CN111382349B - 信息推荐方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本发明提供一种信息推荐方法、装置、计算机设备和存储介质，所述方法包括：根据用户的历史的点击数据和待推荐对象进行回归拟合，得到各个待推荐对象的回归分析概率和先验概率；根据先验概率对待推荐对象进行随机采样，得到各待推荐对象的随机采样概率；计算回归分析概率和随机采样概率的概率差值，根据概率差值将待推荐对象推荐至用户。上述信息推荐方法，在调整所估计的被推荐对象被选中的概率时，该概率偏差与原有估计的被选中的概率结合，可以一定程度改变各个待推荐对象的被选择的概率，进而可以改变了最可能推荐的待推荐对象，增加了可推荐对象的类型，避免推荐结果的单一或推荐范围集中。

Description

信息推荐方法、装置、计算机设备和存储介质

技术领域

本发明涉及数据处理技术领域，具体而言，本发明涉及一种信息推荐方法、信息推荐装置、计算机设备和存储介质。

背景技术

传统的推荐方法一般分为召回和排序两个部分，即先根据算法得到待推荐的对象，再利用排序算法估计各个对象的点击率，最后根据点击率对待推荐的对象进行排序，按照排序后顺序的优先级推荐各个待推荐的对象。

但是现有方法中按照点击率来排序，按照历史数据进行推荐，推荐的结果单一和集中。以视频推荐为例，按照历史数据生成的点击率，在用户观看过的视频对应标签类型的点击率会较高，该标签类型下的视频就会有较高的点击率，推荐的视频所涉及的领域集中，视频类型单一，推荐视频的范围单一和集中。

由此可见，上述推荐方法，存在推荐的结果单一和范围集中的缺陷。

发明内容

本发明的目的旨在至少能解决上述的技术缺陷之一，特别是推荐的结果单一和范围集中的技术缺陷。

本发明提供一种信息推荐方法，包括如下步骤：

根据用户的历史的点击数据和待推荐对象进行回归拟合，得到各个待推荐对象的回归分析概率和先验概率；

根据所述先验概率对所述待推荐对象进行随机采样，得到各所述待推荐对象的随机采样概率；

计算所述回归分析概率和所述随机采样概率的概率差值，根据所述概率差值将所述待推荐对象推荐至所述用户。

在一个实施例中，所述根据用户的历史的点击数据和待推荐对象进行回归拟合，得到各个待推荐对象的回归分析概率和先验概率的步骤，包括：

根据所述点击数据和所述待推荐对象进行回归拟合，得到回归函数；

根据所述回归函数计算各所述待推荐对象的回归分析概率；

从所述回归函数中提取各所述待推荐对象的先验概率。

在一个实施例中，所述回归拟合包括贝叶斯回归拟合，所述回归函数包括贝叶斯回归函数。

在一个实施例中，所述根据所述先验概率对所述待推荐对象进行随机采样，得到各所述待推荐对象的随机采样概率的步骤，包括：

根据所述先验概率对所述待推荐对象进行汤普森采样，得到各所述待推荐对象的随机采样概率。

在一个实施例中，所述根据所述先验概率对所述待推荐对象进行汤普森采样，得到各所述待推荐对象的随机采样概率的步骤，包括：

根据所述先验概率和汤普森采样计算各所述待推荐对象的平均收益和所述平均收益的不确定性；

根据各所述待推荐对象对应的平均收益和不确定性一一对应计算各所述待推荐对象的随机采样概率。

在一个实施例中，所述根据所述概率差值将所述待推荐对象推荐至所述用户的步骤，包括：

利用所述概率差值修正各所述待推荐对象的原始选中概率，得到各所述推荐对象的目标选中概率；

根据所述目标选中概率将所述待推荐对象推荐至所述用户。

在一个实施例中，在所述利用所述概率差值修正各所述待推荐对象的原始选中概率的步骤之前，还包括：

根据梯度提升机器和所述点击数据获取各所述待推荐对象的原始选中概率。

本发明还提供一种信息推荐装置，包括：

回归拟合模块，用于根据用户的历史的点击数据和待推荐对象进行回归拟合，得到各个待推荐对象的回归分析概率，并提取各所述待推荐对象的先验概率；

随机采样模块，用于根据所述先验概率对所述待推荐对象进行随机采样，得到各所述待推荐对象的随机采样概率；

对象推荐模块，用于计算所述回归分析概率和所述随机采样概率的概率差值，根据所述概率差值将所述待推荐对象推荐至所述用户。

本发明还提供一种计算机设备，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上述任一实施例所述信息推荐方法的步骤。

