CN111046286B - 一种对象推荐方法、装置、以及计算机存储介质 - Google Patents

一种对象推荐方法、装置、以及计算机存储介质 Download PDF

Info

Publication number
CN111046286B
CN111046286B CN201911272930.1A CN201911272930A CN111046286B CN 111046286 B CN111046286 B CN 111046286B CN 201911272930 A CN201911272930 A CN 201911272930A CN 111046286 B CN111046286 B CN 111046286B
Authority
CN
China
Prior art keywords
information
candidate
attention
recommended
user
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
CN201911272930.1A
Other languages
English (en)
Other versions
CN111046286A (zh
Inventor
缪畅宇
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201911272930.1A priority Critical patent/CN111046286B/zh
Publication of CN111046286A publication Critical patent/CN111046286A/zh
Application granted granted Critical
Publication of CN111046286B publication Critical patent/CN111046286B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例公开了一种对象推荐方法、装置、以及计算机存储介质，包括：确定多个待推荐对象、以及参考对象，提取每个待推荐对象对应的特征信息、以及参考对象对应的参考特征信息，基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注待推荐对象与参考对象之间匹配程度的注意力特征信息，基于注意力特征信息，获取每个待推荐对象与参考对象之间的相似度信息，基于相似度信息，从多个待推荐对象中选取目标推荐对象序列，输出目标推荐对象序列。该方案可以通过注意力机制挖掘用户历史行为对应历史交互对象与待预测对象之间匹配程度的注意力特征信息，并根据该注意力特征信息获取相似度信息，从而提升对象推荐的准确性。

