CN112269943A - 一种信息推荐系统及方法 - Google Patents
一种信息推荐系统及方法 Download PDFInfo
- Publication number
- CN112269943A CN112269943A CN202011394631.8A CN202011394631A CN112269943A CN 112269943 A CN112269943 A CN 112269943A CN 202011394631 A CN202011394631 A CN 202011394631A CN 112269943 A CN112269943 A CN 112269943A
- Authority
- CN
- China
- Prior art keywords
- information
- recommendation
- account
- processor
- recommended
- 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.)
- Granted
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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
Abstract
本公开关于一种信息推荐系统及方法,属于推荐技术领域,用于提高推荐信息的准确性,该系统包括第一推荐单元和第二推荐单元;第一推荐单元包括第一特征处理器和推荐数据处理器,第一特征处理器用于根据账户的第一账户关联信息得到第一输入特征,并将第一输入特征传递至推荐数据处理器;推荐数据处理器用于根据第一输入特征和第二推荐单元得到的放缩特征信息确定待推荐对象的推荐参数;第二推荐单元包括第二特征处理器和门控单元,第二特征处理器用于根据第二账户关联信息得到第二输入特征,并将第二输入特征传递至门控单元;门控单元用于根据第二输入特征得到放缩特征信息,并将放缩特征信息传递至推荐数据处理器。
Description
技术领域
本公开涉及推荐技术领域,尤其涉及一种信息推荐系统及方法。
背景技术
推荐概率预测的目的是推荐系统估计用户点击给定信息的概率,这在较多推荐场景(例如短视频推荐场景、资讯推荐场景、广告推荐场景)中引起了越来越多的关注。以推荐的信息是短视频的推荐场景为例,先对多个待推荐的短视频进行推荐参数预测,例如可以通过点击率(Click Through Rate,CTR)来反映推荐参数,然后从中选择一些CTR较高的短视频推荐给用户,这样推荐的短视频使得用户在较大程度上会点击观看,所以通过预测推荐参数再向用户推荐信息可以在一定程度上确保推荐的准确性。
相关技术中的信息推荐系统在向用户推荐信息的过程中,计算推荐参数的准确性较低,这样为用户推荐的信息有时候并不是用户感兴趣的,导致信息推荐系统推荐信息的准确性较低,信息推荐系统的系统性能较差。
发明内容
本公开提供一种信息推荐系统及方法,用以提高推荐系统计算推荐参数的准确率,以提高推荐信息的准确性,从而提升推荐系统的系统性能。
本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种信息推荐系统,所述系统包括第一推荐单元和第二推荐单元,其中:
所述第一推荐单元,包括第一特征处理器和推荐数据处理器;其中,所述第一特征处理器用于根据账户的第一账户关联信息得到第一输入特征,以及将所述第一输入特征传递至所述推荐数据处理器;所述推荐数据处理器用于根据所述第一输入特征和所述第二推荐单元得到的放缩特征信息确定待推荐对象的推荐参数,其中,所述推荐参数用于确定多个待推荐对象中的目标推荐对象;
所述第二推荐单元,包括第二特征处理器和门控单元;其中,所述第二特征处理器用于根据第二账户关联信息得到第二输入特征,并将所述第二输入特征传递至所述门控单元,所述第二账户关联信息为所述第一账户关联信息中用于描述所述账户的信息;所述门控单元用于根据所述第二输入特征得到所述放缩特征信息,并将所述放缩特征信息传递至所述推荐数据处理器,所述放缩特征信息用于表征所述第二账户关联信息对所述推荐参数的影响程度。
可选的,所述第一特征处理器用于:根据所述第一账户关联信息包含的信息进行编码操作,得到所述第一输入特征,其中,所述第一账户关联信息包括用于描述所述账户的信息和所述待推荐对象的对象属性信息;
所述第二特征处理器用于:根据所述第二账户关联信息包含的信息进行编码操作,得到所述第二输入特征,所述第二账户关联信息包括用于描述账户的信息。
可选的,用于描述所述账户的信息包括:所述账户的账户属性信息和/或所述账户对已推荐对象的历史互动数据。
可选的所述第一特征处理器通过第一编码方式对用于描述所述账户的信息执行编码操作,所述第二特征处理器通过第二编码方式对用于描述所述账户的信息执行编码操作,所述第一编码方式和所述第二编码方式所采用的词嵌入表不同。
可选的,所述推荐数据处理器包括至少两个全连接模块;所述门控单元包括至少两个门控模块,一个门控模块与一个全连接模块一一对应,每个门控模块均用于根据所述第二输入特征得到对应的放缩特征信息,并将各自得到的放缩特征信息传递至对应的全连接模块;与每个门控模块对应的全连接模块使用得到的放缩特征信息将该全连接模块的输入特征进行缩放处理,并以缩放处理后的输入值执行本全连接模块的计算,以及将计算结果传递至相邻的下一个全连接模块以作为该下一个全连接模块的输入值。
可选的,所述至少两个全连接模块包括的全连接模块的数量与所述门控单元包括的门控模块的数量相同。
可选的,所述第一推荐单元还包括位于所述第一特征处理器和所述推荐数据处理器之间的兴趣数据处理模块,所述兴趣数据处理模块用于根据所述第一账户关联信息确定所述账户的兴趣倾向信息,并根据所述兴趣倾向信息确定所述账户的当前兴趣标签;
对应的,所述第一特征处理器用于:
根据所述当前兴趣标签和所述第一账户关联信息确定所述第一输入特征。
可选的,所述第二特征处理器用于:
利用预先得到的嵌入特征生成器生成与所述账户的账户属性信息对应的目标账户特征,并将所述目标账户特征确定为所述第二输入特征;其中,所述账户的已推荐对象的数量小于第一设定数量,所述嵌入特征生成器是根据多个样本账户对应的训练数据训练得到的,每个样本账户的训练数据包括该样本账户的账户属性信息和该样本账户与已推荐对象之间的历史互动数据,每个样本账户的已推荐对象的数量均大于第二设定数量;
所述门控单元用于:
根据所述第二输入特征确定目标放缩特征信息,并将所述目标放缩特征信息传递至所述推荐数据处理器;
对应的,所述推荐数据处理器用于:
根据所述目标放缩特征信息确定待推荐对象的推荐参数,并根据所述推荐参数确定是否向所述账户推荐所述待推荐对象。
根据本公开实施例的第二方面,提供一种信息推荐方法,该方法可以应用于第一方面中任一种实现方式中的信息推荐系统,所述方法包括:
获得目标账户的推荐请求;
获得所述目标账户对应的目标账户关联信息;
根据所述目标账户关联信息确定向所述目标账户推荐至少一个待推荐对象的推荐参数,并根据各个待推荐对象的推荐参数向所述目标账户推荐对象。
根据本公开实施例的第三方面,提供一种信息推荐装置,该装置可以应用于第一方面中任一种实现方式中的信息推荐系统,所述装置包括:
第一获得单元,被配置为执行获得目标账户的推荐请求;
第二获得单元,被配置为执行获得所述目标账户对应的目标账户关联信息;
推荐单元,被配置为执行根据所述目标账户关联信息确定向所述目标账户推荐至少一个待推荐对象的推荐参数,并根据各个待推荐对象的推荐参数向所述目标账户推荐对象。