本发明还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如上述任一实施例所述信息推荐方法的步骤。

上述的信息推荐方法、装置、计算机设备和存储介质，在调整所估计的被推荐对象被选中的概率时，该概率偏差与原有估计的被选中的概率结合，可以一定程度改变各个待推荐对象的被选择的概率，也就改变了待推荐对象按照被选择的概率在推荐队列中排序后的排序位置，进而可以改变了最可能推荐的待推荐对象，增加了可推荐对象的类型，避免推荐结果的单一或推荐范围集中；即在推荐时考虑回归拟合和随机采样之间存在的偏差，可以调整推荐的转移程度，以便于向用户推荐更多类型的待推荐对象，有效避免推荐结果单一或推荐范围集中。。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为一个实施例中提供的信息推荐方法的实施环境图；

图2为一个实施例中信息推荐方法的流程图；

图3为另一个实施例中信息推荐方法的流程图；

图4为一个实施例中信息推荐装置的结构示意图；

图5为一个实施例中计算机设备的内部结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

如图1所示，图1为一个实施例中提供的信息推荐方法的实施环境图，在该实施环境中，包括计算机设备110以及用户的终端120。

需要说明的是，终端120以及计算机设备110可为智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。计算机设备110以及终端120可以通过蓝牙、USB(Universal Serial Bus，通用串行总线)或者其他通讯连接方式进行连接，本发明在此不做限制。

在一个实施例中，如图2所示，图2为一个实施例中信息推荐方法的流程图，本实施例中提出了一种信息推荐方法，该信息推荐方法可以应用于上述的计算机设备110中，具体可以包括以下步骤：

步骤S210：根据用户的历史的点击数据和待推荐对象进行回归拟合，得到各个待推荐对象的回归分析概率和先验概率。

在统计学中，回归分析指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。在大数据分析中，回归分析是一种预测性的建模技术，它研究的是因变量(目标)和自变量(预测器)之间的关系。本步骤在先验概率反映的是点击数据与待推荐对象之间的依赖关系。先验概率是指根据以往经验和分析得到的概率，本步骤中各个待推荐对象的先验概率即根据历史的点击数据分析得到的概率。其中待推荐对象是根据算法分析得到的对象，例如可以根据算法分析得到待推荐视频。

步骤S220：根据先验概率对待推荐对象进行随机采样，得到各待推荐对象的随机采样概率。

随机抽样，以概率理论和随机原则为依据来抽取样本的抽样，是使总体中的每一个单位都有一个事先已知的非零概率被抽中的抽样。随机抽样能够保证样本对总体的代表性，其原理就在于它能够很好的按总体内在结构中所蕴含的各种随机事件的概率来构成样本，包括所蕴含的先验概率，使样本成为总体的缩影。本步骤中，随机采样概率即可以根据历史的点击数据，在一定程度上推断待推荐对象的被选中的情况。

步骤S230：计算回归分析概率和随机采样概率的概率差值，根据概率差值将待推荐对象推荐至用户。

上述回归拟合和随机采样都采用了同一个先验概率，回归分析概率和随机采样概率都用于根据点击数据推断待推荐对象的被选择情况。根据回归拟合和随机采样推断待推荐对象的被选择情况会所存在的偏差，即概率差值。该概率差值是对应于历史的点击数据所获得的偏差概率，在根据该历史的点击数据进行推荐时，对应利用该概率偏差调整所估计的被推荐对象被选中的概率。

对于任一个待推荐对象的概率差值可以等于该待推荐对象的回归分析概率与该推荐对象的随机采样概率之间的差值，p3＝p1－p2，p1、p2和p3分别是该推荐对象的回归分析概率、随机采样概率和概率差值。

上述信息推荐方法，在调整所估计的被推荐对象被选中的概率时，该概率偏差与原有估计的被选中的概率结合，可以一定程度改变各个待推荐对象的被选择的概率，也就改变了待推荐对象按照被选择的概率在推荐队列中排序后的排序位置，进而可以改变了最可能推荐的待推荐对象，增加了可推荐对象的类型，避免推荐结果的单一或推荐范围集中；即在推荐时考虑回归拟合和随机采样之间存在的偏差，可以调整推荐的转移程度，以便于向用户推荐更多类型的待推荐对象，有效避免推荐结果单一或推荐范围集中。

在视频推荐中，以往是按照历史数据生成的点击率对待推荐视频进行排序，待推荐视频与历史数据相关的视频相关性强，特别是当历史数据的点击率较为集中在某类型时，该类型的待推荐视频所估计的被选中概率较大，往往该类型的待推荐视频因被选中概率较大而将其向用户推荐，用户可选择的类型少，在该类型中点击所推荐的视频，如此反复，所推荐的视频的越来越单一和集中。而本方案可以很好地增加被推荐视频和转移被推荐视频的类型，得到与历史的点击数据对应的概率偏差，根据概率偏差调整所估计的被选中概率，改变待推荐视频在推荐队列的排序位置(优先级)，改变最可能推荐的待推荐视频，可以扩大实际推荐视频的范围，增加可推荐的视频，以便于转移用户兴趣。

在一个实施例中，步骤S210中根据用户的历史的点击数据和待推荐对象进行回归拟合，得到各个待推荐对象的回归分析概率和先验概率的步骤，可以包括：

(1)根据点击数据和待推荐对象进行回归拟合，得到回归函数。

回归拟合后的回归函数可以描述点击数据与待推荐对象之间的依赖关系。

(2)根据回归函数计算各待推荐对象的回归分析概率。

基于点击数据得到的回归函数，由其所计算的回归分析概率是基于点击数据下的回归分析后的概率。

(3)从回归函数中提取各待推荐对象的先验概率。

在回归函数所描述的依赖关系中提取各个待推荐对象对应的先验概率。

上述信息推荐方法，根据回归分析函数计算回归分析概率，还从该回归分析函数中提取先验概率，以便于后续建立与该回归分析函数相关联的随机采样。

在一个实施例中，回归拟合包括贝叶斯回归拟合，回归函数包括贝叶斯回归函数。

上述信息推荐方法，根据点击数据和待推荐对象进行贝叶斯回归拟合，得到贝叶斯回归函数，根据贝叶斯回归函数计算各待推荐对象的贝叶斯回归分析概率，从贝叶斯回归函数中提取各待推荐对象的先验概率。贝叶斯线性回归不仅可以解决极大似然估计中存在的过拟合的问题，而且，它对数据样本的利用率是100％，仅仅使用训练样本就可以有效而准确的确定模型的复杂度。

在一个实施例中，根据先验概率对待推荐对象进行随机采样，得到各待推荐对象的随机采样概率的步骤，包括：

根据先验概率对待推荐对象进行汤普森采样，得到各待推荐对象的随机采样概率。

在一个实施例中，步骤S220中根据先验概率对待推荐对象进行汤普森采样，得到各待推荐对象的随机采样概率的步骤，可以包括：

A：根据先验概率和汤普森采样计算各待推荐对象的平均收益和平均收益的不确定性。

B：根据各待推荐对象对应的平均收益和不确定性一一对应计算各待推荐对象的随机采样概率。

汤普森采样就是要在一系列动作之后最大化收益，实际中，这意味着玩家在每个回合中随机地实例化他们的信念，然后根据它们最佳地行动。在大多数实际应用中，但是在模型上对后验分布进行维护和采样是计算繁琐的。

上述信息推荐方法，改进低效率的随机探测，增加探索尚未置信的、不确定性较高的待推荐对象，探索尽可能有潜力的待推荐对象。

在一个实施例中，步骤S230中根据概率差值将待推荐对象推荐至用户的步骤，可以包括：

①利用概率差值修正各待推荐对象的原始选中概率，得到各推荐对象的目标选中概率。

例如可以通过在原始选中概率中按照比例叠加该概率差值，得到修正后的目标选中概率。p5＝p4+x％×p3，其中，p3、p4和p5分别是待推荐对象的概率差值、原始选中概率和目标选中概率，x％是叠加比例。

②根据目标选中概率将待推荐对象推荐至用户。

上述信息推荐方法，根据概率差值进行修正后得到目标选中概率，根据目标选中概率进行推荐，可以调整所估计的被推荐对象被选中的概率，改变了待推荐对象按照被选择的概率在推荐队列中排序后的排序位置，进而可以改变了最可能推荐的待推荐对象，增加了可推荐对象的类型，避免推荐结果的单一或推荐范围集中。

在一个实施例中，在利用概率差值修正各待推荐对象的原始选中概率的步骤之前，还包括：

根据梯度提升机器和点击数据获取各待推荐对象的原始选中概率。

上述信息推荐方法，例如可以通过XGBoost(eXtreme Gradient Boosting，梯度提升算法)或GBDT(Gradient Boosting Decision Tree，梯度提升树)计算原始选中概率，梯度提升机器对输入要求不敏感，效果好。

在工程中推荐系统可以分为召回和排序两个部分，即先根据算法得到一部分的待推荐视频，然后再利用排序算法得到各个视频的点击率，最后根据点击率来进行排序，但是传统的按照点击率来排序，和用户观看过的视频类型的视频就会有高的点击率，这样就会面临一个问题就是没有考虑到用户兴趣的转移，总是根据历史数据来推荐视频。传统解决用户兴趣转移的方法都是基于Bandit算法来做选择，即UCB(Upper Confidence Bound，上限置信区间)算法来给用户推荐它可能感兴趣的对象。

在另一个实施例中，如图3所示，图3为另一个实施例中信息推荐方法的流程图，本实施例中提供一种信息推荐方法，包括以下步骤：

根据用户的历史的点击数据，拟合贝叶斯回归函数，得到待推荐对象具有点击数据的回归分析概率，以及得到先验概率。

利用该先验概率进行汤普森采样，得到随机采样概率。

计算回归分析概率和随机采样概率的概率差值，使用该概率差值修正用于进行排序的点击率概率。

基于原有的XGBoost计算原始点击概率，使用概率差值修正原始点击概率，得到目标点击概率，例如可以直接将原始点击概率与概率差值按照一定比例进行叠加后得到目标点击概率。使用目标点击概率来进行排序和推荐。

上述信息推荐方法，在调整所估计的被推荐对象被选中的概率时，该概率偏差与原有估计的被选中的概率结合，可以一定程度改变各个待推荐对象的被选择的概率，避免推荐结果的单一或推荐范围集中，在推荐时考虑回归拟合和随机采样之间存在的偏差，可以调整推荐的转移程度，以便于向用户推荐更多类型的待推荐对象，有效避免推荐结果单一或推荐范围集中，解决了推荐新兴趣探索的问题，丰富了推荐内容，给用户更多新颖有趣的推荐。

在一个实施例中，如图4所示，图4为一个实施例中信息推荐装置的结构示意图，本实施例中提供一种信息推荐装置，包括回归拟合模块410、随机采样模块420和对象推荐模块430，其中：

回归拟合模块410，用于根据用户的历史的点击数据和待推荐对象进行回归拟合，得到各个待推荐对象的回归分析概率，并提取各待推荐对象的先验概率；

随机采样模块420，用于根据先验概率对待推荐对象进行随机采样，得到各待推荐对象的随机采样概率；

对象推荐模块430，用于计算回归分析概率和随机采样概率的概率差值，根据概率差值将待推荐对象推荐至用户。

上述信息推荐装置，在调整所估计的被推荐对象被选中的概率时，该概率偏差与原有估计的被选中的概率结合，可以一定程度改变各个待推荐对象的被选择的概率，也就改变了待推荐对象按照被选择的概率在推荐队列中排序后的排序位置，进而可以改变了最可能推荐的待推荐对象，增加了可推荐对象的类型，避免推荐结果的单一或推荐范围集中；即在推荐时考虑回归拟合和随机采样之间存在的偏差，可以调整推荐的转移程度，以便于向用户推荐更多类型的待推荐对象，有效避免推荐结果单一或推荐范围集中。

关于信息推荐装置的具体限定可以参见上文中对于信息推荐方法的限定，在此不再赘述。上述信息推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

如图5所示，图5为一个实施例中计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种信息推荐方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种信息推荐方法。该计算机设备的网络接口用于与终端连接通信。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，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中信息推荐方法的步骤。

在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该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任一实施例中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。

以上所述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 (8)

1.一种信息推荐方法，其特征在于，包括如下步骤：

根据用户的历史的点击数据和待推荐对象进行回归拟合，得到各个待推荐对象的回归分析概率和先验概率，包括：根据所述点击数据和所述待推荐对象进行回归拟合，得到回归函数；根据所述回归函数计算各所述待推荐对象的回归分析概率；从所述回归函数中提取各所述待推荐对象的先验概率；

根据所述先验概率对所述待推荐对象进行随机采样，得到各所述待推荐对象的随机采样概率；

计算所述回归分析概率和所述随机采样概率的概率差值；

根据所述概率差值将所述待推荐对象推荐至所述用户，包括：利用所述概率差值修正各所述待推荐对象的原始选中概率，得到各所述推荐对象的目标选中概率；根据所述目标选中概率将所述待推荐对象推荐至所述用户。

2.根据权利要求1所述的信息推荐方法，其特征在于，所述回归拟合包括贝叶斯回归拟合，所述回归函数包括贝叶斯回归函数。

3.根据权利要求1所述的信息推荐方法，其特征在于，所述根据所述先验概率对所述待推荐对象进行随机采样，得到各所述待推荐对象的随机采样概率的步骤，包括：

根据所述先验概率对所述待推荐对象进行汤普森采样，得到各所述待推荐对象的随机采样概率。

4.根据权利要求3所述的信息推荐方法，其特征在于，所述根据所述先验概率对所述待推荐对象进行汤普森采样，得到各所述待推荐对象的随机采样概率的步骤，包括：

根据所述先验概率和汤普森采样计算各所述待推荐对象的平均收益和所述平均收益的不确定性；

根据各所述待推荐对象对应的平均收益和不确定性一一对应计算各所述待推荐对象的随机采样概率。

5.根据权利要求1所述的信息推荐方法，其特征在于，在所述利用所述概率差值修正各所述待推荐对象的原始选中概率的步骤之前，还包括：

根据梯度提升机器和所述点击数据获取各所述待推荐对象的原始选中概率。

6.一种信息推荐装置，其特征在于，包括：

回归拟合模块，用于根据用户的历史的点击数据和待推荐对象进行回归拟合，得到各个待推荐对象的回归分析概率，并提取各所述待推荐对象的先验概率，包括：根据所述点击数据和所述待推荐对象进行回归拟合，得到回归函数；根据所述回归函数计算各所述待推荐对象的回归分析概率；从所述回归函数中提取各所述待推荐对象的先验概率；

随机采样模块，用于根据所述先验概率对所述待推荐对象进行随机采样，得到各所述待推荐对象的随机采样概率；

对象推荐模块，用于计算所述回归分析概率和所述随机采样概率的概率差值；根据所述概率差值将所述待推荐对象推荐至所述用户，包括：利用所述概率差值修正各所述待推荐对象的原始选中概率，得到各所述推荐对象的目标选中概率；根据所述目标选中概率将所述待推荐对象推荐至所述用户。

7.一种信息推荐设备，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，其特征在于，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5中任一项所述信息推荐方法的步骤。

8.一种存储有计算机可读指令的存储介质，其特征在于，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5中任一项所述信息推荐方法的步骤。