表的类型；

将所述多种信息列表的类型输入信息列表类型推荐模型，以生成信息列表的推荐类型；

获取多种信息内容的组合；以及

将所述多种信息内容的组合和所述信息列表的推荐类型输入信息列表推荐模型，以生成推荐的信息列表。

2.如权利要求1所述的方法，其特征在于，所述信息列表类型推荐模型通过以下步骤生成：

获取用户日志信息；

根据所述用户日志信息，生成用户特征信息和信息列表的特征信息；

将所述用户特征信息和所述信息列表的特征信息作为第一人工神经网络的输入；

将信息列表的点击数作为所述第一人工神经网络的输出；以及

对所述第一人工神经网络的参数进行训练，以生成所述信息列表类型推荐模型。

3.如权利要求1所述的方法，其特征在于，所述信息列表推荐模型通过以下步骤生成：

获取用户日志信息；

根据所述用户日志信息，生成用户特征信息和信息列表；

将所述用户特征信息和所述信息列表作为第二人工神经网络的输入；

将信息列表的点击数作为所述第二人工神经网络的输出；以及

对所述第二人工神经网络的参数进行训练，以生成所述信息列表推荐模型。

4.如权利要求2所述的方法，其特征在于，所述信息列表的特征信息包括所述信息列表的上下文特征，所述信息列表的类型比例特征。

5.如权利要求2或3所述的方法，其特征在于，所述用户特征信息包括用户历史特征，用户画像特征，场景特征。

6.一种信息列表的推荐装置，其特征在于，包括：

第一获取模块，用于获取多种信息列表的类型；

第一输入模块，用于将所述多种信息列表的类型输入信息列表类型推荐模型，以生成信息列表的推荐类型；

第二获取模块，用于获取多种信息内容的组合；以及

第二输入模块，用于将所述多种信息内容的组合和所述信息列表的推荐类型输入信息列表推荐模型，以生成推荐的信息列表。

7.如权利要求6所述的装置，其特征在于，所述第一输入模块，包括：

第一获取子模块，用于获取用户日志信息；

第一生成子模块，用于根据所述用户日志信息，生成用户特征信息和信息列表的特征信息；

第一设置子模块，用于将所述用户特征信息和所述信息列表的特征信息作为第一人工神经网络的输入；

第二设置子模块，用于将信息列表的点击数作为所述第一人工神经网络的输出；以及

第一训练子模块，用于对所述第一人工神经网络的参数进行训练，以生成所述信息列表类型推荐模型。

8.如权利要求6所述的装置，其特征在于，所述第二输入模块，包括：

第二获取子模块，用于获取用户日志信息；

第二生成子模块，用于根据所述用户日志信息，生成用户特征信息和信息列表；

第三设置子模块，用于将所述用户特征信息和所述信息列表作为第二人工神经网络的输入；

第四设置子模块，用于将信息列表的点击数作为所述第二人工神经网络的输出；以及第二训练子模块，用于对所述第二人工神经网络的参数进行训练，以生成所述信息列表推荐模型。

9.如权利要求7所述的装置，其特征在于，所述信息列表的特征信息包括所述信息列表的上下文特征，所述信息列表的类型比例特征。

10.如权利要求7或8所述的装置，其特征在于，所述用户特征信息包括用户历史特征，用户画像特征，场景特征。

11.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令处理器执行时实现如权利要求1-5中任一项所述的信息列表的推荐方法。

12.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的信息列表的推荐方法。