CN113204699A - 信息推荐方法、装置、电子设备及存储介质 - Google Patents

信息推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113204699A
CN113204699A CN202010078933.8A CN202010078933A CN113204699A CN 113204699 A CN113204699 A CN 113204699A CN 202010078933 A CN202010078933 A CN 202010078933A CN 113204699 A CN113204699 A CN 113204699A
Authority
CN
China
Prior art keywords
recommended
candidate
recommendation
account
behavior
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
Application number
CN202010078933.8A
Other languages
English (en)
Other versions
CN113204699B (zh
Inventor
宋琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202010078933.8A priority Critical patent/CN113204699B/zh
Publication of CN113204699A publication Critical patent/CN113204699A/zh
Application granted granted Critical
Publication of CN113204699B publication Critical patent/CN113204699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/9538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开关于一种信息推荐方法、装置、电子设备及存储介质，以解决相关技术中收集到的负向反馈信息不足而导致的信息推荐结果准确率低的问题。该方法包括：从账户库中筛选出待推荐账户的候选推荐对象集合，其中，所述候选推荐对象集合中包括多个候选推荐对象；获取所述待推荐账户的负向反馈行为的数据，所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为；基于所述负向反馈行为的数据和所述候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率；基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户。

Description

信息推荐方法、装置、电子设备及存储介质
技术领域
本公开涉及互联网技术领域，尤其涉及一种信息推荐方法、装置、电子设备及存储介质。
背景技术
推荐功能是从社交平台的海量内容(如用户、视频、音频等)中选取出合适的内容推荐给用户的功能。面对众多的社交平台和海量的内容，用户不愿意花过多时间在寻找感兴趣的内容上，也正是基于此，各类推荐方法应运而生，通过向用户推荐可能感兴趣的内容，有助于将用户在社交平台沉淀，使得社交平台聚集更多的人气。
相关技术中，通常在产品层面或者算法层面进行改进。在产品层面，通常是在向用户展示的推荐内容卡片旁添加负向反馈按钮或者使用弹窗，通过收集用户对负向反馈按钮的点击操作信息或者对弹窗的关闭操作信息等获取用户的负向反馈需求，或者，通过读取用户设置的黑名单列表确定哪些内容不需要推荐给用户。而在算法层面，比如预估用户接收到推荐内容后点击负向反馈按钮的事件进行预估，基于预估结果确定是否向将该推荐内容推送给用户。
然而，无论是在产品层面还是算法层面的改进，由于大多时候用户即便不喜欢被推荐的内容也不会主动执行诸如点击负向反馈按钮或者将被推荐对象加入黑名单等操作，因而很难收集到这些向负向反馈信息，最终导致推荐对象的准确率低。
发明内容
为了克服相关技术中存在的问题，本公开提供一种信息推荐方法、装置、电子设备及存储介质。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种推荐方法，包括：
从账户库中筛选出待推荐账户的候选推荐对象集合，其中，所述候选推荐对象集合中包括多个候选推荐对象；
获取所述待推荐账户的负向反馈行为的数据，所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为；
基于所述负向反馈行为的数据和所述候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率；
基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户。
可选地，所述负向反馈行为的数据包括向所述待推荐账户推荐后所述待推荐账户发生负向反馈行为的第一历史推荐对象的特征信息；
所述基于所述负向反馈行为的数据和所述候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率，包括：
对于所述候选推荐对象集合中的每一候选推荐对象，获取该候选推荐对象的特征信息和所述第一历史推荐对象的特征信息之间的距离，并根据所述距离确定该候选推荐对象与所述第一历史推荐对象的相似度；
基于该候选推荐对象与所述第一历史推荐对象的相似度以及相似度与发生负向反馈行为的概率之间的预设对应关系，确定所述待推荐账户对该候选推荐对象发生负向反馈行为的概率。
可选地，在所述基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户之前，所述方法还包括：
对于所述候选推荐对象集合中的每一候选推荐对象，获取所述待推荐账户对该候选推荐对象产生多维度的正向反馈行为的概率，所述多维度的正向反馈行为包括点击行为、关注行为、互动行为、双向互动行为中的至少一种；
所述基于所述概率从所述候选推荐对象集合中选取出目标推荐对象，包括：
对于所述候选推荐对象集合中的每一候选推荐对象，对所述待推荐账户对该候选推荐对象发生负向反馈行为的概率以及发生各个维度的正向反馈行为的概率进行加权求和，确定该候选推荐对象的推荐分值；
从所述候选推荐对象集合中选取出推荐分值满足预设条件的候选推荐对象作为目标推荐对象。
