CN111125528A - 信息推荐方法及装置 - Google Patents

Abstract

本发明实施例公开了一种信息推荐方法及装置，包括：获取待向目标用户推荐的多个目标文档；提取所述目标用户的用户特征以及各目标文档的文档特征；将所述用户特征和各文档特征输入至预设的至少一个适配模型中，计算所述各目标文档和目标用户之间的匹配度，其中，所述适配模型为预先训练至收敛状态，用于进行特征匹配度计算的算法模型；基于所述匹配度，生成各目标文档的推荐策略。通过匹配度计算筛选目标文档与目标用户之间的契合度较高的文档进行推荐，提高了推荐文档与用户之间的契合度，使推荐文档更加容易被用户接受，进而提高了推荐文档的阅读率。

Description

信息推荐方法及装置

技术领域

本发明实施例涉及信息推送领域，尤其是一种信息推荐方法及装置。

背景技术

信息推荐，就是"web广播"，是通过一定的技术标准或协议，在互联网上通过定期传送用户需要的信息来减少信息过载的一项新技术。推送技术通过自动传送信息给用户，来减少用于网络上搜索的时间。它根据用户的兴趣来搜索、过滤信息，并将其定期推给用户，帮助用户高效率地发掘有价值的信息。

现有技术中，对于信息的推荐，一般基于用户画像或者用户历史浏览的数据进行推荐。本发明创造的发明人在研究中发现，通过用户画像和点击率进行信息推荐的方法，使推荐信息与用户之间的契合度不足，导致推荐信息的阅读率较低。

发明内容

本发明实施例提一种能够根据用户特征和文档特征之间匹配度的信息推荐方法及装置。

第一方面，提供一种信息推荐方法，包括：

获取待向目标用户推荐的多个目标文档；

提取所述目标用户的用户特征以及各目标文档的文档特征；

将所述用户特征和各文档特征输入至预设的至少一个适配模型中，计算所述各目标文档和目标用户之间的匹配度，其中，所述适配模型为预先训练至收敛状态，用于进行特征匹配度计算的算法模型；

基于所述匹配度，生成各目标文档的推荐策略。

可选地，所述获取待向目标用户推荐的多个目标文档包括：

根据预设的检测规则获取索引信息；

以所述索引信息为限定条件，在预设的文档数据库中进行检索得到多个召回文档；

根据预设的过滤规则对所述多个召回文档进行筛选生成所述多个目标文档。

可选地，所述过滤规则为删除已推荐的召回文档，所述根据预设的过滤规则对所述多个召回文档进行筛选生成所述多个目标文档包括：

获取所述目标用户的历史推荐信息；

基于所述历史推荐信息，确定所述多个召回文档中的已推荐文档；

将所述已推荐文档删除生成所述多个目标文档。

可选地，所述用户特征包括身份特征和行为特征，所述提取所述目标用户的用户特征包括：

获取所述目标用户的身份信息和行为信息；

将所述身份信息和行为信息分别输入至预设的第一分类模型和第一聚类模型中，其中，所述第一分类模型为预选训练至收敛状态，用于对身份信息进行特征提取的神经网络模型，所述第一聚类模型为预先训练至收敛状态，用于对行为信息进行特征聚类的神经网络模型；

读取所述第一分类模型输出的身份特征和所述第一聚类模型输出的行为特征。

可选地，所述文档特征包括文档分类特征和文档聚类特征，所述提取各目标文档的文档特征包括：

将所述各目标文档输入至预设的第二分类模型和第二聚类模型中，其中，所述所述第二分类模型为预选训练至收敛状态，用于对文档信息进行特征提取的神经网络模型，所述第二聚类模型为预先训练至收敛状态，用于对文档信息进行特征聚类的神经网络模型；

读取所述第二分类模型输出的文档分类特征和所述第二聚类模型输出的文档聚类特征。

可选地，所述生成各目标文档的推荐策略包括：

获取所述各适配模型预设的权重值；

基于所述各适配模型的权重值和匹配度，计算所述各目标文档和目标用户之间的加权匹配度；

根据所述加权匹配度生成各目标文档的推荐策略。

可选地，所述适配模型的数量为四个，各适配模型的模型种类不同。

第二方面，提供一种信息推荐装置，包括：

获取模块，用于获取待向目标用户推荐的多个目标文档；

提取模块，用于提取所述目标用户的用户特征以及各目标文档的文档特征；

处理模块，用于将所述用户特征和各文档特征输入至预设的至少一个适配模型中，计算所述各目标文档和目标用户之间的匹配度，其中，所述适配模型为预先训练至收敛状态，用于进行特征匹配度计算的算法模型；

执行模块，用于基于所述匹配度，生成各目标文档的推荐策略。

可选地，所述信息推荐装置还包括：

第一获取子模块，用于根据预设的检测规则获取索引信息；

第一处理子模块，用于以所述索引信息为限定条件，在预设的文档数据库中进行检索得到多个召回文档；

第一执行子模块，用于根据预设的过滤规则对所述多个召回文档进行筛选生成所述多个目标文档。

可选地，所述过滤规则为删除已推荐的召回文档，所述信息推荐装置还包括：

第二获取子模块，用于获取所述目标用户的历史推荐信息；

第二处理子模块，用于基于所述历史推荐信息，确定所述多个召回文档中的已推荐文档；

第二执行子模块，用于将所述已推荐文档删除生成所述多个目标文档。

可选地，所述用户特征包括身份特征和行为特征，所述信息推荐装置还包括：

第三获取子模块，用于获取所述目标用户的身份信息和行为信息；

第三处理子模块，用于将所述身份信息和行为信息分别输入至预设的第一分类模型和第一聚类模型中，其中，所述第一分类模型为预选训练至收敛状态，用于对身份信息进行特征提取的神经网络模型，所述第一聚类模型为预先训练至收敛状态，用于对行为信息进行特征聚类的神经网络模型；

第三执行子模块，用于读取所述第一分类模型输出的身份特征和所述第一聚类模型输出的行为特征。

可选地，所述文档特征包括文档分类特征和文档聚类特征，所述信息推荐装置还包括：

第四处理子模块，用于将所述各目标文档输入至预设的第二分类模型和第二聚类模型中，其中，所述所述第二分类模型为预选训练至收敛状态，用于对文档信息进行特征提取的神经网络模型，所述第二聚类模型为预先训练至收敛状态，用于对文档信息进行特征聚类的神经网络模型；

第四执行子模块，用于读取所述第二分类模型输出的文档分类特征和所述第二聚类模型输出的文档聚类特征。

可选地，所述信息推荐装置还包括：

第四获取子模块，用于获取所述各适配模型预设的权重值；

第五处理子模块，用于基于所述各适配模型的权重值和匹配度，计算所述各目标文档和目标用户之间的加权匹配度；

第五执行子模块，用于根据所述加权匹配度生成各目标文档的推荐策略。

可选地，所述适配模型的数量为四个，各适配模型的模型种类不同。

第三方面，提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述信息推荐方法的步骤。

第四方面，提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述信息推荐方法的步骤。

本发明实施例的有益效果是：通过对目标文档的特征进行提取，生成表征目标文档内容的文档特征，将文档特征与预存储的用户特征进行适配，通过适配模型对目标文档和目标用户之间的匹配度进行计算，根据计算得到的匹配度生成目标文档的推荐策略。通过匹配度计算筛选目标文档与目标用户之间的契合度较高的文档进行推荐，提高了推荐文档与用户之间的契合度，使推荐文档更加容易被用户接受，进而提高了推荐文档的阅读率。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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为本发明实施例信息推荐方法的基本流程示意图；

图2为本发明实施例获取多个目标文档的流程示意图；

图3为本发明实施例排查已推荐文档的流程示意图；

图4为本发明实施例提取身份特征和行为特征的流程示意图；

图5为本发明实施例提取文档分类特征和文档聚类特征的流程示意图；

图6为本发明实施例通过加权匹配度确定推送策略的流程示意图；

图7为本发明实施例信息推荐装置基本结构示意图；

图8为本发明实施例电子设备基本结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

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，本领域技术人员在没有作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。

本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

具体请参阅图1，图1为本实施例信息推荐方法的基本流程示意图。

如图1所示，一种信息推荐方法，包括：

S1100、获取待向目标用户推荐的多个目标文档；

在向目标用户发送推荐文档之前，需要在预设的文档数据库中查找到预推送的目标文档。文档数据库为平台自建数据库，但是文档数据库不局限于此，根据具体应用场景的不同，在一些实施方式中，文档数据库能够为外网数据库。

目标文档是指记载有文字信息、图片信息、音频信息或者视频信息中至少一种类型信息的页面。能够为(不限于)：微博、新闻、帖子或者文学作品。

预推送的目标文档需要通过召回的方式获取，召回的方式为：通过用户关注的作者进行召回，例如，以用户关注的作者账户为检索关键字进行召回检索得到预推送的目标文档。但是预推送的目标文档的召回方式不局限于此，根据具体应用场景的不同，在一些实施方式中，召回方式为(不限于)：根据用户历史浏览痕迹进行召回、根据用户关注的内容板块进行同类型板块文档召回、根据用户的标签进行召回、根据用户历史阅读文档进行内容协同召回、根据已有的用户标签进行召回、根据与用户同类型的其他用户阅读内容进行文档召回、根据历史点击率召回点击率超过阈值的文档或者根据各文档的热度召回热度超过阈值的所有文档。

S1200、提取所述目标用户的用户特征以及各目标文档的文档特征；

本实施方式中，目标用户为平台或者服务器端进行文档推荐的个人或者群体。目标用户具有与其对应的用户特征，用户特征为用户的用户画像，但是，用户特征不局限于此，根据具体应用场景的不同，在一些实施方式中，用户特征还包括：根据用户的日常行为习惯提取到的环境特征，例如，用户阅读的时间段分布特征、根据用户阅读历史提取的阅读兴趣信息以及根据同类型用户分析得到的共性特征等。在一些实施方式中，用户特征为根据用户的身份信息，通过神经网络模型提取到的身份特征和行为特征。

目标文档的文档特征为目标文档的标签信息，例如，讲述母子子孝的目标文档，其标签信息包括：“家庭”、“父母”、“子女”、“感恩”和“和谐”等标签。但是，目标文档的文档特征不局限于此，根据具体应用场景的不同，在一些实施方式中，目标文档中的稳当特征是通过神经网络模型提取到的文档分类特征和文档聚类特征。

S1300、将所述用户特征和各文档特征输入至预设的至少一个适配模型中，计算所述各目标文档和目标用户之间的匹配度，其中，所述适配模型为预先训练至收敛状态，用于进行特征匹配度计算的算法模型；

将提取得到的用户特征和各文档特征输入至预设的适配模型中，适配模型为预先训练至收敛状态，用于进行特征匹配度计算的算法模型，因此，通过适配模型能够得到用户特征和各文档特征之间的匹配度。

适配模型为预先训练至收敛用于对输入图像进行场景分类的神经网络模型。本实施方式中，适配模型为是卷积神经网络模型(CNN)，但是适配模型还能够是：深度神经网络模型(DNN)、循环神经网络模型(RNN)或者上述三种网络模型的变形模型。

适配模型在训练时，通过采集大量的用户特征和文档特征进行标注，即标注用户特征和文档特征之间的匹配度，然后，将标注的用户特征和文档特征作为训练集对初始化的神经网络模型进行训练，使神经网络模型学习到不同用户特征和文档特征与匹配度之间的映射关系。通过反复的迭代训练，训练至收敛的神经网络模型就成为本实施例的适配模型，适配模型能够快速准确的确定出用户特征和文档特征之间的匹配度。

用户特征和文档特征之间的匹配度，即目标文档和目标用户之间的匹配度。

适配模型设置有多个分类类型，用于表征不同文档特征和用户特征之间的匹配度。例如，0％、30％、70％和90％等四个分类类型，四个分类类型对应不同的匹配度。但是，适配模型的分类类型设置不局限于此，根据具体应用场景的不同，分类类型的跨度能够更大或者更小。

在一些实施方式中，适配模型的数量为四个，且每个适配模型的模型种类不同。例如，四个模型分别为：FTRL(Follow The Regularized Leader)模型、FM(FactorizationMachine)模型、DFM(Dimensional Fact Model)模型和DCN(Deep&Cross Network)模型。但是适配模型的数量不局限于此，根据具体应用场景的不同，适配模型的数量能够为：1个、2个、3个或者更多个。

多个模型同时对一组用户特征和文档特征进行运算，能够得到多个匹配度，然后，通过加权或者求取平均值的方法计算最终的匹配度。由于，不同算法模型在计算时考量的特征之间关系的视角不同，结合多个适配模型计算得到的结果更加准确，能够提高用户体验。

S1400、基于所述匹配度，生成各目标文档的推荐策略。

根据适配模型输出的各文档特征与用户特征之间的匹配度，生成目标文档的推荐策略。由于，目标文档的数量较多时，每一件目标文档不能都推送至目标用户的账户或者终端，因此，推荐的目标文档与目标用户之间的匹配度需要设置阈值，推荐策略为：将匹配度大于设定阈值的目标文档设置为推荐文档，将配度小于等于设定阈值的目标文档设置为不推荐文档。

在一些实施方式中，推荐策略为：推荐匹配度数值最高的10件目标文档设置为推荐文档。推荐文档的数量不局限于此，能够根据具体的应用场景进行设定。

上述实施方式中，通过对目标文档的特征进行提取，生成表征目标文档内容的文档特征，将文档特征与预存储的用户特征进行适配，通过适配模型对目标文档和目标用户之间的匹配度进行计算，根据计算得到的匹配度生成目标文档的推荐策略。通过匹配度计算筛选目标文档与目标用户之间的契合度较高的文档进行推荐，提高了推荐文档与用户之间的契合度，使推荐文档更加容易被用户接受，进而提高了推荐文档的阅读率。

在一些实施方式中，在对目标用户进行文档推荐时，需要根据预设的召回规则进行初步召回。请参阅图2，图2为本实施例获取多个目标文档的流程示意图。

如图2所示，S1100包括：

S1111、根据预设的检测规则获取索引信息；

本实施方式中，预设有检索规则，检索规则的作用在于确定以什么关键字进行检索，每一种检索规则均对应一种召回方式。

召回的方式为：通过用户关注的作者进行召回，例如，以用户关注的作者账户为检索关键字进行召回检索得到预推送的目标文档。但是预推送的目标文档的召回方式不局限于此，根据具体应用场景的不同，在一些实施方式中，召回方式为(不限于)：根据用户历史浏览痕迹进行召回、根据用户关注的内容板块进行同类型板块文档召回、根据用户的标签进行召回、根据用户历史阅读文档进行内容协同召回、根据已有的用户标签进行召回、根据与用户同类型的其他用户阅读内容进行文档召回、根据历史点击率召回点击率超过阈值的文档或者根据各文档的热度召回热度超过阈值的所有文档。

每一种召回方式均对应一种检索规则。例如，通过用户关注的作者进行召回的方式中，将用户关注的作者账户作为索引信息。索引信息即检索使用的关键字或者关键字组成的检索式。

S1112、以所述索引信息为限定条件，在预设的文档数据库中进行检索得到多个召回文档；

获取到与当前召回方式对应的索引信息后，以索引信息为检索条件在文档数据库中进行检索。文档数据库为平台自建数据库，但是文档数据库不局限于此，根据具体应用场景的不同，在一些实施方式中，文档数据库能够为外网数据库。通过检索得到的文档为召回文档。

S1113、根据预设的过滤规则对所述多个召回文档进行筛选生成所述多个目标文档。

由于，检索得到的找回文件中存在已经推荐过的文档、目标用户已经阅读过的文档以及不符合相关法规的文档，因此，需要对召回的文档进行过滤。

过滤的方式为，通过预设的过滤规则进行过滤。具体地，针对于已经推荐过的文档，过滤规则为：通过查阅历史数据中已经推荐文档的文档信息，将上述已经推荐文档进行删除。针对用户已经阅读过的文档，过滤规则为：通过查阅历史数据中用户已经阅读文档的文档信息，将上述已经阅读的文档进行删除。针对于不符合相关法规的文档，通过构建的黑名单，将黑名单中的记载的文档或者具有对应关键字的文档进行删除。

在一些实施方式中，针对于已推荐的文档，需要将已推荐文档进行删除。请参阅图3，图3为本实施例排查已推荐文档的流程示意图。

如图3所示，S1113包括：

S1121、获取所述目标用户的历史推荐信息；

为记录目标用户的历史推荐文档，为每一个用户建立一个历史推荐信息，历史推荐信息中记载当前时刻之前已经向用户推荐的所有文档的信息。

S1122、基于所述历史推荐信息，确定所述多个召回文档中的已推荐文档；

基于目标用户的历史推荐信息，确定多个召回文档中的已推荐文档。具体地，通过在历史推荐信息，确定多个召回文档中的文档名称是否记录在历史推荐信息中，以此，确定多个召回文档中的是否存在已推荐文档。

S1123、将所述已推荐文档删除生成所述多个目标文档。

通过历史推荐信息确定多个召回文档中存在已推荐文档时，将已推荐文档从召回文档中间删除，删除已推荐文档文档后的召回文档组成多个目标文档，目标文档为预备向目标用户进行推荐的文档。

通过对已经推荐过的已推荐文档进行排查删除，防止向用户重复推荐，提高用户的满意度。

在一些实施方式中，为尽可能的从不同的维度获取用户特征，提高匹配的准确度，需要通过两种模型对用户的特征进行提取。请参阅图4，图4为本实施例提取身份特征和行为特征的流程示意图。

如图4所示，S1200包括：

S1211、获取所述目标用户的身份信息和行为信息；

在对提取用户特征之前，需要获取目标用户的身份信息，身份信息包括目标用户早平台上注册的实际身份信息。行为信息包括用户历史浏览记录、阅读时间段、不同时间段内的阅读文档类型、阅读地点信息和用户关注的账户信息等。上述身份信息和行为信息均通过目标用户的账户进行收集。

S1212、将所述身份信息和行为信息分别输入至预设的第一分类模型和第一聚类模型中，其中，所述第一分类模型为预选训练至收敛状态，用于对身份信息进行特征提取的神经网络模型，所述第一聚类模型为预先训练至收敛状态，用于对行为信息进行特征聚类的神经网络模型；

本实施方式中，设置有第一分类模型和第一聚类模型，其中，第一分类模型为预选训练至收敛状态，用于对身份信息进行特征提取的神经网络模型。第一聚类模型为预先训练至收敛状态，用于对行为信息进行特征聚类的神经网络模型。

第一分类模型为预先训练至收敛用于对输入图像进行场景分类的神经网络模型。本实施方式中，第一分类模型为是卷积神经网络模型(CNN)，但是第一分类模型还能够是：深度神经网络模型(DNN)、循环神经网络模型(RNN)或者上述三种网络模型的变形模型。

第一分类模型被训练用于对目标用户的性格、年龄和性别进行分类。

第一聚类模型为CFSFDP(Clustering by fast search and find of densitypeaks)聚类模型。但不局限于此，第一聚类模型能够为任意无监督神经网络模型。

第一聚类模型通过对大量的用户信息进行聚类，将同类型的数据进行分层聚类形成聚类核，每一个聚类核表示一种标签，将用户身份信息输入至第一聚类模型后，分层次的对用户身份信息进行标签标记，该标签标记就是第一聚类模型输出的聚类特征。

第一聚类模型被训练用于对目标用户的性格、喜好、阅读时间和阅读环境和阅读地点等特征进行提取。

S1213、读取所述第一分类模型输出的身份特征和所述第一聚类模型输出的行为特征。

读取第一分类模型输出的身份特征和第一聚类模型输出的行为特征，并将上述身份特征和行为特征进行存储。为方便后续读取使用，在一些实施方式中，将目标用户的用户账户与身份特征和行为特征进行关联存储。在一些实施方式中，对于上述身份特征和行为特征进行合并。

用户的行为特征能够表示用户的阅读习惯及阅读环境，例如，目标用户喜欢在不同地点或者不同时间段阅读不停类型的文档，同样与用户匹配度较高的目标文档，在不同的时间段被用户阅读的几率不同，只有在对应的时间段发送正确类型的目标文档，该目标文档被阅读的几率才会最高。因此，行为特征的提取能够增加目标文档的阅读率。

通过双模型分别对用户的身份特征和行为特征进行提取，能够为适配模型提供更多不同维度的特征元素，使匹配结果更加准确。

在一些实施方式中，为尽可能的从不同的维度获取文档特征，提高匹配的准确度，需要通过两种模型对用户的特征进行提取。请参阅图5，图5为本实施例提取文档分类特征和文档聚类特征的流程示意图。

如图5所示，S1200包括：

S1221、将所述各目标文档输入至预设的第二分类模型和第二聚类模型中，其中，所述所述第二分类模型为预选训练至收敛状态，用于对文档信息进行特征提取的神经网络模型，所述第二聚类模型为预先训练至收敛状态，用于对文档信息进行特征聚类的神经网络模型；

本实施方式中，设置有第二分类模型和第二聚类模型，其中，第二分类模型为预选训练至收敛状态，用于对目标文档进行特征提取的神经网络模型。第二聚类模型为预先训练至收敛状态，用于对目标文档进行特征聚类的神经网络模型。

第二分类模型为预先训练至收敛用于对输入图像进行场景分类的神经网络模型。本实施方式中，第二分类模型为是卷积神经网络模型(CNN)，但是第二分类模型还能够是：深度神经网络模型(DNN)、循环神经网络模型(RNN)或者上述三种网络模型的变形模型。

第二分类模型被训练用于对目标文档中的文档中的高频关键字特征、文档类型特征和文档情感特征进行提取。第二分类模型具体提取的特征类型能够根据不同应用场景的实际需求进行设置，不应当局限于上述举例的范围。

第二聚类模型为CFSFDP(Clustering by fast search and find of densitypeaks)聚类模型。但不局限于此，第二聚类模型能够为任意无监督神经网络模型。

第二聚类模型通过对大量的文档进行聚类，将同类型的数据进行分层聚类形成聚类核，每一个聚类核表示一种文档标签，将目标文档输入至第二聚类模型后，分层次的对目标文档进行标签标记，该标签标记就是第二聚类模型输出的聚类特征。

第二聚类模型被训练用于对目标文档的文档类型、文档中与文档类型相关的高频关键字、目标文档的细分类型和文档长度的等特征进行提取。第二聚类模型具体提取的特征类型能够根据不同应用场景的实际需求进行设置，不应当局限于上述举例的范围。

S1222、读取所述第二分类模型输出的文档分类特征和所述第二聚类模型输出的文档聚类特征。

读取第二分类模型输出的文档分类特征和第二聚类模型输出的文档聚类特征，并将上述文档分类特征和文档聚类特征进行存储。为方便后续读取使用，在一些实施方式中，将目标用户的用户账户与文档分类特征和文档聚类特征进行关联存储。在一些实施方式中，对于上述文档分类特征和文档聚类特征进行合并。

通过双模型分别对目标文档的文档分类特征和文档聚类特征进行提取，能够为适配模型提供更多不同维度的特征元素，使匹配结果更加准确。

在一些实施方式中，当适配模型为多个时，需要通过加权计算的方式得到加权匹配度。请参阅图6，图6为本实施例通过加权匹配度确定推送策略的流程示意图。

如图6所示，S1400包括：

S1411、获取所述各适配模型预设的权重值；

本实施方式中，各个适配模型均设置有对应的权重值，每个适配模型的权重值根据历史数据进行确定，通过反复调整后确定。每个适配模型均与其对应的权重值进行关联存储，通过适配模型就能够获取到对应的权重值。

S1412、基于所述各适配模型的权重值和匹配度，计算所述各目标文档和目标用户之间的加权匹配度；

根据各个适配模型的权重值以及每一组匹配值计算目标文档和目标用户之间的加权匹配度。具体地，假设设置有四个适配模型，每个适配模型的权重值分别为t1、t2、t3和t4，每个适配模型对于同一组用户特征和文档特征输出的匹配度分别为w1、w2、w3和w4，则最终加权匹配度＝t1*w1+t2*w2+t3*w3+t4*w4；(t1+t2+t3+t4＝1)。

S1413、根据所述加权匹配度生成各目标文档的推荐策略。

根据加权得到的加权匹配度生成各目标文档的推荐策略。推荐策略为：将加权匹配度大于设定阈值的目标文档设置为推荐文档，将配度小于等于设定阈值的目标文档设置为不推荐文档。

在一些实施方式中，推荐策略为：推荐加权匹配度数值最高的10件目标文档设置为推荐文档。推荐文档的数量不局限于此，能够根据具体的应用场景进行设定。

多个模型同时对一组用户特征和文档特征进行运算，能够得到多个匹配度，然后，通过加权方法计算最终的匹配度。由于，不同算法模型在计算时考量的特征之间关系的视角不同，结合多个适配模型计算得到的结果更加准确，能够提高用户体验。

具体请参阅图7，图7为本实施例信息推荐装置基本结构示意图。

如图7所示，一种信息推荐装置，包括：获取模块2100、提取模块2200、处理模块2300和执行模块2400。其中，获取模块2100用于获取待向目标用户推荐的多个目标文档；提取模块2200用于提取目标用户的用户特征以及各目标文档的文档特征；处理模块2300用于将用户特征和各文档特征输入至预设的至少一个适配模型中，计算各目标文档和目标用户之间的匹配度，其中，适配模型为预先训练至收敛状态，用于进行特征匹配度计算的算法模型；执行模块2400用于基于匹配度，生成各目标文档的推荐策略。

在一些实施方式中，信息推荐装置还包括：第一获取子模块、第一处理子模块和第一执行子模块。其中，第一获取子模块用于根据预设的检测规则获取索引信息；第一处理子模块用于以索引信息为限定条件，在预设的文档数据库中进行检索得到多个召回文档；第一执行子模块用于根据预设的过滤规则对多个召回文档进行筛选生成多个目标文档。

在一些实施方式中，过滤规则为删除已推荐的召回文档，信息推荐装置还包括：第二获取子模块、第二处理子模块和第二执行子模块。其中，第二获取子模块用于获取目标用户的历史推荐信息；第二处理子模块用于基于历史推荐信息，确定多个召回文档中的已推荐文档；第二执行子模块用于将已推荐文档删除生成多个目标文档。

在一些实施方式中，用户特征包括身份特征和行为特征，信息推荐装置还包括：第三获取子模块、第三处理子模块和第三执行子模块。其中，第三获取子模块用于获取目标用户的身份信息和行为信息；第三处理子模块用于将身份信息和行为信息分别输入至预设的第一分类模型和第一聚类模型中，其中，第一分类模型为预选训练至收敛状态，用于对身份信息进行特征提取的神经网络模型，第一聚类模型为预先训练至收敛状态，用于对行为信息进行特征聚类的神经网络模型；第三执行子模块用于读取第一分类模型输出的身份特征和第一聚类模型输出的行为特征。

在一些实施方式中，文档特征包括文档分类特征和文档聚类特征，信息推荐装置还包括：第四处理子模块和第四执行子模块。其中，第四处理子模块用于将各目标文档输入至预设的第二分类模型和第二聚类模型中，其中，第二分类模型为预选训练至收敛状态，用于对文档信息进行特征提取的神经网络模型，第二聚类模型为预先训练至收敛状态，用于对文档信息进行特征聚类的神经网络模型；第四执行子模块用于读取第二分类模型输出的文档分类特征和第二聚类模型输出的文档聚类特征。

在一些实施方式中，信息推荐装置还包括：第四获取子模块、第五处理子模块和第五执行子模块。其中，第四获取子模块用于获取各适配模型预设的权重值；第五处理子模块用于基于各适配模型的权重值和匹配度，计算各目标文档和目标用户之间的加权匹配度；第五执行子模块用于根据加权匹配度生成各目标文档的推荐策略。

在一些实施方式中，适配模型的数量为四个，各适配模型的模型种类不同。

在一个可选实施例中提供了一种电子设备，如图8所示，图8所示的电子设备6000包括：处理器6001和存储器6003。其中，处理器6001和存储器6003相连，如通过总线6002相连。可选地，电子设备6000还可以包括收发器6004。需要说明的是，实际应用中收发器6004不限于一个，该电子设备6000的结构并不构成对本申请实施例的限定。

处理器6001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器6001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线6002可包括一通路，在上述组件之间传送信息。总线6002可以是PCI总线或EISA总线等。总线6002可以分为地址总线、数据总线、控制总线等。为便于表示，图8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。

存储器6003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器6003用于存储执行本申请方案的应用程序代码，并由处理器6001来控制执行。处理器6001用于执行存储器6003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。

其中，电子设备包括但不限于：移动电话、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)、车载终端(例如车载导航终端)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。

本申请的又一实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与现有技术相比，在本发明实施例中，获取当前用户界面展示的信息，当识别到信息中存在实体时，获取实体对应的实体信息，并建立实体信息与实体的关联关系，以及标记实体，并向用户展示标记信息；其中，所述标记信息包括标记所述实体后的信息。这样，在用户浏览信息时，可以自动对信息中的实体进行识别并标记，使得用户能够清楚地观看到信息中的实体，提升了用户的观看体验。

同时在用户无感知的情况下，还可以获取该实体对应的实体信息，这样，当用户点击了任一实体时，即可为用户展示该实体对应的实体信息，不需要用户通过繁琐的过程自行检索，提升了用户的检索体验，从而提升了用户的整体阅读体验。

本申请公开了A1、一种信息推荐方法，包括：

获取待向目标用户推荐的多个目标文档；

提取所述目标用户的用户特征以及各目标文档的文档特征；

将所述用户特征和各文档特征输入至预设的至少一个适配模型中，计算所述各目标文档和目标用户之间的匹配度，其中，所述适配模型为预先训练至收敛状态，用于进行特征匹配度计算的算法模型；

基于所述匹配度，生成各目标文档的推荐策略。

A2、根据A1所述的信息推荐方法方法，所述获取待向目标用户推荐的多个目标文档包括：

根据预设的检测规则获取索引信息；

以所述索引信息为限定条件，在预设的文档数据库中进行检索得到多个召回文档；

根据预设的过滤规则对所述多个召回文档进行筛选生成所述多个目标文档。

A3、根据A2所述的信息推荐方法方法，所述过滤规则为删除已推荐的召回文档，所述根据预设的过滤规则对所述多个召回文档进行筛选生成所述多个目标文档包括：

获取所述目标用户的历史推荐信息；

基于所述历史推荐信息，确定所述多个召回文档中的已推荐文档；

将所述已推荐文档删除生成所述多个目标文档。

A4、根据A1所述的信息推荐方法方法，所述用户特征包括身份特征和行为特征，所述提取所述目标用户的用户特征包括：

获取所述目标用户的身份信息和行为信息；

将所述身份信息和行为信息分别输入至预设的第一分类模型和第一聚类模型中，其中，所述第一分类模型为预选训练至收敛状态，用于对身份信息进行特征提取的神经网络模型，所述第一聚类模型为预先训练至收敛状态，用于对行为信息进行特征聚类的神经网络模型；

读取所述第一分类模型输出的身份特征和所述第一聚类模型输出的行为特征。

A5、根据A1所述的信息推荐方法方法，所述文档特征包括文档分类特征和文档聚类特征，所述提取各目标文档的文档特征包括：

将所述各目标文档输入至预设的第二分类模型和第二聚类模型中，其中，所述所述第二分类模型为预选训练至收敛状态，用于对文档信息进行特征提取的神经网络模型，所述第二聚类模型为预先训练至收敛状态，用于对文档信息进行特征聚类的神经网络模型；

读取所述第二分类模型输出的文档分类特征和所述第二聚类模型输出的文档聚类特征。

A6、根据A1所述的信息推荐方法方法，所述生成各目标文档的推荐策略包括：

获取所述各适配模型预设的权重值；

基于所述各适配模型的权重值和匹配度，计算所述各目标文档和目标用户之间的加权匹配度；

根据所述加权匹配度生成各目标文档的推荐策略。

A7、根据A1-A6任意一项所述的信息推荐方法方法，所述适配模型的数量为四个，各适配模型的模型种类不同。

本申请还公开了B1、一种信息推荐装置，包括：

获取模块，用于获取待向目标用户推荐的多个目标文档；

提取模块，用于提取所述目标用户的用户特征以及各目标文档的文档特征；

处理模块，用于将所述用户特征和各文档特征输入至预设的至少一个适配模型中，计算所述各目标文档和目标用户之间的匹配度，其中，所述适配模型为预先训练至收敛状态，用于进行特征匹配度计算的算法模型；

执行模块，用于基于所述匹配度，生成各目标文档的推荐策略。

B2、根据B1所述的信息推荐装置，所述信息推荐装置还包括：

第一获取子模块，用于根据预设的检测规则获取索引信息；

第一处理子模块，用于以所述索引信息为限定条件，在预设的文档数据库中进行检索得到多个召回文档；

第一执行子模块，用于根据预设的过滤规则对所述多个召回文档进行筛选生成所述多个目标文档。

B3、根据B2所述的信息推荐装置，所述过滤规则为删除已推荐的召回文档，所述信息推荐装置还包括：

第二获取子模块，用于获取所述目标用户的历史推荐信息；

第二处理子模块，用于基于所述历史推荐信息，确定所述多个召回文档中的已推荐文档；

第二执行子模块，用于将所述已推荐文档删除生成所述多个目标文档。

B4、根据B1所述的信息推荐装置，所述用户特征包括身份特征和行为特征，所述信息推荐装置还包括：

第三获取子模块，用于获取所述目标用户的身份信息和行为信息；

第三处理子模块，用于将所述身份信息和行为信息分别输入至预设的第一分类模型和第一聚类模型中，其中，所述第一分类模型为预选训练至收敛状态，用于对身份信息进行特征提取的神经网络模型，所述第一聚类模型为预先训练至收敛状态，用于对行为信息进行特征聚类的神经网络模型；

第三执行子模块，用于读取所述第一分类模型输出的身份特征和所述第一聚类模型输出的行为特征。

B5、根据B1所述的信息推荐装置，所述文档特征包括文档分类特征和文档聚类特征，所述信息推荐装置还包括：

第四处理子模块，用于将所述各目标文档输入至预设的第二分类模型和第二聚类模型中，其中，所述所述第二分类模型为预选训练至收敛状态，用于对文档信息进行特征提取的神经网络模型，所述第二聚类模型为预先训练至收敛状态，用于对文档信息进行特征聚类的神经网络模型；

第四执行子模块，用于读取所述第二分类模型输出的文档分类特征和所述第二聚类模型输出的文档聚类特征。

B6、根据B1所述的信息推荐装置，所述信息推荐装置还包括：

第四获取子模块，用于获取所述各适配模型预设的权重值；

第五处理子模块，用于基于所述各适配模型的权重值和匹配度，计算所述各目标文档和目标用户之间的加权匹配度；

第五执行子模块，用于根据所述加权匹配度生成各目标文档的推荐策略。

B7、根据B1-B6任意一项所述的信息推荐装置，所述适配模型的数量为四个，各适配模型的模型种类不同。

本申请还公开了C1、一种电子设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求A1-A7中任一项权利要求所述信息推荐方法的步骤。

本申请还公开了D1、一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求A1-A7中任一项权利要求所述信息推荐方法的步骤。

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。

以上仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种信息推荐方法，其特征在于，包括：

获取待向目标用户推荐的多个目标文档；

提取所述目标用户的用户特征以及各目标文档的文档特征；

将所述用户特征和各文档特征输入至预设的至少一个适配模型中，计算所述各目标文档和目标用户之间的匹配度，其中，所述适配模型为预先训练至收敛状态，用于进行特征匹配度计算的算法模型；

基于所述匹配度，生成各目标文档的推荐策略。

2.根据权利要求1所述的信息推荐方法，其特征在于，所述获取待向目标用户推荐的多个目标文档包括：

根据预设的检测规则获取索引信息；

以所述索引信息为限定条件，在预设的文档数据库中进行检索得到多个召回文档；

根据预设的过滤规则对所述多个召回文档进行筛选生成所述多个目标文档。

3.根据权利要求2所述的信息推荐方法，其特征在于，所述过滤规则为删除已推荐的召回文档，所述根据预设的过滤规则对所述多个召回文档进行筛选生成所述多个目标文档包括：

获取所述目标用户的历史推荐信息；

基于所述历史推荐信息，确定所述多个召回文档中的已推荐文档；

将所述已推荐文档删除生成所述多个目标文档。

4.根据权利要求1所述的信息推荐方法，其特征在于，所述用户特征包括身份特征和行为特征，所述提取所述目标用户的用户特征包括：

获取所述目标用户的身份信息和行为信息；

将所述身份信息和行为信息分别输入至预设的第一分类模型和第一聚类模型中，其中，所述第一分类模型为预选训练至收敛状态，用于对身份信息进行特征提取的神经网络模型，所述第一聚类模型为预先训练至收敛状态，用于对行为信息进行特征聚类的神经网络模型；

读取所述第一分类模型输出的身份特征和所述第一聚类模型输出的行为特征。

5.根据权利要求1所述的信息推荐方法，其特征在于，所述文档特征包括文档分类特征和文档聚类特征，所述提取各目标文档的文档特征包括：

将所述各目标文档输入至预设的第二分类模型和第二聚类模型中，其中，所述所述第二分类模型为预选训练至收敛状态，用于对文档信息进行特征提取的神经网络模型，所述第二聚类模型为预先训练至收敛状态，用于对文档信息进行特征聚类的神经网络模型；

读取所述第二分类模型输出的文档分类特征和所述第二聚类模型输出的文档聚类特征。

6.根据权利要求1所述的信息推荐方法，其特征在于，所述生成各目标文档的推荐策略包括：

获取所述各适配模型预设的权重值；

基于所述各适配模型的权重值和匹配度，计算所述各目标文档和目标用户之间的加权匹配度；

根据所述加权匹配度生成各目标文档的推荐策略。

7.根据权利要求1-6任意一项所述的信息推荐方法，其特征在于，所述适配模型的数量为四个，各适配模型的模型种类不同。

8.一种信息推荐装置，其特征在于，包括：

获取模块，用于获取待向目标用户推荐的多个目标文档；

提取模块，用于提取所述目标用户的用户特征以及各目标文档的文档特征；

处理模块，用于将所述用户特征和各文档特征输入至预设的至少一个适配模型中，计算所述各目标文档和目标用户之间的匹配度，其中，所述适配模型为预先训练至收敛状态，用于进行特征匹配度计算的算法模型；

执行模块，用于基于所述匹配度，生成各目标文档的推荐策略。

9.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述信息推荐方法的步骤。

10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述信息推荐方法的步骤。

Images