CN112860999A - 信息推荐方法、装置、设备和存储介质 - Google Patents

Abstract

本发明公开了一种信息推荐方法、装置、设备和存储介质。该方法包括：获取当前用户的用户特征和各个待推荐信息的信息特征；将用户特征以及各个信息特征输入至预设的推荐模型中，预测所述当前用户对所述各个待推荐信息的目标行为向量，其中，所述推荐模型包括多个二分类网络，所述二分类网络与所述目标行为向量中的元素一一对应；针对每个目标行为向量，将所述目标行为向量中的元素进行相加，得到对应的目标行为次数；根据各个目标行为次数向所述当前用户进行信息推荐。该方法通过该推荐模型有效地将一个回归型预测转换为二分类型预测，且每个二分类预测结果之间相互独立，从而有效保证了模型的整体预测性能，进而提高了信息推荐的精准度。

Description

信息推荐方法、装置、设备和存储介质

技术领域

本发明实施例涉及互联网领域，尤其涉及一种信息推荐方法、装置、设备和存储介质。

背景技术

随着大数据技术的不断发展，各种信息爆炸式增长，通过大数据分析可以为用户更精准地推送信息。以信息为广告为例，可以通过推荐模型预测用户在看到广告以后，针对该广告产生的支付次数。因此，训练一个精准的回归型预测模型是至关重要的。

目前，通常使用平均平方误差作为目标损失函数来训练回归型预测模型。但是，基于该损失函数训练得到的模型会趋向于预测总体样本数据的平均值，导致模型的预测结果精准度不高。

发明内容

针对传统技术中的模型的预测结果精准度不高的技术问题，本发明提供一种信息推荐方法、装置、设备和存储介质。

第一方面，本发明实施例提供一种信息推荐方法，包括：

获取当前用户的用户特征和各个待推荐信息的信息特征；

将所述用户特征以及各个所述信息特征输入至预设的推荐模型中，预测所述当前用户对所述各个待推荐信息的目标行为向量，其中，所述推荐模型包括多个二分类网络，所述二分类网络与所述目标行为向量中的元素一一对应；

针对每个目标行为向量，将所述目标行为向量中的元素进行相加，得到对应的目标行为次数；

根据各个目标行为次数向所述当前用户进行信息推荐。

第二方面，本发明实施例提供一种信息推荐装置，包括：

第一获取模块，用于获取当前用户的用户特征和各个待推荐信息的信息特征；

预测模块，用于将所述用户特征以及各个所述信息特征输入至预设的推荐模型中，预测所述当前用户对各个待推荐信息的目标行为向量，其中，所述推荐模型包括多个二分类网络，所述二分类网络与所述目标行为向量中的元素一一对应；

求和模块，用于针对每个目标行为向量，将所述目标行为向量中的元素进行相加，得到对应的目标行为次数；

推荐模块，用于根据各个目标行为次数向所述当前用户进行信息推荐。

第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本发明实施例第一方面提供的所述信息推荐方法的步骤。

第四方面，本发明实施例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本发明实施例第一方面提供的所述信息推荐方法的步骤。

本发明实施例提供的技术方案，获取当前用户的用户特征和各个待推荐信息的信息特征，将上述用户特征以及各个信息特征输入至预设的推荐模型中，预测当前用户对各个待推荐信息的目标行为向量，针对每个目标行为向量，将目标行为向量中的元素进行相加，得到对应的目标行为次数，根据各个目标行为次数向当前用户进行信息推荐。由于进行信息推荐的推荐模型包括多个二分类网络，且每个二分类网络与目标行为向量中的元素一一对应，即每个二分类网络用于预测目标行为产生的次数至少为目标数量的概率，通过该推荐模型有效地将一个回归型预测转换为二分类型预测，且每个二分类预测结果之间相互独立，从而有效保证了模型的整体预测性能，进而提高了信息推荐的精准度。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本发明实施例提供的信息推荐方法的一种流程示意图；

图2为本发明实施例提供的推荐模型的训练过程的一种流程示意图；

图3为在统计时间周期内对样本信息产生的支付次数分布示意图；

图4为本发明实施例提供的推荐模型的训练过程的一种原理示意图；

图5为传统的多类别模型的预测结果示意图；

图6为本发明实施例提供的推荐模型的预测结果示意图；

图7为本发明实施例提供的信息推荐装置的一种结构示意图；

图8为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

传统技术中，对于回归型预测存在以下两种方式：一种方式是采用平均平方误差作为目标损失函数，以大量的样本数据集进行回归型预测模型的训练。但是，基于该损失函数训练得到的模型会趋向于预测总体样本标签的平均值，而实际中，取值较高的样本标签和取值较低的样本标签均与平均值之间的差距较大，也就是说，尤其对于取值较高的样本标签和取值较低的样本标签来说，通过上述回归型预测模型所预测得到的预测值和实际值之间偏差较大，因此，基于平均平方误差损失函数训练得到的回归型预测模型的预测结果精准度不高。

另一种方式是采用多类别模型进行预测，因为样本标签是离散的，以样本标签为样本用户对展示信息的支付次数为例，如支付次数可以是1次、2次、3次……m次等，对于多类别模型来说，其是将每一个样本标签认为是一个类，由于样本标签是离散的，因此，可以认为样本标签包含了多个类别。这样，可以采用多类别模型进行回归预测，但是，不同类之间是存在累计关系的，例如，样本标签(如支付次数)“2次”是在样本标签“1次”的基础之上，即取值高的样本标签与取值低的样本标签之间是存在累计关系的。因此，基于该模型架构训练得到的模型的预测结果精准度仍不高。

为此，本发明实施例提供的技术方案，将回归型预测转换为多个二分类预测，且每个二分类预测之间相互独立，由于二分类预测的预测目标仅为两类(0或者1)，而回归型预测的预测目标为一个实数区间，其包括了b个类别(其中，b为大于或等于3的自然数)，因此，二分类模型比回归型模型的预测目标更简单，且实现二分类预测功能的分类模型的技术也相对比较成熟，即二分类模型本身的预测性能较高，因此，通过由多个二分类模型组成的推荐模型来进行信息推荐，可以极大地提高信息推荐的精准度。

为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互任意组合。

需要说明的是，下述方法实施例的执行主体可以是信息推荐装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部。可选地，该电子设备可以为客户端，包括但不限于智能手机、平板电脑以及车载终端等。当然，该电子设备也可以为独立的服务器或者服务器集群，本发明实施例对电子设备的具体形式不做限定。下述方法实施例以执行主体是电子设备为例进行说明。

为了便于本领域技术人员的理解，可以从基础的回归型预测理论开始进行数学推演，在传统的多类别模型(这里，多类别模型可以认为是预测目标有两个以上类别的模型，如下述n个类别，这里n为大于3的自然数)的应用场景下，给定了输入数据(输入数据为用户的用户特征以及信息的信息特征，即下述公式1至公式3中的x)之后，通过多类别模型预测一个行为发生的次数的期望值E[Y|X](其中，y为多类别模型基于输入数据x预测得到的输出数据，输出数据为用户对信息所产生的行为次数)为：

公式1：E[Y|X]＝P(Y＝1|X)+2*P(Y＝2|X)+3*P(Y＝3|X)+…n*P(Y＝n|X)

对上述公式1进行恒等变换，可以得到公式2。

公式2：

通过对公式2的观察，发明人发现公式2的第一行是对“Y从1开始取各种值的概率”的加和(这里，各种值是指1到n的自然数)，第二行是对“Y从2开始取各种值的概率”的加和(这里，各种值是指2到n的自然数)，第三行是对“Y从3开始取各种值的概率”的加和(这里，各种值是指3到n的自然数)，以此类推，第n-1行是对“Y从n-1开始取各种值的概率”的加和(这里，各种指是指n-1到n的自然数)。因此，发明人对公式2进一步进行恒等变换，得到公式3。

公式3：E[Y|X]＝P(Y≥1|X)+P(Y≥2|X)+P(Y≥3|X)+…+P(Y≥n|X)

通过观察公式3可知，一个行为发生的次数的期望值E[Y|X]可被表示为对“Y至少取各种值的概率”的加和(这里，各种值是指1到n的自然数)，每一项都是一个二分类预测，且每一个二分类预测之间相互独立。

基于上述理论，可以预先构建包括多个二分类网络的推荐模型，每个二分类网络用于预测目标行为产生的次数至少为目标数量的概率，将一个回归型预测转换为二分类型预测。

图1为本发明实施例提供的信息推荐方法的一种流程示意图。本实施例涉及的是电子设备如何向用户进行信息推荐的具体过程。如图1所示，该方法可以包括：

S101、获取当前用户的用户特征和各个待推荐信息的信息特征。

其中，当前用户为待推荐信息的用户。上述待推荐信息可以为待推荐视频、待推荐音频、待推荐广告以及待推荐物品等。上述当前用户的用户特征可以包括用户的国籍、性别、年龄以及兴趣等，上述待推荐信息的信息特征可以包括信息的品牌、类别、价格、材质以及历史统计信息等。在实际应用中，在获取当前用户的用户特征之前，电子设备会向当前用户发送提示信息，该提示信息用于请示是否需要开启用户特征的获取权限。在得到用户的确认指令之后，电子设备才会获取当前用户授权的用户特征。

当需要对当前用户进行信息推荐时，可以从数据库中获取当前用户授权的用户特征，以及从数据库中随机或者按照预设选取规则选取多个信息作为待推荐信息，并从数据库中获取各个待推荐信息的信息特征。

S102、将所述用户特征以及各个所述信息特征输入至预设的推荐模型中，预测所述当前用户对所述各个待推荐信息的目标行为向量。

其中，所述推荐模型包括多个二分类网络，且每个二分类网络用于预测目标行为产生的次数至少为目标数量的概率。例如，推荐模型中的一个二分类网络用于预测目标行为至少发生1次的概率，另一个二分类网络用于预测目标行为至少发生2次的概率，以此类推，又一个二分类网络用于预测目标行为至少发生m次的概率，每个二分类网络预测结果之间相互独立。同时，二分类网络与目标行为向量中的元素一一对应，即目标行为向量中的元素用于表示目标行为产生的次数至少为目标数量的概率，例如，目标行为向量中的第一个元素可以表示目标行为至少发生1次的概率，第二元素可以表示目标行为至少发生2次的概率，以此类推，第m个元素可以表示目标行为至少发生m次的概率。可选地，上述二分类网络可以为任意一种能够实现二分类预测功能的网络。其中，上述m为大于或等于2的自然数。

电子设备将当前用户的用户特征和各个待推荐信息的信息特征输入至预先训练好的推荐模型中，通过该推荐模型预测当前用户对各个待推荐信息产生的目标行为向量。

S103、针对每个目标行为向量，将所述目标行为向量中的元素进行相加，得到对应的目标行为次数。

示例性的，假设得到的目标行为向量为[1,1,1,0,0,0,0,0,0,0]，则将目标行为向量中的元素进行相加，得到当前用户对待推荐信息产生的目标行为次数为3次。

可选地，目标行为次数可以为以下任意一种：购买次数、点赞次数、分享次数、点击次数、打赏次数、观看次数以及评论次数。

S104、根据各个目标行为次数向所述当前用户进行信息推荐。

其中，在得到当前用户对各个待推荐信息的目标行为次数之后，电子设备可以将目标行为次数大于预设阈值的待推荐信息推荐给当前用户。可选地，电子设备还可以对各个目标行为次数进行排序，并基于排序结果向当前用户进行信息推荐。例如，电子设备可以将目标行为次数最高的待推荐信息推荐给当前用户。

本申请实施例提供的信息推荐方法，获取当前用户的用户特征和各个待推荐信息的信息特征，将上述用户特征以及各个信息特征输入至预设的推荐模型中，预测当前用户对各个待推荐信息的目标行为向量，针对每个目标行为向量，将目标行为向量中的元素进行相加，得到对应的目标行为次数，根据各个目标行为次数向当前用户进行信息推荐。由于进行信息推荐的推荐模型包括多个二分类网络，且每个二分类网络与目标行为向量中的元素一一对应，即每个二分类网络用于预测目标行为产生的次数至少为目标数量的概率，通过该推荐模型有效地将一个回归型预测转换为二分类型预测，且每个二分类预测结果之间相互独立，从而有效保证了模型的整体预测性能，进而提高了信息推荐的精准度。

在一个实施例中，还提供了上述推荐模型的训练过程。在上述实施例的基础上，可选地，在上述S101之前，如图2所示，该方法还包括：S201、获取样本数据集。

其中，所述样本数据集包括多个样本用户的用户特征、多个展示信息的信息特征以及所述样本用户对所述展示信息产生的样本行为次数。需要说明的是，上述用户特征均为样本用户已授权的用户特征。该用户特征可以包括用户的国籍、性别、年龄、兴趣以及历史支付行为等。上述展示信息可以为已展示给样本用户的视频、广告、音频以及商品等。上述信息特征可以包括信息的品牌、类别、价格、材质以及历史统计信息等。

可选地，样本行为次数可以为以下任意一种：购买次数、点赞次数、分享次数、点击次数、打赏次数、观看次数以及评论次数。

具体的，电子设备可以通过以下过程获取样本数据集：电子设备获取展示日志和行为日志，并根据展示日志和行为日志生成样本数据集。具体的，电子设备基于展示日志和行为日志得到样本标签，然后从数据库中提取与样本用户的标识对应的用户特征，以及提取与展示信息的标识对应的信息特征。接着，将提取出的样本用户的用户特征和展示信息的信息特征作为输入样本数据，将与输入样本数据对应的样本标签作为输出样本数据，从而形成样本数据集。

S202、将所述样本行为次数转换为样本行为向量。

具体的，所述样本行为向量中的元素用于表示样本行为产生的次数至少为目标数量的概率。

上述样本行为向量的长度为m，其中，m为大于或等于2的自然数。通常，m与最大的样本行为次数相关。同时，样本行为向量中的元素用于表示样本行为产生的次数至少为目标数量的概率，例如，样本行为向量中的第一个元素可以表示样本行为至少发生1次的概率，第二元素可以表示样本行为至少发生2次的概率，以此类推，第m个元素可以表示样本行为至少发生m次的概率。

在得到样本用户对样本信息产生的样本行为次数之后，电子设备可以以向量的形式来表示样本行为次数，即将样本行为次数转换为样本行为向量。可选地，电子设备可以根据以下过程对样本行为次数进行转换：根据所述样本行为次数，将初始向量中对应的目标元素设置为1，其余元素设置为0，得到所述样本行为次数对应的样本行为向量。

其中，所述目标元素的数量等于所述样本行为次数。上述初始向量可以为全零向量，且初始向量的长度为m。在实际应用中，可以基于样本行为次数的分布情况对上述m进行设置。以样本行为次数为样本用户对展示信息所产生的支付次数为例，采集统计时间周期内样本用户对展示信息产生的支付次数，对采集的历史支付数据进行分析，得到如图3所示的支付次数分布示意图。从图3可以看出，支付次数主要集中在1次、3次以及5次，10次以上的支付次数占比很小，因此，可以预先将初始向量的长度设置为10。同时，预先设置初始向量中的第一个元素表示样本行为至少发生1次的概率，第二元素表示样本行为至少发生2次的概率，以此类推，第m个元素表示样本行为至少发生m次的概率。

在具有了上述元素与样本行为产生的次数至少为目标数量的概率之间的对应关系之后，电子设备便可以基于样本行为次数，确定初始向量中的目标元素，并将目标元素的取值设置为1，其余元素的取值设置为0，从而得到样本行为次数对应的样本行为向量。

示例性的，假设样本行为次数为3次，则可以认为样本用户对展示信息产生了至少1次样本行为、至少2次样本行为以及至少3次样本行为，这样，电子设备便可以将初始向量中用于表示至少发生1次样本行为的概率的元素、用于表示至少发生2次样本行为的概率的元素以及用于表示至少发生3次样本行为的概率的元素确定为目标元素，即将初始向量中的第1个元素、第2个元素以及第3个元素确定为目标元素，并将这几个目标元素的取值设置为1，其余元素的取值设置为0，从而得到的样本行为向量为[1,1,1,0,0,0,0,0,0,0]。

S203、将所述用户特征以及所述信息特征作为预设的基础模型的输入，将所述样本行为向量作为所述基础模型的期望输出，对所述基础模型进行训练，得到所述推荐模型。

具体的，所述基础模型与所述推荐模型的模型结构相同，即该基础模型包括多个二分类网络，所述二分类网络与所述样本行为向量中的元素一一对应。每个二分类网络用于预测样本行为产生的次数至少为目标数量的概率。例如，其中一个二分类网络用于预测样本行为至少发生1次的概率，另一个二分类网络用于预测样本行为至少发生2次的概率，以此类推，又一个二分类网络用于预测样本行为至少发生m次的概率，每个二分类网络预测结果之间相互独立。

参见图4，在将所有的样本行为次数转换为样本行为向量之后，电子设备将样本用户的用户特征以及展示信息的信息特征作为上述基础模型的输入，将对应的样本行为向量作为上述基础模型的期望输出，对该基础模型进行训练，从而得到推荐模型。可选地，电子设备对基础模型进行训练的过程可以为：将每个二分类网络对应的损失函数之和作为所述基础模型的目标损失函数；采用所述目标损失函数对所述基础模型进行训练。

其中，每个二分类网络对应一个损失函数，该损失函数可以为二分类损失函数。可选地，该二分类损失函数可以为对数损失函数。电子设备将每个二分类网络对应的损失函数之和作为目标损失函数，基于该目标损失函数对基础模型进行训练。具体的，初始化基础模型的模型参数，将样本用户的用户特征以及展示信息的信息特征输入至初始化后的基础模型中，通过该基础模型确定样本用户对展示信息产生的预测行为向量，基于预测行为向量和样本行为向量确定目标损失函数的损失值。当该损失值大于预设阈值时，更新基础模型的各层参数，再基于样本用户的用户特征、展示信息的信息特征以及样本用户对展示信息产生的样本行为向量，继续对更新后的基础模型进行训练，直至目标损失函数的损失值小于或等于预设阈值时为止，从而得到训练好的推荐模型。

为了验证本发明实施例提供的技术方案的效果，将两种模型训练方法得到的训练结果进行对比。第一种：使用传统的多类别模型进行回归预测，第二种：使用本发明实施例提供的包括多个二分类网络的推荐模型进行二分类预测。分别绘制传统的多类别模型和本发明实施例提供的推荐模型的预测结果示意图，如图5和图6所示，从两幅图可以明显看出，图6所示的推荐模型相比图5所示的多类别模型的预测性能整体呈“上升”趋势。

在本实施例中，获取样本数据集，该样本数据集包括多个样本用户的用户特征、多个展示信息的信息特征以及样本用户对展示信息产生的样本行为次数，将上述样本行为次数转换为样本行为向量，并将上述用户特征以及信息特征作为预设的基础模型的输入，将样本行为向量作为基础模型的期望输出，对基础模型进行训练，从而得到训练好的推荐模型。由于上述推荐模型包括多个二分类网络，且每个二分类预测结果之间相互独立，同时，由于二分类预测的预测目标仅为两类(0或者1)，而回归型预测的预测目标为一个实数区间，其包括了b个类别(其中，b为大于或等于3的自然数)，因此，二分类网络比回归型模型的预测目标更简单，且实现二分类预测功能的分类模型的技术也相对比较成熟，即二分类模型本身的预测性能较高，因此，经过训练得到的推荐模型相比传统的回归型模型来说，其整体预测性能较高。

图7为本发明实施例提供的信息推荐装置的一种结构示意图。如图7所示，该装置可以包括：第一获取模块701、预测模块702、求和模块703和推荐模块704。

具体的，第一获取模块701用于获取当前用户的用户特征和各个待推荐信息的信息特征；

预测模块702用于将所述用户特征以及各个所述信息特征输入至预设的推荐模型中，预测所述当前用户对各个待推荐信息的目标行为向量，其中，所述推荐模型包括多个二分类网络，所述二分类网络与所述目标行为向量中的元素一一对应；

求和模块703用于针对每个目标行为向量，将所述目标行为向量中的元素进行相加，得到对应的目标行为次数；

推荐模块704用于根据各个目标行为次数向所述当前用户进行信息推荐。

本发明实施例提供的信息推荐装置，获取当前用户的用户特征和各个待推荐信息的信息特征，将上述用户特征以及各个信息特征输入至预设的推荐模型中，预测当前用户对各个待推荐信息的目标行为向量，针对每个目标行为向量，将目标行为向量中的元素进行相加，得到对应的目标行为次数，根据各个目标行为次数向当前用户进行信息推荐。由于进行信息推荐的推荐模型包括多个二分类网络，且每个二分类网络与目标行为向量中的元素一一对应，即每个二分类网络用于预测目标行为产生的次数至少为目标数量的概率，通过该推荐模型有效地将一个回归型预测转换为二分类型预测，且每个二分类预测结果之间相互独立，从而有效保证了模型的整体预测性能，进而提高了信息推荐的精准度。

在上述实施例的基础上，可选地，该装置还可以包括：第二获取模块、转换模块和训练模块。

具体的，第二获取模块用于在所述第一获取模块701获取当前用户的用户特征和各个待推荐信息的信息特征之前，获取样本数据集，其中，所述样本数据集包括多个样本用户的用户特征、多个展示信息的信息特征以及所述样本用户对所述展示信息产生的样本行为次数；

转换模块用于将所述样本行为次数转换为样本行为向量，其中，所述样本行为向量中的元素用于表示样本行为产生的次数至少为目标数量的概率；

训练模块用于将所述用户特征以及所述信息特征作为预设的基础模型的输入，将所述样本行为向量作为所述基础模型的期望输出，对所述基础模型进行训练，得到所述推荐模型，其中，所述基础模型与所述推荐模型的模型结构相同。

在上述实施例的基础上，可选地，训练模块具体用于将每个二分类网络对应的损失函数之和作为所述基础模型的目标损失函数；采用所述目标损失函数对所述基础模型进行训练。

在上述实施例的基础上，可选地，转换模块具体用于根据所述样本行为次数，将初始向量中对应的目标元素设置为1，其余元素设置为0，得到所述样本行为次数对应的样本行为向量，其中，所述目标元素的数量等于所述样本行为次数。

可选地，所述二分类网络对应的损失函数为对数损失函数。

可选地，所述目标行为次数为以下任意一种：购买次数、点赞次数、分享次数、点击次数、打赏次数、观看次数以及评论次数。

可选地，推荐模块704具体用于对各个目标行为次数进行排序，并根据排序结果向所述当前用户进行信息推荐。

下面参考图8，其示出了适于用来实现本公开实施例的电子设备800的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置806加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置808；包括例如磁带、硬盘等的存储装置806；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置806被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。而在本公开中，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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

在一个实施例中，还提供一种信息推荐设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取当前用户的用户特征和各个待推荐信息的信息特征；

将所述用户特征以及各个所述信息特征输入至预设的推荐模型中，预测所述当前用户对所述各个待推荐信息的目标行为向量，其中，所述推荐模型包括多个二分类网络，所述二分类网络与所述目标行为向量中的元素一一对应；

针对每个目标行为向量，将所述目标行为向量中的元素进行相加，得到对应的目标行为次数；

根据各个目标行为次数向所述当前用户进行信息推荐。

在一个实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取当前用户的用户特征和各个待推荐信息的信息特征；

将所述用户特征以及各个所述信息特征输入至预设的推荐模型中，预测所述当前用户对所述各个待推荐信息的目标行为向量，其中，所述推荐模型包括多个二分类网络，所述二分类网络与所述目标行为向量中的元素一一对应；

针对每个目标行为向量，将所述目标行为向量中的元素进行相加，得到对应的目标行为次数；

根据各个目标行为次数向所述当前用户进行信息推荐。

上述实施例中提供的信息推荐装置、设备以及存储介质可对应执行本发明任意实施例所提供的信息推荐方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的信息推荐方法。

根据本公开的一个或多个实施例，提供一种信息推荐方法，包括：

获取当前用户的用户特征和各个待推荐信息的信息特征；

将所述用户特征以及各个所述信息特征输入至预设的推荐模型中，预测所述当前用户对所述各个待推荐信息的目标行为向量，其中，所述推荐模型包括多个二分类网络，所述二分类网络与所述目标行为向量中的元素一一对应；

针对每个目标行为向量，将所述目标行为向量中的元素进行相加，得到对应的目标行为次数；

根据各个目标行为次数向所述当前用户进行信息推荐。

根据本公开的一个或多个实施例，提供了如上的信息推荐方法，还包括：获取样本数据集，其中，所述样本数据集包括多个样本用户的用户特征、多个展示信息的信息特征以及所述样本用户对所述展示信息产生的样本行为次数；

将所述样本行为次数转换为样本行为向量，其中，所述样本行为向量中的元素用于表示样本行为产生的次数至少为目标数量的概率；

将所述用户特征以及所述信息特征作为预设的基础模型的输入，将所述样本行为向量作为所述基础模型的期望输出，对所述基础模型进行训练，得到所述推荐模型，其中，所述基础模型与所述推荐模型的模型结构相同。

根据本公开的一个或多个实施例，提供了如上的信息推荐方法，还包括：将每个二分类网络对应的损失函数之和作为所述基础模型的目标损失函数；采用所述目标损失函数对所述基础模型进行训练。

根据本公开的一个或多个实施例，提供了如上的信息推荐方法，还包括：根据所述样本行为次数，将初始向量中对应的目标元素设置为1，其余元素设置为0，得到所述样本行为次数对应的样本行为向量，其中，所述目标元素的数量等于所述样本行为次数。

可选地，所述二分类网络对应的损失函数为对数损失函数。

可选地，所述目标行为次数为以下任意一种：购买次数、点赞次数、分享次数、点击次数、打赏次数、观看次数以及评论次数。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种信息推荐方法，其特征在于，包括：

获取当前用户的用户特征和各个待推荐信息的信息特征；

将所述用户特征以及各个所述信息特征输入至预设的推荐模型中，预测所述当前用户对所述各个待推荐信息的目标行为向量，其中，所述推荐模型包括多个二分类网络，所述二分类网络与所述目标行为向量中的元素一一对应；

针对每个目标行为向量，将所述目标行为向量中的元素进行相加，得到对应的目标行为次数；

根据各个目标行为次数向所述当前用户进行信息推荐。

2.根据权利要求1所述的方法，其特征在于，在所述获取当前用户的用户特征和各个待推荐信息的信息特征之前，所述方法还包括：

获取样本数据集，其中，所述样本数据集包括多个样本用户的用户特征、多个展示信息的信息特征以及所述样本用户对所述展示信息产生的样本行为次数；

将所述样本行为次数转换为样本行为向量，其中，所述样本行为向量中的元素用于表示样本行为产生的次数至少为目标数量的概率；

将所述用户特征以及所述信息特征作为预设的基础模型的输入，将所述样本行为向量作为所述基础模型的期望输出，对所述基础模型进行训练，得到所述推荐模型，其中，所述基础模型与所述推荐模型的模型结构相同。

3.根据权利要求2所述的方法，其特征在于，所述对所述基础模型进行训练，包括：

将每个二分类网络对应的损失函数之和作为所述基础模型的目标损失函数；

采用所述目标损失函数对所述基础模型进行训练。

4.根据权利要求2所述的方法，其特征在于，所述将所述样本行为次数转换为样本行为向量，包括：

根据所述样本行为次数，将初始向量中对应的目标元素设置为1，其余元素设置为0，得到所述样本行为次数对应的样本行为向量，其中，所述目标元素的数量等于所述样本行为次数。

5.根据权利要求3所述的方法，其特征在于，所述二分类网络对应的损失函数为对数损失函数。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述目标行为次数为以下任意一种：

购买次数、点赞次数、分享次数、点击次数、打赏次数、观看次数以及评论次数。

7.根据权利要求1至5中任一项所述的方法，其特征在于，所述根据各个目标行为次数向所述当前用户进行信息推荐，包括：

对各个目标行为次数进行排序，并根据排序结果向所述当前用户进行信息推荐。

8.一种信息推荐装置，其特征在于，包括：

第一获取模块，用于获取当前用户的用户特征和各个待推荐信息的信息特征；

预测模块，用于将所述用户特征以及各个所述信息特征输入至预设的推荐模型中，预测所述当前用户对各个待推荐信息的目标行为向量，其中，所述推荐模型包括多个二分类网络，所述二分类网络与所述目标行为向量中的元素一一对应；

求和模块，用于针对每个目标行为向量，将所述目标行为向量中的元素进行相加，得到对应的目标行为次数；

推荐模块，用于根据各个目标行为次数向所述当前用户进行信息推荐。

9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一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至7中任一项所述方法的步骤。

Images