CN113343085A - 一种信息推荐方法、装置、存储介质及电子设备 - Google Patents

Abstract

本说明书公开了一种信息推荐方法、装置、存储介质及电子设备，本说明书实施例根据获取到的待推荐信息和展示位置，确定用户对每个待推荐信息的第一兴趣特征以及对每个展示位置的第二兴趣特征。然后，根据不同推荐信息的第一兴趣特征与不同展示位置的第二兴趣特征，确定不同待推荐信息处于不同展示位置的综合特征。根据综合特征，预测不同待推荐信息处于不同展示位置的点击率。最后，根据不同待推荐信息处于不同展示位置的点击率，为用户推荐信息。此方法不需要对待推荐信息的内容和展示位置进行解耦，而是将不同展示位置和不同待推荐信息进行两两组合，对每组进行点击率预测，这样可以提高点击率预测的精度。

Description

一种信息推荐方法、装置、存储介质及电子设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种信息推荐方法、装置、存储介质及电子设备。

背景技术

随着科技的发展，各类信息层出不穷。为提升用户体验，可以根据点击率预估模型预测到的待推荐信息的点击率，为用户推荐相应的信息。而点击率预估模型预测点击率的精度更容易受待推荐信息的展示位置的影响。即，待推荐信息的展示位置越靠前，点击率预估模型预测的点击率越高。

现有技术中，待推荐信息的点击率是由待推荐信息自身内容和带推荐信息展示位置共同决定的，所以为了消除展示位置之间的位置偏差对点击率预测的影响，在对点击率预估模型进行训练时，可以将历史推荐信息的真实展示位置和历史推荐信息自身内容分别作为特征输入点击率预估模型，以此将历史推荐信息的展示位置和推荐信息自身内容进行解耦。然后，通过训练点击率预估模型得到不同展示位置对点击率预测的影响。在使用训练完成的点击率预估模型时，可以人为设置一个固定展示位置，然后，根据待推荐信息自身内容，对处于固定展示位置的所有待推荐信息进行点击率预测。最后，根据每个待推荐信息预测的点击率，为用户推荐相应的待推荐信息的信息。

但是，现有技术中的点击率预估模型将历史推荐信息的展示位置和历史推荐信息自身内容进行解耦时，并不能完全解耦，导致历史推荐信息自身内容中包含部分展示位置信息，因此，点击率预估模型只根据待推荐信息自身内容对待推荐信息的点击率进行预测时，会降低点击率预测精度和推荐待推荐信息的准确性。

发明内容

本说明书实施例提供一种信息推荐方法、装置、存储介质及电子设备，以部分解决上述现有技术存在的问题。

本说明书实施例采用下述技术方案：

本说明书提供的一种信息推荐方法，包括：

获取待推荐信息和展示位置；

针对每个待推荐信息，确定用户对该待推荐信息的第一兴趣特征；针对每个展示位置，确定所述用户对该展示位置的第二兴趣特征；

根据不同推荐信息的第一兴趣特征与不同展示位置的第二兴趣特征，确定不同待推荐信息处于不同展示位置的综合特征；

根据所述综合特征，预测不同待推荐信息处于不同展示位置的点击率；

根据不同待推荐信息处于不同展示位置的点击率，为所述用户推荐信息。

可选地，针对每个待推荐信息，确定用户对该待推荐信息的第一兴趣特征，具体包括：

将所述待推荐信息输入预先训练的预测模型中的信息特征模型，针对每个待推荐信息，通过所述信息特征模型输出用户对该待推荐信息的第一兴趣特征。

可选地，针对每个展示位置，确定所述用户对该展示位置的第二兴趣特征，具体包括：

将所述展示位置输入所述预测模型中的位置特征模型，针对每个展示位置，通过所述位置特征模型输出所述用户对该展示位置的第二兴趣特征。

可选地，根据不同推荐信息的第一兴趣特征与不同展示位置的第二兴趣特征，确定不同待推荐信息处于不同展示位置的综合特征，根据所述综合特征，预测不同待推荐信息处于不同展示位置的点击率，具体包括：

将不同推荐信息的第一兴趣特征和不同展示位置的第二兴趣特征输入所述预测模型中的预测子模型，通过所述预测子模型，针对每个待推荐信息和每个展示位置，将所述用户对该待推荐信息的第一兴趣特征与所述用户对该展示位置的第二兴趣特征进行融合，得到该待推荐信息处于该展示位置的综合特征；

根据所述综合特征，通过所述预测子模型，预测不同待推荐信息处于不同展示位置的点击率。

可选地，所述信息特征模型包括：第一嵌入层、第一拼接层和第一全连接层；

将所述待推荐信息输入预先训练的预测模型中的信息特征模型，针对每个待推荐信息，通过所述信息特征模型输出用户对该待推荐信息的第一兴趣特征，具体包括：

确定所述用户的用户画像和当前的上下文信息；

将所述用户画像、所述上下文信息和所述待推荐信息输入所述第一嵌入层，通过所述第一嵌入层，得到用户特征、上下文特征和待推荐信息特征；

将所述用户特征、所述上下文特征和所述待推荐信息特征输入所述第一拼接层，通过所述第一拼接层，针对每个待推荐信息特征，将该待推荐信息特征与所述用户特征、所述上下文特征进行拼接，得到该待推荐信息的第一拼接特征；

将每个待推荐信息的第一拼接特征输入所述第一全连接层，通过所述第一全连接层输出用户对不同待推荐信息的第一兴趣特征。

可选地，所述位置特征模型包括：第二嵌入层、第二拼接层、第二全连接层、行为聚合层和位置交互层；

将所述展示位置输入所述预测模型中的位置特征模型，针对每个展示位置，通过所述位置特征模型输出所述用户对该展示位置的第二兴趣特征，具体包括：

确定当前的上下文信息和所述用户的历史点击行为信息；

针对每个展示位置，将所述上下文信息和该展示位置输入所述第二嵌入层，通过所述第二嵌入层，得到上下文特征和该展示位置特征；将所述历史点击行为信息和所述上下文信息输入所述行为聚合层，通过所述行为聚合层，得到所述用户对该展示位置的行为聚合特征；

将所述上下文特征、该展示位置特征和该展示位置的行为聚合特征输入所述第二拼接层，得到该展示位置的第二拼接特征；

将每个展示位置的第二拼接特征输入所述第二全连接层，得到所述用户对不同展示位置的兴趣位置特征；

将不同展示位置的兴趣位置特征输入所述位置交互层，通过所述位置交互层，得到所述用户对不同展示位置的第二兴趣特征。

可选地，所述行为聚合层包括：第三嵌入层和注意力层；

将所述历史点击行为信息和所述上下文信息输入所述行为聚合层，通过所述行为聚合层，得到所述用户对该展示位置的行为聚合特征，具体包括：

针对每个展示位置，将所述用户在该展示位置的历史点击行为信息和所述上下文信息输入所述第三嵌入层，得到历史点击行为特征和上下文特征；

将所述历史点击行为特征和所述上下文特征输入所述注意力层，通过所述注意力层，得到所述用户对该展示位置的行为聚合特征。

可选地，所述预测子模型包括：第三拼接层、第三全连接层和输出层；

将不同推荐信息的第一兴趣特征和不同展示位置的第二兴趣特征输入所述预测模型中的预测子模型，具体包括：

将不同推荐信息的第一兴趣特征和不同展示位置的第二兴趣特征输入所述第三拼接层；

根据所述综合特征，通过所述预测子模型，预测不同待推荐信息处于不同展示位置的点击率，具体包括：

将所述第三拼接层输出的综合特征依次输入所述第三全连接层和所述输出层，通过所述输出层得到不同待推荐信息处于不同展示位置的点击率。

可选地，预先训练所述预测模型，具体包括：

预先获取用户历史上的行为日志数据，作为样本数据；其中，所述行为日志数据包括：样本展示位置和历史上用户点击的样本推荐信息；

将所述样本推荐信息输入所述信息特征模型，通过所述信息特征模型输出所述样本推荐信息的待优化第一兴趣特征；

将所述样本展示位置输入所述位置特征模型，针对每个样本展示位置，通过所述位置特征模型输出不同样本展示位置的待优化第二兴趣特征；

根据所述样本推荐信息的真实展示位置，将所述真实展示位置的待优化第二兴趣特征与所述待优化第一兴趣特征输入所述预测子模型，通过所述预测子模型输出所述样本推荐信息处于所述真实展示位置的待优化点击率；

以待优化点击率与真实点击率的差异最小化为训练目标，对所述预测模型进行训练。

本说明书提供的一种信息推荐装置，包括：

获取模块，用于获取待推荐信息和展示位置；

第一确定模块，用于针对每个待推荐信息，确定用户对该待推荐信息的第一兴趣特征；

第二确定模块，用于针对每个展示位置，确定所述用户对该展示位置的第二兴趣特征；

第三确定模块，用于根据不同推荐信息的第一兴趣特征与不同展示位置的第二兴趣特征，确定不同待推荐信息处于不同展示位置的综合特征；

预测模块，用于根据所述综合特征，预测不同待推荐信息处于不同展示位置的点击率；

推荐模块，用于根据不同待推荐信息处于不同展示位置的点击率，为所述用户推荐信息。

本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的信息推荐方法。

本说明书提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的信息推荐方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

本说明书实施例根据获取到的待推荐信息和展示位置，确定用户对每个待推荐信息的第一兴趣特征以及对每个展示位置的第二兴趣特征。然后，根据不同推荐信息的第一兴趣特征与不同展示位置的第二兴趣特征，确定不同待推荐信息处于不同展示位置的综合特征。根据综合特征，预测不同待推荐信息处于不同展示位置的点击率。最后，根据不同待推荐信息处于不同展示位置的点击率，为用户推荐信息。此方法不需要对待推荐信息自身内容和展示位置进行解耦，可以将不同展示位置和不同待推荐信息进行两两组合，对每个组合进行点击率预测，这样，考虑了不同展示位置和不同待推荐信息共同对点击率预测的影响，并提高点击率预测的精度。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书实施例提供的点击率预估模型的结构示意图；

图2为本说明书实施例提供的信息推荐流程示意图；

图3为本说明书实施例提供的预测模型使用过程中的示意图；

图4为本说明书实施例提供的预测模型训练时的示意图；

图5为本说明书实施例提供的信息推荐装置结构示意图；

图6为本说明书实施例提供的电子设备的结构示意图。

具体实施方式

现有技术中，用户点击待推荐信息的概率与待推荐信息的内容和展示位置有关，也就是，待推荐信息的内容和展示位置相耦合。

但是，用户在实际点击行为中更容易受待推荐信息的展示位置的影响，即，用户点击展示位置靠前的信息的概率更大，而是展示位置靠前的信息可能并不是用户所偏好的信息。所以，为提高点击率预测的精度，理论上可以将待推荐信息的内容和展示位置进行解耦。因此，现有技术中提供一种点击率预估模型，如图1所示。图1中的点击率预估模型可以包括：第一子模型和第二子模型。第一子模型可以只根据待推荐信息的展示位置，确定展示位置对点击率的影响；第二子模型可以只根据待推荐信息的内容，确定待推荐信息的内容对点击率的影响。这样，通过点击率预估模型就可以将待推荐信息的展示位置和待推荐信息的内容进行解耦。

具体的，在对点击率预估模型进行训练时，可以将历史推荐信息的真实展示位置输入第一子模型中，得到展示位置对点击率影响的概率，作为第一概率。同时，将历史推荐信息的内容输入第二子模型中，得到历史推荐信息的内容对点击率影响的概率，作为第二概率。然后，将第一概率和第二概率相乘得到待优化点击率，以待优化点击率与真实点击率的差异最小化为训练目标，对点击率预估模型进行训练。训练完成后，理论上可以学习到单独的展示位置对点击率预测的影响和单独的待推荐信息的内容对点击率预测的影响。在使用点击率预估模型时，理论上可以只根据待推荐信息的内容对点击率进行预测或输入一个固定位置和待推荐信息的内容对点击率进行预测。

但是，在通过点击率预估模型进行解耦的过程中，实际上待推荐信息的内容和展示位置是不可能完全解耦的。所以在使用该点击率预估模型预测的点击率并不准确。

而本说明书实施例中为解决现有技术中因待推荐信息的内容和展示位置不能完全解耦所带来的点击率预测精度低的问题，提供一种预测模型。该预测模型的最终目的并不是将待推荐信息的内容和展示位置完全解耦，而是考虑待推荐信息的内容和展示位置共同对点击率的影响。该预测模型中的信息特征模型也是对待推荐信息的内容进行解耦，位置特征模型对展示位置进行解耦。而实际上待推荐信息的内容和展示位置并不完全解耦，所以，采用预测模型中的预测子模型将不同待推荐信息和展示位置进行两两组合，得到不同组合的点击率。即，预测模型输出的点击率既与待推荐信息的展示位置有关，又与待推荐信息的内容有关。通过预测模型进行点击率预测，可以提高点击率预测的精度，从而提高信息推荐的准确性。

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图2为本说明书实施例提供的信息推荐流程示意图，包括：

S200：获取待推荐信息和展示位置。

在本说明书实施例中，客户端的用户可以向服务器端实时发送请求，请求可以是任意的请求，比如：点餐、购物等请求。服务器响应于用户发送的请求，确定用户信息和上下文信息。其中，用户信息可包括用户画像和用户历史点击行为信息等。上下文信息可包括时间、地理位置、搜索关键词等信息。用户画像可以是指用户偏好、习惯等标签化的信息。需要说明的是，所述的上下文信息是指实时的上下文信息。用户历史点击行为需要根据上下文信息中的时间而确定。

当服务器响应于用户发送的请求时，可以根据用户画像，为用户筛选出符合用户喜好的不同的待推荐信息。其中，待推荐信息可以是商品、广告等。同时，可以人为设置展示位置的个数。所以，所述的展示位置可以指多个展示位置。

S202：针对每个待推荐信息，确定用户对该待推荐信息的第一兴趣特征。

S204：针对每个展示位置，确定所述用户对该展示位置的第二兴趣特征。

S206：根据不同推荐信息的第一兴趣特征与不同展示位置的第二兴趣特征，确定不同待推荐信息处于不同展示位置的综合特征。

S208：根据所述综合特征，预测不同待推荐信息处于不同展示位置的点击率。

在本说明书实施例中，本说明书中提供一种预测模型使用过程中的示意图，如图3所示。其中，预测模型可以对处于不同展示位置的不同待推荐信息进行点击率预测。所以，可以通过预测模型执行步骤S202～步骤S208。

在图3中，预测模型有三个子模型构成，分别是信息特征模型、位置特征模型和预测子模型。

具体的，可以将用户画像、上下文信息和待推荐信息输入预先训练的预测模型中的信息特征模型，针对每个待推荐信息，通过信息特征模型输出用户对该待推荐信息的第一兴趣特征。其中，第一兴趣特征可以指用户对每个待推荐信息的偏好特征。需要说明的是，实际上用户对不同待推荐信息的第一兴趣特征并不只是针对待推荐信息的内容，还包含部分展示位置的影响。

同时，可以将展示位置、上下文信息和历史点击行为信息输入预测模型中的位置特征模型，针对每个展示位置，通过位置特征模型输出用户对该展示位置的第二兴趣特征。其中，第二兴趣特征可以指用户对每个展示位置的偏好特征。需要说明的是，实际上用户对不同展示位置的第二兴趣特征并不只是针对展示位置，还包含部分待推荐信的影响。

既然，不能将待推荐信息的内容和展示位置完全解耦，可以直接将不同待推荐信息和不同展示位置进行两两组合，得到不同待推荐信息处于不同展示位置的点击率。

具体的，在得到不同待推荐信息的第一兴趣特征和不同展示位置的第二兴趣特征之后，可以将不同推荐信息的第一兴趣特征和不同展示位置的第二兴趣特征输入预测模型中的预测子模型，通过预测子模型，针对每个待推荐信息和每个展示位置，将用户对该待推荐信息的第一兴趣特征与用户对该展示位置的第二兴趣特征进行融合，得到该待推荐信息处于该展示位置的综合特征。其中，一个综合特征是指任一待推荐信息与任一展示位置相组合后的特征。另外，融合方式可以是拼接。

例如：有待推荐信息1和待推荐信息2，展示位置a和展示位置b。相应的，待推荐信息1对应第一兴趣特征1，待推荐信息2对应第一兴趣特征2，展示位置a对应第二兴趣特征a，展示位置b对应第二兴趣特征b。那么，可以将第一兴趣特征1和第二兴趣特征a进行拼接得到综合特征1，即，表示待推荐信息1处于展示位置a的综合特征1。类似的，将第一兴趣特征1和第二兴趣特征b进行拼接得到综合特征2，将第一兴趣特征2和第二兴趣特征a进行拼接得到综合特征3，将第一兴趣特征2和第二兴趣特征b进行拼接得到综合特征4。

在预测点击率时，可以根据不同待推荐信息处于不同展示位置的多个综合特征，通过预测子模型，预测不同待推荐信息处于不同展示位置的点击率。同样的，针对每个待推荐信息和每个展示位置，可以预测该待推荐信息处于该展示位置时的点击率。

继续沿用上例，针对综合特征1预测得到的点击率，表示推荐信息1处于展示位置a的点击率。类似的，针对综合特征2预测得到的点击率，表示推荐信息1处于展示位置b的点击率，针对综合特征3预测得到的点击率，表示推荐信息2处于展示位置a的点击率，针对综合特征4预测得到的点击率，表示推荐信息2处于展示位置b的点击率。

S210：根据不同待推荐信息处于不同展示位置的点击率，为所述用户推荐信息。

在本说明书实施例中，在通过预测模型预测出不同待推荐信息处于不同展示位置的点击率之后，可以针对每个待推荐信息和每个展示位置，根据该待推荐信息处于该展示位置的点击率，采用贪婪算法对不同待推荐信息进行排序，并推荐给用户。

具体的，可以依次针对不同的展示位置，根据不同待推荐信息处于该展示位置的点击率大小，从处于该展示位置的不同待推荐信息中选择点击率最大的待推荐信息。然后，将选择出的待推荐信息从所有待推荐信息中删除，并继续遍历处于下一个展示位置的待推荐信息，直到遍历完所有的展示位置。

通过上述图2所示的方法可见，本说明书在根据获取到的待推荐信息和展示位置，确定用户对每个待推荐信息的第一兴趣特征以及对每个展示位置的第二兴趣特征。然后，根据不同推荐信息的第一兴趣特征与不同展示位置的第二兴趣特征，确定不同待推荐信息处于不同展示位置的综合特征。根据综合特征，预测不同待推荐信息处于不同展示位置的点击率。最后，根据不同待推荐信息处于不同展示位置的点击率，为用户推荐信息。此方法不是对待推荐信息自身内容和展示位置进行解耦，而是将不同展示位置和不同推荐信息进行两两组合，得到不同待推荐信息处于不同展示位置时的点击率，因此，预测模型输出的点击率与待推荐信息内容和展示位置相关，这样可以提高点击率预测的精度。

进一步的，在图3所示的预测模型中，预测模型中的信息特征模型可包括：第一嵌入层、第一拼接层和第一全连接层。位置特征模型可包括：第二嵌入层、第二拼接层、第二全连接层、行为聚合层和位置交互层。其中，行为聚合层可包括：第三嵌入层和注意力层。另外，预测模型中的预测子模型可包括：第三拼接层、第三全连接层和输出层。

需要说明的是，图3中的位置特征模型中仅以一个展示位置为例对点击率预测过程进行说明。

接下来，针对预测模型中的每个子模型(信息特征模型、位置特征模型和预测子模型)进行说明。

对于信息特征模型，可以将用户画像、上下文信息和不同的待推荐信息输入第一嵌入层，通过第一嵌入层，得到用户特征、上下文特征和不同的待推荐信息特征。然后，将用户特征、上下文特征和不同的待推荐信息特征输入第一拼接层，通过第一拼接层，针对每个待推荐信息特征，将该待推荐信息特征与用户特征、上下文特征进行拼接，得到拼接后的特征，作为该待推荐信息的第一拼接特征。在得到每个待推荐信息的第一拼接特征之后，将每个待推荐信息的第一拼接特征输入第一全连接层，通过第一全连接层输出用户对不同待推荐信息的第一兴趣特征。即，用户对不同待推荐信息的偏好特征。

对于位置特征模型，针对每个展示位置，可以将上下文信息和该展示位置输入第二嵌入层，通过第二嵌入层，得到上下文特征和该展示位置特征。然后，将用户的历史点击行为信息和上下文信息输入行为聚合层，得到用户对该展示位置的行为聚合特征。也就是，对用户在该展示位置的历史点击行为信息进行聚合。

将上下文特征、该展示位置特征和该展示位置的行为聚合特征输入第二拼接层，得到拼接后的特征，作为该展示位置的第二拼接特征。将每个展示位置的第二拼接特征输入第二全连接层，得到用户对不同展示位置的兴趣位置特征。也就是，用户在当前的上下文信息中对不同展示位置的喜好特征。

最后，将不同展示位置的兴趣位置特征输入位置交互层，通过位置交互层，得到用户对不同展示位置的第二兴趣特征。也就是，将用户对不同展示位置的喜好特征进行交互，确定出用户在当前的上下文信息中针对不同展示位置的偏好特征。此外，通过位置交互层还可以减少用户在每个展示位置的点击行为信息的损失。另外，位置交互层可以是Transformer模型。

在上述的行为聚合层中，针对每个展示位置，可以将用户的历史点击行为信息和当前的上下文信息输入第三嵌入层，通过第三嵌入层，得到历史点击行为特征和当前的上下文特征。然后，将历史点击行为特征和当前的上下文特征输入注意力层，通过注意力层，将与当前的上下文特征相关的历史点击行为特征进行聚合，得到用户在该展示位置的行为聚合特征。

预测模型中的预测子模型主要是将不同待推荐信息与不同展示位置进行两两组合，并预测出每对组合的点击率。

具体的，可以将信息特征模型输出的不同待推荐信息的第一兴趣特征与位置特征模型输出的不同展示位置的第二兴趣特征输入第三拼接层，通过第三拼接层，将不同待推荐信息的第一兴趣特征与不同展示位置的第二兴趣特征两两拼接，得到不同待推荐信息处于不同展示位置的综合特征。然后，将综合特征依次输入第三全连接层和输出层，通过输出层得到不同待推荐信息处于不同展示位置的点击率。

另外，为强调不同第二兴趣特征所代表的展示位置，还可以在第一兴趣特征与第二兴趣特征进行拼接时，再拼接与第二兴趣特征相对应的展示位置特征，并将第一兴趣特征、第二兴趣特征和展示位置特征拼接后的特征，作为综合特征。

上述是使用预测模型预测点击率的过程，那么，在使用预测模型之前，必须对预测模型进行训练。

本说明实施例中提供一种预测模型训练时的示意图，如图4所示。在图4中，预测模型可包括：信息特征模型、位置特征模型和预测子模型。

在对预测模型进行训练时，可以获取用户历史上的行为日志数据，作为样本数据。其中，行为日志数据可以包括：用户信息、历史上下文信息、样本展示位置和历史上用户点击的样本待推荐信息。其中，样本展示位置与步骤S200中展示位置相同，都可以指多个展示位置。用户信息可以包括：用户画像和样本历史点击行为信息。需要说明的是，样本历史点击行为信息可以根据历史上下文信息中的时间而确定。

将用户画像、历史上下文信息、样本待推荐信息输入信息特征模型，通过信息特征模型输出样本待推荐信息的待优化第一兴趣特征。同时，将样本展示位置、历史上下文信息和样本历史点击行为信息输入位置特征模型，针对每个样本展示位置，通过位置特征模型输出不同样本展示位置的待优化第二兴趣特征。最后，根据样本推荐信息的真实展示位置，将真实展示位置的待优化第二兴趣特征与待优化第一兴趣特征输入预测子模型，通过预测子模型输出样本推荐信息处于真实展示位置的待优化点击率。以待优化点击率与真实点击率的差异最小化为训练目标，对预测模型进行训练。

在对预测模型进行训练时，由于只能获取用户历史上针对样本推荐信息处于真实位置上的真实点击率，无法获取样本推荐信息处于其他位置的点击率。所以在对预测模型进行训练时，只需要将样本推荐信息与真实位置进行组合，得到预测的点击率。进一步，因为需要将处于真实展示位置的真实点击率作为训练标签，所以在挑选样本时，挑选出的样本需要包含所有的展示位置。

除此之外，可以预先对信息特征模型和位置特征模型进行单独训练。将训练完成的信息特征模型和位置特征模型应用于预测模型中。在这种情况下对预测模型进行训练，主要是训练预测子模型。

具体的，将用户画像、历史上下文信息、样本待推荐信息输入信息特征模型，通过信息特征模型输出样本待推荐信息的第一兴趣特征。同时，将样本展示位置、历史上下文信息和样本历史点击行为信息输入位置特征模型，针对每个样本展示位置，通过位置特征模型输出不同样本展示位置的第二兴趣特征。最后，将样本待推荐信息的第一兴趣特征和真实展示位置的第二兴趣特征输入预测子模型中，通过预测子模型，得到样本待推荐信息处于真实展示位置的待优化点击率。以待优化点击率与真实点击率的差异最小化为训练目标，对预测模型进行训练。

以上为本说明书实施例提供的信息推荐方法，基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。

图5为本说明书实施例提供的一种信息推荐装置的结构示意图，所述装置包括：

获取模块501，用于获取待推荐信息和展示位置；

第一确定模块502，用于针对每个待推荐信息，确定用户对该待推荐信息的第一兴趣特征；

第二确定模块503，用于针对每个展示位置，确定所述用户对该展示位置的第二兴趣特征；

第三确定模块504，用于根据不同推荐信息的第一兴趣特征与不同展示位置的第二兴趣特征，确定不同待推荐信息处于不同展示位置的综合特征；

预测模块505，用于根据所述综合特征，预测不同待推荐信息处于不同展示位置的点击率；

推荐模块506，用于根据不同待推荐信息处于不同展示位置的点击率，为所述用户推荐信息。

可选地，所述第一确定模块502具体用于，将所述待推荐信息输入预先训练的预测模型中的信息特征模型，针对每个待推荐信息，通过所述信息特征模型输出用户对该待推荐信息的第一兴趣特征。

可选地，所述信息特征模型包括：第一嵌入层、第一拼接层和第一全连接层；

可选地，所述第一确定模块502具体用于，确定所述用户的用户画像和当前的上下文信息；将所述用户画像、所述上下文信息和所述待推荐信息输入所述第一嵌入层，通过所述第一嵌入层，得到用户特征、上下文特征和待推荐信息特征；将所述用户特征、所述上下文特征和所述待推荐信息特征输入所述第一拼接层，通过所述第一拼接层，针对每个待推荐信息特征，将该待推荐信息特征与所述用户特征、所述上下文特征进行拼接，得到该待推荐信息的第一拼接特征；将每个待推荐信息的第一拼接特征输入所述第一全连接层，通过所述第一全连接层输出用户对不同待推荐信息的第一兴趣特征。

可选地，所述第二确定模块503具体用于，将所述展示位置输入所述预测模型中的位置特征模型，针对每个展示位置，通过所述位置特征模型输出所述用户对该展示位置的第二兴趣特征。

可选地，所述位置特征模型包括：第二嵌入层、第二拼接层、第二全连接层、行为聚合层和位置交互层。

可选地，所述第二确定模块503具体用于，确定当前的上下文信息和所述用户的历史点击行为信息；针对每个展示位置，将所述上下文信息和该展示位置输入所述第二嵌入层，通过所述第二嵌入层，得到上下文特征和该展示位置特征；将所述历史点击行为信息和所述上下文信息输入所述行为聚合层，通过所述行为聚合层，得到所述用户对该展示位置的行为聚合特征；将所述上下文特征、该展示位置特征和该展示位置的行为聚合特征输入所述第二拼接层，得到该展示位置的第二拼接特征；将每个展示位置的第二拼接特征输入所述第二全连接层，得到所述用户对不同展示位置的兴趣位置特征；将不同展示位置的兴趣位置特征输入所述位置交互层，通过所述位置交互层，得到所述用户对不同展示位置的第二兴趣特征。

可选地，所述行为聚合层包括：第三嵌入层和注意力层。

可选地，所述第二确定模块503具体用于，针对每个展示位置，将所述用户在该展示位置的历史点击行为信息和所述上下文信息输入所述第三嵌入层，得到历史点击行为特征和上下文特征；将所述历史点击行为特征和所述上下文特征输入所述注意力层，通过所述注意力层，得到所述用户对该展示位置的行为聚合特征。

可选地，所述第三确定模块504具体用于，将不同推荐信息的第一兴趣特征和不同展示位置的第二兴趣特征输入所述预测模型中的预测子模型，通过所述预测子模型，针对每个待推荐信息和每个展示位置，将所述用户对该待推荐信息的第一兴趣特征与所述用户对该展示位置的第二兴趣特征进行融合，得到该待推荐信息处于该展示位置的综合特征。

可选地，所述预测模块505具体用于，根据所述综合特征，通过所述预测子模型，预测不同待推荐信息处于不同展示位置的点击率。

可选地，所述预测子模型包括：第三拼接层、第三全连接层和输出层。

可选地，所述预测模块505具体用于，将不同推荐信息的第一兴趣特征和不同展示位置的第二兴趣特征输入所述第三拼接层；将所述第三拼接层输出的综合特征依次输入所述第三全连接层和所述输出层，通过所述输出层得到不同待推荐信息处于不同展示位置的点击率。

可选地，所述装置还包括：训练模块507；

所述训练模块507用于，预先获取用户历史上的行为日志数据，作为样本数据；其中，所述行为日志数据包括：样本展示位置和历史上用户点击的样本推荐信息；将所述样本推荐信息输入所述信息特征模型，通过所述信息特征模型输出所述样本推荐信息的待优化第一兴趣特征；将所述样本展示位置输入所述位置特征模型，针对每个样本展示位置，通过所述位置特征模型输出不同样本展示位置的待优化第二兴趣特征；根据所述样本推荐信息的真实展示位置，将所述真实展示位置的待优化第二兴趣特征与所述待优化第一兴趣特征输入所述预测子模型，通过所述预测子模型输出所述样本推荐信息处于所述真实展示位置的待优化点击率；以待优化点击率与真实点击率的差异最小化为训练目标，对所述预测模型进行训练。

本说明书还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可用于执行上述图2提供的信息推荐方法。

基于图2所示的信息推荐方法，本说明书实施例还提供了图6所示的无人设备的结构示意图。如图6，在硬件层面，该无人设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图2所述的信息推荐方法。

当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书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，本说明书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。

本说明书是参照根据本说明书实施例的方法、设备(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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种信息推荐方法，其特征在于，包括：

获取待推荐信息和展示位置；

针对每个待推荐信息，确定用户对该待推荐信息的第一兴趣特征；针对每个展示位置，确定所述用户对该展示位置的第二兴趣特征；

根据不同推荐信息的第一兴趣特征与不同展示位置的第二兴趣特征，确定不同待推荐信息处于不同展示位置的综合特征；

根据所述综合特征，预测不同待推荐信息处于不同展示位置的点击率；

根据不同待推荐信息处于不同展示位置的点击率，为所述用户推荐信息。

2.如权利要求1所述的方法，其特征在于，针对每个待推荐信息，确定用户对该待推荐信息的第一兴趣特征，具体包括：

将所述待推荐信息输入预先训练的预测模型中的信息特征模型，针对每个待推荐信息，通过所述信息特征模型输出用户对该待推荐信息的第一兴趣特征；

针对每个展示位置，确定所述用户对该展示位置的第二兴趣特征，具体包括：

将所述展示位置输入所述预测模型中的位置特征模型，针对每个展示位置，通过所述位置特征模型输出所述用户对该展示位置的第二兴趣特征；

根据不同推荐信息的第一兴趣特征与不同展示位置的第二兴趣特征，确定不同待推荐信息处于不同展示位置的综合特征，根据所述综合特征，预测不同待推荐信息处于不同展示位置的点击率，具体包括：

将不同推荐信息的第一兴趣特征和不同展示位置的第二兴趣特征输入所述预测模型中的预测子模型，通过所述预测子模型，针对每个待推荐信息和每个展示位置，将所述用户对该待推荐信息的第一兴趣特征与所述用户对该展示位置的第二兴趣特征进行融合，得到该待推荐信息处于该展示位置的综合特征；

根据所述综合特征，通过所述预测子模型，预测不同待推荐信息处于不同展示位置的点击率。

3.如权利要求2所述的方法，其特征在于，所述信息特征模型包括：第一嵌入层、第一拼接层和第一全连接层；

将所述待推荐信息输入预先训练的预测模型中的信息特征模型，针对每个待推荐信息，通过所述信息特征模型输出用户对该待推荐信息的第一兴趣特征，具体包括：

确定所述用户的用户画像和当前的上下文信息；

将所述用户画像、所述上下文信息和所述待推荐信息输入所述第一嵌入层，通过所述第一嵌入层，得到用户特征、上下文特征和待推荐信息特征；

将所述用户特征、所述上下文特征和所述待推荐信息特征输入所述第一拼接层，通过所述第一拼接层，针对每个待推荐信息特征，将该待推荐信息特征与所述用户特征、所述上下文特征进行拼接，得到该待推荐信息的第一拼接特征；

将每个待推荐信息的第一拼接特征输入所述第一全连接层，通过所述第一全连接层输出用户对不同待推荐信息的第一兴趣特征。

4.如权利要求2所述的方法，其特征在于，所述位置特征模型包括：第二嵌入层、第二拼接层、第二全连接层、行为聚合层和位置交互层；

将所述展示位置输入所述预测模型中的位置特征模型，针对每个展示位置，通过所述位置特征模型输出所述用户对该展示位置的第二兴趣特征，具体包括：

确定当前的上下文信息和所述用户的历史点击行为信息；

针对每个展示位置，将所述上下文信息和该展示位置输入所述第二嵌入层，通过所述第二嵌入层，得到上下文特征和该展示位置特征；将所述历史点击行为信息和所述上下文信息输入所述行为聚合层，通过所述行为聚合层，得到所述用户对该展示位置的行为聚合特征；

将所述上下文特征、该展示位置特征和该展示位置的行为聚合特征输入所述第二拼接层，得到该展示位置的第二拼接特征；

将每个展示位置的第二拼接特征输入所述第二全连接层，得到所述用户对不同展示位置的兴趣位置特征；

将不同展示位置的兴趣位置特征输入所述位置交互层，通过所述位置交互层，得到所述用户对不同展示位置的第二兴趣特征。

5.如权利要求4所述的方法，其特征在于，所述行为聚合层包括：第三嵌入层和注意力层；

将所述历史点击行为信息和所述上下文信息输入所述行为聚合层，通过所述行为聚合层，得到所述用户对该展示位置的行为聚合特征，具体包括：

针对每个展示位置，将所述用户在该展示位置的历史点击行为信息和所述上下文信息输入所述第三嵌入层，得到历史点击行为特征和上下文特征；

将所述历史点击行为特征和所述上下文特征输入所述注意力层，通过所述注意力层，得到所述用户对该展示位置的行为聚合特征。

6.如权利要求2所述的方法，其特征在于，所述预测子模型包括：第三拼接层、第三全连接层和输出层；

将不同推荐信息的第一兴趣特征和不同展示位置的第二兴趣特征输入所述预测模型中的预测子模型，具体包括：

将不同推荐信息的第一兴趣特征和不同展示位置的第二兴趣特征输入所述第三拼接层；

根据所述综合特征，通过所述预测子模型，预测不同待推荐信息处于不同展示位置的点击率，具体包括：

将所述第三拼接层输出的综合特征依次输入所述第三全连接层和所述输出层，通过所述输出层得到不同待推荐信息处于不同展示位置的点击率。

7.如权利要求2所述的方法，其特征在于，预先训练所述预测模型，具体包括：

预先获取用户历史上的行为日志数据，作为样本数据；其中，所述行为日志数据包括：样本展示位置和历史上用户点击的样本推荐信息；

将所述样本推荐信息输入所述信息特征模型，通过所述信息特征模型输出所述样本推荐信息的待优化第一兴趣特征；

将所述样本展示位置输入所述位置特征模型，针对每个样本展示位置，通过所述位置特征模型输出不同样本展示位置的待优化第二兴趣特征；

根据所述样本推荐信息的真实展示位置，将所述真实展示位置的待优化第二兴趣特征与所述待优化第一兴趣特征输入所述预测子模型，通过所述预测子模型输出所述样本推荐信息处于所述真实展示位置的待优化点击率；

以待优化点击率与真实点击率的差异最小化为训练目标，对所述预测模型进行训练。

8.一种信息推荐装置，其特征在于，包括：

获取模块，用于获取待推荐信息和展示位置；

第一确定模块，用于针对每个待推荐信息，确定用户对该待推荐信息的第一兴趣特征；

第二确定模块，用于针对每个展示位置，确定所述用户对该展示位置的第二兴趣特征；

第三确定模块，用于根据不同推荐信息的第一兴趣特征与不同展示位置的第二兴趣特征，确定不同待推荐信息处于不同展示位置的综合特征；

预测模块，用于根据所述综合特征，预测不同待推荐信息处于不同展示位置的点击率；

推荐模块，用于根据不同待推荐信息处于不同展示位置的点击率，为所述用户推荐信息。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述的方法。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-7任一项所述的方法。

Images