根据本公开实施例的第四方面,提供一种电子设备,所述电子设备包括第一方面中任一种实现方式中的信息推荐系统。
根据本公开实施例的第五方面,提供一种电子设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时,所述至少一个处理器能够执行第二方面中的信息推荐方法。
根据本公开实施例的第六方面,提供一种存储介质,当所述存储介质中的指令由电子设备的处理器执行时,所述电子设备能够执行第二方面中的信息推荐方法。
根据本公开实施例的第六方面,第二方面中的信息推荐方法还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算机上运行时,所述程序代码用于使所述计算机执行前文所描述的根据本公开各种示例性实施方式的信息推荐方法中的步骤。
本公开的实施例提供的技术方案至少带来以下有益效果:
本公开实施例的技术方案中,在信息推荐系统中增设了第二推荐单元,并通过第二推荐单元中的门控单元将第一推荐单元和第二推荐单元建立了关联,这样,在第一推荐单元通过第一账户关联信息确定待推荐对象的推荐参数的过程中,第二推荐单元将通过第二账户关联信息得到的放缩特征信息传递至第一推荐单元,以使第一推荐单元综合利用第一账户关联信息和放缩特征信息来计算推荐参数,由于第二账户关联信息是第一账户关联信息中用于描述账户自身的信息,相当于是在推荐过程中将用于描述账户自身的信息进行了二次强化,而用于描述账户自身的信息表征的即是用户自身的个人信息,也就是说,通过第二推荐单元将用户个人信息的考虑权重加重以强化其对于推荐参数的影响作用,相当于是凸显用户个人信息在推荐对象过程中的作用,这样计算得到的推荐参数是能够更为准确地反映出用户个人对待推荐对象的喜好程度的,所以这样可以实现更为个性化且符合用户的喜好习惯的推荐,所以采用该方式得到的推荐参数的准确性较高,提高了计算推荐参数的计算能力,进而可以提升被推荐对象的点击率,提高了信息推荐系统推荐对象的准确性和有效性,增强了信息推荐系统的推荐效果,提升了信息推荐系统的计算能力和系统性能。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的本公开实施例适用的一种应用场景的示意图;
图2是根据一示例性实施例示出的本公开实施例的信息推荐系统的网络架构示意图;
图3是根据一示例性实施例示出的本公开实施例的信息推荐系统的另一网络架构示意图;
图4是根据一示例性实施例示出的本公开实施例的信息推荐方法的流程示意图;
图5是根据一示例性实施例示出的本公开实施例的电子设备的结构示意图;
图6是根据一示例性实施例示出的本公开实施例的信息推荐装置的结构框图的示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
其中,在本公开的描述中,除非另有说明,“多个”、“若干个”的含义是指两个或两个以上。
以下对本文中涉及的部分用语进行说明,以便于本领域技术人员理解。
1、推荐系统,是一种信息过滤系统,推荐系统中包括有大量的待推荐对象,针对各个用户进行对象过滤和筛选,可以为对应用户推荐适合的对象,所以又可以称作将推荐系统称作信息推荐系统。根据推荐对象的不同,推荐系统例如可以包括资讯推荐系统、短视频推荐系统、音乐推荐系统、应用推荐系统等等。
2、人工智能,是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是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,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,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。
3、长短期记忆模型(Long Short-Term Memory,LSTM),它是对循环层单元进行改造,避免用公式直接计算隐含层状态值。LSTM 是一种长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM可以理解为是一种循环神经网络,而双向的LSTM简称为BLSTM或BiLSTM或Bi-LSTM。
为更好地理解本公开实施例提供的技术方案,下面对本公开实施例提供的技术方案适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本公开实施例而非限定。在具体实施时,可以根据实际需要灵活地应用本公开实施例提供的技术方案。
请参见图1,图1为本公开实施例适用的一种应用场景,在该应用场景中包括多个终端设备(例如终端设备101、终端设备102、终端设备103)和服务器104,其中的服务器104可以是服务于推荐平台的后台服务器,例如是资讯推荐服务器、短视频推荐服务器,等等。每个终端设备可以对应一个用户,以终端设备102及短视频推荐场景为例,终端设备102对应用户2,用户2可以操作终端设备102向服务器104发送短视频推荐请求,进一步地,服务器104可以根据用户2的账户属性信息和对已推荐短视频的历史互动数据对多个待推荐的短视频进行推荐概率的预测,例如进行CTR预测,然后可以将CTR值较高的待推荐对象推荐给用户2,用户2通过终端设备102观看服务器104推荐的短视频。
其中,账户属性信息例如是包括用户2所登录账户的账户标识、用户2的性别、年龄、观看喜好标签、职业、所处位置等能够表征用户2个人特征的一些相关信息;历史互动数据用于表示用户2对之前为其推荐过的对象(例如短视频)的互动行为相关的信息,例如对短视频的观看时长、观看次数、点赞、评论、关注、分享、下载等信息,通过历史互动数据能够分析出用户2感兴趣和不感兴趣的短视频类型和内容,例如用户2经常对美食类的短视频进行点赞和评论,则可以分析出用户是对美食类的短视频是比较感兴趣的,这样,后续在为用户2推荐短视频时则可以多推荐一些用户兴趣较大的美食类的短视频,以此可以尽量符合用户的兴趣爱好,满足其观看需求,并且这样可以为多个用户进行差异化的个性化推荐,提高推荐的有效性。
具体地,服务器104中可以部署有本公开实施例中所描述的信息推荐系统,这样,在向用户推荐信息(例如推荐资讯或者推荐短视频)时可以对与用户相关联的账户关联信息(例如账户属性信息)作为强化考虑因素,即在推荐时更多地考虑到用户个人的属性信息,这样预测的推荐参数是能够更符合用户自身的实际情况的,所以这样的推荐结果也更能够满足用户的实际兴趣需求,进而提高推荐效果,提升推荐系统的推荐性能。
其中,服务器104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,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备101、终端设备102、终端设备103可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能电视、智能穿戴式设备等,但并不局限于此。各个终端设备与服务器104之间通信连接,例如可以无线通信连接或者有线通信连接,各个终端设备与服务器104之间的通信网络包括但不限于广域网、城域网或局域网。
为进一步说明本公开实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本公开实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本公开实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时,可按照实施例或者附图所示的方法顺序执行或者并行执行。
本公开实施例提供一种信息推荐系统,该信息推荐系统可以应用于多种推荐场景,例如资讯推荐场景、短视频推荐场景、图片推荐场景、应用下载推荐场景,等等。请参见图2所示,图2是根据一示例性实施例示出的一种信息推荐系统的架构示意图,本公开实施例中的信息推荐系统由第一推荐单元和第二推荐单元组成,以下对本公开实施例中的信息推荐系统的具体结构进行说明。
第一推荐单元,包括第一特征处理器和推荐数据处理器,在具体实施过程中,第一特征处理器中可以部署一个嵌入网络,例如嵌入层(Embedding Layer),推荐数据处理器中可以部署多层感知机(Multi-Layer Perceptron,MLP),多层感知机可以包括至少一个全连接层(Fully Connected layers,FC),全连接层又可以称作全连接模块,每个全连接层有一个对应的激活函数,图2中是以三个全连接层为例,激活函数例如包括ReLU函数、softmax函数、sigmoid函数等。示意性地,第一推荐单元可以是深度神经网络(Deep NeuralNetworks,DNN),所以又可以将第一推荐单元称作第一网络。另外,可以将第一推荐单元称作是基础模型(base model),具体来说,第一推荐单元例如是概率神经网络(Probabilistic Neural Network,PNN)、深度因子分解机(Factorization Machines,FM)即DeepFM、深度兴趣网络(Deep Interest Network,DIN)、深度兴趣进化网络(DeepInterest Evolution Network,DIEN)等神经网络。
第一特征处理器是用于对相关信息进行处理以提取对应的特征信息的处理单元,第一特征处理器可以理解为是输入层,具体到神经网络中例如是前述的嵌入层,所以又可以将第一特征处理器理解为是嵌入特征处理器。第一特征处理器可以将信息编码成向量。以需要对某个用户推荐对象为例,可以将该用户账户属性信息和历史互动数据编码成对应的账户相关向量,例如将对账户属性信息编码得到的向量称作第一账户特征或者称作第一账户特征向量,以及将对账户对应的历史互动数据编码得到的向量称作互动行为特征或者互动行为特征向量。
在推荐的过程中,可以通过信息推荐系统确定推荐池中的待推荐对象的推荐参数,其中的推荐参数用于确定多个待推荐对象中的目标推荐对象,目标推荐对象可以理解为是选择出的需要推荐给用户的对象,也就是说,可以根据各个待推荐对象的推荐参数来确定是否将其推荐给用户,所以,又可以将推荐参数立即为是推荐权重,推荐权重越大表明对应的待推荐对象被推荐给用户的概率越大。通过推荐参数可表征待推荐对象被推荐给账户的推荐概率,可以理解的是,推荐参数所表征的推荐权重值越大,表明被推荐的概率越大,在另一方面,推荐参数可以通过待推荐对象被用户点击的概率(即点击率)来表征,一般是将预测的点击率越大的对象优先推荐给用户,因为点击率越大表明用户感兴趣的概率越大。
此外,第一特征处理器还可以对待推荐对象(例如某个短视频或者某条资讯)的对象属性信息进行编码以得到对应的对象特征,对象特征例如又可以称作对象特征向量。
用户的用账户属性信息是用于表征用户个人属性的信息,用户的账户属性信息例如包括账户标识(例如用户账号或者昵称)、性别、年龄、身高、体重、职业、收入、所处位置、个人喜好等私人信息;用户的历史互动数据是用于表示该用户对之前为其推荐的对象(即用户已经观看过的对象)的互动行为相关的信息,所以这里的历史互动数据主要是指历史用户行为,历史用户行为是揭示用户兴趣以及兴趣变化的关键特征,以推荐的对象是短视频为例,历史互动数据例如可以包括用户观看过的短视频的标识,以及每个观看过的短视频的观看时长、观看次数、点赞、评论、关注、分享、下载等信息,通过用户的可以能够大致分析出用户感兴趣和不感兴趣的内容,例如用户经常对美食类的短视频进行点赞和评论,则可以分析出用户是对美食类的短视频是比较感兴趣的。
待推荐对象的对象属性信息是用于表征推荐系统中的对象特征的相关信息,例如可以包括对象类别、播放时长、发布位置、播放热度、总推荐次数等信息,以推荐的对象是短视频为例,对象类别例如包括育儿类、美食类、方言类、搞笑类、风景类等,以推荐的对象是资讯为例,对象类别例如包括科技类、体育类、娱乐类、军事类、金融类等。
在具体实施过程中,可以将上述的用户对应的账户属性信息、账户对已推荐对象的历史互动数据、待推荐对象的对象属性信息统称为账户关联信息,也就是说,账户关联信息是与对应账户自身和/或为其推荐的对象相关联的信息,在具体实施过程中,具体的账户关联信息可以包括账户属性信息、账户对已推荐对象的历史互动数据、待推荐对象的对象属性信息中的至少一种信息。
本公开实施例中,可以将上述的账户关联信息划分为两种,一种称作第一账户关联信息,另一种称作第二账户关联信息,而无论是第一账户关联信息还是第二账户关联信息均是用于描述与账户具有关联性的相关信息。在一种可能的实施例中,第一账户关联信息包括账户属性信息、账户对已推荐对象的历史互动数据、待推荐对象的对象属性信息这三种信息,其中的账户属性信息和账户对已推荐对象的历史互动数据是与账户强相关的信息,可以将这两种信息中的至少一种信息称作“用于描述账户的信息”。而第二账户关联信息包括账户属性信息、账户对已推荐对象的历史互动数据中的至少一种,例如第二账户关联信息是账户属性信息,获得第二账户关联信息是账户属性信息和账户对已推荐对象的历史互动数据。可见,第二账户关联信息是第一账户关联信息中的部分信息,第二账户关联信息是第一账户关联信息中用于描述账户自身的信息,可以这样理解,第二账户关联信息是第一账户关联信息中与账户自身具有强相关性的信息。
第一特征处理器可以将根据账户属性信息、账户对已推荐对象的历史互动数据、待推荐对象的对象属性信息对应编码得到的第一账户特征、第一互动行为特征和对象特征串联起来,拼接得到一个新的拼接特征,例如可以得到一个拼接向量,本公开实施例中将拼接得到的该新的拼接特征称作第一输入特征,进一步地,可以将得到的第一输入特征传递至推荐数据处理器,具体来说可以传递给推荐数据处理器中的至少一个全连接层,以使至少一个全连接层根据第一输入特征计算出系统对待推荐对象的推荐参数,例如可以计算系统向该账户推荐该待推荐对象的推荐概率,或者可以计算该账户对该待推荐对象的点击率。
在具体实施过程中,第一推荐单元还可以包括兴趣数据处理模块,如图2中所示的中间层(Middle Layer),由于中间层对于本公开实施例中的信息推荐系统并不是必须的,即第一推荐单元中可以包括兴趣数据处理模块或者也可以不包括兴趣数据处理模块,所以在图2中将兴趣数据处理模块是以虚线表示的。在第一推荐单元中包括有兴趣数据处理模块时,兴趣数据处理模块位于第一特征处理器和推荐数据处理器之间,兴趣数据处理模具有捕获用户兴趣的能力,可以根据前述的第一账户关联信息确定账户的兴趣倾向信息,并根据账户的兴趣倾向信息确定账户的当前兴趣标签。例如,兴趣数据处理模可以根据用户过去观看过的对象对用户兴趣进行分析,并且还可以根据用户过去观看过的对象分析用户兴趣随时间的变化,进而可以对当前待推荐对象与用户过去点击过的对象之间的相关性进行预测,也就是说,兴趣数据处理模块可用于根据第一账户关联信息确定对应用户的兴趣变化信息。在具体实施过程中,若第一推荐单元是PNN或者DeepFM,则可以不包括兴趣数据处理模,若第一推荐单元是DIN或者DIEN,则可以包括兴趣数据处理模。其中,DIN使用本地激活单元作为兴趣数据处理模,对当前要预测的对象与用户过去点击的对象之间的相关性进行建模,类似地,DIEN使用中间层来学习相同的相关性,并可以建模用户兴趣随时间的变化。
