CN110516164A - 一种信息推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种信息推荐方法、装置、设备及存储介质。其中，该方法包括：根据定性预测深度学习模型生成物品集合，确定与物品集合中各个物品对应的概率值，根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；根据概率值与预测值对物品集合中的物品进行排序；将排序后物品的信息推荐给用户。通过这样的方式，将定性预测与定量预测相结合，在发挥定性预测的优点，保障推荐内容具有相关性的同时，也能根据定量预测充分考虑用户的兴趣偏好，从而更加准确地向用户推荐其感兴趣的内容。

Description

一种信息推荐方法、装置、设备及存储介质

技术领域

本发明实施例涉及计算机处理技术，尤其涉及一种信息推荐方法、装置、设备及存储介质。

背景技术

在大数据与互联网时代，很多企业为了满足用户的个性化需求，会广泛运用各种推荐算法以主动将产品呈现给用户，因此，各种推荐算法和模型层出不穷。

但在现有的算法中，如谷歌开源的深度学习框架TensorFlow中的神经协同过滤(neural collaborative filter，NCF)模型，只是将用户的行为数据统一转化成0和1，定性预测用户的兴趣偏好；交叉最小二乘法(alternative least squares，ALS)矩阵分解模型等协同过滤模型，无论是进行显性评分(1-5分)，还是隐形评分(点击次数、收听时长等)，这些评分数据都是对于特征的线性拟合，只能定量预测用户的兴趣偏好。

而一般情况下，定性预测用户的兴趣偏好没有考虑到用户真实的兴趣偏好程度，不能准确抓住用户的兴趣重点；定量预测用户的兴趣偏好则会出现一些不相关的推荐内容，影响用户体验。

发明内容

本发明提供一种信息推荐方法、装置、设备及存储介质，能够将定性预测与定量预测相结合，在保障推荐内容具有相关性的同时，充分考虑用户的兴趣偏好，更加准确地向用户推荐其感兴趣的内容。

第一方面，本发明实施例提供了一种信息推荐方法，该方法包括：

根据定性预测深度学习模型生成物品集合；

确定与物品集合中各个物品对应的概率值；

根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；

根据概率值与预测值对物品集合中的物品进行排序；

将排序后物品的信息推荐给用户。

第二方面，本发明实施例还提供了一种信息推荐装置，该装置包括：

生成单元，用于根据定性预测深度学习模型生成物品集合；

确定单元，用于确定与物品集合中各个物品对应的概率值；

生成单元，用于根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；

排序单元，用于根据概率值与预测值对物品集合中的物品进行排序；

推荐单元，用于将排序后物品的信息推荐给用户。

第三方面，本发明实施例还提供了一种计算机设备，该设备包括：

存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当处理器执行计算机程序时，实现如本发明任意实施例所提供的信息推荐方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当计算机程序被处理器执行时，实现如本发明任意实施例所提供的信息推荐方法。

本发明实施例提供了一种信息推荐方法、装置、设备及存储介质，根据定性预测深度学习模型生成物品集合，确定与物品集合中各个物品对应的概率值；根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；根据概率值与预测值对物品集合中的物品进行排序；将排序后物品的信息推荐给用户。通过这样的方式，将定性预测与定量预测相结合，在发挥定性预测的优点，保障推荐内容具有相关性的同时，也能根据定量预测充分考虑用户的兴趣偏好，从而更加准确地向用户推荐其感兴趣的内容。

附图说明

图1是本发明实施例一中的信息推荐方法流程图；

图2是本发明实施例二中的信息推荐方法流程图；

图3是本发明实施例三中的信息推荐装置示意图；

图4是本发明实施例四中的信息推荐装置示意图；

图5是本发明实施例五中的信息推荐设备示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

另外，在本申请实施例中，“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本发明实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。

为了更加方便、清楚地描述本发明实施例，在此首先对本发明实施例中涉及到的相关概念，如用户、物品以及行为数据等做进一步地说明。

例如，将用户标记为user，假设有k个用户，则用户集合可以表示为{user_1，user_2，……，user_k}；

将物品标记为A，假设该物品有m个对象，则该对象的集合可以表示为{A_1，A_2，……，A_m}；

将行为数据标记为rating，则符号“rating”加上用户索引号，如user_1，再加上物品索引号，如A_1，就表示对应的用户对物品的评分，如user_1对A_1的评分记为rating_1_1。因此，行为数据的集合可以表示为{rating_1_1，rating_1_2，……，rating_k_m}。

其中，行为数据可以理解为用户在某物品上有访问痕迹，如用户在某电商平台上浏览了某物品，或者在某网页上观看了某视频等等。行为集合中的评分可以为用户定性评分或用户定量评分，该评分能够定性或定量的衡量用户的兴趣偏好。

实施例一

在上述概念的基础上，本发明实施例提供一种信息推荐方法，具体实现过程如图1所示，包括：

S101、根据定性预测深度学习模型生成物品集合。

在对定性预测深度学习模型的参数更新时，根据更新的定性预测深度学习模型得到正负样本集合，该正负样本集合中包括至少一份正负样本，一份正负样本对应一个物品。因此，可以通过至少一份正负样本生成由至少一个物品所构成的物品集合。

S102、确定与物品集合中各个物品对应的概率值。

物品集合生成之后，根据定性预测深度学习模型进行定性预测，预测用户的兴趣偏好，并针对物品集合中的每一个物品输出对应的概率值。

S103、根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值。

由于物品集合中包含有至少一个物品，且每个物品有对应的概率值，因而，可以根据概率值的大小对与概率值对应的物品进行排序。

根据定量预测深度学习模型进行定量预测，预测用户的兴趣偏好，并针对排序后的物品输出与每一个物品对应的预测值。

需要说明的是，在根据定量预测深度学习模型进行定量预测时，所选取的排序后的物品可以为物品集合中的所有物品，也可以为排序后的前若干个物品，本发明实施例对此不作限定。

当然，本领域技术人员可以理解的是，若选取的排序后的物品为物品集合中的所有物品，那么此时可以不用对物品集合中的物品进行排序，而只需预测生成物品集合中与所有物品对应的预测值即可。

S104、根据概率值与预测值对物品集合中的物品进行排序。

由于在根据定量预测深度学习模型进行定量预测得到预测值时，所选用的物品包含在根据定性预测模型生成的物品集合中。所以，可以通过与物品对应的概率值、预测值，对这些物品进行排序。

可选地，本发明实施例提供一种实现方式为，将与物品一一对应的概率值、预测值相乘，根据相乘后得到的最终预测值的大小，对与该最终预测值对应的物品重新进行排序。

S105、将排序后物品的信息推荐给用户。

在得到排序后的物品之后，可以将位于前几名的物品确定为用户比较感兴趣的物品，进而将这些物品的信息，如网址链接、图片等，推荐给用户。

本发明实施例提供了一种信息推荐方法，具体为根据定性预测深度学习模型生成物品集合；确定与物品集合中各个物品对应的概率值；根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；根据概率值与预测值对物品集合中的物品进行排序，并将排序后物品的信息推荐给用户。在本发明实施例提供的方案中，通过将定性预测与定量预测相结合的方式，在发挥定性预测的优点，保障推荐内容具有相关性的同时，也能根据定量预测充分考虑用户的兴趣偏好，从而更加准确地向用户推荐其感兴趣的内容。

实施例二

在图1的基础上，本发明实施例提供一种信息推荐方法，如图2所示，具体包括：

S201、根据用户定量行为数据生成用户定性行为数据。

基于前面提到的用户、物品以及行为数据等符号说明，假设用户user_1在物品A_1和A_2上有行为数据，评分分别为rating_1_1、rating_1_2；user_2在物品A_2、A_3和A_10上有行为数据，评分分别为rating_2_2、rating_2_3和rating_2_10，则用户在物品A上的用户定量行为数据如表1所示。

表1

可以理解的是，用户定量行为数据中包括有至少一个用户ID、至少一个物品ID以及至少一个用户定量评分，并且，至少一个用户ID、至少一个物品ID以及至少一个用户定量评分之间呈对应关系。其中，用户定量评分为一个具体的数值，能够定量地反映用户对某个物品感兴趣的程度。比如，用户收听某个专辑，收听时间越长，用户定量评分越高，表示用户对该专辑越感兴趣。当然，也可以对用户收听时长、收听次数等信息进行综合考量，确定用户定量评分，本发明实施例对此不作限定。

将用户定量行为中用户定量评分大于阈值的数据设为第一数据，将用户定量行为数据中用户定量评分小于或等于阈值的数据设为第二数据，其中，第一数据和第二数据可以作为用户定性评分。根据用户定性评分、用户ID、物品ID生成用户定性行为数据。

