CN113420203A - 对象推荐方法、装置、电子设备及存储介质 - Google Patents
对象推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113420203A CN113420203A CN202110539783.0A CN202110539783A CN113420203A CN 113420203 A CN113420203 A CN 113420203A CN 202110539783 A CN202110539783 A CN 202110539783A CN 113420203 A CN113420203 A CN 113420203A
- Authority
- CN
- China
- Prior art keywords
- feature
- information
- data
- feature extraction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000000605 extraction Methods 0.000 claims description 193
- 230000000007 visual effect Effects 0.000 claims description 125
- 230000006399 behavior Effects 0.000 claims description 54
- 230000004927 fusion Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012549 training Methods 0.000 description 54
- 230000008569 process Effects 0.000 description 13
- 238000013136 deep learning model Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000007670 refining Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000007499 fusion processing Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于一种对象推荐方法、装置、电子设备及存储介质,该方法包括获取目标用户的用户标识信息、目标用户的历史行为对象的第一对象内容数据和待推荐对象的第二对象内容数据;基于用户标识信息、第一对象内容数据和第二对象内容数据进行对象召回处理,得到待推荐对象的下发指标数据;基于下发指标数据向目标用户进行对象推荐。利用本公开实施例可以大大提升用户特征的表征精准性,有效学习到用户兴趣,进而可以大大提升对象推荐精准性和推荐效果。
Description
技术领域
本公开涉及互联网技术领域,尤其涉及一种对象推荐方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展,大量网络平台也在不断的升级,推荐给用户的信息不断丰富,但如何精准的捕捉用户的兴趣是大量推荐系统遇到的挑战。
相关技术中,常常会利用一些深度学习模型进行推荐信息的召回,一般的,深度学习模型由用户特征提取网络和对象(推荐信息)特征提取网络组成,在进行对象召回时,对象特征网络往往以对象信息为输入,用户特征提取网络往往直接以用户关联的标识信息为输入,但是标识信息的特征信号极其稀疏难以学习,且标识信息的特征具有很强的记忆能力,难以召回新发布的信息,导致相关技术中模型学习效果不好,无法有效学习到用户特征,推荐精准性和效果较差。
发明内容
本公开提供一种对象推荐方法、装置、电子设备及存储介质,以至少解决相关技术中无法有效学习到用户特征,推荐精准性和效果较差的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种对象推荐方法,包括:
获取目标用户的用户标识信息、所述目标用户的历史行为对象的第一对象内容数据和待推荐对象的第二对象内容数据;
基于所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据进行对象召回处理,得到所述待推荐对象的下发指标数据;
基于所述下发指标数据向所述目标用户进行对象推荐。
可选的,所述基于所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据进行对象召回处理,得到所述待推荐对象的下发指标数据包括:
根据所述用户标识信息和所述第一对象内容数据,生成所述目标用户的用户特征信息;
基于所述第二对象内容数据,确定待推荐对象特征信息;
根据所述待推荐对象特征信息和用户特征信息,得到特征关联度;
将所述特征关联度作为所述下发指标数据。
可选的,所述基于所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据进行对象召回处理,得到所述待推荐对象的下发指标数据包括:
将所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据输入对象召回模型进行对象召回处理,得到所述待推荐对象的下发指标数据。
可选的,所述对象召回模型包括第一特征提取层、第二特征提取层、特征融合层和召回层,所述将所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据输入对象召回模型进行对象召回处理,得到所述待推荐对象的下发指标数据包括:
将所述用户标识信息和所述第一对象内容数据输入所述第一特征提取层进行特征提取,得到用户特征信息;
将所述第二对象内容数据输入所述第二特征提取层进行特征提取,得到待推荐对象特征信息;
将所述用户特征信息和所述待推荐对象特征信息输入特征融合层进行特征融合,得到目标特征信息;
将所述目标特征信息输入所述召回层进行召回处理,得到所述待推荐对象的下发指标数据。
可选的,所述第一对象内容数据包括第一对象文本数据和第一对象视觉数据;所述第一特征提取层包括第一初始特征提取层、第一标识特征提取层、第一自注意力学习层、第二自注意力学习层和第一特征拼接层;所述将所述用户标识信息和所述第一对象内容数据输入所述第一特征提取层进行特征提取,得到用户特征信息包括:
基于所述第一初始特征提取层分别对所述用户标识信息、所述第一对象文本数据和所述第一对象视觉数据进行特征提取,得到用户标识特征信息、第一文本特征信息和第一视觉特征信息;
基于所述第一标识特征提取层对所述用户标识特征信息进行特征提取,得到目标用户标识特征;
基于所述第一自注意力学习层对所述第一文本特征信息进行自注意力学习,得到第一目标文本特征;
基于所述第二自注意力学习层对所述第一视觉特征信息进行自注意力学习,得到第一目标视觉特征;
基于第一特征拼接层对所述目标用户标识特征、所述第一目标文本特征和所述第一目标视觉特征进行拼接处理,得到所述用户特征信息。
可选的,所述第二对象内容数据包括:对象标识信息、第二对象文本数据和第二对象视觉数据;所述第二特征提取层包括第二初始特征提取层、第二标识特征提取层、对象文本特征提取层、对象视觉特征提取层和第二特征拼接层;所述将所述第二对象内容数据输入所述第二特征提取层进行特征提取,得到待推荐对象特征信息包括:
基于所述第二初始特征提取层分别对所述对象标识信息、所述第二对象文本数据和所述第二对象视觉数据进行特征提取,得到对象标识特征信息、第二文本特征信息和第二视觉特征信息;
基于所述第二标识特征提取层对所述对象标识特征信息进行特征提取,得到目标对象标识特征;
基于所述对象文本特征提取层对所述第二文本特征信息进行文本特征提取,得到第二目标文本特征;
基于所述对象视觉特征提取层对所述第二视觉特征信息进行视觉特征提取,得到第二目标视觉特征;
基于第二特征拼接层对所述目标对象标识特征、所述第二目标文本特征和所述第二目标视觉特征进行拼接处理,得到所述待推荐对象特征信息。
可选的,所述方法还包括:
获取样本用户的正样本训练数据和负样本训练数据,所述正样本训练数据包括推荐给所述样本用户的历史对象的对象内容数据、所述样本用户的用户标识信息和所述样本用户的历史行为对象的对象内容数据,所述负样本训练数据包括未推荐给所述样本用户的对象的对象内容数据、所述样本用户的用户标识信息和所述样本用户的历史行为对象的对象内容数据;
基于所述正样本训练数据和负样本训练数据对预设深度学习模型进行对象召回训练,得到所述对象召回模型。
可选的,所述基于所述下发指标数据向所述目标用户进行对象推荐包括:
根据所述下发指标数据从所述待推荐对象中确定目标推荐对象;
基于所述目标推荐对象向所述目标用户进行对象推荐。
根据本公开实施例的第二方面,提供一种对象推荐装置,包括:
数据获取模块,被配置为执行获取目标用户的用户标识信息、所述目标用户的历史行为对象的第一对象内容数据和待推荐对象的第二对象内容数据;
对象召回处理模块,被配置为执行基于所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据进行对象召回处理,得到所述待推荐对象的下发指标数据;
对象推荐模块,被配置为执行基于所述下发指标数据向所述目标用户进行对象推荐。
可选的,所述对象召回处理模块包括:
用户特征信息生成单元,被配置为执行根据所述用户标识信息和所述第一对象内容数据,生成所述目标用户的用户特征信息;
待推荐对象特征信息确定单元,被配置为执行基于所述第二对象内容数据,确定待推荐对象特征信息;
关联度计算单元,被配置为执行根据所述待推荐对象特征信息和用户特征信息,得到特征关联度;
下发指标数据确定单元,被配置为执行将所述特征关联度作为所述下发指标数据。
可选的,所述对象召回处理模块包括:
对象召回处理单元,被配置为执行将所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据输入对象召回模型进行对象召回处理,得到所述待推荐对象的下发指标数据。
可选的,所述对象召回模型包括第一特征提取层、第二特征提取层、特征融合层和召回层,所述对象召回处理单元包括:
第一特征提取单元,被配置为执行将所述用户标识信息和所述第一对象内容数据输入所述第一特征提取层进行特征提取,得到用户特征信息;
第二特征提取单元,被配置为执行将所述第二对象内容数据输入所述第二特征提取层进行特征提取,得到待推荐对象特征信息;
特征融合单元,被配置为执行将所述用户特征信息和所述待推荐对象特征信息输入特征融合层进行特征融合,得到目标特征信息;
召回处理单元,被配置为执行将所述目标特征信息输入所述召回层进行召回处理,得到所述待推荐对象的下发指标数据。
可选的,所述第一对象内容数据包括第一对象文本数据和第一对象视觉数据;所述第一特征提取层包括第一初始特征提取层、第一标识特征提取层、第一自注意力学习层、第二自注意力学习层和第一特征拼接层;所述第一特征提取单元包括:
第一特征提取子单元,被配置为执行基于所述第一初始特征提取层分别对所述用户标识信息、所述第一对象文本数据和所述第一对象视觉数据进行特征提取,得到用户标识特征信息、第一文本特征信息和第一视觉特征信息;
第二特征提取子单元,被配置为执行基于所述第一标识特征提取层对所述用户标识特征信息进行特征提取,得到目标用户标识特征;
第一自注意力学习单元,被配置为执行基于所述第一自注意力学习层对所述第一文本特征信息进行自注意力学习,得到第一目标文本特征;
第二自注意力学习单元,被配置为执行基于所述第二自注意力学习层对所述第一视觉特征信息进行自注意力学习,得到第一目标视觉特征;
第一拼接处理单元,被配置为执行基于第一特征拼接层对所述目标用户标识特征、所述第一目标文本特征和所述第一目标视觉特征进行拼接处理,得到所述用户特征信息。
可选的,所述第二对象内容数据包括:对象标识信息、第二对象文本数据和第二对象视觉数据;所述第二特征提取层包括第二初始特征提取层、第二标识特征提取层、对象文本特征提取层、对象视觉特征提取层和第二特征拼接层;所述将所述第二对象内容数据输入所述第二特征提取层进行特征提取,得到待推荐对象特征信息包括:
第三特征提取子单元,被配置为执行基于所述第二初始特征提取层分别对所述对象标识信息、所述第二对象文本数据和所述第二对象视觉数据进行特征提取,得到对象标识特征信息、第二文本特征信息和第二视觉特征信息;
第四特征提取子单元,被配置为执行基于所述第二标识特征提取层对所述对象标识特征信息进行特征提取,得到目标对象标识特征;
第五特征提取子单元,被配置为执行基于所述对象文本特征提取层对所述第二文本特征信息进行文本特征提取,得到第二目标文本特征;
第六特征提取子单元,被配置为执行基于所述对象视觉特征提取层对所述第二视觉特征信息进行视觉特征提取,得到第二目标视觉特征;
第二拼接处理单元,被配置为执行基于第二特征拼接层对所述目标对象标识特征、所述第二目标文本特征和所述第二目标视觉特征进行拼接处理,得到所述待推荐对象特征信息。
可选的,所述装置还包括:
训练数据获取模块,被配置为执行获取样本用户的正样本训练数据和负样本训练数据,所述正样本训练数据包括推荐给所述样本用户的历史对象的对象内容数据、所述样本用户的用户标识信息和所述样本用户的历史行为对象的对象内容数据,所述负样本训练数据包括未推荐给所述样本用户的对象的对象内容数据、所述样本用户的用户标识信息和所述样本用户的历史行为对象的对象内容数据;
对象召回训练模块,被配置为执行基于所述正样本训练数据和负样本训练数据对预设深度学习模型进行对象召回训练,得到所述对象召回模型。
可选的,所述对象推荐模块包括:
目标推荐对象确定单元,被配置为执行根据所述下发指标数据从所述待推荐对象中确定目标推荐对象;
对象推荐推荐单元,被配置为执行基于所述目标推荐对象向所述目标用户进行对象推荐。
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,以实现如上述第一方面中任一项所述的方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行本公开实施例的第一方面中任一所述方法。
根据本公开实施例的第五方面,提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行本公开实施例的第一方面中任一所述方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
在对象召回处理过程中,融合了目标用户的历史行为对象的第一对象内容数据,即直接以用户行为过的对象本身的内容来进行用户表征,可以大大提升用户特征表征的精准性,有效学习到用户兴趣;且基于用户标识信息、第一对象内容数据和第二对象内容数据进行对象召回处理,得到的下发指标数据进行对象推荐,可以大大提升对象推荐精准性和推荐效果,进而也可以在应用中,提升转化率。
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对象推荐方法的流程图;
图2是根据一示例性实施例示出的一种基于用户标识信息、第一对象内容数据和第二对象内容数据进行对象召回处理,得到待推荐对象的下发指标数据的流程图;
图3是根据一示例性实施例示出的一种将用户标识信息、第一对象内容数据和第二对象内容数据输入对象召回模型进行对象召回处理,得到待推荐对象的下发指标数据的流程图;
图4是根据一示例性实施例示出的一种将用户标识信息和第一对象内容数据输入第一特征提取层进行特征提取,得到用户特征信息的流程图;
图5是根据一示例性实施例示出的一种将第二对象内容数据输入第二特征提取层进行特征提取,得到待推荐对象特征信息的流程图;
图6是根据一示例性实施例示出的一种对象召回模型的结构示意图;
图7是根据一示例性实施例示出的一种应用环境的示意图;
图8是根据一示例性实施例示出的一种对象推荐装置框图;
图9是根据一示例性实施例示出的一种用于对象推荐的电子设备的框图。
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。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息、用户行为信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
图1是根据一示例性实施例示出的一种对象推荐方法的流程图,如图1所示,该对象推荐方法用于终端、服务器、边缘计算节点等电子设备中,包括以下步骤。
在步骤S101中,获取目标用户的用户标识信息、目标用户的历史行为对象的第一对象内容数据和待推荐对象的第二对象内容数据。
在一个具体的实施例中,目标用户可以为推荐系统中任一用户;目标用户的用户标识信息可以包括目标用户在推荐系统的账号信息等,可以用于区分该目标用户与推荐系统中其他用户的标识信息。
在一个具体的实施例中,待推荐对象可以为推荐系统中大量推荐信息。在一个可选的实施例中,推荐信息可以包括图文信息等静态信息,也可以包括视频等动态信息。在实际应用中,用户可以基于相应的终端对推荐系统中任一推荐信息(对象)执行浏览、点击、转化(例如基于对象购买了相关产品,或基于对象下载了相关应用等)等行为。具体的,目标用户的历史行为对象可以为目标用户对其执行过浏览、点击、转化等任一行为的对象。在一个具体的实施例中,目标用户的历史行为对象可以包括目标用户在预设时间段(例如最近一周等,可以结合实际应用进行设置)内对其执行过某一行为的对象。可选的,目标用户的历史行为对象也可以为最近预设数量次行为的对象,例如最近一次点击的对象、最近一次转化的对象和最近4次浏览的对象等。
在一个具体的实施例中,第一对象内容数据可以为历史行为对象的对象内容数据。第二对象内容数据可以为待推荐对象的对象内容数据。在一个具体的实施例中,对象内容数据可以为能够表征对象本身内容的数据。可选的,对象内容数据可以包括一种或至少两种类型的数据,在一个具体的实施例中,对象内容数据可以包括对象文本数据和/或对象视觉数据。可选的,对象内容数据还可以包括对象标识信息。具体的,对象文本数据可以从文本语义的层面去表征对象;对象视觉数据可以从颜色、形状等视觉的层面去表征对象。
需要说明的是,在用户充分授权或者经过信息或数据相关方充分授权情况下,获得上述用户标识信息、用户的浏览、点击、转化等行为信息,用户行为过程中涉及的对象、对象内容数据以及待推荐对象的对象内容数据等信息或数据。
在步骤S103中,基于用户标识信息、第一对象内容数据和第二对象内容数据进行对象召回处理,得到待推荐对象的下发指标数据;
在一个具体的实施例中,待推荐对象的下发指标数据可以表征待推荐对象会被下发给目标用户的概率。
在一个可选的实施例中,如图2所示,上述基于用户标识信息、第一对象内容数据和第二对象内容数据进行对象召回处理,得到待推荐对象的下发指标数据可以包括以下步骤:
在步骤S201中,根据用户标识信息和第一对象内容数据,生成目标用户的用户特征信息;
在一个具体的实施例中,可以分别获取用户标识信息和第一对象内容数据的特征信息,对用户标识信息和第一对象内容数据的特征信息进行拼接处理,得到目标用户的用户特征信息。
在一个可选的实施例中,可以基于词向量模型确定用户标识信息的词向量,相应的,可以将该词向量作为用户标识信息的特征信息。可选的,可以基于推荐系统中用户的用户标识信息为训练数据,对词向量模型进行训练。
在一个可选的实施例中,可以基于卷积神经网络、N-Gram(汉语语言模型)等特征表征网络来生成用户标识信息对应的特征向量,相应的,可以将该特征向量作为用户标识信息的特征信息。
在一个可选的实施例中,上述第一对象内容数据可以包括一种或至少两种类型的数据,在一个具体的实施例中,第一对象内容数据可以包括历史行为对象的对象文本数据(以下简称第一对象文本数据)和/或历史行为对象的对象视觉数据(以下简称第一对象视觉数据)。具体的,第一对象文本数据可以从文本语义的层面去表征历史行为对象;第一对象视觉数据可以从颜色、形状等视觉的层面去表征历史行为对象。
在一个具体的实施例中,以视频推荐场景为例,历史行为对象可以为历史行为视频,相应的,第一对象文本数据可以包括历史行为视频对应的文本数据,可选的,该文本数据可以包括但不限于视频的标题,基于文字识别技术从历史行为视频和封面图像中提取的文本信息,基于语音识别技术从历史行为视频中提取的文本信息等。
在一个具体的实施例中,第一对象文本数据的特征信息可以为历史行为视频对应的文本数据的词向量,也可以为历史行为视频对应的文本数据的特征向量,具体的,获取第一对象文本数据的特征信息的细化步骤可以参见上述获取用户标识信息的特征信息的相关细化步骤。
在一个具体的实施例中,以上述历史行为对象为历史行为视频为例,第一对象视觉数据可以包括历史行为视频对应的视觉数据,可选的,可以获取历史行为视频对应的每一帧视频图像,将该每一帧视频图像作为视觉数据。在一个具体的实施例中,可以通过卷积神经网络等提取视频图像的特征向量,相应的,可以将视频图像的特征向量作为第一对象视觉数据的特征信息。
在一个具体的实施例中,可以将第一对象视觉的特征信息和第一对象文本数据的特征信息进行拼接处理,得到上述用户特征信息。
在步骤S203中,基于第二对象内容数据,确定待推荐对象特征信息。
在一个可选的实施例中,上述第二对象内容数据可以包括一种或至少两种类型的数据,在一个具体的实施例中,第二对象内容数据可以包括待推荐对象的对象文本数据(以下简称第二对象文本数据)和/或待推荐对象的对象视觉数据(以下简称第二对象视觉数据)。可选的,第二对象内容数据还可以包括待推荐对象的对象标识信息。具体的,第二对象文本数据可以从文本语义的层面去表征待推荐对象;第一对象视觉数据可以从颜色、形状等视觉的层面去表征待推荐对象。
在一个具体的实施例中,获取对象标识信息的特征信息、第二对象文本数据的特征信息和第二对象视觉数据的特征信息的具体细化步骤可以分别参见上述获取用户标识信息的特征信息、第一对象文本数据的特征信息和第一对象视觉数据的特征信息的具体细化步骤,在此不再赘述。
在一个具体的实施例中,可以将待推荐对象的对象标识信息、第二对象文本数据和第二对象视觉数据的特征信息进行拼接处理,得到上述待推荐对象特征信息。
在步骤S205中,根据待推荐对象特征信息和用户特征信息,得到特征关联度;
在一个具体的实施例中,上述特征关联度可以表征待推荐对象和目标用户间的关联程度。在一个可选的实施例中,上述特征关联度可以包括但不限于待推荐对象特征信息和用户特征信息间的余弦距离、欧式距离、曼哈顿距离。
在步骤S207中,将特征关联度作为下发指标数据。
上述实施例中,在用户特征信息中融入了历史行为对象的对象内容数据,即结合用户行为过的对象本身的内容来进行用户表征,并结合融入了历史行为对象的对象内容数据的用户特征信息和待推荐对象特征信息间的关联程度,来表征待推荐对象会被下发给目标用户的概率,可以大大提升后续对象推荐精准性和推荐效果。
在一个可选的实施例中,上述基于用户标识信息、第一对象内容数据和第二对象内容数据进行对象召回处理,得到待推荐对象的下发指标数据可以包括:将用户标识信息、第一对象内容数据和第二对象内容数据输入对象召回模型进行对象召回处理,得到待推荐对象的下发指标数据。
在一个具体的实施例中,对象召回模型为基于样本用户的正样本训练数据和负样本训练数据对预设深度学习模型进行对象召回训练得到的。具体的,样本用户可以为推荐系统中一定数量个推荐过对象的用户。具体的,正样本训练数据可以包括推荐给样本用户的历史对象的对象内容数据、样本用户的用户标识信息和样本用户的历史行为对象的对象内容数据。负样本训练数据可以包括未推荐给样本用户的对象的对象内容数据、样本用户的用户标识信息和样本用户的历史行为对象的对象内容数据。
上述实施例中,结合对象召回模型进行对象召回处理,可以在隐藏空间表征目标用户和待推荐对象的特征间的相关性,进而可以更精准的确定出待推荐对象的下发指标数据,提升后续下发对象的精准性。
在一个可选的实施例中,上述方法还可以包括:预先训练对象召回模型的步骤,具体的,预先训练对象召回模型的步骤可以包括:获取样本用户的正样本训练数据和负样本训练数据;基于正样本训练数据和负样本训练数据对预设深度学习模型进行对象召回训练,得到对象召回模型。
在一个具体的实施例中,可以将正样本训练数据和负样本训练数据输入预设深度学习模型进行对象召回处理,得到相应对象的预测下发指标数据。进一步的,正样本训练数据包括推荐给样本用户的历史对象的对象内容数据,相应的,正样本训练数据对应对象(历史对象)的真实下发指标数据可以为1;负样本训练数据为未推荐给样本用户的对象的对象内容数据,相应的,负样本训练数据对应对象(未推荐给样本用户的对象)的真实下发指标数据可以为0;可选的,可以基于预设损失函数计算每一对象对应的预设下发指标数据和真实下发指标数据间的损失信息,基于损失信息调整预设深度学习模型的模型参数,并基于调整后的预设深度学习模型重复对象召回处理的步骤,至上述损失信息满足预设条件。
在一个具体的实施例中,预设损失函数可以包括但不限于交叉熵损失函数、逻辑损失函数、指数损失函数等。损失信息满足预设条件可以为损失信息小于等于指定阈值,或前后两次训练过程中对应的损失信息间的差值小于一定阈值。本说明书实施例中,指定阈值和一定阈值可以为结合实际训练需求进行设置。
在一个具体的实施例中,预设深度学习模型的模型结构与对象召回模型的模型结构一致。上述将正样本训练数据和负样本训练数据输入预设深度学习模型进行对象召回处理,得到相应对象的预测下发指标数据的具体细化步骤可以参见下述将用户标识信息、第一对象内容数据和第二对象内容数据输入对象召回模型进行对象召回处理,得到待推荐对象的下发指标数据的细化步骤,在此不再赘述。
需要说明的是,在用户充分授权或者经过信息或数据相关方充分授权情况下,获得上述训练过程中涉及的样本用户的正样本训练数据和负样本训练数据等数据或信息。
上述实施例中,基于推荐系统中对象的下发数据,来确定用于训练对象召回模型的正负样本训练数据,并在训练数据中融入了样本用户的历史行为对象的对象内容数据,可以更好的学习到用户特征,进而使得训练好的对象召回模型可以更精准的进行下发指标数据的预测。
在一个可选的实施例中,对象召回模型可以包括第一特征提取层、第二特征提取层、特征融合层和召回层,相应的,如图3所示,上述将用户标识信息、第一对象内容数据和第二对象内容数据输入对象召回模型进行对象召回处理,得到待推荐对象的下发指标数据可以包括以下步骤:
在步骤S301中,将用户标识信息和第一对象内容数据输入第一特征提取层进行特征提取,得到用户特征信息;
在一个可选的实施例中,以上述第一对象内容数据包括第一对象文本数据和第一对象视觉数据为例;可选的,上述第一特征提取层可以包括第一初始特征提取层、第一标识特征提取层、第一自注意力学习层、第二自注意力学习层和第一特征拼接层;相应的,如图4所示,上述将用户标识信息和第一对象内容数据输入第一特征提取层进行特征提取,得到用户特征信息可以包括以下步骤:
在步骤S3011中,基于第一初始特征提取层分别对用户标识信息、第一对象文本数据和第一对象视觉数据进行特征提取,得到用户标识特征信息、第一文本特征信息和第一视觉特征信息。
在一个具体的实施例中,第一初始特征提取层可以包括至少一层卷积层,具体的,卷积层的大小可以结合实际应用需求进行设置。具体的,用户标识特征信息可以为用户标识信息的特征信息,第一文本特征信息可以为第一对象文本数据的特征信息,第一视觉特征信息可以为第一对象视觉数据的特征信息。
在步骤S3013中,基于第一标识特征提取层对用户标识特征信息进行特征提取,得到目标用户标识特征。
在一个具体的实施例中,第一标识特征提取层可以用于更好的学习用户标识信息的特征信息。在一个可选的实施例中,第一标识特征提取层可以包括两层依次连接的全连接层。
在步骤S3015中,基于第一自注意力学习层对第一文本特征信息进行自注意力学习,得到第一目标文本特征。
在一个具体的实施例中,第一对象内容数据可以包括多个历史行为对象的对象内容数据,相应的,第一文本特征信息可以包括多个历史行为对象各自对应的文本特征信息,例如可以包括最近一次点击的对象的文本特征信息、最近一次转化的对象的文本特征信息和最近4次浏览的对象的文本特征信息。
本说明书实施例中,为了学习多个历史行为对象间的关联关系,可以基于第一自注意力学习层对第一文本特征信息进行自注意力学习,得到第一目标文本特征。在一个可选的实施例中,第一自注意力学习层可以包括依次连接的self-attention(自注意力层)、feed-forward(前馈层)、Concat(拼接层)和全连接层。可选的,在Concat(拼接层)和全连接层前可以再增加至少一组self-attention(自注意力层)和feed-forward(前馈层),以更好的学习多个历史行为对象间的关联关系。
在一个具体的实施例中,在第一自注意力学习层中设置拼接层,可以将多个历史行为对象自注意力学习后的文本特征信息进行拼接后,输入全连接层,进而可以有效避免单个历史行为对象的文本特征信息较为稀疏,无法有效学习到相应特征的问题,大大提升提取的历史行为对象的文本特征信息的精准性。
在步骤S3017中,基于第二自注意力学习层对第一视觉特征信息进行自注意力学习,得到第一目标视觉特征。
在一个具体的实施例中,第一对象内容数据可以包括多个历史行为对象的对象内容数据,相应的,第一视觉特征信息可以包括多个历史行为对象各自对应的视觉特征信息,例如可以包括最近一次点击的对象的视觉特征信息、最近一次转化的对象的视觉特征信息和最近4次浏览的对象的视觉特征信息。
本说明书实施例中,基于第二自注意力学习层对第一视觉特征信息进行自注意力学习,得到第一目标视觉特征的具体细化步骤,可以参见上述基于第一自注意力学习层对第一文本特征信息进行自注意力学习,得到第一目标文本特征的具体细化步骤,在此不再赘述。
在步骤S3019中,基于第一特征拼接层对目标用户标识特征、第一目标文本特征和第一目标视觉特征进行拼接处理,得到用户特征信息。
在一个具体的实施例中,可以预先设置目标用户标识特征、第一目标文本特征和第一目标视觉特征间拼接顺序,进而可以将目标用户标识特征、第一目标文本特征和第一目标视觉特征依次进行拼接,得到用户特征信息。
上述实施例中,在对象召回处理中,引入自注意力机制,可以有效学习多个历史行为对象间的关联关系,且结合历史行为对象的文本数据和视觉数据,可以更好的表征历史行为对象的特征信息,进而更好的学习到目标用户的对象喜好情况,提升用户特征的精准性和对象推荐的精准性。
在步骤S303中,将第二对象内容数据输入第二特征提取层进行特征提取,得到待推荐对象特征信息;
在一个可选的实施例中,以上述第二对象内容数据包括:对象标识信息、第二对象文本数据和第二对象视觉数据为例;可选的,上述第二特征提取层包括第二初始特征提取层、第二标识特征提取层、对象文本特征提取层、对象视觉特征提取层和第二特征拼接层;相应的,如图5所示,将第二对象内容数据输入第二特征提取层进行特征提取,得到待推荐对象特征信息可以包括以下步骤:
在步骤S3031中,基于第二初始特征提取层分别对对象标识信息、第二对象文本数据和第二对象视觉数据进行特征提取,得到对象标识特征信息、第二文本特征信息和第二视觉特征信息。
在一个具体的实施例中,第二初始特征提取层可以包括至少一层卷积层,具体的,卷积层的大小可以结合实际应用需求进行设置。具体的,对象标识特征信息可以为对象标识信息的特征信息,第二文本特征信息可以为第二对象文本数据的特征信息,第二视觉特征信息可以为第二对象视觉数据的特征信息。
在步骤S3033中,基于第二标识特征提取层对对象标识特征信息进行特征提取,得到目标对象标识特征;
在一个可选的实施例中,第二标识特征提取层可以用于更好的学习对象标识信息的特征信息。在一个可选的实施例中,第二标识特征提取层可以包括两层依次连接的全连接层。
在步骤S3035中,基于对象文本特征提取层对第二文本特征信息进行文本特征提取,得到第二目标文本特征。
在一个可选的实施例中,对象文本特征提取层可以用于更好的学习待推荐对象的文本数据的特征信息。在一个可选的实施例中,对象文本特征提取层可以包括两层依次连接的全连接层。
在步骤S3037中,基于对象视觉特征提取层对第二视觉特征信息进行视觉特征提取,得到第二目标视觉特征。
在一个可选的实施例中,对象视觉特征提取层可以用于更好的学习待推荐对象的视觉数据的特征信息。在一个可选的实施例中,对象视觉特征提取层可以包括两层依次连接的全连接层。
在步骤S3039中,基于第二特征拼接层对目标对象标识特征、第二目标文本特征和第二目标视觉特征进行拼接处理,得到待推荐对象特征信息。
在一个具体的实施例中,可以预先设置目标对象标识特征、第二目标文本特征和第二目标视觉特征间拼接顺序,进而可以将目标对象标识特征、第二目标文本特征和第二目标视觉特征依次进行拼接,得到待推荐对象特征信息。
上述实施例中,在对象召回处理过程中,结合待推荐对象的文本数据和视觉数据,可以更好的表征对象特征,进而提升推荐的精准性。
在步骤S305中,将用户特征信息和待推荐对象特征信息输入特征融合层进行特征融合,得到目标特征信息。
在一个可选的实施例中,特征融合层可以包括两个全连接层,与这两个全连接层连接的融合处理层,具体的,两个全连接层分别用于对用户特征信息和待推荐对象特征信息进行进一步的特征提取。在融合处理层中,可以将用户特征信息和待推荐对象特征信息进行相乘,得到目标特征信息。目标特征信息可以为用户特征信息和待推荐对象特征信息融合后的特征信息。
在步骤S307中,将目标特征信息输入召回层进行召回处理,得到待推荐对象的下发指标数据。
在一个具体的实施例中,在召回层,可以基于目标特征信息预测待推荐对象的下发指标数据。
在一个具体的实施例中,如图6所示,图6是根据一示例性实施例示出的一种对象召回模型的结构示意图。具体的,结合图6所示,将用户标识信息、第一对象文本数据和第一对象图像数据输入第一初始特征提取层进行特征提取后,可以得到用户标识特征信息、第一文本特征信息和第一视觉特征信息;接着,将用户标识特征信息输入包括两层依次连接的全连接层的第一标识特征提取层进行进一步的特征提取得到目标用户标识特征;以及将第一文本特征信息输入包括依次连接的自注意力层、前馈层、拼接层和全连接层的第一自注意力学习层进行自注意力学习,可以得到第一目标文本特征。以及将第一视觉特征信息输入包括依次连接的自注意力层、前馈层、拼接层和全连接层的第二自注意力学习层进行自注意力学习,可以得到第一目标视觉特征。接着,将目标用户标识特征、第一目标文本特征和第一目标视觉特征输入拼接层进行拼接处理,可以得到用户特征信息。另外,将用户标识信息、第二对象文本数据和第二对象图像数据输入第二初始特征提取层进行特征提取后,可以得到对象标识特征信息、第二文本特征信息和第二视觉特征信息;接着,将对象标识特征信息输入包括两层依次连接的全连接层的第二标识特征提取层,可以得到目标对象标识特征;将第二文本特征信息输入包括两层依次连接的全连接层的第二文本特征信息进行文本特征提取,可以得到第二目标文本特征;将第二视觉特征信息输入包括两层依次连接的全连接层的第二视觉特征信息进行视觉特征提取,可以得到第二目标视觉特征;接着,将目标对象标识特征、第二目标文本特征和第二目标视觉特征输入拼接层进行拼接处理,可以得到待推荐对象特征信息;然后,将待推荐对象特征信息和用户特征信息分别输入包括依次连接的全连接层和融合处理层的特征融合层进行融合处理后,可以得到目标特征信息;最后,将目标特征信息输入召回层进行召回处理,得到可以表征待推荐对象会被下发给目标用户的概率的下发指标数据。
上述实施例中,结合第一特征提取层和第二特征提取层分别进行用户特征信息和待推荐对象特征信息的提取之后,先对用户特征信息和待推荐对象特征信息进行融合,再输入召回层进行召回处理,可以更精准的学习目标用户和待推荐对象的特征间的相关性,进而可以更精准的确定出待推荐对象的下发指标数据。
在步骤S105中,基于下发指标数据向目标用户进行对象推荐。
在一个可选的实施例中,上述基于下发指标数据向目标用户进行对象推荐包括:根据下发指标数据从待推荐对象中确定目标推荐对象;基于目标推荐对象向目标用户进行对象推荐。
在一个可选的实施例中,可以预先设置下发指标阈值,相应的,可以将下发指标数据大于等于该下发指标阈值的待推荐对象作为目标推荐对象。
在另一个可选的实施例中,可以预先设置召回对象数量,相应的,可以将待推荐对象按照下发指标数据由高到低进行排序后,选取排序在前N(召回对象数量)的待推荐对象作为目标推荐对象。
在一个可选的实施例中,可以将目标推荐对象推送至目标用户对应的终端,进而实现向目标用户进行对象推荐。
在另一个可选的实施例中,可以将目标推荐对象作为精排系统的输入,进而基于精排系统对目标推荐对象进行进一步的筛选,筛选出推送至目标用户对应终端的对象,实现向目标用户进行对象推荐。
上述实施例中,结合下发指标数据从待推荐对象中筛选出目标推荐对象;并基于该目标推荐对象向目标用户进行对象推荐,可以大大提升对象推荐精准性和推荐效果。
由以上本说明书实施例提供的技术方案可见,本说明书在对象召回处理过程中,融合了目标用户的历史行为对象的第一对象内容数据,即直接以用户行为过的对象本身的内容来进行用户表征,可以大大提升用户特征表征的精准性,有效学习到用户兴趣;且基于用户标识信息、第一对象内容数据和第二对象内容数据进行对象召回处理,得到的下发指标数据进行对象推荐,可以大大提升对象推荐精准性和推荐效果,进而也可以在应用中,提升转化率。
请参阅图7,图7是根据一示例性实施例示出的一种应用环境的示意图,如图7所示,该应用环境可以包括服务器100和终端200。
在一个可选的实施例中,服务器100可以用于训练对象召回模型。具体的,服务器100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、CDN(Content Delivery Network,内容分发网络)、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。
在一个可选的实施例中,终端200可以结合服务器100训练出的对象召回模型进行对象推荐处理。具体的,终端200可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality,AR)/虚拟现实(virtualreality,VR)设备、智能可穿戴设备等类型的电子设备。也可以为运行于电子设备中的软体,例如应用程序等。可选的,电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。
此外,需要说明的是,图7所示的仅仅是本公开提供的一种应用环境,在实际应用中,还可以包括其他应用环境,例如对象召回模型的训练,也可以在终端200上实现。
本说明书实施例中,上述服务器100以及终端200可以通过有线或无线通信方式进行直接或间接地连接,本公开在此不做限制。
图8是根据一示例性实施例示出的一种框图。参照图8,该装置包括:
数据获取模块810,被配置为执行获取目标用户的用户标识信息、目标用户的历史行为对象的第一对象内容数据和待推荐对象的第二对象内容数据;
对象召回处理模块820,被配置为执行基于用户标识信息、第一对象内容数据和第二对象内容数据进行对象召回处理,得到待推荐对象的下发指标数据;
对象推荐模块830,被配置为执行基于下发指标数据向目标用户进行对象推荐。
可选的,对象召回处理模块820包括:
用户特征信息生成单元,被配置为执行根据用户标识信息和第一对象内容数据,生成目标用户的用户特征信息;
待推荐对象特征信息确定单元,被配置为执行基于第二对象内容数据,确定待推荐对象特征信息;
关联度计算单元,被配置为执行根据待推荐对象特征信息和用户特征信息,得到特征关联度;
下发指标数据确定单元,被配置为执行将特征关联度作为下发指标数据。
可选的,对象召回处理模块820包括:
对象召回处理单元,被配置为执行将用户标识信息、第一对象内容数据和第二对象内容数据输入对象召回模型进行对象召回处理,得到待推荐对象的下发指标数据。
可选的,对象召回模型包括第一特征提取层、第二特征提取层、特征融合层和召回层,对象召回处理单元包括:
第一特征提取单元,被配置为执行将用户标识信息和第一对象内容数据输入第一特征提取层进行特征提取,得到用户特征信息;
第二特征提取单元,被配置为执行将第二对象内容数据输入第二特征提取层进行特征提取,得到待推荐对象特征信息;
特征融合单元,被配置为执行将用户特征信息和待推荐对象特征信息输入特征融合层进行特征融合,得到目标特征信息;
召回处理单元,被配置为执行将目标特征信息输入召回层进行召回处理,得到待推荐对象的下发指标数据。
可选的,第一对象内容数据包括第一对象文本数据和第一对象视觉数据;第一特征提取层包括第一初始特征提取层、第一标识特征提取层、第一自注意力学习层、第二自注意力学习层和第一特征拼接层;第一特征提取单元包括:
第一特征提取子单元,被配置为执行基于第一初始特征提取层分别对用户标识信息、第一对象文本数据和第一对象视觉数据进行特征提取,得到用户标识特征信息、第一文本特征信息和第一视觉特征信息;
第二特征提取子单元,被配置为执行基于第一标识特征提取层对用户标识特征信息进行特征提取,得到目标用户标识特征;
第一自注意力学习单元,被配置为执行基于第一自注意力学习层对第一文本特征信息进行自注意力学习,得到第一目标文本特征;
第二自注意力学习单元,被配置为执行基于第二自注意力学习层对第一视觉特征信息进行自注意力学习,得到第一目标视觉特征;
第一拼接处理单元,被配置为执行基于第一特征拼接层对目标用户标识特征、第一目标文本特征和第一目标视觉特征进行拼接处理,得到用户特征信息。
可选的,第二对象内容数据包括:对象标识信息、第二对象文本数据和第二对象视觉数据;第二特征提取层包括第二初始特征提取层、第二标识特征提取层、对象文本特征提取层、对象视觉特征提取层和第二特征拼接层;将第二对象内容数据输入第二特征提取层进行特征提取,得到待推荐对象特征信息包括:
第三特征提取子单元,被配置为执行基于第二初始特征提取层分别对对象标识信息、第二对象文本数据和第二对象视觉数据进行特征提取,得到对象标识特征信息、第二文本特征信息和第二视觉特征信息;
第四特征提取子单元,被配置为执行基于第二标识特征提取层对对象标识特征信息进行特征提取,得到目标对象标识特征;
第五特征提取子单元,被配置为执行基于对象文本特征提取层对第二文本特征信息进行文本特征提取,得到第二目标文本特征;
第六特征提取子单元,被配置为执行基于对象视觉特征提取层对第二视觉特征信息进行视觉特征提取,得到第二目标视觉特征;
第二拼接处理单元,被配置为执行基于第二特征拼接层对目标对象标识特征、第二目标文本特征和第二目标视觉特征进行拼接处理,得到待推荐对象特征信息。
可选的,上述装置还包括:
训练数据获取模块,被配置为执行获取样本用户的正样本训练数据和负样本训练数据,正样本训练数据包括推荐给样本用户的历史对象的对象内容数据、样本用户的用户标识信息和样本用户的历史行为对象的对象内容数据,负样本训练数据包括未推荐给样本用户的对象的对象内容数据、样本用户的用户标识信息和样本用户的历史行为对象的对象内容数据;
对象召回训练模块,被配置为执行基于正样本训练数据和负样本训练数据对预设深度学习模型进行对象召回训练,得到对象召回模型。
可选的,对象推荐模块830包括:
目标推荐对象确定单元,被配置为执行根据下发指标数据从待推荐对象中确定目标推荐对象;
对象推荐推荐单元,被配置为执行基于目标推荐对象向目标用户进行对象推荐。
关于上述实施例中的装置,其中各个模块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9是根据一示例性实施例示出的一种用于对象推荐的电子设备的框图,该电子设备可以是终端,其内部结构图可以如图9所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种对象推荐方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在示例性实施例中,还提供了一种电子设备,包括:处理器;用于存储该处理器可执行指令的存储器;其中,该处理器被配置为执行该指令,以实现如本公开实施例中的对象推荐方法。
在示例性实施例中,还提供了一种计算机可读存储介质,当该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本公开实施例中的对象推荐方法。
在示例性实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行本公开实施例中的对象推荐方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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)
1.一种对象推荐方法,其特征在于,包括:
获取目标用户的用户标识信息、所述目标用户的历史行为对象的第一对象内容数据和待推荐对象的第二对象内容数据;
基于所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据进行对象召回处理,得到所述待推荐对象的下发指标数据;
基于所述下发指标数据向所述目标用户进行对象推荐。
2.根据权利要求1所述的对象推荐方法,其特征在于,所述基于所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据进行对象召回处理,得到所述待推荐对象的下发指标数据包括:
根据所述用户标识信息和所述第一对象内容数据,生成所述目标用户的用户特征信息;
基于所述第二对象内容数据,确定待推荐对象特征信息;
根据所述待推荐对象特征信息和用户特征信息,得到特征关联度;
将所述特征关联度作为所述下发指标数据。
3.根据权利要求1所述的对象推荐方法,其特征在于,所述基于所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据进行对象召回处理,得到所述待推荐对象的下发指标数据包括:
将所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据输入对象召回模型进行对象召回处理,得到所述待推荐对象的下发指标数据。
4.根据权利要求3所述的对象推荐方法,其特征在于,所述对象召回模型包括第一特征提取层、第二特征提取层、特征融合层和召回层,所述将所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据输入对象召回模型进行对象召回处理,得到所述待推荐对象的下发指标数据包括:
将所述用户标识信息和所述第一对象内容数据输入所述第一特征提取层进行特征提取,得到用户特征信息;
将所述第二对象内容数据输入所述第二特征提取层进行特征提取,得到待推荐对象特征信息;
将所述用户特征信息和所述待推荐对象特征信息输入特征融合层进行特征融合,得到目标特征信息;
将所述目标特征信息输入所述召回层进行召回处理,得到所述待推荐对象的下发指标数据。
5.根据权利要求4所述的对象推荐方法,其特征在于,所述第一对象内容数据包括第一对象文本数据和第一对象视觉数据;所述第一特征提取层包括第一初始特征提取层、第一标识特征提取层、第一自注意力学习层、第二自注意力学习层和第一特征拼接层;所述将所述用户标识信息和所述第一对象内容数据输入所述第一特征提取层进行特征提取,得到用户特征信息包括:
基于所述第一初始特征提取层分别对所述用户标识信息、所述第一对象文本数据和所述第一对象视觉数据进行特征提取,得到用户标识特征信息、第一文本特征信息和第一视觉特征信息;
基于所述第一标识特征提取层对所述用户标识特征信息进行特征提取,得到目标用户标识特征;
基于所述第一自注意力学习层对所述第一文本特征信息进行自注意力学习,得到第一目标文本特征;
基于所述第二自注意力学习层对所述第一视觉特征信息进行自注意力学习,得到第一目标视觉特征;
基于第一特征拼接层对所述目标用户标识特征、所述第一目标文本特征和所述第一目标视觉特征进行拼接处理,得到所述用户特征信息。
6.根据权利要求4所述的对象推荐方法,其特征在于,所述第二对象内容数据包括:对象标识信息、第二对象文本数据和第二对象视觉数据;所述第二特征提取层包括第二初始特征提取层、第二标识特征提取层、对象文本特征提取层、对象视觉特征提取层和第二特征拼接层;所述将所述第二对象内容数据输入所述第二特征提取层进行特征提取,得到待推荐对象特征信息包括:
基于所述第二初始特征提取层分别对所述对象标识信息、所述第二对象文本数据和所述第二对象视觉数据进行特征提取,得到对象标识特征信息、第二文本特征信息和第二视觉特征信息;
基于所述第二标识特征提取层对所述对象标识特征信息进行特征提取,得到目标对象标识特征;
基于所述对象文本特征提取层对所述第二文本特征信息进行文本特征提取,得到第二目标文本特征;
基于所述对象视觉特征提取层对所述第二视觉特征信息进行视觉特征提取,得到第二目标视觉特征;
基于第二特征拼接层对所述目标对象标识特征、所述第二目标文本特征和所述第二目标视觉特征进行拼接处理,得到所述待推荐对象特征信息。
7.一种对象推荐装置,其特征在于,包括:
数据获取模块,被配置为执行获取目标用户的用户标识信息、所述目标用户的历史行为对象的第一对象内容数据和待推荐对象的第二对象内容数据;
对象召回处理模块,被配置为执行基于所述用户标识信息、所述第一对象内容数据和所述第二对象内容数据进行对象召回处理,得到所述待推荐对象的下发指标数据;
对象推荐模块,被配置为执行基于所述下发指标数据向所述目标用户进行对象推荐。
8.一种电子设备,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6中任一项所述的对象推荐方法。
9.一种计算机可读存储介质,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,使得电子设备能够执行如权利要求1至6中任一项所述的对象推荐方法。
10.一种计算机程序产品,包括计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1至6中任一项所述的对象推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539783.0A CN113420203B (zh) | 2021-05-18 | 对象推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539783.0A CN113420203B (zh) | 2021-05-18 | 对象推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420203A true CN113420203A (zh) | 2021-09-21 |
CN113420203B CN113420203B (zh) | 2024-05-24 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114254193A (zh) * | 2021-12-20 | 2022-03-29 | 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 |
CN114491093A (zh) * | 2021-12-22 | 2022-05-13 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐、对象表征网络的生成方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688476A (zh) * | 2019-09-23 | 2020-01-14 | 腾讯科技(北京)有限公司 | 一种基于人工智能的文本推荐方法及装置 |
US20200175084A1 (en) * | 2018-11-30 | 2020-06-04 | Microsoft Technology Licensing, Llc | Incorporating contextual information in large-scale personalized follow recommendations |
CN111680221A (zh) * | 2020-08-11 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
CN111814044A (zh) * | 2020-06-30 | 2020-10-23 | 广州视源电子科技股份有限公司 | 一种推荐方法、装置、终端设备及存储介质 |
CN112765477A (zh) * | 2021-03-05 | 2021-05-07 | 北京百度网讯科技有限公司 | 信息处理、信息推荐的方法和装置、电子设备和存储介质 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200175084A1 (en) * | 2018-11-30 | 2020-06-04 | Microsoft Technology Licensing, Llc | Incorporating contextual information in large-scale personalized follow recommendations |
CN110688476A (zh) * | 2019-09-23 | 2020-01-14 | 腾讯科技(北京)有限公司 | 一种基于人工智能的文本推荐方法及装置 |
CN111814044A (zh) * | 2020-06-30 | 2020-10-23 | 广州视源电子科技股份有限公司 | 一种推荐方法、装置、终端设备及存储介质 |
CN111680221A (zh) * | 2020-08-11 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
CN112765477A (zh) * | 2021-03-05 | 2021-05-07 | 北京百度网讯科技有限公司 | 信息处理、信息推荐的方法和装置、电子设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114254193A (zh) * | 2021-12-20 | 2022-03-29 | 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 |
CN114254193B (zh) * | 2021-12-20 | 2022-11-22 | 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 |
CN114491093A (zh) * | 2021-12-22 | 2022-05-13 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐、对象表征网络的生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
WO2022022152A1 (zh) | 视频片段定位方法、装置、计算机设备及存储介质 | |
CN112330685B (zh) | 图像分割模型训练、图像分割方法、装置及电子设备 | |
CN110442697B (zh) | 一种人机交互方法、系统、计算机设备和存储介质 | |
CN112650842A (zh) | 基于人机交互的客服机器人意图识别方法及相关设备 | |
CN113918738B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN114461871A (zh) | 推荐模型训练方法、对象推荐方法、装置及存储介质 | |
CN114399396A (zh) | 保险产品推荐方法、装置、计算机设备及存储介质 | |
CN113704511B (zh) | 多媒体资源的推荐方法、装置、电子设备及存储介质 | |
CN113641835B (zh) | 多媒体资源推荐方法、装置、电子设备及介质 | |
CN112989179A (zh) | 模型训练、多媒体内容推荐方法和装置 | |
CN114491093B (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
CN113434633B (zh) | 基于头像的社交话题推荐方法、装置、设备及存储介质 | |
CN113935554B (zh) | 投放系统中的模型训练方法、资源投放方法及装置 | |
CN113868516A (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN116129881A (zh) | 语音任务处理方法、装置、电子设备及存储介质 | |
CN115756821A (zh) | 在线任务处理模型训练、任务处理方法及装置 | |
CN113420203B (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN113420203A (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN114996482B (zh) | 知识图谱构建、视频搜索方法、装置及电子设备 | |
CN114048392B (zh) | 多媒体资源推送方法、装置、电子设备及存储介质 | |
CN114021739B (zh) | 业务处理、业务处理模型训练方法、装置及电子设备 | |
CN115203577B (zh) | 对象推荐方法、对象推荐模型的训练方法及装置 | |
US11610402B2 (en) | System and method for crowdsourcing a video summary for creating an enhanced video summary | |
CN116955666A (zh) | 一种多媒体处理方法、装置、电子设备及存储介质 |
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 |