CN110458649A - 信息推荐方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本公开的实施例提供了一种信息推荐方法、装置、电子设备及可读存储介质，所述方法包括：获取推荐请求对应的候选信息组合；将所述推荐请求对应的用户信息和所述候选信息组合输入至少一个子模型，以通过所述至少一个子模型输出所述候选信息组合对应不同行为类别的推荐概率；所述至少一个子模型为根据用户不同类别的历史行为数据训练得到；将所述至少一个子模型输出的各推荐概率，输入融合模型，以输出所述候选信息组合对应的融合概率；根据所述融合概率，在所述候选信息组合中确定目标组合。本公开的实施例可以向用户推荐合适的菜品组合，可以减少用户点餐过程中决策时间较长的问题，不仅为用户点餐提供便利，而且可以提高信息推荐的准确性。

Description

信息推荐方法、装置、电子设备及可读存储介质

技术领域

本公开的实施例涉及网络技术领域，尤其涉及一种信息推荐方法、装置、电子设备及可读存储介质。

背景技术

随着信息化的迅速发展，互联网提供给用户的信息呈爆炸式增长，用户的需求也日益增加，如何使用户在海量的信息中及时准确的获取所需要的信息，成为急需解决的问题。

目前，信息推荐系统可以对用户的信息需求、兴趣爱好、使用习惯和访问历史等进行收集并分析，根据分析结果对互联网上的信息进行筛选和排序，从而向用户推荐符合用户个性化需求的信息。

现有的信息推荐系统通常是对商品信息进行推荐，可以预估用户对单一商品的下单概率，确定向该用户推荐的商品信息。然而，对于正在兴起的外卖点餐行业，由于用户的一个订单中可能包括多个不同菜品，而不同商家和众多菜品之间可以形成数量庞大的组合信息，现有的推荐系统难以预估用户对多个菜品同时下单的概率，导致菜品推荐的准确率较低。

发明内容

本公开的实施例提供一种信息推荐方法、装置、电子设备及可读存储介质，用以提高信息推荐的准确性。

根据本公开的实施例的第一方面，提供了一种信息推荐方法，所述方法包括：

获取推荐请求对应的候选信息组合；

将所述推荐请求对应的用户信息和所述候选信息组合输入至少一个子模型，以通过所述至少一个子模型输出所述候选信息组合对应不同行为类别的推荐概率；所述至少一个子模型为根据用户不同类别的历史行为数据训练得到；

将所述至少一个子模型输出的各推荐概率，输入融合模型，以输出所述候选信息组合对应的融合概率；

根据所述融合概率，在所述候选信息组合中确定目标组合。

根据本公开的实施例的第二方面，提供了一种信息推荐装置，所述装置包括：

候选获取模块，用于获取推荐请求对应的候选信息组合；

第一预测模块，用于将所述推荐请求对应的用户信息和所述候选信息组合输入至少一个子模型，以通过所述至少一个子模型输出所述候选信息组合对应不同行为类别的推荐概率；所述至少一个子模型为根据用户不同类别的历史行为数据训练得到；

第二预测模块，用于将所述至少一个子模型输出的各推荐概率，输入融合模型，以输出所述候选信息组合对应的融合概率；

目标确定模块，用于根据所述融合概率，在所述候选信息组合中确定目标组合。

根据本公开的实施例的第三方面，提供了一种电子设备，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述信息推荐方法。

根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述信息推荐方法。

本公开的实施例提供了一种信息推荐方法、装置、电子设备及可读存储介质，所述方法包括：

通过获取推荐请求对应的候选信息组合，以及将所述推荐请求对应的用户信息和所述候选信息组合输入至少一个子模型，以通过所述至少一个子模型输出所述候选信息组合对应不同行为类别的推荐概率；并且将所述至少一个子模型输出的各推荐概率，输入融合模型，以输出所述候选信息组合对应的融合概率，进而可以根据所述融合概率，在所述候选信息组合中确定目标组合。由于所述至少一个子模型为根据用户不同类别的历史行为数据训练得到，因此，每一个子模型可以从某个特定角度反应候选信息组合的推荐概率，再通过融合模型对每一个子模型输出的推荐概率进行融合得到融合概率，可以综合反应多个角度的推荐概率，如商家角度、菜品角度等，由此，使得推荐系统可以实现从菜品推荐到菜品组合推荐的拓展，通过向用户推荐更加合适的菜品组合，可以减少用户点餐过程中决策时间较长的问题，不仅为用户点餐提供便利，而且可以提高信息推荐的准确性。

附图说明

为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本公开的一个实施例中的信息推荐方法的步骤流程图；

图2示出了在本公开的一个实施例中的信息推荐装置的结构图；

图3示出了本公开的一个实施例提供的电子设备的结构图。

具体实施方式

下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开的实施例保护的范围。

实施例一

参照图1，其示出了本公开的一个实施例中的信息推荐方法的步骤流程图，包括：

步骤101、获取推荐请求对应的候选信息组合；

步骤102、将所述推荐请求对应的用户信息和所述候选信息组合输入至少一个子模型，以通过所述至少一个子模型输出所述候选信息组合对应不同行为类别的推荐概率；所述至少一个子模型为根据用户不同类别的历史行为数据训练得到；

步骤103、将所述至少一个子模型输出的各推荐概率，输入融合模型，以输出所述候选信息组合对应的融合概率；

步骤104、根据所述融合概率，在所述候选信息组合中确定目标组合。

本公开的信息推荐方法可应用于终端中，所述终端具体包括但不限于：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准音频层面3，Moving PictureExperts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准音频层面4，MovingPicture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等。

需要说明的是，本公开中的信息包括用户通过终端可以获取的任意信息，可以是商品信息、商家信息、也可以是菜品信息、还可以是新闻资讯、娱乐等任意信息。本公开的实施例主要针对外卖点餐场景中的菜品信息进行说明，其它应用场景中的信息处理过程相互参照即可。

通常，候选菜品组合可以有多个，本公开实施例可以构建候选菜品组合集合，该集合中包含各候选菜品组合。以外卖点餐场景为例，所述候选信息组合指满足用户推荐请求所在位置配送条件、以及符合用户一次下单需求的所有菜品组合构成的集合。例如：{鱼香肉丝+麻婆豆腐+米饭、套餐1、套餐2、套餐3}。其中，鱼香肉丝+麻婆豆腐+米饭、套餐1、套餐2均为商家A提供的菜品组合，套餐3为商家B提供的菜品组合。

其中，候选信息组合可以是商家提供的套餐中的菜品组合，如商家A的套餐1、商家A的套餐2、以及商家B的套餐3，也可以是根据用户的历史下单行为，对商家提供的菜品进行搭配得到的菜品组合，如商家A的“鱼香肉丝+麻婆豆腐+米饭”。

针对外卖点餐场景，用户的一个订单中可能包括多个不同菜品，而不同商家和众多菜品之间可以形成数量庞大的组合信息，为了提高推荐菜品组合的准确率，本公开根据用户不同类别的历史行为数据训练得到不同行为类别对应的子模型，以及根据各子模型训练得到融合模型。在信息推荐的过程中，可以加载各子模型和融合模型，各子模型根据用户的推荐请求对候选信息组合进行预测，输出符合不同行为特征的推荐概率(即用户在不同行为特征下，对候选信息组合的下单概率)，再将各推荐概率输入到融合模型中进行二次预测，得到融合概率，所述融合概率可以表示用户对该候选信息组合的综合下单概率，进而可以根据融合概率，在该候选信息组合中确定目标组合，并且向用户推荐目标组合。

由于融合概率综合了至少一个子模型输出的不同行为特征的推荐概率，其中，一个推荐概率可以从某个特定角度反应用户对候选信息组合的下单概率，因此，所述融合概率可以综合反应多个角度的下单概率，如商家角度、菜品角度等，从而实现从菜品推荐到菜品组合推荐的拓展，通过向用户推荐更加合适的菜品组合，可以减少用户在点餐过程中决策时间较长的问题，为用户点餐提供便利。

在本公开的一种可选实施例中，所述至少一个子模型，具体可以包括：商家子模型、菜品子模型、以及标签子模型中的至少一种；

所述商家子模型，用于输出用户对商家的下单概率；所述商家子模型为根据用户针对商家信息的触发操作产生的历史行为数据训练得到；

所述菜品子模型，用于输出用户对菜品的下单概率；所述菜品子模型为根据用户针对菜品信息的触发操作产生的历史行为数据训练得到；

所述标签子模型，用于输出用户对标签的下单概率；所述标签子模型为根据用户针对商家信息的触发操作产生的历史行为数据、用户针对菜品信息的触发操作产生的历史行为数据、所述商家信息中提取的商家标签、以及所述菜品信息中提取的菜品标签训练得到。

在本公开的一种可选实施例中，所述触发操作至少可以包括如下任意一项：点击、收藏、下单。具体地，所述触发操作可以包括用户对商家的点击，收藏，下单行为；用户对菜品品类(如川菜、火锅、自助餐等)的点击，收藏，下单行为；用户对菜品的点击，收藏，下单行为等。

其中，商家子模型可以从商家角度反应用户对候选信息组合的下单概率。例如，用户经常在商家A下单，很少在商家B下单，则将该用户的用户信息和上述候选信息组合输入商家子模型，则输出的商家A的菜品组合的推荐概率可能会高于商家B的菜品组合的推荐概率。如，商家A的鱼香肉丝+麻婆豆腐+米饭、套餐1、套餐2的推荐概率均高于商家B的套餐3的推荐概率。

菜品子模型可以从菜品角度反应用户对候选信息组合的下单概率。例如，用户经常下单商家A的套餐1，则将该用户的用户信息和上述候选信息组合输入菜品子模型，输出商家A的套餐1的推荐概率可能高于其它菜品组合的推荐概率。

同理，标签子模型可以从标签角度反应用户对候选信息组合的下单概率。所述标签可以包括：菜品标签，如口味、食材等；商家标签，如菜系、商家地址等。

在本公开的一种应用示例中，以外卖点餐场景为例，假设检测到用户在望京打开组合推荐页面，则确定接收到用户的推荐请求，可以根据该推荐请求构建候选信息组合集合，也即候选菜品组合集合，假设为{冷面套餐，汉堡套餐，小碗菜套餐}。然后，将所述用户的用户信息和所述候选菜品组合集合中的各候选菜品组合分别输入商家子模型和菜品子模型，假设冷面套餐在商家子模型和菜品子模型预测的推荐概率分别为0.3和0.5，汉堡套餐在商家子模型和菜品子模型预测的推荐概率分别为0.7和0.8，小碗菜套餐在商家子模型和菜品子模型预测的推荐概率分别为0.5和0.3。接下来，将上述三个套餐在两个子模型中的推荐概率作为特征分别输入到融合模型，以输出融合概率。例如，将冷面套餐的0.3和0.5作为特征输入融合模型，输出得到0.6的融合概率，将汉堡套餐的0.7和0.8作为特征输入融合模型，输出得到0.9的融合概率，以及将小碗菜套餐的0.5和0.3作为特征输入融合模型，输出得到0.7的融合概率。最后，根据融合概率倒序排序，得到：汉堡套餐，小碗菜套餐，冷面套餐的排序结果。可以根据融合概率确定向用户推荐的目标组合，如将汉堡套餐作为目标组合推荐给用户。

由此，最终向用户推荐的目标组合是综合了用户针对商家的历史行为特征，以及用户针对菜品的历史行为特征的结果，使得推荐的目标组合更加符合用户多方面的需求，可以提高推荐的准确性。

在本公开的一种可选实施例中，所述候选信息组合可以为候选菜品组合，所述获取推荐请求对应的候选信息组合，具体可以包括：

步骤S11、获取所述推荐请求对应的用户信息，所述用户信息包括：用户标识、用户当前位置；

步骤S12、确定所述用户标识针对菜品信息的触发操作产生的历史行为数据；

步骤S13、确定与所述用户当前位置的距离小于预设距离的候选商家，以及所述候选商家提供的菜品信息；

步骤S14、根据所述候选商家提供的菜品信息、所述用户标识针对菜品信息的触发操作产生的历史行为数据、以及所述候选商家的菜品组合订单信息，确定所述推荐请求对应的候选菜品组合。

候选菜品组合指接收到用户的推荐请求的情况下，根据用户当前位置、以及用户标识等用户信息，获取的满足用户当前位置配送条件、符合用户的历史行为习惯、用户可以一次下单的菜品组合。

具体地，首先获取所述推荐请求对应的用户信息，所述用户信息可以包括：用户标识、用户当前位置。根据用户当前位置，可以确定与所述用户当前位置的距离小于预设距离的候选商家，以及所述候选商家提供的菜品信息，候选商家提供的菜品信息可以满足用户当前位置的配送条件，因此，可以在候选商家提供的菜品信息中确定符合用户的历史行为习惯、用户可以一次下单的菜品组合，进而得到候选菜品组合。

在本公开的实施例中，菜品组合是作为一个整体推荐给用户的，与推荐单个商品的区别在于，不同候选商家提供的不同菜品在任意组合之后数量非常庞大，而且很多组合是不能满足用户一次下单的需求，例如，组合中如果只包含“馒头+米饭”，则用户下单该组合之后，还需要另外下单其它菜品，因此，菜品组合“馒头+米饭”不能满足用户一次下单的需求，而菜品组合“米饭+西红柿炒鸡蛋”可以满足用户一次下单的需求。

本公开的实施例中可以通过多个来源获取推荐请求对应的候选菜品组合，以使候选菜品组合可以满足用户一次下单的需求。具体地，可以根据所述候选商家提供的菜品信息、所述用户标识针对菜品信息的触发操作产生的历史行为数据、以及所述候选商家的菜品组合订单信息，确定所述推荐请求对应的候选菜品组合。

其中，多个来源指获取候选菜品组合的来源，具体地，可以包括用户的历史行为数据中的已完成订单信息、候选商家的菜品组合订单信息、候选商家提供的菜品信息。当然，还可以包括其他用户已经完成的订单信息、通过智能算法搭配的套餐信息等。可以理解，本公开的实施例对获取候选菜品组合的来源不加以限制。

在本公开的一种可选实施例中，所述子模型可以通过如下步骤训练得到：

步骤S21、对收集的用户的历史行为数据进行分类，以得到不同类别的历史行为数据集合；其中，每一个历史行为数据集合对应一种类别；

步骤S22、对所述历史行为数据集合中的历史行为数据按照时间先后进行排序；

步骤S23、按照滑动窗口的方式对排序后的历史行为数据集合进行划分，将位于滑动窗口内的历史行为数据作为训练集，将位于滑动窗口外的历史行为数据作为预测集；

步骤S24、根据每一个类别对应的历史行为数据集合中的训练集和预测集，训练不同类别的子模型。

首先，获取用户的历史行为数据(HistoryData)，所述历史行为数据可以包括：用户对商家/菜品/标签的点击、收藏、评论、下单等触发操作产生的历史行为数据等。本公开的实施例还可以对历史行为数据进行标记，以标记用户的下单状态，如0表示用户未下单，1表示用户已下单。

对标记后的历史行为数据进行分类，以得到不同类别的历史行为数据集合，如用户针对商家的历史行为数据集合、用户针对菜品的历史行为数据集合、用户针对标签的历史行为数据集合等。其中，每一个历史行为数据集合对应一种类别，也即，类别的数量与子模型的数量相对应。

然后，对所述历史行为数据集合中的历史行为数据按照时间先后进行排序，按照滑动窗口的方式对排序后的历史行为数据集合进行划分，将位于滑动窗口内的历史行为数据作为训练集，将位于滑动窗口外的历史行为数据作为预测集，可以理解，本公开实施例对滑动窗口的窗口大小不加以限制。具体地，对所述训练集中的数据提取特征，可以得到用于训练子模型的训练数据(TrainData)。预测集(TestData)用于对训练的子模型进行验证，以调整优化子模型的参数。

参照表1，示出了本公开的一种用户的历史行为数据的具体示意。

表1

如表1所示，将历史行为数据划分为“用户-商家”和“用户-菜品”两个行为类别的历史行为数据集合，其中，“用户-商家”指用户针对商家的触发操作产生的历史行为数据，“用户-菜品”指用户针对菜品的触发操作产生的历史行为数据。具体地，排序后的两个历史行为数据集合分别为{数据1、数据3、数据4、数据2}和{数据2、数据4、数据5、数据3}，可用于训练两个不同行为类别的子模型。对这两个历史行为数据集合，按照滑动窗口的方式进行划分，将位于滑动窗口内的历史行为数据作为训练集，将位于滑动窗口外的历史行为数据作为预测集。参照表2，示出了本公开的一种划分后的训练集和预测集的具体示意。

表2

如表2所示，滑动窗口的窗口大小为3天，将滑动窗口内(4月1日至4月3日)的历史行为数据作为训练集，将滑动窗口外(4月4日)的历史行为数据作为预测集。在具体应用中，预测集的时间点应该在训练集的时间点之后，表2中预测集的时间点是训练集的时间点的后1天，当然，也可以是后1个小时、后30分钟等。

接下来，根据每一个类别对应的历史行为数据集合中的训练集和预测集，训练不同类别的子模型。具体地，根据用户针对商家的历史行为对应训练集的数据特征和下单标识，训练商家子模型；根据用户针对菜品的历史行为对应训练集的数据特征和下单标识，训练菜品子模型。

可以理解，上述采用两种历史行为类别训练子模型仅作为本公开的一种应用示例，本公开的实施例对采用历史行为类别的数量和种类不加以限制。

例如，根据n个类别对应的历史行为数据集合，可以训练得到如下n个子模型：subModel₁、subModel₂、……、subModel_i、……、subModel_n，其中，subModel_i＝Train_i(TrainData)。其中，Train_i表示第i个子模型的训练过程。

最后，使用训练得到的子模型对预测集进行预测，得到用户对预测集对应的菜品组合的预测推荐概率如下：score₁、score₂、……、score_i、……、score_n，其中，score_i＝subModel_i(TestData)。其中，subModel_i表示第i个子模型的预测过程。根据预测集输出的预测推荐概率，验证子模型是否达到最优，以调整子模型的参数，对子模型进行优化，得到优化后的子模型。

在本公开的一种可选实施例中，所述方法还可以包括：将所述每一个类别对应的历史行为数据集合中的预测集，作为融合模型的训练数据，训练得到融合模型。

在本公开的实施例中，每一个子模型可以从单一的角度体现候选信息组合的推荐概率，而融合模型可以对每个子模型的输出结果进行融合，从综合角度体现候选信息组合的推荐概率。因此，本公开实施例可以将子模型预测集拼接起来得到融合模型的训练数据，因为融合模型的输入特征是各个子模型的输出，具体地，可以将score_i作为特征向量训练融合模型(Model)，也即Model＝Train(score₁，score₂，……，score_i，……，score_n)。

综上，通过获取推荐请求对应的候选信息组合，以及将所述推荐请求对应的用户信息和所述候选信息组合输入至少一个子模型，以通过所述至少一个子模型输出所述候选信息组合对应不同行为类别的推荐概率；并且将所述至少一个子模型输出的各推荐概率，输入融合模型，以输出所述候选信息组合对应的融合概率，进而可以根据所述融合概率，在所述候选信息组合中确定目标组合。由于所述至少一个子模型为根据用户不同类别的历史行为数据训练得到，因此，每一个子模型可以从某个特定角度反应候选信息组合的推荐概率，再通过融合模型对每一个子模型输出的推荐概率进行融合得到融合概率，可以综合反应多个角度的推荐概率，如商家角度、菜品角度等，由此，使得推荐系统可以实现从菜品推荐到菜品组合推荐的拓展，通过向用户推荐更加合适的菜品组合，可以减少用户点餐过程中决策时间较长的问题，不仅为用户点餐提供便利，而且可以提高信息推荐的准确性。

实施例二

参照图2，其示出了在本公开的一个实施例中的信息推荐装置的结构图，具体如下。

候选获取模块201，用于获取推荐请求对应的候选信息组合；

第一预测模块202，用于将所述推荐请求对应的用户信息和所述候选信息组合输入至少一个子模型，以通过所述至少一个子模型输出所述候选信息组合对应不同行为类别的推荐概率；所述至少一个子模型为根据用户不同类别的历史行为数据训练得到；

第二预测模块203，用于将所述至少一个子模型输出的各推荐概率，输入融合模型，以输出所述候选信息组合对应的融合概率；

目标确定模块204，用于根据所述融合概率，在所述候选信息组合中确定目标组合。

可选地，所述候选信息组合为候选菜品组合，所述信息获取模块，包括：

信息获取子模块，用于获取所述推荐请求对应的用户信息，所述用户信息包括：用户标识、用户当前位置；

第一确定子模块，用于确定所述用户标识针对菜品信息的触发操作产生的历史行为数据；

第二确定子模块，用于确定与所述用户当前位置的距离小于预设距离的候选商家，以及所述候选商家提供的菜品信息；

第三确定子模块，用于根据所述候选商家提供的菜品信息、所述用户标识针对菜品信息的触发操作产生的历史行为数据、以及所述候选商家的菜品组合订单信息，确定所述推荐请求对应的候选菜品组合。

可选地，所述至少一个子模型包括：商家子模型、菜品子模型、以及标签子模型中的至少一种；

所述商家子模型，用于输出用户对商家的下单概率；所述商家子模型为根据用户针对商家信息的触发操作产生的历史行为数据训练得到；

所述菜品子模型，用于输出用户对菜品的下单概率；所述菜品子模型为根据用户针对菜品信息的触发操作产生的历史行为数据训练得到；

所述标签子模型，用于输出用户对菜品的下单概率；所述标签子模型为根据用户针对商家信息的触发操作产生的历史行为数据、用户针对菜品信息的触发操作产生的历史行为数据、所述商家信息中提取的商家标签、以及所述菜品信息中提取的菜品标签训练得到。

可选地，所述触发操作至少包括如下任意一项：点击、收藏、下单。

可选地，所述装置还包括：第一训练模块，用于训练得到至少一个子模型；所述第一训练模块，包括：

分类子模块，用于对收集的用户的历史行为数据进行分类，以得到不同类别的历史行为数据集合；其中，每一个历史行为数据集合对应一种类别；

排序子模块，用于对所述历史行为数据集合中的历史行为数据按照时间先后进行排序；

划分子模块，用于按照滑动窗口的方式对排序后的历史行为数据集合进行划分，将位于滑动窗口内的历史行为数据作为训练集，将位于滑动窗口外的历史行为数据作为预测集；

训练子模块，用于根据每一个类别对应的历史行为数据集合中的训练集和预测集，训练不同类别的子模型。

可选地，所述装置还包括：

第二训练模块，用于将所述每一个类别对应的历史行为数据集合中的预测集，作为融合模型的训练数据，训练得到融合模型。

综上所述，本公开的实施例提供了一种信息推荐装置，所述装置包括：候选获取模块201，用于获取推荐请求对应的候选信息组合；第一预测模块202，用于将所述推荐请求对应的用户信息和所述候选信息组合输入至少一个子模型，以通过所述至少一个子模型输出所述候选信息组合对应不同行为类别的推荐概率；所述至少一个子模型为根据用户不同类别的历史行为数据训练得到；第二预测模块203，用于将所述至少一个子模型输出的各推荐概率，输入融合模型，以输出所述候选信息组合对应的融合概率；目标确定模块204，用于根据所述融合概率，在所述候选信息组合中确定目标组合。本公开的实施例可以减少用户点餐过程中决策时间较长的问题，不仅为用户点餐提供便利，而且可以提高信息推荐的准确性。

本公开的实施例还提供了一种电子设备，参见图3，包括：处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的计算机程序3021，所述处理器执行所述程序时实现前述实施例的信息推荐方法。

本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的信息推荐方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的实施例的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的排序设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。

以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种信息推荐方法，其特征在于，所述方法包括：

获取推荐请求对应的候选信息组合；

将所述推荐请求对应的用户信息和所述候选信息组合输入至少一个子模型，以通过所述至少一个子模型输出所述候选信息组合对应不同行为类别的推荐概率；所述至少一个子模型为根据用户不同类别的历史行为数据训练得到；

将所述至少一个子模型输出的各推荐概率，输入融合模型，以输出所述候选信息组合对应的融合概率；

根据所述融合概率，在所述候选信息组合中确定目标组合。

2.根据权利要求1所述的方法，其特征在于，所述候选信息组合为候选菜品组合，所述获取推荐请求对应的候选信息组合，包括：

获取所述推荐请求对应的用户信息，所述用户信息包括：用户标识、用户当前位置；

确定所述用户标识针对菜品信息的触发操作产生的历史行为数据；

确定与所述用户当前位置的距离小于预设距离的候选商家，以及所述候选商家提供的菜品信息；

根据所述候选商家提供的菜品信息、所述用户标识针对菜品信息的触发操作产生的历史行为数据、以及所述候选商家的菜品组合订单信息，确定所述推荐请求对应的候选菜品组合。

3.根据权利要求1所述的方法，其特征在于，所述至少一个子模型包括：商家子模型、菜品子模型、以及标签子模型中的至少一种；

所述商家子模型，用于输出用户对商家的下单概率；所述商家子模型为根据用户针对商家信息的触发操作产生的历史行为数据训练得到；

所述菜品子模型，用于输出用户对菜品的下单概率；所述菜品子模型为根据用户针对菜品信息的触发操作产生的历史行为数据训练得到；

所述标签子模型，用于输出用户对菜品的下单概率；所述标签子模型为根据用户针对商家信息的触发操作产生的历史行为数据、用户针对菜品信息的触发操作产生的历史行为数据、所述商家信息中提取的商家标签、以及所述菜品信息中提取的菜品标签训练得到。

4.根据权利要求3所述的方法，其特征在于，所述触发操作至少包括如下任意一项：点击、收藏、下单。

5.根据权利要求1所述的方法，其特征在于，所述子模型通过如下步骤训练得到：

对收集的用户的历史行为数据进行分类，以得到不同类别的历史行为数据集合；其中，每一个历史行为数据集合对应一种类别；

对所述历史行为数据集合中的历史行为数据按照时间先后进行排序；

按照滑动窗口的方式对排序后的历史行为数据集合进行划分，将位于滑动窗口内的历史行为数据作为训练集，将位于滑动窗口外的历史行为数据作为预测集；

根据每一个类别对应的历史行为数据集合中的训练集和预测集，训练不同类别的子模型。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

将所述每一个类别对应的历史行为数据集合中的预测集，作为融合模型的训练数据，训练得到融合模型。

7.一种信息推荐装置，其特征在于，所述装置包括：

候选获取模块，用于获取推荐请求对应的候选信息组合；

第一预测模块，用于将所述推荐请求对应的用户信息和所述候选信息组合输入至少一个子模型，以通过所述至少一个子模型输出所述候选信息组合对应不同行为类别的推荐概率；所述至少一个子模型为根据用户不同类别的历史行为数据训练得到；

第二预测模块，用于将所述至少一个子模型输出的各推荐概率，输入融合模型，以输出所述候选信息组合对应的融合概率；

目标确定模块，用于根据所述融合概率，在所述候选信息组合中确定目标组合。

8.根据权利要求7所述的装置，其特征在于，所述候选信息组合为候选菜品组合，所述信息获取模块，包括：

信息获取子模块，用于获取所述推荐请求对应的用户信息，所述用户信息包括：用户标识、用户当前位置；

第一确定子模块，用于确定所述用户标识针对菜品信息的触发操作产生的历史行为数据；

第二确定子模块，用于确定与所述用户当前位置的距离小于预设距离的候选商家，以及所述候选商家提供的菜品信息；

第三确定子模块，用于根据所述候选商家提供的菜品信息、所述用户标识针对菜品信息的触发操作产生的历史行为数据、以及所述候选商家的菜品组合订单信息，确定所述推荐请求对应的候选菜品组合。

9.一种电子设备，其特征在于，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中一个或多个所述的信息推荐方法。

10.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-6中一个或多个所述的信息推荐方法。