Description

一种对象推荐方法、装置、以及计算机存储介质
技术领域
本申请涉及计算机技术领域，具体涉及一种对象推荐方法、装置、以及计算机存储介质。
背景技术
推荐系统是通过互联网络向用户提供对象信息、以及对象交互建议等的系统，可以根据用户的历史行为，了解到用户的兴趣特点、以及行为特点，并根据不同交互对象之间的相似性，向用户推荐其感兴趣的信息，从而帮助用户决定需要交互的对象。因此，需要准确地获取不同交互对象之间的相似性。但是，现有技术中是通过直接计算两交互对象对应显式的特征信息之间的相似度，以获取不同交互对象之间的相似性，利用这种相似性进行对象推荐的准确性不高。
发明内容
本申请实施例提供一种对象推荐方法、装置、以及计算机存储介质，可以提升对象推荐的准确性。
本申请实施例提供一种对象推荐方法，包括：
确定多个待推荐对象、以及参考对象；
提取每个待推荐对象对应的特征信息、以及所述参考对象对应的参考特征信息；
基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注所述待推荐对象与所述参考对象之间匹配程度的注意力特征信息；
基于所述注意力特征信息，获取每个待推荐对象与所述参考对象之间的相似度信息；
基于所述相似度信息，从所述多个待推荐对象中选取目标推荐对象序列；
输出所述目标推荐对象序列。
相应的，本申请实施例还提供一种对象推荐装置，包括：
确定模块，用于确定多个待推荐对象、以及参考对象；
提取模块，用于提取每个待推荐对象对应的特征信息、以及所述参考对象对应的参考特征信息；
处理模块，用于基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注所述待推荐对象与所述参考对象之间匹配程度的注意力特征信息；
获取模块，用于基于所述注意力特征信息，获取每个待推荐对象与所述参考对象之间的相似度信息；
选取模块，用于基于所述相似度信息，从所述多个待推荐对象中选取目标推荐对象序列；
输出模块，用于输出所述目标推荐对象序列。
可选的，在一些实施例中，所述确定模块可以包括第一确定子模块、第一预测子模块和第二确定子模块，如下：
第一确定子模块，用于确定多个候选对象、以及参考对象；
第一预测子模块，用于基于训练后预测模型、以及所述参考对象，预测用户与每个候选对象之间的预测交互概率；
第二确定子模块，用于基于所述用户与每个候选对象之间的预测交互概率，从多个候选对象中确定多个待推荐对象。
可选的，在一些实施例中，所述第一预测子模块可以包括处理子模块和第二预测子模块，如下：
处理子模块，用于基于所述注意力机制子模型，对多个候选对象对应的候选特征信息进行注意力分配处理，得到关注所述候选对象与所述参考对象之间匹配程度的候选注意力特征信息；
第二预测子模块，用于基于所述训练后预测模型、所述候选特征信息、以及所述候选注意力特征信息，预测用户与每个候选对象之间的预测交互概率。
则此时，所述第二预测子模块，具体可以用于将每个候选特征信息与其对应的候选注意力特征信息进行融合，得到多个融合后候选特征信息，对所述多个融合后候选特征信息进行卷积操作，得到候选融合信息，基于所述训练后预测模型、以及所述候选融合信息，预测用户与每个候选对象之间的预测交互概率。
可选的，在一些实施例中，所述对象推荐装置还可以包括信息获取模块、预测模块和训练模块，如下：
信息获取模块，用于获取作为交互概率预测模型当前输入的训练样本，所述训练样本包括已标记对象对应的已标记特征信息；
预测模块，用于基于所述交互概率预测模型、以及所述训练样本，预测用户与所述已标记对象之间的预测交互概率；
训练模块，用于基于所述用户与所述已标记对象之间的预测交互概率、以及所述已标记对象对应的实际交互概率，对所述交互概率预测模型进行训练，得到训练后预测模型。
则此时，所述训练模块，具体可以用于基于所述用户与所述已标记对象之间的预测交互概率、以及所述已标记对象对应的实际交互概率，对所述注意力参数信息进行调整，基于调整后的注意力参数信息，得到训练后预测模型。
可选的，在一些实施例中，所述信息获取模块可以包括第一获取子模块、第三确定子模块、第二获取子模块、构建子模块和输入子模块，如下：
第一获取子模块，用于获取针对交互对象的连续用户历史行为所对应的历史行为信息、以及已标记对象对应的已标记特征信息，所述历史行为信息中包括每个用户历史行为对应的历史行为子信息；
第三确定子模块，用于确定每个历史行为子信息对应的历史交互对象；
第二获取子模块，用于基于所述历史交互对象，获取每个历史行为子信息对应的历史对象特征信息；
构建子模块，用于基于所述历史对象特征信息、以及所述已标记特征信息，构建训练样本；
输入子模块，用于将所述训练样本作为交互概率预测模型的当前输入。
则此时，所述第一获取子模块，具体可以用于获取已标记对象对应的已标记特征信息，获取针对交互对象的连续用户历史行为所对应的候选历史行为信息，确定划分所述候选历史行为信息的信息划分参数，基于所述信息划分参数，将所述候选历史行为信息划分为多个历史行为信息。
此外，本申请实施例还提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例提供的任一种对象推荐方法中的步骤。
本申请实施例可以确定多个待推荐对象、以及参考对象，提取每个待推荐对象对应的特征信息、以及参考对象对应的参考特征信息，基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注待推荐对象与参考对象之间匹配程度的注意力特征信息，基于注意力特征信息，获取每个待推荐对象与参考对象之间的相似度信息，基于相似度信息，从多个待推荐对象中选取目标推荐对象序列，输出目标推荐对象序列。该方案可以通过注意力机制挖掘用户历史行为对应历史交互对象与待预测对象之间匹配程度的注意力特征信息，并根据该注意力特征信息获取相似度信息，从而提升对象推荐的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的对象推荐系统的场景示意图；
图2是本申请实施例提供的对象推荐方法的第一流程图；
图3是本申请实施例提供的对象推荐方法的第二流程图；
图4是本申请实施例提供的网络训练示意图；
图5是本申请实施例提供的网络应用示意图；
图6是本申请实施例提供的从多个候选对象中获取目标推荐对象序列的示意图；
图7是本申请实施例提供的对象推荐装置的结构示意图；
图8是本申请实施例提供的网络设备的结构示意图。
具体实施方式
请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。
在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本文所使用的术语“模块”可看作为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看作为在该运算系统上的实施对象。而本文所述的装置及方法可以以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是某些实施例还包括没有列出的步骤或模块，或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
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。
本申请实施例提供一种对象推荐方法，该对象推荐方法的执行主体可以是本申请实施例提供的对象推荐装置，或者集成了该对象推荐装置的网络设备，其中该对象推荐装置可以采用硬件或者软件的方式实现。其中，网络设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等设备。网络设备包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或者多个服务器构成的云。
请参阅图1，图1为本申请实施例提供的对象推荐方法的应用场景示意图，以对象推荐装置集成在网络设备中为例，网络设备可以确定多个待推荐对象、以及参考对象，提取每个待推荐对象对应的特征信息、以及参考对象对应的参考特征信息，基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注待推荐对象与参考对象之间匹配程度的注意力特征信息，基于注意力特征信息，获取每个待推荐对象与参考对象之间的相似度信息，基于相似度信息，从多个待推荐对象中选取目标推荐对象序列，输出目标推荐对象序列。
请参阅图2，图2为本申请实施例提供的对象推荐方法的流程示意图，具体通过如下实施例进行说明：
201、确定多个待推荐对象、以及参考对象。
其中，待推荐对象可以为需要向用户推荐的若干对象，比如，待推荐对象可以为待推荐的歌曲、待推荐的商品、待推荐的视频，等等。
其中，参考对象可以为推荐系统向用户推荐对象时，所依据的能够作为参考的对象，比如，若推荐系统希望向用户推荐歌曲，此时的参考对象可以为用户之前收听过的具有代表性的历史歌曲；又比如，若推荐系统希望向用户推荐商品，此时的参考对象可以为用户之前购买过的具有代表性的历史商品，等等。
在实际应用中，可以确定需要向用户推荐的多个待推荐对象an'～am'、以及可以作为参考的参考对象a1。比如，可以将需要向用户推荐的多首歌曲作为多个待推荐对象an'～am'，并将用户历史收听过的历史歌曲作为参考对象a1。
在一实施例中，由于推荐系统通常包括召回模块和排序模块，召回模块可以根据用户的输入，从所有候选对象中召回出多个待推荐对象，然后将多个待推荐对象输入至排序模块中，排序模块再进一步地对多个待推荐对象进行排序，并向用户推荐。具体地，步骤“确定多个待推荐对象、以及参考对象”，可以包括：
确定多个候选对象、以及参考对象；
基于训练后预测模型、以及所述参考对象，预测用户与每个候选对象之间的预测交互概率；
基于所述用户与每个候选对象之间的预测交互概率，从多个候选对象中确定多个待推荐对象。
其中，候选对象可以为包括需要向用户推荐的待推荐对象的对象集合，比如，可以将多首歌曲作为候选对象，在候选对象中包括需要向用户推荐的待推荐对象。
其中，训练后预测模型为交互概率预测模型训练后得到的网络模型。
其中，交互概率预测模型为能够根据用户历史交互过的对象序列，预测用户与某个具体对象之间交互概率的网络模型。本申请不对交互概率预测模型的具体网络结构进行限制，只要为能预测出用户与某个具体对象之间交互概率的网络模型即可。比如，该交互概率预测模型中可以包括卷积层、全连接层，等等。其中，为了基于历史对象特征信息预测出用户与待预测对象之间交互概率，该交互概率预测模型中还可以包括注意力机制子模型，通过该注意力机制子模型能够预测出预测每个历史对象特征信息对应的注意力特征信息。
在实际应用中，比如，可以获取多个候选对象a2～ak、以及参考对象a1，并获取每个候选对象a2～ak对应的候选特征信息v2～vk、以及参考对象a1对应的参考特征信息v1，然后将候选特征信息v2～vk、以及参考特征信息v1，依次输入至训练后预测模型中，并预测得到用户与每个候选对象之间的预测交互概率p2～pk，然后可以根据预设的交互概率值，将大于该交互概率值的预测交互概率所对应的对象确定为待处理对象，从而实现从多个候选对象中确定出多个待推荐对象。
在一实施例中，比如，如图6所示，可以获取多个候选对象a2～ak、以及参考对象a1，并获取每个候选对象a2～ak对应的候选特征信息v2～vk、以及参考对象a1对应的参考特征信息v1。然后将候选特征信息v2、以及参考特征信息v1，输入至训练后预测模型中，并预测得到用户与候选对象a2之间的预测交互概率p2；再将候选特征信息v3、以及参考特征信息v1，输入至训练后预测模型中，并预测得到用户与候选对象a3之间的预测交互概率p3…直至获取到用户与每个候选对象之间的预测交互概率p2～pk。若预设的交互概率值为0.7，可以将数值大于0.7的预测交互概率所对应的候选对象确定为待推荐对象。其中，该预设的交互概率值可以根据实际情况进行调整。
在一实施例中，为了提升该对象推荐方法的多样性，也可以省略从多个候选对象a2～ak中选取多个待推荐对象an'～am'的步骤，也即无需根据训练后预测模型，预测得到用户与每个候选对象之间预测交互概率，并根据预测交互概率进行待推荐对象的确定。而是直接利用注意力机制获取每个待推荐对象与参考对象之间的相似度，然后，根据相似度对多个待推荐对象进行排序，得到目标推荐对象序列，并从该目标推荐对象序列中选择性地进行对象推荐。
比如，可以直接确定多个待推荐对象an'～am'，并利用注意力机制获取每个待推荐对象与参考对象之间的相似度，根据相似度对多个待推荐对象进行排序，得到目标推荐对象序列。然后，将目标推荐对象序列输出，展示给用户按顺序排列的多个待推荐对象；还可以根据预设推荐数量，从目标推荐对象序列中选取前几位的对象推荐给用户，等等。
在一实施例中，由于训练后预测模型包括注意力机制子模型，因此，可以利用注意力机制子模型，获取关注候选对象与参考对象之间匹配程度的候选注意力特征信息。具体地，步骤“基于训练后预测模型、以及所述参考对象，预测用户与每个候选对象之间的预测交互概率”，可以包括：
基于所述注意力机制子模型，对多个候选对象对应的候选特征信息进行注意力分配处理，得到关注所述候选对象与所述参考对象之间匹配程度的候选注意力特征信息；
基于所述训练后预测模型、所述候选特征信息、以及所述候选注意力特征信息，预测用户与每个候选对象之间的预测交互概率。
其中，注意力机制子模型可以为能够实现注意力机制的网络模型。
其中，注意力机制是一种借鉴人类视觉选择性注意力机制的方法。注意力机制可以应用于神经网络模型中，使得神经网络具有专注于特定输入子集的能力，因此，注意力机制能够将计算资源分配给更重要的任务。比如，神经网络模型中可以包括注意力机制子模型，该注意力机制子模型会为神经网络的输入分配相应的权重，该权重可以代表注意力机制子模型分配给该输入的关注程度。
其中，注意力特征信息为神经网络针对每个输入的关注程度，确定每个输入对应的注意力特征信息后，可以根据该注意力特征信息进行资源的分配。比如，可以基于神经网络中注意力机制获取到每个输入对应的权重，该权重即为输入对应的注意力特征信息。
在实际应用中，比如，可以将多个候选对象对应的候选特征信息、以及参考对象对应的参考特征信息作为当前输入，输入至训练后预测模型里的注意力机制子模型中，并基于注意力机制子模型，对多个候选特征信息进行注意力分配处理，得到每个候选对象对应的候选注意力特征信息，然后基于训练后预测模型、候选特征信息、以及候选注意力特征信息，预测用户与每个候选对象之间的预测交互概率。
比如，如图6所示，可以将多个候选对象a2～ak对应的候选特征信息v2～vk、以及参考对象a1对应的参考特征信息v1作为当前输入，输入至训练后预测模型里的注意力机制子模型中，并基于注意力机制子模型，对多个候选特征信息进行注意力分配处理，得到多个候选对象对应的候选注意力特征信息α2～αk，然后基于训练后预测模型、候选特征信息、以及候选注意力特征信息，预测用户与每个候选对象之间的预测交互概率p2～pk。
在一实施例中，基于注意力机制子模型获取每个候选对象对应的候选注意力特征信息的方法可以有多种，其本质为获取两个输入v1和v2之间的相似性α2，也即f(v1,v2)＝α2。
比如，可以通过计算两个输入v1和v2的内积<v1,v2>，获取两个输入v1和v2之间的相似性α2。
又比如，可以通过α2＝v1·W·v2 T，获取两个输入v1和v2之间的相似性α2，其中，W可以为预设的参数矩阵。
又比如，还可以利用含有参数的非线性激活函数的神经网络，获取两个输入v1和v2之间的相似性α2，神经网络内部获取相似性α2的逻辑为f(w,v1,v2)，其中，w可以为网络参数，等等。
在一实施例中，可以根据获取到的候选注意力特征信息，对候选特征信息进行重新的表示，再根据该重新的表示进行概率预测的步骤，具体地，步骤“基于所述训练后预测模型、所述候选特征信息、以及所述候选注意力特征信息，预测用户与每个候选对象之间的预测交互概率”，可以包括：
将每个候选特征信息与其对应的候选注意力特征信息进行融合，得到多个融合后候选特征信息；
对所述多个融合后候选特征信息进行卷积操作，得到候选融合信息；
基于所述训练后预测模型、以及所述候选融合信息，预测用户与每个候选对象之间的预测交互概率。
在实际应用中，比如，如图4所示，由于训练后预测模型可以根据候选特征信息v2～vk，预测用户是否会与参考对象a1交互。因此，根据注意力机制子模块获取到多个候选对象a2～ak对应的候选注意力特征信息α2～αk之后，可以将每个候选特征信息与其对应的候选注意力特征信息进行融合，得到多个融合后候选特征信息α2·v2、α3·v3…αk·vk，也即通过候选注意力特征信息α2～αk，对候选特征信息v2～vk进行重新的表示。然后，将多个融合后候选特征信息输入至CNN子模型中进行卷积操作，得到候选融合信息，其中，该CNN子模型为训练后预测模型中的一部分。然后，可以将候选融合信息、以及参考特征信息输入至softmax层中，预测用户与参考对象之间的预测交互概率。
其中，CNN子模型(Convolutional Neural Networks,卷积神经网络)是一种包括卷积计算，并且具有深度结构的前馈神经网络。CNN子模型具有表征学习能力，能够按照阶层结构对输入信息进行平移不变分类。比如，CNN子模型中可以包括卷积层、池化层、全连接层等一种或几种网络结构。
其中，softmax层能够将输入映射为0～1之间的实数，并且归一化保证和为1，使得神经网络中多分类的概率之和刚好为1，并且softmax层可以作为分类任务的输出层。比如，若分类任务需要将输入分为三个类别，softmax层可以输出三个类别选取的概率，并且概率和为1。
202、提取每个待推荐对象对应的特征信息、以及参考对象对应的参考特征信息。
在实际应用中，比如，获取到多个待推荐对象an'～am'、以及参考对象a1之后，可以分别获取待推荐对象an'～am'对应的特征信息vn'～vm'、以及参考对象a1对应的参考特征信息v1。
在一实施例中，获取待推荐对象对应特征信息的方式可以有多种，如特征信息可以只与待推荐对象相关，此时，可以将待推荐对象映射到固定维度的向量空间上，得到待推荐对象的嵌入式表示，也即待推荐对象对应的特征信息。又如特征信息还可以包含用户的特征，此时，可以确定待推荐对象针对的用户，获取用户对应的用户ID，并根据神经网络，同时考虑待推荐对象、以及用户ID携带的信息，得到考虑了用户信息的特征信息，使得特征信息中的信息更为丰富。
在一实施例中，获取参考对象对应参考特征信息的方法也可以有多种，与获取待推荐对象对应特征信息的获取方式类似，此处不再赘述。
203、基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注待推荐对象与参考对象之间匹配程度的注意力特征信息。
其中，注意力参数信息可以为训练后预测模型中注意力机制子模型里可调整的模型参数，比如，注意力机制子模型中获取注意力特征信息的本质为获取两个输入v1和v2之间的相似性α2，也即f(v1,v2)＝α2。注意力机制子模型可以通过α2＝v1·W·v2 T，获取两个输入v1和v2之间的相似性α2，此时，W可以为可调整的注意力参数信息。又比如，注意力机制子模型还可以利用含有参数的非线性激活函数的神经网络，获取两个输入v1和v2之间的相似性α2，此时，w可以为可调整的注意力参数信息，等等。
其中，对交互概率预测模型进行训练，得到训练后预测模型的过程中，会涉及到网络中参数的调整，注意力机制子模型中的注意力参数信息也会相应地进行调整，然而，某些注意力机制子模型中包括可以进行调整的参数，某些注意力机制子模型中不包括可以进行调整的参数。因此，若注意力机制子模型的输入为固定的不可学的特征信息时，可以采用包括注意力参数信息的注意力机制子模型，这样可以对注意力机制子模型中的注意力参数信息进行调整；若注意力机制子模型的输入为不固定的可学的特征信息时，可以采用任意的注意力机制子模型，也即，只要保证注意力机制子模型中包括可以进行调整的参数即可。
在实际应用中，比如，交互概率预测模型训练完毕，可以得到训练后预测模型，此时，训练后预测模型、以及训练后预测模型里注意力机制子模型中的参数都已经调整好了，因此，可以获取该训练后预测模型，并将多个待推荐对象对应的特征信息、以及参考对象对应的参考特征信息作为当前输入，输入至训练后预测模型里的注意力机制子模型中，并基于注意力机制子模型，预测得到关注待推荐对象与参考对象之间匹配程度的注意力特征信息。
比如，如图5所示，可以将多个待推荐对象an'～am'对应的特征信息vn'～vm'、以及参考对象a1对应的参考特征信息v1作为当前输入，输入至训练后预测模型里的注意力机制子模型中，并基于注意力机制子模型，对多个特征信息进行注意力分配处理，得到多个待推荐对象对应的注意力特征信息αn'～αm'。并根据注意力特征信息αn'～αm'，获取每个待推荐对象与参考对象之间的相似度信息βn～βm。
比如，可以将待推荐对象an'对应的特征信息vn'、以及参考对象a1对应的参考特征信息v1作为当前输入，输入至训练后预测模型里的注意力机制子模型中，并基于注意力机制子模型，得到待推荐对象an'对应的注意力特征信息αn'。将待推荐对象an+1'对应的特征信息vn+1'、以及参考对象a1对应的参考特征信息v1作为当前输入，输入至训练后预测模型里的注意力机制子模型中，并基于注意力机制子模型，得到待推荐对象an+1'对应的注意力特征信息αn+1'…将待推荐对象am'对应的特征信息vm'、以及参考对象a1对应的参考特征信息v1作为当前输入，输入至训练后预测模型里的注意力机制子模型中，并基于注意力机制子模型，得到待推荐对象am'对应的注意力特征信息αm'。
