CN110807693A - 专辑的推荐方法、装置、设备和存储介质 - Google Patents

专辑的推荐方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN110807693A
CN110807693A CN201911067801.9A CN201911067801A CN110807693A CN 110807693 A CN110807693 A CN 110807693A CN 201911067801 A CN201911067801 A CN 201911067801A CN 110807693 A CN110807693 A CN 110807693A
Authority
CN
China
Prior art keywords
album
initial
model
purchase
click
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.)
Pending
Application number
CN201911067801.9A
Other languages
English (en)
Inventor
成梭宇
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.)
Shanghai Himalaya Technology Co Ltd
Original Assignee
Shanghai Himalaya Technology Co Ltd
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 Shanghai Himalaya Technology Co Ltd filed Critical Shanghai Himalaya Technology Co Ltd
Priority to CN201911067801.9A priority Critical patent/CN110807693A/zh
Publication of CN110807693A publication Critical patent/CN110807693A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种专辑的推荐方法、装置、设备和存储介质。该方法包括：根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合；将所述初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率；根据各个初始推荐专辑的预估购买率，向所述当前用户进行专辑推荐。由于计算机设备可以基于当前用户的历史播放记录以及当前用户对初始推荐专辑的购买率两方面因素，来向当前用户推荐专辑，相比传统技术中比较粗鲁的过滤方式，提高了推荐的结果的准确性。

Description

专辑的推荐方法、装置、设备和存储介质
技术领域
本申请涉及互联网领域，特别是涉及一种专辑的推荐方法、装置、设备和存储介质。
背景技术
随着大数据技术的不断发展，通过大数据分析可以为用户更精准得推送专辑。其中一种推荐方式可以为：采集用户对专辑的反馈信息，利用反馈信息为用户进行专辑的个性化推荐。其中，反馈信息可以为对专辑感兴趣、专辑内容质量高等正反馈信息，也可以为对专辑不感兴趣、专辑内容质量差等负反馈信息。
传统技术中，计算机设备根据采集到的专辑的反馈信息向用户进行专辑的推荐。例如，当采集到的反馈信息为负反馈信息时，计算机设备直接屏蔽掉用户负反馈的专辑，进而向用户推荐不存在负反馈信息的专辑。但是，传统技术推荐的结果的准确性较低。
发明内容
基于此，有必要针对传统方式推荐的结果的准确性较低的技术问题，提供一种专辑的推荐方法、装置、设备和存储介质。
第一方面，本申请实施例提供了一种专辑的推荐方法，包括：
根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合；
将所述初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率；
根据各个初始推荐专辑的预估购买率，向所述当前用户进行专辑推荐。
第二方面，本申请实施例提供了一种专辑的推荐装置，包括：
确定模块，用于根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合；
预估模块，用于将所述初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率；
推荐模块，用于根据各个初始推荐专辑的预估购买率，向所述当前用户进行专辑推荐。