可选地，所述从所述候选推荐对象集合中选取出推荐分值满足预设条件的候选推荐对象作为目标推荐对象，包括：
从所述候选推荐对象集合中选取推荐分值大于或等于预设阈值的候选推荐对象作为目标推荐对象；和/或，
对所述候选推荐对象集合中的候选推荐对象按照推荐分值进行排序，并选取排列顺序位于预设范围内的候选推荐对象作为目标推荐对象。
可选地，所述从账户库中筛选出待推荐账户的候选推荐对象集合，包括：
获取所述待推荐账户和所述账户库中各账户各自的第二历史推荐对象的类型，所述第二历史推荐对象为向账户推荐后账户未发生负向反馈行为的历史推荐对象；
从所述账户库中筛选出对应的第二历史推荐对象的类型与所述待推荐账户的第二历史推荐对象的类型相同的账户作为所述待推荐账户的候选推荐对象，得到所述待推荐账户的候选推荐对象集合。
根据本公开实施例的第二方面，提供一种推荐装置，包括：
第一确定单元，被配置为执行从账户库中筛选出待推荐账户的候选推荐对象集合，其中，所述候选推荐对象集合中包括多个候选推荐对象；
第一获取单元，被配置为执行获取所述待推荐账户的负向反馈行为的数据，所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为；
第二确定单元，被配置为执行基于所述负向反馈行为的数据和所述候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率；
推荐单元，被配置为执行基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户。
可选地，所述负向反馈行为的数据包括向所述待推荐账户推荐后所述待推荐账户发生负向反馈行为的第一历史推荐对象的特征信息；
所述第二确定单元被配置为具体执行：
对于所述候选推荐对象集合中的每一候选推荐对象，获取该候选推荐对象的特征信息和所述第一历史推荐对象的特征信息之间的距离，并根据所述距离确定该候选推荐对象与所述第一历史推荐对象的相似度；
基于该候选推荐对象与所述第一历史推荐对象的相似度以及相似度与发生负向反馈行为的概率之间的预设对应关系，确定所述待推荐账户对该候选推荐对象发生负向反馈行为的概率。
可选地，所述装置还包括：
第二获取单元，被配置为执行在所述推荐单元基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户之前，对于所述候选推荐对象集合中的每一候选推荐对象，获取所述待推荐账户对该候选推荐对象产生多维度的正向反馈行为的概率，所述多维度的正向反馈行为包括点击行为、关注行为、互动行为、双向互动行为中的至少一种；
所述推荐单元被配置为具体执行：
对于所述候选推荐对象集合中的每一候选推荐对象，对所述待推荐账户对该候选推荐对象发生负向反馈行为的概率以及发生各个维度的正向反馈行为的概率进行加权求和，确定该候选推荐对象的推荐分值；
从所述候选推荐对象集合中选取出推荐分值满足预设条件的候选推荐对象作为目标推荐对象。
可选地，所述推荐单元还被配置为具体执行：
从所述候选推荐对象集合中选取推荐分值大于或等于预设阈值的候选推荐对象作为目标推荐对象；和/或，
对所述候选推荐对象集合中的候选推荐对象按照推荐分值进行排序，并选取排列顺序位于预设范围内的候选推荐对象作为目标推荐对象。
可选地，所述第一确定单元被配置为具体执行：
获取所述待推荐账户和所述账户库中各账户各自的第二历史推荐对象的类型，所述第二历史推荐对象为向账户推荐后账户未发生负向反馈行为的历史推荐对象；
从所述账户库中筛选出对应的第二历史推荐对象的类型与所述待推荐账户的第二历史推荐对象的类型相同的账户作为所述待推荐账户的候选推荐对象，得到所述待推荐账户的候选推荐对象集合。
根据本公开实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如本公开实施例的第一方面所述的推荐方法。
根据本公开实施例的第四方面，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，使得电子设备能够执行如本公开实施例的第一方面所述的信息推荐方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，包括一条或多条指令，该指令可以由电子设备的处理器执行时，使得电子设备能够执行本公开实施例的第一方面所述的信息推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
通过获取待推荐账户的负向反馈行为的数据并基于所述负向反馈行为的数据和所述待推荐账户的候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率，基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给待推荐账户，由于所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为，相比于相关技术中通过收集账户的删除行为、取消关注行为等操作行为来获取账户的负向反馈信息来进行对象推荐，可以避免收集到的负向反馈信息不足而导致的对象推荐结果准确率低的问题。并且，由于待推荐账户对推荐对象发生负向反馈行为的概率在一定程度上反映了所述待推荐账户不喜欢所述推荐对象的可能性，基于所述待推荐账户对推荐对象发生负向反馈行为的概率对所述待推荐账户进行信息推荐，可以在一定程度上减小向所述待推荐账户重复推荐被所述待推荐账户忽略的、不喜欢的对象，避免对所述待推荐账户造成干扰，提高了信息推荐结果的准确率，进而可以提高推荐对象被所述待推荐账户喜爱的有效对象的转化率。
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一种信息推荐方法的流程图。
图2是根据另一示例性实施例示出的一种信息推荐方法的流程图。
图3是根据一示例性实施例示出的一种双塔深度神经网络的示意图。
图4是根据一示例性实施例示出的一种信息推荐装置的框图。
图5是根据另一示例性实施例示出的一种信息推荐装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
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。
图1是根据一示例性实施例示出的一种信息推荐方法的流程图，如图1所示，该信息推荐方法包括以下步骤：
在步骤S11中，从账户库中筛选出待推荐账户的候选推荐对象集合，其中，所述候选推荐对象集合中包括多个候选推荐对象。
在本公开实施例中，所述信息推荐方法可适用于多种应用场景，例如，可用于网络直播平台等各种社交平台中。以所述信息推荐方法应用于网络直播平台为例，所述待推荐账户可以为已在网络直播平台注册的任意账户。
需要说明的是，上述只是对本公开实施例可能的应用场景进行的举例说明，当然，本公开实施例还可以应用于其他具有社交功能且需要进行对象推荐的产品中，本公开实施例对此不做限定。
以上述网络直播平台为例，可选地，所述待推荐账户可以是已在所述网络直播平台上注册的任一账户。相应地，可以将所述网络直播平台上的其他任意账户以及其他账户发布的视频、音频、图片等内容中的一者或多者作为所述待推荐账户的候选推荐对象集合。
可选地，为了减小对候选推荐对象的筛选工作量，以提升信息推荐效率，可基于所述待推荐账户的历史行为数据确定所述待推荐账户的候选推荐对象集合。具体地，可获取所述待推荐账户和所述账户库中各账户各自的第二历史推荐对象的类型，从所述账户库中筛选出对应的第二历史推荐对象的类型与所述待推荐账户的第二历史推荐对象的类型相同的账户作为所述待推荐账户的候选推荐对象，得到所述待推荐账户的候选推荐对象集合。其中，所述第二历史推荐对象为向账户推荐后账户未发生负向反馈行为的历史推荐对象。可以理解，若待推荐账户与账户库中账户各自的第二历史推荐对象相同，则可在一定程度上表明待推荐账户与该账户的喜好相似，进而可从所述账户库中筛选出对应的第二历史推荐对象的类型与所述待推荐账户的第二历史推荐对象的类型相同的账户作为所述待推荐账户的候选推荐对象，可以进一步避免向所述待推荐账户推荐其不喜欢的账户而对所述待推荐账户造成干扰。
在步骤S12中，获取所述待推荐账户的负向反馈行为的数据，所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为。
其中，所述操作包括点击、关注、互动、双向互动、删除以及取消关注等操作。所述待推荐账户在接收到推荐对象后未对推荐对象执行操作这一行为可以在一定程度上反映出所述待推荐账户不喜欢推荐对象。
可选地，为了更好地反映所述待推荐账户对所述推荐对象的不喜欢程度，所述负向反馈行为可进一步用于表示所述待推荐账户在预设时长内(如15天内)接收到推荐对象的次数达到预设次数(如3次)而未对该推荐对象执行操作的行为。
进一步地，在本公开实施例中，所述负向反馈行为还用于指示所述待推荐账户在接收到推荐对象后对推荐对象执行删除、取消关注等直接负向操作的行为。
另外，在本公开实施例中，所述待推荐账户的负向反馈行为的数据可以包括所述待推荐账户的特征信息、向所述待推荐账户推荐后所述待推荐账户发生负向反馈行为的历史退推荐对象(为了便于描述，后续均称之为第一历史推荐对象)的特征信息等至少一种信息，本公开实施例对此不做限定。
其中，所述待推荐账户的特征信息可以例如包括但不限于所述待推荐账户的ID、已关注对象列表、已点击对象列表、社交关系链信息等中的至少一者。
所述第一历史推荐对象可以例如包括但不限于历史推荐账户、视频、音频、图片等内容。以所述第一历史推荐对象为历史推荐账户为例，所述第一历史推荐对象的特征信息可以例如包括但不限于所述第一历史推荐对象的ID、已关注对象列表、已点击对象列表以及与所述待推荐账户的社交关系信息(如与所述待推荐账户是否为通讯录关系)等。
在步骤S13中，基于所述负向反馈行为的数据和所述候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率。
在步骤S14中，基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户。
本公开实施例所述的信息推荐方法，通过获取待推荐账户的负向反馈行为的数据并基于所述负向反馈行为的数据和所述待推荐账户的候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率，基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给待推荐账户，由于所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为，相比于相关技术中通过收集账户的删除行为、取消关注行为等操作行为来获取账户的负向反馈信息来进行对象推荐，可以避免收集到的负向反馈信息不足而导致的对象推荐结果准确率低的问题。并且，由于待推荐账户对推荐对象发生负向反馈行为的概率在一定程度上反映了所述待推荐账户不喜欢所述推荐对象的可能性，基于所述待推荐账户对推荐对象发生负向反馈行为的概率对所述待推荐账户进行信息推荐，可以在一定程度上减小向所述待推荐账户重复推荐被所述待推荐账户忽略的、不喜欢的对象，避免对所述待推荐账户造成干扰，提高了信息推荐结果的准确率，进而可以提高推荐对象被所述待推荐账户喜爱的有效对象的转化率。
为了使本领域技术人员更加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信息推荐方法进行详细说明。
对于上述步骤S13，在一种可选的实施方式中，可通过预先训练好的账户行为预测模型确定所述待推荐账户对每一候选推荐对象发生负向反馈行为的概率。具体地，如图2所示，上述步骤S13可以包括：
在步骤S131中，对于每一候选推荐对象，可将所述待推荐账户的特征信息和该候选推荐对象的特征信息输入所述账户行为预测模型，得到所述待推荐账户对该候选推荐对象发生负向反馈行为的概率。
其中，所述账户行为预测模型是以所述待推荐账户的特征信息、所述第一历史推荐对象的特征信息和第二历史推荐对象的特征信息构成样本数据，以所述样本数据和所述样本数据对应的反馈行为标签进行训练得到的，所述第二历史推荐对象包括向所述待推荐账户推荐后所述待推荐账户未发生负向反馈行为的历史推荐对象，所述反馈行为标签用于指示所述待推荐是否产生所述负向反馈行为。其中，以所述第二历史推荐对象为历史推荐账户为例，所述第二历史推荐对象的特征信息可以例如包括但不限于所述第二历史推荐对象的ID、已关注对象列表、已点击对象列表以及与所述待推荐账户的社交关系信息(如与所述待推荐账户是否为通讯录关系)等。
示例性地，所述账户行为预测模型可以为双塔深度神经网络(Deep NeuralNetworks，DNN)，如图3所示，该双塔深度神经网络包括嵌入层、共享层和输出层，其中，样本数据首先输入至嵌入层中，由嵌入层基于训练样本中待推荐账户的特征信息获取所述待推荐账户的第一嵌入向量embedding以及基于历史推荐对象(包括第一历史推荐对象和第二历史推荐对象)的特征信息获取所述历史推荐对象的第二嵌入向量embedding，其中，嵌入向量embedding是一个根据映射关系构建的向量，该映射关系可以为将一个空间里的信息映射到一个向量空间里去，以构建出各自的网络表达。接着，嵌入层输出的第一嵌入向量和第二嵌入向量经叠加后输入至共享层，由共享层对第一嵌入向量和第二嵌入向量进行融合后连接至输出层，经输出层处理后输出所述待推荐账户对所述历史推荐对象是否发生负向反馈行为的预测结果。紧接着，以最小化损失函数为目标，基于所述样本数据对应的标签和模型输出的预测结果不断调整双塔神经网络的参数，最终训练得到用于预测所述待推荐账户对推荐对象发生负向反馈行为的概率的所述账户行为预测模型。
其次，在上述双塔深度神经网络中，所述账户的特征信息和所述历史推荐对象的特征信息共享嵌入层，使得所述账户的特征户信息和所述历史推荐对象的特征信息可以被映射到同一个向量空间中。其次，采用如上所述的双塔结构可以分别训练出所述账户和所述历史推荐对象各自的网络表达。另外，损失函数可以预先进行设置，如损失函数可以为交叉熵损失函数(Sigmoid Cross Entropy Loss)。当然，损失函数还可以根据模型训练需要采用其他损失函数，本公开实施例对此不做限定。
此外，为了提高所述账户行为预测模型的普遍适用性，所述样本数据还可以包括已在所述网络直播平台中注册的全部账户的特征信息，向每一账户推荐的所述第一历史推荐对象的特征信息以及第二历史推荐对象的特征信息。
还需要说明的是，对于每一种负向反馈行为，可根据所述待推荐账户的特征信息、所述待推荐账户的发生该负向反馈行为的历史推荐对象的特征信息以及未发生该负向反馈行为的历史推荐对象的特征信息构成样本数据，以所述样本数据和所述样本数据对应的反馈行为作为标签进行训练得到，其中，所述反馈行为标签用于指示所述待推荐账户是否发生该负向反馈行为。
可以理解，通过以所述待推荐账户的特征信息、所述第一历史推荐对象的特征信息以及所述第二历史推荐对象的特征信息作为样本数据，基于所述样本数据和用于指示所述待推荐账户是否发生负向反馈行为的标签进行训练，可以视为将定义负向反馈的问题转换成了一个二分类的问题，由此，即便在诸如所述待推荐账户未点击界面推荐内容卡片上的负向反馈按钮、关闭弹窗等未给出明确的负向反馈信号的条件下，也可以捕捉到所述待推荐账户的负向反馈需求，进而可以平衡正向反馈样本和负向反馈样本的数量，从而使得训练出的账户行为预测模型更准确，基于该账户行为预测模型预测得到的所述待推荐账户发生所述负向反馈行为的概率也更准确，进而基于该概率对所述待推荐账户进行对象推荐的结果更符合所述待推荐账户的喜好，避免频繁向所述待推荐账户推荐不感兴趣的对象而使所述待推荐账户的用户产生疲劳的问题。
在另一种可选的实施方式中，对于每一候选推荐对象，也可以根据该候选推荐对象与所述第一历史推荐对象的相似度来确定所述待推荐账户发生所述负向反馈行为的概率。具体地，如图2所示，上述步骤S13可以包括：
在步骤S132中，对于所述候选推荐对象集合中的每一候选推荐对象，获取该候选推荐对象的特征信息和所述第一历史推荐对象的特征信息之间的距离，并根据所述距离确定该候选推荐对象与所述第一历史推荐对象的相似度。
其中，所述距离可以包括欧式距离、汉明距离等中的任一种。示例性地，对于所述候选推荐对象集合中的每一候选推荐对象，可将该候选推荐的特征信息与所述第一历史推荐对象的特征信息之间的欧式距离作为该候选推荐对象与所述第一历史推荐对象的相似度。
在步骤S133中，基于该候选推荐对象与所述第一历史推荐对象的相似度以及相似度与发生负向反馈行为的概率之间的预设对应关系，确定所述待推荐账户对该候选推荐对象发生负向反馈行为的概率。
例如，可通过查询相似度与发生所述反馈行为之间的预设对应关系来确定所述待推荐账户对该候选推荐对象发生负向反馈行为的概率。
可以理解，由于候选推荐对象与所述第一历史推荐对象的相似度越高，则所述待推荐账户对该候选推荐对象发生负向反馈行为的可能性越大，反之，则所述待推荐账户对该候选推荐对象发生负向反馈行为的可能性越小，通过确定候选推荐对象与所述第一历史推荐对象的相似度来确定所述待推荐账户对该候选推荐对象发生负向反馈行为的概率，计算效率高、实现简单。
针对上述步骤S14，在一种可选的实施方式中，可以从所述候选推荐对象集合中选取出发生负向反馈行为的概率小于或等于预设概率的候选推荐对象，作为目标推荐对象推荐给所述待推荐账户。
在另一种可选的实施方式中，由于所述待推荐账户对推荐对象产生的各种显示反馈行为(如包括点击、关注、删除等行为)能够直观地反应出所述待推荐账户对推荐对象的喜爱或讨厌，为了进一步提升对所述待推荐账户进行对象推荐结果的准确率，以提高推荐给所述待推荐账户的对象转化为被所述待推荐账户喜爱的有效对象的转化率，可以综合所述待推荐账户对候选推荐对象发生所述负向反馈行为的概率以及发生多维度的显示反馈行为的概率对所述候选推荐对象进行评分，根据得到的反映所述待推荐账户对所述候选推荐对象的感兴趣程度的推荐分值向所述待推荐账户进行对象推荐。
具体地，所述待推荐账户对各候选推荐对象发生负向反馈行为的概率包括所述待推荐账户对各候选推荐账户未执行操作这一隐式反馈行为的概率，以及对各候选推荐账户执行删除操作的概率以及执行取消关注等显示负向反馈行为的概率。此外，在上述步骤S14之前，本公开实施例所述的信息推荐方法还包括：对于所述候选推荐对象集合中的每一候选推荐对象，获取所述待推荐账户对该候选推荐对象产生多维度的正向反馈行为的概率，所述多维度的正向反馈行为包括点击行为、关注行为、互动行为、双向互动行为中的至少一种。
相应地，上述步骤S14可以包括：对于所述候选推荐对象集合中的每一候选推荐对象，对所述待推荐账户对该候选推荐对象发生负向反馈行为的概率以及发生各个维度的正向反馈行为的概率进行加权求和，确定该候选推荐对象的推荐分值；从所述候选推荐对象集合中选取出推荐分值满足预设条件的候选推荐对象作为目标推荐对象。
其中，所述待推荐账户对所述候选推荐对象执行关注操作的概率用于表示所述待推荐账户对所述候选推荐感兴趣并产生关注的可能性；所述待推荐账户对所述候选推荐对象执行点击操作的概率用于表示所述待推荐账户想了解所述候选推荐对象的可能性；所述待推荐账户对所述候选推荐对象执行删除操作的概率用于表示所述待推荐账户厌恶所述候选推荐对象的可能性；所述待推荐账户对所述候选推荐对象执行互动操作的概率用于表示所述待推荐账户对所述候选推荐对象之间形成亲密关注的可能性；所述待推荐账户与所述候选推荐对象发生双向互动行为的概率用于表示所述待推荐账户与所述候选推荐对象相互形成亲密关注的可能性，等等。
例如，以所述多维度的正向反馈行为包括关注行为和点击行为为以及所述负向反馈行为包括执行删除行为以及未执行操作的行为为例，对于所述候选推荐对象集合中的每一候选推荐对象，可按照公式(1)计算该候选推荐对象的推荐分值。
Score＝wftr·pftr+wctr·pctr-wdtr·pdtr-wrftr·prftr (1)
其中，Score为该候选推荐对象的推荐分值；pftr为所述待推荐账户对所述候选推荐对象执行关注操作的概率；wftr为所述关注操作对应的权重系数；pctr为所述待推荐账户对所述候选推荐对象执行点击操作的概率；wctr为所述点击操作对应的权重系数；pdtr为所述待推荐账户对所述候选推荐对象执行删除操作的概率；wdtr为所述删除操作对应的权重系数；prftr为所述待推荐账户对所述候选推荐对象未执行操作的概率；wrftr所述未执行操作的行为对应的权重系数。
需要说明的是，各个维度的正向反馈行为对应的权重系数和负向反馈行为对应的权重系数可以根据不同待推荐账户的具体情况适应设置，例如，若待推荐账户为所述网络直播平台上的新注册账户(如注册时间在7天之内)，考虑到这类待推荐账户的社交关系链信息相对较少，针对该类待推荐账户，可将关注操作对应的权重系数wftr和点击操作对应的权重系数wctr设置为相对较高的值，而其他维度的正向反馈行为对应的权重系数和负向反馈行为对应的权重系数设置为相对较低的值。
其次，上述待推荐账户对所述候选推荐对象发生多维度的正向反馈行为的概率可以通过现有的任一方式获得，例如，可以通过统计分析所述待推荐账户的所有历史推荐对象以及对各个历史推荐对象发生的反馈数据得到；或者，可以通过预先训练的预测模型进行预测得到，例如，以所述待推荐账户对所述候选推荐对象执行点击操作这一正向反馈行为的概率为例，可以以所述待推荐账户的特征信息和所述候选推荐对象的特征信息输入预先训练的点击行为预测模型，则获取到所述待推荐账户对所述候选推荐对象执行点击操作的概率，其中，所述点击行为预测模型可以以在所述网络直播平台上注册的账户的特征信息和所述待推荐账户的历史推荐对象的特征信息作为样本数据、以所述样本数据的用于指示是否执行点击操作的标签进行训练得到。当然，所述待推荐账户对所述候选推荐对象发生各维度的正向反馈行为的概率还可以通过其他现有方式得到，本公开实施例对此不做限定。
另外，在确定出所述候选推荐对象集合中所有候选推荐对象的推荐分值后，可从所述候选推荐对象集合中选取出推荐分值大于或等于预设阈值的候选推荐对象作为目标推荐对象并推荐给所述待推荐账户；或者，可以将对所述候选推荐对象集合中的候选推荐对象按照推荐分值进行排序，并选取排列顺序位于预设范围内的候选推荐对象作为目标推荐对象，例如，按照推荐分值对各候选推荐对象进行降序排序，将排列顺序位于前10％的候选推荐对象作为目标推荐对象。
图4是根据一示例性实施例示出的一种信息推荐装置的框图。如图4所示，该装置400包括第一确定单元401、第一获取单元402、第二确定单元403和推荐单元404。
该第一确定单元401被配置为执行从账户库中筛选出待推荐账户的候选推荐对象集合，其中，所述候选推荐对象集合中包括多个候选推荐对象。
该第一获取单元402被配置为执行获取所述待推荐账户的负向反馈行为的数据，所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为。
该第二确定单元403被配置为执行基于所述负向反馈行为的数据和所述候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率。
该推荐单元404被配置为执行基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户。
可选地，所述负向反馈行为的数据包括向所述待推荐账户推荐后所述待推荐账户发生负向反馈行为的第一历史推荐对象的特征信息；
所述第二确定单元403被配置为具体执行：
对于所述候选推荐对象集合中的每一候选推荐对象，获取该候选推荐对象的特征信息和所述第一历史推荐对象的特征信息之间的距离，并根据所述距离确定该候选推荐对象与所述第一历史推荐对象的相似度；
基于该候选推荐对象与所述第一历史推荐对象的相似度以及相似度与发生负向反馈行为的概率之间的预设对应关系，确定所述待推荐账户对该候选推荐对象发生负向反馈行为的概率。
可选地，如图5所示，所述装置400还包括：
第二获取单元405，被配置为执行在所述推荐单元基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户之前，对于所述候选推荐对象集合中的每一候选推荐对象，获取所述待推荐账户对该候选推荐对象产生多维度的正向反馈行为的概率，所述多维度的正向反馈行为包括点击行为、关注行为、互动行为、双向互动行为中的至少一种；
所述推荐单元404被配置为具体执行：
对于所述候选推荐对象集合中的每一候选推荐对象，对所述待推荐账户对该候选推荐对象发生负向反馈行为的概率以及发生各个维度的正向反馈行为的概率进行加权求和，确定该候选推荐对象的推荐分值；
从所述候选推荐对象集合中选取出推荐分值满足预设条件的候选推荐对象作为目标推荐对象。
可选地，所述推荐单元404还被配置为具体执行：
从所述候选推荐对象集合中选取推荐分值大于或等于预设阈值的候选推荐对象作为目标推荐对象；和/或，
对所述候选推荐对象集合中的候选推荐对象按照推荐分值进行排序，并选取排列顺序位于预设范围内的候选推荐对象作为目标推荐对象。
可选地，所述第一确定单元401被配置为具体执行：
获取所述待推荐账户和所述账户库中各账户各自的第二历史推荐对象的类型，所述第二历史推荐对象为向账户推荐后账户未发生负向反馈行为的历史推荐对象；
从所述账户库中筛选出对应的第二历史推荐对象的类型与所述待推荐账户的第二历史推荐对象的类型相同的账户作为所述待推荐账户的候选推荐对象，得到所述待推荐账户的候选推荐对象集合。。
关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种电子设备的框图。参照图6，服务器包括处理组件601，其进一步包括一个或多个处理器，以及由存储器602所代表的存储器资源，用于存储可由处理组件602的执行的指令，例如应用程序。存储器602中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件601被配置为执行指令，以执行上述的信息推荐方法。例如，该信息推荐方法包括以下步骤：
从账户库中筛选出待推荐账户的候选推荐对象集合，其中，所述候选推荐对象集合中包括多个候选推荐对象；
获取所述待推荐账户的负向反馈行为的数据，所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为；
基于所述负向反馈行为的数据和所述候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率；
基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户。
电子设备还可以包括一个电源组件603被配置为执行电子设备的电源管理，一个有线或无线网络接口604被配置为将服务器连接到网络，和一个输入输出(I/O)接口605。电子设备可以操作基于存储在存储器602的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
通过本公开实施例所述的电子设备，通过获取待推荐账户的负向反馈行为的数据并基于所述负向反馈行为的数据和所述待推荐账户的候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率，基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给待推荐账户，由于所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为，相比于相关技术中通过收集账户的删除行为、取消关注行为等操作行为来获取账户的负向反馈信息来进行对象推荐，可以避免收集到的负向反馈信息不足而导致的对象推荐结果准确率低的问题。并且，由于待推荐账户对推荐对象发生负向反馈行为的概率在一定程度上反映了所述待推荐账户不喜欢所述推荐对象的可能性，基于所述待推荐账户对推荐对象发生负向反馈行为的概率对所述待推荐账户进行信息推荐，可以在一定程度上减小向所述待推荐账户重复推荐被所述待推荐账户忽略的、不喜欢的对象，避免对所述待推荐账户造成干扰，提高了信息推荐结果的准确率，进而可以提高推荐对象被所述待推荐账户喜爱的有效对象的转化率。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器602，上述指令可由电子设备600的处理器执行以完成上述信息推荐方法。例如，信息推荐方法包括以下步骤：
从账户库中筛选出待推荐账户的候选推荐对象集合，其中，所述候选推荐对象集合中包括多个候选推荐对象；
获取所述待推荐账户的负向反馈行为的数据，所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为；
基于所述负向反馈行为的数据和所述候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率；
基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户。
可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
通过本公开实施例所述的存储介质，通过获取待推荐账户的负向反馈行为的数据并基于所述负向反馈行为的数据和所述待推荐账户的候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率，基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给待推荐账户，由于所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为，相比于相关技术中通过收集账户的删除行为、取消关注行为等操作行为来获取账户的负向反馈信息来进行对象推荐，可以避免收集到的负向反馈信息不足而导致的对象推荐结果准确率低的问题。并且，由于待推荐账户对推荐对象发生负向反馈行为的概率在一定程度上反映了所述待推荐账户不喜欢所述推荐对象的可能性，基于所述待推荐账户对推荐对象发生负向反馈行为的概率对所述待推荐账户进行信息推荐，可以在一定程度上减小向所述待推荐账户重复推荐被所述待推荐账户忽略的、不喜欢的对象，避免对所述待推荐账户造成干扰，提高了信息推荐结果的准确率，进而可以提高推荐对象被所述待推荐账户喜爱的有效对象的转化率。
本公开实施例还提供了一种计算机程序产品，包括指令，当计算机程序产品被计算机所执行时，该指令使得计算机执行上述的信息推荐方法。例如，信息推荐方法包括以下步骤：
从账户库中筛选出待推荐账户的候选推荐对象集合，其中，所述候选推荐对象集合中包括多个候选推荐对象；
获取所述待推荐账户的负向反馈行为的数据，所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为；
基于所述负向反馈行为的数据和所述候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率；
基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户。
通过本公开实施例所述的计算机程序产品，通过获取待推荐账户的负向反馈行为的数据并基于所述负向反馈行为的数据和所述待推荐账户的候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率，基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给待推荐账户，由于所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为，相比于相关技术中通过收集账户的删除行为、取消关注行为等操作行为来获取账户的负向反馈信息来进行对象推荐，可以避免收集到的负向反馈信息不足而导致的对象推荐结果准确率低的问题。并且，由于待推荐账户对推荐对象发生负向反馈行为的概率在一定程度上反映了所述待推荐账户不喜欢所述推荐对象的可能性，基于所述待推荐账户对推荐对象发生负向反馈行为的概率对所述待推荐账户进行信息推荐，可以在一定程度上减小向所述待推荐账户重复推荐被所述待推荐账户忽略的、不喜欢的对象，避免对所述待推荐账户造成干扰，提高了信息推荐结果的准确率，进而可以提高推荐对象被所述待推荐账户喜爱的有效对象的转化率。
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它实施方案。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。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种信息推荐方法，其特征在于，包括：
从账户库中筛选出待推荐账户的候选推荐对象集合，其中，所述候选推荐对象集合中包括多个候选推荐对象；
获取所述待推荐账户的负向反馈行为的数据，所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为；
基于所述负向反馈行为的数据和所述候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率；
基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户。
2.根据权利要求1所述的方法，其特征在于，所述负向反馈行为的数据包括向所述待推荐账户推荐后所述待推荐账户发生负向反馈行为的第一历史推荐对象的特征信息；
所述基于所述负向反馈行为的数据和所述候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率，包括：
对于所述候选推荐对象集合中的每一候选推荐对象，获取该候选推荐对象的特征信息和所述第一历史推荐对象的特征信息之间的距离，并根据所述距离确定该候选推荐对象与所述第一历史推荐对象的相似度；
基于该候选推荐对象与所述第一历史推荐对象的相似度以及相似度与发生负向反馈行为的概率之间的预设对应关系，确定所述待推荐账户对该候选推荐对象发生负向反馈行为的概率。
3.根据权利要求1所述的方法，其特征在于，在所述基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户之前，所述方法还包括：
对于所述候选推荐对象集合中的每一候选推荐对象，获取所述待推荐账户对该候选推荐对象产生多维度的正向反馈行为的概率，所述多维度的正向反馈行为包括点击行为、关注行为、互动行为、双向互动行为中的至少一种；
所述基于所述概率从所述候选推荐对象集合中选取出目标推荐对象，包括：
对于所述候选推荐对象集合中的每一候选推荐对象，对所述待推荐账户对该候选推荐对象发生负向反馈行为的概率以及发生各个维度的正向反馈行为的概率进行加权求和，确定该候选推荐对象的推荐分值；
从所述候选推荐对象集合中选取出推荐分值满足预设条件的候选推荐对象作为目标推荐对象。
4.根据权利要求3所述的方法，其特征在于，所述从所述候选推荐对象集合中选取出推荐分值满足预设条件的候选推荐对象作为目标推荐对象，包括：
从所述候选推荐对象集合中选取推荐分值大于或等于预设阈值的候选推荐对象作为目标推荐对象；和/或，
对所述候选推荐对象集合中的候选推荐对象按照推荐分值进行排序，并选取排列顺序位于预设范围内的候选推荐对象作为目标推荐对象。
5.根据权利要求1所述的方法，其特征在于，所述从账户库中筛选出待推荐账户的候选推荐对象集合，包括：
获取所述待推荐账户和所述账户库中各账户各自的第二历史推荐对象的类型，所述第二历史推荐对象为向账户推荐后账户未发生负向反馈行为的历史推荐对象；
从所述账户库中筛选出对应的第二历史推荐对象的类型与所述待推荐账户的第二历史推荐对象的类型相同的账户作为所述待推荐账户的候选推荐对象，得到所述待推荐账户的候选推荐对象集合。
6.一种信息推荐装置，其特征在于，包括：
第一确定单元，被配置为执行从账户库中筛选出待推荐账户的候选推荐对象集合，其中，所述候选推荐对象集合中包括多个候选推荐对象；
第一获取单元，被配置为执行获取所述待推荐账户的负向反馈行为的数据，所述负向反馈行为至少用于表示所述待推荐账户在接收到推荐对象后未对推荐对象执行操作的行为；
第二确定单元，被配置为执行基于所述负向反馈行为的数据和所述候选推荐对象集合中的候选推荐对象的特征信息，确定所述待推荐账户对所述候选推荐对象集合中的候选推荐对象发生负向反馈行为的概率；
推荐单元，被配置为执行基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户。
7.根据权利要求6所述的装置，其特征在于，所述负向反馈行为的数据包括向所述待推荐账户推荐后所述待推荐账户发生负向反馈行为的第一历史推荐对象的特征信息；
所述第二确定单元被配置为具体执行：
对于所述候选推荐对象集合中的每一候选推荐对象，获取该候选推荐对象的特征信息和所述第一历史推荐对象的特征信息之间的距离，并根据所述距离确定该候选推荐对象与所述第一历史推荐对象的相似度；
基于该候选推荐对象与所述第一历史推荐对象的相似度以及相似度与发生负向反馈行为的概率之间的预设对应关系，确定所述待推荐账户对该候选推荐对象发生负向反馈行为的概率。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二获取单元，被配置为执行在所述推荐单元基于所述概率从所述候选推荐对象集合中选取出目标推荐对象并推荐给所述待推荐账户之前，对于所述候选推荐对象集合中的每一候选推荐对象，获取所述待推荐账户对该候选推荐对象产生多维度的正向反馈行为的概率，所述多维度的正向反馈行为包括点击行为、关注行为、互动行为、双向互动行为中的至少一种；
所述推荐单元被配置为具体执行：
对于所述候选推荐对象集合中的每一候选推荐对象，对所述待推荐账户对该候选推荐对象发生负向反馈行为的概率以及发生各个维度的正向反馈行为的概率进行加权求和，确定该候选推荐对象的推荐分值；
从所述候选推荐对象集合中选取出推荐分值满足预设条件的候选推荐对象作为目标推荐对象。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的信息推荐方法。
10.一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至5中任一项所述的信息推荐方法。
CN202010078933.8A 2020-02-03 2020-02-03 信息推荐方法、装置、电子设备及存储介质 Active CN113204699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010078933.8A CN113204699B (zh) 2020-02-03 2020-02-03 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
CN202010078933.8A CN113204699B (zh) 2020-02-03 2020-02-03 信息推荐方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113204699A true CN113204699A (zh) 2021-08-03
CN113204699B CN113204699B (zh) 2023-10-31

Family

ID=77024892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010078933.8A Active CN113204699B (zh) 2020-02-03 2020-02-03 信息推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113204699B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114501150A (zh) * 2022-01-17 2022-05-13 北京达佳互联信息技术有限公司 媒体资源推荐方法、装置、设备及存储介质
CN115618101A (zh) * 2022-09-21 2023-01-17 清华大学 基于负反馈的流媒体内容推荐方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104965890A (zh) * 2015-06-17 2015-10-07 深圳市腾讯计算机系统有限公司 广告推荐的方法和装置
CN108491529A (zh) * 2018-03-28 2018-09-04 百度在线网络技术（北京）有限公司 信息推荐方法及装置
CN110309427A (zh) * 2018-05-31 2019-10-08 腾讯科技（深圳）有限公司 一种对象推荐方法、装置及存储介质
CN110688576A (zh) * 2019-09-25 2020-01-14 北京达佳互联信息技术有限公司 内容推荐方法、装置、电子设备及存储介质
CN110704739A (zh) * 2019-09-30 2020-01-17 汉海信息技术(上海)有限公司 资源推荐方法、装置及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104965890A (zh) * 2015-06-17 2015-10-07 深圳市腾讯计算机系统有限公司 广告推荐的方法和装置
CN108491529A (zh) * 2018-03-28 2018-09-04 百度在线网络技术（北京）有限公司 信息推荐方法及装置
CN110309427A (zh) * 2018-05-31 2019-10-08 腾讯科技（深圳）有限公司 一种对象推荐方法、装置及存储介质
CN110688576A (zh) * 2019-09-25 2020-01-14 北京达佳互联信息技术有限公司 内容推荐方法、装置、电子设备及存储介质
CN110704739A (zh) * 2019-09-30 2020-01-17 汉海信息技术(上海)有限公司 资源推荐方法、装置及计算机存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114501150A (zh) * 2022-01-17 2022-05-13 北京达佳互联信息技术有限公司 媒体资源推荐方法、装置、设备及存储介质
CN115618101A (zh) * 2022-09-21 2023-01-17 清华大学 基于负反馈的流媒体内容推荐方法、装置及电子设备

Also Published As

Publication number Publication date
CN113204699B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
US20210326674A1 (en) Content recommendation method and apparatus, device, and storage medium
CN110070391B (zh) 数据处理方法、装置、计算机可读介质及电子设备
US9785888B2 (en) Information processing apparatus, information processing method, and program for prediction model generated based on evaluation information
US20170249389A1 (en) Sentiment rating system and method
CN110717099B (zh) 一种推荐影片的方法及终端
US20190163500A1 (en) Method and apparatus for providing personalized self-help experience
CN113301442B (zh) 确定直播资源的方法、设备、介质及程序产品
EP4092545A1 (en) Content recommendation method and device
CN113204699B (zh) 信息推荐方法、装置、电子设备及存储介质
CN111597446B (zh) 基于人工智能的内容推送方法、装置、服务器和存储介质
CN114245185B (zh) 视频推荐方法、模型训练方法、装置、电子设备及介质
WO2019242453A1 (zh) 信息处理方法及装置、存储介质、电子装置
US20210357553A1 (en) Apparatus and method for option data object performance prediction and modeling
US20160034915A1 (en) Document performance indicators based on referral context
CN113420165B (zh) 二分类模型的训练、多媒体数据的分类方法及装置
CN111859141B (zh) 内容推送方法、装置、服务器及存储介质
JP6173586B2 (ja) ユーザの検索行為に基づいてデータマイニングを行う方法及び装置
CN111860870A (zh) 交互行为确定模型的训练方法、装置、设备及介质
CN112749332A (zh) 数据处理方法、装置以及计算机可读介质
CN112035740A (zh) 项目使用时长预测方法、装置、设备及存储介质
CN114329187B (zh) 内容对象的推荐方法、装置、电子设备以及可读介质
CN112925972B (zh) 信息推送方法、装置、电子设备和存储介质
CN112000888B (zh) 信息推送方法、装置、服务器及存储介质
CN116628179B (zh) 一种用户操作数据的可视化与人机交互推荐方法
CN113596528B (zh) 视频推送模型的训练方法、装置、服务器及存储介质

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