204、基于注意力特征信息，获取每个待推荐对象与参考对象之间的相似度信息。
在实际应用中，比如，由于利用注意力机制挖掘出的注意力特征信息，暗含待推荐对象与参考对象之间的关联性，这种关联性与待推荐对象与参考对象之间的相似度有关。因此，可以根据注意力特征信息αn'～αm'，获取每个待推荐对象与参考对象之间的相似度信息βn～βm。
在一实施例中，根据注意力特征信息，获取每个待推荐对象与参考对象之间的相似度信息的方法可以有多种，由于该注意力特征信息一定程度上表示了待推荐对象与参考对象之间的相似程度，因此可以直接将该注意力特征信息确认为相似度信息，也可以通过对注意力特征信息进行转换，得到相似度信息。
205、基于相似度信息，从多个待推荐对象中选取目标推荐对象序列。
在实际应用中，比如，基于训练后预测模型中注意力机制子模型，获取到每个待推荐对象与参考对象之间的相似度信息之后，可以根据相似度信息的数值大小，对多个待推荐对象进行排序，得到按顺序排列的目标推荐对象序列。比如，多个待推荐对象为a2'、a3'、a4'、a5'，根据每个待推荐对象对应相似度信息的数值大小进行排序后，可以得到目标推荐对象序列a4'、a3'、a2'、a5'。
206、输出目标推荐对象序列。
在实际应用中，获取到按顺序排列的目标推荐对象序列之后，可以将目标推荐对象序列显示在终端页面上，以便用户对待推荐对象进行查看。比如，若待推荐对象为歌曲，且获取到多首按照顺序排列的目标推荐歌曲序列之后，可以基于目标推荐歌曲序列，对历史推荐歌曲序列进行更新，因此，当终端显示到歌曲推荐的区域时，可以将目标推荐歌曲序列呈现出来。又比如，还可以当检测到用户滑动至歌曲推荐的区域时，再将历史推荐歌曲序列更新为目标推荐歌曲序列，并将目标推荐歌曲序列呈现出来，等等。
在一实施例中，由于在用户历史行为中，已经暗含了对象之间的相似性信息，如在歌曲推荐场景中，若用户之前收听的歌曲大多为摇滚乐、爵士乐，那么用户下一次收听的歌曲，很大可能会与用户之前收听过的歌曲相关。因此，可以在预测用户与对象之间交互概率的过程中，通过注意力机制挖掘用户历史行为中暗含的历史交互对象与待预测对象之间的关联性，这种关联性与不同对象之间相似度相关，能够丰富对象推荐中召回的方式。
因此，需要利用用户历史行为对交互概率预测模型进行训练，得到训练后预测模型。具体地，该对象推荐方法还可以包括：
获取作为交互概率预测模型当前输入的训练样本，所述训练样本包括已标记对象对应的已标记特征信息；
基于所述交互概率预测模型、以及所述训练样本，预测用户与所述已标记对象之间的预测交互概率；
基于所述用户与所述已标记对象之间的预测交互概率、以及所述已标记对象对应的实际交互概率，对所述交互概率预测模型进行训练，得到训练后预测模型。
其中，已标记对象为已知用户是否交互过的对象，已标记对象可以作为样本对网络模型进行训练，比如，可以将用户历史收听过的历史歌曲作为已标记对象，该历史歌曲可以作为正样本；又比如，还可以将用户历史没有收听的未收听歌曲作为已标记对象，该未收听歌曲可以作为负样本，等等。
在实际应用中，比如，可以获取作为交互概率预测模型当前输入的训练样本，该训练样本中可以包括已标记对象b1对应的已标记特征信息t1，然后可以将训练样本输入至交互概率预测模型中，并基于交互概率预测模型，预测出用户与已标记对象之间的预测交互概率。由于已标记对象为已知是否与用户交互过的对象，因此，该已标记对象具有已知的实际交互概率，此时，可以根据获取到的预测交互概率、以及实际交互概率，对交互概率预测模型进行训练，并得到训练后预测模型。
在一实施例中，由于注意力机制子模型中包括能够调整的注意力参数信息，因此，在网络模型训练的过程中，会对注意力参数信息同时进行调整。具体地，步骤“基于所述用户与所述已标记对象之间的预测交互概率、以及所述已标记对象对应的实际交互概率，对所述交互概率预测模型进行训练，得到训练后预测模型”，可以包括：
基于所述用户与所述已标记对象之间的预测交互概率、以及所述已标记对象对应的实际交互概率，对所述注意力参数信息进行调整；
基于调整后的注意力参数信息，得到训练后预测模型。
在实际应用中，比如，可以基于获取到的预测交互概率、以及已标记对象对应的实际交互概率，利用损失函数等方法，对交互概率预测模型中的模型参数进行调整，其中，注意力机制子模型中的注意力参数信息也会随之进行调整，交互概率预测模型中的模型参数调整完毕后，可以得到训练后预测模型。
在一实施例中，本申请需要根据用户历史行为构建训练样本，并根据该训练样本，训练交互概率预测模型。具体地，步骤“获取作为交互概率预测模型当前输入的训练样本”，可以包括：
获取针对交互对象的连续用户历史行为所对应的历史行为信息、以及已标记对象对应的已标记特征信息，所述历史行为信息中包括每个用户历史行为对应的历史行为子信息；
确定每个历史行为子信息对应的历史交互对象；
基于所述历史交互对象，获取每个历史行为子信息对应的历史对象特征信息；
基于所述历史对象特征信息、以及所述已标记特征信息，构建训练样本；
将所述训练样本作为交互概率预测模型的当前输入。
其中，训练样本为用于训练交互概率预测模型的样本数据，训练样本中包括用户历史行为对应的多个历史对象特征信息。比如，训练样本中可以包括用户历史收听的多首歌曲所对应的歌曲特征信息。又比如，训练样本中可以包括用户历史购买的多件商品所对应的商品特征信息，等等。
其中，用户历史行为是用户在历史时间内进行并被记录下来的一系列行为，比如，用户历史行为可以为用户在历史时间内浏览了哪些网页，或者用户在历史时间内进行了哪些歌曲播放操作，或者用户在历史时间内进行了哪些商品购买操作，等等。
其中，历史对象特征信息可以为用户历史行为所针对的历史交互对象对应的特征信息。比如，若用户历史行为是用户在历史时间内进行了哪些歌曲播放操作，那么该用户历史行为与用户收听过的多首历史歌曲相对应，此时，历史交互对象可以为用户收听过的多首历史歌曲，历史对象特征信息可以为每首历史歌曲对应的特征信息。
在实际应用中，由于在用户历史行为中，已经暗含了对象之间的相似性信息，如在歌曲推荐场景中，若用户之前收听的歌曲大多为摇滚乐、爵士乐，那么用户下一次收听的歌曲，很大可能会与用户之前收听过的歌曲相关。因此，可以在预测用户与对象之间交互概率的过程中，通过注意力机制挖掘用户历史行为中暗含的历史交互对象与待预测对象之间的关联性，这种关联性与不同对象之间相似度相关，从而丰富对象推荐中召回的方式。
因此，本申请需要根据用户历史行为构建训练样本，并根据该训练样本，训练交互概率预测模型。比如，可以获取用户在历史时间内进行的若干歌曲播放操作，并将该若干歌曲播放操作作为用户历史行为，此时，历史交互对象可以为用户收听过的多首历史歌曲，历史对象特征信息可以为每首历史歌曲对应的特征信息。然后，根据获取到的多首历史歌曲对应的特征信息，构建训练样本。
在一实施例中，该交互概率预测模型不仅限于可以对用户收听歌曲的概率进行预测，还可以根据用户不同的用户历史行为，对不同种类的对象进行交互概率的预测。又比如，可以获取用户在历史时间内进行的若干商品购买操作，并将该若干商品购买操作作为用户历史行为，此时，历史交互对象可以为用户购买过的多件历史商品，历史对象特征信息可以为每件历史商品对应的特征信息。然后，根据获取到的多件历史商品对应的特征信息，构建训练样本，等等。
在一实施例中，可以通过提升样本多样性的方法，提高交互概率预测模型的预测准确性。比如，训练样本可以包括正样本和负样本，其中，正样本中可以包括多个历史对象特征信息、以及用户已经交互过的已标记特征信息，如，可以获取用户历史行为对应的多首历史歌曲、以及每首历史歌曲对应的特征信息，并从多首历史歌曲对应的特征信息中选取一个特征信息作为已标记特征信息，然后，根据获取到的多首历史歌曲对应的特征信息、以及已标记特征信息，构建正样本。
其中，负样本中可以包括多个历史对象特征信息、以及用户没有交互过的已标记特征信息，如，可以获取用户历史行为对应的多首历史歌曲、以及每首历史歌曲对应的特征信息，并将一首用户没有收听过的歌曲对应的特征信息作为已标记特征信息，然后，根据获取到的多首历史歌曲对应的特征信息、以及已标记特征信息，构建负样本。
在一实施例中，比如，可以获取训练样本，训练样本中包括多个历史交互对象b2～bk对应的历史对象特征信息t2～tk、以及已标记对象b1对应的已标记特征信息t1，交互概率预测模型中包括注意力机制子模型。可以将历史对象特征信息t2～tk、以及已标记特征信息t1，都输入至注意力机制子模型中，并基于注意力机制子模型，获取每个历史对象特征信息t2～tk对应的注意力特征信息α2”～αk”，其中，注意力特征信息α2”～αk”代表了t2～tk与t1之间的相关性，如注意力特征信息α2”代表了t2与t1之间的相关性，注意力特征信息α3”代表了t3与t1之间的相关性…注意力特征信息αk”代表了tk与t1之间的相关性，等等。然后根据注意力特征信息α2”～αk”、以及训练样本，预测出用户与已标记对象之间的预测交互概率。
在一实施例中，可以根据用户的session窗口，获取历史行为信息。具体地，步骤“获取针对交互对象的连续用户历史行为所对应的历史行为信息、以及已标记对象对应的已标记特征信息”，可以包括：
获取已标记对象对应的已标记特征信息；
获取针对交互对象的连续用户历史行为所对应的候选历史行为信息；
确定划分所述候选历史行为信息的信息划分参数；
基于所述信息划分参数，将所述候选历史行为信息划分为多个历史行为信息。
其中，历史行为信息可以为历史存储的与用户历史行为相关的信息。比如，历史行为信息可以通过用户与对象之间的连续交互窗口session获取到。其中，session为用户与对象之间的连续交互窗口，session反应的是潜在的连续行为，比如，用户在心情不好的时候，连续收听了多首伤感歌曲；又比如，用户在促销活动的周期内，连续购买了多件低价商品，等等。
其中，由于历史行为信息针对交互对象，并且与连续的用户历史行为序列相对应。因此，历史行为信息中包括历史行为子信息序列，该历史行为子信息序列为按照时间顺序排列的多个历史行为子信息，每个历史行为子信息都对应一个用户历史行为。比如，可以根据用户的session窗口，获取历史行为信息，该历史行为信息记录用户之前收听了多首歌曲，则该历史行为信息中包括多个按时间顺序排列的历史行为子信息，每个历史行为子信息都对应一首用户历史收听的歌曲。
在实际应用中，比如，可以根据用户的session窗口，获取历史行为信息，该历史行为信息中包括多个按时间顺序排列的历史行为子信息。然后，可以获取每个历史行为子信息对应的历史对象特征信息，根据多个历史对象特征信息构建训练样本，其中，训练样本可以包括正样本和负样本，并且将构建的训练样本作为交互概率预测模型的当前输入。
在一实施例中，由于历史行为信息中包括多个历史行为子信息，因此，需要根据历史行为子信息，获取与历史交互对象对应的历史对象特征信息。比如，可以确定每个历史行为子信息对应的历史交互对象，并获取该历史交互对象对应的特征信息，作为历史对象特征信息。其中，获取历史对象特征信息的方式可以有多种，如历史对象特征信息可以只与历史交互对象相关，此时，可以将历史交互对象映射到固定维度的向量空间上，得到历史交互对象的嵌入式表示，也即历史对象特征信息。又如历史对象特征信息还可以包含用户的特征，此时，可以获取用户对应的用户ID，并根据神经网络，同时考虑历史交互对象、以及用户ID携带的信息，得到考虑了用户信息的历史对象特征信息，使得历史对象特征信息中的信息更为丰富。
在一实施例中，由于无需使用所有的用户历史行为对应的历史行为信息，因此，需要划分用户的session窗口，并根据某一个session内部的序列构建训练样本。比如，可以通过用户的session窗口获取候选历史行为信息，该候选历史行为信息即为待划分的session。然后可以确定出划分候选历史行为信息的信息划分参数，并根据该信息划分参数，将候选历史行为信息划分为多个历史行为信息。
在一实施例中，划分候选历史行为信息的方法可以有多种，比如，信息划分参数可以为预设时间长度，此时，可以按照预设时间长度划分session，如可以将用户在某个时间周期内连续的用户历史行为划分成为一个session，或者可以将用户在一个登录周期内的用户历史行为划分成为一个session，等等。又比如，信息划分参数可以为置信度的阈值，此时，可以利用神经网络、以及置信度的阈值划分session，等等。
在一实施例中，虽然该对象推荐方法中训练交互概率预测模型步骤的目的是，根据历史对象特征信息t2～tk，预测用户是否会与已标记对象b1交互。但是在实际使用的过程中，可以仅使用基于交互概率预测模型中注意力机制子模型，获取到的相似度信息。因此，不仅可以将该对象推荐方法应用在推荐系统中进行对象推荐，还可以应用于任何需要计算对象之间相似度的场景之中。比如，在歌曲分析场景中，可以利用该对象推荐方法获取不同歌曲之间的相似度；又比如，在文本分析场景中，可以利用该对象推荐方法获取不同文本之间的相似度，等等。
由上可知，本申请实施例可以确定多个待推荐对象、以及参考对象，提取每个待推荐对象对应的特征信息、以及参考对象对应的参考特征信息，基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注待推荐对象与参考对象之间匹配程度的注意力特征信息，基于注意力特征信息，获取每个待推荐对象与参考对象之间的相似度信息，基于相似度信息，从多个待推荐对象中选取目标推荐对象序列，输出目标推荐对象序列。该方案可以通过注意力机制挖掘用户历史行为对应历史交互对象与待预测对象之间匹配程度的注意力特征信息，并根据该注意力特征信息获取相似度信息，由于不同对象之间的相似性，未必能通过显式的标签衡量出来，因此，利用上述方法获取不同对象之间的相似度，并进行对象推荐，可以提升对象推荐的准确性。
根据前面实施例所描述的方法，以下将以该对象推荐装置具体集成在网络设备举例作进一步详细说明。
参考图3，本申请实施例的对象推荐方法的具体流程可以如下：
301、网络设备获取训练样本。
在实际应用中，比如，网络设备可以根据用户的session窗口，获取候选历史行为信息，该候选历史行为信息即为待划分的session。然后可以确定出划分候选历史行为信息的信息划分参数，并根据该信息划分参数，将候选历史行为信息划分为多个历史行为信息。其中，信息划分参数可以为预设时间长度，此时，可以按照预设时间长度划分session，如可以将用户在某个时间周期内连续的用户历史行为划分成为一个session。
由于该历史行为信息中包括多个按时间顺序排列的历史行为子信息，此时，可以确定每个历史行为子信息对应的历史交互对象，并获取每个历史交互对象对应的历史对象特征信息。然后可以获取已标记对象对应的已标记特征信息，并根据多个历史对象特征信息、以及已标记特征信息，构建训练样本。
在一实施例中，比如，可以根据用户的session窗口，获取候选历史行为信息，该候选历史行为信息即为待划分的session，该候选历史行为信息中记录了用户历史收听的多首历史歌曲对应的操作行为。然后可以确定出划分候选历史行为信息的信息划分参数，并根据该信息划分参数，将候选历史行为信息划分为多个历史行为信息。其中，信息划分参数可以为预设时间长度，此时，可以按照预设时间长度划分session，如可以将用户在某个时间周期内连续的用户历史行为划分成为一个session。由于该历史行为信息中包括多个按时间顺序排列的历史行为子信息，每个历史行为子信息记录了用户历史收听的一首历史歌曲，此时，可以确定每个历史行为子信息对应的历史歌曲，并获取每个历史歌曲对应的历史对象特征信息。然后可以获取一首用户已经收听过的历史歌曲对应的已标记特征信息，并根据多个历史对象特征信息、以及已标记特征信息，构建正样本；还可以获取一首用户没有收听过的历史歌曲对应的已标记特征信息，并根据多个历史对象特征信息、以及已标记特征信息，构建负样本。
302、网络设备基于注意力机制子模型、以及训练样本，预测每个历史对象特征信息对应的注意力特征信息。
在实际应用中，比如，如图4所示，网络设备可以将训练样本输入至交互概率预测模型的注意力机制子模型中，其中训练样本中包括多个历史对象特征信息t2～tk、以及已标记特征信息t1。并基于注意力机制子模型，获取历史对象特征信息t2对应的注意力特征信息α2”；获取历史对象特征信息t3对应的注意力特征信息α3”…获取历史对象特征信息tk对应的注意力特征信息αk”。
在一实施例中，注意力机制子模型中获取每个历史对象特征信息对应的注意力特征信息的方法可以有多种，其本质为获取两个输入t1和t2之间的相似性α2，也即f(t1,t2)＝α2。
比如，可以通过计算两个输入t1和t2的内积<t1,t2>，获取两个输入t1和t2之间的相似性α2。
又比如，可以通过α2＝t1·W·t2 T，获取两个输入t1和t2之间的相似性α2，其中，W可以为预设的参数矩阵。
又比如，还可以利用含有参数的非线性激活函数的神经网络，获取两个输入t1和t2之间的相似性α2，神经网络内部获取相似性α2的逻辑为f(w,t1,t2)，其中，w可以为网络参数，等等。
303、网络设备基于交互概率预测模型、训练样本、以及注意力特征信息，预测用户与已标记对象之间的预测交互概率。
在实际应用中，比如，网络设备可以根据每个历史对象特征信息t2～tk对应的注意力特征信息α2”～αk”，对每个历史对象特征信息进行重新的表示，将历史对象特征信息t2表示为融合后历史对象特征信息α2”·t2；将历史对象特征信息t3表示为融合后历史对象特征信息α3”·t3…将历史对象特征信息tk表示为融合后历史对象特征信息αk”·tk。然后将多个融合后历史对象特征信息α2”·t2、α3”·t3…αk”·tk输入至CNN子模型中进行卷积操作，得到历史融合信息，其中，该CNN子模型为交互概率预测模型中的一部分。然后，可以将历史融合信息、以及已标记特征信息t1输入至softmax层中，预测用户与已标记对象之间的预测交互概率。
304、网络设备基于预测交互概率、以及已标记对象对应的实际交互概率，对交互概率预测模型进行训练，得到训练后预测模型。
在实际应用中，由于已标记对象是已知是否与用户交互过的对象，因此，已标记对象具有确定的实际交互概率，可以根据预测交互概率和实际交互概率，对交互概率预测模型进行训练，也即调整交互概率预测模型中的模型参数，得到训练后预测模型。其中，在调整交互概率预测模型中模型参数的过程中，会同时对交互概率预测模型中注意力机制子模型的注意力参数信息也一并进行调整。
305、网络设备基于训练后预测模型，预测每个待推荐对象与参考对象之间的相似度信息。
在实际应用中，比如，网络设备可以获取多个候选对象a2～ak、以及参考对象a1，并获取每个候选对象a2～ak对应的候选特征信息v2～vk、以及参考对象a1对应的参考特征信息v1。然后将候选特征信息v2、以及参考特征信息v1，输入至训练后预测模型中，并预测得到用户与候选特征信息v2之间的预测交互概率p2；再将候选特征信息v3、以及参考特征信息v1，输入至训练后预测模型中，并预测得到用户与候选特征信息v3之间的预测交互概率p3…直至获取到用户与每个候选对象之间的预测交互概率p2～pk。若预测概率值为0.7，可以将数值大于0.7的预测交互概率所对应的对象确定为待处理对象，此时即可获取到多个待处理对象vn'～vm'。
然后，可以将特征信息vn'、以及参考特征信息v1输入至训练后预测模型中的注意力机制子模型中，并基于注意力机制子模型，预测出vn'与v1之间的相似度信息βn；再将特征信息vn+1'、以及参考特征信息v1输入至训练后预测模型中的注意力机制子模型中，并基于注意力机制子模型，预测出vn+1'与v1之间的相似度信息βn+1…直至获取到每个特征信息与参考对象之间的相似度信息βn～βm。
306、网络设备基于相似度信息，从多个待推荐对象中选取目标推荐对象序列。
在实际应用中，比如，网络设备可以根据待推荐对象对应相似度信息的数值大小，对多个待推荐对象进行排序，得到按顺序排列的目标推荐对象序列，然后可以将该目标推荐对象序列输出，以便向用户进行对象推荐。
307、网络设备输出目标推荐对象序列。
在实际应用中，比如，网络设备可以将目标推荐对象序列按顺序显示在终端页面上，当用户查看到推荐的多个待推荐对象时，可以从中选择对象进行交互。
由上可知，本申请实施例可以通过网络设备获取训练样本，基于注意力机制子模型、以及训练样本，预测每个历史对象特征信息对应的注意力特征信息，基于交互概率预测模型、训练样本、以及注意力特征信息，预测用户与已标记对象之间的预测交互概率，基于预测交互概率、以及已标记对象对应的实际交互概率，对交互概率预测模型进行训练，得到训练后预测模型，基于训练后预测模型，预测每个待推荐对象与参考对象之间的相似度信息，基于相似度信息，从多个待推荐对象中选取目标推荐对象序列，输出目标推荐对象序列。该方案可以通过注意力机制挖掘用户历史行为对应历史交互对象与待预测对象之间匹配程度的注意力特征信息，并根据该注意力特征信息获取相似度信息，由于不同对象之间的相似性，未必能通过显式的标签衡量出来，因此，利用上述方法获取不同对象之间的相似度，并进行对象推荐，可以提升对象推荐的准确性。
为了更好地实施以上方法，本申请实施例还可以提供一种对象推荐装置，该对象推荐装置具体可以集成在网络设备中，该网络设备可以包括服务器、终端等，其中，终端可以包括：手机、平板电脑、笔记本电脑或个人计算机(PC，Personal Computer)等。
例如，如图7所示，该对象推荐装置可以包括确定模块71、提取模块72、处理模块73、获取模块74、选取模块75和输出模块76，如下：
确定模块71，用于确定多个待推荐对象、以及参考对象；
提取模块72，用于提取每个待推荐对象对应的特征信息、以及所述参考对象对应的参考特征信息；
处理模块73，用于基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注所述待推荐对象与所述参考对象之间匹配程度的注意力特征信息；
获取模块74，用于基于所述注意力特征信息，获取每个待推荐对象与所述参考对象之间的相似度信息；
选取模块75，用于基于所述相似度信息，从所述多个待推荐对象中选取目标推荐对象序列；
输出模块76，用于输出所述目标推荐对象序列。
在一实施例中，所述确定模块71可以包括第一确定子模块711、第一预测子模块712和第二确定子模块713，如下：
第一确定子模块711，用于确定多个候选对象、以及参考对象；
第一预测子模块712，用于基于训练后预测模型、以及所述参考对象，预测用户与每个候选对象之间的预测交互概率；
第二确定子模块713，用于基于所述用户与每个候选对象之间的预测交互概率，从多个候选对象中确定多个待推荐对象。
在一实施例中，所述第一预测子模块712可以包括处理子模块7121和第二预测子模块7122，如下：
处理子模块7121，用于基于所述注意力机制子模型，对多个候选对象对应的候选特征信息进行注意力分配处理，得到关注所述候选对象与所述参考对象之间匹配程度的候选注意力特征信息；
第二预测子模块7122，用于基于所述训练后预测模型、所述候选特征信息、以及所述候选注意力特征信息，预测用户与每个候选对象之间的预测交互概率。
在一实施例中，所述第二预测子模块7122可以具体用于：
将每个候选特征信息与其对应的候选注意力特征信息进行融合，得到多个融合后候选特征信息；
对所述多个融合后候选特征信息进行卷积操作，得到候选融合信息；
基于所述训练后预测模型、以及所述候选融合信息，预测用户与每个候选对象之间的预测交互概率。
在一实施例中，所述对象推荐装置还可以包括信息获取模块77、预测模块78和训练模块79，如下：
信息获取模块77，用于获取作为交互概率预测模型当前输入的训练样本，所述训练样本包括已标记对象对应的已标记特征信息；
预测模块78，用于基于所述交互概率预测模型、以及所述训练样本，预测用户与所述已标记对象之间的预测交互概率；
训练模块79，用于基于所述用户与所述已标记对象之间的预测交互概率、以及所述已标记对象对应的实际交互概率，对所述交互概率预测模型进行训练，得到训练后预测模型。
在一实施例中，所述训练模块79可以具体用于：
基于所述用户与所述已标记对象之间的预测交互概率、以及所述已标记对象对应的实际交互概率，对所述注意力参数信息进行调整；
基于调整后的注意力参数信息，得到训练后预测模型。
在一实施例中，所述信息获取模块77可以包括第一获取子模块771、第三确定子模块772、第二获取子模块773、构建子模块774和输入子模块775，如下：
第一获取子模块771，用于获取针对交互对象的连续用户历史行为所对应的历史行为信息、以及已标记对象对应的已标记特征信息，所述历史行为信息中包括每个用户历史行为对应的历史行为子信息；
第三确定子模块772，用于确定每个历史行为子信息对应的历史交互对象；
第二获取子模块773，用于基于所述历史交互对象，获取每个历史行为子信息对应的历史对象特征信息；
构建子模块774，用于基于所述历史对象特征信息、以及所述已标记特征信息，构建训练样本；
输入子模块775，用于将所述训练样本作为交互概率预测模型的当前输入。
在一实施例中，所述第一获取子模块771可以具体用于：
获取已标记对象对应的已标记特征信息；
获取针对交互对象的连续用户历史行为所对应的候选历史行为信息；
确定划分所述候选历史行为信息的信息划分参数；
基于所述信息划分参数，将所述候选历史行为信息划分为多个历史行为信息。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由上可知，本申请实施例可以通过确定模块71确定多个待推荐对象、以及参考对象，通过提取模块72提取每个待推荐对象对应的特征信息、以及参考对象对应的参考特征信息，通过处理模块73基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注待推荐对象与参考对象之间匹配程度的注意力特征信息，通过获取模块74基于注意力特征信息，获取每个待推荐对象与参考对象之间的相似度信息，通过选取模块75基于相似度信息，从多个待推荐对象中选取目标推荐对象序列，通过输出模块76输出目标推荐对象序列。该方案可以通过注意力机制挖掘用户历史行为对应历史交互对象与待预测对象之间匹配程度的注意力特征信息，并根据该注意力特征信息获取相似度信息，由于不同对象之间的相似性，未必能通过显式的标签衡量出来，因此，利用上述方法获取不同对象之间的相似度，并进行对象推荐，可以提升对象推荐的准确性。
本申请实施例还提供一种网络设备，该网络设备可以集成本申请实施例所提供的任一种对象推荐装置。
例如，如图8所示，其示出了本申请实施例所涉及的网络设备的结构示意图，具体来讲：
该网络设备可以包括一个或者一个以上处理核心的处理器81、一个或一个以上计算机可读存储介质的存储器82、电源83和输入单元84等部件。本领域技术人员可以理解，图8中示出的网络设备结构并不构成对网络设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器81是该网络设备的控制中心，利用各种接口和线路连接整个网络设备的各个部分，通过运行或执行存储在存储器82内的软件程序和/或模块，以及调用存储在存储器82内的数据，执行网络设备的各种功能和处理数据，从而对网络设备进行整体监控。可选的，处理器81可包括一个或多个处理核心；优选的，处理器81可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器81中。
存储器82可用于存储软件程序以及模块，处理器81通过运行存储在存储器82的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器82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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据网络设备的使用所创建的数据等。此外，存储器82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、或其他易失性固态存储器件。相应地，存储器82还可以包括存储器控制器，以提供处理器81对存储器82的访问。
网络设备还包括给各个部件供电的电源83，优选的，电源83可以通过电源管理系统与处理器81逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源83还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该网络设备还可包括输入单元84，该输入单元84可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，网络设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，网络设备中的处理器81会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器82中，并由处理器81来运行存储在存储器82中的应用程序，从而实现各种功能，如下：
确定多个待推荐对象、以及参考对象，提取每个待推荐对象对应的特征信息、以及参考对象对应的参考特征信息，基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注待推荐对象与参考对象之间匹配程度的注意力特征信息，基于注意力特征信息，获取每个待推荐对象与参考对象之间的相似度信息，基于相似度信息，从多个待推荐对象中选取目标推荐对象序列，输出目标推荐对象序列。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
由上可知，本申请实施例可以确定多个待推荐对象、以及参考对象，提取每个待推荐对象对应的特征信息、以及参考对象对应的参考特征信息，基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注待推荐对象与参考对象之间匹配程度的注意力特征信息，基于注意力特征信息，获取每个待推荐对象与参考对象之间的相似度信息，基于相似度信息，从多个待推荐对象中选取目标推荐对象序列，输出目标推荐对象序列。该方案可以通过注意力机制挖掘用户历史行为对应历史交互对象与待预测对象之间匹配程度的注意力特征信息，并根据该注意力特征信息获取相似度信息，由于不同对象之间的相似性，未必能通过显式的标签衡量出来，因此，利用上述方法获取不同对象之间的相似度，并进行对象推荐，可以提升对象推荐的准确性。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机设备，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种对象推荐方法中的步骤。例如，该指令可以执行如下步骤：
确定多个待推荐对象、以及参考对象，提取每个待推荐对象对应的特征信息、以及参考对象对应的参考特征信息，基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注待推荐对象与参考对象之间匹配程度的注意力特征信息，基于注意力特征信息，获取每个待推荐对象与参考对象之间的相似度信息，基于相似度信息，从多个待推荐对象中选取目标推荐对象序列，输出目标推荐对象序列。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种对象推荐方法中的步骤，因此，可以实现本申请实施例所提供的任一种对象推荐方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种对象推荐方法、装置、以及计算机存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (7)

1.一种对象推荐方法，其特征在于，包括：
确定多个候选对象、以及参考对象；
基于训练后预测模型中的注意力机制子模型，对多个候选对象对应的候选特征信息进行注意力分配处理，得到关注所述候选对象与所述参考对象之间匹配程度的候选注意力特征信息；
将每个候选特征信息与其对应的候选注意力特征信息进行融合，得到多个融合后候选特征信息；
对所述多个融合后候选特征信息进行卷积操作，得到候选融合信息；
基于所述训练后预测模型、以及所述候选融合信息，预测用户与每个候选对象之间的预测交互概率；
基于所述用户与每个候选对象之间的预测交互概率，从多个候选对象中确定多个待推荐对象；
提取每个待推荐对象对应的特征信息、以及所述参考对象对应的参考特征信息；
基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注所述待推荐对象与所述参考对象之间匹配程度的注意力特征信息；
基于所述注意力特征信息，获取每个待推荐对象与所述参考对象之间的相似度信息；
基于所述相似度信息，从所述多个待推荐对象中选取目标推荐对象序列；
输出所述目标推荐对象序列。
2.根据权利要求1所述的对象推荐方法，其特征在于，所述方法还包括：
获取作为交互概率预测模型当前输入的训练样本，所述训练样本包括已标记对象对应的已标记特征信息；
基于所述交互概率预测模型、以及所述训练样本，预测用户与所述已标记对象之间的预测交互概率；
基于所述用户与所述已标记对象之间的预测交互概率、以及所述已标记对象对应的实际交互概率，对所述交互概率预测模型进行训练，得到训练后预测模型。
3.根据权利要求2所述的对象推荐方法，其特征在于，基于所述用户与所述已标记对象之间的预测交互概率、以及所述已标记对象对应的实际交互概率，对所述交互概率预测模型进行训练，得到训练后预测模型，包括：
基于所述用户与所述已标记对象之间的预测交互概率、以及所述已标记对象对应的实际交互概率，对所述注意力参数信息进行调整；
基于调整后的注意力参数信息，得到训练后预测模型。
4.根据权利要求2所述的对象推荐方法，其特征在于，所述训练样本还包括用户历史行为对应的多个历史对象特征信息；
获取作为交互概率预测模型当前输入的训练样本，包括：
获取针对交互对象的连续用户历史行为所对应的历史行为信息、以及已标记对象对应的已标记特征信息，所述历史行为信息中包括每个用户历史行为对应的历史行为子信息；
确定每个历史行为子信息对应的历史交互对象；
基于所述历史交互对象，获取每个历史行为子信息对应的历史对象特征信息；
基于所述历史对象特征信息、以及所述已标记特征信息，构建训练样本；
将所述训练样本作为交互概率预测模型的当前输入。
5.根据权利要求4所述的对象推荐方法，其特征在于，获取针对交互对象的连续用户历史行为所对应的历史行为信息、以及已标记对象对应的已标记特征信息，包括：
获取已标记对象对应的已标记特征信息；
获取针对交互对象的连续用户历史行为所对应的候选历史行为信息；
确定划分所述候选历史行为信息的信息划分参数；
基于所述信息划分参数，将所述候选历史行为信息划分为多个历史行为信息。
6.一种对象推荐装置，其特征在于，包括：
确定模块，用于确定多个候选对象、以及参考对象；基于训练后预测模型中的注意力机制子模型，对多个候选对象对应的候选特征信息进行注意力分配处理，得到关注所述候选对象与所述参考对象之间匹配程度的候选注意力特征信息；将每个候选特征信息与其对应的候选注意力特征信息进行融合，得到多个融合后候选特征信息；对所述多个融合后候选特征信息进行卷积操作，得到候选融合信息；基于所述训练后预测模型、以及所述候选融合信息，预测用户与每个候选对象之间的预测交互概率；基于所述用户与每个候选对象之间的预测交互概率，从多个候选对象中确定多个待推荐对象；
提取模块，用于提取每个待推荐对象对应的特征信息、以及所述参考对象对应的参考特征信息；
处理模块，用于基于注意力参数信息对多个特征信息进行注意力分配处理，得到关注所述待推荐对象与所述参考对象之间匹配程度的注意力特征信息；
获取模块，用于基于所述注意力特征信息，获取每个待推荐对象与所述参考对象之间的相似度信息；
选取模块，用于基于所述相似度信息，从所述多个待推荐对象中选取目标推荐对象序列；
输出模块，用于输出所述目标推荐对象序列。
7.一种计算机存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1-5任一项所述的对象推荐方法。
CN201911272930.1A 2019-12-12 2019-12-12 一种对象推荐方法、装置、以及计算机存储介质 Active CN111046286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272930.1A CN111046286B (zh) 2019-12-12 2019-12-12 一种对象推荐方法、装置、以及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272930.1A CN111046286B (zh) 2019-12-12 2019-12-12 一种对象推荐方法、装置、以及计算机存储介质

Publications (2)

Publication Number Publication Date
CN111046286A CN111046286A (zh) 2020-04-21
CN111046286B true CN111046286B (zh) 2023-04-18

Family

ID=70236042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272930.1A Active CN111046286B (zh) 2019-12-12 2019-12-12 一种对象推荐方法、装置、以及计算机存储介质

Country Status (1)

Country Link
CN (1) CN111046286B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111506821B (zh) * 2020-04-30 2023-06-20 喜大（上海）网络科技有限公司 推荐模型、方法、装置、设备及存储介质
CN114077701B (zh) * 2020-08-13 2024-09-20 北京达佳互联信息技术有限公司 资源信息的确定方法、装置、计算机设备及存储介质
CN112148980B (zh) * 2020-09-28 2023-11-03 京东科技控股股份有限公司 基于用户点击的物品推荐方法、装置、设备和存储介质
CN112418402B (zh) * 2020-11-24 2023-08-11 百度在线网络技术（北京）有限公司 推荐对象的方法、神经网络及其训练方法、计算设备
CN112487294A (zh) * 2020-11-30 2021-03-12 掌阅科技股份有限公司 书籍排序推送模型的训练方法、电子设备及存储介质
CN112507216B (zh) * 2020-12-01 2023-07-18 北京奇艺世纪科技有限公司 一种数据对象推荐方法、装置、设备和存储介质
CN112381595B (zh) * 2021-01-11 2021-06-04 平安科技（深圳）有限公司 基于交往行为的用户价值预测方法及相关设备
CN112712418B (zh) * 2021-03-25 2021-07-09 腾讯科技（深圳）有限公司 推荐商品信息的确定方法和装置、存储介质及电子设备
CN113157951B (zh) * 2021-03-26 2024-08-16 北京达佳互联信息技术有限公司 一种多媒体资源的处理方法、装置、服务器及存储介质
CN113496432B (zh) * 2021-07-06 2024-09-13 北京爱笔科技有限公司 待推荐实体的挖掘方法、装置、设备及存储介质
CN113344647B (zh) * 2021-07-14 2023-05-23 杭州网易云音乐科技有限公司 一种信息推荐的方法及装置
CN113704511B (zh) * 2021-07-30 2022-11-22 北京达佳互联信息技术有限公司 多媒体资源的推荐方法、装置、电子设备及存储介质
CN113722601B (zh) * 2021-09-07 2024-04-16 南方电网数字电网研究院股份有限公司 电力量测信息推荐方法、装置、计算机设备和存储介质
CN114756762B (zh) * 2022-06-13 2022-09-02 腾讯科技（深圳）有限公司 数据处理方法、装置、设备及存储介质
CN116501972B (zh) * 2023-05-06 2024-01-05 广州市巨应信息科技有限公司 基于大数据在线服务的内容推送方法及ai智能推送系统
CN118675765B (zh) * 2024-08-23 2024-12-13 天津易康科技有限公司 基于大数据的血清psa异常患者病历分析方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754317A (zh) * 2019-01-10 2019-05-14 山东大学 融合评论的可解释性服装推荐方法、系统、设备及介质
CN109829775A (zh) * 2018-12-03 2019-05-31 苏州大学 一种物品推荐方法、装置、设备及可读存储介质
CN110008409A (zh) * 2019-04-12 2019-07-12 苏州市职业大学 基于自注意力机制的序列推荐方法、装置及设备
CN110162703A (zh) * 2019-05-13 2019-08-23 腾讯科技（深圳）有限公司 内容推荐方法、训练方法、装置、设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020171B (zh) * 2017-12-28 2023-05-16 阿里巴巴集团控股有限公司 数据处理方法、装置、设备及计算机可读存储介质
CN108197327B (zh) * 2018-02-07 2020-07-31 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
CN110598086B (zh) * 2018-05-25 2020-11-24 腾讯科技（深圳）有限公司 文章推荐方法、装置、计算机设备及存储介质
CN109087130A (zh) * 2018-07-17 2018-12-25 深圳先进技术研究院 一种基于注意力机制的推荐系统及推荐方法
CN109410079B (zh) * 2018-09-13 2021-08-20 清华大学 最优有限注意力下的社交推荐方法及装置
CN109597874B (zh) * 2018-10-23 2023-05-23 重庆邂智科技有限公司 信息推荐方法、装置及服务器
CN109492157B (zh) * 2018-10-24 2021-08-31 华侨大学 基于rnn、注意力机制的新闻推荐方法及主题表征方法
CN109740160B (zh) * 2018-12-31 2022-11-25 浙江成功软件开发有限公司 一种基于人工智能语义分析的任务发布方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829775A (zh) * 2018-12-03 2019-05-31 苏州大学 一种物品推荐方法、装置、设备及可读存储介质
CN109754317A (zh) * 2019-01-10 2019-05-14 山东大学 融合评论的可解释性服装推荐方法、系统、设备及介质
CN110008409A (zh) * 2019-04-12 2019-07-12 苏州市职业大学 基于自注意力机制的序列推荐方法、装置及设备
CN110162703A (zh) * 2019-05-13 2019-08-23 腾讯科技（深圳）有限公司 内容推荐方法、训练方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Min Shi ; yufei tang ; Jianxun Liu ; .Functional and Contextual Attention-Based LSTM for Service Recommendation in Mashup Creation. IEEE Transactions on Parallel and Distributed Systems.2018,第1077-1090页. *
张全贵 ; 张新新 ; 李志强 ; .基于注意力机制的音乐深度推荐算法.计算机应用研究.2019,第2297-2299+2304页. *

Also Published As

Publication number Publication date
CN111046286A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111046286B (zh) 一种对象推荐方法、装置、以及计算机存储介质
CN108446374B (zh) 用户意图预测方法、装置、电子设备、存储介质
CN109063163B (zh) 一种音乐推荐的方法、装置、终端设备和介质
CN112632385A (zh) 课程推荐方法、装置、计算机设备及介质
CN111680219A (zh) 内容推荐方法、装置、设备及可读存储介质
CN111090756B (zh) 基于人工智能的多目标推荐模型的训练方法及装置
CN113392359A (zh) 多目标预测方法、装置、设备及存储介质
CN108875090B (zh) 一种歌曲推荐方法、装置和存储介质
CN111966914A (zh) 基于人工智能的内容推荐方法、装置和计算机设备
CN111506820B (zh) 推荐模型、方法、装置、设备及存储介质
CN112052387A (zh) 一种内容推荐方法、装置和计算机可读存储介质
CN113590876A (zh) 一种视频标签设置方法、装置、计算机设备及存储介质
US11809505B2 (en) Method for pushing information, electronic device
CN111460290A (zh) 信息的推荐方法、装置、设备和存储介质
CN111708948A (zh) 内容项推荐方法、装置、服务器及计算机可读存储介质
CN115885297A (zh) 可区分用户-项目协同聚类
CN112364184A (zh) 多媒体数据的排序方法、装置、服务器及存储介质
CN113032676B (zh) 基于微反馈的推荐方法和系统
CN111291564B (zh) 一种用于词向量获取的模型训练方法、装置和存储介质
CN116401522A (zh) 一种金融服务动态化推荐方法和装置
CN112905885B (zh) 向用户推荐资源的方法、装置、设备、介质和程序产品
CN109933793A (zh) 文本极性识别方法、装置、设备及可读存储介质
Zhang et al. Image tweet popularity prediction with convolutional neural network
CN114817692A (zh) 确定推荐对象的方法、装置和设备及计算机存储介质
KR20190108958A (ko) 유해단어 어휘목록 자동 생성과 기계학습을 이용한 청소년 유해가사 자동 분류 방법 및 장치

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40022597

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant