CN110825957A - 基于深度学习的信息推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本申请实施例属于人工智能技术领域，涉及一种基于深度学习的信息推荐方法，包括：接收用户发送的推荐请求；响应所述推荐请求，在内容缓存库中获取与所述用户标识信息相对应的推荐内容信息，在行为数据库中获取与所述用户标识信息相对应的历史行为信息；将所述历史行为信息以及目标内容信息导入联合推荐模型进行推荐训练操作，获取与所述推荐内容信息相对应的推荐概率；将满足推荐规则的所述推荐概率相对应的推荐内容信息作为目标推荐信息；向所述用户输出所述目标推荐信息。本申请还提供一种基于深度学习的信息推荐装置、计算机设备及存储介质。本申请有效提高内容推荐的准确率，提升用户的喜好度。

Description

基于深度学习的信息推荐方法、装置、设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及基于深度学习的信息推荐方法、装置、设备及存储介质。

背景技术

随着互联网技术的发展，互联网能够为用户提供越来越多的网络服务，例如：用户可以通过互联网浏览视频、收听音乐、阅读、购物等。在互联网平台中，用户可以通过搜索功能搜索自己需要的信息。同时，为了方便用户获取信息，互联网平台还可以主动向用户推荐信息。

现有一种内容推荐方法，通过对用户当前的行为特征进行基于决策树算法分类，获得用户当前行为兴趣；对用户当前的兴趣类别的网页进行文本分析，获得网页文本属性信息，根据网页文本属性信息，获取用户当前内容兴趣；根据用户当前行为兴趣和当前内容兴趣，使用集成学习技术，得到用户当前兴趣，实现数据业务的定向推送。

然而，传统的内容推荐方法普遍不智能，基于该决策树算法的分类方法，过度依赖于行为的内容文本，未能深入学习用户行为，不能提高数据业务推送的可信度和提高用户喜好度。

发明内容

本申请实施例的目的在于提出一种基于深度学习的信息推荐方法、装置、设备及存储介质，旨在解决现有的内容推荐方法不能提高数据业务推送的可信度和提高用户喜好度的问题。

为了解决上述技术问题，本申请实施例提供一种基于深度学习的信息推荐方法，采用了如下所述的技术方案：

接收用户发送的推荐请求，所述推荐请求至少携带有用户标识信息以及目标内容信息；

响应所述推荐请求，在内容缓存库中获取与所述用户标识信息相对应的推荐内容信息，在行为数据库中获取与所述用户标识信息相对应的历史行为信息；

将所述历史行为信息以及目标内容信息导入联合推荐模型进行推荐训练操作，获取与所述推荐内容信息相对应的推荐概率；

将满足推荐规则的所述推荐概率相对应的推荐内容信息作为目标推荐信息；

向所述用户输出所述目标推荐信息。

为了解决上述技术问题，本申请实施例还提供基于深度学习的信息推荐装置，采用了如下所述的技术方案：

请求接收模块，用于接收用户发送的推荐请求，所述推荐请求至少携带有用户标识信息以及目标内容信息；

请求响应模块，用于响应所述推荐请求，在内容缓存库中获取与所述用户标识信息相对应的推荐内容信息，在行为数据库中获取与所述用户标识信息相对应的历史行为信息；

推荐概率获取模块，用于将所述历史行为信息以及目标内容信息导入联合推荐模型进行推荐训练操作，获取与所述推荐内容信息相对应的推荐概率；

推荐信息确定模块，用于将满足推荐规则的所述推荐概率相对应的推荐内容信息作为目标推荐信息；

推荐信息输出模块，用于向所述用户输出所述目标推荐信息。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

包括存储器和处理器；

所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于深度学习的信息推荐方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

所述计算机可读存储介质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上所述的基于深度学习的信息推荐方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本发明申请提供了一种基于深度学习的信息推荐方法，接收用户发送的推荐请求，所述推荐请求至少携带有用户标识信息以及目标内容信息；响应所述推荐请求，在内容缓存库中获取与所述用户标识信息相对应的推荐内容信息，在行为数据库中获取与所述用户标识信息相对应的历史行为信息；将所述历史行为信息以及目标内容信息导入联合推荐模型进行推荐训练操作，获取与所述推荐内容信息相对应的推荐概率；将满足推荐规则的所述推荐概率相对应的推荐内容信息作为目标推荐信息；向所述用户输出所述目标推荐信息。通过基于深度学习的联合推荐模型对该用户进行推荐训练操作，可以提高内容推荐的准确率，提升用户的喜好度。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本发明实施例一提供的基于深度学习的信息推荐方法的实现流程图；

图2是本发明实施例一提供的内容缓存库确定流程的实现流程图；

图3是本发明实施例一提供的推荐训练操作的流程示意图；

图4是本发明实施例一提供的推荐概率获取流程的流程示意图；

图5是本发明实施例一提供的展示数量确定流程的流程示意图；

图6是本发明实施例二提供的基于深度学习的信息推荐装置的结构示意图；

图7是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

本发明实施例提供的基于深度学习的信息推荐方法，在接收用户发送的请求后，获取与该用户相对应的历史行为信息，基于深度学习的联合推荐模型对该用户进行推荐训练操作，获取与该用户相对应的行为特征以及兴趣特征，并推测用户感兴趣的内容，有效提高内容推荐的准确率，提升用户的喜好度。

实施例一

图1示出了本发明实施例一提供的基于深度学习的信息推荐方法的实现流程图，为了便于说明，仅示出与本发明相关的部分。

在步骤S101中，接收用户发送的推荐请求，所述推荐请求至少携带有用户标识信息以及目标内容信息。

在本发明实施例中，用户可以通过终端发送的该推荐请求，该终端可以是诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，应当理解，此处对终端的举例仅为方便理解，不用于限定本发明。

在本发明实施例中，用户标识信息用于唯一标识用户，可以是用户账户名称，作为示例，例如张三(zhangsan)、李四(lisi)等；也可以是编号信息，作为示例，例如000001、000002等；还可以结合账户名称和编号信息，例如张三000001、李四000002等，应当理解，此处对用户标识信息的举例仅为方便理解，不用于限定本发明。

在本发明实施例中，目标内容信息用于限定用户所感兴趣的内容关键词，作为示例，例如“元宵小品”、“春晚小品”等等，应当理解，此处对目标内容信息的举例仅为方便理解，不用于限定本发明。

在步骤S102中，响应所述推荐请求，在内容缓存库中获取与所述用户标识信息相对应的推荐内容信息，在行为数据库中获取与所述用户标识信息相对应的历史行为信息。

在本发明实施例中，内容缓存库用于存储从总内容缓存库中筛选出的较大范围的推荐内容数据信息。

在本发明实施例中，推荐内容信息指的是基于用户标识信息从该内容缓存库中筛选出的较小范围的推荐内容列表。

在本发明实施例中，行为数据库用于存储所有用户的历史行为信息，该行为数据库建立有用户标识信息与历史行为信息一一对应的关系。

在本发明实施例中，历史行为信息用于记录指定用户的历史行为操作，该历史行为操作包括：对行为对象的点击率、点击量、访问量、访问率、访问模块、收藏关注以及发表咨询和评论等等，应当理解，此处对历史行为信息的举例仅为方便理解，不用于限定本发明。

在本发明实施例中，由于行为数据库建立有用户标识信息与历史行为信息一一对应的关系，可通过用户发送的推荐请求中携带有的用户标识信息获取行为数据库中与用户标识信息一一对应的历史行为信息。

在步骤S103中，将所述历史行为信息以及目标内容信息导入联合推荐模型进行推荐训练操作，获取与所述推荐内容信息相对应的推荐概率。

在本发明实施例中，联合推荐模型用于对输入的历史行为信息或目标内容信息进行推荐训练操作，以在该推荐内容信息中推测用户对各个推荐内容的感兴趣程度，并通过推荐概率的形式进行展示。

在步骤S104中，将满足推荐规则的所述推荐概率相对应的推荐内容信息作为目标推荐信息。

在本发明实施例中，推荐规则用于判断推荐内容信息中的内容是否满足用户感兴趣的程度，该推荐规则可以是系统默认设置，也可以是根据用户的实际情况进行具体设置，作为示例，例如推荐概率大于80％、推荐概率大于60％等，应当理解，此处对推荐规则的举例仅为方便理解，不用于限定本发明。

在本发明实施例中，目标推荐信息指的是与用户喜好度最接近，准确率最高的推荐内容信息。

在步骤S105中，向所述用户输出所述目标推荐信息。

在本发明实施例中，提供了一种基于深度学习的信息推荐方法，接收用户发送的推荐请求，所述推荐请求至少携带有用户标识信息以及目标内容信息；响应所述推荐请求，在内容缓存库中获取与所述用户标识信息相对应的推荐内容信息，在行为数据库中获取与所述用户标识信息相对应的历史行为信息；将所述历史行为信息以及目标内容信息导入联合推荐模型进行推荐训练操作，获取与所述推荐内容信息相对应的推荐概率；将满足推荐规则的所述推荐概率相对应的推荐内容信息作为目标推荐信息；向所述用户输出所述目标推荐信息。通过基于深度学习的联合推荐模型对该用户进行推荐训练操作，可以提高内容推荐的准确率，提升用户的喜好度。

继续参考图2，示出了本发明实施例一提供的内容缓存库确定方法的实现流程图，为了便于说明，仅示出与本发明相关的部分。

作为实施例一的一些可选实现方式中，在上述步骤S101之前，还包括步骤S201、以及步骤S202。

在步骤S201中，基于预筛选规则在总内容数据库中进行预筛选操作，获取备选内容数据。

在本发明实施例中，预筛选规则可以是系统默认设置的筛选规则，作为示例，例如基于实时热度内容进行筛选；也可以是基于用户实际情况进行调整的筛选规则，作为示例，例如基于“国内新闻”“体育新闻”进行筛选，应当理解，此处对预筛选规则的举例仅为方便理解，不用于限定本发明。

在本发明实施例中，备选内容数据指的是上述从总内容缓存库中筛选出的较大范围的推荐内容数据信息。

在步骤S202中，将所述备选内容数据存储于所述内容缓存库。

在本发明实施例中，在进行信息推荐之前，通过在总内容数据库中进行预筛选操作，从而减少服务器基于用户发送的推荐请求在数据库中查找响应推荐数据的范围，有效减少系统的处理时间，提高系统的处理效率。

图3是本发明实施例一提供的推荐训练操作的流程示意图，为了便于说明，仅示出与本发明相关的部分。

作为本发明实施例一的一些可选实现方式中，上述步骤S103具体包括：步骤S301、步骤S302、步骤S303、步骤S304以及步骤S305。

在步骤S301中，在所述历史行为信息中获取历史行为集合，所述历史行为集合至少携带有历史目标信息以及与所述历史目标信息相对应的操作序列信息。

在本发明实施例中，历史行为集合指的是上述建立有对应关系的用户标识信息与历史行为信息，其中，历史行为信息具体存储有一一对应关系的历史目标信息与操作序列信息。

在本发明实施例中，历史目标信息用于标识用户历史浏览的具体信息内容，作为示例，例如，昨天张三浏览了2019年春晚小品《占位子》，那么，“占位子”即为该历史目标信息，应当理解，此处对历史目标信息的举例仅为方便理解，不用于限定本发明。

在本发明实施例中，操作序列信息用于记录当前用户对指定历史浏览目标的具体操作内容通过时间序列的形式进行记录，作为示例，例如昨天张三浏览“2019年春晚小品《占位子》”时对该小品《占位子》进行的点击率、点击量、访问量、访问率、收藏关注以及发表咨询和评论等，应当理解，此处对操作序列信息的举例仅为方便理解，不用于限定本发明。

在步骤S302中，将所述历史目标信息、操作序列信息以及目标内容信息通过嵌入层Embedding转换成历史目标向量、浏览操作向量以及目标内容向量。

在本发明实施例中，嵌入层Embedding用于将历史目标信息、操作序列信息以及目标内容信息通过向量的形式进行表达，以用于查找嵌入矩阵中向量的索引，有效提升信息查找的精准度，提高系统的计算效率。

在步骤S303中，将所述历史目标向量、浏览操作向量以及目标内容向量导入行为深度学习模型进行行为训练操作，获取行为预测概率。

在本发明实施例中，行为深度学习模型可以根据用户的历史行为信息获取用户对各种类型的候选内容的行为信息，具体包括点击率或者点击量，从而得到用户在推荐内容信息中对不同类型内容的点击概率。

在本发明实施例中，行为预测概率指的是行为深度学习模型基于用户的历史行为信息获取用户对不同类型内容的喜好程度，并基于该喜好程度推测用户在推荐内容信息中对不同内容信息的点击概率。

作为本发明实施例一的一些可选实现方式中，上述行为深度学习模型基于deepFM网络对所述历史行为集合进行所述行为训练操作。

在本发明实施例中，deepFM网络指的是基于神经网络部分与因子分解机部分融合而成的神经网络框架，是构建的一个端到端的可以同时突出低阶和高阶featureinteractions的学习模型。

在本发明实施例中，该行为深度学习模型引用deepFM网络，涵盖低阶特征与高阶交叉特征的特点，提高模型训练的精准度；在输入原始特征后，可以实现端到端的训练。

在步骤S304中，将所述历史目标向量以及浏览操作向量导入内容深度学习模型进行内容训练操作，获取内容预测概率。

在本发明实施例中，内容深度学习模型可以根据用户的历史行为信息获取用户的内容兴趣隐向量，从而获知用户较为感兴趣的内容兴趣信息，基于该内容兴趣信息推测用户在推荐内容信息中对不同推荐内容的点击概率。

在本发明实施例中，内容预测概率指的是内容深度学习模型基于用户的历史行为信息获取用户不同内容的兴趣隐向量，从而获知用户的内容兴趣隐向量，并基于该内容兴趣隐向量推测在推荐内容信息中对不同内容信息的点击概率。

作为本发明实施例一的一些可选实现方式中，上述内容深度学习模型基于GRU用户表征模型对所述历史目标向量以及浏览操作向量进行内容训练操作。

在本发明实施例中，GRU用户表征模型指的是基于更新门和重置门函数构建的网络结构，该GRU用户表征模型需要预先进行训练，训练样本从历史的用户行为数据，例如Feeds(信息流)曝光点击日志中获取由各类型的内容点击序列样本与对应的内容的embedding向量样本。

在实际应用中，用户在网络界面中对信息流的每一个行为，都会产生一条日志。该日志会存放在指定的服务器中。用户行为日志有很多种，不同的日志记载了不同的信息，例如Feeds曝光点击日志中记载了Feeds的曝光和点击信息如：信息流ID、曝光时间、点击时间、操作系统、浏览器、用户ID等。通过访问服务器可以获取用户对各类型内容的信息流的点击序列，以及被点击的信息流。

在本发明实施例中，内容深度学习模型引用GRU用户表征模型，基于预训练的内容embedding，可以利用深层次的内容表征信息；同时，通过使用用户的操作序列信息进行训练，提高结果的精确度；并且，embedding向量是预训练好的，因此只要用户有行为就能进行训练和预测，冷启动性能好。

在步骤S305中，根据所述行为预测概率以及内容预测概率获取与所述推荐内容信息相对应的所述推荐概率。

在本发明实施例中，联合推荐模型包括行为深度学习模型和内容深度学习模型，通过对用户的历史行为信息进行推荐训练操作，基于用户行为的信息以及隐向量内容表征信息推荐用户感兴趣的热门内容，从而提高数据业务推送的可信度，进一步提高用户的喜好程度。

图4是本发明实施例一提供的推荐概率获取方法的流程示意图，为了便于说明，仅示出与本发明相关的部分。

作为本发明实施例一的一些可选实现方式中，上述步骤S305具体包括：步骤S401以及步骤S402。

在步骤S401中，按照预设的权重分配规则对所述行为预测概率以及内容预测概率进行权重分配操作，并计算最终概率。

在本发明实施例中，预设的权重分配规则用于考量行为预测概率以及内容预测概率的权重，该权重分配规则可以是预先在联合推荐模型中设定，也可以是根据用户实际情况进行设置，作为示例，例如该权重分配规则可以是1:1，也可以是0.4:0.6，应当理解的是，此处对权重分配规则的举例仅为方便理解，不用于限定本发明。

在实际应用中，若预设的权重分配规则为1:1，而推荐内容有A、B、C、D四个，其对应的行为预测概率分别为10％、30％、60％、80％，而内容预测概率分别为20％、40％、70％、10％，那么A、B、C、D的最终概率则为(10％+20％＝30％)、(30％+40％＝70％)、(60％+70％＝130％)、(80％+10％＝90％)。

在步骤S402中，将所述最终概率作为所述推荐内容信息相对应的推荐概率。

在本发明实施例中，通过预设的权重分配规则对联合推荐模型训练出的行为预测概率以及内容预测概率进行权重考量，从而使得推荐模型训练出预测概率更加倾向于用户的实际情况，进一步提高内容信息的推荐精准度，提高数据业务推送的可信度以及用户的喜好度。

图5示出了本发明实施例一提供的展示数量确定方法流程示意图，为了便于说明，仅示出与本发明相关的部分。

作为本发明实施例一的一些可选实现方式中，上述步骤S104具体包括：步骤S501以及步骤S502。

在步骤S501中，将所述推荐内容信息按照所述推荐概率从大到小的方式进行排序。

在步骤S502中，将排序在前的预设数量的推荐内容信息作为所述目标推荐信息。

在本发明实施例中，预设数量用于限定推荐信息的输出数量，该预设数量可以是联合推荐模型默认设置的数量，也可以根据用户的实际需要进行设置，作为示例，例如3个、5个、10个等等，应当理解的是，此处对预设数量的举例仅为方便理解，不用于限定本发明。

在本发明实施例中，通过对推荐内容信息的展示数量按照预设数量进行限定，从而避免由于展示信息过多导致内容冗余的情况，有效用户的使用体验。

综上所述，本发明申请提供了一种基于深度学习的信息推荐方法，接收用户发送的推荐请求，所述推荐请求至少携带有用户标识信息以及目标内容信息；响应所述推荐请求，在内容缓存库中获取与所述用户标识信息相对应的推荐内容信息，在行为数据库中获取与所述用户标识信息相对应的历史行为信息；将所述历史行为信息以及目标内容信息导入联合推荐模型进行推荐训练操作，获取与所述推荐内容信息相对应的推荐概率；将满足推荐规则的所述推荐概率相对应的推荐内容信息作为目标推荐信息；向所述用户输出所述目标推荐信息。通过基于深度学习的联合推荐模型对该用户进行推荐训练操作，可以提高内容推荐的准确率，提升用户的喜好度。同时，在进行信息推荐之前，通过在总内容数据库中进行预筛选操作，从而减少服务器基于用户发送的推荐请求在数据库中查找响应推荐数据的范围，有效减少系统的处理时间，提高系统的处理效率；行为深度学习模型引用deepFM网络，涵盖低阶特征与高阶交叉特征的特点，提高模型训练的精准度；在输入原始特征后，可以实现端到端的训练；内容深度学习模型引用GRU用户表征模型，基于预训练的内容embedding，可以利用深层次的内容表征信息；同时，通过使用用户的操作序列信息进行训练，提高结果的精确度；并且，embedding向量是预训练好的，因此只要用户有行为就能进行训练和预测，冷启动性能好；通过预设的权重分配规则对联合推荐模型训练出的行为预测概率以及内容预测概率进行权重考量，从而使得推荐模型训练出预测概率更加倾向于用户的实际情况，进一步提高内容信息的推荐精准度，提高数据业务推送的可信度以及用户的喜好度；通过对推荐内容信息的展示数量按照预设数量进行限定，从而避免由于展示信息过多导致内容冗余的情况，有效提升用户的使用体验。

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，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)等非易失性存储介质，或随机存储记忆体(RandomAccessMemory，RAM)等。

应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他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。

实施例二

进一步参考图6，作为对上述图1所示方法的实现，本申请提供了一种基于深度学习的信息推荐装置，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本发明实施例二所提供的基于深度学习的信息推荐装置100包括：请求接收模块101、请求响应模块102、推荐概率获取模块103、推荐信息确定模块104以及推荐信息输出模块105。其中：

请求接收模块101，用于接收用户发送的推荐请求，所述推荐请求至少携带有用户标识信息以及目标内容信息。

请求响应模块102，用于响应所述推荐请求，在内容缓存库中获取与所述用户标识信息相对应的推荐内容信息，在行为数据库中获取与所述用户标识信息相对应的历史行为信息。

推荐概率获取模块103，用于将所述历史行为信息以及目标内容信息导入联合推荐模型进行推荐训练操作，获取与所述推荐内容信息相对应的推荐概率。

推荐信息确定模块104，用于将满足推荐规则的所述推荐概率相对应的推荐内容信息作为目标推荐信息。

推荐信息输出模块105，用于向所述用户输出所述目标推荐信息。

在本发明实施例中，用户可以通过终端发送的该推荐请求，该终端可以是诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，应当理解，此处对终端的举例仅为方便理解，不用于限定本发明。

在本发明实施例中，用户标识信息用于唯一标识用户，可以是用户账户名称，作为示例，例如张三(zhangsan)、李四(lisi)等；也可以是编号信息，作为示例，例如000001、000002等；还可以结合账户名称和编号信息，例如张三000001、李四000002等，应当理解，此处对用户标识信息的举例仅为方便理解，不用于限定本发明。

在本发明实施例中，目标内容信息用于限定用户所感兴趣的内容关键词，作为示例，例如“元宵小品”、“春晚小品”等等，应当理解，此处对目标内容信息的举例仅为方便理解，不用于限定本发明。

在本发明实施例中，内容缓存库用于存储从总内容缓存库中筛选出的较大范围的推荐内容数据信息。

在本发明实施例中，推荐内容信息指的是基于用户标识信息从该内容缓存库中筛选出的较小范围的推荐内容列表。

在本发明实施例中，行为数据库用于存储所有用户的历史行为信息，该行为数据库建立有用户标识信息与历史行为信息一一对应的关系。

在本发明实施例中，历史行为信息用于记录指定用户的历史行为操作，该历史行为操作包括：对行为对象的点击率、点击量、访问量、访问率、访问模块、收藏关注以及发表咨询和评论等等，应当理解，此处对历史行为信息的举例仅为方便理解，不用于限定本发明。

在本发明实施例中，由于行为数据库建立有用户标识信息与历史行为信息一一对应的关系，可通过用户发送的推荐请求中携带有的用户标识信息获取行为数据库中与用户标识信息一一对应的历史行为信息。

在本发明实施例中，联合推荐模型用于对输入的历史行为信息或目标内容信息进行推荐训练操作，以在该推荐内容信息中推测用户对各个推荐内容的感兴趣程度，并通过推荐概率的形式进行展示。

在本发明实施例中，推荐规则用于判断推荐内容信息中的内容是否满足用户感兴趣的程度，该推荐规则可以是系统默认设置，也可以是根据用户的实际情况进行具体设置，作为示例，例如推荐概率大于80％、推荐概率大于60％等，应当理解，此处对推荐规则的举例仅为方便理解，不用于限定本发明。

在本发明实施例中，目标推荐信息指的是与用户喜好度最接近，准确率最高的推荐内容信息。

在本发明实施例中，提供了一种基于深度学习的信息推荐装置，接收用户发送的推荐请求，所述推荐请求至少携带有用户标识信息以及目标内容信息；响应所述推荐请求，在内容缓存库中获取与所述用户标识信息相对应的推荐内容信息，在行为数据库中获取与所述用户标识信息相对应的历史行为信息；将所述历史行为信息以及目标内容信息导入联合推荐模型进行推荐训练操作，获取与所述推荐内容信息相对应的推荐概率；将满足推荐规则的所述推荐概率相对应的推荐内容信息作为目标推荐信息；向所述用户输出所述目标推荐信息。通过基于深度学习的联合推荐模型对该用户进行推荐训练操作，可以提高内容推荐的准确率，提升用户的喜好度。

在本发明实施例二的一些可选的实现方式中，在上述基于深度学习的信息推荐装置100中还包括：预筛选子模块106以及备选内容存储子模块107。

其中：

预筛选子模块106，用于基于预筛选规则在总内容数据库中进行预筛选操作，获取备选内容数据。

备选内容存储子模块107，用于将所述备选内容数据存储于所述内容缓存库。

在本发明实施例二的一些可选的实现方式中，上述推荐概率获取模块103包括：历史行为获取子模1031、转换子模块1032、第一概率获取子模块1033、第二概率获取子模块1034以及推荐概率获取子模块1035。其中：

历史行为获取子模块1031，用于在所述历史行为信息中获取历史行为集合，所述历史行为集合至少携带有历史目标信息以及与所述历史目标信息相对应的操作序列信息。

转换子模块1032，用于将所述历史目标信息、操作序列信息以及目标内容信息通过嵌入层Embedding转换成历史目标向量、浏览操作向量以及目标内容向量。

行为预测概率子模块1033，用于将所述历史目标向量、浏览操作向量以及目标内容向量导入行为深度学习模型进行行为训练操作，获取行为预测概率。

第二概率获取子模块1034，用于将所述历史目标向量以及浏览操作向量导入内容深度学习模型进行内容训练操作，获取内容预测概率。

推荐概率获取子模块1035，用于根据所述行为预测概率以及内容预测概率获取与所述推荐内容信息相对应的所述推荐概率。

在本发明实施例二的一些可选的实现方式中，上述行为深度学习模型基于deepFM网络对所述历史行为集合进行所述行为训练操作。

在本发明实施例二的一些可选的实现方式中，上述内容深度学习模型基于GRU用户表征模型对所述历史目标向量以及浏览操作向量进行内容训练操作。

在本发明实施例二的一些可选的实现方式中，上述推荐概率获取子模块1035包括：权重分配子模块10351以及推荐概率确定子模块10352。其中：

权重分配子模块10351，用于按照预设的权重分配规则对所述行为预测概率以及内容预测概率进行权重分配操作，并计算最终概率。

推荐概率确定子模块10352，用于将所述最终概率作为所述推荐内容信息相对应的推荐概率。

在本发明实施例二的一些可选的实现方式中，上述推荐信息确定模块104包括：概率排序子模块1041以及目标信息确定子模块1042。其中：

概率排序子模块1041，用于将所述推荐内容信息按照所述推荐概率从大到小的方式进行排序。

目标信息确定子模块1042，用于将排序在前的预设数量的推荐内容信息作为所述目标推荐信息。

实施例三

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。

所述计算机设备7包括通过系统总线相互通信连接存储器71、处理器72、网络接口73。需要指出的是，图中仅示出了具有组件71-73的计算机设备7，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、可编程门阵列(Field－ProgrammableGateArray，FPGA)、数字处理器(DigitalSignalProcessor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器71至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器71可以是所述计算机设备7的内部存储单元，例如该计算机设备7的硬盘或内存。在另一些实施例中，所述存储器71也可以是所述计算机设备7的外部存储设备，例如该计算机设备7上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器71还可以既包括所述计算机设备7的内部存储单元也包括其外部存储设备。本实施例中，所述存储器71通常用于存储安装于所述计算机设备7的操作系统和各类应用软件，例如基于深度学习的信息推荐方法的程序代码等。此外，所述存储器71还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器72在一些实施例中可以是中央处理器(CentralProcessingUnit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器72通常用于控制所述计算机设备7的总体操作。本实施例中，所述处理器72用于运行所述存储器71中存储的程序代码或者处理数据，例如运行所述基于深度学习的信息推荐方法的程序代码。

所述网络接口73可包括无线网络接口或有线网络接口，该网络接口73通常用于在所述计算机设备7与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有基于深度学习的信息推荐程序，所述基于深度学习的信息推荐程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于深度学习的信息推荐方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于深度学习的信息推荐方法，其特征在于，所述方法包括如下步骤：

接收用户发送的推荐请求，所述推荐请求至少携带有用户标识信息以及目标内容信息；

响应所述推荐请求，在内容缓存库中获取与所述用户标识信息相对应的推荐内容信息，在行为数据库中获取与所述用户标识信息相对应的历史行为信息；

将所述历史行为信息以及目标内容信息导入联合推荐模型进行推荐训练操作，获取与所述推荐内容信息相对应的推荐概率；

将满足推荐规则的所述推荐概率相对应的推荐内容信息作为目标推荐信息；

向所述用户输出所述目标推荐信息。

2.如权利要求1所述的基于深度学习的信息推荐方法，其特征在于，在所述接收用户发送的推荐请求的步骤之前，还包括如下步骤：

基于预筛选规则在总内容数据库中进行预筛选操作，获取备选内容数据；

将所述备选内容数据存储于所述内容缓存库。

3.如权利要求1所述的基于深度学习的信息推荐方法，其特征在于，所述联合推荐模型包括行为深度学习模型和内容深度学习模型；所述将所述历史行为信息以及目标内容信息导入联合推荐模型进行推荐训练操作，获取与所述推荐内容信息相对应的推荐概率的步骤，具体包括如下步骤：

在所述历史行为信息中获取历史行为集合，所述历史行为集合至少携带有历史目标信息以及与所述历史目标信息相对应的操作序列信息；

将所述历史目标信息、操作序列信息以及目标内容信息通过嵌入层Embedding转换成历史目标向量、浏览操作向量以及目标内容向量；

将所述历史目标向量、浏览操作向量以及目标内容向量导入行为深度学习模型进行行为训练操作，获取行为预测概率；

将所述历史目标向量以及浏览操作向量导入内容深度学习模型进行内容训练操作，获取内容预测概率；

根据所述行为预测概率以及内容预测概率获取与所述推荐内容信息相对应的所述推荐概率。

4.如权利要求3所述的基于深度学习的信息推荐方法，其特征在于，所述行为深度学习模型基于deepFM网络对所述历史行为集合进行所述行为训练操作。

5.如权利要求3所述的基于深度学习的信息推荐方法，其特征在于，所述内容深度学习模型基于GRU用户表征模型对所述历史目标向量以及浏览操作向量进行内容训练操作。

6.如权利要求3所述的基于深度学习的信息推荐方法，其特征在于，所述根据所述行为预测概率以及内容预测概率获取与所述推荐内容信息相对应的所述推荐概率的步骤，具体包括如下步骤：

按照预设的权重分配规则对所述行为预测概率以及内容预测概率进行权重分配操作，并计算最终概率；

将所述最终概率作为所述推荐内容信息相对应的推荐概率。

7.如权利要求1所述的基于深度学习的信息推荐方法，其特征在于，所述将满足推荐规则的所述推荐概率相对应的推荐内容信息作为目标推荐信息的步骤，具体包括如下步骤：

将所述推荐内容信息按照所述推荐概率从大到小的方式进行排序；

将排序在前的预设数量的推荐内容信息作为所述目标推荐信息。

8.一种基于深度学习的信息推荐装置，其特征在于，所述装置包括：

请求接收模块，用于接收用户发送的推荐请求，所述推荐请求至少携带有用户标识信息以及目标内容信息；

请求响应模块，用于响应所述推荐请求，在内容缓存库中获取与所述用户标识信息相对应的推荐内容信息，在行为数据库中获取与所述用户标识信息相对应的历史行为信息；

推荐概率获取模块，用于将所述历史行为信息以及目标内容信息导入联合推荐模型进行推荐训练操作，获取与所述推荐内容信息相对应的推荐概率；

推荐信息确定模块，用于将满足推荐规则的所述推荐概率相对应的推荐内容信息作为目标推荐信息；以及

推荐信息输出模块，用于向所述用户输出所述目标推荐信息。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于深度学习的信息推荐方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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权利要求1至7中任一项所述的基于深度学习的信息推荐方法的步骤。

Images