第三方面，本申请实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合；
将所述初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率；
根据各个初始推荐专辑的预估购买率，向所述当前用户进行专辑推荐。
第四方面，本申请实施例提供了一种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以下步骤：
根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合；
将所述初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率；
根据各个初始推荐专辑的预估购买率，向所述当前用户进行专辑推荐。
本申请实施例提供的专辑的推荐方法、装置、设备和存储介质，计算机设备可以根据当前用户的历史播放记录，确定当前用户的初始推荐专辑集合，将初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率，并根据各个初始推荐专辑的预估购买率，向当前用户进行专辑推荐。从上述过程可以看出，计算机设备可以基于当前用户的历史播放记录以及当前用户对初始推荐专辑的购买率两方面因素，来向当前用户推荐专辑，相比传统技术中比较粗鲁的过滤方式，提高了推荐的结果的准确性。
附图说明
图1为一实施例提供的专辑的推荐方法流程示意图；
图2为另一实施例提供的专辑的推荐方法流程示意图；
图3为一实施例提供的初始模型的结构示意图；
图4为一实施例提供的专辑的推荐装置的内部结构示意图；
图5为一实施例提供的计算机设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本申请实施例中的技术方案进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，下述方法实施例的执行主体可以是专辑的推荐装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的，计算机设备可以为个人计算机PC(personal computer)、移动终端、便携式设备等具有数据处理功能、且可以与外部设备或者用户交互的电子设备，本实施例对计算机设备的具体形式并不做限定。下述方法实施例以执行主体是计算机设备为例进行说明。
图1为一实施例提供的专辑的推荐方法流程示意图。本实施例涉及的是计算机设备如何基于用户的历史播放记录和购买率预估模型，向用户进行专辑推荐的具体过程。如图1所示，该方法可以包括：
S101、根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合。
其中，专辑可以包括音频文件、视频文件以及文本文件中的任一种。由于历史播放记录可以反应当前用户的播放爱好、所处的年龄阶段以及消费习惯等，这样，计算机设备便可以基于当前用户的历史播放记录，初步筛选出向当前用户推荐的初始推荐专辑。例如，当当前用户的历史播放记录大部分为儿童专辑时，则可以侧面反映该当前用户比较关注儿童相关的内容，这样，计算机设备便可以筛选出与儿童有关的专辑作为向当前用户推荐的初始推荐专辑。当当前用户的历史播放记录大部分为收费较高的专辑时，则可以侧面反映该当前用户的收入较高，这样，计算机设备便可以结合该当前用户的喜好，筛选一些收费与该当前用户相适宜的专辑，作为初始推荐专辑。在一个可选的实施例中，计算机设备还可以通过协同过滤等推荐算法确定初始推荐专辑。
S102、将所述初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率。
其中，上述购买率预估模型用于预估用户对专辑的购买率。其中，购买率为用户对专辑的购买概率。计算机设备将上述得到的各个初始推荐专辑分别输入至购买率预估模型中，经过购买率预估模型的运算，从而得到各个初始推荐推荐的预估购买率。
S103、根据各个初始推荐专辑的预估购买率，向所述当前用户进行专辑推荐。
其中，在得到各个初始推荐专辑的预估购买率之后，计算机设备可以将预估购买率大于预设阈值的初始推荐专辑，推荐给当前用户。
可选的，上述S103也可以为：对各个初始推荐专辑的预估购买率进行排序；根据排序后的各个初始推荐专辑向所述当前用户进行专辑推荐。例如，计算机设备可以将排序在前N位的初始推荐专辑推荐给当前用户。其中，N为大于或等于1的整数，N可以根据实际需求进行相应的设置。