可选地，以阈值为0，第一数据为1，第二数据为0为例，则用户定性行为数据表如表2所示。

表2

用户定性评分可以反映用户对某个物品是否感兴趣，如1表示感兴趣，0表示不感兴趣。

S202、根据用户定性行为数据训练定性预测深度学习模型。

将用户ID以及物品ID作为输入层，然后对所有的用户ID、物品ID进行Embedding映射。

本领域技术人员可以理解的是，Embedding映射是将一个单词ID映射为一个多维向量。也就是说，在经过Embedding映射之后，每个用户ID对应一个向量，每个物品ID对应一个向量，该向量的维度可以根据实际需求进行设计，例如，在本发明实施例中，将该向量的维度设置为50。

对映射后的用户Embedding向量和物品Embedding向量进行相乘，进而采用激活函数作为输出层输出预测值，同时通过损失函数对输出值进行优化。

可选地，在本发明实施例中，激活函数可以选用sigmoid函数，损失函数可以选用对数函数。

由于进行定性预测深度学习模型训练时，所需要的样本为正负样本，而用户对于物品的行为数据都是正样本，因此，需要进行负采样以生成负样本。

其中，正样本为第一数据以及与第一数据对应的用户ID、物品ID，负样本为第二数据以及与第二数据对应的用户ID、物品ID。也即用户定性评分为1以及该用户定性评分所对应的用户ID、物品ID为正样本，用户定性评分为0以及该用户定性评分所对应的用户ID、物品ID为负样本。

可选地，本发明实施例提供一种负采样方法为，每个正样本对应若干个负样本，如选取4个负样本。即将用户在物品上的用户定性评分为第一数据的样本作为正样本，然后从用户在物品上的用户定性评分为第二数据的样本中选取若干个样本作为负样本，从而得到针对该用户的正负样本。

以用户user_1和物品A_1、A_2为例，从表2可以看出，用户user_1在物品A_1、A_2上的用户定性评分均为1，即这两个样本为正样本，则通过在物品A_1和A_2之外的物品上进行随机负采样，分别选取4个物品，如正样本用户user_1、物品A_1和用户定性评分1所对应的负样本分别为用户user_1、物品A_5、A_8、A_11、A_20，且用户user_1在这4个物品上的用户定性评分均为0，正样本用户user_1、物品A_2和用户定性评分1所对应的负样本分别为用户user_1、物品A_50、A_9、A_30、A_39，同样地，用户user_1在这4个物品上的用户定性评分也都为0。

本领域技术人员可以理解的是，其他正样本所对应的负样本也采用同样的方法采样得到，通过这种方法进而得到训练定性预测深度学习模型所需要的正负样本，如表3所示。

表3

在对定性预测深度学习模型训练时，可以对模型参数进行更新。例如，可以选用多次迭代随机梯度下降算法来更新模型参数。

S203、根据用户定量行为数据训练定量预测深度学习模型。

将用户ID和物品ID作为输入层，然后对所有的用户ID、物品ID进行Embedding映射。经过Embedding映射之后，每个用户ID对应一个向量，每个物品ID对应一个向量，映射后向量的维度可以设置为300。

需要说明的是，由于用户定性行为数据是基于用户定量行为数据生成的，因而，训练定量预测深度学习模型的数据来源与训练定性预测深度学习模型的数据来源一致，即来自于表1中的数据，且该数据不需要做任何变换。

与训练定性预测深度学习模型不同的是，在训练定量预测深度学习模型的过程中，不需要负样本，因此这一过程不需要进行负采样。

对映射后的用户Embedding向量和物品Embedding向量进行相乘，进而采用激活函数作为输出层输出预测值，同时通过损失函数对输出值进行优化。

可选地，在训练定量预测深度学习模型的过程中，激活函数可以选用linear函数，损失函数可以选用均方误差函数。

当然，该激活函数与损失函数也可以选用其他的函数。但本领域技术人员可以理解的是，训练定量预测深度学习模型过程中所选用的激活函数和损失函数需要与训练定性预测深度学习模型过程中所采用的激活函数和损失函数相匹配。

在对定量预测深度学习模型训练时，可以对模型参数进行更新。例如，可以选用多次迭代随机梯度下降算法来更新模型参数。

需要说明的是，在本发明实施例中，S203并不局限于一定在S202之后发生。

S204、根据定性预测深度学习模型生成物品集合。

在对定性预测深度学习模型的参数进行更新时，每次迭代过程中都会生成一个正负样本，该至少一个正负样本构成正负样本集合。

其中，一份正负样本由一个正样本和若干个负样本组成，且一份正负样本对应一个物品。因此，可以根据至少一份正负样本生成由至少一个物品所构成的物品集合。

S205、确定与物品集合中各个物品对应的概率值。

生成物品集合之后，根据定性预测深度学习模型对用户的兴趣偏好进行定性预测，并针对物品集合中的每一个物品输出对应的概率值。

S206、根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值。

因为物品集合中包含有至少一个物品，且每个物品都有与其对应的概率值，因此，可以根据概率值的大小对与概率值对应的物品进行排序。

根据定量预测深度学习模型进行定量预测，预测用户的兴趣偏好，并对排序后的物品输出与每一个物品对应的预测值。

需要说明的是，在根据定量预测深度学习模型进行定量预测时，所选取的排序后的物品可以为物品集合中的所有物品，也可以为排序后的前若干个物品，本发明实施例对此不作限定。

当然，本领域技术人员可以理解的是，若选取的排序后的物品为物品集合中的所有物品，那么此时可以不用对物品集合中的物品进行排序，而只需预测生成物品集合中所有物品的预测值即可。

S207、根据概率值与预测值对物品集合中的物品进行排序。

由于在根据定量预测深度学习模型进行定量预测得到预测值时，所选用的物品包含在根据定性预测模型生成的物品集合中。因此，可以通过与物品对应的概率值、预测值，对这些物品进行排序。

可选地，本发明实施例提供一种实现方式为，将与物品一一对应的概率值、预测值相乘，根据相乘后得到的最终预测值的大小，对与该最终预测值对应的物品重新进行排序。

S208、将排序后物品的信息推荐给用户。

在得到排序后的物品之后，可以将位于前几名的物品确定为用户比较感兴趣的物品，进而将这些物品的信息，如网址链接、图片等，推荐给用户。

本发明实施例提供了一种信息推荐方法，具体为根据用户定量行为数据生成用户定性行为数据；根据用户定性行为数据训练定性预测深度学习模型；根据用户定量行为数据训练定量预测深度学习模型；根据定性预测深度学习模型生成物品集合；确定与物品集合中各个物品对应的概率值；根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；根据概率值与预测值对物品集合中的物品进行排序，并将排序后物品的信息推荐给用户。在本发明实施例提供的方案中，通过将定性预测与定量预测相结合的方式，在发挥定性预测的优点，保障推荐内容具有相关性的同时，也能根据定量预测充分考虑用户的兴趣偏好，从而更加准确地向用户推荐其感兴趣的内容。

实施例三

本发明实施例所提供的信息推荐装置可以执行本发明实施例一、二所提供的信息推荐方法，具备执行方法相应的功能模块和有益效果。

本发明实施例可以根据上述实施例一、二对信息推荐装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

在采用对应各个功能划分各个功能模块的情况下，图3示出了上述实施例一中所涉及的信息推荐装置的一种可能的结构示意图，信息推荐装置30可以包括：生成单元301，确定单元302，排序单元303，推荐单元304、训练单元305。生成单元301用于支持信息推荐装置执行图1中的S101、S103，图2中的S201、S204、S206；确定单元301用于支持信息推荐装置执行图1中的S102、图2中的S205；排序单元303用于支持信息推荐装置执行图1中的S104、S207；推荐单元304用于支持信息推荐装置执行图1中的S105、图2中的S208；训练单元305用于支持信息推荐装置执行图2中的S202、S203。

实施例四

本发明实施例所提供的信息推荐装置可以执行本发明实施例一、二所提供的信息推荐方法，具备执行方法相应的功能模块和有益效果。

在采用集成的单元的情况下，图4示出了上述实施例一、二中所涉及的信息推荐装置40的一种可能的结构示意图。例如，处理模块401用于支持信息推荐装置执行图1中的S101至S105、图2中的S201至S208，和/或用于本文所描述的技术的其它过程。存储模块402用于存储信息推荐装置的程序代码和数据。

其中，处理模块401可以是处理器或控制器，例如可以是中央处理器(CentralProcessing Unit，CPU)，通用处理器，数字信号处理器(Digital Signal Processor，DSP)，专用集成电路(Application-Specific Integrated Circuit，ASIC)，现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。

实施例五

图5为本发明实施例五提供的一种信息推荐设备结构示意图，如图5所示，该信息推荐设备50包括处理器500、存储器501、输入装置1002、输出装置1003；信息推荐设备中处理器500的数量可以是一个或多个，图5中以一个处理器500为例；信息推荐设备中的处理器500、存储器501、输入装置502、输出装置503可以通过总线或其他方式连接，图5中以通过总线连接为例。

存储器501作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的信息推荐方法对应的程序指令/模块(例如，信息推荐装置中的处理模块401和存储模块402)。处理器500通过运行存储在存储器501中的软件程序、指令以及模块，从而执行信息推荐设备的各种功能应用以及数据处理，即实现上述的信息推荐方法。

存储器501可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器501可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器501可进一步包括相对于处理器500远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置502可用于接收输入的数字或字符信息，以及产生与信息推荐装置的用户设置以及功能控制有关的键信号输入。输出装置503可包括显示屏等显示设备。

实施例六

本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种信息推荐方法，该方法包括：

根据定性预测深度学习模型生成物品集合；

确定与物品集合中各个物品对应的概率值；

根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；

根据概率值与预测值对物品集合中的物品进行排序；

将排序后物品的信息推荐给用户。

当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的信息推荐方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述信息推荐装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种信息推荐方法，其特征在于，包括：

根据定性预测深度学习模型生成物品集合；

确定与所述物品集合中各个物品对应的概率值；

根据定量预测深度学习模型对所述物品集合进行定量预测，生成与所述物品集合中各个物品对应的预测值；

根据所述概率值与所述预测值对所述物品集合中的物品进行排序；

将排序后物品的信息推荐给用户。

2.根据权利要求1所述的信息推荐方法，其特征在于，在所述根据定性预测深度学习模型生成物品集合之前，所述方法还包括：

根据用户定性行为数据训练定性预测深度学习模型；

以及，根据用户定量行为数据训练定量预测深度学习模型。

3.根据权利要求2所述的信息推荐方法，其特征在于，在所述根据用户定性行为数据训练定性预测深度学习模型之前，所述方法还包括：

根据所述用户定量行为数据生成所述用户定性行为数据；

其中，所述用户定量行为数据包括至少一个用户ID、至少一个物品ID以及至少一个用户定量评分，所述至少一个用户ID、所述至少一个物品ID以及所述至少一个用户定量评分之间呈对应关系。

4.根据权利要求3所述的信息推荐方法，其特征在于，所述根据所述用户定量行为数据生成所述用户定性行为数据，包括：

将所述用户定量行为数据中用户定量评分大于阈值的数据设为第一数据，将所述用户定量行为数据中用户定量评分小于或等于阈值的数据设为第二数据，所述第一数据和所述第二数据为用户定性评分；

根据所述用户定性评分、所述用户ID和所述物品ID生成所述用户定性行为数据。

5.根据权利要求1所述的信息推荐方法，其特征在于，所述根据定性预测深度学习模型生成物品集合，包括：

更新所述定性预测深度学习模型参数，得到正负样本集合，所述正负样本集合包括至少一份正负样本，所述一份正负样本对应一个物品；

根据至少一个所述物品生成所述物品集合；

其中，正样本为第一数据以及与第一数据对应的用户ID、物品ID，负样本为第二数据以及与第二数据对应的用户ID、物品ID，所述第一数据为用户定量行为数据中用户定量评分大于阈值的数据，所述第二数据为用户定量行为数据中用户定量评分小于或等于阈值的数据。

6.根据权利要求1所述的信息推荐方法，其特征在于，所述根据定量预测深度学习模型对所述物品集合进行定量预测，包括：

根据所述物品集合中与所述各个物品对应的概率值，对所述各个物品进行排序；

根据所述定量预测深度学习模型对排序后的各个物品进行定量预测。

7.根据权利要求1-6任一项所述的信息推荐方法，其特征在于，所述根据所述概率值与所述预测值对所述物品集合中的物品进行排序，包括：

将所述物品集合中与各个物品对应的所述概率值与所述预测值相乘得到最终预测值；

根据所述最终预测值的大小，对所述物品集合中与所述最终预测值对应的物品进行排序。

8.一种信息推荐装置，其特征在于，包括：

生成单元，用于根据定性预测深度学习模型生成物品集合；

确定单元，用于确定与所述物品集合中各个物品对应的概率值；

所述生成单元，用于根据定量预测深度学习模型对所述物品集合进行定量预测，生成与所述物品集合中各个物品对应的预测值；

排序单元，用于根据所述概率值与所述预测值对所述物品集合中的物品进行排序；

推荐单元，用于将排序后物品的信息推荐给用户。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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计算机程序时，实现如权利要求1-7任一项所述的信息推荐方法。

10.一种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1-7中任一项所述的信息推荐方法。