CN110827078A - 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：从数据库中获取用户标识、目标信息标识、用户访问信息序列，根据用户标识、目标信息标识、用户访问信息序列以及推荐模型确定用户与目标信息之间的相关性，其中，推荐模型包括用户网络和信息网络，用户网络包括三个向量层和三个均值层，当用户与目标信息之间的相关性满足预设条件时，将目标信息推荐给用户。相比于现有技术，本实施例提出的网络结构可以实现一个模型能够灵活应用于多个不同的场景下，向用户推荐信息，同时可以减少模型训练的工程量。

Description

一种信息推荐方法、装置、设备及存储介质

技术领域

本发明实施例涉及信息处理技术，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

在推荐系统中，通常采用各种深度学习算法进行信息推荐，例如，采用深度分解矩阵(Deep Matrix Factorization，DMF)模型计算用户与某一专辑之间的相关性，从而确定出用户可能感兴趣的信息，并将该信息推荐给用户。常见的信息推荐方式为给所有用户推荐免费信息和付费信息，给会员用户推荐会员信息，但这样的推荐方式需要投入大量的人力、物力根据不同类型的信息训练多个不同的模型，开发阶段的工程量较大。

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，能够实现一个模型可灵活应用于多个不同的场景下，向用户推荐信息，同时可以减少模型训练的工程量。

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：

从数据库中获取用户标识、目标信息标识、用户访问信息序列；

根据用户标识、目标信息标识、用户访问信息序列以及推荐模型确定用户与目标信息之间的相关性；

其中，推荐模型包括用户网络和信息网络，用户网络包括三个向量层和三个均值层；

当用户与目标信息之间的相关性满足预设条件时，将目标信息推荐给用户。

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：

获取模块，用于从数据库中获取用户标识、目标信息标识、用户访问信息序列；

确定模块，用于根据用户标识、目标信息标识、用户访问信息序列以及推荐模型确定用户与目标信息之间的相关性；

其中，推荐模型包括用户网络和信息网络，用户网络包括三个向量层和三个均值层；

推荐模块，用于当用户与目标信息之间的相关性满足预设条件时，将目标信息推荐给用户。

第三方面，本发明实施例还提供了一种信息推荐设备，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，实现如本发明实施例任一方面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，当该计算机程序被处理器执行时，实现如本发明实施例任一方面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，具体为从数据库中获取用户标识、目标信息标识、用户访问信息序列，根据用户标识、目标信息标识、用户访问信息序列以及推荐模型确定用户与目标信息之间的相关性，其中，推荐模型包括用户网络和信息网络，用户网络包括三个向量层和三个均值层，当用户与目标信息之间的相关性满足预设条件时，将目标信息推荐给用户。相比于现有技术，本实施例提出的网络结构可以实现一个模型能够灵活应用于多个不同的场景下，向用户推荐信息，同时可以减少模型训练的工程量。

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是本发明实施例二中的推荐模型网络结构示意图；

图4是本发明实施例三中的信息推荐装置结构示意图；

图5是本发明实施例四中的信息推荐设备结构示意图。

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，在本发明实施例中，“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。

实施例一

本发明实施例提供了一种信息推荐方法，其具体实现方式如图1所示，包括：

S101、从数据库中获取用户标识、目标信息标识、用户访问信息序列。

在本实施例中，数据库可以为某网络平台的数据库，用户标识可以理解为用于区分多个用户的标识信息，例如，用户访问某网络平台时注册的用户名或者登陆某网络平台的设备标识等等。

目标信息可以理解为某网络平台拟向用户推荐的信息，该信息可以为网络平台上的音乐专辑、电影、论文、新闻等等。进一步地，目标信息标识也即为网络平台拟向用户推荐的信息的标识，其中，拟推荐的信息可以为一个或多个，那么对应地，目标信息标识也可以为一个或多个。

用户访问信息序列可以理解为用户浏览某网络平台时，用户依次访问信息的编号所组成的序列。例如，用户在某音乐网站上依次播放了音乐a、音乐b、音乐c，而音乐a、音乐b、音乐c的编号分别为1、2、3，那么该编号1、2、3则构成了用户访问信息序列。

由于用户在某网络平台上访问信息时，该网络平台的数据库可以记录并保存该用户的标识和历史访问记录，并且，网络平台拟向用户的推荐的目标信息也存储于该网络平台的数据库中。因此，可以基于数据库获取用户的标识、目标信息标识以及用户访问信息序列。

S102、根据用户标识、目标信息标识、用户访问信息序列以及推荐模型确定用户与目标信息之间的相关性。

在本实施例中，推荐模型可以是根据用户标识、目标信息标识以及用户访问信息序列训练得到的。该推荐模型包括有用户网络和信息网络两部分，其中，用户网络可以包括三个向量层和三个均值层，该三个向量层和三个均值层可以分别依次输入不同属性的信息，例如，三个向量层可以分别输入免费信息、会员信息和付费信息，并将三个向量层的输出分别输入至三个均值层。

相比于现有技术中，推荐不同属性的信息需要采用多个训练模型的方式，本实施例将不同属性的信息综合输入至一个模型中，确定信息与用户之间的相关性，可以实现基于一个模型能够灵活应用于多个不同的场景下，并减少模型训练的工程量。

在获取到用户标识、目标信息标识以及用户访问信息序列之后，可以基于该推荐模型确定用户与目标信息的相关性。其中，用户与目标信息的相关性可以理解为用户对目标信息感兴趣的程度，例如，若用户对目标信息非常感兴趣，那么可以认为用户与目标信息之间的相关性比较强。

S103、当用户与目标信息之间的相关性满足预设条件时，将目标信息推荐给用户。

在本实施例中，预设条件可以为筛选若干个与用户强相关的目标信息。例如，基于推荐模型确定用户与目标信息之间的相关性后，当目标信息有多个时，可以基于相关性的强弱对多个目标信息进行排序，进而选取前若干名信息作为目标信息推荐给用户。

另外，预设条件也可以为相关性数值大于预设阈值，当目标信息仅有一个时，若基于推荐模型确定的用户与目标信息之间的相关性数值大于预设阈值，那么可以将该目标信息推荐给用户。反之，若该目标信息与用户之间的相关性数值小于预设阈值，那么该目标信息不满于预设条件，则网络平台不会将该目标信息推荐给用户。

本发明实施例提供了一种信息推荐方法，具体为从数据库中获取用户标识、目标信息标识、用户访问信息序列，根据用户标识、目标信息标识、用户访问信息序列以及推荐模型确定用户与目标信息之间的相关性，其中，推荐模型包括用户网络和信息网络，用户网络包括三个向量层和三个均值层，当用户与目标信息之间的相关性满足预设条件时，将目标信息推荐给用户。相比于现有技术，本实施例提出的网络结构可以实现一个模型能够灵活应用于多个不同的场景下，向用户推荐信息，同时可以减少模型训练的工程量。

实施例二

图2为本发明实施例提供的一种信息推荐方法的流程图，本发明实施例是在上述实施例一的基础上做的进一步优化，该方法具体包括以下步骤：

S201、从数据库中获取用户标识、目标信息标识、用户访问信息序列。

在本实施例中，数据库可以为某网络平台的数据库，用户标识可以理解为用于区分多个用户的标识信息，例如，用户访问某网络平台时注册的用户名或者登陆某网络平台的设备标识等等。

目标信息可以理解为某网络平台拟向用户推荐的信息，该信息可以为网络平台上的音乐专辑、电影、论文、新闻等等。进一步地，目标信息标识也即为网络平台拟向用户推荐的信息的标识，其中，拟推荐的信息可以为一个或多个，那么对应地，目标信息标识也可以为一个或多个。

用户访问信息序列可以理解为用户浏览某网络平台时，用户依次访问信息的编号所组成的序列。例如，用户在某音乐网站上依次播放了音乐a、音乐b、音乐c，而音乐a、音乐b、音乐c的编号分别为1、2、3，那么该编号1、2、3则构成了用户访问信息序列。

由于用户在某网络平台上访问信息时，该网络平台的数据库可以记录并保存该用户的标识和历史访问记录，并且，网络平台拟向用户的推荐的目标信息也存储于该网络平台的数据库中。因此，可以基于数据库获取用户的标识、目标信息标识以及用户访问信息序列。

S202、根据用户标识、目标信息标识、用户访问信息序列以及推荐模型确定用户与所述目标信息之间的相关性。

在本实施例中，推荐模型可以是根据用户标识、目标信息标识以及用户访问信息序列训练得到的。如图3所示，该推荐模型包括有用户网络和信息网络两部分，其中，用户网络可以包括三个向量层和三个均值层，该三个向量层和三个均值层可以分别依次输入不同属性的信息。例如，以音乐为例，三个向量层可以分别输入免费音乐、会员音乐和付费音乐三种不同属性的音乐，并将三个向量层的输出分别输入至三个均值层。

在获取到用户标识、目标信息标识以及用户访问信息序列之后，可以基于该推荐模型确定用户与目标信息的相关性。其中，用户与目标信息的相关性可以理解为用户对目标信息感兴趣的程度。

可选地，在本实施例中提供一种确定推荐模型的实现方式为：

S2021、构建训练模型。

在本实施例中，构建的训练模型包括有用户网络和信息网络两部分，其中，用户网络包括有三个向量层和三个均值层，信息网络包括有一个向量层。

S2022、根据数据库生成训练数据。

在本实施例中，训练数据包括预设时间段内的用户标识和用户访问信息序列，例如，可以从数据库中获取某网络平台最近两周内所有用户的标识和用户访问信息序列。

在本实施例中，生成的预设时间段内的训练数据需要包括某网络平台上所有属性类型的信息。例如，某音乐网站上有免费音乐、付费音乐、会员音乐三种属性类型，若选取了最近一周内该音乐网站上的用户访问信息序列，而该用户访问信息序列中仅包含了免费音乐和会员音乐，即用户访问信息序列没有包含该音乐网站上的付费音乐，那么可以将该预设时间扩大为两周，即将该音乐网站上最近两周播放的各类音乐作为用户访问信息序列，从而确保用户访问信息序列覆盖了音乐网站上所有属性类型的音乐。

需要说明的是，当用户在某网络平台上仅访问过一个信息时，由于模型无法学习该用户历史访问记录中多个信息之间的相关性。因此，在生成训练数据时，将某一用户历史访问记录中少于两条访问信息的条目删除，而将大于等于两条访问信息的条目作为用户访问信息序列。

S2023、对训练数据进行处理，得到输入数据。

由于基于数据库生成的训练数据中包括有用户标识和用户访问信息序列，因此，对于训练数据的处理过程可以通过以下方式实现：

a、根据用户标识获取用户特征，并对用户特征进行独热(one-hot)编码。

其中，用户特征可以为用户的年龄、性别、喜好类别等等，由于用户在注册并访问某网络平台时，会填写用户的年龄、性别以及喜好类别等信息，而且在用户访问某网络平台一段时间后，该平台的数据库也可以根据用户的历史访问记录获取到用户的喜好类别等信息。因此，可以通过用户的标识从数据库中获取用户特征，进而对用户特征进行独热编码。

b、根据用户访问信息序列中第一信息的标识获取第一信息的信息特征，并对信息特征进行独热编码。

上述第一信息为用户访问信息序列中的最后一个信息，例如，若用户的访问信息序列为{a，b，c，d，e，f，g}，那么信息g则作为第一信息，信息特征可以理解为信息类别等，根据该第一信息的标识可以获取到第一信息的信息特征，进而对该信息的特征进行独热编码。

c、对用户访问信息序列中的第一信息进行编码处理，得到第一编码信息。

可选地，在本实施例中，对第一信息的编码方式可以采用索引编码方式，比如，第一信息的数量总共有5万个，则第一信息编码后的索引范围为1～50000。d、对用户访问信息序列中的第二信息序列进行编码处理，得到第二编码信息序列。

上述第二信息序列为用户访问信息序列中除最后一个信息之外的其余信息所组成的序列，同样地，对于第二信息序列的编码方式采用与对第一信息相同的编码方式。

另外，在对第二信息序列编码之前，可以根据信息的属性对第二信息序列进行分类，以获得三类第二信息序列，并分别对这三类第二信息序列单独进行编码，即这三类第二信息序列都有各自的编码(或索引)体系。

例如，以前面提及到的音乐网站为例，由于该音乐网站上有免费音乐、付费音乐、会员音乐三种属性类型，因此，可以基于该音乐的不同属性将音乐划分为三种类型，这样可以得到免费音乐、付费音乐、会员音乐三类音乐，也即三类第二信息序列。

进而，对分类后的三类第二信息序列进行编码处理，得到三类第二编码信息序列。

e、将独热编码后的用户特征、独热编码后的信息特征、第一编码信息和第二编码信息序列确定为输入数据。

在经过上述处理过程之后，可以将获得的独热编码后的用户特征、独热编码后的信息特征、第一编码信息和第二编码信息序列确定为输入数据。

S2024、根据输入数据训练训练模型，得到推荐模型。

从图3可以看出，在对训练模型进行训练时，需要基于训练模型的第一全连接层和第二全连接层进行训练。该训练过程具体可以为将独热编码后的用户特征、独热编码后的信息特征、第一编码信息和第二编码信息序列确定为输入数据之后，可以对第二编码信息序列进行处理，得到第二信息序列向量，并将独热编码后的用户特征与第二信息序列向量进行拼接，将拼接后的数据输入训练模型的第一全连接层中。将第一编码信息输入信息网络的向量层中，得到第一信息向量，进而，将独热编码后的信息特征与第一信息向量进行拼接，输入训练模型的第二全连接层中。

其中，对第二编码信息序列进行处理，得到第二信息序列向量的实现方式可以为将分类后的三类信息分别输入用户网络的三个向量层中，并将三个向量层输出的三个向量分别输入至用户网络的三个均值层，以输出三个信息向量(例如，信息向量1、信息向量2、信息向量3)。最后，将获得的三个信息向量进行拼接，得到第二信息序列向量。

以音乐网站为例，在向所有用户推荐免费音乐时，可以将免费音乐的访问序列、付费音乐的访问序列、会员音乐的访问序列进行编码处理，并将编码后的免费音乐的访问序列、付费音乐的访问序列、会员音乐的访问序列分别依次输入用户网络的向量层和均值层，得到第二信息序列向量，进而，将该第二信息序列向量与经过独热编码后的用户特征进行拼接，输入训练模型的第一全连接层中。同时，将免费音乐作为第一信息，对该免费音乐进行编码处理，并将编码处理后的免费音乐输入信息网络的向量层中，得到第一信息向量，将第一信息向量与免费音乐的特征进行拼接，输入至训练模型的第二全连接层中。

在向所有用户推荐付费音乐时，可以将免费音乐的访问序列、付费音乐的访问序列、会员音乐的访问序列进行编码处理，并将编码后的免费音乐的访问序列、付费音乐的访问序列、会员音乐的访问序列分别依次输入用户网络的向量层和均值层，得到第二信息序列向量，进而，将该第二信息序列向量与经过独热编码后的用户特征进行拼接，输入训练模型的第一全连接层中。同时，将付费音乐作为第一信息，对该付费音乐进行编码处理，并将编码处理后的付费音乐输入信息网络的向量层中，得到第一信息向量，将第一信息向量与付费音乐的特征进行拼接，输入至训练模型的第二全连接层中。

在向会员用户推荐会员音乐时，则可以将免费音乐的访问序列、付费音乐的访问序列、会员音乐的访问序列进行编码处理，并将编码后的免费音乐的访问序列、付费音乐的访问序列、会员音乐的访问序列分别依次输入向量层和均值层，得到第二信息序列向量。将会员用户特征进行独热编码，将编码后的会员用户特征与第二信息序列向量进行拼接，输入训练模型的第一全连接层中。同时，将会员音乐作为第一信息，对该会员音乐进行编码处理，并将编码处理后的会员音乐输入信息网络的向量层中，得到第一信息向量，将第一信息向量与会员音乐的特征进行拼接，输入至训练模型的第二全连接层中。

通过上述对数据的处理、拼接，并输入至训练模型的相应网络层中，即可对训练模型进行训练，以获得推荐模型。

而且，上述列举的几种方式可以理解为针对不同属性的信息(例如付费信息、免费信息、会员信息)，在向不同的用户推荐(例如，可以推荐给所有用户，也可以仅推荐给会员用户)时，采用一个训练模型即可灵活地实现不同场景需求下的信息推荐。相比于现有技术中，推荐不同属性的信息需要采用多个训练模型的方式，本实施例将不同属性的信息综合输入至一个模型中，即可确定信息与用户之间的相关性，这样大幅度减少了模型训练的工程量。

S203、当用户与目标信息之间的相关性满足预设条件时，将目标信息推荐给用户。

在本实施例中，预设条件可以为筛选若干个与用户强相关的目标信息。例如，基于推荐模型确定用户与目标信息之间的相关性后，当目标信息有多个时，可以基于相关性的强弱对多个目标信息进行排序，进而选取前若干名(例如，取前20个)信息作为目标信息推荐给用户。

另外，预设条件也可以为相关性数值大于预设阈值，当目标信息仅有一个时，若基于推荐模型确定的用户与目标信息之间的相关性数值大于预设阈值，那么可以将该目标信息推荐给用户。反之，若该目标信息与用户之间的相关性数值小于预设阈值，那么该目标信息不满于预设条件，则网络平台不会将该目标信息推荐给用户。

本发明实施例提供了一种信息推荐方法，具体为从数据库中获取用户标识、目标信息标识、用户访问信息序列，根据用户标识、目标信息标识、用户访问信息序列以及推荐模型确定用户与目标信息之间的相关性，其中，推荐模型包括用户网络和信息网络，用户网络包括三个向量层和三个均值层，当用户与目标信息之间的相关性满足预设条件时，将目标信息推荐给用户。相比于现有技术，本实施例提出的网络结构可以实现一个模型能够灵活应用于多个不同的场景下，向用户推荐信息，同时可以减少模型训练的工程量。

实施例三

本发明实施例提供了一种信息推荐装置，如图4所示，该装置包括：获取模块401、确定模块402、推荐模块403。

其中，获取模块，用于从数据库中获取用户标识、目标信息标识、用户访问信息序列；

确定模块，用于根据用户标识、目标信息标识、用户访问信息序列以及推荐模型确定用户与目标信息之间的相关性；

其中，推荐模型包括用户网络和信息网络，用户网络包括三个向量层和三个均值层；

推荐模块，用于当用户与目标信息之间的相关性满足预设条件时，将目标信息推荐给用户。

进一步地，信息推荐装置还包括：构建模块、生成模块、处理模块、训练模块；

构建模块，用于构建训练模型；

生成模块，用于根据数据库生成训练数据，其中，训练数据包括用户标识和用户访问信息序列；

处理模块，用于对训练数据进行处理，得到输入数据；

训练模块，用于根据输入数据训练训练模型，得到推荐模型。

进一步地，上述处理模块，用于根据用户标识获取用户特征，并对用户特征进行独热编码；根据用户访问信息序列中第一信息的标识获取第一信息的信息特征，并对信息特征进行独热编码；对用户访问信息序列中的第一信息进行编码处理，得到第一编码信息；对用户访问信息序列中的第二信息序列进行编码处理，得到第二编码信息序列；其中，第一信息为用户访问信息序列中的最后一个信息，第二信息序列为用户访问信息序列中除最后一个信息之外的其余信息所组成的序列；将独热编码后的用户特征、独热编码后的信息特征、第一编码信息和第二编码信息序列确定为输入数据。

进一步地，上述训练模块，用于对第二编码信息序列进行处理，得到第二信息序列向量；将独热编码后的用户特征与第二信息序列向量进行拼接，输入训练模型的第一全连接层；将第一编码信息输入信息网络的向量层，得到第一信息向量；将独热编码后的信息特征与第一信息向量进行拼接，输入训练模型的第二全连接层。

进一步地，信息推荐装置还包括分类模块，该分类模块用于在处理模块对用户访问信息序列中的第二信息序列进行编码处理之前，根据信息的属性对第二信息序列进行分类，获得三类第二信息序列。

进一步地，训练模块，还用于将分类后的三类第二信息序列分别依次输入用户网络的三个向量层和三个均值层，获得三个信息向量；将三个信息向量进行拼接，得到第二信息序列向量。

本发明实施例所提供的信息推荐装置可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。

实施例四

图5为本发明实施例四提供的一种信息推荐设备的结构示意图，如图5所示，该设备包括处理器501、存储器502、输入装置503和输出装置504；设备中处理器501的数量可以是一个或多个，图5中以一个处理器501为例；设备中的处理器501、存储器502、输入装置503和输出装置504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502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，如本发明实施例一中的信息推荐方法对应的程序指令/模块(例如，信息推荐装置中的获取模块401、确定模块402、推荐模块403)。处理器501通过运行存储在存储器502中的软件程序、指令以及模块，从而执行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502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502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502可进一步包括相对于处理器501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503可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置504可包括显示屏等显示设备。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，当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。

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：

从数据库中获取用户标识、目标信息标识、用户访问信息序列；

根据所述用户标识、目标信息标识、用户访问信息序列以及推荐模型确定所述用户与所述目标信息之间的相关性；

其中，所述推荐模型包括用户网络和信息网络，所述用户网络包括三个向量层和三个均值层；

当所述用户与所述目标信息之间的相关性满足预设条件时，将所述目标信息推荐给用户。

2.根据权利要求1所述的方法，其特征在于，确定所述推荐模型，包括：

构建训练模型；

根据数据库生成训练数据；

对所述训练数据进行处理，得到输入数据；

根据所述输入数据训练所述训练模型，得到所述推荐模型。

3.根据权利要求2所述的方法，其特征在于，所述训练数据包括用户标识和用户访问信息序列。

4.根据权利要求3所述的方法，其特征在于，对所述训练数据进行处理，得到输入数据，包括：

根据所述用户标识获取用户特征，并对所述用户特征进行独热编码；

根据所述用户访问信息序列中第一信息的标识获取第一信息的信息特征，并对所述信息特征进行独热编码；

对所述用户访问信息序列中的第一信息进行编码处理，得到第一编码信息；

对所述用户访问信息序列中的第二信息序列进行编码处理，得到第二编码信息序列；

其中，第一信息为所述用户访问信息序列中的最后一个信息，所述第二信息序列为所述用户访问信息序列中除最后一个信息之外的其余信息所组成的序列；

将独热编码后的用户特征、独热编码后的信息特征、第一编码信息和第二编码信息序列确定为所述输入数据。

5.根据权利要求2-4任一项所述的方法，其特征在于，根据所述输入数据训练所述训练模型，包括：

对所述第二编码信息序列进行处理，得到第二信息序列向量；

将独热编码后的用户特征与所述第二信息序列向量进行拼接，输入所述训练模型的第一全连接层；

将所述第一编码信息输入信息网络的向量层，得到第一信息向量；

将独热编码后的信息特征与所述第一信息向量进行拼接，输入所述训练模型的第二全连接层。

6.根据权利要求4所述的方法，其特征在于，在对所述用户访问信息序列中的第二信息序列进行编码处理之前，所述方法还包括：

根据信息的属性对所述第二信息序列进行分类，获得三类第二信息序列。

7.根据权利要求5或6所述的方法，其特征在于，将所述第二编码信息序列进行处理，得到第二信息序列向量，包括：

将分类后的三类第二信息序列分别依次输入所述用户网络的三个向量层和三个均值层，获得三个信息向量；

将所述三个信息向量进行拼接，得到所述第二信息序列向量。

8.一种信息推荐装置，其特征在于，包括：

获取模块，用于从数据库中获取用户标识、目标信息标识、用户访问信息序列；

确定模块，用于根据所述用户标识、目标信息标识、用户访问信息序列以及推荐模型确定所述用户与所述目标信息之间的相关性；

其中，所述推荐模型包括用户网络和信息网络，所述用户网络包括三个向量层和三个均值层；

推荐模块，用于当所述用户与所述目标信息之间的相关性满足预设条件时，将所述目标信息推荐给用户。

9.一种信息推荐设备，其特征在于，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。

Images