CN112632389B - 信息处理方法、信息处理装置、存储介质与电子设备 - Google Patents
信息处理方法、信息处理装置、存储介质与电子设备 Download PDFInfo
- Publication number
- CN112632389B CN112632389B CN202011609293.5A CN202011609293A CN112632389B CN 112632389 B CN112632389 B CN 112632389B CN 202011609293 A CN202011609293 A CN 202011609293A CN 112632389 B CN112632389 B CN 112632389B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- recommended
- historical
- vector
- target user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 369
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000003993 interaction Effects 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 38
- 230000004913 activation Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种信息处理方法、信息处理装置、计算机可读存储介质与电子设备,属于计算机技术领域。所述方法包括:获取与目标用户关联的历史推荐对象的第一特征向量,以及待推荐对象的第二特征向量;确定所述历史推荐对象的衰减时间,根据所述衰减时间计算所述历史推荐对象的当前热度;根据所述第一特征向量、所述第二特征向量和所述历史推荐对象的当前热度,确定所述历史推荐对象的注意力权重;利用所述注意力权重对所述第一特征向量进行加权处理,得到所述历史推荐对象的目标特征向量;对所述目标特征向量和所述第二特征向量进行处理,得到所述目标用户与所述待推荐对象的匹配度。本公开可以提高信息推送的准确率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种信息处理方法、信息处理装置、计算机可读存储介质与电子设备。
背景技术
为了向用户提供更为优质的服务,诸多互联网厂商都试图通过推荐方法向用户推送其感兴趣的信息。
在现有的推荐方法中,通常会引入各个维度的用户行为数据,构成时间序列数据,将按照时间戳进行降序排列后的时间序列数据作为用户的特征数据,然后将该特征数据进行向量化,并将向量化的特征数据进行融合,得到用户对推荐信息的兴趣度。然而,这种方法是在各推荐信息对用户兴趣度贡献相同的基础上进行分析的,但实际上并不是这样,用户对推荐信息的兴趣并不一致,例如,用户偶然选择过某种信息,并不能说明用户便对这种信息具有兴趣。因此,用户的推荐准确率并不高。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供了一种信息处理方法、信息处理装置、计算机可读存储介质与电子设备,进而至少在一定程度上改善现有技术信息推荐准确率较低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种信息处理方法,所述方法包括:获取与目标用户关联的历史推荐对象的第一特征向量,以及待推荐对象的第二特征向量;确定所述历史推荐对象的衰减时间,根据所述衰减时间计算所述历史推荐对象的当前热度,其中,所述衰减时间为所述目标用户与所述历史推荐对象的交互时间距离当前时间的时间间隔;根据所述第一特征向量、所述第二特征向量和所述历史推荐对象的当前热度,确定所述历史推荐对象的注意力权重;利用所述注意力权重对所述第一特征向量进行加权处理,得到所述历史推荐对象的目标特征向量;对所述目标特征向量和所述第二特征向量进行处理,得到所述目标用户与所述待推荐对象的匹配度。
在本公开的一种示例性实施方式中,所述获取与目标用户关联的历史推荐对象的第一特征向量,以及待推荐对象的第二特征向量,包括:利用嵌入矩阵提取所述历史推荐对象的嵌入特征和所述待推荐对象的嵌入特征;通过所述历史推荐对象的嵌入特征确定所述历史推荐对象的第一特征向量;以及通过所述待推荐对象的嵌入特征确定所述待推荐对象的第二特征向量。
在本公开的一种示例性实施方式中,所述确定所述历史推荐对象的衰减时间,根据所述衰减时间计算所述历史推荐对象的当前热度,包括:根据所述衰减时间对所述目标用户关于所述历史推荐对象的初始热度进行衰减计算,得到所述历史推荐对象的当前热度。
在本公开的一种示例性实施方式中,所述根据所述衰减时间对所述目标用户关于所述历史推荐对象的初始热度进行衰减计算,得到所述历史推荐对象的当前热度,包括:构造所述历史推荐对象的热度衰减函数,通过所述热度衰减函数计算所述历史推荐对象的当前热度。
在本公开的一种示例性实施方式中,所述构造所述历史推荐对象的热度衰减函数,通过所述热度衰减函数计算所述历史推荐对象的当前热度,包括:通过以下公式计算所述历史推荐对象的当前热度:
V=V0·(k+e-α·△t)+b
其中,V0表示初始热度,k表示第一偏置项,b表示第二偏置项,α表示衰减率,△t表示衰减时间。
在本公开的一种示例性实施方式中,所述初始热度通过所述目标用户与所述历史推荐对象的交互行为次数、交互行为类型和交互行为时长中的任意一种或多种确定。
在本公开的一种示例性实施方式中,所述根据所述第一特征向量、所述第二特征向量和所述历史推荐对象的当前热度,确定所述历史推荐对象的注意力权重,包括:生成所述第一特征向量和所述第二特征向量的交叉特征向量;拼接所述第一特征向量、所述第二特征向量和所述交叉特征向量,得到关于所述历史推荐对象和所述待推荐对象的组合特征向量;利用第一激活函数和第一全连接网络对所述组合特征向量进行处理,并将处理后的特征向量与所述当前热度相乘,得到所述历史推荐对象的注意力权重。
在本公开的一种示例性实施方式中,所述生成所述第一特征向量和所述第二特征向量的交叉特征向量,包括:将所述第一特征向量与所述第二特征向量中相同维度的数据相乘,得到所述历史推荐对象和所述待推荐对象的交叉特征向量。
在本公开的一种示例性实施方式中,所述拼接所述第一特征向量、所述第二特征向量和所述交叉特征向量,得到关于所述历史推荐对象和所述待推荐对象的组合特征向量,包括:根据所述目标用户对所述历史推荐对象的交互时间对所述历史推荐对象进行排序,按照排序的结果生成所述历史推荐对象的位置向量;将所述位置向量、所述第一特征向量、所述第二特征向量和所述交叉特征向量进行拼接,以得到所述组合特征向量。
在本公开的一种示例性实施方式中,所述利用所述注意力权重对所述第一特征向量进行加权处理,得到所述历史推荐对象的目标特征向量,包括:将所述第一特征向量和所述注意力权重相乘,并对相乘后的向量进行求和,以得到所述目标特征向量。
在本公开的一种示例性实施方式中,所述对所述目标特征向量和所述第二特征向量进行处理,得到所述目标用户与所述待推荐对象的匹配度,包括:获取所述目标用户的第三特征向量;对所述第三特征向量、所述目标特征向量和所述第二特征向量进行拼接,以生成拼接向量;通过所述拼接向量得到所述目标用户与所述待推荐对象的匹配度。
在本公开的一种示例性实施方式中,所述通过所述拼接向量得到所述目标用户与所述待推荐对象的匹配度,包括:利用第二全连接网络对所述拼接向量进行处理,并通过第二激活函数计算所述目标用户与所述待推荐对象的匹配度。
根据本公开的第二方面,提供一种信息处理装置,所述信息处理装置包括:获取模块,用于获取与目标用户关联的历史推荐对象的第一特征向量,以及待推荐对象的第二特征向量;计算模块,用于确定所述历史推荐对象的衰减时间,根据所述衰减时间计算所述历史推荐对象的当前热度,其中,所述衰减时间为所述目标用户与所述历史推荐对象的交互时间距离当前时间的时间间隔;确定模块,用于根据所述第一特征向量、所述第二特征向量和所述历史推荐对象的当前热度,确定所述历史推荐对象的注意力权重;加权模块,用于利用所述注意力权重对所述第一特征向量进行加权,得到所述历史推荐对象的目标特征向量;处理模块,用于对所述目标特征向量和所述第二特征向量进行处理,得到所述目标用户与所述待推荐对象的匹配度。
在本公开的一种示例性实施方式中,所述获取模块用于利用嵌入矩阵提取所述历史推荐对象的嵌入特征和所述待推荐对象的嵌入特征,通过所述历史推荐对象的嵌入特征确定所述历史推荐对象的第一特征向量,以及通过所述待推荐对象的嵌入特征确定所述待推荐对象的第二特征向量。
在本公开的一种示例性实施方式中,所述计算模块用于根据所述衰减时间对所述目标用户对所述历史推荐对象的初始热度进行衰减计算,得到所述历史推荐对象的当前热度。
在本公开的一种示例性实施方式中,所述计算模块还用于构造所述历史推荐对象的热度衰减函数,通过所述热度衰减函数计算所述历史推荐对象的当前热度。
在本公开的一种示例性实施方式中,所述计算模块还用于通过以下公式计算所述历史推荐对象的当前热度:
V=V0·(k+e-α·△t)+b
其中,V0表示初始热度,k表示第一偏置项,b表示第二偏置项,α表示衰减率,△t表示衰减时间。
在本公开的一种示例性实施方式中,所述初始热度通过所述目标用户与所述历史推荐对象的交互行为次数、交互行为类型和交互行为时长中的任意一种或多种确定。
在本公开的一种示例性实施方式中,所述确定模块用于生成所述第一特征向量和所述第二特征向量的交叉特征向量,拼接所述第一特征向量、所述第二特征向量和所述交叉特征向量,得到关于所述历史推荐对象和所述待推荐对象的组合特征向量,利用第一激活函数和第一全连接网络对所述组合特征向量进行处理,并将处理后的特征向量与所述当前热度相乘,得到所述历史推荐对象的注意力权重。
在本公开的一种示例性实施方式中,所述确定模块还用于将所述第一特征向量与所述第二特征向量中相同维度的数据相乘,得到所述历史推荐对象和所述待推荐对象的交叉特征向量。
在本公开的一种示例性实施方式中,所述确定模块还用于根据所述目标用户对所述历史推荐对象的交互时间对所述历史推荐对象进行排序,按照排序的结果生成所述历史推荐对象的位置向量,将所述位置向量、所述第一特征向量、所述第二特征向量和所述交叉特征向量进行拼接,以得到所述组合特征向量。
在本公开的一种示例性实施方式中,所述加权模块用于将所述第一特征向量和所述注意力权重相乘,并对相乘后的向量进行求和,以得到所述目标特征向量。
在本公开的一种示例性实施方式中,所述处理模块用于获取所述目标用户的第三特征向量,对所述第三特征向量、所述目标特征向量和所述第二特征向量进行拼接,以生成拼接向量;通过所述拼接向量得到所述目标用户与所述待推荐对象的匹配度。
在本公开的一种示例性实施方式中,所述处理模块还用于利用第二全连接网络对所述拼接向量进行处理,并通过第二激活函数计算所述目标用户与所述待推荐对象的匹配度。
根据本公开的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一种信息处理方法。
根据本公开的第四方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一种信息处理方法。
本公开具有以下有益效果:
根据本示例性实施方式中的信息处理方法、信息处理装置、计算机可读存储介质和电子设备,可以获取与目标用户关联的历史推荐对象的第一特征向量,以及待推荐对象的第二特征向量,确定历史推荐对象的衰减时间,根据衰减时间计算历史推荐对象的当前热度,并根据第一特征向量、第二特征向量和历史推荐对象的当前热度,确定历史推荐对象的注意力权重,利用注意力权重对上述第一特征向量进行加权处理,得到目标特征向量,进而对目标特征向量和第二特征向量进行处理,得到目标用户与待推荐对象的匹配度。一方面,通过根据衰减时间确定历史推荐对象的注意力权重,可以增强对目标用户的时序特征的表达能力,提高确定用户与待推荐对象匹配度的准确率;另一方面,通过生成目标特征向量,可以确定历史推荐对象对于目标用户与待推荐对象的匹配度的影响程度,进而提高确定用户与待推荐对象匹配度的准确率。
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方式,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施方式,对于本领域普通技术人员来讲,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示出本示例性实施方式中一种信息处理方法的流程图;
图2示出本示例性实施方式中一种信息处理方法的子流程图;
图3示出本示例性实施方式中另一种信息处理方法的子流程图;
图4示出本示例性实施方式中一种网络单元的结构示意图;
图5示出本示例性实施方式中一种网络模型的结构示意图;
图6示出本示例性实施方式中一种信息处理装置的结构框图;
图7示出本示例性实施方式中一种用于实现上述方法的计算机可读存储介质;
图8示出本示例性实施方式中一种用于实现上述方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
本公开的示例性实施方式首先提供了一种信息处理方法,该方法可以由计算机或应用程序后台的服务器执行,来确定用户与待推荐信息的匹配度,该匹配度可以用于衡量用户对待推荐信息的兴趣度,匹配度越高,表明用户对待推荐信息的兴趣度越高,反之,匹配度越低,表明用户对待推荐信息的兴趣度越低。
图1示出了本示例性实施方式的一种方法流程,可以包括以下步骤S110~S150:
步骤S110.获取与目标用户关联的历史推荐对象的第一特征向量,以及待推荐对象的第二特征向量。
其中,历史推荐对象是指在过去一段时间内目标用户产生过点击、关注、收藏、播放等交互行为的推荐对象,例如可以是近一个月内目标用户点击过的推荐对象等;第一特征向量是由历史推荐对象的特征数据生成的特征向量,第二特征向量是由待推荐对象的特征数据生成的特征向量,具体的,各推荐对象,即也就是上述历史推荐对象和待推荐对象的特征数据可以包括对应推荐对象的类别、受众分布、价格、单位时间的销量等等。
当特征数据的维数较低时,可以采用简单的one-hot编码(也称为一位有效编码)对特征数据进行编码,来生成历史推荐对象的第一特征向量和待推荐对象的第二特征向量,但当特征数据的维数较高时,采用ont-hot编码会导致向量的维数非常高,甚至造成维数灾难,因此,可以在获取历史推荐对象的特征数据和待推荐对象的特征数据后,对各特征数据进行降维处理,来生成上述第一特征向量和第二特征向量。具体的,对特征数据进行降维处理可以通过主成分分析(Principal Component Analysis,PCA)算法、局部线性嵌入(Locally Linear Embedding,LLE)等算法实现,本示例性实施方式对此不做具体限定。
在获取与目标用户关联的历史推荐对象的第一特征向量时,可以通过获取用户在过去一段时间内的用户行为数据来确定与目标用户关联的历史推荐对象,如可以根据用户行为数据确定各历史推荐对象的对象标识等,以该对象标识为索引,在相应的数据库或数据平台中确定对应的历史推荐对象的第一特征向量;相应的,也可以通过以待推荐对象的对象标识为索引,在数据库或数据平台中确定待推荐对象的第二特征向量。
本示例性实施方式中,第一特征向量和第二特征向量均可以是与用户无关的推荐对象本身的特征向量,因此,为了提高获取第一特征向量和第二特征向量的效率,可以通过预先生成的与上述历史推荐对象和待推荐对象相关的向量来确定上述第一特征向量和第二特征向量。具体的,在一种可选的实施方式中,如图2所示,步骤S110也可以通过以下步骤S210~S230实现:
步骤S210.利用嵌入矩阵提取历史推荐对象的嵌入特征和待推荐对象的嵌入特征。
步骤S220.通过上述历史推荐对象的嵌入特征确定历史推荐对象的第一特征向量。
步骤S230.通过上述待推荐对象的嵌入特征确定待推荐对象的第二特征向量。
其中,嵌入矩阵是指各推荐对象的特征向量的映射矩阵,该映射矩阵中的每一列可以表示不同推荐对象所代表的向量。
按照历史推荐对象和待推荐对象的对象标识等,可以在嵌入矩阵中分别提取历史推荐对象所代表的向量和待推荐对象所代表的向量,也就是历史推荐对象的嵌入特征和待推荐对象的嵌入特征,从而通过历史推荐对象的嵌入特征和待推荐对象的嵌入特征可以得到第一特征向量和第二特征向量,例如,可以将历史推荐对象的特征数据的one-hot编码与嵌入特征相乘,得到历史推荐对象的第一特征向量,将待推荐对象的特征数据的one-hot编码与待推荐对象的嵌入特征相乘,得到待推荐对象的第二特征向量。
步骤S120.确定历史推荐对象的衰减时间,根据该衰减时间计算历史推荐对象的当前热度。
其中,历史推荐对象的衰减时间可以是目标用户与历史推荐对象的交互时间距离当前时间的时间间隔,即衰减时间△t=t2-t1,其中,t2为当前时间,t1为目标用户与历史推荐对象产生交互行为的时间,特别的,当目标用户与历史推荐对象产生交互行为的次数不止一次时,t1可以是目标用户最近一次与历史推荐对象产生交互行为的时间;当前热度可以用于表示当前时刻历史推荐对象对目标用户的吸引程度,一般地,当前热度越高,说明历史推荐对象对目标用户的吸引程度越高,反之,当前热度越低,说明历史推荐对象对目标用户的吸引程度越低。
一般的,如果用户对推荐对象没有产生交互行为,可以认为随着时间的不断增加,用户对推荐对象的兴趣度越来越低。因此,通过确定历史推荐对象的衰减时间,可以判断出历史推荐对象对目标用户在当前时刻的吸引程度。
在一种可选的实施方式中,步骤S120可以通过以下方式实现:
根据上述衰减时间对目标用户关于历史推荐对象的初始热度进行衰减计算,得到历史推荐对象的当前热度。
其中,初始热度可以是目标用户与历史推荐对象产生交互行为时的历史推荐对象的热度,可以根据目标用户与历史推荐对象的交互行为次数、交互行为类型和交互行为时长中的任意一种或多种确定,例如,可以根据上述交互行为次数、交互行为类型和交互行为时长的因子重要程度,设置交互行为次数、交互行为类型和交互行为时长的权重,对上述各因子进行加权求和处理,来得到历史推荐对象的初始热度,再例如也可以直接将目标用户与历史推荐对象的交互行为时长确定为初始热度,或者也可以将目标用户关于各历史推荐对象的初始热度设置为相同的初始值。
按照衰减时间对目标用户关于历史推荐对象的初始热度进行衰减计算,例如,可以设置多个时间区间,按照衰减时间所在的时间区间确定初始热度的衰减量,将初始热度与衰减量的差值确定为目标用户关于历史推荐对象的当前热度。
为了提高确定当前热度的准确性,在一种可选的实施方式中,也可以构造历史推荐对象的热度衰减函数,通过该热度衰减函数计算历史推荐对象的当前热度。其中,热度衰减函数可以是任意一种热度与时间符合反比例关系的计算函数。例如,热度衰减函数可以设置为V=K/△t,其中,V为当前热度,△t为衰减时间,K为常数。
进一步的,本公开的申请人经研究发现,热度随时间的衰减变化关系可以采用与牛顿冷却定律,即“物体的冷却速度与其当前温度与室温之间的温差成正比”、相似的数学关系来表达,基于此,在一种可选的实施方式中,可以定义目标用户对历史推荐对象的当前热度的计算方式如下式(1)所示:
V=V0·e-α·△t (1)
其中,V表示当前热度,V0表示初始热度,α为衰减率,△t为衰减时间。可以看出,随着时间的变化,当前热度呈现出指数衰减的特点。
在上式(1)中,当前热度会无限衰减到0,但是在实际应用中,推荐对象不会因为用户之前的交互行为而使热度降至0,因此,可以通过下式(2)计算历史推荐对象的当前热度:
V=V0·(k+e-α·△t)+b (2)
其中,V表示当前热度,V0表示初始热度,k表示第一偏置项,b表示第二偏置项,α为衰减率,△t为衰减时间,且k、b和α为可调参数。
通过上述步骤S120,可以确定历史推荐对象经过时间衰减后的当前热度,实现了对历史推荐对象的热度衰减的量化。
步骤S130.根据上述第一特征向量、第二特征向量和上述历史推荐对象的当前热度,确定历史推荐对象的注意力权重。
其中,注意力权重可以用于表示历史推荐对象对目标用户与待推荐对象的匹配度的影响程度,注意力权重越高,表示历史推荐对象对目标用户与待推荐对象的匹配度的影响程度越高。
在得到历史推荐对象的当前热度后,可以根据该当前热度对上述第一特征向量和第二特征向量进行处理,来得到历史推荐对象的注意力权重。例如,可以根据历史推荐对象的当前热度对上述第一特征向量进行加权,并计算加权后的向量与第二特征向量之间的相似度,来确定各个历史推荐对象的注意力权重。
在一种可选的实施方式中,参考图3所示,步骤S130可以通过以下步骤S310~S330实现:
步骤S310.生成上述第一特征向量和上述第二特征向量的交叉特征向量。
步骤S320.拼接上述第一特征向量、第二特征向量和交叉特征向量,得到关于上述历史推荐对象和待推荐对象的组合特征向量。
步骤S330.利用第一激活函数和第一全连接网络对上述组合特征向量进行处理,并将处理后的特征向量与上述当前热度相乘,得到历史推荐对象的注意力权重。
其中,交叉特征向量是由第一特征向量和第二特征向量合成的向量,相比单独的特征向量,交叉特征向量可以更好地体现特征之间的非线性关系;第一激活函数可以是任意一种激活函数,如可以是Relu激活函数、Prelu激活函数、Sigmoid激活函数等;第一全连接网络可以包括一个或多个全连接网络,可以用于将提取的特征综合起来。
通过对上述第一特征向量和第二特征向量进行特征交叉,可以得到第一特征向量和第二特征向量的交叉特征向量,然后将得到的交叉特征向量、第一特征向量、第二特征向量进行拼接,生成组合特征向量,例如,假设第一特征向量为F1、第二特征向量为F2、交叉特征向量为F3,则组合特征为F组合=[F1 F2 F3]。在生成组合特征向量后,可以利用第一激活函数和第一全连接网络对上述组合特征向量进行处理。在处理完成后,将得到的特征向量与上述当前热度相乘,得到历史推荐对象的注意力权重。
在通过步骤S310对第一特征向量和第二特征向量进行特征交叉时,在一种可选的实施方式中,可以通过以下方式实现:
将上述第一特征向量与第二特征向量中相同维数的数据相乘,得到历史推荐对象和待推荐对象的交叉特征向量。例如,对于上述第一特征向量F1和第二特征向量F2,可以按照维数将F1和F2中的各维度值相乘,得到等维度的交叉特征向量F3。
在实际应用中,用户与历史推荐对象的交互时间越近,说明用户越有可能对历史推荐对象感兴趣,也就是说,在由用户行为数据生成的时间序列数据中,各历史推荐对象的位置信息也是确定历史推荐对象的当前热度的重要指标。因此,在一种可选的实施方式中,步骤S320也可以通过以下方式实现:
根据目标用户对历史推荐对象的交互时间对上述历史推荐对象进行排序,按照排序的结果生成上述历史推荐对象的位置向量;
将上述位置向量、第一特征向量、第二特征向量和上述交叉特征向量进行拼接,以得到上述组合特征向量。
根据用户的用户行为数据可以生成目标用户与各历史推荐对象的时间序列数据,通过按照时间顺序对该时间序列数据进行排序,可以确定每个历史推荐对象在时间序列数据中的位置,从而生成位置向量。例如,可以用item1,item2,...itemk来表示时间序列数据,其中,item1=<id1,value1,timestamp1>,item2=<id2,value2,timestamp2>,...,itemk=<idk,valuek,timestampk>分别表示不同历史推荐对象的序列数据,id表示历史推荐对象的唯一身份标识,value为目标用户对历史推荐对象的交互行为的初始热度,例如可以是以秒为单位的播放时长,timestamp为目标用户发生该交互行为时的时间戳一般可以截取目标用户产生交互行为的最后k个item存储下来,其中,k为自定义长度。
按照时间先后顺序,对上述时间序列数据进行排序,并根据排序后的结果确定每个历史推荐对象的位置P∈[0,k-1],然后采用one-hot编码将每个历史推荐对象的位置信息编码成维数大小为k的位置向量Fp,例如,假设当前item在序列中的第二个位置,则位置向量为[0,1,0…0],最后将生成的位置向量Fp与上述第一特征向量F1、第二特征向量F2和交叉特征向量F3进行拼接,生成组合特征向量。
通过生成组合特征向量,可以融合历史推荐对象的位置信息和特征向量、待推荐对象的特征向量,提高计算当前热度的准确率。
实际上,结合上述步骤S120~S130,可以根据衰减时间确定历史推荐对象对于目标用户在当前时刻的热度值,从而确定历史推荐对象对目标用户与待推荐对象的匹配度的影响程度,能够更准确地确定每个历史推荐对象对用户喜好程度的影响大小。
进一步的,步骤S120~S130也可以通过如图4所示的网络单元400来实现。具体的,可以通过以下步骤计算得到历史推荐对象的注意力权重:
(1)首先将第一特征向量与第二特征向量中相同维数的数据进行相乘,得到历史推荐对象和待推荐对象的交叉特征向量,同时,根据历史推荐对象的位置信息生成位置向量。
(2)通过拼接单元410将交叉特征向量和第一特征向量、第二特征向量,以及位置向量进行拼接,生成组合特征向量。
(3)然后通过第一全连接网络420将组合特征向量传输至隐藏单元430,通过隐藏单元430配置的第一激活函数对组合特征向量进行非线性变换。
(4)通过衰减计算单元450对历史推荐对象的初始热度和衰减时间进行计算,得到历史推荐对象的当前热度。
(5)将(4)中进行非线性变换后的特征向量通过全连接网络440传输至单节点输出单元460,同时将(5)得到的历史推荐对象的当前热度也输入至单节点输出单元460,通过单节点输出单元460对非线性变换后的特征向量和当前热度进行相乘,得到历史推荐对象的注意力权重。
步骤S140.利用上述注意力权重对第一特征向量进行加权处理,得到历史推荐对象的目标特征向量。
通过按照上述注意力权重对上述第一特征向量进行加权处理,可以得到历史推荐对象的目标特征向量,该目标特征向量可以作为后续预测目标用户与待推荐对象的匹配度的一部分输入。
具体的,在一种可选的实施方式中,步骤S140也可以通过将第一特征向量和上述注意力权重相乘,并对相乘后的向量进行求和,得到目标特征向量实现。具体的,在得到各历史推荐对象的注意力权重后,可以将其与对应的历史推荐对象的第一特征向量相乘,由此,可以得到k个历史推荐对象所对应的k个中间向量,对该中间向量进行求和,得到k个向量的加权和向量,即也就是目标特征向量。
步骤S150.对上述目标特征向量和第二特征向量进行处理,得到目标用户与待推荐对象的匹配度。
在得到目标特征向量后,可以根据目标特征向量和第二特征向量进行计算,来得到目标用户与待推荐对象的匹配度。例如,可以将该目标特征向量与上述第二特征向量进行拼接,生成关于历史推荐对象和待推荐对象的拼接向量,对该拼接向量进行处理,得到目标用户与各待推荐对象的匹配度。
考虑到不同用户对于待推荐对象的兴趣度不同,因此,在一种可选的实施方式中,步骤S150也可以通过以下方法实现:
获取目标用户的第三特征向量;
对上述第三特征向量、目标特征向量和第二特征向量进行拼接,以生成拼接向量;
通过上述拼接向量得到目标用户与待推荐对象的匹配度。
其中,第三特征向量可以是除了历史推荐对象的时序特征以外的目标用户的其他特征,例如可以是由目标用户的年龄、性别、地区等特征数据生成的特征向量。
通过生成拼接向量,可以融合目标用户的特征和待推荐对象的特征,以及衡量历史推荐对象与待推荐对象的关联度的目标特征向量的特征,因而可以提高确定目标用户与待推荐对象的匹配度的准确率。
在生成目标特征向量和第二特征向量的拼接向量后,在一种可选的实施方式中,可以利用第二全连接网络对上述拼接向量进行处理,并通过第二激活函数计算目标用户与待推荐对象的匹配度。
其中,第二全连接网络可以用于对拼接向量的特征进行综合分析,且第二全连接网络也可以包括一个或多个全连接网络;第二激活函数可以是一种非线性变换函数,如可以是Sigmoid激活函数。
通过第二全连接网络对拼接向量进行处理,并通过第二激活函数对处理后的向量进行非线性变换,可以得到目标用户与待推荐对象的匹配度。
进一步的,图5示出了本示例性实施方式中一种网络模型的结构示意图,如图所示,该网络模型500可以包括网络单元400、权重计算单元510、拼接单元520、第二全连接网络530、激活函数单元540,其中,第二全连接网络530可以包括全连接网络531和全连接网络532。如图所示,网络单元400可以通过执行步骤S120~S130的方法确定历史推荐对象的注意力权重,权重计算单元510可以通过执行步骤S140的方法得到历史推荐对象的目标特征向量;在得到目标特征向量后,可以通过拼接单元520将目标特征向量、待推荐对象的第二特征向量和目标用户的第三特征向量进行拼接,生成拼接向量,进而通过第二全连接网络530和激活函数单元540对拼接向量进行处理,得到目标用户与待推荐对象的匹配度。
综上,根据本示例性实施方式中的信息处理方法,可以获取与目标用户关联的历史推荐对象的第一特征向量,以及待推荐对象的第二特征向量,确定历史推荐对象的衰减时间,根据衰减时间计算历史推荐对象的当前热度,并根据第一特征向量、第二特征向量和历史推荐对象的当前热度,确定历史推荐对象的注意力权重,利用注意力权重对上述第一特征向量进行加权处理,得到目标特征向量,进而对目标特征向量和第二特征向量进行处理,得到目标用户与待推荐对象的匹配度。一方面,通过根据衰减时间确定历史推荐对象的注意力权重,可以增强对目标用户的时序特征的表达能力,提高确定用户与待推荐对象匹配度的准确率;另一方面,通过生成目标特征向量,可以确定历史推荐对象对于目标用户与待推荐对象的匹配度的影响程度,进而提高确定用户与待推荐对象匹配度的准确率。
本示例性实施方式还提供了一种信息处理装置,参考图6所示,信息处理装置600可以包括:获取模块610,可以用于获取与目标用户关联的历史推荐对象的第一特征向量,以及待推荐对象的第二特征向量;计算模块620,可以用于确定历史推荐对象的衰减时间,根据衰减时间计算历史推荐对象的当前热度,其中,衰减时间为目标用户与历史推荐对象的交互时间距离当前时间的时间间隔;确定模块630,可以用于根据第一特征向量、第二特征向量和历史推荐对象的当前热度,确定历史推荐对象的注意力权重;加权模块640,可以用于利用注意力权重对第一特征向量进行加权处理,得到历史推荐对象的目标特征向量;处理模块650,可以用于对目标特征向量和第二特征向量进行处理,得到目标用户与待推荐对象的匹配度。
在本公开的一种示例性实施方式中,获取模块610可以用于利用嵌入矩阵提取历史推荐对象的嵌入特征和待推荐对象的嵌入特征,通过历史推荐对象的嵌入特征确定历史推荐对象的第一特征向量,以及通过待推荐对象的嵌入特征确定待推荐对象的第二特征向量。
在本公开的一种示例性实施方式中,计算模块620可以用于根据衰减时间对目标用户对历史推荐对象的初始热度进行衰减计算,得到历史推荐对象的当前热度。
在本公开的一种示例性实施方式中,计算模块620还可以用于构造历史推荐对象的热度衰减函数,通过热度衰减函数计算历史推荐对象的当前热度。
在本公开的一种示例性实施方式中,计算模块620还可以用于通过以下公式计算历史推荐对象的当前热度:
V=V0·(k+e-α·△t)+b
其中,V0表示初始热度,k表示第一偏置项,b表示第二偏置项,α表示衰减率,△t表示衰减时间。
在本公开的一种示例性实施方式中,初始热度通过目标用户与历史推荐对象的交互行为次数、交互行为类型和交互行为时长中的任意一种或多种确定。
在本公开的一种示例性实施方式中,确定模块630可以用于生成第一特征向量和第二特征向量的交叉特征向量,拼接第一特征向量、第二特征向量和交叉特征向量,得到关于历史推荐对象和待推荐对象的组合特征向量,利用第一激活函数和第一全连接网络对组合特征向量进行处理,并将处理后的特征向量与当前热度相乘,得到历史推荐对象的注意力权重。
在本公开的一种示例性实施方式中,确定模块630还可以用于将第一特征向量与第二特征向量中相同维度的数据相乘,得到历史推荐对象和待推荐对象的交叉特征向量。
在本公开的一种示例性实施方式中,确定模块630还可以用于根据目标用户对历史推荐对象的交互时间对历史推荐对象进行排序,按照排序的结果生成历史推荐对象的位置向量,将位置向量、第一特征向量、第二特征向量和交叉特征向量进行拼接,以得到组合特征向量。
在本公开的一种示例性实施方式中,加权模块640可以用于将第一特征向量和注意力权重相乘,并对相乘后的向量进行求和,以得到目标特征向量。
在本公开的一种示例性实施方式中,处理模块650还可以用于获取目标用户的第三特征向量,对第三特征向量、目标特征向量和第二特征向量进行拼接,以生成拼接向量,通过拼接向量得到目标用户与待推荐对象的匹配度。
在本公开的一种示例性实施方式中,处理模块650还可以用于利用第二全连接网络对拼接向量进行处理,并通过第二激活函数计算目标用户与待推荐对象的匹配度。
上述装置中各模块的具体细节在方法部分实施方式中已经详细说明,未披露的方案细节内容可以参见方法部分的实施方式内容,因而不再赘述。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
本公开的示例性实施方式还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开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,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图7所示,描述了根据本公开的示例性实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品700可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本公开的示例性实施方式还提供了一种能够实现上述方法的电子设备。下面参照图8来描述根据本公开的这种示例性实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例,不应对本公开实施方式的功能和使用范围带来任何限制。
如图8所示,电子设备800可以以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830和显示单元840。
其中,存储单元820存储有程序代码,程序代码可以被处理单元810执行,使得处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,处理单元810可以执行图1至图5所示的方法步骤等。
存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)821和/或高速缓存存储单元822,还可以进一步包括只读存储单元(ROM)823。
存储单元820还可以包括具有一组(至少一个)程序模块825的程序/实用工具824,这样的程序模块825包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备800交互的设备通信,和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且,电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器860通过总线830与电子设备800的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备800使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的示例性实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例性实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开示例性实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施方式。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (15)
1.一种信息处理方法,其特征在于,所述方法包括:
获取与目标用户关联的历史推荐对象的第一特征向量,以及待推荐对象的第二特征向量;
确定所述历史推荐对象的衰减时间,根据所述衰减时间计算所述历史推荐对象的当前热度,其中,所述衰减时间为所述目标用户与所述历史推荐对象的交互时间距离当前时间的时间间隔;
根据所述第一特征向量、所述第二特征向量和所述历史推荐对象的当前热度,确定所述历史推荐对象的注意力权重;
利用所述注意力权重对所述第一特征向量进行加权处理,得到所述历史推荐对象的目标特征向量;
对所述目标特征向量和所述第二特征向量进行处理,得到所述目标用户与所述待推荐对象的匹配度。
2.根据权利要求1所述的方法,其特征在于,所述获取与目标用户关联的历史推荐对象的第一特征向量,以及待推荐对象的第二特征向量,包括:
利用嵌入矩阵提取所述历史推荐对象的嵌入特征和所述待推荐对象的嵌入特征;
通过所述历史推荐对象的嵌入特征确定所述历史推荐对象的第一特征向量;以及
通过所述待推荐对象的嵌入特征确定所述待推荐对象的第二特征向量。
3.根据权利要求1所述的方法,其特征在于,所述确定所述历史推荐对象的衰减时间,根据所述衰减时间计算所述历史推荐对象的当前热度,包括:
根据所述衰减时间对所述目标用户关于所述历史推荐对象的初始热度进行衰减计算,得到所述历史推荐对象的当前热度。
4.根据权利要求3所述的方法,其特征在于,所述根据所述衰减时间对所述目标用户关于所述历史推荐对象的初始热度进行衰减计算,得到所述历史推荐对象的当前热度,包括:
构造所述历史推荐对象的热度衰减函数,通过所述热度衰减函数计算所述历史推荐对象的当前热度。
5.根据权利要求4所述的方法,其特征在于,所述构造所述历史推荐对象的热度衰减函数,通过所述热度衰减函数计算所述历史推荐对象的当前热度,包括:
通过以下公式计算所述历史推荐对象的当前热度:
V=V0·(k+e-α·△t)+b
其中,V0表示初始热度,k表示第一偏置项,b表示第二偏置项,α表示衰减率,△t表示衰减时间。
6.根据权利要求3至5任一项所述的方法,其特征在于,所述初始热度通过所述目标用户与所述历史推荐对象的交互行为次数、交互行为类型和交互行为时长中的任意一种或多种确定。
7.根据权利要求1所述的方法,其特征在于,所述根据所述第一特征向量、所述第二特征向量和所述历史推荐对象的当前热度,确定所述历史推荐对象的注意力权重,包括:
生成所述第一特征向量和所述第二特征向量的交叉特征向量;
拼接所述第一特征向量、所述第二特征向量和所述交叉特征向量,得到关于所述历史推荐对象和所述待推荐对象的组合特征向量;
利用第一激活函数和第一全连接网络对所述组合特征向量进行处理,并将处理后的特征向量与所述当前热度相乘,得到所述历史推荐对象的注意力权重。
8.根据权利要求7所述的方法,其特征在于,所述生成所述第一特征向量和所述第二特征向量的交叉特征向量,包括:
将所述第一特征向量与所述第二特征向量中相同维度的数据相乘,得到所述历史推荐对象和所述待推荐对象的交叉特征向量。
9.根据权利要求7所述的方法,其特征在于,所述拼接所述第一特征向量、所述第二特征向量和所述交叉特征向量,得到关于所述历史推荐对象和所述待推荐对象的组合特征向量,包括:
根据所述目标用户对所述历史推荐对象的交互时间对所述历史推荐对象进行排序,按照排序的结果生成所述历史推荐对象的位置向量;
将所述位置向量、所述第一特征向量、所述第二特征向量和所述交叉特征向量进行拼接,以得到所述组合特征向量。
10.根据权利要求1所述的方法,其特征在于,所述利用所述注意力权重对所述第一特征向量进行加权处理,得到所述历史推荐对象的目标特征向量,包括:
将所述第一特征向量和所述注意力权重相乘,并对相乘后的向量进行求和,以得到所述目标特征向量。
11.根据权利要求1所述的方法,其特征在于,所述对所述目标特征向量和所述第二特征向量进行处理,得到所述目标用户与所述待推荐对象的匹配度,包括:
获取所述目标用户的第三特征向量;
对所述第三特征向量、所述目标特征向量和所述第二特征向量进行拼接,以生成拼接向量;
通过所述拼接向量得到所述目标用户与所述待推荐对象的匹配度。
12.根据权利要求11所述的方法,其特征在于,所述通过所述拼接向量得到所述目标用户与所述待推荐对象的匹配度,包括:
利用第二全连接网络对所述拼接向量进行处理,并通过第二激活函数计算所述目标用户与所述待推荐对象的匹配度。
13.一种信息处理装置,其特征在于,所述装置包括:
获取模块,用于获取与目标用户关联的历史推荐对象的第一特征向量,以及待推荐对象的第二特征向量;
计算模块,用于确定所述历史推荐对象的衰减时间,根据所述衰减时间计算所述历史推荐对象的当前热度,其中,所述衰减时间为所述目标用户与所述历史推荐对象的交互时间距离当前时间的时间间隔;
确定模块,用于根据所述第一特征向量、所述第二特征向量和所述历史推荐对象的当前热度,确定所述历史推荐对象的注意力权重;
加权模块,用于利用所述注意力权重对所述第一特征向量进行加权处理,得到所述历史推荐对象的目标特征向量;
处理模块,用于对所述目标特征向量和所述第二特征向量进行处理,得到所述目标用户与所述待推荐对象的匹配度。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-12任一项所述的方法。
15.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609293.5A CN112632389B (zh) | 2020-12-30 | 2020-12-30 | 信息处理方法、信息处理装置、存储介质与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609293.5A CN112632389B (zh) | 2020-12-30 | 2020-12-30 | 信息处理方法、信息处理装置、存储介质与电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112632389A CN112632389A (zh) | 2021-04-09 |
CN112632389B true CN112632389B (zh) | 2024-03-15 |
Family
ID=75286610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011609293.5A Active CN112632389B (zh) | 2020-12-30 | 2020-12-30 | 信息处理方法、信息处理装置、存储介质与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112632389B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787061A (zh) * | 2016-02-29 | 2016-07-20 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 信息推送方法 |
CN105930425A (zh) * | 2016-04-18 | 2016-09-07 | 乐视控股(北京)有限公司 | 个性化视频推荐方法及装置 |
CN107026892A (zh) * | 2016-11-03 | 2017-08-08 | 阿里巴巴集团控股有限公司 | 消息推荐方法和装置 |
CN109492157A (zh) * | 2018-10-24 | 2019-03-19 | 华侨大学 | 基于rnn、注意力机制的新闻推荐方法及主题表征方法 |
CN110245274A (zh) * | 2019-04-23 | 2019-09-17 | 五八有限公司 | 一种标签热度计算方法、装置、电子设备和存储介质 |
CN110297982A (zh) * | 2019-07-04 | 2019-10-01 | 武汉斗鱼鱼乐网络科技有限公司 | 一种推荐方法、装置、设备及介质 |
CN110674410A (zh) * | 2019-10-08 | 2020-01-10 | 北京物灵科技有限公司 | 用户画像构建、内容推荐方法、装置及设备 |
CN111949887A (zh) * | 2020-08-31 | 2020-11-17 | 华东理工大学 | 物品推荐方法、装置及计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110040648A1 (en) * | 2007-09-07 | 2011-02-17 | Ryan Steelberg | System and Method for Incorporating Memorabilia in a Brand Affinity Content Distribution |
US8676937B2 (en) * | 2011-05-12 | 2014-03-18 | Jeffrey Alan Rapaport | Social-topical adaptive networking (STAN) system allowing for group based contextual transaction offers and acceptances and hot topic watchdogging |
US20170124465A1 (en) * | 2015-10-29 | 2017-05-04 | Foursquare Labs, Inc. | Analysis and prediction from venue data |
-
2020
- 2020-12-30 CN CN202011609293.5A patent/CN112632389B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787061A (zh) * | 2016-02-29 | 2016-07-20 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 信息推送方法 |
CN105930425A (zh) * | 2016-04-18 | 2016-09-07 | 乐视控股(北京)有限公司 | 个性化视频推荐方法及装置 |
CN107026892A (zh) * | 2016-11-03 | 2017-08-08 | 阿里巴巴集团控股有限公司 | 消息推荐方法和装置 |
CN109492157A (zh) * | 2018-10-24 | 2019-03-19 | 华侨大学 | 基于rnn、注意力机制的新闻推荐方法及主题表征方法 |
CN110245274A (zh) * | 2019-04-23 | 2019-09-17 | 五八有限公司 | 一种标签热度计算方法、装置、电子设备和存储介质 |
CN110297982A (zh) * | 2019-07-04 | 2019-10-01 | 武汉斗鱼鱼乐网络科技有限公司 | 一种推荐方法、装置、设备及介质 |
CN110674410A (zh) * | 2019-10-08 | 2020-01-10 | 北京物灵科技有限公司 | 用户画像构建、内容推荐方法、装置及设备 |
CN111949887A (zh) * | 2020-08-31 | 2020-11-17 | 华东理工大学 | 物品推荐方法、装置及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
一种播存网络环境下的UCL协同过滤推荐方法;顾梁;杨鹏;罗军舟;;计算机研究与发展(第02期);217-228 * |
基于信任关系和时间衰减效应的协同过滤推荐算法;张瑞典;;东莞理工学院学报(第03期);45-51 * |
基于神经网络的流感大数据分析;陆敏;段锦斌;葛贤顺;;中华医学图书情报杂志(第03期);30-35 * |
Also Published As
Publication number | Publication date |
---|---|
CN112632389A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492772B (zh) | 生成信息的方法和装置 | |
CN110427560B (zh) | 一种应用于推荐系统的模型训练方法以及相关装置 | |
CN114298417A (zh) | 反欺诈风险评估方法、训练方法、装置及可读存储介质 | |
TW201804400A (zh) | 資料物件推送的方法、裝置及系統 | |
CN116821475B (zh) | 基于客户数据的视频推荐方法、装置及计算机设备 | |
CN111898904A (zh) | 一种数据处理方法及装置 | |
CN111861605A (zh) | 业务对象推荐方法 | |
CN115564517A (zh) | 商品推荐方法、预测模型训练方法和相关设备 | |
CN111738766A (zh) | 用于多媒体信息的数据处理方法、装置以及服务器 | |
WO2022156589A1 (zh) | 一种直播点击率的确定方法和装置 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN113836390B (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN111768218B (zh) | 用于处理用户交互信息的方法和装置 | |
CN117036006A (zh) | 用户画像的生成方法及装置、存储介质、电子设备 | |
CN112632389B (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
CN112328899B (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
CN116029766A (zh) | 用户交易决策识别方法、激励策略优化方法、装置和设备 | |
CN111178987B (zh) | 训练用户行为预测模型的方法和装置 | |
CN113792952A (zh) | 用于生成模型的方法和装置 | |
CN113837843A (zh) | 产品推荐方法、装置、介质及电子设备 | |
CN113362141A (zh) | 一种关联商品的推荐方法、装置、介质及电子设备 | |
CN111339432A (zh) | 电子对象的推荐方法、装置和电子设备 | |
CN111105274A (zh) | 数据处理方法、装置、介质及电子设备 | |
CN113962753B (zh) | 候选商品排序方法、展示方法、装置以及电子设备 | |
CN117349546A (zh) | 用于生成信息的方法、装置和系统 |
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 |