CN110647683B - 一种信息推荐方法、装置 - Google Patents

一种信息推荐方法、装置 Download PDF

Info

Publication number
CN110647683B
CN110647683B CN201910875337.XA CN201910875337A CN110647683B CN 110647683 B CN110647683 B CN 110647683B CN 201910875337 A CN201910875337 A CN 201910875337A CN 110647683 B CN110647683 B CN 110647683B
Authority
CN
China
Prior art keywords
item
recommended
information
user
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910875337.XA
Other languages
English (en)
Other versions
CN110647683A (zh
Inventor
张兴
韩策
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910875337.XA priority Critical patent/CN110647683B/zh
Publication of CN110647683A publication Critical patent/CN110647683A/zh
Application granted granted Critical
Publication of CN110647683B publication Critical patent/CN110647683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种信息推荐方法、装置，方法包括：获取待推荐用户的用户信息及多个待推荐项目的项目信息；根据待推荐项目对应的参考信息，确定喜好关系信息；将用户信息、项目信息及喜好关系信息输入信息处理模型，得到用户向量、目标项目向量、喜好关系向量和喜好关系超平面；确定用户向量在喜好关系超平面上的投影向量与喜好关系向量的加和，作为待推荐用户预期向量；根据待推荐用户预期向量与项目投影向量的距离，确定待推荐用户对每个待推荐项目的第一兴趣值；根据待推荐项目的第一兴趣值，从待推荐项目中确定目标推荐项目，并将目标推荐项目的项目信息推送至待推荐用户。采用本方法实施例，可以为新用户推送目标推荐项目的项目信息。

Description

一种信息推荐方法、装置
技术领域
本发明涉及数据处理技术领域，特别是涉及一种信息推荐方法、装置。
背景技术
随着互联网相关技术的高速发展，网络信息的数据量呈现出指数级的增长，与此同时，用户在大量网络信息中获取所需信息的难度越来越大。为了向用户提供所需的信息，个性化推荐方法应运而生。
目前常用的个性化推荐方法，一般可以根据用户的历史数据为用户提供推荐信息，其中，历史数据可以为用户的搜索历史记录、商品购买记录等。由于用户很可能选择与用户历史数据中项目相似的待推荐项目，所以电子设备可以计算用户历史数据中项目与待推荐项目之间的相似度，然后可以根据用户对历史数据中项目的兴趣值和上述相似度，计算用户对待推荐项目的兴趣值，进而根据用户对待推荐项目的兴趣值确定推荐信息。
这样，如果待推荐项目与用户历史数据中项目的相似度高，用户对待推荐项目的兴趣值也就高。其中，项目为用户在不同的场景下可能选择的对象，例如，当用户想要购买商品时，项目可以为用户可能选择的商品；又例如，当用户想要听音乐时，项目可以为用户可能选择的音乐。
由于新用户不存在历史数据，根据上述推荐方法无法确定新用户对待推荐项目的兴趣值，也就无法为新用户提供推荐信息。
发明内容
本发明实施例的目的在于提供一种信息推荐方法、装置，以向新用户提供目标推荐项目的项目信息。具体技术方案如下：
第一方面，本发明实施例提供了一种信息推荐方法，所述方法包括：
获取待推荐用户的用户信息及多个待推荐项目的项目信息；
根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息，其中，所述喜好关系信息为表示所述用户对于对应的待推荐项目的喜好行为的信息；
将所述用户信息、所述项目信息及所述喜好关系信息输入信息处理模型，根据所述用户信息、所述项目信息及所述喜好关系信息的词语特征进行信息处理，得到所述用户信息对应的用户向量、所述项目信息对应的目标项目向量及所述喜好关系信息对应的喜好关系向量和喜好关系超平面，其中，所述信息处理模型包括用户信息、项目信息及喜好关系信息与用户向量、目标项目向量、喜好关系向量及喜好关系超平面的对应关系；
确定所述用户向量在所述喜好关系超平面上的投影向量与所述喜好关系向量的加和，作为待推荐用户预期向量；
根据所述待推荐用户预期向量与项目投影向量之间的距离，确定所述待推荐用户对每个所述待推荐项目的第一兴趣值，其中，所述项目投影向量为所述目标项目向量在所述喜好关系超平面上的投影向量；
根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。
可选的，在所述根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户的步骤之前，所述方法还可以包括：
判断所述待推荐项目中是否存在所述待推荐用户对应的历史项目；
如果不存在，执行所述根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户的步骤；
如果存在，确定每个所述历史项目与每个非历史项目之间的语义相似度，其中，所述非历史项目为不属于所述历史项目的待推荐项目；
根据每个所述历史项目与每个所述非历史项目之间的语义相似度和所述非历史项目对应的第一兴趣值，计算所述待推荐用户对每个所述非历史项目的第二兴趣值；
根据所述非历史项目对应的第二兴趣值，从所述非历史项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。
可选的，所述根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息的步骤，可以包括：
根据预先收集的所述待推荐项目对应的参考信息，建立推荐知识图谱；
从所述推荐知识图谱中确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息。
可选的所述信息处理模型的训练方式，可以包括：
获取初始信息处理模型和多个训练样本，其中，每个所述训练样本包括用户信息样本、项目信息样本及喜好关系信息样本；
确定每个所述训练样本包括的所述用户信息样本对应的用户向量样本、所述项目信息样本对应的目标项目向量样本及所述喜好关系信息样本对应的喜好关系向量样本和喜好关系超平面样本，得到每个训练样本的标定标签；
将所述训练样本输入所述初始信息处理模型，得到预测标签；
基于所述预测标签及对应的训练样本的标定标签，调整所述初始信息处理模型的参数，直到所述初始信息处理模型的迭代次数达到预设次数，或，所述初始信息处理模型输出的预测标签的准确度达到预设值，停止训练，得到所述信息处理模型。
可选的，所述确定所述待推荐用户对每个所述待推荐项目的第一兴趣值的步骤，可以包括：
根据公式
Figure BDA0002204148990000031
计算所述待推荐用户对每个所述待推荐项目的第一兴趣值；
其中，rua为待推荐用户u对待推荐项目a的第一兴趣值，l为所述喜好关系向量，
Figure BDA0002204148990000032
为所述待推荐用户u对应的用户向量在所述喜好关系超平面上的投影向量，
Figure BDA0002204148990000033
为所述待推荐项目a对应的目标项目向量在所述喜好关系超平面上的投影向量，a∈{1，2，...，n}，n为所述待推荐项目的数量。
可选的，所述确定每个所述历史项目与每个所述非历史项目之间的语义相似度的步骤，可以包括：
根据公式
Figure BDA0002204148990000034
计算每个所述历史项目与每个所述非历史项目之间的语义相似度；
其中，wbc为历史项目b与非历史项目c之间的语义相似度，eb为所述历史项目b对应的目标项目向量，ec为所述非历史项目c对应的目标项目向量，b∈{1，2，...，B}，B为所述历史项目的数量，c∈{1，2，...，C}，C为所述非历史项目的数量。
可选的，所述根据每个所述历史项目与每个所述非历史项目之间的语义相似度和所述非历史项目对应的第一兴趣值，计算所述待推荐用户对每个所述非历史项目的第二兴趣值的步骤，可以包括：
根据公式
Figure BDA0002204148990000041
计算所述待推荐用户对每个所述非历史项目的第二兴趣值；
其中，puj为待推荐用户u对非历史项目Tj的第二兴趣值，Ru为所述待推荐用户u对应的历史项目的集合，wij为非历史项目Tj与历史项目Ri之间的语义相似度，ruj为Tj对应的第一兴趣值，i∈{1，2，...，s}，s为所述待推荐用户u对应的历史项目的数量，j∈{1，2，...，q}，q为所述非历史项目的数量。
第二方面，本发明实施例提供了一种信息推荐装置，所述装置包括：
信息获取模块，用于获取待推荐用户的用户信息及多个待推荐项目的项目信息；
喜好关系信息确定模块，用于根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息，其中，所述喜好关系信息为表示所述用户对于对应的待推荐项目的喜好行为的信息；
信息处理模块，用于将所述用户信息、所述项目信息及所述喜好关系信息输入信息处理模型，根据所述用户信息、所述项目信息及所述喜好关系信息的词语特征进行信息处理，得到所述用户信息对应的用户向量、所述项目信息对应的目标项目向量及所述喜好关系信息对应的喜好关系向量和喜好关系超平面，其中，所述信息处理模型包括用户信息、项目信息及喜好关系信息与用户向量、目标项目向量、喜好关系向量及喜好关系超平面的对应关系，所述信息处理模型为模型训练模块根据训练样本及其标定标签预先训练完成的；
用户预期确定模块，用于确定所述用户向量在所述喜好关系超平面上的投影与所述喜好关系向量的加和，作为待推荐用户预期向量；
第一兴趣值确定模块，用于根据所述待推荐用户预期向量与项目投影向量之间的距离，确定所述待推荐用户对每个所述待推荐项目的第一兴趣值，其中，所述项目投影向量为所述目标项目向量在所述喜好关系超平面上的投影向量；
第一目标项目确定模块，用于根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。
可选的，所述装置还可以包括：
判断模块，用于在根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户之前，判断所述待推荐项目中是否存在所述待推荐用户对应的历史项目；
执行模块，用于如果不存在，执行所述根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户的步骤；
语义相似度确定模块，用于如果存在，确定每个所述历史项目与每个非历史项目之间的语义相似度，其中，所述非历史项目为不属于所述历史项目的待推荐项目；
第二兴趣值确定模块，用于根据每个所述历史项目与每个所述非历史项目之间的语义相似度和所述非历史项目对应的第一兴趣值，计算所述待推荐用户对每个所述非历史项目的第二兴趣值；
第二目标推荐项目确定模块，用于根据所述非历史项目对应的第二兴趣值，从所述非历史项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。
可选的，所述喜好关系信息确定模块可以包括：
知识图谱建立子模块，用于根据预先收集的所述待推荐项目对应的参考信息，建立推荐知识图谱；
喜好关系信息确定子模块，用于从所述推荐知识图谱中确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息。
本发明实施例所提供的方案中，电子设备可以获取待推荐用户的用户信息及多个待推荐项目的项目信息，然后根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息，再将所述用户信息、所述项目信息及所述喜好关系信息输入信息处理模型，根据所述用户信息、所述项目信息及所述喜好关系信息的词语特征进行信息处理，得到所述用户信息对应的用户向量、所述项目信息对应的目标项目向量及所述喜好关系信息对应的喜好关系向量和喜好关系超平面，进而确定所述用户向量在所述喜好关系超平面上的投影向量与所述喜好关系向量的加和，作为待推荐用户预期向量，并根据所述待推荐用户预期向量与项目投影向量之间的距离，确定所述待推荐用户对每个所述待推荐项目的第一兴趣值，便可以根据所述待推荐项目的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。这样，当待推荐用户为不存在历史行为数据的新用户时，电子设备也可以为待推荐用户提供目标推荐项目的项目信息。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种信息推荐方法的流程图；
图2为基于图1所示实施例的项目信息推送方式的一种流程图；
图3为基于图1所示实施例的信息处理模型的训练方式的一种流程图；
图4为本发明实施例所提供的一种信息推荐装置的结构示意图；
图5为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了向新用户提供目标推荐项目的项目信息，本发明实施例提供了一种信息推荐方法、装置、电子设备及计算机可读存储介质。
下面首先对本发明实施例所提供的一种信息推荐方法进行介绍。
本发明实施例所提供的一种信息推荐方法可以应用于任意需要向用户推荐信息的电子设备，例如，可以为电脑、手机、处理器等，在此不做具体限定。为了描述方便，后续简称电子设备。
如图1所示，一种信息推荐方法，所述方法可以包括：
S101，获取待推荐用户的用户信息及多个待推荐项目的项目信息；
S102，根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息；
其中，所述喜好关系信息为表示所述用户对于对应的待推荐项目的喜好行为的信息。
S103，将所述用户信息、所述项目信息及所述喜好关系信息输入信息处理模型，根据所述用户信息、所述项目信息及所述喜好关系信息的词语特征进行信息处理，得到所述用户信息对应的用户向量、所述项目信息对应的目标项目向量及所述喜好关系信息对应的喜好关系向量和喜好关系超平面；
其中，所述信息处理模型包括用户信息、项目信息及喜好关系信息与用户向量、目标项目向量、喜好关系向量及喜好关系超平面的对应关系。
S104，确定所述用户向量在所述喜好关系超平面上的投影向量与所述喜好关系向量的加和，作为待推荐用户预期向量；
S105，根据所述待推荐用户预期向量与项目投影向量之间的距离，确定所述待推荐用户对每个所述待推荐项目的第一兴趣值；
其中，所述项目投影向量为所述目标项目向量在所述喜好关系超平面上的投影向量。
S106，根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。
可见，本发明实施例所提供的方案中，电子设备可以获取待推荐用户的用户信息及多个待推荐项目的项目信息，然后根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息，再将所述用户信息、所述项目信息及所述喜好关系信息书输入信息处理模型，根据所述用户信息、所述项目信息及所述喜好关系信息的词语特征进行信息处理，得到所述用户信息对应的用户向量、所述项目信息对应的目标项目向量及所述喜好关系信息对应的喜好关系向量和喜好关系超平面，进而确定所述用户向量在所述喜好关系超平面上的投影向量与所述喜好关系向量的加和，作为待推荐用户预期向量，并根据所述待推荐用户预期向量与项目投影向量之间的距离，确定所述待推荐用户对每个所述待推荐项目的第一兴趣值，便可以根据所述待推荐项目的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。可见，当待推荐用户为不存在历史行为数据的新用户时，电子设备也可以为待推荐用户提供目标推荐项目的项目信息。
在上述步骤S101中，当需要在多个待推荐项目的项目信息中，确定合适的推荐给用户的项目信息时，电子设备可以获取该用户的用户信息及多个待推荐项目的项目信息，该用户即为待推荐用户。其中，用户信息可以包括待推荐用户的姓名、账号、所在地区等信息。
上述待推荐项目可以为待推荐用户在不同情况下可能选择的项目。例如，当电子设备确定待推荐用户需要购买商品时，待推荐项目可以为商品；当电子设备确定待推荐用户想要观看电影时，待推荐项目可以为电影；当电子设备确定待推荐用户需要外出就餐时，待推荐项目可以为餐馆；当电子设备确定待推荐用户需要选择想要参加的志愿服务项目时，待推荐项目可以为志愿服务项目。
上述项目信息为表示待推荐项目特征属性的信息，可以供用户查看，以使用户了解待推荐项目。例如，当待推荐项目为商品时，项目信息可以包括商品的价格、型号、产地等信息；当待推荐项目为电影时，项目信息可以包括电影的上映时间、语言、类型、导演、主演等信息；当待推荐项目为餐馆时，项目信息可以包括餐馆的菜系、人均消费、地址等信息；当待推荐项目为志愿服务项目时，项目信息可以为项目名称、志愿服务类型、所属团体、所属地区等信息。
在获取待推荐用户的用户信息及多个待推荐项目的项目信息之后，为了预测待推荐用户可能感兴趣的待推荐项目，电子设备可以执行上述步骤S102，即根据预先收集的待推荐项目对应的参考信息，确定参考信息包括的用户对于待推荐项目的喜好关系信息。
为了方便确定用户对于待推荐项目的喜好关系信息，电子设备可以预先收集待推荐项目对应的参考信息。其中，上述参考信息为表示用户对于对应的待推荐项目是否感兴趣的信息。例如，当待推荐项目为电影时，其对应的参考信息可以包括用户对电影的评价、观影人次、收藏次数等；当待推荐项目为商品时，其对应的参考信息可以包括用户对商品的评价、收藏次数、浏览量、月销量等；当待推荐项目为志愿服务项目时，其对应的参考信息可以包括志愿者的姓名、志愿者所属院校、志愿者的出生年月、志愿者加入的志愿团体名称及成立时间等。
在一种实施方式中，电子设备预先收集的参考信息还可以包括表示用户之间关联的用户关联信息和表示待推荐项目之间关联的项目关联信息。例如，用户关联信息可以为表示用户所属地区之间位置关系的信息；当待推荐项目为志愿服务项目时，项目关联信息可以为表示志愿服务项目所属团体之间管理关系的信息。
电子设备根据预先收集的参考信息可以确定用户对于待推荐项目的喜好关系信息。其中，喜好关系信息为表示用户对于对应的待推荐项目的喜好行为的信息。
例如，如果将用户参加志愿服务项目的行为确定为喜好行为，那么电子设备便可以根据表示用户参加志愿服务项目的行为的信息确定喜好关系信息。当参考信息中包括表示用户Z1参加志愿服务项目Xm1的行为的信息J1时，电子设备便可以根据信息J1确定喜好关系信息“Z1喜欢Xm1”；当参考信息中包括表示用户Z2参加志愿服务项目Xm2的行为的信息J2时，电子设备便可以根据信息J2确定喜好关系信息“Z2喜欢Xm2”。
又例如，如果将用户购买商品的行为确定为喜好行为，那么电子设备便可以根据表示用户购买商品的行为的信息确定喜好关系信息。当参考信息中包括表示用户Y1购买商品Sp1的行为的信息X1时，电子设备便可以根据信息X1确定喜好关系信息“Y1喜欢Sp1”；当参考信息中包括表示用户Y2购买商品Sp2的行为的信息X2时，电子设备便可以根据信息X2确定喜好关系信息“Y2喜欢Sp2”。
在确定喜好关系信息后，由于上述用户信息、项目信息及喜好关系信息一般为文字信息，电子设备无法进行处理，为了将上述用户信息、项目信息及喜好关系信息转化为电子设备可以处理的信息，电子设备可以将用户信息、项目信息及喜好关系信息输入信息处理模型，根据用户信息、项目信息及喜好关系信息的词语特征进行信息处理，得到用户信息对应的用户向量、项目信息对应的目标项目向量及喜好关系信息对应的喜好关系向量和喜好关系超平面。
上述信息处理模型可以为卷积神经网络、前馈神经网络等深度学习模型，在此不做具体限定。信息处理模型可以基于训练样本对初始信息处理模型训练得到。每个训练样本可以包括用户信息样本、项目信息样本及喜好关系信息样本。在训练过程中，可以不断调整初始信息处理模型的参数，最终得到符合要求的信息处理模型。
在一种实施方式中，电子设备可以将用户信息、项目信息及喜好关系信息输入TransH表示学习模型，根据用户信息、项目信息及喜好关系信息的词语特征进行信息处理，得到用户信息对应的用户向量、项目信息对应的目标项目向量及喜好关系信息对应的喜好关系向量和喜好关系超平面。
在另一种实施方式中，电子设备可以将用户信息、项目信息、喜好关系信息以及参考信息输入信息处理模型，根据用户信息、项目信息、喜好关系信息、参考信息的词语特征进行信息处理，得到用户信息对应的用户向量、项目信息对应的目标项目向量及喜好关系信息对应的喜好关系向量和喜好关系超平面。其中，参考信息包括表示用户之间关联的用户关联信息及表示待推荐项目之间关联的项目关联信息。
在这种情况下，由于参考信息包括用户关联信息及项目关联信息，所以信息处理模型可以根据参考信息所指示的用户之间的关联以及待推荐项目之间的关联，对用户信息、项目信息、喜好关系信息进行更准确的处理，输出更准确的用户向量、目标项目向量、喜好关系向量和喜好关系超平面。
例如，参考信息包括的用户关联信息为用户A与用户B的特征相似，项目关联信息为项目a与项目b属于同一类型的项目，且用户B与项目a具有喜好关系，那么当上述用户信息为用户A的用户信息时，待推荐项目包括项目b，则信息处理模型可以确定用户A与项目b之间具有喜好关系，且输出该喜好关系信息对应的喜好关系向量。
其中，上述用户向量、目标项目向量、喜好关系向量及喜好关系超平面存在于同一低维稠密的向量空间中，喜好关系向量所在平面即为其对应的喜好关系超平面。
在训练上述信息处理模型时，喜好关系信息样本对应的用户信息样本与项目信息样本之间的关系为用户喜欢该项目，在其对应的喜好关系超平面样本中，该用户向量样本的投影向量表示该用户在该喜好关系超平面样本中的用户信息，目标项目向量样本在该喜好关系超平面样本中的投影向量表示该待推荐项目在该喜好关系超平面样本中的项目信息，由于该用户信息与该项目信息之间的关系为喜好关系信息所表示的关系，所以该用户向量样本的投影向量与喜好关系向量样本相加得到的向量，与目标项目向量的投影向量为同一向量。
那么对于信息处理模型输出的结果，待推荐用户对应的用户向量在喜好关系超平面上的投影向量与喜好关系向量的加和，越接近于待推荐项目对应的目标项目向量在喜好关系超平面上的投影向量，说明待推荐用户喜欢该待推荐项目的可能性越高，也就是说，待推荐用户对该待推荐项目的感兴趣程度越高。
因此，为了确定待推荐用户对待推荐项目的感兴趣程度，电子设备可以执行上述步骤S104，即确定用户向量在喜好关系超平面上的投影向量与喜好关系向量的加和，作为待推荐用户预期向量。
在确定待推荐用户预期向量后，电子设备便可以执行上述步骤S105，即根据待推荐用户预期向量与项目投影向量之间的距离，确定待推荐用户对每个待推荐项目的第一兴趣值。
其中，上述项目投影向量为目标项目向量在喜好关系超平面上的投影向量，上述第一兴趣值可以表示待推荐用户对待推荐项目的感兴趣程度。
上述用户预期向量与项目投影向量之间的距离的确定方法可以为欧氏距离的计算方法或者余弦距离的计算方法等，在此不做具体限定。
在上述步骤S106中，电子设备可以根据待推荐项目对应的第一兴趣值，从待推荐项目中确定目标推荐项目，并将目标推荐项目的项目信息推送至待推荐用户。
在一种实施方式中，电子设备可以从待推荐项目中确定所对应的第一兴趣值高的目标推荐项目，将目标推荐项目的项目信息推送至待推荐用户，供待推荐用户查看。
在另一种实施方式中，电子设备在确定待推荐用户对每个待推荐项目的第一兴趣值后，可以根据待推荐项目对应的第一兴趣值进行排序，根据排序结果生成推荐列表。
例如，待推荐项目D1对应的第一兴趣值为83，待推荐项目D2对应的第一兴趣值为75，待推荐项目D3对应的第一兴趣值为87，电子设备便可以根据待推荐项目D1、D2及D3对应的第一兴趣值从高到低的顺序，对上述待推荐项目D1、D2及D3进行排序，然后根据排序结果生成推荐列表，如下表所示：
排序结果 待推荐项目 待推荐项目对应的第一兴趣值
1 D3 87
2 D1 83
3 D2 75
那么，电子设备根据上表便可以确定待推荐项目D3为待推荐用户感兴趣的项目的可能性最高，待推荐项目D1为待推荐用户感兴趣的项目的可能性比较高，待推荐项目D2为待推荐用户感兴趣的项目的可能性最低。
作为本发明实施例的一种实施方式，如图2所示，在上述根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户的步骤之前，上述方法还可以包括：
S201，判断所述待推荐项目中是否存在所述待推荐用户对应的历史项目，如果不存在，执行步骤S202，如果存在，执行步骤S203；
待推荐项目中可能存在待推荐用户曾经选择过的项目，也就是历史项目。在这种情况下，电子设备确定的目标推荐项目中可能存在待推荐用户对应的历史项目。为了向待推荐用户提供其未曾选择过的待推荐项目的项目信息，电子设备可以判断待推荐项目中是否存在待推荐用户对应的历史项目。
如果待推荐项目中不存在待推荐用户对应的历史项目，说明待推荐用户未曾在待推荐项目中进行过选择，那么电子设备便可以执行步骤S202。
如果待推荐项目中存在待推荐用户对应的历史项目，说明待推荐用户之前在待推荐项目中进行过选择，那么电子设备便可以执行步骤S203。
S202，根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户；
该步骤与上述步骤S106相同，可以参见上述步骤S106部分的描述，在此不再赘述。
S203，确定每个所述历史项目与每个非历史项目之间的语义相似度；
当电子设备确定待推荐项目中存在待推荐用户对应的历史项目时，由于待推荐用户很可能对与历史项目相似的待推荐项目感兴趣，所以，电子设备可以确定每个历史项目与每个非历史项目之间的语义相似度。其中，非历史项目为不属于历史项目的待推荐项目。
例如，当电子设备确定非历史项目F1与历史项目L1之间的语义相似度高时，说明待推荐用户很可能对非历史项目F1的感兴趣程度高；当电子设备确定非历史项目F2与历史项目L2之间的语义相似度低时，说明待推荐用户对非历史项目F2的感兴趣程度可能较低。
S204，根据每个所述历史项目与每个所述非历史项目之间的语义相似度和所述非历史项目对应的第一兴趣值，计算所述待推荐用户对每个所述非历史项目的第二兴趣值。
其中，第二兴趣值可以表示待推荐用户对非历史项目的感兴趣程度。
由于待推荐用户很可能对与历史项目的语义相似度高的非历史项目感兴趣程度高，并且电子设备已经预测过非历史项目对应的第一兴趣值，所以，电子设备便可以根据每个历史项目与每个非历史项目之间的语义相似度和非历史项目对应的第一兴趣值，计算待推荐用户对每个非历史项目的感兴趣程度，也就是第二兴趣值。
例如，当每个历史项目与非历史项目F3之间的语义相似度高，并且非历史项目F3对应的第一兴趣值也很高时，电子设备对非历史项目F3的第二兴趣值也会很高；当每个历史项目与非历史项目F4之间的语义相似度较低，或者，非历史项目F4对应的第一兴趣值较低时，电子设备对非历史项目F4的第二兴趣值就比较低。
S205，根据所述非历史项目对应的第二兴趣值，从所述非历史项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。
当非历史项目对应的第二兴趣值高时，说明待推荐用户对该非历史项目的感兴趣程度高；当非历史项目对应的第二兴趣值低时，说明待推荐用户对该非历史项目的感兴趣程度低。因此，在一种实施方式中，为了确定待推荐用户选择的可能性高的非历史项目，电子设备可以从非历史项目中确定所对应的第二兴趣值高的目标推荐项目，然后将目标推荐项目的项目信息推送至待推荐用户。
在另一种实施方式中，电子设备在确定待推荐用户对每个非历史项目的第二兴趣值后，可以根据非历史项目对应的第二兴趣值进行排序，根据排序结果生成推荐列表。
可见，在本实施例中，电子设备可以判断待推荐项目中是否存在待推荐用户对应的历史项目，如果不存在，执行上述根据所述待推荐项目对应的第一兴趣值，从待推荐项目中确定目标推荐项目，并将目标推荐项目的项目信息推送至待推荐用户的步骤；如果存在，可以确定每个历史项目与每个非历史项目之间的语义相似度，然后根据每个历史项目与每个非历史项目之间的语义相似度和非历史项目对应的第一兴趣值，计算待推荐用户对每个非历史项目的第二兴趣值，进而根据非历史项目对应的第二兴趣值，从非历史项目中确定目标推荐项目，并将目标推荐项目的项目信息推送至待推荐用户。这样，当待推荐用户存在对应的历史项目时，电子设备便可以根据待推荐用户对应的历史项目从非历史项目中选择待推荐用户感兴趣的目标推荐项目，并将目标推荐项目的项目信息推送至待推荐用户供其查看。
作为本发明实施例的一种实施方式，上述根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息的步骤，可以包括：
根据预先收集的所述待推荐项目对应的参考信息，建立推荐知识图谱；从所述推荐知识图谱中确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息。
待推荐项目对应的参考信息中隐含了很多信息，例如，待推荐项目A1的型号为xh1，如果与A1种类相同的待推荐项目B1的型号也为xh1，那么就可以确定待推荐项目A1的功能与待推荐项目B1的功能相同，这样，喜欢待推荐项目A1的用户很可能也会喜欢待推荐项目B1。
因此，为了充分挖掘待推荐项目对应的参考信息中隐含的表示待推荐项目之间关联的信息，为预测待推荐用户感兴趣的待推荐项目提供更多有参考价值的信息，电子设备可以根据预先收集的待推荐项目对应的参考信息，建立推荐知识图谱。
其中，推荐知识图谱包括多个根据参考信息生成的三元组信息，每个三元组信息由头实体、关系及尾实体构成。例如，当待推荐项目为志愿服务项目时，其对应的参考信息包括表示志愿者Z3加入志愿团体T*1的信息J3，电子设备便可以根据信息J3生成三元组信息S*1，在三元组信息S*1中，头实体为志愿者Z3，关系为“加入”，尾实体为志愿团体T*1。
在建立推荐知识图谱后，电子设备可以从推荐知识图谱包括的三元组信息中，确定参考信息包括的用户对于其对应的待推荐项目的喜好关系信息，还可以根据参考信息挖掘表示待推荐项目之间关联的信息。
例如，推荐知识图谱中包括表示待推荐用户Y3对于待推荐项目Sp3的喜好行为的三元组信息S*4，电子设备便可以确定三元组信息S*2，作为喜好关系信息。当与待推荐项目Sp3种类相同的待推荐项目Sp4的型号与待推荐项目Sp3型号相同时，那么待推荐项目Sp4与待推荐项目Sp3很可能很相似，这样电子设备便可以生成表示待推荐用户Y3可能对待推荐项目Sp4喜欢的三元组信息S*3。
可见，在本实施例中，电子设备可以根据预先收集的待推荐项目对应的参考信息，建立推荐知识图谱，然后可以从推荐知识图谱中确定参考信息包括的用户对于待推荐项目的喜好关系信息。这样，电子设备可以充分挖掘待推荐项目对应的参考信息中隐含的信息，为待推荐用户推荐与其对应的喜好关系信息中包含的待推荐项目相似的项目。
作为本发明实施例的一种实施方式，如图3所示，上述信息处理模型的训练方式，可以包括：
S301，获取初始信息处理模型和多个训练样本；
其中，每个训练样本包括用户信息样本、项目信息样本及喜好关系信息样本。上述初始信息处理模型可以为卷积神经网络、循环神经网络等深度学习模型，其参数可以随时初始化，对于初始信息处理模型的结构不做具体限定。
S302，确定每个所述训练样本包括的所述用户信息样本对应的用户向量样本、所述项目信息样本对应的目标项目向量样本及所述喜好关系信息样本对应的喜好关系向量样本和喜好关系超平面样本，得到每个训练样本的标定标签；
获取上述多个训练样本后，由于训练得到的信息处理模型需要根据用户信息、项目信息及喜好关系信息的词语特征，确定对应的用户向量、目标项目向量、喜好关系向量和喜好关系超平面，所以电子设备可以确定每个训练样本包括的用户信息样本对应的用户向量样本、项目信息样本对应的目标项目向量样本及喜好关系信息样本对应的喜好关系向量样本和喜好关系超平面样本，得到每个训练样本的标定标签。
S303，将所述训练样本输入所述初始信息处理模型，得到预测标签；
获取上述每个训练样本的标定标签后，电子设备可以将训练样本输入上述初始信息处理模型，初始信息处理模型可以基于当前参数，根据训练样本确定训练样本包括的用户信息样本对应的用户向量样本、项目信息样本对应的目标项目向量样本及喜好关系信息样本对应的喜好关系向量样本和喜好关系超平面样本，也就是预测标签。
S304，基于所述预测标签及对应的训练样本的标定标签，调整所述初始信息处理模型的参数，直到所述初始信息处理模型的迭代次数达到预设次数，或，所述初始信息处理模型输出的预测标签的准确度达到预设值，停止训练，得到所述信息处理模型。
由于初始信息处理模型还无法准确对训练样本进行处理得到准确的输出结果，所以得到上述标定标签及检测标签后，电子设备可以将上述标定标签与对应的检测标签进行对比，进而根据标定标签与对应的检测标签之间的差异，调整初始信息处理模型的参数，以使初始信息处理模型的参数更加合适。其中，调整初始信息处理模型的参数的方式可以为梯度下降算法、随机梯度下降算法等模型参数调整方式，在此不做具体限定及说明。
如果初始信息处理模型的迭代次数达到预设次数，或，初始信息处理模型输出的预测标签的准确度达到预设值，说明当前初始信息处理模型已经可以对训练样本进行处理得到准确的输出结果，所以此时可以停止训练，得到上述信息处理模型。
其中，上述预设次数可以根据处理要求、模型结构等因素设定，例如，可以为5000次、10000次、15000次等，在此不做具体限定。上述预设值可以根据处理要求、模型结构等因素限定，例如可以为90％、96.5％、97.1％等，在此不做具体限定。
可见，在本实施例中，电子设备可以按照上述方式对初始信息处理模型训练，得到上述信息处理模型。这样，电子设备可以对比上述标定标签和上述预测标签，根据比较结果调整初始信息处理模型的参数，得到符合要求的信息处理模型。
作为本发明实施例的一种实施方式，上述确定所述待推荐用户对每个所述待推荐项目的第一兴趣值的步骤，可以包括：
根据公式
Figure BDA0002204148990000161
计算所述待推荐用户对每个所述待推荐项目的第一兴趣值。
其中，rua为待推荐用户u对待推荐项目a的第一兴趣值，l为喜好关系向量，
Figure BDA0002204148990000162
为待推荐用户u对应的用户向量在喜好关系超平面上的投影向量，
Figure BDA0002204148990000163
为待推荐项目a对应的目标项目向量在喜好关系超平面上的投影向量，a∈{1，2，...，n}，n为待推荐项目的数量。
在上述公式中，
Figure BDA0002204148990000164
为用户向量在喜好关系超平面上的投影向量与喜好关系向量的加和，也就是待推荐用户预期向量，
Figure BDA0002204148990000165
为待推荐用户预期向量与项目投影向量之间的欧氏距离。
为了便于数据处理，在上述公式中，通过对待推荐用户预期向量与项目投影向量之间的欧氏距离进行归一化处理，得到待推荐用户对待推荐项目的第一兴趣值。
当待推荐用户预期向量
Figure BDA0002204148990000166
与项目投影向量
Figure BDA0002204148990000167
之间的欧氏距离近时，说明待推荐用户u对待推荐项目a的感兴趣程度高，那么待推荐用户u对待推荐项目a的第一兴趣值rua也就高。
当待推荐用户预期向量
Figure BDA0002204148990000171
与项目投影向量
Figure BDA0002204148990000172
之间的欧氏距离远时，说明待推荐用户u对待推荐项目a的感兴趣程度低，那么待推荐用户u对待推荐项目a的第一兴趣值rua也就低。
可见，在本实施例中，电子设备可以根据上述公式确定待推荐用户对每个所述待推荐项目的第一兴趣值。这样，当待推荐用户为新用户时，电子设备便可以根据上述第一兴趣值为待推荐用户提供目标推荐项目的项目信息。
作为本发明实施例的一种实施方式，上述确定每个所述历史项目与每个所述非历史项目之间的语义相似度的步骤，可以包括：
根据公式
Figure BDA0002204148990000173
计算每个所述历史项目与每个所述非历史项目之间的语义相似度。
其中，wbc为历史项目b与非历史项目c之间的语义相似度，eb为历史项目b对应的目标项目向量，ec为非历史项目c对应的目标项目向量，b∈{1，2，...，B}，B为历史项目的数量，c∈{1，2，...，C}，C为非历史项目的数量。
在上述公式中，||eb-ec||为历史项目b对应的目标项目向量与非历史项目c对应的目标项目向量之间的欧氏距离。
为了便于数据处理，在上述公式中，通过历史项目对应的目标项目向量与非历史项目对应的目标项目向量之间的欧氏距离进行归一化处理，得到历史项目与非历史项目之间的语义相似度。
当历史项目b对应的目标项目向量eb与非历史项目c对应的目标项目向量ec之间的欧氏距离近时，说明历史项目b与非历史项目c之间比较相似，那么历史项目b与非历史项目c之间的语义相似度wbc也就高。
当历史项目b对应的目标项目向量eb与非历史项目c对应的目标项目向量ec之间的欧氏距离远时，说明历史项目b与非历史项目c之间不太相似，那么历史项目b与非历史项目c之间的语义相似度wbc也就低。
可见，在本实施例中，电子设备可以根据上述公式确定每个历史项目与每个非历史项目之间的语义相似度。这样，当待推荐用户不为新用户时，电子设备便可以确定非历史项目与历史项目之间的语义相似度，为待推荐用户推荐与其对应的历史项目相似的非历史项目。
作为本发明实施例的一种实施方式，上述根据每个所述历史项目与每个所述非历史项目之间的语义相似度和所述非历史项目对应的第一兴趣值，计算所述待推荐用户对每个所述非历史项目的第二兴趣值的步骤，可以包括：
根据公式
Figure BDA0002204148990000181
计算所述待推荐用户对每个所述非历史项目的第二兴趣值。
其中，puj为待推荐用户u对非历史项目Tj的第二兴趣值，Ru为待推荐用户u对应的历史项目的集合，wij为非历史项目Tj与历史项目Ri之间的语义相似度，ruj为Tj对应的第一兴趣值，i∈{1，2，...，s}，s为待推荐用户u对应的历史项目的数量，j∈{1，2，...，q}，q为非历史项目的数量。
在上述公式中，可以计算每个属于Ru的历史项目和非历史项目Tj的语义相似度与非历史项目Tj对应的第一兴趣值ruj乘积的加和，也就是待推荐用户u对非历史项目Tj的第二兴趣值puj。其中，上述第二兴趣值puj可以表示待推荐用户u对非历史项目Tj的感兴趣程度。
例如，Ru＝{R1，R2，R3}，非历史项目Tj与历史项目R1之间的语义相似度w1j为0.7，非历史项目Tj与历史项目R2之间的语义相似度w2j为0.8，非历史项目Tj与历史项目R3之间的语义相似度w3j为0.75，Tj对应的第一兴趣值ruj为0.9，那么待推荐用户u对非历史项目Tj的第二兴趣值puj＝0.7×0.9+0.8×0.9+0.75×0.9＝2.025。
可见，在本实施例中，电子设备可以根据上述公式确定待推荐用户对每个非历史项目的第二兴趣值。这样，当待推荐用户不为新用户时，电子设备便可以根据非历史项目对应的第二兴趣值从非历史项目中确定目标推荐项目，并将其项目信息推送至待推荐用户供其查看。
下面以向待推荐用户推荐志愿者项目的场景为例，对本发明实施例所提供的信息推荐方法进行介绍。
预先收集18年某城市的志愿者数据信息，获取其中包括的志愿者的用户信息、志愿项目的项目信息、志愿者对于志愿项目的喜好关系信息，然后将上述志愿者的用户信息、志愿项目的项目信息及志愿者对于志愿项目的喜好关系信息划分为5份，以其中4份信息作为训练样本，对初始TransH表示学习模型进行训练，得到训练完成的TransH表示学习模型，然后将剩余的1份信息作为测试样本，利用该测试样本计算上述信息推荐方法的准确率和召回率。
步骤1，电子设备可以获取测试样本包括的即志愿者ZY1的用户信息及多个待推荐项目的项目信息xm*，其中，志愿者ZY1即为待推荐用户。其用户信息可以包括志愿者ZY1的用户标识、姓名、出生日期、所属地区及所属院校等信息，待推荐项目为18年城市CT1的志愿项目，其项目信息xm*可以包括志愿项目的项目标识、项目名称、所属团体、所属地区、累计时长等信息。
步骤2，电子设备可以根据预先收集的18年某城市的志愿者数据信息作为参考信息，建立推荐知识图谱，然后从推荐知识图谱中确定参考信息包括的用户对于待推荐项目的喜好关系信息。
其中，参考信息可以包括志愿团体的团体标识、志愿团体的名称、志愿团体的成立时间、志愿团体的所属地区、志愿团体的累计时长、参加志愿团体的志愿者的志愿者标识、参加志愿团体的志愿者的的加入方式、参加志愿项目的志愿者的志愿者标识、志愿者参加志愿项目的的项目标识、志愿者参加志愿项目的加入方式等信息。
电子设备可以将志愿者参加志愿项目的行为确定为喜好行为，那么电子设备便可以将推荐知识图谱中表示志愿者参加志愿服务项目的行为的信息确定为喜好关系信息xh*。
步骤3，电子设备可以将待推荐用户ZY1的用户信息及待推荐项目的项目信息xm*及喜好关系信息xh*输入TransH表示学习模型，得到待推荐用户ZY1的用户信息对应的用户向量Yxl*、项目信息xm*对应的目标项目向量Mxl*及喜好关系信息xh*对应的喜好关系向量Xxl*和喜好关系超平面Xpm*。
步骤4，电子设备可以将用户向量Yxl*在喜好关系超平面Xpm*上的投影向量与喜好关系向量Xxl*的加和，作为待推荐用户预期向量Zty*。
步骤5，电子设备可以根据公式
Figure BDA0002204148990000191
计算待推荐用户ZY1对每个待推荐项目的第一兴趣值；
其中，rzf为待推荐用户ZY1对待推荐项目f的第一兴趣值，Xxl*为喜好关系向量，
Figure BDA0002204148990000201
为待推荐用户ZY1对应的用户向量在喜好关系超平面Xpm*上的投影向量，
Figure BDA0002204148990000202
为待推荐项目f对应的目标项目向量在喜好关系超平面Xpm*上的投影向量，f∈{1，2，...，F}，F为待推荐项目的数量。
步骤6，电子设备可以判断待推荐项目中是否存在待推荐用户ZY1对应的历史项目，如果不存在，根据待推荐项目对应的第一兴趣值，从待推荐项目中确定目标推荐项目，并将目标推荐项目的项目信息推送至待推荐用户ZY1；如果存在，执行下一步骤。
步骤7，电子设备可以公式
Figure BDA0002204148990000203
计算每个历史项目与每个非历史项目之间的语义相似度；
其中，wgh为历史项目g与非历史项目h之间的语义相似度，eg为历史项目g对应的目标项目向量，eh为非历史项目h对应的目标项目向量，g∈{1，2，...，G}，G为历史项目的数量，h∈{1，2，...，H}，H非历史项目的数量。
步骤8，电子设备可以根据公式
Figure BDA0002204148990000204
计算待推荐用户ZY1对每个所述非历史项目的第二兴趣值；
其中，pzx为待推荐用户ZY1对非历史项目Tx的第二兴趣值，Rz为待推荐用户ZY1对应的历史项目的集合，wxy为非历史项目Tx与历史项目Ry之间的语义相似度，rzx为Tx对应的第一兴趣值，y∈{1，2，...，Y}，y为待推荐用户ZY1对应的历史项目的数量，x∈{1，2，...，X}，X为非历史项目的数量。
步骤9，电子设备可以根据非历史项目对应的第二兴趣值，从非历史项目中确定目标推荐项目，并将目标推荐项目的项目信息推送至待推荐用户ZY1。
本实施例根据上述测试样本分别计算了本发明实施例提供的信息推荐方法、基于物品的协同过滤推荐方法、PersonalRank随机游走算法及基于TransE表示学习算法的推荐方法的平均准确率及平均召回率，如下表所示：
方法名称 平均准确率 平均召回率
基于物品的协同过滤推荐方法 16.9418％ 42.6421％
PersonalRank随机游走算法 17.2790％ 43.4908％
基于TransE表示学习算法的推荐方法 22.9475％ 57.7582％
本发明实施例提供的信息推荐方法 23.6155％ 59.4396％
可见，本发明实施例提供的信息推荐方法在准确率及召回率上与现有方法相比具有明显提高，也就是说，上述信息推荐方法能够更加精准地为待推荐用户提供项目信息。
相应于上述信息推荐方法，本发明实施例还提供了一种信息推荐装置。下面对本发明实施例所提供的一种信息推荐装置进行介绍。
如图4所示，一种信息推荐装置，所述装置可以包括：
信息获取模块401，用于获取待推荐用户的用户信息及多个待推荐项目的项目信息；
喜好关系信息确定模块402，用于根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息；
其中，所述喜好关系信息为表示所述用户对于对应的待推荐项目的喜好行为的信息。
信息处理模块403，用于将所述用户信息、所述项目信息及所述喜好关系信息输入信息处理模型，根据所述用户信息、所述项目信息及所述喜好关系信息的词语特征进行信息处理，得到所述用户信息对应的用户向量、所述项目信息对应的目标项目向量及所述喜好关系信息对应的喜好关系向量和喜好关系超平面；
其中，所述信息处理模型包括用户信息、项目信息及喜好关系信息与用户向量、目标项目向量、喜好关系向量及喜好关系超平面的对应关系，所述信息处理模型为模型训练模块根据训练样本及其标定标签预先训练完成的。
用户预期确定模块404，用于确定所述用户向量在所述喜好关系超平面上的投影向量与所述喜好关系向量的加和，作为待推荐用户预期向量；
第一兴趣值确定模块405，用于根据所述待推荐用户预期向量与项目投影向量之间的距离，确定所述待推荐用户对每个所述待推荐项目的第一兴趣值；
其中，所述项目投影为所述目标项目向量在所述喜好关系超平面上的投影向量。
第一目标项目确定模块406，用于根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。
可见，本发明实施例所提供的方案中，电子设备可以获取待推荐用户的用户信息及多个待推荐项目的项目信息，然后根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息，再将所述用户信息、所述项目信息及所述喜好关系信息书输入信息处理模型，根据所述用户信息、所述项目信息及所述喜好关系信息的词语特征进行信息处理，得到所述用户信息对应的用户向量、所述项目信息对应的目标项目向量及所述喜好关系信息对应的喜好关系向量和喜好关系超平面，进而确定所述用户向量在所述喜好关系超平面上的投影向量与所述喜好关系向量的加和，作为待推荐用户预期向量，并根据所述待推荐用户预期向量与项目投影向量之间的距离，确定所述待推荐用户对每个所述待推荐项目的第一兴趣值，便可以根据所述待推荐项目的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。可见，当待推荐用户为不存在历史行为数据的新用户时，电子设备也可以为待推荐用户提供目标推荐项目的项目信息。
作为本发明实施例的一种实施方式，上述信息推荐装置还可以包括：
判断模块(图4中未示出)，用于在根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户之前，判断所述待推荐项目中是否存在所述待推荐用户对应的历史项目；
执行模块(图4中未示出)，用于如果不存在，执行所述根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户的步骤；
语义相似度确定模块(图4中未示出)，用于如果存在，确定每个所述历史项目与每个非历史项目之间的语义相似度；
其中，所述非历史项目为不属于所述历史项目的待推荐项目。
第二兴趣值确定模块(图4中未示出)，用于根据每个所述历史项目与每个所述非历史项目之间的语义相似度和所述非历史项目对应的第一兴趣值，计算所述待推荐用户对每个所述非历史项目的第二兴趣值；
第二目标推荐项目确定模块(图4中未示出)，用于根据所述非历史项目对应的第二兴趣值，从所述非历史项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。
作为本发明实施例的一种实施方式，上述喜好关系信息确定模块可以包括：
知识图谱建立子模块(图4中未示出)，用于根据预先收集的所述待推荐项目对应的参考信息，建立推荐知识图谱；
喜好关系信息确定子模块(图4中未示出)，用于从所述推荐知识图谱中确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息。
作为本发明实施例的一种实施方式，上述模型训练模块可以包括：
训练样本获取子模块(图4中未示出)，用于获取初始信息处理模型和多个训练样本；
其中，每个所述训练样本包括用户信息样本、项目信息样本及喜好关系信息样本。
标定标签确定子模块(图4中未示出)，用于确定每个所述训练样本包括的所述用户信息样本对应的用户向量样本、所述项目信息样本对应的目标项目向量样本及所述喜好关系信息样本对应的喜好关系向量样本和喜好关系超平面样本，得到每个训练样本的标定标签；
预测标签生成子模块(图4中未示出)，用于将所述训练样本输入所述初始信息处理模型，得到预测标签；
参数调整子模块(图4中未示出)，用于基于所述预测标签及对应的训练样本的标定标签，调整所述初始信息处理模型的参数，直到所述初始信息处理模型的迭代次数达到预设次数，或，所述初始信息处理模型输出的预测标签的准确度达到预设值，停止训练，得到所述信息处理模型。
作为本发明实施例的一种实施方式，上述第一兴趣值确定模块可以包括：
第一兴趣值计算子模块(图4中未示出)，用于根据公式
Figure BDA0002204148990000231
计算所述待推荐用户对每个所述待推荐项目的第一兴趣值；
其中，rua为待推荐用户u对待推荐项目a的第一兴趣值，l为所述喜好关系向量，
Figure BDA0002204148990000232
为所述待推荐用户u对应的用户向量在所述喜好关系超平面上的投影向量，
Figure BDA0002204148990000233
为所述待推荐项目a对应的目标项目向量在所述喜好关系超平面上的投影向量，a∈{1，2，...，n}，n为所述待推荐项目的数量。
作为本发明实施例的一种实施方式，上述语义相似度确定模块可以包括：
语义相似度计算子模块(图4中未示出)，用于根据公式
Figure BDA0002204148990000241
计算每个所述历史项目与每个所述非历史项目之间的语义相似度；
其中，wbc为历史项目b与非历史项目c之间的语义相似度，eb为所述历史项目b对应的目标项目向量，ec为所述非历史项目c对应的目标项目向量，b∈{1，2，...，B}，B为所述历史项目的数量，c∈{1，2，...，C}，C为所述非历史项目的数量。
作为本发明实施例的一种实施方式，上述第二兴趣值确定模块可以包括：
第二兴趣值计算子模块(图4中未示出)，用于根据公式
Figure BDA0002204148990000242
Figure BDA0002204148990000243
计算所述待推荐用户对每个所述非历史项目的第二兴趣值；
其中，puj为待推荐用户u对非历史项目Tj的第二兴趣值，Ru为所述待推荐用户u对应的历史项目的集合，wij为非历史项目Tj与历史项目Ri之间的语义相似度，ruj为Tj对应的第一兴趣值，i∈{1，2，...，s}，s为所述待推荐用户u对应的历史项目的数量，j∈{1，2，...，q}，q为所述非历史项目的数量。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现上述任一实施例所述的信息推荐方法。
可见，本发明实施例所提供的方案中，电子设备可以获取待推荐用户的用户信息及多个待推荐项目的项目信息，然后根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息，再将所述用户信息、所述项目信息及所述喜好关系信息书输入信息处理模型，根据所述用户信息、所述项目信息及所述喜好关系信息的词语特征进行信息处理，得到所述用户信息对应的用户向量、所述项目信息对应的目标项目向量及所述喜好关系信息对应的喜好关系向量和喜好关系超平面，进而确定所述用户向量在所述喜好关系超平面上的投影向量与所述喜好关系向量的加和，作为待推荐用户预期向量，并根据所述待推荐用户预期向量与项目投影向量之间的距离，确定所述待推荐用户对每个所述待推荐项目的第一兴趣值，便可以根据所述待推荐项目的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。可见，当待推荐用户为不存在历史行为数据的新用户时，电子设备也可以为待推荐用户提供目标推荐项目的项目信息。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，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、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的信息推荐方法的步骤。
可见，本发明实施例所提供的方案中，计算机可读存储介质内存储的计算机程序被处理器执行时可以获取待推荐用户的用户信息及多个待推荐项目的项目信息，然后根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息，再将所述用户信息、所述项目信息及所述喜好关系信息书输入信息处理模型，根据所述用户信息、所述项目信息及所述喜好关系信息的词语特征进行信息处理，得到所述用户信息对应的用户向量、所述项目信息对应的目标项目向量及所述喜好关系信息对应的喜好关系向量和喜好关系超平面，进而确定所述用户向量在所述喜好关系超平面上的投影向量与所述喜好关系向量的加和，作为待推荐用户预期向量，并根据所述待推荐用户预期向量与项目投影向量之间的距离，确定所述待推荐用户对每个所述待推荐项目的第一兴趣值，便可以根据所述待推荐项目的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。可见，当待推荐用户为不存在历史行为数据的新用户时，电子设备也可以为待推荐用户提供目标推荐项目的项目信息。
需要说明的是，对于上述装置、电子设备及计算机可读存储介质实施例而言，由于其基本相似于方法实施例，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。
进一步需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (9)

1.一种信息推荐方法，其特征在于，所述方法包括：
获取待推荐用户的用户信息及多个待推荐项目的项目信息；
根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息，其中，所述喜好关系信息为表示所述用户对于对应的待推荐项目的喜好行为的信息；
将所述用户信息、所述项目信息及所述喜好关系信息输入信息处理模型，根据所述用户信息、所述项目信息及所述喜好关系信息的词语特征进行信息处理，得到所述用户信息对应的用户向量、所述项目信息对应的目标项目向量及所述喜好关系信息对应的喜好关系向量和喜好关系超平面，其中，所述信息处理模型包括用户信息、项目信息及喜好关系信息与用户向量、目标项目向量、喜好关系向量及喜好关系超平面的对应关系；
确定所述用户向量在所述喜好关系超平面上的投影向量与所述喜好关系向量的加和，作为待推荐用户预期向量；
根据所述待推荐用户预期向量与项目投影向量之间的距离，确定所述待推荐用户对每个所述待推荐项目的第一兴趣值，包括：
根据公式
Figure FDA0003520425320000011
计算所述待推荐用户对每个所述待推荐项目的第一兴趣值；
其中，rua为待推荐用户u对待推荐项目a的第一兴趣值，l为所述喜好关系向量，eu⊥为所述待推荐用户u对应的用户向量在所述喜好关系超平面上的投影向量，ea⊥为所述待推荐项目a对应的目标项目向量在所述喜好关系超平面上的投影向量，a∈{1,2，…，n}，n为所述待推荐项目的数量；
其中，所述项目投影向量为所述目标项目向量在所述喜好关系超平面上的投影向量；
根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。
2.根据权利要求1所述的方法，其特征在于，在所述根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户的步骤之前，所述方法还包括：
判断所述待推荐项目中是否存在所述待推荐用户对应的历史项目；
如果不存在，执行所述根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户的步骤；
如果存在，确定每个所述历史项目与每个非历史项目之间的语义相似度，其中，所述非历史项目为不属于所述历史项目的待推荐项目；
根据每个所述历史项目与每个所述非历史项目之间的语义相似度和所述非历史项目对应的第一兴趣值，计算所述待推荐用户对每个所述非历史项目的第二兴趣值；
根据所述非历史项目对应的第二兴趣值，从所述非历史项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。
3.根据权利要求1所述的方法，其特征在于，所述根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息的步骤，包括：
根据预先收集的所述待推荐项目对应的参考信息，建立推荐知识图谱；
从所述推荐知识图谱中确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息。
4.根据权利要求1或2所述的方法，其特征在于，所述信息处理模型的训练方式，包括：
获取初始信息处理模型和多个训练样本，其中，每个所述训练样本包括用户信息样本、项目信息样本及喜好关系信息样本；
确定每个所述训练样本包括的所述用户信息样本对应的用户向量样本、所述项目信息样本对应的目标项目向量样本及所述喜好关系信息样本对应的喜好关系向量样本和喜好关系超平面样本，得到每个训练样本的标定标签；
将所述训练样本输入所述初始信息处理模型，得到预测标签；
基于所述预测标签及对应的训练样本的标定标签，调整所述初始信息处理模型的参数，直到所述初始信息处理模型的迭代次数达到预设次数，或，所述初始信息处理模型输出的预测标签的准确度达到预设值，停止训练，得到所述信息处理模型。
5.根据权利要求2所述的方法，其特征在于，所述确定每个所述历史项目与每个所述非历史项目之间的语义相似度的步骤，包括：
根据公式
Figure FDA0003520425320000031
计算每个所述历史项目与每个所述非历史项目之间的语义相似度；
其中，wbc为历史项目b与非历史项目c之间的语义相似度，eb为所述历史项目b对应的目标项目向量，ec为所述非历史项目c对应的目标项目向量，b∈{1,2，…，B}，B为所述历史项目的数量，c∈{1,2，…，C}，C为所述非历史项目的数量。
6.根据权利要求2所述的方法，其特征在于，所述根据每个所述历史项目与每个所述非历史项目之间的语义相似度和所述非历史项目对应的第一兴趣值，计算所述待推荐用户对每个所述非历史项目的第二兴趣值的步骤，包括：
根据公式
Figure FDA0003520425320000032
计算所述待推荐用户对每个所述非历史项目的第二兴趣值；
其中，puj为待推荐用户u对非历史项目Tj的第二兴趣值，Ru为所述待推荐用户u对应的历史项目的集合，wij为非历史项目Tj与历史项目Ri之间的语义相似度，ruj为Tj对应的第一兴趣值，i∈{1,2，…，s}，s为所述待推荐用户u对应的历史项目的数量，j∈{1,2，…，q}，q为所述非历史项目的数量。
7.一种信息推荐装置，其特征在于，所述装置包括：
信息获取模块，用于获取待推荐用户的用户信息及多个待推荐项目的项目信息；
喜好关系信息确定模块，用于根据预先收集的所述待推荐项目对应的参考信息，确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息，其中，所述喜好关系信息为表示所述用户对于对应的待推荐项目的喜好行为的信息；
信息处理模块，用于将所述用户信息、所述项目信息及所述喜好关系信息输入信息处理模型，根据所述用户信息、所述项目信息及所述喜好关系信息的词语特征进行信息处理，得到所述用户信息对应的用户向量、所述项目信息对应的目标项目向量及所述喜好关系信息对应的喜好关系向量和喜好关系超平面，其中，所述信息处理模型包括用户信息、项目信息及喜好关系信息与用户向量、目标项目向量、喜好关系向量及喜好关系超平面的对应关系，所述信息处理模型为模型训练模块根据训练样本及其标定标签预先训练完成的；
用户预期确定模块，用于确定所述用户向量在所述喜好关系超平面上的投影与所述喜好关系向量的加和，作为待推荐用户预期向量；
第一兴趣值确定模块，用于根据所述待推荐用户预期向量与项目投影向量之间的距离，确定所述待推荐用户对每个所述待推荐项目的第一兴趣值，包括：
根据公式
Figure FDA0003520425320000041
计算所述待推荐用户对每个所述待推荐项目的第一兴趣值；
其中，rua为待推荐用户u对待推荐项目a的第一兴趣值，l为所述喜好关系向量，eu⊥为所述待推荐用户u对应的用户向量在所述喜好关系超平面上的投影向量，ea⊥为所述待推荐项目a对应的目标项目向量在所述喜好关系超平面上的投影向量，a∈{1,2，…，n}，n为所述待推荐项目的数量；其中，所述项目投影向量为所述目标项目向量在所述喜好关系超平面上的投影向量；
第一目标项目确定模块，用于根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
判断模块，用于在根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户之前，判断所述待推荐项目中是否存在所述待推荐用户对应的历史项目；
执行模块，用于如果不存在，执行所述根据所述待推荐项目对应的第一兴趣值，从所述待推荐项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户的步骤；
语义相似度确定模块，用于如果存在，确定每个所述历史项目与每个非历史项目之间的语义相似度，其中，所述非历史项目为不属于所述历史项目的待推荐项目；
第二兴趣值确定模块，用于根据每个所述历史项目与每个所述非历史项目之间的语义相似度和所述非历史项目对应的第一兴趣值，计算所述待推荐用户对每个所述非历史项目的第二兴趣值；
第二目标推荐项目确定模块，用于根据所述非历史项目对应的第二兴趣值，从所述非历史项目中确定目标推荐项目，并将所述目标推荐项目的项目信息推送至所述待推荐用户。
9.根据权利要求7所述的装置，其特征在于，所述喜好关系信息确定模块包括：
知识图谱建立子模块，用于根据预先收集的所述待推荐项目对应的参考信息，建立推荐知识图谱；
喜好关系信息确定子模块，用于从所述推荐知识图谱中确定所述参考信息包括的用户对于所述待推荐项目的喜好关系信息。
CN201910875337.XA 2019-09-17 2019-09-17 一种信息推荐方法、装置 Active CN110647683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910875337.XA CN110647683B (zh) 2019-09-17 2019-09-17 一种信息推荐方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910875337.XA CN110647683B (zh) 2019-09-17 2019-09-17 一种信息推荐方法、装置

Publications (2)

Publication Number Publication Date
CN110647683A CN110647683A (zh) 2020-01-03
CN110647683B true CN110647683B (zh) 2022-04-19

Family

ID=68991917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910875337.XA Active CN110647683B (zh) 2019-09-17 2019-09-17 一种信息推荐方法、装置

Country Status (1)

Country Link
CN (1) CN110647683B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814048B (zh) * 2020-07-03 2023-01-17 北京邮电大学 一种信息推荐方法及装置
CN111768868A (zh) * 2020-07-06 2020-10-13 上海商汤智能科技有限公司 信息处理方法及装置、电子设备和存储介质
CN112000700B (zh) * 2020-07-14 2024-08-06 北京百度网讯科技有限公司 地图信息展示方法、装置、电子设备及存储介质
CN112015987B (zh) * 2020-08-28 2022-10-04 青岛格兰德信用管理咨询有限公司 一种基于企业标签的潜在客户推荐系统及推荐方法
CN112765486B (zh) * 2021-01-22 2022-04-05 重庆邮电大学 一种融合知识图谱的注意力机制的电影推荐方法
CN113590977A (zh) * 2021-07-26 2021-11-02 北京沃东天骏信息技术有限公司 信息推荐方法、装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2291025A1 (en) * 2008-06-07 2011-03-02 Huawei Technologies Co., Ltd. Method, apparatus and system for call handover and process
CN106507199A (zh) * 2016-12-20 2017-03-15 深圳Tcl数字技术有限公司 电视节目推荐方法及装置
CN109271582A (zh) * 2018-08-20 2019-01-25 东南大学 一种基于带属性元路径的个性化信息推荐方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8224818B2 (en) * 2010-01-22 2012-07-17 National Cheng Kung University Music recommendation method and computer readable recording medium storing computer program performing the method
JP2013214133A (ja) * 2012-03-30 2013-10-17 Sony Corp 情報処理装置、情報処理方法及びプログラム
CN104090990B (zh) * 2014-07-31 2018-07-31 北京奇虎科技有限公司 新闻推送方法和系统
TWI703521B (zh) * 2014-09-30 2020-09-01 美商蘋果公司 基於商家資訊之待使用的付款憑證的推薦
CN110096640A (zh) * 2019-03-08 2019-08-06 江苏物联网研究发展中心 协同过滤推荐系统中基于项目分类的用户相似度计算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2291025A1 (en) * 2008-06-07 2011-03-02 Huawei Technologies Co., Ltd. Method, apparatus and system for call handover and process
CN106507199A (zh) * 2016-12-20 2017-03-15 深圳Tcl数字技术有限公司 电视节目推荐方法及装置
CN109271582A (zh) * 2018-08-20 2019-01-25 东南大学 一种基于带属性元路径的个性化信息推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于正负反馈的SVM协同过滤Top-N推荐算法;张宇 等;《小型微型计算机系统》;20170531;第962-966页 *

Also Published As

Publication number Publication date
CN110647683A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
CN110647683B (zh) 一种信息推荐方法、装置
CN108648049B (zh) 一种基于用户行为区别建模的序列推荐方法
WO2020207196A1 (zh) 用户标签生成方法、装置、存储介质和计算机设备
CN108829808B (zh) 一种页面个性化排序方法、装置及电子设备
WO2018053966A1 (zh) 点击率预估
CN109903086B (zh) 一种相似人群扩展方法、装置及电子设备
CN106557480B (zh) 查询改写的实现方法及装置
CN106951527B (zh) 一种歌曲推荐方法及装置
US20190087859A1 (en) Systems and methods for facilitating deals
US20230093756A1 (en) Systems and methods for generating recommendations
CN111695084A (zh) 模型生成方法、信用评分生成方法、装置、设备及存储介质
CN104915436A (zh) 自适应多标签预测方法
CN111931069B (zh) 用户兴趣确定方法、装置及计算机设备
CN111340566B (zh) 一种商品分类方法、装置、电子设备及存储介质
WO2020135420A1 (zh) 对用户进行分类的方法和装置
CN116501979A (zh) 信息推荐方法、装置、计算机设备及计算机可读存储介质
CN104794135A (zh) 一种对搜索结果进行排序的方法和装置
CN110020118B (zh) 一种计算用户之间相似度的方法及装置
CN111353052B (zh) 一种多媒体对象推荐方法、装置、电子设备及存储介质
CN116091157A (zh) 资源推送方法及装置、存储介质、计算机设备
CN115168700A (zh) 一种基于预训练算法的信息流推荐方法、系统及介质
CN114677176A (zh) 兴趣内容的推荐方法及装置、电子设备、存储介质
JP7312134B2 (ja) 学習装置、学習方法及び学習プログラム
Agagu et al. Context-aware recommendation methods
CN113724044A (zh) 基于用户画像的商品推荐、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant