CN111914178A - 基于人工智能的信息推荐方法、装置、电子设备及存储介质 - Google Patents
基于人工智能的信息推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111914178A CN111914178A CN202010835851.3A CN202010835851A CN111914178A CN 111914178 A CN111914178 A CN 111914178A CN 202010835851 A CN202010835851 A CN 202010835851A CN 111914178 A CN111914178 A CN 111914178A
- Authority
- CN
- China
- Prior art keywords
- sequence
- information
- recommended
- recommendation
- vector
- 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.)
- Pending
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
- 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
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明提供了一种基于人工智能的信息推荐方法、装置、电子设备及计算机可读存储介质;方法包括:对目标对象的历史交互行为数据进行遍历处理,以确定历史交互行为数据中的历史交互信息序列;对历史交互信息序列的向量进行基于时序的单向编码处理,得到目标对象的时序兴趣向量序列;基于时序兴趣向量序列进行双向解码处理,得到与各个推荐位置分别对应的待推荐信息序列向量;对多个待推荐信息序列向量进行映射处理,得到与各个推荐位置分别对应的待推荐信息,并基于与各个推荐位置分别对应的待推荐信息生成推荐列表。通过本发明,能够并行输出多个待推荐信息,提高信息推荐的效率。
Description
技术领域
本发明涉及人工智能技术,尤其涉及一种基于人工智能的信息推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
人工智能(Artificial Intelligence,AI)是计算机科学的一个综合技术,通过研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,例如自然语言处理技术以及机器学习/深度学习等几大方向,随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
推荐系统是人工智能领域的重要应用之一,能够在信息过载的环境中帮助用户发现可能令他们感兴趣的信息,并将信息推送给对它们感兴趣的用户。
虽然,相关技术中的推荐系统可以向用户推荐用户可能感兴趣的信息。但是,相关技术中的推荐系统向用户推荐的效率以及准确性有待提高。
发明内容
本发明实施例提供一种基于人工智能的信息推荐方法、装置、电子设备及计算机可读存储介质,能够并行输出多个待推荐信息,提高信息推荐的效率。
本发明实施例的技术方案是这样实现的:
本发明实施例提供一种基于人工智能的信息推荐方法,包括:
对目标对象的历史交互行为数据进行遍历处理,以确定所述历史交互行为数据中的历史交互信息序列;
对所述历史交互信息序列的向量进行基于时序的单向编码处理,得到所述目标对象的时序兴趣向量序列;
基于所述时序兴趣向量序列进行双向解码处理,得到与各个推荐位置分别对应的待推荐信息序列向量;
对多个所述待推荐信息序列向量进行映射处理,得到与所述各个推荐位置分别对应的待推荐信息,并基于与所述各个推荐位置分别对应的待推荐信息生成推荐列表。
上述技术方案中,所述对多个所述待推荐信息序列向量进行映射处理,得到与所述各个推荐位置分别对应的待推荐信息,包括:
针对任一所述推荐位置执行以下处理:
对与所述推荐位置对应的待推荐信息序列向量进行非线性映射处理,得到所述推荐位置的待推荐信息的概率分布;
将所述概率分布中最大概率所对应的待推荐信息确定为与所述推荐位置对应的待推荐信息。
上述技术方案中,所述对目标对象的历史交互行为数据进行遍历处理,以确定所述历史交互行为数据中的历史交互信息序列,包括:
对所述目标对象的历史交互行为数据进行遍历处理,得到所述历史交互行为数据中每个历史交互信息的时间戳;
对所述每个历史交互信息的时间戳进行降序排序,将排序在前的部分时间戳对应的历史交互信息进行组合,将组合结果作为所述历史交互行为数据中的历史交互信息序列。
本发明实施例提供一种信息推荐装置,包括:
确定模块,用于对目标对象的历史交互行为数据进行遍历处理,以确定所述历史交互行为数据中的历史交互信息序列;
编码模块,用于对所述历史交互信息序列的向量进行基于时序的单向编码处理,得到所述目标对象的时序兴趣向量序列;
解码模块,用于基于所述时序兴趣向量序列进行双向解码处理,得到与各个推荐位置分别对应的待推荐信息序列向量;
映射模块,用于对多个所述待推荐信息序列向量进行映射处理,得到与所述各个推荐位置分别对应的待推荐信息,并基于与所述各个推荐位置分别对应的待推荐信息生成推荐列表。
上述技术方案中,所述装置还包括:
处理模块,用于对所述历史交互信息序列进行高维向量编码处理,得到对应所述历史交互信息序列的高维向量;
对所述高维向量进行低维向量编码处理,得到对应所述历史交互信息序列的低维向量,并
将所述低维向量作为所述历史交互信息序列的向量;
其中,所述高维向量的维度大于所述低维向量的维度。
上述技术方案中,所述编码模块还用于基于所述历史交互信息序列中每个历史交互信息的时序,对所述历史交互信息序列进行划分,得到所述历史交互信息序列包括的多个子信息序列;
针对所述多个子信息序列中的任一子信息序列执行以下处理:
通过编码器对所述子信息序列的向量进行单向卷积处理,得到对应所述子信息序列的时序兴趣向量;
其中,所述时序兴趣向量的位置与所述子信息序列的边缘位置对应;
对多个所述时序兴趣向量进行组合处理,将组合结果作为所述目标对象的时序兴趣向量序列。
上述技术方案中,所述编码器包括多个级联的编码层,且所述多个的编码层分别对应不同的单向卷积操作;所述编码模块还用于通过所述多个级联的编码层的第一个编码层,对所述子信息序列的向量进行所述第一个编码层的单向卷积处理;
将所述第一个编码层的卷积结果输出到后续级联的编码层,以在所述后续级联的编码层中继续进行单向卷积处理和卷积结果输出,直至输出到最后一个编码层;
将所述最后一个编码层输出的卷积结果作为对应所述子信息序列的时序兴趣向量。
上述技术方案中,所述解码模块还用于对所述时序兴趣向量序列以及标准向量进行拼接处理,得到拼接向量序列;
通过解码器对所述拼接向量序列进行双向卷积处理,得到与各个推荐位置分别对应的待推荐信息序列向量。
上述技术方案中,所述解码模块还用于对所述拼接向量序列进行划分,得到所述拼接向量序列包括的多个子拼接序列;
针对所述多个子拼接序列中的任一子拼接序列执行以下处理:
通过解码器对所述子拼接序列进行双向卷积处理,得到对应所述推荐位置的待推荐信息序列向量;
其中,所述推荐位置与所述子拼接序列的中心位置对应。
上述技术方案中,所述解码器包括多个级联的解码层,且所述多个的解码层分别对应不同的双向卷积操作;所述解码模块还用于通过所述多个级联的解码层的第一个解码层,对所述子拼接序列进行所述第一个解码层的双向卷积处理;
将所述第一个解码层的卷积结果输出到后续级联的解码层,以在所述后续级联的解码层中继续进行双向卷积处理和卷积结果输出,直至输出到最后一个解码层;
将所述最后一个解码层输出的卷积结果作为对应所述推荐位置的待推荐信息序列向量。
上述技术方案中,所述映射模块还用于针对任一所述推荐位置执行以下处理:
对与所述推荐位置对应的待推荐信息序列向量进行非线性映射处理,得到所述推荐位置的待推荐信息的概率分布;
将所述概率分布中最大概率所对应的待推荐信息确定为与所述推荐位置对应的待推荐信息。
上述技术方案中,所述装置还包括:
优化模块,用于基于掩码对所述各个推荐位置分别对应的待推荐信息进行掩码处理,得到掩码序列;
解码模块还用于基于所述掩码序列进行双向解码处理,得到与所述各个推荐位置分别对应的推荐信息序列向量;
对与所述各个推荐位置分别对应的推荐信息序列向量进行映射处理,得到与所述各个推荐位置分别对应的推荐信息。
上述技术方案中,所述优化模块还用于对每个与推荐位置对应的待推荐信息的概率进行升序排序,将排序在前的部分概率对应的待推荐信息确定为待掩码信息;
将多个待推荐信息中的待掩码信息更新为掩码,以得到掩码序列。
上述技术方案中,所述解码模块还用于对所述时序兴趣向量序列以及所述掩码序列进行组合处理,得到组合序列;
通过解码器对所述组合序列进行双向卷积处理,得到与所述各个推荐位置分别对应的推荐信息序列向量。
上述技术方案中,所述解码模块还用于对所述组合序列进行划分,得到所述组合序列包括的多个子组合序列;
针对所述多个子组合序列中的任一子组合序列执行以下处理:
通过解码器对所述子组合序列进行双向卷积处理,得到对应所述推荐位置的推荐信息序列向量;
其中,所述推荐位置与所述子组合序列的中心位置对应。
上述技术方案中,所述解码器包括多个级联的解码层,且所述多个的解码层分别对应不同的双向卷积操作;所述解码模块还用于通过所述多个级联的解码层的第一个解码层,对所述子组合序列进行所述第一个解码层的双向卷积处理;
将所述第一个解码层的卷积结果输出到后续级联的解码层,以在所述后续级联的解码层中继续进行双向卷积处理和卷积结果输出,直至输出到最后一个解码层;
将所述最后一个解码层输出的卷积结果作为对应所述推荐位置的推荐信息序列向量。
上述技术方案中,所述确定模块还用于对所述目标对象的历史交互行为数据进行遍历处理,得到所述历史交互行为数据中每个历史交互信息的时间戳;
对所述每个历史交互信息的时间戳进行降序排序,将排序在前的部分时间戳对应的历史交互信息进行组合,将组合结果作为所述历史交互行为数据中的历史交互信息序列。
本发明实施例提供一种用于信息推荐的电子设备,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本发明实施例提供的基于人工智能的信息推荐方法。
本发明实施例提供一种计算机可读存储介质,存储有可执行指令,用于引起处理器执行时,实现本发明实施例提供的基于人工智能的信息推荐方法。
本发明实施例具有以下有益效果:
通过对历史交互信息序列进行编解码,以在短时间内并行输出多个待推荐信息,提高信息推荐的效率;另外,通过单向编码以及双向解码,融合多种时序的历史交互信息,提高信息推荐的准确性。
附图说明
图1是本发明实施例提供的推荐系统的应用场景示意图;
图2是本发明实施例提供的用于信息推荐的电子设备的结构示意图;
图3A-3D是本发明实施例提供的基于人工智能的信息推荐方法的流程示意图;
图4是本发明实施例提供的信息推荐的流程示意图;
图5是本发明实施例提供的编码器的结构示意图;
图6是本发明实施例提供的解码器的结构示意图;
图7是本发明实施例提供的新闻应用界面示意图;
图8是本发明实施例提供的购物应用界面示意图;
图9是本发明实施例提供的网络架构示意图;
图10是本发明实施例提供的编码器的结构示意图;
图11是本发明实施例提供的解码器的结构示意图;
图12是本发明实施例提供的掩码优化迭代器的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,所描述的实施例不应视为对本发明的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在以下的描述中,所涉及的术语“第一\第二”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
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发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的,不是旨在限制本发明。
对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
1)卷积神经网络(CNN,Convolutional Neural Networks):一类包含卷积计算且具有深度结构的前馈神经网络(FNN,Feedforward Neural Networks),是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输入图像进行平移不变分类(shift-invariantclassification)。
2)目标对象:当前使用推荐系统的对象(例如真实用户或者计算机程序模拟出的虚拟用户),例如真实用户A当前使用新闻推荐系统刷新闻,则真实用户A为目标对象。
相关技术中,用于信息推荐的时序推荐方法包括基于循环神经网络(RNN)的方法和基于卷积神经网络(CNN)的方法。其中,循环神经网络虽然在推荐精度方面显示出其优势,但是,基于循环神经网络的方法只能对输入数据进行一个一个的处理,非常耗时;卷积神经网络虽然在推荐效率方面有优势,但是建模长序列能力和效率比较低。
为了解决上述问题,本发明实施例提供了一种基于人工智能的信息推荐方法、装置、电子设备及计算机可读存储介质,能够并行输出多个待推荐信息,提高信息推荐的效率,并通过单向编码以及双向解码,融合多种时序的历史交互信息,提高信息推荐的准确性。
本发明实施例所提供的基于人工智能的信息推荐方法,可以由终端/服务器独自实现;也可以由终端和服务器协同实现,例如终端独自承担下文所述的基于人工智能的信息推荐方法,或者,终端向服务器发送历史交互信息序列,服务器根据接收的历史交互信息序列执行基于人工智能的信息推荐方法,并向终端发送推荐列表。
本发明实施例提供的用于信息推荐的电子设备可以是各种类型的终端设备或服务器,其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器;终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本发明在此不做限制。
以服务器为例,例如可以是部署在云端的服务器集群,向用户开放人工智能云服务(AI as a Service,AIaaS),AIaaS平台会把几类常见的AI服务进行拆分,并在云端提供独立或者打包的服务,这种服务模式类似于一个AI主题商城,所有的用户都可以通过应用程序编程接口的方式来接入使用AIaaS平台提供的一种或者多种人工智能服务。
例如,其中的一种人工智能云服务可以为信息推荐服务,即云端的服务器封装有本发明实施例提供的信息推荐的程序。用户通过终端(运行有客户端,例如新闻客户端、购物客户端等)调用云服务中的信息推荐服务,以使部署在云端的服务器调用封装的信息推荐的程序,基于目标对象的历史交互信息序列进行编解码操作,得到与各个推荐位置分别对应的待推荐信息,并基于与各个推荐位置分别对应的待推荐信息生成推荐列表,以响应信息推荐请求,例如,对于新闻应用,基于目标用户的历史点击新闻序列进行一系列操作,得到新闻推荐列表,以快速响应新闻推荐请求,目标用户可以不间断地浏览符合目标用户兴趣的新闻;对于购物应用,基于目标用户的历史点击商品序列进行一系列操作,得到商品推荐列表,以快速响应商品推荐请求,向目标用户推荐符合目标用户兴趣的商品,提升目标用户的购物欲望。
参见图1,图1是本发明实施例提供的推荐系统10的应用场景示意图,终端200通过网络300连接服务器100,网络300可以是广域网或者局域网,又或者是二者的组合。
终端200(运行有客户端,例如新闻客户端、购物客户端等)可以被用来获取针对目标用户进行信息推荐的请求,例如,当目标用户打开新闻应用后,终端自动获取针对目标用户进行新闻推荐的请求。
在一些实施例中,终端中运行的客户端中可以植入有信息推荐插件,用以在客户端本地实现基于人工智能的信息推荐方法。例如,终端200获取针对目标用户进行信息推荐的请求后,调用信息推荐插件,以实现基于人工智能的信息推荐方法,基于目标对象的历史交互信息序列进行编解码操作,得到与各个推荐位置分别对应的待推荐信息,并基于与各个推荐位置分别对应的待推荐信息生成推荐列表,以响应针对目标用户进行信息推荐的请求,例如,对于新闻应用,目标用户滑动新闻页面时,则自动获取针对目标用户进行新闻推荐的请求,并基于目标用户的历史点击新闻序列进行一系列操作,得到新闻推荐列表,以快速响应针对目标用户进行新闻推荐的请求,从而目标用户可以不间断地浏览符合目标用户兴趣的新闻。
在一些实施例中,终端200获取针对目标用户进行信息推荐的请求后,调用服务器100的信息推荐接口(可以提供为云服务的形式,即信息推荐服务),服务器100基于目标对象的历史交互信息序列进行编解码操作,得到与各个推荐位置分别对应的待推荐信息,并基于与各个推荐位置分别对应的待推荐信息生成推荐列表,以响应针对目标用户进行信息推荐的请求,例如,对于购物应用,目标用户滑动商品页面时,则自动获取针对目标用户进行商品推荐的请求,并基于目标用户的历史点击商品序列进行一系列操作,得到商品推荐列表,以快速响应针对目标用户进行新闻推荐的请求,从而,向目标用户推荐符合目标用户兴趣的商品,提升目标用户的购物欲望。
下面说明本发明实施例提供的用于信息推荐的电子设备的结构,参见图2,图2是本发明实施例提供的用于信息推荐的电子设备500的结构示意图,以电子设备500是服务器为例说明,图2所示的用于信息推荐的电子设备500包括:至少一个处理器510、存储器550、至少一个网络接口520和用户接口530。电子设备500中的各个组件通过总线系统540耦合在一起。可理解,总线系统540用于实现这些组件之间的连接通信。总线系统540除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2中将各种总线都标为总线系统540。
处理器510可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的处理器等。
存储器550包括易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read Only Memory),易失性存储器可以是随机存取存储器(RAM,Random Access Memory)。本发明实施例描述的存储器550旨在包括任意适合类型的存储器。存储器550可选地包括在物理位置上远离处理器510的一个或多个存储设备。
在一些实施例中,存储器550能够存储数据以支持各种操作,这些数据的示例包括程序、模块和数据结构或者其子集或超集,下面示例性说明。
操作系统551,包括用于处理各种基本系统服务和执行硬件相关任务的系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务;
网络通信模块552,用于经由一个或多个(有线或无线)网络接口520到达其他计算设备,示例性的网络接口520包括:蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB,Universal Serial Bus)等;
在一些实施例中,本发明实施例提供的基于人工智能的信息推荐装置可以采用软件方式实现,例如,可以是上文所述的终端中的信息推荐插件,可以是上文所述的服务器中信息推荐服务。当然,不局限于此,本发明实施例提供的基于人工智能的信息推荐装置可以提供为各种软件实施例,包括应用程序、软件、软件模块、脚本或代码在内的各种形式。
图2示出了存储在存储器550中的基于人工智能的信息推荐装置555,其可以是程序和插件等形式的软件,例如信息推荐插件,并包括一系列的模块,包括确定模块5551、编码模块5552、解码模块5553、映射模块5554、处理模块5555以及优化模块5556;其中,确定模块5551、编码模块5552、解码模块5553、映射模块5554、处理模块5555以及优化模块5556用于实现本发明实施例提供的信息推荐功能。
如前所述,本发明实施例提供的基于人工智能的信息推荐方法可以由各种类型的电子设备实施。参见图3A,图3A是本发明实施例提供的基于人工智能的信息推荐方法的流程示意图,结合图3A示出的步骤进行说明。
在下面的步骤中,待推荐信息以及推荐信息可以是文本、图文、视频等数据,例如,针对搜索引擎,待推荐信息可以为文本形式的答案;针对新闻应用,待推荐信息可以为图文形式的消息;针对视频应用,待推荐信息可以为视频形式的数据。
在步骤101中,对目标对象的历史交互行为数据进行遍历处理,以确定历史交互行为数据中的历史交互信息序列。
作为获取历史交互行为数据(即目标对象与电子设备进行交互所生成的行为数据,例如,目标用户的历史点击行为数据、目标用户的历史观看数据等)的示例,目标对象在滑动页面时,终端自动获取针对目标对象进行信息推荐的请求,并将针对目标对象进行信息推荐的请求发送至服务器,服务器根据针对目标对象进行信息推荐的请求,对针对该目标对象的行为日志进行搜索,以获取该目标对象的历史交互行为数据。在服务器获取目标对象的历史交互行为数据后,对该目标对象的历史交互行为数据进行遍历,以获取历史交互行为数据中的历史交互信息序列,以便进行后续的编解码操作。其中,历史交互信息序列包括多个历史交互信息(即目标对象与电子设备进行交互的数据,例如,历史点击数据、历史观看数据等)。
在一些实施例中,对目标对象的历史交互行为数据进行遍历处理,以确定历史交互行为数据中的历史交互信息序列,包括:对目标对象的历史交互行为数据进行遍历处理,得到历史交互行为数据中每个历史交互信息的时间戳;对每个历史交互信息的时间戳进行降序排序,将排序在前的部分时间戳对应的历史交互信息进行组合,将组合结果作为历史交互行为数据中的历史交互信息序列。
例如,在服务器获得目标对象的历史交互行为数据后,对目标对象的历史交互行为数据进行遍历,得到历史交互行为数据中每个历史交互信息的时间戳。为了获取目标对象近期的历史交互信息,则对每个历史交互信息的时间戳进行降序排序,得到前N个历史交互信息,其中,N为自然数,根据实际的需求进行设定。按照历史交互信息的时间戳的升序,对前N个历史交互信息进行组合,以形成历史交互信息序列,例如,历史点击信息序列为[历史点击信息1,历史点击信息2,历史点击信息3],其中历史点击信息1的时间戳小于历史点击信息2、历史点击信息2的时间戳小于历史点击信息3。
在步骤102中,对历史交互信息序列的向量进行基于时序的单向编码处理,得到目标对象的时序兴趣向量序列。
如图4所示,在服务器获取历史交互信息序列后,可以通过编码器对历史交互信息序列的向量进行基于时序的单向编码处理,以得到目标对象的时序兴趣向量序列(高级序列表征),从而获取目标对象的兴趣表征,以便后续根据目标对象的兴趣表征,获取符合目标对象兴趣的待推荐信息。
在一些实施例中,对历史交互信息序列的向量进行基于时序的单向编码处理,得到目标对象的时序兴趣向量序列之前,还包括:对历史交互信息序列进行高维向量编码处理,得到对应历史交互信息序列的高维向量;对高维向量进行低维向量编码处理,得到对应历史交互信息序列的低维向量,并将低维向量作为历史交互信息序列的向量;其中,高维向量的维度大于低维向量的维度。
例如,在服务器获得历史交互信息序列后,需要将历史交互信息序列转化为词向量,可以先对历史交互信息序列进行高维向量编码,以得到对应历史交互信息序列的高维向量,该高维向量用于准确表征历史交互信息,避免遗漏信息;然后,对高维向量进行低维向量编码,通过降维的方式,得到对应历史交互信息序列的低维向量,并将低维向量作为历史交互信息序列的向量,从而通过低维度的向量准确地表征历史交互信息序列,以节约后续服务器的计算资源。
参见图3B,图3B是本发明实施例提供的基于人工智能的信息推荐方法的一个可选的流程示意图,图3B示出图3A中的步骤102可以通过图3B示出的步骤1021至步骤1023实现:在步骤1021中,基于历史交互信息序列中每个历史交互信息的时序,对历史交互信息序列进行划分,得到历史交互信息序列包括的多个子信息序列;在步骤1022中,针对多个子信息序列中的任一子信息序列执行以下处理:通过编码器对子信息序列的向量进行单向卷积处理,得到对应子信息序列的时序兴趣向量;其中,时序兴趣向量的位置与子信息序列的边缘位置对应;在步骤1023中,对多个时序兴趣向量进行组合处理,将组合结果作为目标对象的时序兴趣向量序列。
如图5所示,首先基于历史交互信息序列中每个历史交互信息的时序,对历史交互信息序列进行划分,得到历史交互信息序列包括的多个子信息序列,其中每个子信息序列中的历史交互信息的时间戳是升序排列的,例如,图5示出的子信息序列中节点0的时间戳小于节点1的时间戳。然后,针对任一子信息序列执行以下处理:通过编码器对子信息序列的向量进行单向卷积处理,得到对应子信息序列的时序兴趣向量,其中,时序兴趣向量的位置与子信息序列的边缘位置对应,例如,图5中示出的时序兴趣向量(节点15),该节点15的位置与子信息序列中边缘位置对应(即图5中子信息序列中的节点14的位置,也可以是图5中子信息序列中的节点0的位置)。最后,将由所有子信息序列分别所产生的所有时序兴趣向量进行组合,将组合结果作为目标对象的时序兴趣向量序列,例如,图5中出示出的时序兴趣向量(节点1至节点15表示15个时序兴趣向量),该15个时序兴趣向量构成时序兴趣向量序列。
在一些实施例中,通过编码器对子信息序列的向量进行单向卷积处理,得到对应子信息序列的时序兴趣向量,包括:通过多个级联的编码层的第一个编码层,对子信息序列的向量进行第一个编码层的单向卷积处理;将第一个编码层的卷积结果输出到后续级联的编码层,以在后续级联的编码层中继续进行单向卷积处理和卷积结果输出,直至输出到最后一个编码层;将最后一个编码层输出的卷积结果作为对应子信息序列的时序兴趣向量。
承接上述示例,编码器包括多个级联的编码层,且多个的编码层分别对应不同的单向卷积操作。为了快速捕获目标对象的长期信息,本发明实施例采用空洞卷积,从而扩大感受野。如图5所示,该编码器包括3层编码层,通过第1个编码层对子信息序列的向量进行单向空洞卷积(膨胀数为1),以得到第1个编码层的卷积结果,并将第1个编码层的卷积结果输出至第2个编码层,通过第2个编码层对第1个编码层的卷积结果进行单向空洞卷积(膨胀数为2),以得到第2个编码层的卷积结果,并将第2个编码层的卷积结果输出至第3个编码层,通过第3个编码层对第2个编码层的卷积结果进行单向空洞卷积(膨胀数为4),得到第3个编码层的卷积结果,并将第3个编码层的卷积结果作为对应子信息序列的时序兴趣向量。通过层级的空洞卷积操作,可以层级地提取目标对象的兴趣信息,以免遗漏重要兴趣信息。本发明实施例并不局限于空洞卷积,也可以采用其他的卷积处理。
在步骤103中,基于时序兴趣向量序列进行双向解码处理,得到与各个推荐位置分别对应的待推荐信息序列向量。
如图4所示,在服务器获取时序兴趣向量序列后,可以通过解码器对时序兴趣向量序列进行双向解码处理,以得到与各个推荐位置分别对应的待推荐信息序列向量,以便后续根据待推荐信息序列向量,获取符合目标对象兴趣的待推荐信息。其中,推荐位置对应推荐列表中待推荐信息所处的位置,例如推荐位置1为推荐列表中第一个待推荐信息的位置、推荐位置2为推荐列表中第二个待推荐信息的位置。
参见图3C,图3C是本发明实施例提供的基于人工智能的信息推荐方法的一个可选的流程示意图,图3C示出图3A中的步骤103可以通过图3C示出的步骤1031至步骤1032实现:在步骤1031中,对时序兴趣向量序列以及标准向量进行拼接处理,得到拼接向量序列;在步骤1032中,通过解码器对拼接向量序列进行双向卷积处理,得到与各个推荐位置分别对应的待推荐信息序列向量。
例如,服务器在获得了时序兴趣向量序列后,拼接时序兴趣向量序列以及标准向量(例如,128维的零向量),得到拼接向量序列,并通过解码器对拼接向量序列进行双向空洞卷积,得到与各个推荐位置分别对应的待推荐信息序列向量。
在一些实施例中,通过解码器对拼接向量序列进行双向卷积处理,得到与各个推荐位置分别对应的待推荐信息序列向量,包括:对拼接向量序列进行划分,得到拼接向量序列包括的多个子拼接序列;针对多个子拼接序列中的任一子拼接序列执行以下处理:通过解码器对子拼接序列进行双向卷积处理,得到对应推荐位置的待推荐信息序列向量;其中,推荐位置与子拼接序列的中心位置对应。
如图6所示,首先基于拼接向量序列中每个拼接向量的时序,对拼接向量序列进行划分,得到拼接向量序列包括的多个子拼接序列,其中每个子拼接序列中的拼接向量的时间戳是升序排列的,例如,图6示出的子拼接序列中节点0的时间戳小于节点1的时间戳。然后,针对任一子拼接序列执行以下处理:通过解码器对子拼接序列进行双向卷积处理,得到对应推荐位置的待推荐信息序列向量,其中,推荐位置与子拼接序列的中心位置对应,例如,图6中示出的某子拼接序列为节点4至节点10、待推荐信息序列向量(节点8),该节点8的位置与子拼接序列的中心位置对应(即图6中子拼接序列中的节点7的位置)。
在一些实施例中,解码器包括多个级联的解码层,且多个的解码层分别对应不同的双向卷积操作;通过解码器对子拼接序列进行双向卷积处理,得到对应推荐位置的待推荐信息序列向量,包括:通过多个级联的解码层的第一个解码层,对子拼接序列进行第一个解码层的双向卷积处理;将第一个解码层的卷积结果输出到后续级联的解码层,以在后续级联的解码层中继续进行双向卷积处理和卷积结果输出,直至输出到最后一个解码层;将最后一个解码层输出的卷积结果作为对应推荐位置的待推荐信息序列向量。
承接上述示例,解码器包括多个级联的解码层,且多个的解码层分别对应不同的双向卷积操作。为了快速捕获目标对象的未来和过去的信息,本发明实施例采用双向空洞卷积。如图6所示,该解码器包括2层解码层,通过第1个解码层对子拼接序列进行双向空洞卷积(膨胀数为1),以得到第1个解码层的卷积结果,并将第1个解码层的卷积结果输出至第2个解码层,通过第2个解码层对第1个解码层的卷积结果进行双向空洞卷积(膨胀数为2),以得到第2个解码层的卷积结果,并将第2个解码层的卷积结果作为对应推荐位置的待推荐信息序列向量。通过层级的空洞卷积操作,可以层级地进行解码处理,以免遗漏重要兴趣信息。本发明实施例并不局限于空洞卷积,也可以采用其他的卷积处理。
在步骤104中,对多个待推荐信息序列向量进行映射处理,得到与各个推荐位置分别对应的待推荐信息,并基于与各个推荐位置分别对应的待推荐信息生成推荐列表。
在服务器得到多个待推荐信息序列向量后,可以对多个待推荐信息序列向量进行映射,以得到与各个推荐位置分别对应的待推荐信息,并基于与各个推荐位置分别对应的待推荐信息生成推荐列表,以响应针对目标对象进行信息推荐的请求,根据推荐列表,依次不间断地呈现待推荐信息。
如图7所示,对于新闻应用,当服务器获得推荐列表后,以响应针对目标用户进行新闻推荐的请求,在目标用户滑动新闻页面时,在新闻页面依次呈现推荐列表的新闻,从而目标用户可以不间断地浏览符合目标用户兴趣的新闻,例如,推荐列表包括[推荐位置1:新闻1,推荐位置2:新闻2,推荐位置3:新闻3,推荐位置4:新闻4],则新闻页面701显示新闻1、新闻页面702显示新闻2、新闻页面703显示新闻3、新闻页面704显示新闻4。
如图8所示,对于购物应用,当服务器获得推荐列表后,以响应针对目标用户进行商品推荐的请求,在目标用户滑动商品页面时,在商品页面依次呈现推荐列表的商品,从而目标用户可以不间断地浏览符合目标用户兴趣的商品,例如,推荐列表包括[推荐位置1:商品1,推荐位置2:商品2,推荐位置3:商品3,推荐位置4:商品4],则商品页面801显示商品1、商品页面802显示商品2、商品页面803显示商品3、商品页面804显示商品4。
在一些实施例中,对多个待推荐信息序列向量进行映射处理,得到与各个推荐位置分别对应的待推荐信息,包括:针对任一推荐位置执行以下处理:对与推荐位置对应的待推荐信息序列向量进行非线性映射处理,得到推荐位置的待推荐信息的概率分布;将概率分布中最大概率所对应的待推荐信息确定为与推荐位置对应的待推荐信息。
例如,各个推荐位置分别对应一个待推荐信息序列向量,且待推荐信息序列向量包括多个待推荐信息向量。针对任一推荐位置执行以下处理:对与推荐位置对应的待推荐信息序列向量进行非线性映射处理(例如,逻辑回归函数(softmax)),得到推荐位置的待推荐信息的概率分布,并将概率分布中最大概率所对应的待推荐信息确定为与推荐位置对应的待推荐信息,例如,推荐位置1的待推荐信息的概率分布为[待推荐信息1:0.6、待推荐信息2:0.1、待推荐信息3:0.1、待推荐信息4:0.2],并将概率分布中最大概率所对应的待推荐信息1确定为与推荐位置1对应的待推荐信息。
参见图3D,图3D是本发明实施例提供的基于人工智能的信息推荐方法的一个可选的流程示意图,为了优化待推荐信息,可以通过掩码,对待推荐信息进行更新。图3D示出还包括步骤105至步骤107实现:在步骤105中,基于掩码对各个推荐位置分别对应的待推荐信息进行掩码处理,得到掩码序列;在步骤106中,基于掩码序列进行双向解码处理,得到与各个推荐位置分别对应的推荐信息序列向量;在步骤107中,对与各个推荐位置分别对应的推荐信息序列向量进行映射处理,得到与各个推荐位置分别对应的推荐信息。
如图4所示,通过掩码优化迭代器,结合掩码对多个推荐位置分别对应的待推荐信息进行掩码处理,以得到掩码序列,通过解码器结合掩码序列进行双向解码,得到与各个推荐位置分别对应的推荐信息序列向量,最后针对任一推荐位置执行以下处理:对与推荐位置对应的推荐信息序列向量进行非线性映射处理,得到推荐位置的推荐信息的概率分布;将概率分布中最大概率所对应的推荐信息确定为与推荐位置对应的推荐信息,并基于与各个推荐位置分别对应的推荐信息生成推荐列表,以响应针对目标对象进行信息推荐的请求,根据推荐列表,依次不间断地呈现推荐信息。
在一些实施例中,基于掩码对各个推荐位置分别对应的待推荐信息进行掩码处理,得到掩码序列,包括:对每个与推荐位置对应的待推荐信息的概率进行升序排序,将排序在前的部分概率对应的待推荐信息确定为待掩码信息;将多个待推荐信息中的待掩码信息更新为掩码,以得到掩码序列。
例如,在步骤104中获取了与推荐位置对应的待推荐信息的概率,将每个与推荐位置对应的待推荐信息的概率进行升序排序,而排序在前的待推荐信息的概率比较低,即置信度比较低、准确率比较低,因此,需要优化排序在前的待推荐信息。因此,将排序在前的M个概率对应的待推荐信息确定为待掩码信息,M为自然数,根据实际应用需要进行设定,并将该多个待推荐信息中的待掩码信息更新为掩码(即零向量),以得到掩码序列。
在一些实施例中,基于掩码序列进行双向解码处理,得到与各个推荐位置分别对应的推荐信息序列向量,包括:对时序兴趣向量序列以及掩码序列进行组合处理,得到组合序列;通过解码器对组合序列进行双向卷积处理,得到与各个推荐位置分别对应的推荐信息序列向量。
例如,服务器在获得了掩码序列后,组合时序兴趣向量序列以及掩码序列,得到组合序列,并通过解码器对组合序列进行双向空洞卷积,得到与各个推荐位置分别对应的推荐信息序列向量。
在一些实施例中,通过解码器对组合序列进行双向卷积处理,得到与各个推荐位置分别对应的推荐信息序列向量,包括:对组合序列进行划分,得到组合序列包括的多个子组合序列;针对多个子组合序列中的任一子组合序列执行以下处理:通过解码器对子组合序列进行双向卷积处理,得到对应推荐位置的推荐信息序列向量;其中,推荐位置与子组合序列的中心位置对应。
承接上述示例,首先基于组合序列中每个向量的时序,对组合序列进行划分,得到组合序列包括的多个子组合序列,其中每个子组合序列中的向量的时间戳是升序排列的。然后,针对任一子组合序列执行以下处理:通过解码器对子组合序列进行双向卷积处理,得到对应推荐位置的推荐信息序列向量,其中,推荐位置与子组合序列的中心位置对应。
在一些实施例中,解码器包括多个级联的解码层,且多个的解码层分别对应不同的双向卷积操作;通过解码器对子组合序列进行双向卷积处理,得到对应推荐位置的推荐信息序列向量,包括:通过多个级联的解码层的第一个解码层,对子组合序列进行第一个解码层的双向卷积处理;将第一个解码层的卷积结果输出到后续级联的解码层,以在后续级联的解码层中继续进行双向卷积处理和卷积结果输出,直至输出到最后一个解码层;将最后一个解码层输出的卷积结果作为对应推荐位置的推荐信息序列向量。
承接上述示例,解码器包括多个级联的解码层,且多个的解码层分别对应不同的双向卷积操作。例如,该解码器包括2层解码层,通过第1个解码层对子组合序列进行双向空洞卷积(膨胀数为1),以得到第1个解码层的卷积结果,并将第1个解码层的卷积结果输出至第2个解码层,通过第2个解码层对第1个解码层的卷积结果进行双向空洞卷积(膨胀数为2),以得到第2个解码层的卷积结果,并将第2个解码层的卷积结果作为对应推荐位置的推荐信息序列向量。通过层级的空洞卷积操作,可以层级地进行解码处理,以免遗漏重要兴趣信息。本发明实施例并不局限于空洞卷积,也可以采用其他的卷积处理。
下面,将说明本发明实施例在一个实际的应用场景中的示例性应用。
本发明实施例可以应用于各种推荐的应用场景中,如图1所示,终端200通过网络300连接部署在云端的服务器100,在终端200上安装新闻应用,获取针对目标用户进行新闻推荐的请求后,调用服务器100的信息推荐接口,服务器100根据针对目标用户进行新闻推荐的请求,进行一系列的处理,以得到新闻推荐列表,以快速响应针对目标用户进行新闻推荐的请求,从而目标用户可以不间断地浏览符合目标用户兴趣的新闻。
目前,时序推荐算法在工业界和学术界都得到了广泛研究和应用。该应用场景,通常短时间内用户兴趣会随着时间发生变化,例如短视频推荐场景;同时用户在数小时之内可能产生数百个项目(items)的浏览记录,即视频的浏览记录。在这些短视频应用中,推荐系统会一次性给用户推荐一个含有多个视频的有序列表。用户通过手指滑动视频,就能够按顺序地播放列表中的视频。在此场景下的有序视频列表推荐,即为时序推荐。好的时序推荐方法能保证好的用户体验,并给这些平台带来巨大的成功。
时序推荐方法通过研究用户与item的交互(如,浏览或购买等)在一个序列中的顺序关系来推荐符合用户偏好的item。相关技术中的推荐方法(如基于内容的推荐方法和协同过滤推荐方法)只能捕获用户的普遍偏好,而没有考虑时序信息。而时序推荐方法将用户与item的交互建模为一个动态序列,然后学习该序列的高级依赖关系,以学习长期和短期用户偏好,从而获得更好的推荐性能。
例如,相关技术中的时序推荐算法主要着重于根据用户已经交互的item,为用户推荐一个item。由于相关技术中的时序推荐方法仅针对下一个物品的推荐,所以如果是未来K个时刻的推荐项目,需要推荐算法逐次生成K次,也就是第K个推荐的item强依赖于前面K-1个用户点击记录,第K-1个推荐item强依赖于前面K-2个用户点击记录。这种串行的方法,即为Next-K推荐,是非常低效的,每次推荐请求都需要服务器中的推荐算法重新计算,从而作出响应,响应速度慢,对服务器请求次数多,从而导致落地效果不佳。为此,工业级应用往往采取相应的妥协替代策略:在响应第一个推荐请求时,直接对所有推荐item的分数进行排序,取分数最高的前K个推荐item,直接组成含有K个推荐item的有序列表,即为top-K推荐策略,而不是采用K次请求,生成未来K个时刻的推荐项目。这种策略虽然大大地节省了时间,但是实验结果表明top-K推荐策略替代Next-K,在推荐准确率和多样性的方面表现不佳。
为了解决上述问题,本发明实施例提出一种有效Next-K(Efficient Next-K)推荐算法(基于掩码优化迭代的空洞卷积时序推荐算法),能够同时兼顾推荐准确性和效率,并行的生成未来K个推荐项目(推荐信息)。本发明实施例提出的基于掩码优化迭代的空洞卷积时序推荐算法(基于人工智能的信息推荐方法),能够准确高效地生成一个由K个项目组成的有序推荐列表。具体来说,本发明实施例首先通过一个编码器-解码器网络结构来捕获用户喜好,并依此并行地输出由K个项目组成的有序推荐列表。深度空洞卷积网络能够利用较少的参数,在不损失信息量的情况下,对长序列的表征进行较为准确的学习。因此,本发明实施例采用一个深度空洞卷积网络来实现编码器,能够捕捉到用户已交互过的项目序列特征,并输出一个高级序列表征。然后,本发明实施例使用双向深度空洞卷积网络来实现解码器。在考虑高级序列表征和解码位置的前提下,解码器能够并行输出一个包含K个物品的有序列表。最后,本发明实施例通过一个掩码优化迭代器,迭代地对生成的有序列表进行优化。
相对于相关技术中的时序推荐算法(例如,自回归式生成算法,串行地生成K个item,算法会被重复执行K次,以获得K个item,此方法准确度相对高,但效率很低;Top-K生成算法,在一个item的推荐列表中,选出前K个得分最高的item组成推荐列表,此方法效率高,但准确度很低),本发明实施例提出一种非自回归式生成网络,能够有效地捕捉用户长短期的时序信息,并在短时间内,并行地、准确地输出含有K个item的推荐列表。
下面,具体说明本发明实施例提出的基于掩码优化迭代的空洞卷积时序推荐算法:
如图9所示,本发明实施例的网络架构由单向空洞卷积网络、双向空洞卷积网络以及掩码优化迭代器组成。通过单向空洞卷积网络(编码器)捕捉item序列的长时间信息和短时间信息,其单向空洞卷积网络的输入为用户的历史item交互序列,输出为高级序列表征。之后,将高级序列表征输入到双向空洞卷积网络(解码器),该解码器输出为含有K个item的推荐列表。为了优化解码器输出的推荐列表,通过掩码优化迭代器,有选择性地更新解码器输出的推荐列表,以生成准确的推荐列表。
本发明实施例的网络架构包括:1)嵌入(Embedding)层;2)编码器层;3)解码器层;4)映射层(Softmax层);5)掩码优化迭代器。下面具体说明本发明实施例的网络架构:
1)Embedding层
Embedding层为预训练算法模型的第一层,主要是将高维的独热码(one-hot)编码映射到低维嵌入(embedding)矩阵,矩阵每一行代表一个item的嵌入向量(embeddingvector),即项目向量(历史交互信息序列)。
2)编码器层
编码器层的目的是捕获序列的长期和短期信息。由于卷积神经网络的感受野(reception field)随卷积层数的增加而线性扩大,卷积神经网络很难用几层卷积层就捕获用户的长期信息。此外,更多的层数将引起梯度消失的问题,并可能在很大程度上增加运算时间。因此,本发明实施例利用单向空洞神经网络作为编码器,旨在全面、高效地学习序列的模式。其空洞卷积网络可以通过在卷积核中引入一定的间隙来扩大感受野,即可以用更少的层数(即参数)来增加其感受野,从而,高效地捕获用户的长短期信息。
如图10所示,从第一层的感受野为3、第二层的感受野为7、第三层的感受野为15。在真实的长序列的推荐场景中,例如,一个用户一天观看了1000个短视频,则重复图8中的架构,空洞卷积空洞值设置采用如下方式{1,2,4,…,128,1,2,4,…,128,1,2,4,…,128}。最后,编码器会输出一个高级序列表征(时序兴趣向量序列),其编码器可以为NextItNet模型,但不限于NextItNet模型。
3)解码器层
解码器的目标是基于编码器捕获到的高级序列表征对目标序列进行解码。本发明实施例中的解码器采用双向空洞卷积网络。解码器的卷积操作是双向的,即上层的点可以访问下层的左点和右点,例如,如图11所示,高级表征中的节点8与高级序列表征中的节点7对应,高级表征中的节点8可以访问高级序列表征中的节点7左边的节点(高级序列表征中节点4至节点6)以及右边的节点(高级序列表征中节点8至节点10)。从而,通过未来和过去的信息帮助生成准确的推荐列表。
其中,解码器的输入来自一个全为零的向量和编码器输出高级序列表征的拼接。空洞卷积网络能够识别出不同节点的位置信息,所以不需要额外为节点添加位置信息。解码器的输出为目标位置(推荐位置)的高级表征(待推荐信息序列向量)(共有K个)。
4)Softmax层
根据解码器输出的高级表征,对每个位置所包括的所有item进行softmax处理,得到每个位置所包括的所有item的概率,取任一位置中最大概率所对应的item,即为该位置的item(与推荐位置对应的待推荐信息),所有位置的item构成item列表。
5)掩码优化迭代器
由于解码是根据一系列掩码的输入得到的,因此,生成的item列表可能不是最优的。为了解决这一问题,如图12所示,本发明实施例提出一个掩码优化迭代器,以迭代地更新生成的item列表。
其中,该掩码优化迭代器将解码器输出的item列表中低置信度item项(即低概率的item项)进行重新预测,以迭代该预测过程,最终预测出更准确的item列表。具体来说,该迭代器可分为两步:
步骤1:掩码(Mask),基于softmax得到的每个位置上item的概率(即为该item的置信度),确定出N个置信度低的item,将N个置信度低的item进行掩码。其中,N的值为[1,K]之间的随机正整数。
步骤2:迭代(Generation),将没有掩码对应的向量以及掩码的item(全0)输入到解码器中,按照4)和5)的流程生成新的item列表。
直到达到预设的迭代次数后,停止迭代,以生成最优的item列表。
为了验证本发明实施例所提出的方法的效果,本发明实施例设计了四种评测指标:
1、Top-order:基于Next-1item推荐的高级表征,直接推荐Top-K item。与标注数据(ground-truth)列表比较时,考虑位置顺序。
2、Top-no-order:基于Next-1item推荐的高级表征,直接推荐Top-K item。与ground-truth列表比较时,不考虑位置顺序,即取两个列表的交集。
3、Next-order:基于Next-K item推荐的高级表征,推荐Next-K列表。与ground-truth列表比较时,考虑位置顺序。
4、Next-no-order:基于Next-K item推荐的高级表征,推荐Next-K列表。与ground-truth列表比较时,不考虑位置顺序,即取两个列表的交集。
针对推荐系统经典数据集(Movielens),本发明实施例的推荐准确性如表1所示(其中,已观测序列的长度为70,待预测的序列长度为30):
表1:推荐准确性
指标 | NextItNet | 本方法 |
Top-order | 0.0068 | - |
Top-no-order | 0.126 | - |
Next-order | 0.0079 | 0.0087 |
Next-no-order | 0.137 | 0.181 |
从实验结果可以看出,本方法在推荐准确性上都要明显优于相关技术的方法(例如,NextItNet)。
为了评估推荐效率,本发明实施例比较NextItNet和本发明实施例提出的方法在CPU环境下生成128个列表的时间(秒),如表2所示:
表2:推荐效率
指标 | NextItNet | 本方法 |
时间 | 2.2 | 0.2 |
从实验结果可以看出,本方法在推荐效率上都要明显优于相关技术的方法(例如,NextItNet)。
其中,本发明实施例可以采用Adam作为优化器,批量大小(batch size)为128,学习率(learning rate)采用0.001,训练数据采用90%作为训练集,剩下的作为测试集。
综上,本发明实施例提出的基于单向编码器和双向解码器的空洞卷积网络的推荐算法能够有效地捕捉用户长短期的时序信息,并在短时间内以较高的准确性输出一个含有K个item的推荐列表;通过掩码优化迭代器,能够对生成的推荐列表进行精调,降低item的重复率,提高推荐准确率。
至此已经结合本发明实施例提供的服务器的示例性应用和实施,说明本发明实施例提供的基于人工智能的信息推荐方法。本发明实施例还提供信息推荐装置,实际应用中,信息推荐装置中的各功能模块可以由电子设备(如终端设备、服务器或服务器集群)的硬件资源,如处理器等计算资源、通信资源(如用于支持实现光缆、蜂窝等各种方式通信)、存储器协同实现。图2示出了存储在存储器550中的信息推荐装置555,其可以是程序和插件等形式的软件,例如,软件C/C++、Java等编程语言设计的软件模块、C/C++、Java等编程语言设计的应用软件或大型软件系统中的专用软件模块、应用程序接口、插件、云服务等实现方式,下面对不同的实现方式举例说明。
示例一、信息推荐装置是移动端应用程序及模块
本发明实施例中的信息推荐装置555可提供为使用软件C/C++、Java等编程语言设计的软件模块,嵌入到基于Android或iOS等系统的各种移动端应用中(以可执行指令存储在移动端的存储介质中,由移动端的处理器执行),从而直接使用移动端自身的计算资源完成相关的信息推荐任务,并且定期或不定期地通过各种网络通信方式将处理结果传送给远程的服务器,或者在移动端本地保存。
示例二、信息推荐装置是服务器应用程序及平台
本发明实施例中的信息推荐装置555可提供为使用C/C++、Java等编程语言设计的应用软件或大型软件系统中的专用软件模块,运行于服务器端(以可执行指令的方式在服务器端的存储介质中存储,并由服务器端的处理器运行),服务器使用自身的计算资源完成相关的信息推荐任务。
本发明实施例还可以提供为在多台服务器构成的分布式、并行计算平台上,搭载定制的、易于交互的网络(Web)界面或其他各用户界面(UI,User Interface),形成供个人、群体或单位使用的信息推荐平台(用于推荐列表)等。
示例三、信息推荐装置是服务器端应用程序接口(API,Application ProgramInterface)及插件
本发明实施例中的信息推荐装置555可提供为服务器端的API或插件,以供用户调用,以执行本发明实施例的基于人工智能的信息推荐方法,并嵌入到各类应用程序中。
示例四、信息推荐装置是移动设备客户端API及插件
本发明实施例中的信息推荐装置555可提供为移动设备端的API或插件,以供用户调用,以执行本发明实施例的基于人工智能的信息推荐方法。
示例五、病理图像处理装置是云端开放服务
本发明实施例中的信息推荐装置555可提供为向用户开发的信息推荐云服务,供个人、群体或单位获取推荐列表。
其中,信息推荐装置555包括一系列的模块,包括确定模块5551、编码模块5552、解码模块5553、映射模块5554、处理模块5555以及优化模块5556。下面继续说明本发明实施例提供的信息推荐装置555中各个模块配合实现信息推荐的方案。
确定模块5551,用于对目标对象的历史交互行为数据进行遍历处理,以确定所述历史交互行为数据中的历史交互信息序列;编码模块5552,用于对所述历史交互信息序列的向量进行基于时序的单向编码处理,得到所述目标对象的时序兴趣向量序列;解码模块5553,用于基于所述时序兴趣向量序列进行双向解码处理,得到与各个推荐位置分别对应的待推荐信息序列向量;映射模块5554,用于对多个所述待推荐信息序列向量进行映射处理,得到与所述各个推荐位置分别对应的待推荐信息,并基于与所述各个推荐位置分别对应的待推荐信息生成推荐列表。
在一些实施例中,所述信息推荐装置555还包括:处理模块5555,用于对所述历史交互信息序列进行高维向量编码处理,得到对应所述历史交互信息序列的高维向量;对所述高维向量进行低维向量编码处理,得到对应所述历史交互信息序列的低维向量,并将所述低维向量作为所述历史交互信息序列的向量;其中,所述高维向量的维度大于所述低维向量的维度。
在一些实施例中,所述编码模块5552还用于基于所述历史交互信息序列中每个历史交互信息的时序,对所述历史交互信息序列进行划分,得到所述历史交互信息序列包括的多个子信息序列;针对所述多个子信息序列中的任一子信息序列执行以下处理:通过编码器对所述子信息序列的向量进行单向卷积处理,得到对应所述子信息序列的时序兴趣向量;其中,所述时序兴趣向量的位置与所述子信息序列的边缘位置对应;对多个所述时序兴趣向量进行组合处理,将组合结果作为所述目标对象的时序兴趣向量序列。
在一些实施例中,所述编码器包括多个级联的编码层,且所述多个的编码层分别对应不同的单向卷积操作;所述编码模块5552还用于通过所述多个级联的编码层的第一个编码层,对所述子信息序列的向量进行所述第一个编码层的单向卷积处理;将所述第一个编码层的卷积结果输出到后续级联的编码层,以在所述后续级联的编码层中继续进行单向卷积处理和卷积结果输出,直至输出到最后一个编码层;将所述最后一个编码层输出的卷积结果作为对应所述子信息序列的时序兴趣向量。
在一些实施例中,所述解码模块5553还用于对所述时序兴趣向量序列以及标准向量进行拼接处理,得到拼接向量序列;通过解码器对所述拼接向量序列进行双向卷积处理,得到与各个推荐位置分别对应的待推荐信息序列向量。
在一些实施例中,所述解码模块5553还用于对所述拼接向量序列进行划分,得到所述拼接向量序列包括的多个子拼接序列;针对所述多个子拼接序列中的任一子拼接序列执行以下处理:通过解码器对所述子拼接序列进行双向卷积处理,得到对应所述推荐位置的待推荐信息序列向量;其中,所述推荐位置与所述子拼接序列的中心位置对应。
在一些实施例中,所述解码器包括多个级联的解码层,且所述多个的解码层分别对应不同的双向卷积操作;所述解码模块5553还用于通过所述多个级联的解码层的第一个解码层,对所述子拼接序列进行所述第一个解码层的双向卷积处理;将所述第一个解码层的卷积结果输出到后续级联的解码层,以在所述后续级联的解码层中继续进行双向卷积处理和卷积结果输出,直至输出到最后一个解码层;将所述最后一个解码层输出的卷积结果作为对应所述推荐位置的待推荐信息序列向量。
在一些实施例中,所述映射模块5554还用于针对任一所述推荐位置执行以下处理:对与所述推荐位置对应的待推荐信息序列向量进行非线性映射处理,得到所述推荐位置的待推荐信息的概率分布;将所述概率分布中最大概率所对应的待推荐信息确定为与所述推荐位置对应的待推荐信息。
在一些实施例中,所述信息推荐装置555还包括:优化模块5556,用于基于掩码对所述各个推荐位置分别对应的待推荐信息进行掩码处理,得到掩码序列;解码模块5553还用于基于所述掩码序列进行双向解码处理,得到与所述各个推荐位置分别对应的推荐信息序列向量;对与所述各个推荐位置分别对应的推荐信息序列向量进行映射处理,得到与所述各个推荐位置分别对应的推荐信息。
在一些实施例中,所述优化模块5556还用于对每个与推荐位置对应的待推荐信息的概率进行升序排序,将排序在前的部分概率对应的待推荐信息确定为待掩码信息;将多个待推荐信息中的待掩码信息更新为掩码,以得到掩码序列。
在一些实施例中,所述解码模块5553还用于对所述时序兴趣向量序列以及所述掩码序列进行组合处理,得到组合序列;通过解码器对所述组合序列进行双向卷积处理,得到与所述各个推荐位置分别对应的推荐信息序列向量。
在一些实施例中,所述解码模块5553还用于对所述组合序列进行划分,得到所述组合序列包括的多个子组合序列;针对所述多个子组合序列中的任一子组合序列执行以下处理:通过解码器对所述子组合序列进行双向卷积处理,得到对应所述推荐位置的推荐信息序列向量;其中,所述推荐位置与所述子组合序列的中心位置对应。
在一些实施例中,所述解码器包括多个级联的解码层,且所述多个的解码层分别对应不同的双向卷积操作;所述解码模块5553还用于通过所述多个级联的解码层的第一个解码层,对所述子组合序列进行所述第一个解码层的双向卷积处理;将所述第一个解码层的卷积结果输出到后续级联的解码层,以在所述后续级联的解码层中继续进行双向卷积处理和卷积结果输出,直至输出到最后一个解码层;将所述最后一个解码层输出的卷积结果作为对应所述推荐位置的推荐信息序列向量。
在一些实施例中,所述确定模块5551还用于对所述目标对象的历史交互行为数据进行遍历处理,得到所述历史交互行为数据中每个历史交互信息的时间戳;对所述每个历史交互信息的时间戳进行降序排序,将排序在前的部分时间戳对应的历史交互信息进行组合,将组合结果作为所述历史交互行为数据中的历史交互信息序列。
本发明实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本发明实施例上述的基于人工智能的信息推荐方法。
本发明实施例提供一种存储有可执行指令的计算机可读存储介质,其中存储有可执行指令,当可执行指令被处理器执行时,将引起处理器执行本发明实施例提供的基于人工智能的信息推荐方法,例如,如图3A-图3D示出的基于人工智能的信息推荐方法。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述,仅为本发明的实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本发明的保护范围之内。
Claims (15)
1.一种基于人工智能的信息推荐方法,其特征在于,包括:
对目标对象的历史交互行为数据进行遍历处理,以确定所述历史交互行为数据中的历史交互信息序列;
对所述历史交互信息序列的向量进行基于时序的单向编码处理,得到所述目标对象的时序兴趣向量序列;
基于所述时序兴趣向量序列进行双向解码处理,得到与各个推荐位置分别对应的待推荐信息序列向量;
对多个所述待推荐信息序列向量进行映射处理,得到与所述各个推荐位置分别对应的待推荐信息,并基于与所述各个推荐位置分别对应的待推荐信息生成推荐列表。
2.根据权利要求1所述的方法,其特征在于,所述对所述历史交互信息序列的向量进行基于时序的单向编码处理,得到所述目标对象的时序兴趣向量序列之前,还包括:
对所述历史交互信息序列进行高维向量编码处理,得到对应所述历史交互信息序列的高维向量;
对所述高维向量进行低维向量编码处理,得到对应所述历史交互信息序列的低维向量,并
将所述低维向量作为所述历史交互信息序列的向量;
其中,所述高维向量的维度大于所述低维向量的维度。
3.根据权利要求1所述的方法,其特征在于,所述对所述历史交互信息序列的向量进行基于时序的单向编码处理,得到所述目标对象的时序兴趣向量序列,包括:
基于所述历史交互信息序列中每个历史交互信息的时序,对所述历史交互信息序列进行划分,得到所述历史交互信息序列包括的多个子信息序列;
针对所述多个子信息序列中的任一子信息序列执行以下处理:
通过编码器对所述子信息序列的向量进行单向卷积处理,得到对应所述子信息序列的时序兴趣向量;
其中,所述时序兴趣向量的位置与所述子信息序列的边缘位置对应;
对多个所述时序兴趣向量进行组合处理,将组合结果作为所述目标对象的时序兴趣向量序列。
4.根据权利要求3所述的方法,其特征在于,
所述编码器包括多个级联的编码层,且所述多个的编码层分别对应不同的单向卷积操作;
所述通过编码器对所述子信息序列的向量进行单向卷积处理,得到对应所述子信息序列的时序兴趣向量,包括:
通过所述多个级联的编码层的第一个编码层,对所述子信息序列的向量进行所述第一个编码层的单向卷积处理;
将所述第一个编码层的卷积结果输出到后续级联的编码层,以在所述后续级联的编码层中继续进行单向卷积处理和卷积结果输出,直至输出到最后一个编码层;
将所述最后一个编码层输出的卷积结果作为对应所述子信息序列的时序兴趣向量。
5.根据权利要求1所述的方法,其特征在于,所述基于所述时序兴趣向量序列进行双向解码处理,得到与各个推荐位置分别对应的待推荐信息序列向量,包括:
对所述时序兴趣向量序列以及标准向量进行拼接处理,得到拼接向量序列;
通过解码器对所述拼接向量序列进行双向卷积处理,得到与各个推荐位置分别对应的待推荐信息序列向量。
6.根据权利要求5所述的方法,其特征在于,所述通过解码器对所述拼接向量序列进行双向卷积处理,得到与各个推荐位置分别对应的待推荐信息序列向量,包括:
对所述拼接向量序列进行划分,得到所述拼接向量序列包括的多个子拼接序列;
针对所述多个子拼接序列中的任一子拼接序列执行以下处理:
通过解码器对所述子拼接序列进行双向卷积处理,得到对应所述推荐位置的待推荐信息序列向量;
其中,所述推荐位置与所述子拼接序列的中心位置对应。
7.根据权利要求6所述的方法,其特征在于,
所述解码器包括多个级联的解码层,且所述多个的解码层分别对应不同的双向卷积操作;
所述通过解码器对所述子拼接序列进行双向卷积处理,得到对应所述推荐位置的待推荐信息序列向量,包括:
通过所述多个级联的解码层的第一个解码层,对所述子拼接序列进行所述第一个解码层的双向卷积处理;
将所述第一个解码层的卷积结果输出到后续级联的解码层,以在所述后续级联的解码层中继续进行双向卷积处理和卷积结果输出,直至输出到最后一个解码层;
将所述最后一个解码层输出的卷积结果作为对应所述推荐位置的待推荐信息序列向量。
8.根据权利要求1所述的方法,其特征在于,所述对多个所述待推荐信息序列向量进行映射处理之后,还包括:
基于掩码对所述各个推荐位置分别对应的待推荐信息进行掩码处理,得到掩码序列;
基于所述掩码序列进行双向解码处理,得到与所述各个推荐位置分别对应的推荐信息序列向量;
对与所述各个推荐位置分别对应的推荐信息序列向量进行映射处理,得到与所述各个推荐位置分别对应的推荐信息。
9.根据权利要求8所述的方法,其特征在于,所述基于掩码对所述各个推荐位置分别对应的待推荐信息进行掩码处理,得到掩码序列,包括:
对每个与推荐位置对应的待推荐信息的概率进行升序排序,将排序在前的部分概率对应的待推荐信息确定为待掩码信息;
将多个待推荐信息中的待掩码信息更新为掩码,以得到掩码序列。
10.根据权利要求8所述的方法,其特征在于,所述基于所述掩码序列进行双向解码处理,得到与所述各个推荐位置分别对应的推荐信息序列向量,包括:
对所述时序兴趣向量序列以及所述掩码序列进行组合处理,得到组合序列;
通过解码器对所述组合序列进行双向卷积处理,得到与所述各个推荐位置分别对应的推荐信息序列向量。
11.根据权利要求10所述的方法,其特征在于,所述通过解码器对所述组合序列进行双向卷积处理,得到与所述各个推荐位置分别对应的推荐信息序列向量,包括:
对所述组合序列进行划分,得到所述组合序列包括的多个子组合序列;
针对所述多个子组合序列中的任一子组合序列执行以下处理:
通过解码器对所述子组合序列进行双向卷积处理,得到对应所述推荐位置的推荐信息序列向量;
其中,所述推荐位置与所述子组合序列的中心位置对应。
12.根据权利要求11所述的方法,其特征在于,
所述解码器包括多个级联的解码层,且所述多个的解码层分别对应不同的双向卷积操作;
所述通过解码器对所述子组合序列进行双向卷积处理,得到对应所述推荐位置的推荐信息序列向量,包括:
通过所述多个级联的解码层的第一个解码层,对所述子组合序列进行所述第一个解码层的双向卷积处理;
将所述第一个解码层的卷积结果输出到后续级联的解码层,以在所述后续级联的解码层中继续进行双向卷积处理和卷积结果输出,直至输出到最后一个解码层;
将所述最后一个解码层输出的卷积结果作为对应所述推荐位置的推荐信息序列向量。
13.一种信息推荐装置,其特征在于,所述装置包括:
确定模块,用于对目标对象的历史交互行为数据进行遍历处理,以确定所述历史交互行为数据中的历史交互信息序列;
编码模块,用于对所述历史交互信息序列的向量进行基于时序的单向编码处理,得到所述目标对象的时序兴趣向量序列;
解码模块,用于基于所述时序兴趣向量序列进行双向解码处理,得到与各个推荐位置分别对应的待推荐信息序列向量;
映射模块,用于对多个所述待推荐信息序列向量进行映射处理,得到与所述各个推荐位置分别对应的待推荐信息,并基于与所述各个推荐位置分别对应的待推荐信息生成推荐列表。
14.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至12任一项所述的基于人工智能的信息推荐方法。
15.一种计算机可读存储介质,其特征在于,存储有可执行指令,用于引起处理器执行时,实现权利要求1至12任一项所述的基于人工智能的信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010835851.3A CN111914178A (zh) | 2020-08-19 | 2020-08-19 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010835851.3A CN111914178A (zh) | 2020-08-19 | 2020-08-19 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111914178A true CN111914178A (zh) | 2020-11-10 |
Family
ID=73279092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010835851.3A Pending CN111914178A (zh) | 2020-08-19 | 2020-08-19 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914178A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222547A (zh) * | 2021-05-17 | 2021-08-06 | 北京明略昭辉科技有限公司 | 一种项目跟进方法、系统、电子设备及存储介质 |
CN113344662A (zh) * | 2021-05-31 | 2021-09-03 | 联想(北京)有限公司 | 一种产品推荐方法、装置及设备 |
CN113516973A (zh) * | 2021-09-13 | 2021-10-19 | 珠海亿智电子科技有限公司 | 基于双向上下文的非自回归语音识别网络、方法及设备 |
CN113704510A (zh) * | 2021-07-30 | 2021-11-26 | 北京达佳互联信息技术有限公司 | 一种媒体内容推荐方法、装置、电子设备及存储介质 |
CN113806568A (zh) * | 2021-08-10 | 2021-12-17 | 中国人民大学 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN114201626A (zh) * | 2021-11-18 | 2022-03-18 | 北京达佳互联信息技术有限公司 | 多媒体推荐方法、装置、电子设备及存储介质 |
CN116703498A (zh) * | 2023-04-23 | 2023-09-05 | 北京元灵数智科技有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
CN116911912A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 一种交互对象和交互结果的预测方法及装置 |
-
2020
- 2020-08-19 CN CN202010835851.3A patent/CN111914178A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222547A (zh) * | 2021-05-17 | 2021-08-06 | 北京明略昭辉科技有限公司 | 一种项目跟进方法、系统、电子设备及存储介质 |
CN113344662A (zh) * | 2021-05-31 | 2021-09-03 | 联想(北京)有限公司 | 一种产品推荐方法、装置及设备 |
CN113704510A (zh) * | 2021-07-30 | 2021-11-26 | 北京达佳互联信息技术有限公司 | 一种媒体内容推荐方法、装置、电子设备及存储介质 |
CN113704510B (zh) * | 2021-07-30 | 2024-02-06 | 北京达佳互联信息技术有限公司 | 一种媒体内容推荐方法、装置、电子设备及存储介质 |
CN113806568B (zh) * | 2021-08-10 | 2023-11-03 | 中国人民大学 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN113806568A (zh) * | 2021-08-10 | 2021-12-17 | 中国人民大学 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN113516973A (zh) * | 2021-09-13 | 2021-10-19 | 珠海亿智电子科技有限公司 | 基于双向上下文的非自回归语音识别网络、方法及设备 |
CN113516973B (zh) * | 2021-09-13 | 2021-11-16 | 珠海亿智电子科技有限公司 | 基于双向上下文的非自回归语音识别网络、方法及设备 |
CN114201626A (zh) * | 2021-11-18 | 2022-03-18 | 北京达佳互联信息技术有限公司 | 多媒体推荐方法、装置、电子设备及存储介质 |
CN114201626B (zh) * | 2021-11-18 | 2023-03-28 | 北京达佳互联信息技术有限公司 | 多媒体推荐方法、装置、电子设备及存储介质 |
CN116703498A (zh) * | 2023-04-23 | 2023-09-05 | 北京元灵数智科技有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
CN116703498B (zh) * | 2023-04-23 | 2024-03-26 | 北京元灵数智科技有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
CN116911912A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 一种交互对象和交互结果的预测方法及装置 |
CN116911912B (zh) * | 2023-09-12 | 2024-03-15 | 深圳须弥云图空间科技有限公司 | 一种交互对象和交互结果的预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914178A (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
CN112035747B (zh) | 信息推荐方法及装置 | |
CN111444428A (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
JP2023539532A (ja) | テキスト分類モデルのトレーニング方法、テキスト分類方法、装置、機器、記憶媒体及びコンピュータプログラム | |
CN111241394B (zh) | 数据处理方法、装置、计算机可读存储介质及电子设备 | |
CN111611488B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
JP2024503774A (ja) | 融合パラメータの特定方法及び装置、情報推奨方法及び装置、パラメータ測定モデルのトレーニング方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN116664719B (zh) | 一种图像重绘模型训练方法、图像重绘方法及装置 | |
CN111104599B (zh) | 用于输出信息的方法和装置 | |
CN113837794B (zh) | 基于时空图卷积网络的连锁零售门店销售预测方法 | |
CN110781377B (zh) | 一种文章推荐方法、装置 | |
CN112231580B (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
CN109690581A (zh) | 用户指导系统及方法 | |
CN112364184A (zh) | 多媒体数据的排序方法、装置、服务器及存储介质 | |
CN114357319A (zh) | 网络请求处理方法、装置、设备、存储介质及程序产品 | |
CN112417133A (zh) | 排序模型的训练方法和装置 | |
CN114329051A (zh) | 数据信息识别方法、装置、设备、存储介质及程序产品 | |
Wang et al. | Top-N-targets-balanced recommendation based on attentional sequence-to-sequence learning | |
CN114580533A (zh) | 特征提取模型的训练方法、装置、设备、介质及程序产品 | |
US20240104623A1 (en) | Method and apparatus for pushing information | |
CN115329183A (zh) | 数据处理方法、装置、存储介质及设备 | |
CN113342998A (zh) | 一种多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN114154048A (zh) | 构建推荐模型的方法、装置、电子设备及存储介质 | |
CN113762992A (zh) | 一种处理数据的方法和装置 | |
Hadzhikoleva et al. | Generalized net model for building responsive design of web pages |
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 |