第二推荐单元包括第二特征处理器和门控单元。其中,第二嵌入模块可以对第二账户关联信息进行编码以得到对应的编码特征,例如,可以对第二账户关联信息中的账户属性信息进行编码以得到对应的编码特征,例如将该编码称作第二账户特征或者第二账户特征向量,并将得到的第二账户特征作为输入(例如称作第二输入特征)传递至门控单元;门控模单元在获得第二输入特征之后,可以对其进行处理以得到放缩特征信息,具体地,放缩特征信息例如可以是一个门控向量(Gating vector),再将得到的放缩特征信息关联至第一推荐单元中的推荐数据处理器,以使得第一推荐单元中的至少一个全连接层可以根据第一推荐单元中的第一输入特征和第二推荐单元关联的放缩特征信息这两者来计算对待推荐对象的推荐参数。在第一输入特征和放缩特征信息均以向量表示时,例如可以将第一输入特征和放缩特征信息做Hadamard乘积,再根据乘积得到的结果来计算对待推荐对象的推荐参数。
本公开实施例中的放缩特征信息是用于表征第二账户关联信息对推荐参数的影响程度,可以将放缩特征信息理解为是对待推荐对象的推荐参数预测的额外的一个权重因子,由于放缩特征信息是第二推荐单元根据与账户自身强相关的第二账户关联信息得到的,在第一推荐单元利用第一账户关联信息计算推荐参数的基础上,相当于是通过第二推荐单元将第二账户关联信息(例如账户属性信息)在推荐参数预测过程中考虑的权重增大,即强化了与账户自身强相关的账户关联信息在推荐参数计算过程中的作用,针对每次推荐参数的预测可以更为准确地捕获每个账户和每个待推荐对象之间的相关性,这样得到的点击率更能反映用户的实际情况,以提高点推荐参数预测的准确性,从而可以提高推荐系统推荐信息的准确性和有效性。
具体实施时,第二推荐单元中的门控单元在得到放缩特征信息之后,可以将其转换为0-1之间的放缩因子,再将该放缩因子关联给第一推荐单元中的至少一个全连接层,以对全连接层原本得到的计算结果进行缩放处理。例如,全连接层的计算是:y=wx+b,其中的w表示该全连接层对应的权重矩阵,b表示该全连接层对应的偏置,第二网推荐单元中的门控单元关联的放缩因子是g,放缩处理就是将其中的x强化为x’=gx,再代入前式得到:y’=wx’+b=wgx+b。
这样,通过第二推荐单元中的门控单元将第一推荐单元和第二推荐单元建立了关联,第一推荐单元在预测待推荐对象的推荐参数时不仅使用了第一推荐单元中提供的第一输入特征,同时还使用了第二推荐单元中提供的放缩特征信息,而第一输入向特征是根据同时包括账户属性信息、历史互动数据和对象属性信息等账户关联信息的第一账户关联信息得到的,而放缩特征信息是根据与账户自身具有强相关的第二账户关联信息得到的,也就是说,在确定待推荐对象的推荐参数时是两次使用到了账户自身强相关的信息(例如账户属性信息),也就是强化了用户个人信息对最终的推荐参数的影响,换言之,在预测点击率时加重了对用户个人信息的考虑,这样得到的点击率是充分考虑用户自身因素的,所以这样得到的推荐参数是更能够符合用户自身的实际需求的,提高了对对象推荐参数预测的有效性和准确性,进一步地,根据这种方式得到的推荐参数来进行对象推荐的推荐结果也能够更符合用户自身的情况,例如推荐的对象是更能够让用户感兴趣的,进而能够提高用户对推荐对象实际的点击率,从而提高了推荐系统推荐对象的准确性和有效性。
并且,在充分考虑各个用户自身因素利用第一推荐单元和第二推荐单元进行强化推荐后,这样更能体现出各个用户之间的差异,这样可以充分考虑各个用户自身的爱好差异进行个性化的差异推荐,从而实现更为个性化的推荐效果。
在包括前述的兴趣数据处理模块的情形下,根据兴趣数据处理模块分析得到的用户的兴趣倾向信息和对应的账户的当前兴趣标签之后,第一特征处理器可以根据账户的当前兴趣标签和第一账户关联信息共同来确定第一输入特征,这样可以对用户个人的兴趣爱好进行强化考虑,以增强用户兴趣爱好在推荐参数预测中的影响程度,使得得到的推荐参数是更能体现用户自身的兴趣爱好的,进而提升待推荐对象的推荐参数预测的准确性和有效性。
在具体实施过程中,门控单元可以通过门控网络(或者称作门控模型)实现,而门控网络可以采用长短期记忆网络(Long Short-Term Memory,LSTM)或者门控循环单元(Gated Recurrent Unit,GRU)实现。通过门控网络得到的门控向量(即前述的放缩特征信息)可以通过门控网络中每层的激活函数(例如ReLU函数)得到。
本公开实施例中的门控单元是与用户个人信息(例如账户属性信息和账户对已推荐对象的历史互动数据)强相关的,可以将这种强相关的关系称作“用户依赖”,并且门控单元可以通过门控网络实现,如此,本公开实施例中将这种“用户依赖”的门控网络称作用户依赖的门控(User Dependent Gating,UDG),该UDG机制将来自其它门控网络根据用户个人信息得到的输出值(对应前述的门控向量)用作与DNN(对应前述的第一推荐单元)推荐模型的隐藏层的激活函数相关联的动态缩放因子,以此通过两个网络(即第一推荐单元和第二推荐单元)来将用户个人信息在推荐参数预测过程中进行强化,实现提高推荐有效性的目的。
如前所述的,第一推荐单元可以是通用的一些神经网络,可以将第一特征处理器层看作是神经网络的输入层,将包括至少一个全连接层的推荐数据处理器看作是神经网络的隐藏层,UDG机制就是将小型门控网络(即第二推荐单元中的门控模块)与基础的神经模型(即第一推荐单元)的隐藏层相关联,从而通过两个神经网络来强化用户的账户关联信息在点击率预测中的作用,这样得到的点击率结果是更为与用户自身强相关联的,所以这样得到的点击率预测结果的有效性更高。
在一种实施例中,在得到第一输入特征和第二输入特征的过程中,第一特征处理器可以通过第一编码方式对第一账户关联信息中的用于描述账户的信息(即账户属性信息和/或账户对已推荐对象的历史互动数据)进行编码操作,进而得到第一输入特征,以及,第二特征处理器可以通过第二编码方式对第二账户关联信息(即第一账户关联信息中用于描述账户的信息)进行编码操作以得到第二输入特征,其中的第一编码方式和第二编码方式可以是不同的编码方式,也就是说,虽然被编码的信息都是相同,但是可以通过不同的编码方式来得到的对应不同的编码结果,第一特征处理器和第二特征处理器可以使用不同的编码方式分别对也“用于描述账户的信息”以得到两个不同的输入特征。
其中,不同的编码方式可以是指使用不同的词嵌入表(Embedding Table)来进行编码,其中的词嵌入表例如也可以称词编码表,也就是说,通过查表机制,第一特征处理器和第二特征处理器可以通过读取不同的词嵌入表来实现对信息的不同编码,以得到不同的编码特征,如此,在强化用于描述账户的信息对推荐参数的影响程度的基础上,可以从不同特征描述维度去进行二次强化,以进一步地提高用户个人情况(即账户相关的信息)对推荐参数预测的强化作用和有效性。
当然在另一种实施方式中,第一特征处理器和第二特征处理器也可以使用相同的编码方式对相关信息进行编码,本公开实施例不做特别限制。
在本公开实施例中,第二推荐单元中的第二特征处理器除了得到前述的第二账户特征之外,还可以获得前述中提到的根据用账户对已推荐对象的历史互动数据编码得到的第二互动行为特征,第二特征处理器得到第二互动行为特征的方式可以采用前述的第一特征处理器得到第一互动行为特征的方式,此处不再重复说明。