本申请实施例提供的专辑的推荐方法，计算机设备可以根据当前用户的历史播放记录，确定当前用户的初始推荐专辑集合，将初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率，并根据各个初始推荐专辑的预估购买率，向当前用户进行专辑推荐。从上述过程可以看出，计算机设备可以基于当前用户的历史播放记录以及当前用户对初始推荐专辑的购买率两方面因素，来向当前用户推荐专辑，相比传统技术中比较粗鲁的过滤方式，提高了推荐的结果的准确性。
在一个实施例中，还提供了上述购买率预估模型的获取过程，可选的，如图2所示，在上述S101之前，该方法还包括：
S201、获取模型训练数据，所述模型训练数据包括目标用户对展示专辑的点击情况数据集和对所述展示专辑的购买情况数据集，所述目标用户为接收所述展示专辑的对象。
具体的，从后台数据库中取出预设时间段内的展示专辑，该部分展示专辑是展示给目标用户的专辑。同时，也可以从数据库中获取目标用户对该部分展示专辑的点击情况以及购买情况，如针对某一个目标展示专辑，点击情况表示目标用户点击了该目标展示专辑或者目标用户未点击该目标展示专辑，购买情况表示目标用户购买了该目标展示专辑或者目标用户未购买该目标展示专辑。
S202、根据所述点击情况数据集和所述购买情况数据集，对预设的初始模型进行模型训练，得到所述购买率预估模型，所述初始模型包括初始点击率模型和初始购买率模型，所述初始点击率模型和所述初始购买率模型共享嵌入层。
具体的，初始模型由初始点击率模型和初始购买率模型组成，初始点击率模型和初始购买率模型均具有嵌入层，且两个模型之间共享嵌入层。其中，嵌入层用于将输入的专辑标识转换为专辑向量。初始点击率模型和初始购买率模型可以为全连接神经网络模型，也可以为其它类型的网络模型，本实施例对此不做限定。
可选的，上述S202的过程可以为：将所述点击情况数据集和所述购买情况数据集输入至所述初始模型，确定所述初始模型的嵌入层和其它层参数的实际值；将所述嵌入层和其它层参数的初始值更新为所述实际值，得到所述购买率预估模型。
具体的，初始模型中包含嵌入层参数的初始值以及其它层参数的初始值，上述点击情况数据集包括展示专辑的标识以及展示专辑的点击标签，购买情况数据集包括展示专辑的标识以及展示专辑的购买标签。其中，点击标签的取值为1或0，当某一个目标展示专辑的点击标签的取值为1时，可以表示目标用户点击了该目标展示专辑，当该目标展示专辑的点击标签的取值为0时，可以表示目标用户未点击该目标展示专辑。同样的，购买标签的取值为1或0，当某一个目标展示专辑的购买标签的取值为1时，可以表示目标用户购买了该目标展示专辑，当该目标展示专辑的购买标签的取值为0时，可以表示目标用户未购买该目标展示专辑。
可选的，上述将所述点击情况数据集和所述购买情况数据集输入至所述初始模型，确定所述初始模型的嵌入层参数的实际值的过程可以为：根据所述展示专辑的标识、所述点击标签和所述初始点击率模型，确定第一损失函数的损失值；根据所述展示专辑的标识、所述购买标签和所述初始购买率模型，确定第二损失函数的损失值；通过梯度下降方法来最小化第一损失函数和第二损失函数的和，当所述第一损失函数的损失值与所述第二损失函数的损失值之和小于预设阈值时，将所述初始模型的嵌入层参数的当前值确定为所述嵌入层参数的实际值，将所述初始模型的其它层参数的当前值确定为所述其它层参数的实际值。
具体的，计算机设备将点击情况数据集输入至初始点击率模型中，预估目标用户对展示专辑的点击率，并基于预估的展示专辑的点击率与展示专辑的点击标签，确定初始点击率模型对应的第一损失函数的损失值。其中，第一损失函数为交叉熵损失函数。计算机设备可以根据公式：
Figure BDA0002259948400000071
确定第一损失函数的损失值L(θ1)，其中，yi1为展示专辑xi的点击标签，f(xi,θ1)为通过初始点击率模型预估的展示专辑xi的点击率，N为展示专辑的个数，θ1为初始点击率模型的模型参数。
同时，计算机设备将购买情况数据集输入至初始购买率模型中，预估目标用户对展示专辑的购买率，并基于预估的展示专辑的购买率与展示专辑的购买标签，确定初始购买率模型对应的第二损失函数的损失值。其中，第二损失函数为交叉熵损失函数。计算机设备可以根据公式：
Figure BDA0002259948400000081
确定第二损失函数的损失值L(θ2)，其中，yi2为展示专辑xi的购买标签，f(xi,θ2)为通过初始购买率模型预估的展示专辑xi的购买率，θ2为初始购买率模型的模型参数。
初始模型对应的总的损失函数为第一损失函数和第二损失函数之和，即上述初始点击率模型和上述初始购买率模型采取联合训练的方式(即同时训练的方式)进行训练。当第一损失函数的损失值和第二损失函数的损失值之和降低到小于预设阈值时，将初始模型的嵌入层参数的当前值确定为嵌入层参数的实际值，将初始模型的其它层参数的当前值确定为其它层参数的实际值。当第一损失函数的损失值和第二损失函数的损失值之和不能降低到小于预设阈值时，对初始模型的各层参数的取值进行调整，并基于调整后的初始模型、上述点击情况数据集以及上述购买情况数据集，重新训练上述初始模型，即重新训练上述初始点击率模型和上述初始购买率模型，计算第一损失函数的损失值和第二损失函数的损失值，直至第一损失函数的损失值和第二损失函数的损失值之和降低到小于预设阈值为止，此时，将训练好的调整后的初始模型中的嵌入层和其它层参数的取值确定为初始模型参数的实际值，且此时的初始点击率模型的嵌入层参数和初始购买率模型的嵌入层参数的取值相等。
为了进一步提高购买率预估模型输出的预估结果的准确性，可选的，在获取购买率预估模型的过程中，还可以将展示专辑对应的目标用户的用户特征数据和展示专辑的专辑特征数据作为模型训练数据，对初始模型进行训练，从而得到购买率预估模型。针对此情况，购买率预估模型的获取过程可以如下：
示例性的，初始模型的模型结构可以如图3所示，即初始点击率模型包括嵌入层、第一平均层、第一全连接层和第二全连接层，初始购买率模型包括嵌入层、第二平均层、第三全连接层和第四全连接层，初始点击率模型与初始购买率模型共享嵌入层。输入至初始点击率模型中的模型训练数据为展示专辑的标识、展示专辑的点击标签、展示专辑对应的目标用户的用户特征数据(如目标用户的年龄、目标用户的性别、目标用户的历史播放专辑序列)以及展示专辑的专辑特征数据(如展示专辑的专辑类别，专辑类别可以为一级分类如有声书等，也可以为二级分类如有声书-言情、有声书-恐怖等)。输入至初始购买率模型中的模型训练数据为上述展示专辑的标识、上述展示专辑的购买标签、上述展示专辑对应的目标用户的用户特征数据以及上述展示专辑的专辑特征数据。
这样，对于初始点击率模型的训练过程为：将目标用户的历史播放专辑序列输入至嵌入层以及第一平均层中，将历史播放专辑序列转换成历史播放专辑序列向量，将展示专辑的标识输入至嵌入层中，将展示专辑的标识转换成展示专辑向量，并对其它的用户特征数据以及展示专辑的专辑特征数据分别进行独热编码，将独热编码后的用户特征数据、独热编码后的专辑特征数据、历史播放专辑序列向量以及展示专辑向量进行拼接，再将拼接后的数据输入至第一全连接层和第二全连接层，得到展示专辑的预估点击率，并基于预估点击率和点击标签确定第一损失函数的损失值。
同理，对于初始购买率模型的训练过程为：将目标用户的历史播放专辑序列输入至嵌入层以及第二平均层中，将历史播放专辑序列转换成历史播放专辑序列向量，将展示专辑的标识输入至嵌入层中，将展示专辑的标识转换成展示专辑向量，并对其它的用户特征数据以及展示专辑的专辑特征数据分别进行独热编码，将独热编码后的用户特征数据、独热编码后的专辑特征数据、历史播放专辑序列向量以及展示专辑向量进行拼接，再将拼接后的数据输入至第三全连接层和第四全连接层，得到展示专辑的预估购买率，并基于预估购买率和购买标签确定第二损失函数的损失值。
接着，通过最小化第一损失函数的损失值和第二损失函数的损失值之和，确定初始模型的嵌入层参数和其它层参数的实际值。其中，由于初始模型包括的初始点击率模型和初始购买率模型共享嵌入层，且点击数据的正样本数量(该处正样本为上述点击标签为1的样本)远远大于购买数据的正样本数量(该处正样本为上述购买标签为1的样本)，因此，初始购买率模型的嵌入层参数的实际值基本是通过大量的点击情况数据集训练得到的，本质上是一种迁移学习。
在本实施例中，由于在获取购买率预估模型的过程中，采用了初始点击率模型和初始购买率模型组成的初始模型进行模型训练，且初始点击率模型和初始购买率模型共享嵌入层参数，这样，在采用点击情况数据集对初始点击率模型进行训练，采用购买情况数据集对初始购买率模型进行训练的过程中，通过正样本较多的点击情况数据集使初始模型的嵌入层参数收敛，即最终得到的购买率预估模型的嵌入层参数的取值基本是通过正样本较多的点击情况数据集训练得到的，相比仅通过正样本较少的购买情况数据集训练嵌入层参数的取值的方式，提高了购买率预估模型的准确性，进而提高了基于购买率预估模型推荐的结果的准确性。
应该理解的是，虽然图1至图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1至图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图4为一实施例提供的一种专辑的推荐装置的内部结构示意图，如图4所示，该装置可以包括：确定模块10、预估模块11和推荐模块13。
具体的，确定模块10用于根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合；
预估模块11用于将所述初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率；
推荐模块13用于根据各个初始推荐专辑的预估购买率，向所述当前用户进行专辑推荐。
本申请实施例提供的专辑的推荐装置，计算机设备可以根据当前用户的历史播放记录，确定当前用户的初始推荐专辑集合，将初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率，并根据各个初始推荐专辑的预估购买率，向当前用户进行专辑推荐。从上述过程可以看出，计算机设备可以基于当前用户的历史播放记录以及当前用户对初始推荐专辑的购买率两方面因素，来向当前用户推荐专辑，相比传统技术中比较粗鲁的过滤方式，提高了推荐的结果的准确性。
可选的，在上述实施例的基础上，所述装置还包括：获取模块和模型训练模块；
具体的，获取模块用于在确定模块10根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合之前，获取模型训练数据，所述模型训练数据包括目标用户对展示专辑的点击情况数据集和对所述展示专辑的购买情况数据集，所述目标用户为接收所述展示专辑的对象；
模型训练模块用于根据所述点击情况数据集和所述购买情况数据集，对预设的初始模型进行模型训练，得到所述购买率预估模型，所述初始模型包括初始点击率模型和初始购买率模型，所述初始点击率模型和所述初始购买率模型共享嵌入层。
可选的，在上述实施例的基础上，模型训练模块包括：确定单元和更新单元；
具体的，确定单元用于将所述点击情况数据集和所述购买情况数据集输入至所述初始模型，确定所述初始模型的嵌入层和其它层参数的实际值；
更新单元用于将所述嵌入层和其它层参数的初始值更新为所述实际值，得到所述购买率预估模型。
可选的，在上述实施例的基础上，所述点击情况数据集包括所述展示专辑的标识以及所述展示专辑的点击标签，所述购买情况数据集包括所述展示专辑的标识以及所述展示专辑的购买标签；
确定单元具体用于根据所述展示专辑的标识、所述点击标签和所述初始点击率模型，确定第一损失函数的损失值；根据所述展示专辑的标识、所述购买标签和所述初始购买率模型，确定第二损失函数的损失值；当所述第一损失函数的损失值与所述第二损失函数的损失值之和小于预设阈值时，将所述初始模型的嵌入层参数的当前值确定为所述嵌入层参数的实际值，将所述初始模型的其它层参数的当前值确定为所述其它层参数的实际值。
可选的，在上述实施例的基础上，所述模型训练数据还包括所述目标用户的用户特征数据和所述展示专辑的专辑特征数据。
可选的，在上述实施例的基础上，所述第一损失函数和所述第二损失函数均为交叉熵损失函数。
可选的，在上述实施例的基础上，推荐模块具体用于对各个初始推荐专辑的预估购买率进行排序；根据排序后的各个初始推荐专辑向所述当前用户进行专辑推荐。
在一个实施例中，提供了一种计算机设备，该计算机设备的内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种专辑的推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合；
将所述初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率；
根据各个初始推荐专辑的预估购买率，向所述当前用户进行专辑推荐。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取模型训练数据，所述模型训练数据包括目标用户对展示专辑的点击情况数据集和对所述展示专辑的购买情况数据集，所述目标用户为接收所述展示专辑的对象；根据所述点击情况数据集和所述购买情况数据集，对预设的初始模型进行模型训练，得到所述购买率预估模型，所述初始模型包括初始点击率模型和初始购买率模型，所述初始点击率模型和所述初始购买率模型共享嵌入层。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述点击情况数据集和所述购买情况数据集输入至所述初始模型，确定所述初始模型的嵌入层和其它层参数的实际值；将所述嵌入层和其它层参数的初始值更新为所述实际值，得到所述购买率预估模型。
在一个实施例中，所述点击情况数据集包括所述展示专辑的标识以及所述展示专辑的点击标签，所述购买情况数据集包括所述展示专辑的标识以及所述展示专辑的购买标签；
处理器执行计算机程序时还实现以下步骤：根据所述展示专辑的标识、所述点击标签和所述初始点击率模型，确定第一损失函数的损失值；根据所述展示专辑的标识、所述购买标签和所述初始购买率模型，确定第二损失函数的损失值；当所述第一损失函数的损失值与所述第二损失函数的损失值之和小于预设阈值时，将所述初始模型的嵌入层参数的当前值确定为所述嵌入层参数的实际值，将所述初始模型的其它层参数的当前值确定为所述其它层参数的实际值。
在一个实施例中，所述模型训练数据还包括所述目标用户的用户特征数据和所述展示专辑的专辑特征数据。
在一个实施例中，所述第一损失函数和所述第二损失函数均为交叉熵损失函数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对各个初始推荐专辑的预估购买率进行排序；根据排序后的各个初始推荐专辑向所述当前用户进行专辑推荐。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合；
将所述初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率；
根据各个初始推荐专辑的预估购买率，向所述当前用户进行专辑推荐。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取模型训练数据，所述模型训练数据包括目标用户对展示专辑的点击情况数据集和对所述展示专辑的购买情况数据集，所述目标用户为接收所述展示专辑的对象；根据所述点击情况数据集和所述购买情况数据集，对预设的初始模型进行模型训练，得到所述购买率预估模型，所述初始模型包括初始点击率模型和初始购买率模型，所述初始点击率模型和所述初始购买率模型共享嵌入层。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述点击情况数据集和所述购买情况数据集输入至所述初始模型，确定所述初始模型的嵌入层和其它层参数的实际值；将所述嵌入层和其它层参数的初始值更新为所述实际值，得到所述购买率预估模型。
在一个实施例中，所述点击情况数据集包括所述展示专辑的标识以及所述展示专辑的点击标签，所述购买情况数据集包括所述展示专辑的标识以及所述展示专辑的购买标签；
计算机程序被处理器执行时还实现以下步骤：根据所述展示专辑的标识、所述点击标签和所述初始点击率模型，确定第一损失函数的损失值；根据所述展示专辑的标识、所述购买标签和所述初始购买率模型，确定第二损失函数的损失值；当所述第一损失函数的损失值与所述第二损失函数的损失值之和小于预设阈值时，将所述初始模型的嵌入层参数的当前值确定为所述嵌入层参数的实际值，将所述初始模型的其它层参数的当前值确定为所述其它层参数的实际值。
在一个实施例中，所述模型训练数据还包括所述目标用户的用户特征数据和所述展示专辑的专辑特征数据。
在一个实施例中，所述第一损失函数和所述第二损失函数均为交叉熵损失函数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对各个初始推荐专辑的预估购买率进行排序；根据排序后的各个初始推荐专辑向所述当前用户进行专辑推荐。
上述实施例中提供的专辑的推荐装置、计算机设备以及存储介质可执行本申请任意实施例所提供的专辑的推荐方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的专辑的推荐方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种专辑的推荐方法，其特征在于，包括：
根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合；
将所述初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率；
根据各个初始推荐专辑的预估购买率，向所述当前用户进行专辑推荐。
2.根据权利要求1所述的方法，其特征在于，在所述根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合之前，所述方法还包括：
获取模型训练数据，所述模型训练数据包括目标用户对展示专辑的点击情况数据集和对所述展示专辑的购买情况数据集，所述目标用户为接收所述展示专辑的对象；
根据所述点击情况数据集和所述购买情况数据集，对预设的初始模型进行模型训练，得到所述购买率预估模型，所述初始模型包括初始点击率模型和初始购买率模型，所述初始点击率模型和所述初始购买率模型共享嵌入层。
3.根据权利要求2所述的方法，其特征在于，所述根据所述点击情况数据集和所述购买情况数据集，对预设的初始模型进行模型训练，得到所述购买率预估模型，包括：
将所述点击情况数据集和所述购买情况数据集输入至所述初始模型，确定所述初始模型的嵌入层和其它层参数的实际值；
将所述嵌入层和其它层参数的初始值更新为所述实际值，得到所述购买率预估模型。
4.根据权利要求3所述的方法，其特征在于，所述点击情况数据集包括所述展示专辑的标识以及所述展示专辑的点击标签，所述购买情况数据集包括所述展示专辑的标识以及所述展示专辑的购买标签；
所述将所述点击情况数据集和所述购买情况数据集输入至所述初始模型，确定所述初始模型的嵌入层和其它层参数的实际值，包括：
根据所述展示专辑的标识、所述点击标签和所述初始点击率模型，确定第一损失函数的损失值；
根据所述展示专辑的标识、所述购买标签和所述初始购买率模型，确定第二损失函数的损失值；
当所述第一损失函数的损失值与所述第二损失函数的损失值之和小于预设阈值时，将所述初始模型的嵌入层参数的当前值确定为所述嵌入层参数的实际值，将所述初始模型的其它层参数的当前值确定为所述其它层参数的实际值。
5.根据权利要求2至4中任一项所述的方法，其特征在于，所述模型训练数据还包括所述目标用户的用户特征数据和所述展示专辑的专辑特征数据。
6.根据权利要求4所述的方法，其特征在于，所述第一损失函数和所述第二损失函数均为交叉熵损失函数。
7.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据各个初始推荐专辑的预估购买率，向所述当前用户进行专辑推荐，包括：
对各个初始推荐专辑的预估购买率进行排序；
根据排序后的各个初始推荐专辑向所述当前用户进行专辑推荐。
8.一种专辑的推荐装置，其特征在于，包括：
确定模块，用于根据当前用户的历史播放记录，确定所述当前用户的初始推荐专辑集合；
预估模块，用于将所述初始推荐专辑集合输入至预设的购买率预估模型中，得到各个初始推荐专辑的预估购买率；
推荐模块，用于根据各个初始推荐专辑的预估购买率，向所述当前用户进行专辑推荐。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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权利要求1至7中任一项所述方法的步骤。
CN201911067801.9A 2019-11-04 2019-11-04 专辑的推荐方法、装置、设备和存储介质 Pending CN110807693A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911067801.9A CN110807693A (zh) 2019-11-04 2019-11-04 专辑的推荐方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911067801.9A CN110807693A (zh) 2019-11-04 2019-11-04 专辑的推荐方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN110807693A true CN110807693A (zh) 2020-02-18

Family

ID=69501165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911067801.9A Pending CN110807693A (zh) 2019-11-04 2019-11-04 专辑的推荐方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN110807693A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368192A (zh) * 2020-03-03 2020-07-03 上海喜马拉雅科技有限公司 信息的推荐方法、装置、设备和存储介质
CN111460290A (zh) * 2020-03-27 2020-07-28 喜丈(上海)网络科技有限公司 信息的推荐方法、装置、设备和存储介质
CN112529663A (zh) * 2020-12-15 2021-03-19 中国平安人寿保险股份有限公司 商品推荐方法、装置、终端设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197327A (zh) * 2018-02-07 2018-06-22 腾讯音乐娱乐（深圳）有限公司 歌曲推荐方法、装置及存储介质
CN108509534A (zh) * 2018-03-15 2018-09-07 华南理工大学 基于深度学习的个性化音乐推荐系统及其实现方法
CN109299976A (zh) * 2018-09-07 2019-02-01 深圳大学 点击率预测方法、电子装置及计算机可读存储介质
CN109992710A (zh) * 2019-02-13 2019-07-09 网易传媒科技（北京）有限公司 点击率预估方法、系统、介质和计算设备
CN110008399A (zh) * 2019-01-30 2019-07-12 阿里巴巴集团控股有限公司 一种推荐模型的训练方法及装置、一种推荐方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197327A (zh) * 2018-02-07 2018-06-22 腾讯音乐娱乐（深圳）有限公司 歌曲推荐方法、装置及存储介质
CN108509534A (zh) * 2018-03-15 2018-09-07 华南理工大学 基于深度学习的个性化音乐推荐系统及其实现方法
CN109299976A (zh) * 2018-09-07 2019-02-01 深圳大学 点击率预测方法、电子装置及计算机可读存储介质
CN110008399A (zh) * 2019-01-30 2019-07-12 阿里巴巴集团控股有限公司 一种推荐模型的训练方法及装置、一种推荐方法及装置
CN109992710A (zh) * 2019-02-13 2019-07-09 网易传媒科技（北京）有限公司 点击率预估方法、系统、介质和计算设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368192A (zh) * 2020-03-03 2020-07-03 上海喜马拉雅科技有限公司 信息的推荐方法、装置、设备和存储介质
CN111460290A (zh) * 2020-03-27 2020-07-28 喜丈(上海)网络科技有限公司 信息的推荐方法、装置、设备和存储介质
CN111460290B (zh) * 2020-03-27 2023-06-02 喜丈(上海)网络科技有限公司 信息的推荐方法、装置、设备和存储介质
CN112529663A (zh) * 2020-12-15 2021-03-19 中国平安人寿保险股份有限公司 商品推荐方法、装置、终端设备及存储介质
CN112529663B (zh) * 2020-12-15 2023-10-27 中国平安人寿保险股份有限公司 商品推荐方法、装置、终端设备及存储介质

Similar Documents

Publication Publication Date Title
CN110807693A (zh) 专辑的推荐方法、装置、设备和存储介质
CN114359563B (zh) 模型训练方法、装置、计算机设备和存储介质
CN107545301B (zh) 页面展示方法及装置
CN111859149A (zh) 资讯信息推荐方法、装置、电子设备及存储介质
CN111460290B (zh) 信息的推荐方法、装置、设备和存储介质
CN107818491A (zh) 电子装置、基于用户上网数据的产品推荐方法及存储介质
CN112734104B (zh) 一种融合生成对抗网络和自编码器的跨域推荐方法
CN112633002A (zh) 样本标注、模型训练、命名实体识别方法和装置
CN110796261A (zh) 基于强化学习的特征提取方法、装置和计算机设备
CN113343091A (zh) 面向产业和企业的科技服务推荐计算方法、介质及程序
CN114600196A (zh) 特定领域的人类模型协同注释工具
CN116910357A (zh) 一种数据处理方法及相关装置
CN116956183A (zh) 多媒体资源推荐方法、模型训练方法、装置及存储介质
CN113129108B (zh) 基于Double DQN算法的产品推荐方法及装置
CN115017413A (zh) 推荐方法、装置、计算设备及计算机存储介质
CN114491296A (zh) 提案联名人推荐方法、系统、计算机设备及可读存储介质
CN115203532A (zh) 一种项目推荐方法、装置、电子设备及存储介质
CN114529399A (zh) 用户数据处理方法、装置、计算机设备和存储介质
CN111915339A (zh) 数据的处理方法、装置及设备
CN115689648B (zh) 应用于定向投放的用户信息处理方法及系统
CN117786234B (zh) 一种基于两阶段对比学习的多模态资源推荐方法
CN115470397B (zh) 内容推荐方法、装置、计算机设备和存储介质
CN114048392B (zh) 多媒体资源推送方法、装置、电子设备及存储介质
CN116541600A (zh) 一种融合时空多粒度兴趣的学习资源推荐方法及相关装置
CN117932071A (zh) 反馈信息变化趋势确定方法、装置、计算机设备及介质

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200218

WD01 Invention patent application deemed withdrawn after publication