CN113641900A - 信息推荐方法及装置 - Google Patents

信息推荐方法及装置 Download PDF

Info

Publication number
CN113641900A
CN113641900A CN202110898663.XA CN202110898663A CN113641900A CN 113641900 A CN113641900 A CN 113641900A CN 202110898663 A CN202110898663 A CN 202110898663A CN 113641900 A CN113641900 A CN 113641900A
Authority
CN
China
Prior art keywords
recommended
objects
recommendation
vector
information recommendation
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.)
Pending
Application number
CN202110898663.XA
Other languages
English (en)
Inventor
胡澔
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.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication 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 Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Priority to CN202110898663.XA priority Critical patent/CN113641900A/zh
Publication of CN113641900A publication Critical patent/CN113641900A/zh
Pending legal-status Critical Current

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种信息推荐方法及装置，属于人工智能技术领域。该方法包括：获取信息推荐列表中的第二推荐对象的排列顺序，其中，所述排列顺序是基于排序模型对用户针对信息推荐列表中的第一推荐对象的实时行为数据进行向量化处理获得的；根据所述第二推荐对象的排列顺序进行信息推荐；其中，所述第一推荐对象为所述信息推荐列表中前第一预设数量个推荐对象；所述第二推荐对象为所述信息推荐列表中除所述第一推荐对象之外的推荐对象。

Description

信息推荐方法及装置
技术领域
本申请属于人工智能技术领域，具体涉及一种信息推荐方法及装置。
背景技术
信息推荐模型通过生成信息推荐列表，并将信息推荐列表发送至用户终端，从而完成信息推荐。例如：用户在使用手机上的某款购物软件时，该购物软件部署在服务器上的信息推荐模型会生成商品推荐列表，并将商品推荐结果发送至用户手机。信息推荐模型的准确性越高，用户体验也越好。但是现有信息推荐模型只能生成固定的信息推荐列表，导致信息推荐结果准确性不高，用户体验不佳。
发明内容
本申请实施例的目的是提供一种信息推荐方法及装置，能够解决信息推荐结果准确性不高的问题。
第一方面，本申请实施例提供了一种信息推荐方法，该方法包括：
获取信息推荐列表中的第二推荐对象的排列顺序，其中，所述排列顺序是基于排序模型对用户针对信息推荐列表中的第一推荐对象的实时行为数据进行向量化处理获得的；
根据所述第二推荐对象的排列顺序进行信息推荐；
其中，所述第一推荐对象为所述信息推荐列表中前第一预设数量个推荐对象；所述第二推荐对象为所述信息推荐列表中除所述第一推荐对象之外的推荐对象。
第二方面，本申请实施例提供了一种信息推荐装置，该装置包括：
确定模块，用于获取信息推荐列表中的第二推荐对象的排列顺序，其中，所述排列顺序是基于排序模型对用户针对信息推荐列表中的第一推荐对象的实时行为数据进行向量化处理获得的；
推荐模块，用于根据所述第二推荐对象的排列顺序进行信息推荐；
其中，所述第一推荐对象为所述信息推荐列表中前第一预设数量个推荐对象；所述第二推荐对象为所述信息推荐列表中除所述第一推荐对象之外的推荐对象。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第五方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
在本申请实施例中，通过获取用户针对信息推荐列表中的第一推荐对象的实时行为数据，可以确定用户的实时兴趣；并将实时行为数据输入至排序模型，确定信息推荐列表中的第二推荐对象的排列顺序，进而通过排序模型对推荐对象的排列顺序进行调整，以实现推荐对象的实时更新；再根据第二推荐对象的排列顺序进行信息推荐，从而能够确保更加精准的信息推荐，提高了推荐结果的准确性。
附图说明
图1为本申请实施例提供的信息推荐方法的流程示意图；
图2为应用本申请实施例提供的信息推荐方法的Transformer Encoders网络架构示意图；
图3为应用本申请实施例提供的信息推荐方法的用户兴趣编码网络示意图；
图4为应用本申请实施例提供的信息推荐方法的流程示意图；
图5为应用本申请实施例提供的信息推荐方法的排序模型架构示意图；
图6为本申请实施例提供的信息推荐装置的模块框图；
图7为实现本申请实施例的电子设备的结构示意图；
图8为实现本申请实施例的一种电子设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不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，以便本申请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，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的信息推荐方法及装置进行详细地说明。
图1为本申请实施例提供的信息推荐方法的流程示意图。参照图1，本申请实施例提供一种信息推荐方法，可以包括：
步骤110、获取信息推荐列表中的第二推荐对象的排列顺序，其中，所述排列顺序是基于排序模型对用户针对信息推荐列表中的第一推荐对象的实时行为数据进行向量化处理获得的；
步骤120、根据所述第二推荐对象的排列顺序进行信息推荐；
其中，所述第一推荐对象为所述信息推荐列表中前第一预设数量个推荐对象；所述第二推荐对象为所述信息推荐列表中除所述第一推荐对象之外的推荐对象。
本发明提供的信息推荐方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)等，本发明不作具体限定。
下面以电子设备执行本发明提供的信息推荐方法为例，详细说明本发明的技术方案。
可选地，在步骤110中，基于用户需求，电子设备可以向用户展示由服务端生成的信息推荐列表。该信息推荐列表可以是根据用户针对电子设备端侧应用的历史行为数据生成的信息推荐列表，也可以是在没有行为数据的情况下生成的默认信息推荐列表。端侧应用可以是应用程序、客户端、浏览器或小程序等。信息推荐列表可以展示不同类型的推荐对象，例如：购物软件中信息推荐列表的推荐对象为商品，视频网站中信息推荐列表的推荐对象为电影，金融软件中信息推荐列表的推荐对象为金融产品等，本发明对信息推荐列表的类型和推荐对象不作具体限定。
可选地，在不同类型的端侧应用中，用户产生的行为数据不同。用户的行为数据可以包括：用户在信息推荐列表中的实际点击浏览或查看的推荐对象(例如：用户在信息推荐列表展示的各广告商品中实际点击浏览的广告商品)、用户在信息推荐列表中未点击浏览或查看的推荐对象(例如：用户在信息推荐列表展示的各广告商品中未点击浏览的广告商品)；也可以包括其他操作行为(例如：在购物网站中的加购商品、分享优惠活动，或在视听网站中观看电影、听音乐等行为)；还可以是用户对某个推荐对象的浏览时长或重复浏览次数等。
可选地，信息推荐列表中的推荐对象为随机排列或按照默认排序排列，端侧应用可以先根据信息推荐列表中排列在前的第一预设数量个的第一推荐对象进行信息推荐。再获取用户针对第一推荐对象的实时行为数据，并将实时行为数据输入至排序模型。其中，实时行为数据为用户在浏览信息推荐列表时对第一推荐对象的进行实时操作的行为数据。第一预设数量为预先设定的信息推荐的数量，本发明不作具体限定。
可选地，排序模型对用户针对信息推荐列表中的第一推荐对象的实时行为数据进行向量化处理，以对第二推荐对象进行重新排序，从而能够确定更符合用户实时需求的第二推荐对象以及各第二推荐对象的展示顺序。
可选地，在步骤120中，根据排列顺序重新调整后的第二推荐对象，对用户进行信息推荐。
例如：信息推荐列表中有100个推荐对象，将前20个第一推荐对象展示给用户，剩下80个推荐对象即为第二推荐对象。将用户对前20个第一推荐对象的实时行为数据并输入至排序模型。排序模型会根据实时行为数据对信息推荐列表中还未展示的80个第二推荐对象进行重新排序。排序完成后，则根据新的排列顺序对用户进行信息推荐。
本申请实施例提供的信息推荐方法，通过获取用户针对信息推荐列表中的第一推荐对象的实时行为数据，可以确定用户的实时兴趣；并将实时行为数据输入至排序模型，确定信息推荐列表中的第二推荐对象的排列顺序，进而通过排序模型对推荐对象的排列顺序进行调整，以实现推荐对象的实时更新；再根据第二推荐对象的排列顺序进行信息推荐，从而能够确保更加精准的信息推荐，提高了推荐结果的准确性。
在一个实施例中，所述获取信息推荐列表中的第二推荐对象的排列顺序，包括：
将所述实时行为数据作为所述顺序模型的输入，以使所述顺序模型输出各第二推荐对象的相关性得分；根据各第二推荐对象的相关性得分，对各第二推荐对象进行降序排列；
其中，所述排序模型包括：基于注意力机制的变形编码器Transformer Encoders神经网络和全连接层；
所述基于注意力机制的Transformer Encoders神经网络包括多层网络，所述多层网络中的任意一层网络的输入为上一层网络的输出，每层网络包括多个注意力网络和前馈网络。
可选地，根据排序模型可以确定实时行为数据与各第二推荐对象之间的相关性，基于相关性可以得到各第二推荐对象的相关性得分。相关性得分越大说明实时行为数据与第二推荐对象越相关，即相关性得分越大的第二推荐对象更接近用户的实时兴趣。因此，可以根据相关性得分的大小对第二推荐对象进行降序排列。
可选地，排序模型包括基于注意力机制的变形编码器Transformer Encoders神经网络和全连接层。基于注意力机制的Transformer Encoders神经网络包括多层网络结构，每层网络结构均包含注意力网络与前馈神经网络。每个注意力网络用于基于输入向量计算关联度，并融合所述关联度和输入向量，得到输出向量。输出向量将输入至前馈神经网络，前馈神经网络将进一步提炼注意力网络捕获到的相关性特征。输入向量经过多层注意力网络与前馈神经网络，最终获得的相关性概率向量将输入至全连接层，并确定最终的相关性得分。如图2所示，图2为应用本申请实施例提供的信息推荐方法的Transformer Encoders网络架构示意图。
其中，关联度表示输入的向量之间的关联程度，本申请实施例中的关联度可以是输入向量间的相关性权重。第一层网络结构输出的是融合的输入向量和相关性权重，并将其作为输出序列输入至下一层网络结构。则有每层网络结构的输出为融合的上一层网络的输出序列与当前网络结构输出的相关性权重。
本申请实施例提供的信息推荐方法，通过排序模型获取第二推荐对象的相关性得分，可以衡量用户的实时行为数据与第二推荐对象的相关性，从而反应出用户的实时兴趣；并根据相关性得分进行排序，优化了信息推荐列表中的信息排序。
在一个实施例中，所述根据所述第二推荐对象的排列顺序进行信息推荐，包括：
根据前第二预设数量个第二推荐对象和对应的排列顺序进行信息推荐。
可选地，根据第二推荐对象的相关性得分以及降序排列的相关性得分，可以选择前第二预设数量个对应的第二推荐对象进行信息推荐。
其中，第二预设数量为预先设定的信息推荐的数量，本发明不作具体限定。第二预设数量可以与第一预设数量相等，也可以与第一预设数量不等。
本申请实施例提供的信息推荐方法，通过第二推荐对象的排列顺序确定最终进行信息推荐的推荐对象，可以实现推荐对象的实时更新，并能够推荐更符合用户实时兴趣的推荐对象，从而提高了用户体验。
在一个实施例中，所述将所述实时行为数据作为所述顺序模型的输入，以使所述顺序模型输出各第二推荐对象的相关性得分，包括：
根据所述实时行为数据，确定第三推荐对象；
对各第三推荐对象的对象向量进行平均池化，以获取各第三推荐对象的池化对象向量；
根据所述注意力网络的注意力函数，得到各第二推荐对象的对象向量与所述池化对象向量的第一相关性权重；
基于所述第一相关性权重，分别对各第二推荐对象的对象向量和所述池化对象向量进行加权，获取加权后的对象向量；
通过所述前馈网络提取所述加权后的对象向量的相关性特征，以获取各第二推荐对象的相关性概率向量；
归一化处理所述相关性概率向量，得到各第二推荐对象的相关性得分。
可选地，根据实时行为数据，可以从第一推荐对象中确定产生用户行为数据的推荐对象，即为第三推荐对象。例如：信息推荐列表中有10个第一推荐对象。用户在浏览这10个第一推荐对象时，查看了5个第一推荐对象，则该5个推荐对象即为第三推荐对象。
可选地，先将第二推荐对象和第三推荐对象进行向量化处理，获取各第二推荐对象的对象向量和第三推荐对象的对象向量。并对第三推荐对象的对象向量进行平均池化，得到第三推荐对象的池化对象向量。将各第二推荐对象的对象向量和池化对象向量作为注意力网络的输入向量。其中，平均池化是取池化区域内的平均值作为特征值输出。平均池化能够减小邻域大小受限造成的估计值方差增大的误差，更多的保留背景信息，同时弱化了最鲜明特征的表现。
可选地，排序模型中的注意力网络可以充分挖掘不同推荐对象之间以及推荐对象与用户实时行为数据之间的相关性。注意力网络的核心在于其注意力函数：
Figure BDA0003198965470000081
通过计算向量Q和K的内积QKT，可以得到向量Q和向量K的相似度，然后通过softmax函数进行归一化，保证其值缩放到0到1之间，可以确定向量Q和V的相关性权重。
可选地，K和V可以是第二推荐对象的对象向量和池化对象向量中的其中一种向量，则当K、V确定为某一种向量后，Q则为另外一种向量。由此可以确定注意力网络能学习到两种向量组合的相关性。例如：假设有第二推荐对象的对象向量
Figure BDA0003198965470000082
池化对象向量ic。当K、V确定为
Figure BDA0003198965470000083
时，注意力函数
Figure BDA0003198965470000084
将得到池化对象向量ic与第k个第二推荐对象的相关性权重αbc，最后将
Figure BDA0003198965470000085
等向量输入到下一层前馈网络。
可选地，前馈网络将进一步提炼注意力网络捕获到的相关性特征，通过多层累加注意力网络和前馈网络，最终将输出候选商品相关性概率向量。基于注意力网络和前馈网络生成的相关性概率向量，利用一个单层全连接层，对相关性概率向量进行归一化，获取各第二推荐对象的相关性得分。假设集合b为所有第二推荐对象组成的集合，则有相关性得分计算公式如下：
Figure BDA0003198965470000086
其中，
Figure BDA0003198965470000087
为表示集合b中第k个推荐对象的相关性概率向量；W为预设权重系数；β为预设偏差修正量。通过Sigmoid函数将K维的相关性概率向量映射为一维的相关性得分。预设权重系数W的值根据相关性大小确定，相关性越大，W越大。
本申请实施例提供的信息推荐方法，通过向量化处理第二推荐对象和第三推荐对象，可以获取推荐对象的向量特征，并将第二推荐对象的对象向量和第三推荐对象的池化对象向量作为排序模型的输入向量，从而可以实现用户实时兴趣的预测；还通过将相关性概率向量转换为相关性得分，可以量化第二推荐对象与用户行为数据的相关性，便于第二推荐对象的排序，以提高信息推荐的实时性。
在一个实施例中，所述将所述实时行为数据作为所述顺序模型的输入，以使所述顺序模型输出各第二推荐对象的相关性得分，包括：
根据所述实时行为数据，确定第三推荐对象；
对各第三推荐对象的对象向量进行平均池化，以获取各第三推荐对象的池化对象向量；
根据用户针对所述信息推荐列表之外的推荐对象的其他行为数据，获取用户兴趣向量；
根据所述注意力网络的注意力函数，得到各第二推荐对象的对象向量、所述池化对象向量和所述用户兴趣向量的第二相关性权重；
基于所述第二相关性权重，分别对各第二推荐对象的对象向量、所述池化对象向量和所述用户兴趣向量进行加权，获取加权后的对象向量；
通过所述前馈网络提取所述加权后的对象向量的相关性特征，以获取各第二推荐对象的相关性概率向量；
归一化处理所述相关性概率向量，得到各第二推荐对象的相关性得分。
可选地，根据用户针对当前端侧应用上的第一推荐对象的实时行为数据，确定第三推荐对象以及第三推荐对象的池化对象向量。
可选地，通过全连接神经网络以及用户在其他端侧应用上产生的其他行为数据，进行用户画像建模，确定用户兴趣向量。将第二推荐对象的对象向量、池化对象向量以及用户兴趣向量输入至注意力网络中。其中，其他行为数据基于其他端侧应用的功能确定，本发明不作具体限定。例如：在听歌软件上的其他行为数据可以为历史听歌记录；在视频软件上的其他行为数据可以为历史观影记录等。
可选地，注意力网络可以充分挖掘不同推荐对象之间以及推荐对象与用户兴趣之间的相关性。注意力网络的核心在于其注意力函数：
Figure BDA0003198965470000101
通过计算向量Q和K的内积QKT，可以得到向量Q和向量K的相似度，然后通过softmax函数进行归一化，保证其值缩放到0到1之间，可以确定向量Q和V的相关性权重。
可选地，K和V可以是用户兴趣向量、第二推荐对象的对象向量和池化对象向量中的任一种向量，当K、V确定为某一种向量后，Q则在其他两种向量中进行选择，由此可以保证注意力网络能学习到三种向量中所有两两组合的相关性。例如：假设有用户兴趣向量is，第二推荐对象的对象向量
Figure BDA0003198965470000102
池化对象向量ic。当K、V确定为
Figure BDA0003198965470000103
时，注意力函数
Figure BDA0003198965470000104
将得到用户兴趣向量is与第k个第二推荐对象的相关性权重αbs，注意力函数
Figure BDA0003198965470000105
将得到池化对象向量ic与第k个第二推荐对象的相关性权重αbc，最后将
Figure BDA0003198965470000106
Figure BDA0003198965470000107
等向量输入到下一层前馈网络。
可选地，前馈网络将进一步提炼注意力网络捕获到的相关性特征，通过多层累加注意力网络和前馈网络，排序模型最终将输出各第二推荐对象的相关性概率向量。并通过单层全连接层对相关性概率向量进行归一化，从而得到各第二推荐对象的相关性得分
Figure BDA0003198965470000108
假设集合b为所有第二推荐对象组成的集合，则有相关性得分的计算公式如下：
Figure BDA0003198965470000109
其中，
Figure BDA00031989654700001010
为表示集合b中第k个推荐对象的相关性概率向量；W为预设权重系数；β为预设偏差修正量。通过Sigmoid函数将K维的相关性概率向量映射为一维的相关性得分。预设权重系数W的值根据相关性确定，相关性越大，W越大。
本申请实施例提供的信息推荐方法，通过向量化处理第二推荐对象和第三推荐对象，可以获取推荐对象的向量特征；还通过其他行为数据确定用户兴趣向量，可以确定用户在其他推荐对象上产生的行为数据之间的联系；最后将第二推荐对象的对象向量、第三推荐对象的池化对象向量以及用户兴趣向量作为排序模型的输入向量，从而可以实现用户兴趣的精准预测，同时可以提高推荐结果的准确性；还通过注意力网络和前馈网络提取推荐对象、用户行为数据、用户兴趣之间的相关性，从而可以提高推荐结果的准确性。
在一个实施例中，所述根据用户针对所述信息推荐列表之外的推荐对象的其他行为数据，获取用户兴趣向量，包括：
通过全连接神经网络提取所述其他行为数据的行为特征；
对所述行为特征进行编码，获取所述用户兴趣向量。
可选地，将用户在其他端侧应用上产生的其他行为数据输入至全连接神经网络，提取其他行为数据的行为特征，以进行用户画像建模，确定用户兴趣向量。本申请通过联邦学习对排序模型进行训练，其他行为数据不需要上传至服务器，从而不会泄露用户行为数据，可以保证数据的安全性。
例如：将用户在其他APP(Application，应用程序)上查看过的商品进行向量化处理。假设用户在某音乐APP上有如下听歌记录：m1、m2…mn，在某视频APP上有如下视频观看记录：v1、v2…vn。将用户的听歌记录和视频观看记录向量化，并取平均值，得到用户的听歌记录向量im和观看视频向量iv。
将用户的听歌记录向量im和观看视频向量iv拼接起来，输入到一个全连接神经网络，通过网络学习识别出用户的歌曲风格偏好和视频类型偏好，以及用户听歌和观看视频之间的关联性。例如：用户喜欢听日文歌曲，那么用户可能也喜欢看日本动漫或者日剧。最后通过全连接神经网络将上述特征向量提炼编码到用户的兴趣向量is中。如图3所示，图3为应用本申请实施例提供的信息推荐方法的用户兴趣编码网络示意图。
本申请实施例提供的信息推荐方法，通过其他行为数据确定用户兴趣向量，可以确定用户在其他推荐对象上产生的行为数据之间的联系，从而可以实现用户兴趣的精准预测，同时可以提高推荐结果的准确性。
下面以应用本申请实施例提供的信息推荐方法的示例，如图4所示，来说明本申请提供的技术方案。在该示例中，手机为执行主体，端侧应用为A软件，推荐对象为商品。
该示例可以包括如下步骤：
步骤401、当用户登陆A软件时，基于用户在A软件上的历史行为数据(例如近30天的行为数据)，计算生成首次信息推荐列表a。
步骤402、A软件对应的服务器将信息推荐列表a和信息推荐列表a中所有商品的商品向量发送至A软件。
步骤403、A软件将首先展示信息推荐列表a的前10个商品给用户。
步骤404、用户在浏览该10个商品时，若产生了点击浏览行为，则跳转到步骤406，否则跳转至步骤405。
步骤405、用户对展示出来的10个商品无点击浏览行为，A软件将继续展示信息推荐列表a中后续10个商品给用户，接着跳转至步骤404。
步骤406、将10个商品中用户点击的商品集合记为c，端侧排序模型首先将集合c中所有商品的商品向量进行平均池化，得到池化对象向量ic，即实时点击商品向量。如图5所示，图5为应用本申请实施例提供的信息推荐方法的排序模型架构示意图。
步骤407、通过全连接神经网络，利用用户在其他应用软件上的行为数据，进行用户画像建模，获取用户兴趣向量is。
步骤408、将用户实时点击商品向量ic、用户兴趣向量is和候选商品集合b中候选商品向量
Figure BDA0003198965470000121
(k表示集合b中第k个商品)输入一个基于注意力机制的Transformer Encoders神经网络。通过注意力网络学习用户实时点击商品向量ic、用户兴趣向量is与候选商品间的相关性，生成候选商品相关性概率向量
Figure BDA0003198965470000122
步骤409、基于注意力网络生成的候选商品相关性概率向量
Figure BDA0003198965470000123
利用一个单层全连接层，对概率值进行归一化，从而得到候选集合b中每个商品的相关性得分
Figure BDA0003198965470000131
步骤410、根据步骤409输出的相关性得分对候选商品集合b中的商品进行排序，并再次向用户展示前10个商品，并跳转至步骤404。
需要说明的是，本申请实施例提供的信息推荐方法，执行主体可以为信息推荐装置，或者该信息推荐装置中的用于执行信息推荐的方法的控制模块。本申请实施例中以信息推荐装置执行信息推荐方法为例，说明本申请实施例提供的信息推荐装置。
图6是本申请实施例提供的信息推荐装置的模块框图。参照图6，本申请实施例提供一种信息推荐装置，可以包括：
获取模块610，用于获取信息推荐列表中的第二推荐对象的排列顺序，其中，所述排列顺序是基于排序模型对用户针对信息推荐列表中的第一推荐对象的实时行为数据进行向量化处理获得的；
推荐模块620，用于根据所述第二推荐对象的排列顺序进行信息推荐；
其中，所述第一推荐对象为所述信息推荐列表中前第一预设数量个推荐对象；所述第二推荐对象为所述信息推荐列表中除所述第一推荐对象之外的推荐对象。
本申请实施例提供的信息推荐装置，通过获取用户针对信息推荐列表中的第一推荐对象的实时行为数据，可以确定用户的实时兴趣；并将实时行为数据输入至排序模型，确定信息推荐列表中的第二推荐对象的排列顺序，进而通过排序模型对推荐对象的排列顺序进行调整，以实现推荐对象的实时更新；再根据第二推荐对象的排列顺序进行信息推荐，从而能够确保更加精准的信息推荐，提高了推荐结果的准确性。
在一个实施例中，获取模块610还具体用于：
将所述实时行为数据作为所述顺序模型的输入，以使所述顺序模型输出各第二推荐对象的相关性得分；
根据各第二推荐对象的相关性得分，对各第二推荐对象进行降序排列；
其中，所述排序模型包括：基于注意力机制的变形编码器Transformer Encoders神经网络和全连接层；
所述基于注意力机制的Transformer Encoders神经网络包括多层网络，所述多层网络中的任意一层网络的输入为上一层网络的输出，每层网络包括多个注意力网络和前馈网络。
在一个实施例中，获取模块610包括：
第一确定模块(图中未示出)，用于根据所述实时行为数据，确定第三推荐对象；
第一获取模块(图中未示出)，用于对各第三推荐对象的对象向量进行平均池化，以获取各第三推荐对象的池化对象向量；
第一得分模块(图中未示出)，用于根据所述注意力网络的注意力函数，得到各第二推荐对象的对象向量与所述池化对象向量的第一相关性权重；
基于所述第一相关性权重，分别对各第二推荐对象的对象向量和所述池化对象向量进行加权，获取加权后的对象向量；
通过所述前馈网络提取所述加权后的对象向量的相关性特征，以获取各第二推荐对象的相关性概率向量；
归一化处理所述相关性概率向量，得到各第二推荐对象的相关性得分。在一个实施例中，获取模块610包括：
第二确定模块(图中未示出)，用于根据所述实时行为数据，确定第三推荐对象；
第二获取模块(图中未示出)，用于对各第三推荐对象的对象向量进行平均池化，以获取各第三推荐对象的池化对象向量；
第三获取模块(图中未示出)，用于根据用户针对所述信息推荐列表之外的推荐对象的其他行为数据，获取用户兴趣向量；
第二得分模块(图中未示出)，用于根据所述注意力网络的注意力函数，得到各第二推荐对象的对象向量、所述池化对象向量和所述用户兴趣向量的第二相关性权重；
基于所述第二相关性权重，分别对各第二推荐对象的对象向量、所述池化对象向量和所述用户兴趣向量进行加权，获取加权后的对象向量；
通过所述前馈网络提取所述加权后的对象向量的相关性特征，以获取各第二推荐对象的相关性概率向量；
归一化处理所述相关性概率向量，得到各第二推荐对象的相关性得分。
在一个实施例中，第三获取模块(图中未示出)还具体用于：
通过全连接神经网络提取所述其他行为数据的行为特征；
对所述行为特征进行编码，获取所述用户兴趣向量。
本申请实施例中的信息推荐装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personaldigital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(NetworkAttached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的信息推荐装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的信息推荐装置能够实现图1至图5的方法实施例实现的各个过程，为避免重复，这里不再赘述。
可选地，图7为实现本申请实施例的电子设备的结构示意图。如图7所示，本申请实施例还提供一种电子设备700，包括处理器701，存储器702，存储在存储器702上并可在所述处理器701上运行的程序或指令，该程序或指令被处理器701执行时实现上述信息推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
图8为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备800包括但不限于：射频单元801、网络模块802、音频输出单元803、输入单元804、传感器805、显示单元806、用户输入单元807、接口单元808、存储器809、以及处理器810等部件。
本领域技术人员可以理解，电子设备800还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器810逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图8中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
其中，处理器810，用于获取信息推荐列表中的第二推荐对象的排列顺序，其中，所述排列顺序是基于排序模型对用户针对信息推荐列表中的第一推荐对象的实时行为数据进行向量化处理获得的；
根据所述第二推荐对象的排列顺序进行信息推荐；
其中，所述第一推荐对象为所述信息推荐列表中前第一预设数量个推荐对象；所述第二推荐对象为所述信息推荐列表中除所述第一推荐对象之外的推荐对象。
本申请实施例提供的电子设备，通过获取用户针对信息推荐列表中的第一推荐对象的实时行为数据，可以确定用户的实时兴趣；并将实时行为数据输入至排序模型，确定信息推荐列表中的第二推荐对象的排列顺序，进而通过排序模型对推荐对象的排列顺序进行调整，以实现推荐对象的实时更新；再根据第二推荐对象的排列顺序进行信息推荐，从而能够确保更加精准的信息推荐，提高了推荐结果的准确性。
可选地，处理器810，用于将所述实时行为数据作为所述顺序模型的输入，以使所述顺序模型输出各第二推荐对象的相关性得分；
根据各第二推荐对象的相关性得分，对各第二推荐对象进行降序排列；
其中，所述排序模型包括：基于注意力机制的变形编码器Transformer Encoders神经网络和全连接层；
所述基于注意力机制的Transformer Encoders神经网络包括多层网络，所述多层网络中的任意一层网络的输入为上一层网络的输出，每层网络包括多个注意力网络和前馈网络。
可选地，处理器810，用于根据所述实时行为数据，确定第三推荐对象；
对各第三推荐对象的对象向量进行平均池化，以获取各第三推荐对象的池化对象向量；
根据所述注意力网络的注意力函数，得到各第二推荐对象的对象向量与所述池化对象向量的第一相关性权重；
基于所述第一相关性权重，分别对各第二推荐对象的对象向量和所述池化对象向量进行加权，获取加权后的对象向量；
通过所述前馈网络提取所述加权后的对象向量的相关性特征，以获取各第二推荐对象的相关性概率向量；
归一化处理所述相关性概率向量，得到各第二推荐对象的相关性得分。
可选地，处理器810，用于根据所述实时行为数据，确定第三推荐对象；
对各第三推荐对象的对象向量进行平均池化，以获取各第三推荐对象的池化对象向量；
根据用户针对所述信息推荐列表之外的推荐对象的其他行为数据，获取用户兴趣向量；
根据所述注意力网络的注意力函数，得到各第二推荐对象的对象向量、所述池化对象向量和所述用户兴趣向量的第二相关性权重；
基于所述第二相关性权重，分别对各第二推荐对象的对象向量、所述池化对象向量和所述用户兴趣向量进行加权，获取加权后的对象向量；
通过所述前馈网络提取所述加权后的对象向量的相关性特征，以获取各第二推荐对象的相关性概率向量；
归一化处理所述相关性概率向量，得到各第二推荐对象的相关性得分。
可选地，处理器810，用于通过全连接神经网络提取所述其他行为数据的行为特征；
对所述行为特征进行编码，获取所述用户兴趣向量。
应理解的是，本申请实施例中，输入单元804可以包括图形处理器(GraphicsProcessing Unit，GPU)8041和麦克风8042，图形处理器8041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元806可包括显示面板8061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板8061。用户输入单元807包括触控面板8071以及其他输入设备8072。触控面板8071，也称为触摸屏。触控面板8071可包括触摸检测装置和触摸控制器两个部分。其他输入设备8072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器809可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器810可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器810中。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述信息推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述信息推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种信息推荐方法，其特征在于，包括：
获取信息推荐列表中的第二推荐对象的排列顺序，其中，所述排列顺序是基于排序模型对用户针对信息推荐列表中的第一推荐对象的实时行为数据进行向量化处理获得的；
根据所述第二推荐对象的排列顺序进行信息推荐；
其中，所述第一推荐对象为所述信息推荐列表中前第一预设数量个推荐对象；所述第二推荐对象为所述信息推荐列表中除所述第一推荐对象之外的推荐对象。
2.根据权利要求1所述信息推荐方法，其特征在于，所述获取信息推荐列表中的第二推荐对象的排列顺序，包括：
将所述实时行为数据作为所述顺序模型的输入，以使所述顺序模型输出各第二推荐对象的相关性得分；
根据各第二推荐对象的相关性得分，对各第二推荐对象进行降序排列；
其中，所述顺序模型包括基于注意力机制的变形编码器Transformer Encoders神经网络和全连接层；
所述基于注意力机制的Transformer Encoders神经网络包括多层网络，所述多层网络中的任意一层网络的输入为上一层网络的输出，每层网络包括多个注意力网络和前馈网络。
3.根据权利要求2所述的信息推荐方法，其特征在于，所述将所述实时行为数据作为所述顺序模型的输入，以使所述顺序模型输出各第二推荐对象的相关性得分，包括：
根据所述实时行为数据，确定第三推荐对象；
对各第三推荐对象的对象向量进行平均池化，以获取各第三推荐对象的池化对象向量；
根据所述注意力网络的注意力函数，得到各第二推荐对象的对象向量与所述池化对象向量的第一相关性权重；
基于所述第一相关性权重，分别对各第二推荐对象的对象向量和所述池化对象向量进行加权，获取加权后的对象向量；
通过所述前馈网络提取所述加权后的对象向量的相关性特征，以获取各第二推荐对象的相关性概率向量；
归一化处理所述相关性概率向量，得到各第二推荐对象的相关性得分。
4.根据权利要求2所述的信息推荐方法，其特征在于，所述将所述实时行为数据作为所述顺序模型的输入，以使所述顺序模型输出各第二推荐对象的相关性得分，包括：
根据所述实时行为数据，确定第三推荐对象；
对各第三推荐对象的对象向量进行平均池化，以获取各第三推荐对象的池化对象向量；
根据用户针对所述信息推荐列表之外的推荐对象的其他行为数据，获取用户兴趣向量；
根据所述注意力网络的注意力函数，得到各第二推荐对象的对象向量、所述池化对象向量和所述用户兴趣向量的第二相关性权重；
基于所述第二相关性权重，分别对各第二推荐对象的对象向量、所述池化对象向量和所述用户兴趣向量进行加权，获取加权后的对象向量；
通过所述前馈网络提取所述加权后的对象向量的相关性特征，以获取各第二推荐对象的相关性概率向量；
归一化处理所述相关性概率向量，得到各第二推荐对象的相关性得分。
5.根据权利要求4所述的信息推荐方法，其特征在于，所述根据用户针对所述信息推荐列表之外的推荐对象的其他行为数据，获取用户兴趣向量，包括：
通过全连接神经网络提取所述其他行为数据的行为特征；
对所述行为特征进行编码，获取所述用户兴趣向量。
6.一种信息推荐装置，其特征在于，包括：
获取模块，用于获取信息推荐列表中的第二推荐对象的排列顺序，其中，所述排列顺序是基于排序模型对用户针对信息推荐列表中的第一推荐对象的实时行为数据进行向量化处理获得的；
推荐模块，用于根据所述第二推荐对象的排列顺序进行信息推荐；
其中，所述第一推荐对象为所述信息推荐列表中前第一预设数量个推荐对象；所述第二推荐对象为所述信息推荐列表中除所述第一推荐对象之外的推荐对象。
7.根据权利要求6所述信息推荐装置，其特征在于，所述获取模块用于：
将所述实时行为数据作为所述顺序模型的输入，以使所述顺序模型输出各第二推荐对象的相关性得分；
根据各第二推荐对象的相关性得分，对各第二推荐对象进行降序排列；
其中，所述排序模型包括：基于注意力机制的变形编码器Transformer Encoders神经网络和全连接层；
所述基于注意力机制的Transformer Encoders神经网络包括多层网络，所述多层网络中的任意一层网络的输入为上一层网络的输出，每层网络包括多个注意力网络和前馈网络。
8.根据权利要求7所述信息推荐装置，其特征在于，所述将所述实时行为数据作为所述顺序模型的输入，以使所述顺序模型输出各第二推荐对象的相关性得分，包括：
根据所述实时行为数据，确定第三推荐对象；
对各第三推荐对象的对象向量进行平均池化，以获取各第三推荐对象的池化对象向量；
根据所述注意力网络的注意力函数，得到各第二推荐对象的对象向量与所述池化对象向量的第一相关性权重；
基于所述第一相关性权重，分别对各第二推荐对象的对象向量和所述池化对象向量进行加权，获取加权后的对象向量；
通过所述前馈网络提取所述加权后的对象向量的相关性特征，以输出各第二推荐对象的相关性概率向量；
归一化处理所述相关性概率向量，得到各第二推荐对象的相关性得分。
9.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-5任一项所述的信息推荐方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-5任一项所述的信息推荐方法的步骤。
CN202110898663.XA 2021-08-05 2021-08-05 信息推荐方法及装置 Pending CN113641900A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110898663.XA CN113641900A (zh) 2021-08-05 2021-08-05 信息推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110898663.XA CN113641900A (zh) 2021-08-05 2021-08-05 信息推荐方法及装置

Publications (1)

Publication Number Publication Date
CN113641900A true CN113641900A (zh) 2021-11-12

Family

ID=78419786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110898663.XA Pending CN113641900A (zh) 2021-08-05 2021-08-05 信息推荐方法及装置

Country Status (1)

Country Link
CN (1) CN113641900A (zh)

Similar Documents

Publication Publication Date Title
US11314806B2 (en) Method for making music recommendations and related computing device, and medium thereof
WO2020211566A1 (zh) 一种用户推荐方法和装置以及计算设备和存储介质
US20230088171A1 (en) Method and apparatus for training search recommendation model, and method and apparatus for sorting search results
CN108230058B (zh) 产品推荐方法及系统
CN112632403B (zh) 推荐模型的训练方法、推荐方法、装置、设备和介质
EP4180991A1 (en) Neural network distillation method and apparatus
CN110008397B (zh) 一种推荐模型训练方法及装置
CN115917535A (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
US11853901B2 (en) Learning method of AI model and electronic apparatus
Shen et al. A voice of the customer real-time strategy: An integrated quality function deployment approach
WO2024041483A1 (zh) 一种推荐方法及相关装置
WO2024002167A1 (zh) 一种操作预测方法及相关装置
CN116186326A (zh) 视频推荐方法、模型训练方法、电子设备及存储介质
WO2019245316A1 (en) System and method for generating aspect-enhanced explainable description-based recommendations
WO2024067779A1 (zh) 一种数据处理方法及相关装置
US20210110454A1 (en) Method for providing shopping information for individual products and electronic device performing same
CN114817692A (zh) 确定推荐对象的方法、装置和设备及计算机存储介质
CN116910357A (zh) 一种数据处理方法及相关装置
CN116910201A (zh) 一种对话数据生成方法及其相关设备
CN113641915B (zh) 对象的推荐方法、装置、设备、存储介质和程序产品
WO2023050143A1 (zh) 一种推荐模型训练方法及装置
CN115618126A (zh) 搜索处理方法、系统、计算机可读存储介质及计算机设备
CN116205686A (zh) 一种多媒体资源推荐的方法、装置、设备和存储介质
CN113641900A (zh) 信息推荐方法及装置
CN117391824B (zh) 基于大语言模型和搜索引擎推荐物品的方法及装置

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