在除第二账户特征外再得到第二互动行为特征的基础上,第二特征处理器可以将第二账户特征和第二互动行为特征进行特征拼接以得到作为下一层输入的第二输入特征,例如将两个向量拼接,即在次情形下,输入到门控单元的第二输入特征是第二账户特征和第二互动行为特征的拼接特征。进一步地,门控单元得到的门控向量(对应前述的放缩特征信息)不仅可以表示用户自身的账户属性信息,还可以同时表示用户对已推荐对象的互动行为,这样在将其关联给第一推荐单元去计算待推荐对象的推荐参数时,便可以将这些信息再次强化其对于推荐参数的影响,从而提高推荐参数预测的准确性,以便于提高推荐对象的准确性和有效性。
本公开实施例中的门控单元可以由至少两个门控模块组成,一个门控模块例如是一个门控网络,例如是LSTM或者GRU,请参见图3所示的,图3中是以门控单元包括三个门控模块(即门控模块1、门控模块2、门控模块3)为例进行图示的,每个门控模块均可以根据第二特征处理器得到的第二输入特征得到对应的门控向量,例如图3中所示的,门控模块1得到的是门控向量1、门控模块2得到的是门控向量2、门控模块3得到的是门控向量3,门控单元中的所有门控模块均是共用第二特征处理器输入的第二输入特征的,即用来对第二账户关联信息进行编码的嵌入表在所有门控模块之间是共享的,这样可以减少每个用户所需的参数数量,同时也可以减少存储消耗。
每个门控模块可以包括多个全连接层,每个全连接层对应一个激活函数,在图3中是以ReLU函数、Sigmoid函数这些激活函数来直接表示门控模块中的全连接层的,当然图3中示出的激活函数的举例以及激活函数对应的层数只是示意性的说明,并并构成限定。
如图3中所示的,一个门控模块与第一推荐单元中的一个全连接层关联,具体地,第二推荐单元中的一个门控模块与第一推荐单元中的一个全连接层(即全连接模块)一一对应,即第二推荐单元中的门控模块和第一推荐单元中的全连接层是一一对应的关系,这样,可以根据第一推荐单元中推荐数据处理器包括的全连接层的数量来部署第二推荐单元中的门控模块,即将第二推荐单元中的门控单元所包括门控模块的数量设置为与第一推荐单元中的全连接层的数量,如此,在实现一一对应的基础上也无需设置多余的门控网络,以尽量减少网络体量,减少资源浪费。
每个门控模块可以使用不同的激活函数来计算得到对应的门控向量,每个门控模块在得到对应的门控向量之后,可以将对应的门控向量关联至对应的全连接模块,例如将门控向量直接发送给对应的全连接层,这样,第一推荐单元中的各个全连接层使用得到的门控向量将该全连接层的输入值进行缩放处理,例如进行Hadamard乘积,并以缩放处理后的输入值执行本全连接模块的计算,以及将计算结果传递至相邻的下一个全连接模块以作为该下一个全连接模块的输入值。也就是说,可以为每个全连接模块匹配独立匹配关联一个对应的门控模块,这样每个全连接模块均可以进行缩放处理,以通过多层缩放处理的累积来进一步地强化与账户强相关的第二账户关联信息在推荐参数预测过程中的影响,更为强烈地对用户个人信息进行强化,以此达到进一步地提高推荐参数预测的准确性,从而提高推荐对象的准确性和有效性,提高整个推荐系统的推荐性能。
并且,各个门控模块都是体量较小的网络,所以整个第二推荐单元的体量也较小,使用小型门控网络增加的静态参数和计算量都较少,因此本公开实施例中的UDG是较为容易且有效实施的结构。
本公开实施例中,通过第二推荐单元提供的放缩特征信息(例如图3中的门控向量)将第一推荐单元和第二推荐单元建立了关联,第一推荐单元在确定待推荐对象的推荐参数时是两次使用到了用户个人信息,也就是强化了用户个人信息对推荐参数的影响,换言之,在预测推荐参数时加重了对用户个人信息的考虑,这样得到的推荐参数是充分考虑用户自身因素的,所以这样得到的推荐结果也能够更为符合用户自身的情况,可以提高用户对推荐对象的推荐参数预测的有效性和准确性,进而利用该方法得到的推荐参数进行对象推荐的话,可以提高对象推荐的准确性和有效性。并且,在充分考虑各个用户自身因素进行强化推荐后,可以更能体现出各个用户之间的差异,从而实现更为个性化的推荐效果。
此外,以账户是目标账户为例,若该目标账户是本公开实施例中的信息推荐系统中的新用户,即系统若是第一次向该目标账户推荐对象或者向该目标账户推荐对象的数量非常少,例如只推荐过1次对象,可以将已推荐对象的数量小于第一设定数量的账户理解为是目标账户,即新用户,其中的第一设定数量例如是1或者2等较小数值。对于这类新用户而言,在信息推荐系统中还并未有历史交互数据,即在系统中“零行为特征”用户。所以系统在为其推荐对象的时候是缺乏推荐依据的,所以在首次或者前几次推荐中一般采用的是随机推荐,可以称作“盲推”,很显然这样推荐的对象很可能并不是用户感兴趣的,所以这样的推荐效果是较差的。鉴于此,在对新用户推荐对象时,本公开实施例中采用预先得到的嵌入特征生成器来进行推荐,参考系统中老用户的推荐机制来进类似的推荐,其中的老用户是与前述的新用户相对的一个概念,老用户可以理解为是在系统中有交互行为特征的用户,例如将系统已经推荐过设定次数(例如10次)的对象的用户称作是老用户,或者用户在系统中的交互行为特征较多的用户称作是老用户。
为便于理解,首先对本公开实施例中用于为新用户进行推荐而使用的嵌入特征生成器进行说明。嵌入特征生成器是根据多个样本账户对应的训练数据训练得到的,每个样本账户的训练数据包括该样本账户的账户属性信息和该样本账户与已推荐对象之间的历史互动数据,每个样本账户的已推荐对象的数量均大于第二设定数量(例如10),所以可以各个样本账户理解为是系统中的老用户。也就是说,是利用系统中的老用户的相关推荐数据来得到的嵌入特征生成器,也就是参照系统中大量的老用户的推荐过程来挖掘对用户进行适配推荐的方式,因为老用户由于有较多的交互行为数据所以推荐的准确性一般都是较高的,所以通过参照老用户的推荐机制的方式可以在一定程度上提高对新用户的推荐准确性,比如,大多数25岁左右的女性上班族都喜欢美妆类视频,大多数30岁左右的男性上班族都喜欢汽车类视频,等等。通过这样的挖掘学习,可以得到不同类别标签的用户大致喜欢的对象类型,相当于是将大众化的喜好需求移植到新用户上,这样可以进行符合大众喜好的对象推荐,相对于纯粹的“盲推”方式来说,可以尽量提高对新用户推荐的准确性。
在本公开实施例中,可以在信息推荐系统的第二推荐单元中使用上述参照老用户的推荐数据而训练得到的嵌入特征生成器,具体地,对于是新用户的目标账户,可以先获得目标账户对应的账户属性信息,称作目标账户属性信息,再在第二特征处理器中利用预先得到的嵌入特征生成器生成与目标账户属性信息对应的目标账户特征,则可以将该目标账户特征理解为是前述的第二输入特征,进一步地,第二特征处理器将得到的目标账户特征传递给门控单元。门控单元可以根据目标账户特征确定出对应的缩放特征信息,例如称作目标缩放特征信息,再将目标放缩特征信息传递值第一推荐单元中的推荐数据处理器,即将目标放缩特征信息关联给第一推荐单元。进一步地,第一推荐单元中的推荐数据处理器根据目标放缩特征信息确定系统向目标账户推荐待推荐对象的推荐参数,例如称作目标推荐参数,而具体的确定目标推荐参数的方式可以参见前面的实施例描述,进而,推荐数据处理器可以根据目标推荐参数确定是否想目标账户推荐前述的待推荐对象,例如可以仅根据推荐参数进行推荐决策,或者还可以结合推荐参数以及其它推荐因素来综合进行推荐决策,本公开实施例不做限制。
本公开实施例中,利用系统中现有的老用户的推荐数据,通过元学习的方式学习系统为用户推荐对象的适配机制,在将该适配机制平移用到新用户的推荐过程中,这样可以在一定程度上提高推荐的准确性,尤其是对于在系统中是“零行为特征”的新用户来说,可以明显提高推荐的有效性。
基于上述本公开实施例相同构思,本公开实施例提供一种信息推荐方法,该方法可以由如图2或图3所示的信息推荐系统执行,图2或图3所示的信息推荐系统例可以部署在如图1中的服务器104中,例如可以部署在推荐服务器中,也就是说,本公开实施例提供的信息推荐方法可以由推荐服务器执行,该推荐服务器中部署有如图2或图3所示的信息推荐系统。请参见图4所示的,本公开实施例提供的信息推荐方法的流程描述如下。
步骤401:获得目标账户的推荐请求。
当用户希望信息推荐系统为其推荐对象时,可以登录账户向信息推荐系统触发相关的推荐请求,本公开实施例中的信息推荐系统例如是短视频推荐系统、资讯推荐系统、音乐推荐系统、电子书推荐系统等等,以用户使用目标账户触发推荐请求为例对本公开实施例的技术方案进行说明。
步骤402:获得目标账户对应的目标账户关联信息。
将目标账户对应的账户关联信息称作目标账户关联信息,账户的账户关联信息例如可以包括账户属性信息、该账户对已推荐对象的历史互动数据、待推荐对象的对象属性信息中的一种或多种,对于账户关联信息以及账户关联信息中所包括的各种可能的信息的说明请参见前述描述信息推荐系统的实施例中的说明,这里就不再重复描述了。
步骤403:根据目标账户关联信息确定目标账户对至少一个待推荐对象的推荐参数,并根据各个待推荐对象的推荐参数息向目标账户推荐对象。
在本公开实施例中,能够将用户个人信息(例如账户属性信息和历史互动数据)进行强化考虑,这样得到的推荐参数结果更能够符合用户自身的实际情况,所以采用图2或图3所示的系统得到的推荐参数预测结果的准确性和有效性都是较高的。基于此,再采用图2或图3所示的系统对各个对待推荐对象的推荐参数的预测结果,可以更为准确地向目标账户进行对象推荐,使得为目标账户推荐的对象是用户能够尽量满意的,即用户点击这些对象的概率是较大的,从而提高对象推荐的有效性和准确性,提升了整个推荐系统的推荐性能。
基于上述公开实施例的相同构思,本公开实施例还提供一种电子设备,该电子设备包括如前实施例中所描述的信息推荐系统,具体来说,该电子设备包括如图2或图3中所示的推荐单元和第二推荐单元的网络结构,即该电子设备中可以包括有图2或图3所示的信息推荐系统,该电子设备例如是前述图1中的服务器104,该电子设备可以通过运行集成在其中的信息推荐系统为用户推荐对象,例如推荐短视频,或者推荐资讯,或者推荐应用,或者推荐音乐等等。如图5所示,本公开实施例中的电子设备包括至少一个处理器501,以及与至少一个处理器501连接的存储器502和通信接口503,本公开实施例中不限定处理器501与存储器502之间的具体连接介质,图5中是以处理器501和存储器502之间通过总线500连接为例,总线500在图5中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线500可以分为地址总线、数据总线、控制总线等,为便于表示,图5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。
在本公开实施例中,存储器502存储有可被至少一个处理器501执行的指令,至少一个处理器501通过执行存储器502存储的指令,可以执行前述的推送展示对象的方法中所包括的步骤。
其中,处理器501是电子设备的控制中心,可以利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据,电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器501可包括一个或多个处理单元,处理器501可集成应用处理器和调制解调处理器,其中,处理器501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501中。在一些实施例中,处理器501和存储器502可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器501可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列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,可以实现或者执行本公开实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是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。本公开实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
通信接口503是能够用于进行通信的传输接口,例如可以通过通信接口503接收数据或者发送数据。
继续参见图5,该电子设备还包括帮助电子设备内的各个器件之间传输信息的基本输入/输出系统(I/O系统)504、用于存储操作系统505、应用程序506和其他程序模块507的大容量存储设备508。
基本输入/输出系统504包括有用于显示信息的显示器509和用于用户输入信息的诸如鼠标、键盘之类的输入设备510。其中显示器509和输入设备510都通过连接到系统总线500的基本输入/输出系统504连接到处理器501。基本输入/输出系统504还可以包括输入输出控制器以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备508通过连接到系统总线500的大容量存储控制器(未示出)连接到处理器501。大容量存储设备508及其相关联的计算机可读介质为该服务器包提供非易失性存储。也就是说,大容量存储设备508可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
根据本公开的各种实施例,该电子设备包还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即该电子设备可以通过连接在系统总线500上的通信接口503连接到网络511,或者说,也可以使用通信接口503来连接到其他类型的网络或远程计算机系统(未示出)。
基于上述公开实施例的相同构思,本公开还提供一种信息推荐装置,该信息推荐装置可以应用于图2或图3中所示的信息推荐系统中,请参见图6所示,该信息推荐装置可以包括第一获得单元601、第二获得单元602和推荐单元603,其中:
第一获得单元601,被配置为执行获得目标账户的推荐请求;
第二获得单元602,被配置为执行获得目标账户对应的目标账户关联信息;
推荐单元603,被配置为执行根据目标账户关联信息确定向目标账户推荐至少一个待推荐对象的推荐参数,并根据各个待推荐对象的推荐参数向目标账户推荐对象。
本公开实施例中的信息推荐装置的实施可以参见前述描述的信息推荐系统部分的实施例介绍,此处就不重复说明了。
基于上述公开实施例的相同构思,本公开还提供一种电子设备,该电子设备中包括如图2或图3中的信息推荐系统,该电子设备例如是用于向用户推荐信息或对象的推荐服务器,例如是推荐平台的后台服务器。
基于上述公开实施例的相同构思,本公开还提供一种存储介质,该存储介质可以是计算机可读存储介质,该存储介质中存储有计算机指令,当该计算机指令在计算机上运行时,使得计算机执行如前述的信息推荐方法的步骤。
基于上述公开实施例的相同构思,本公开实施例提供的信息推荐方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在电子设备上运行时,所述程序代码用于使所述电子设备执行前文所描述的根据本公开各种示例性实施方式的信息推荐方法中的步骤。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本公开的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。
显然,本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样,倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内,则本公开也意图包含这些改动和变型在内。
Claims (13)
1.一种信息推荐系统,其特征在于,所述系统包括第一推荐单元和第二推荐单元,其中:
所述第一推荐单元,包括第一特征处理器和推荐数据处理器;其中,所述第一特征处理器用于根据账户的第一账户关联信息得到第一输入特征,以及将所述第一输入特征传递至所述推荐数据处理器;所述推荐数据处理器用于根据所述第一输入特征和所述第二推荐单元得到的放缩特征信息确定待推荐对象的推荐参数,其中,所述推荐参数用于确定多个待推荐对象中的目标推荐对象;
所述第二推荐单元,包括第二特征处理器和门控单元;其中,所述第二特征处理器用于根据第二账户关联信息得到第二输入特征,并将所述第二输入特征传递至所述门控单元,所述第二账户关联信息为所述第一账户关联信息中用于描述所述账户的信息;所述门控单元用于根据所述第二输入特征得到所述放缩特征信息,并将所述放缩特征信息传递至所述推荐数据处理器,所述放缩特征信息用于表征所述第二账户关联信息对所述推荐参数的影响程度。
2.如权利要求1所述的系统,其特征在于,
所述第一特征处理器用于:根据所述第一账户关联信息包含的信息进行编码操作,得到所述第一输入特征,其中,所述第一账户关联信息包括用于描述所述账户的信息和所述待推荐对象的对象属性信息;
所述第二特征处理器用于:根据所述第二账户关联信息包含的信息进行编码操作,得到所述第二输入特征,所述第二账户关联信息包括用于描述账户的信息。
3.如权利要求2所述的系统,其特征在于,用于描述所述账户的信息包括:所述账户的账户属性信息和/或所述账户对已推荐对象的历史互动数据。
4.如权利要求2所述的系统,其特征在于,所述第一特征处理器通过第一编码方式对用于描述所述账户的信息执行编码操作,所述第二特征处理器通过第二编码方式对用于描述所述账户的信息执行编码操作,所述第一编码方式和所述第二编码方式所采用的词嵌入表不同。
5.如权利要求1所述的系统,其特征在于,所述推荐数据处理器包括至少两个全连接模块;所述门控单元包括至少两个门控模块,一个门控模块与一个全连接模块一一对应,每个门控模块均用于根据所述第二输入特征得到对应的放缩特征信息,并将各自得到的放缩特征信息传递至对应的全连接模块;与每个门控模块对应的全连接模块使用得到的放缩特征信息将该全连接模块的输入特征进行缩放处理,并以缩放处理后的输入值执行本全连接模块的计算,以及将计算结果传递至相邻的下一个全连接模块以作为该下一个全连接模块的输入值。
6.如权利要求5所述的系统,其特征在于,所述至少两个全连接模块包括的全连接模块的数量与所述门控单元包括的门控模块的数量相同。
7.如权利要求1-6任一所述的系统,其特征在于,所述第一推荐单元还包括位于所述第一特征处理器和所述推荐数据处理器之间的兴趣数据处理模块,所述兴趣数据处理模块用于根据所述第一账户关联信息确定所述账户的兴趣倾向信息,并根据所述兴趣倾向信息确定所述账户的当前兴趣标签;
对应的,所述第一特征处理器用于:
根据所述当前兴趣标签和所述第一账户关联信息确定所述第一输入特征。
8.如权利要求1-6任一所述的系统,其特征在于,所述第二特征处理器用于:
利用预先得到的嵌入特征生成器生成与所述账户的账户属性信息对应的目标账户特征,并将所述目标账户特征确定为所述第二输入特征;其中,所述账户的已推荐对象的数量小于第一设定数量,所述嵌入特征生成器是根据多个样本账户对应的训练数据训练得到的,每个样本账户的训练数据包括该样本账户的账户属性信息和该样本账户与已推荐对象之间的历史互动数据,每个样本账户的已推荐对象的数量均大于第二设定数量;
所述门控单元用于:
根据所述第二输入特征确定目标放缩特征信息,并将所述目标放缩特征信息传递至所述推荐数据处理器;
所述推荐数据处理器用于:
根据所述目标放缩特征信息确定待推荐对象的推荐参数,并根据所述推荐参数确定是否向所述账户推荐所述待推荐对象。
9.一种信息推荐方法,其特征在于,应用于如权利要求1-8任一所述的信息推荐系统,所述方法包括:
获得目标账户的推荐请求;
获得所述目标账户对应的目标账户关联信息;
根据所述目标账户关联信息确定向所述目标账户推荐至少一个待推荐对象的推荐参数,并根据各个待推荐对象的推荐参数向所述目标账户推荐对象。
10.一种信息推荐装置,其特征在于,应用于如权利要求1-8任一所述的信息推荐系统,所述装置包括:
第一获得单元,被配置为执行获得目标账户的推荐请求;
第二获得单元,被配置为执行获得所述目标账户对应的目标账户关联信息;
推荐单元,被配置为执行根据所述目标账户关联信息确定向所述目标账户推荐至少一个待推荐对象的推荐参数,并根据各个待推荐对象的推荐参数向所述目标账户推荐对象。
11.一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时,所述至少一个处理器能够执行如权利要求9所述的信息推荐方法。
12.一种电子设备,其特征在于,包括如权利要求1-8任一所述的信息推荐系统。
13.一种存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,所述电子设备能够执行如权利要求9所述的信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394631.8A CN112269943B (zh) | 2020-12-03 | 2020-12-03 | 一种信息推荐系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394631.8A CN112269943B (zh) | 2020-12-03 | 2020-12-03 | 一种信息推荐系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112269943A true CN112269943A (zh) | 2021-01-26 |
CN112269943B CN112269943B (zh) | 2021-04-02 |
Family
ID=74350292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011394631.8A Active CN112269943B (zh) | 2020-12-03 | 2020-12-03 | 一种信息推荐系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112269943B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343024A (zh) * | 2021-08-04 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN113689234A (zh) * | 2021-08-04 | 2021-11-23 | 华东师范大学 | 一种基于深度学习的平台相关的广告点击率预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383908A (zh) * | 2016-09-30 | 2017-02-08 | 北京奇虎科技有限公司 | 一种数据对象推送方法和装置 |
US20180375949A1 (en) * | 2014-03-18 | 2018-12-27 | Outbrain Inc. | Provisioning personalized content recommendations |
CN109829108A (zh) * | 2019-01-28 | 2019-05-31 | 北京三快在线科技有限公司 | 信息推荐方法、装置、电子设备及可读存储介质 |
CN110442790A (zh) * | 2019-08-07 | 2019-11-12 | 腾讯科技(深圳)有限公司 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
CN110837598A (zh) * | 2019-11-11 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及存储介质 |
CN111353089A (zh) * | 2018-12-24 | 2020-06-30 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、电子设备及计算机存储介质 |
CN111724238A (zh) * | 2020-06-23 | 2020-09-29 | 中国平安人寿保险股份有限公司 | 产品推荐准确度评价方法、装置、设备及存储介质 |
CN111782968A (zh) * | 2020-07-02 | 2020-10-16 | 北京字节跳动网络技术有限公司 | 内容推荐方法、装置、可读介质及电子设备 |
-
2020
- 2020-12-03 CN CN202011394631.8A patent/CN112269943B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180375949A1 (en) * | 2014-03-18 | 2018-12-27 | Outbrain Inc. | Provisioning personalized content recommendations |
CN106383908A (zh) * | 2016-09-30 | 2017-02-08 | 北京奇虎科技有限公司 | 一种数据对象推送方法和装置 |
CN111353089A (zh) * | 2018-12-24 | 2020-06-30 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、电子设备及计算机存储介质 |
CN109829108A (zh) * | 2019-01-28 | 2019-05-31 | 北京三快在线科技有限公司 | 信息推荐方法、装置、电子设备及可读存储介质 |
CN110442790A (zh) * | 2019-08-07 | 2019-11-12 | 腾讯科技(深圳)有限公司 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
CN110837598A (zh) * | 2019-11-11 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及存储介质 |
CN111724238A (zh) * | 2020-06-23 | 2020-09-29 | 中国平安人寿保险股份有限公司 | 产品推荐准确度评价方法、装置、设备及存储介质 |
CN111782968A (zh) * | 2020-07-02 | 2020-10-16 | 北京字节跳动网络技术有限公司 | 内容推荐方法、装置、可读介质及电子设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343024A (zh) * | 2021-08-04 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN113689234A (zh) * | 2021-08-04 | 2021-11-23 | 华东师范大学 | 一种基于深度学习的平台相关的广告点击率预测方法 |
CN113689234B (zh) * | 2021-08-04 | 2024-03-15 | 华东师范大学 | 一种基于深度学习的平台相关的广告点击率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112269943B (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368210B (zh) | 基于人工智能的信息推荐方法、装置以及电子设备 | |
CN111931062B (zh) | 一种信息推荐模型的训练方法和相关装置 | |
CN110781321B (zh) | 一种多媒体内容推荐方法及装置 | |
CN111090756B (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
CN112269943B (zh) | 一种信息推荐系统及方法 | |
CN113569129A (zh) | 点击率预测模型处理方法、内容推荐方法、装置及设备 | |
CN111708948A (zh) | 内容项推荐方法、装置、服务器及计算机可读存储介质 | |
CN114417174B (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
CN112182281B (zh) | 一种音频推荐方法、装置及存储介质 | |
CN115237732A (zh) | 一种操作预测方法及相关装置 | |
CN113836390B (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN116910357A (zh) | 一种数据处理方法及相关装置 | |
CN112269942B (zh) | 一种推荐对象的方法、装置、系统及电子设备 | |
CN116204709A (zh) | 一种数据处理方法及相关装置 | |
CN115878839A (zh) | 一种视频推荐方法、装置、计算机设备和计算机程序产品 | |
CN115482021A (zh) | 多媒体信息推荐方法、装置、电子设备及存储介质 | |
CN115482019A (zh) | 一种活动关注度预测方法、装置、电子设备和存储介质 | |
CN113761272A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
CN113886674A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN111860870A (zh) | 交互行为确定模型的训练方法、装置、设备及介质 | |
CN114417944B (zh) | 识别模型训练方法及装置、用户异常行为识别方法及装置 | |
CN112749335B (zh) | 生命周期状态预测方法、装置、计算机设备和存储介质 | |
CN116166870A (zh) | 一种数据处理方法、计算机设备以及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |