CN113836414A - 一种推荐信息确定方法、装置、电子设备及存储介质 - Google Patents
一种推荐信息确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113836414A CN113836414A CN202111121965.2A CN202111121965A CN113836414A CN 113836414 A CN113836414 A CN 113836414A CN 202111121965 A CN202111121965 A CN 202111121965A CN 113836414 A CN113836414 A CN 113836414A
- Authority
- CN
- China
- Prior art keywords
- behavior information
- term
- interest
- medium
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006399 behavior Effects 0.000 claims description 333
- 230000007774 longterm Effects 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 description 18
- 230000000694 effects Effects 0.000 description 11
- 230000031864 metaphase Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种推荐信息确定方法、装置、电子设备及存储介质,上述方法包括:获取用户的行为信息序列,基于中期行为信息序列确定用户的中期兴趣特征,基于非中期行为信息序列确定用户的非中期兴趣特征;将中期兴趣特征和非中期兴趣特征进行拼接,得到整体兴趣特征;确定每个候选推荐信息与整体兴趣特征之间的相关度,作为用户对该候选推荐信息的感兴趣程度;基于用户对多个候选推荐信息的感兴趣程度,从多个候选推荐信息确定出至少一个目标推荐信息。该方法在确定用户对各个候选推荐信息的感兴趣程度时利用了能够体现出用户的兴趣的中期兴趣特征和非中期兴趣特征,提高了确定用户对各个候选推荐信息的感兴趣程度的准确度。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种推荐信息确定方法、装置、电子设备及存储介质。
背景技术
目前,各类应用软件都会向用户进行信息推荐,以进行信息引流,提高用户的使用体验。
常用的确定推荐信息的方法是先从大量的信息中召回多个候选信息,然后利用DIN(Deep Interest Network,深度兴趣网络)模型,确定出多个候选信息与用户行为(如用户的搜索行为)信息之间的相关性,然后根据相关性从多个候选信息中选出用户可能感性趣的推荐信息并推荐给用户。
上述推荐信息确定方法中,使用当前时间临近的固定长度的用户行为信息序列(如近期的100个以内的用户行为信息)来计算相关性,而这样的用户行为信息序列往往难以准确体现出用户的兴趣。因此,上述推荐信息确定方法中,候选信息与用户之间的相关性的准确度较低,导致对用户进行信息推荐的推荐效果差。
发明内容
本发明实施例的目的在于提供一种推荐信息确定方法、装置、电子设备及存储介质,以提高确定候选信息与用户之间的相关性的准确度。
在本发明实施的第一方面,首先提供了一种推荐信息确定方法,包括:
获取用户的行为信息序列,其中,所述行为信息序列包括非中期行为信息序列和中期行为信息序列;其中,所述行为信息序列为所述用户的多个行为信息按照信息产生时间进行排列得到的,所述非中期行为信息序列包括短期行为信息序列和/或长期行为信息序列,所述短期行为信息序列包括所述中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息,所述长期行为信息序列包括信息产生时间在所述中期行为信息序列的所有行为信息之前的至少一个行为信息;
基于所述中期行为信息序列确定所述用户的中期兴趣特征,基于所述非中期行为信息序列确定所述用户的非中期兴趣特征;
将所述中期兴趣特征和所述非中期兴趣特征进行拼接,得到整体兴趣特征;
确定每个候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对所述该候选推荐信息的感兴趣程度;
基于所述用户对所述多个候选推荐信息的感兴趣程度,从所述多个候选推荐信息确定出至少一个目标推荐信息。
可选的,所述确定每个候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对所述该候选推荐信息的感兴趣程度,包括:
提取各个候选推荐信息的特征;
针对每个候选推荐信息,将该候选推荐信息的特征与所述整体兴趣特征进行拼接,得到拼接特征;
将所述拼接特征输入预先训练的相关度确定模型,得到该候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对该候选推荐信息的感兴趣程度。
可选的,所述获取用户的行为信息序列,包括:
获取用户的中期行为信息序列,其中,所述中期行为信息序列为所述用户的至少一个行为信息按照信息产生时间进行排列得到的;
基于所述信息产生时间获取短期行为信息序列和/或长期行为信息序列,作为非中期行为信息序列。
可选的,所述获取用户的行为信息序列,包括:
获取用户的多个行为信息和所述多个行为信息的信息产生时间;
对所述多个行为信息按照信息产生时间先后的顺序进行排序;
将排序结果中信息产生时间最临近当前时间的第二预设数量个行为信息所构成的序列确定为中期行为信息序列;
将排序结果中信息产生时间在所述中期行为信息序列中所有行为信息之前的第三预设数量个行为信息所构成的序列确定为长期行为信息序列;将所述中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息所构成的序列确定为短期行为信息序列;其中,所述第一预设数量小于所述第二预设数量;
将所述长期行为信息序列和/或所述短期行为信息序列作为非中期行为信息序列。
可选的,所述基于所述中期行为信息序列确定所述用户的中期兴趣特征,包括:
将所述中期行为信息序列输入预先训练的特征确定模型,得到所述用户的中期兴趣特征。
可选的,所述基于所述非中期行为信息序列确定所述用户的非中期兴趣特征,包括:
提取所述长期行为信息序列中各个行为信息的特征向量,并计算各个特征向量的平均值作为所述用户的长期兴趣特征,和/或,提取所述短期行为信息序列中各个行为信息的特征向量,并计算各个特征向量的平均值作为所述用户的短期兴趣特征;
将所述长期兴趣特征和/或所述短期兴趣特征作为所述用户的非中期兴趣特征。
在本发明实施的第二方面,还提供了一种推荐信息确定装置,包括:
信息序列获取模块,用于获取用户的行为信息序列,其中,所述行为信息序列包括非中期行为信息序列和中期行为信息序列;其中,所述行为信息序列为所述用户的多个行为信息按照信息产生时间进行排列得到的,所述非中期行为信息序列包括短期行为信息序列和/或长期行为信息序列,所述短期行为信息序列包括所述中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息,所述长期行为信息序列包括信息产生时间在所述中期行为信息序列的所有行为信息之前的至少一个行为信息;
兴趣特征确定模块,用于基于所述中期行为信息序列确定所述用户的中期兴趣特征,基于所述非中期行为信息序列确定所述用户的非中期兴趣特征;
兴趣特征拼接模块,用于将所述中期兴趣特征和所述非中期兴趣特征进行拼接,得到整体兴趣特征;
感兴趣程度确定模块,用于确定每个候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对所述该候选推荐信息的感兴趣程度;
推荐信息确定模块,用于基于所述用户对所述多个候选推荐信息的感兴趣程度,从所述多个候选推荐信息确定出至少一个目标推荐信息。
可选的,所述感兴趣程度确定模块,具体用于提取各个候选推荐信息的特征;针对每个候选推荐信息,将该候选推荐信息的特征与所述整体兴趣特征进行拼接,得到拼接特征;将所述拼接特征输入预先训练的相关度确定模型,得到该候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对该候选推荐信息的感兴趣程度。
可选的,所述信息序列获取模块,具体用于获取用户的中期行为信息序列,其中,所述中期行为信息序列为所述用户的至少一个行为信息按照信息产生时间进行排列得到的;基于所述信息产生时间获取短期行为信息序列和/或长期行为信息序列,作为非中期行为信息序列。
可选的,所述信息序列获取模块,具体用于获取用户的多个行为信息和所述多个行为信息的信息产生时间;对所述多个行为信息按照信息产生时间先后的顺序进行排序;将排序结果中信息产生时间最临近当前时间的第二预设数量个行为信息所构成的序列确定为中期行为信息序列;将排序结果中信息产生时间在所述中期行为信息序列中所有行为信息之前的第三预设数量个行为信息所构成的序列确定为长期行为信息序列;将所述中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息所构成的序列确定为短期行为信息序列;其中,所述第一预设数量小于所述第二预设数量;将所述长期行为信息序列和/或所述短期行为信息序列作为非中期行为信息序列。
可选的,所述兴趣特征确定模块,具体用于将所述中期行为信息序列输入预先训练的特征确定模型,得到所述用户的中期兴趣特征。
可选的,所述兴趣特征确定模块,具体用于提取所述长期行为信息序列中各个行为信息的特征向量,并计算各个特征向量的平均值作为所述用户的长期兴趣特征,和/或,提取所述短期行为信息序列中各个行为信息的特征向量,并计算各个特征向量的平均值作为所述用户的短期兴趣特征;将所述长期兴趣特征和/或所述短期兴趣特征作为所述用户的非中期兴趣特征。
在本发明实施的又一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的推荐信息确定方法步骤。
在本发明实施的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的推荐信息确定方法。
在本发明实施的又一方面,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,使得计算机执行上述任一所述的推荐信息确定方法。
采用本发明实施例提供的方法,获取用户的行为信息序列,基于中期行为信息序列确定用户的中期兴趣特征,基于非中期行为信息序列确定用户的非中期兴趣特征;将中期兴趣特征和非中期兴趣特征进行拼接,得到整体兴趣特征;确定每个候选推荐信息与整体兴趣特征之间的相关度,作为用户对该候选推荐信息的感兴趣程度;基于用户对多个候选推荐信息的感兴趣程度,从多个候选推荐信息确定出至少一个目标推荐信息。即在确定用户对各个候选推荐信息的感兴趣程度时利用了能够体现出用户的兴趣的中期兴趣特征和非中期兴趣特征,提高了确定用户对各个候选推荐信息的感兴趣程度的准确度,进而也提高了对用户进行信息推荐的推荐效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的推荐信息确定方法的一种流程图;
图2为确定用户对候选推荐信息的感兴趣程度的一种流程图;
图3为确定用户对候选推荐信息的感兴趣程度的一种示意图;
图4为本发明实施例提供的推荐信息确定装置的一种结构示意图;
图5为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
由于现有的信息推荐方法确定候选信息与用户之间的相关性的准确度较低,导致对用户进行信息推荐的推荐效果较差,为了提高确定候选信息与用户之间的相关性的准确度,本发明实施例提供了一种推荐信息确定方法、装置、电子设备及存储介质。下面对本发明实施例提供的推荐信息确定方法进行详细介绍。
图1为本发明实施例提供的推荐信息确定方法的一种流程图,如图1所示,该方法包括:
步骤101,获取用户的行为信息序列。
其中,行为信息序列包括非中期行为信息序列和中期行为信息序列;行为信息序列为用户的多个行为信息按照信息产生时间进行排列得到的,非中期行为信息序列包括短期行为信息序列和/或长期行为信息序列,短期行为信息序列包括中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息,长期行为信息序列包括信息产生时间在中期行为信息序列的所有行为信息之前的至少一个行为信息。
步骤102,基于中期行为信息序列确定用户的中期兴趣特征,基于非中期行为信息序列确定用户的非中期兴趣特征。
步骤103,将中期兴趣特征和非中期兴趣特征进行拼接,得到整体兴趣特征。
步骤104,确定每个候选推荐信息与整体兴趣特征之间的相关度,作为用户对该候选推荐信息的感兴趣程度。
步骤105,基于用户对多个候选推荐信息的感兴趣程度,从多个候选推荐信息确定出至少一个目标推荐信息。
采用本发明实施例提供的方法,获取用户的行为信息序列,基于中期行为信息序列确定用户的中期兴趣特征,基于非中期行为信息序列确定用户的非中期兴趣特征;将中期兴趣特征和非中期兴趣特征进行拼接,得到整体兴趣特征;确定每个候选推荐信息与整体兴趣特征之间的相关度,作为用户对该候选推荐信息的感兴趣程度;基于用户对多个候选推荐信息的感兴趣程度,从多个候选推荐信息确定出至少一个目标推荐信息。即在确定用户对各个候选推荐信息的感兴趣程度时利用了能够体现出用户的兴趣的中期兴趣特征和非中期兴趣特征,提高了确定用户对各个候选推荐信息的感兴趣程度的准确度,进而也提高了对用户进行信息推荐的推荐效果。
本发明实施例中,各类应用软件都会向用户进行信息推荐,以进行信息引流,提高用户的使用体验。例如,视频软件可以对用户推荐用户感兴趣的视频,既为所推荐的视频引流,又可以为迎合用户的兴趣为用户提供丰富视频内容,提高用户的使用体验。再例如,小说软件也可以对用户推荐用户感兴趣的小说。
本发明实施例中,电子设备可以从应用软件中海量的信息中召回多个候选推荐信息。以视频软件为用户推荐视频信息的应用场景为例,电子设备可以从视频软件的海量视频信息中召回多个候选推荐视频信息,其中,召回方法可以采用如基于热度的召回方式、协同过滤召回方式或基于用户画像的召回方式等,在此不做具体限定。
在一种可能的实施方式中,上述获取用户的行为信息序列的步骤具体可以包括如下步骤A1-A2:
步骤A1:获取用户的中期行为信息序列。
用户的行为信息可以包括:搜素行为信息、评论行为信息、点赞行为信息、浏览行为信息和收藏行为信息等等。以视频软件为例,视频软件的用户的行为信息具体可以包括:用户观看过的视频、用户发过的弹幕、用户发过的评论、用户点赞过的视频及评论、用户搜索过的视频和用户收藏过的视频等等。以电商平台软件为例,电商平台软件的用户的行为信息可以包括:用户购买过的产品、用户浏览过的产品、用户评价过的产品和用户收藏的产品等等。
本发明实施例中,获取的用户的中期行为信息序列为用户的至少一个行为信息按照信息产生时间进行排列得到的。具体的,本步骤中,可以根据用户行为信息产生的时间,即信息产生时间,获取用户最临近当前时间的N个行为信息排列的序列作为用户的中期行为信息序列,N的取值可以根据应用场景进行具体设定,例如可以设定为50。
步骤A2:基于信息产生时间获取短期行为信息序列和/或长期行为信息序列,作为非中期行为信息序列。
本发明实施例中,非中期行为信息序列可以包括短期行为信息序列和/或长期行为信息序列。可以将中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息所构成的序列确定为短期行为信息序列。其中,第一预设数量可以设定为3或5等。
以中期行为信息序列中信息产生时间最早的行为信息为分界,可以获取信息产生时间在该行为信息之前的一个或多个行为信息所构成的序列作为长期行为信息序列。
举例说明,可以获取用户最临近当前时间的8个行为信息item1-item8所排列的序列作为用户的中期行为信息序列,并且,item1-item8的信息产生时间与当前时间的时间差越来越大;然后,可以获取信息产生时间在item8之前的行为信息item9-item12所排列的序列作为用户的长期行为信息序列;然后,还可以将item1-item8中的item1和item2所排列的序列作为用户的短期行为信息序列;并且,将用户的短期行为信息序列item1-item2以及用户的长期行为信息序列item9-item12作为用户的非中期行为信息序列。
采用本发明实施例提供的方法,在确定用户对各个候选推荐信息的感兴趣程度时利用了能够体现出用户的兴趣的中期兴趣特征和长期兴趣特征和/或短期兴趣特征,提高了确定用户对各个候选推荐信息的感兴趣程度的准确度,进而也提高了对用户进行信息推荐的推荐效果。
在另一种可能的实施方式中,上述获取用户的行为信息序列的步骤具体可以包括如下步骤B1-B5:
步骤B1:获取用户的多个行为信息和多个行为信息的信息产生时间。
本步骤中,每个行为信息对应一个信息产生时间,信息产生时间是表征应用软件的用户发生某种行为,进而在应用软件产生相应的行为信息的时间。
步骤B2:对多个行为信息按照信息产生时间先后的顺序进行排序。
步骤B3:将排序结果中信息产生时间最临近当前时间的第二预设数量个行为信息所构成的序列确定为中期行为信息序列。
其中,第二预设数量可以根据实际应用场景进行具体设定,例如可以设定为50或60等,并且,第二预设数量大于第一预设数量。
步骤B4:将排序结果中信息产生时间在中期行为信息序列中所有行为信息之前的第三预设数量个行为信息所构成的序列确定为长期行为信息序列;将中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息所构成的序列确定为短期行为信息序列。
其中,第三预设数量可以根据实际应用场景进行具体设定,例如可以设定为10或20等,此处不做具体限定。
步骤B5:将长期行为信息序列和/或短期行为信息序列作为非中期行为信息序列。
采用本发明实施例提供的方法,利用能够体现出用户广泛兴趣的中期兴趣特征和长期兴趣特征和/或短期兴趣特征确定用户对各个候选推荐信息的感兴趣程度,提高了确定用户对各个候选推荐信息的感兴趣程度的准确度,进而也提高了对用户进行信息推荐的推荐效果。
在一种可能的实施方式中,图2为确定用户对候选推荐信息的感兴趣程度的一种流程图,如图2所示,上述确定每个候选推荐信息与整体兴趣特征之间的相关度作为用户对该候选推荐信息的感兴趣程度的步骤,具体可以包括:
步骤201,提取各个候选推荐信息的特征。
候选推荐信息可以为文本信息,例如,视频软件中的候选推荐信息可以为视频名称,电商平台软件中的候选推荐信息可以为产品名称。本发明实施例中可以利用文本预训练模型,如fasttext(一个开源的词向量计算和文本分类工具)模型,提取候选推荐信息的特征,所提取的特征可以为该候选推荐信息对应的文本的语义特征。
本发明实施例中也可以利用任何文本信息特征提取模型,提取候选推荐信息的特征。
步骤202,针对每个候选推荐信息,将该候选推荐信息的特征与整体兴趣特征进行拼接,得到拼接特征。
举例说明,若候选推荐信息的特征为32×1维的矩阵,整体兴趣特征为64×1维的矩阵,则将候选推荐信息的特征与整体兴趣特征进行拼接,可以得到(32+64)×1维的矩阵作为拼接特征。
步骤203,将拼接特征输入预先训练的相关度确定模型,得到该候选推荐信息与整体兴趣特征之间的相关度,作为用户对该候选推荐信息的感兴趣程度。
本发明实施例中,可以预先利用样本拼接特征训练DIN(Deep Interest Network,深度兴趣网络)模型的全连接层,得到训练后的相关度确定模型。样本拼接特征具体可以为样本推荐信息的特征与样本兴趣特征的拼接特征。
本发明实施例中,针对每个候选推荐信息,可以将该候选推荐信息对应的拼接特征输入训练后的DIN模型的全连接层,确定出对应的输出值,作为用户对该候选推荐信息的感兴趣程度。
采用本发明实施例提供的方法,可以利用能够体现出用户的兴趣的中期兴趣特征和非中期兴趣特征确定用户对各个候选推荐信息的感兴趣程度,提高了确定用户对各个候选推荐信息的感兴趣程度的准确度,进而也提高了对用户进行信息推荐的推荐效果。
在一种可能的实施方式中,上述基于中期行为信息序列确定用户的中期兴趣特征的步骤,具体可以包括:将中期行为信息序列输入预先训练的特征确定模型,得到用户的中期兴趣特征。具体的,可以将中期行为信息序列中每个行为信息输入DIN模型,得到中期行为信息序列中每个行为信息的特征,然后将中期行为信息序列中每个行为信息的特征进行拼接,将得到的拼接后的特征作为用户的中期兴趣特征。
在一种可能的实施方式中,上述基于非中期行为信息序列确定用户的非中期兴趣特征的步骤,具体可以包括如下步骤C1-C2:
步骤C1:提取长期行为信息序列中各个行为信息的特征向量,并计算各个特征向量的平均值作为用户的长期兴趣特征,和/或,提取短期行为信息序列中各个行为信息的特征向量,并计算各个特征向量的平均值作为用户的短期兴趣特征;
步骤C2:将长期兴趣特征和/或短期兴趣特征作为用户的非中期兴趣特征。
本发明实施例中,可以直接将长期兴趣特征或短期兴趣特征作为用户的非中期兴趣特征;也可以将长期兴趣特征和短期兴趣特征都作为用户的非中期兴趣特征;还可以将长期兴趣特征和短期兴趣特征的拼接特征作为用户的非中期兴趣特征。例如,如果长期兴趣特征为16×1维的矩阵,短期兴趣特征也为16×1维的矩阵,可以直接将16×1维矩阵的长期兴趣特征作为用户的非中期兴趣特征,也可以将16×1维矩阵的短期兴趣特征作为用户的非中期兴趣特征,还可以将16×1维矩阵的长期兴趣特征和16×1维矩阵的短期兴趣特征都作为用户的非中期兴趣特征,还可以将16×1维矩阵的长期兴趣特征和16×1维矩阵的短期兴趣特征的拼接特征,即(16+16)×1维的拼接矩阵作为用户的非中期兴趣特征。
在一种可能的实施方式中,如果中期兴趣特征为32×1维的矩阵,非中期兴趣特征也为32×1维的矩阵,则上述将中期兴趣特征和非中期兴趣特征进行拼接得到整体兴趣特征的步骤具体可以包括:将32×1维矩阵的中期兴趣特征和32×1维矩阵的非中期兴趣特征进行拼接,得到(32+32)×1维的矩阵作为整体兴趣特征。
采用本发明实施例提供的方法,可以利用能够体现出用户的兴趣的中期兴趣特征和非中期兴趣特征确定用户对各个候选推荐信息的感兴趣程度,提高了确定用户对各个候选推荐信息的感兴趣程度的准确度,进而也提高了对用户进行信息推荐的推荐效果。
图3为确定用户对候选推荐信息的感兴趣程度的一种示意图,如图3所示,
可以获取用户最临近当前时间的8个行为信息item1-item8所排列的序列作为用户的中期行为信息序列,并且,自左向右按照信息产生时间从先到后的顺序,最右侧为最新的用户行为信息,即item1为最新的用户行为信息。然后,可以获取信息产生时间在item8之前的行为信息item9-item12所排列的序列作为用户的长期行为信息序列;然后,还可以将item1-item8中的item1和item2所排列的序列作为用户的短期行为信息序列。然后,可以提取中期行为信息序列中行为信息item1-item8的特征,得到用户的中期兴趣特征;可以提取长期行为信息序列中行为信息item9-item12的特征,得到用户的长期兴趣特征;可以提取短期行为信息序列中行为信息item1-item2的特征,得到用户的短期兴趣特征;以及,提取候选推荐信息的特征;然后将用户的中期兴趣特征、长期兴趣特征、短期兴趣特征和候选推荐信息的特征进行拼接,将拼接特征输入预先训练的相关度确定模型,得到候选推荐信息与所述整体兴趣特征之间的相关度,作为用户对候选推荐信息的感兴趣程度。
采用本发明实施例提供的方法,利用能够体现出用户广泛兴趣的中期兴趣特征、长期兴趣特征和短期兴趣特征确定用户对各个候选推荐信息的感兴趣程度,提高了确定用户对各个候选推荐信息的感兴趣程度的准确度,进而也提高了对用户进行信息推荐的推荐效果。
基于同一发明构思,根据本发明上述实施例提供的推荐信息确定方法,相应地,本发明另一实施例还提供了一种推荐信息确定装置,其结构示意图如图4所示,具体包括:
信息序列获取模块401,用于获取用户的行为信息序列,其中,所述行为信息序列包括非中期行为信息序列和中期行为信息序列;其中,所述行为信息序列为所述用户的多个行为信息按照信息产生时间进行排列得到的,所述非中期行为信息序列包括短期行为信息序列和/或长期行为信息序列,所述短期行为信息序列包括所述中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息,所述长期行为信息序列包括信息产生时间在所述中期行为信息序列的所有行为信息之前的至少一个行为信息;
兴趣特征确定模块402,用于基于所述中期行为信息序列确定所述用户的中期兴趣特征,基于所述非中期行为信息序列确定所述用户的非中期兴趣特征;
兴趣特征拼接模块403,用于将所述中期兴趣特征和所述非中期兴趣特征进行拼接,得到整体兴趣特征;
感兴趣程度确定模块404,用于确定每个候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对所述该候选推荐信息的感兴趣程度;
推荐信息确定模块405,用于基于所述用户对所述多个候选推荐信息的感兴趣程度,从所述多个候选推荐信息确定出至少一个目标推荐信息。
可见,采用本发明实施例提供的装置,获取用户的行为信息序列,基于中期行为信息序列确定用户的中期兴趣特征,基于非中期行为信息序列确定用户的非中期兴趣特征;将中期兴趣特征和非中期兴趣特征进行拼接,得到整体兴趣特征;确定每个候选推荐信息与整体兴趣特征之间的相关度,作为用户对该候选推荐信息的感兴趣程度;基于用户对多个候选推荐信息的感兴趣程度,从多个候选推荐信息确定出至少一个目标推荐信息。即在确定用户对各个候选推荐信息的感兴趣程度时利用了能够体现出用户的兴趣的中期兴趣特征和非中期兴趣特征,提高了确定用户对各个候选推荐信息的感兴趣程度的准确度,进而也提高了对用户进行信息推荐的推荐效果。
可选的,所述感兴趣程度确定模块404,具体用于提取各个候选推荐信息的特征;针对每个候选推荐信息,将该候选推荐信息的特征与所述整体兴趣特征进行拼接,得到拼接特征;将所述拼接特征输入预先训练的相关度确定模型,得到该候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对该候选推荐信息的感兴趣程度。
可选的,所述信息序列获取模块401,具体用于获取用户的中期行为信息序列,其中,所述中期行为信息序列为所述用户的至少一个行为信息按照信息产生时间进行排列得到的;基于所述信息产生时间获取短期行为信息序列和/或长期行为信息序列,作为非中期行为信息序列。
可选的,所述信息序列获取模块401,具体用于获取用户的多个行为信息和所述多个行为信息的信息产生时间;对所述多个行为信息按照信息产生时间先后的顺序进行排序;将排序结果中信息产生时间最临近当前时间的第二预设数量个行为信息所构成的序列确定为中期行为信息序列;将排序结果中信息产生时间在所述中期行为信息序列中所有行为信息之前的第三预设数量个行为信息所构成的序列确定为长期行为信息序列;将所述中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息所构成的序列确定为短期行为信息序列;其中,所述第一预设数量小于所述第二预设数量;将所述长期行为信息序列和/或所述短期行为信息序列作为非中期行为信息序列。
可选的,所述兴趣特征确定模块402,具体用于将所述中期行为信息序列输入预先训练的特征确定模型,得到所述用户的中期兴趣特征。
可选的,所述兴趣特征确定模块402,具体用于提取所述长期行为信息序列中各个行为信息的特征向量,并计算各个特征向量的平均值作为所述用户的长期兴趣特征,和/或,提取所述短期行为信息序列中各个行为信息的特征向量,并计算各个特征向量的平均值作为所述用户的短期兴趣特征;将所述长期兴趣特征和/或所述短期兴趣特征作为所述用户的非中期兴趣特征。
可见,采用本发明实施例提供的装置,可以利用能够体现出用户的兴趣的中期兴趣特征和非中期兴趣特征确定用户对各个候选推荐信息的感兴趣程度,提高了确定用户对各个候选推荐信息的感兴趣程度的准确度,进而也提高了对用户进行信息推荐的推荐效果。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信,
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现如下步骤:
获取用户的行为信息序列,其中,所述行为信息序列包括非中期行为信息序列和中期行为信息序列;所述行为信息序列为所述用户的多个行为信息按照信息产生时间进行排列得到的,所述非中期行为信息序列包括短期行为信息序列和/或长期行为信息序列,所述短期行为信息序列包括所述中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息,所述长期行为信息序列包括信息产生时间在所述中期行为信息序列的所有行为信息之前的至少一个行为信息;
基于所述中期行为信息序列确定所述用户的中期兴趣特征,基于所述非中期行为信息序列确定所述用户的非中期兴趣特征;
将所述中期兴趣特征和所述非中期兴趣特征进行拼接,得到整体兴趣特征;
确定每个候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对所述该候选推荐信息的感兴趣程度;
基于所述用户对所述多个候选推荐信息的感兴趣程度,从所述多个候选推荐信息确定出至少一个目标推荐信息。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中任一所述的推荐信息确定方法。
在本发明提供的又一实施例中,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,使得计算机执行上述实施例中任一所述的推荐信息确定方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,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,对于装置、电子设备及存储介质而言,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。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种推荐信息确定方法,其特征在于,包括:
获取用户的行为信息序列,其中,所述行为信息序列包括非中期行为信息序列和中期行为信息序列;所述行为信息序列为所述用户的多个行为信息按照信息产生时间进行排列得到的,所述非中期行为信息序列包括短期行为信息序列和/或长期行为信息序列,所述短期行为信息序列包括所述中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息,所述长期行为信息序列包括信息产生时间在所述中期行为信息序列的所有行为信息之前的至少一个行为信息;
基于所述中期行为信息序列确定所述用户的中期兴趣特征,基于所述非中期行为信息序列确定所述用户的非中期兴趣特征;
将所述中期兴趣特征和所述非中期兴趣特征进行拼接,得到整体兴趣特征;
确定每个候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对所述该候选推荐信息的感兴趣程度;
基于所述用户对所述多个候选推荐信息的感兴趣程度,从所述多个候选推荐信息确定出至少一个目标推荐信息。
2.根据权利要求1所述的方法,其特征在于,所述确定每个候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对所述该候选推荐信息的感兴趣程度,包括:
提取各个候选推荐信息的特征;
针对每个候选推荐信息,将该候选推荐信息的特征与所述整体兴趣特征进行拼接,得到拼接特征;
将所述拼接特征输入预先训练的相关度确定模型,得到该候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对该候选推荐信息的感兴趣程度。
3.根据权利要求1所述的方法,其特征在于,所述获取用户的行为信息序列,包括:
获取用户的中期行为信息序列,其中,所述中期行为信息序列为所述用户的至少一个行为信息按照信息产生时间进行排列得到的;
基于所述信息产生时间获取短期行为信息序列和/或长期行为信息序列,作为非中期行为信息序列。
4.根据权利要求1所述的方法,其特征在于,所述获取用户的行为信息序列,包括:
获取用户的多个行为信息和所述多个行为信息的信息产生时间;
对所述多个行为信息按照信息产生时间先后的顺序进行排序;
将排序结果中信息产生时间最临近当前时间的第二预设数量个行为信息所构成的序列确定为中期行为信息序列;
将排序结果中信息产生时间在所述中期行为信息序列中所有行为信息之前的第三预设数量个行为信息所构成的序列确定为长期行为信息序列;将所述中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息所构成的序列确定为短期行为信息序列;其中,所述第一预设数量小于所述第二预设数量;
将所述长期行为信息序列和/或所述短期行为信息序列作为非中期行为信息序列。
5.根据权利要求1所述的方法,其特征在于,所述基于所述中期行为信息序列确定所述用户的中期兴趣特征,包括:
将所述中期行为信息序列输入预先训练的特征确定模型,得到所述用户的中期兴趣特征。
6.根据权利要求1所述的方法,其特征在于,所述基于所述非中期行为信息序列确定所述用户的非中期兴趣特征,包括:
提取所述长期行为信息序列中各个行为信息的特征向量,并计算各个特征向量的平均值作为所述用户的长期兴趣特征,和/或,提取所述短期行为信息序列中各个行为信息的特征向量,并计算各个特征向量的平均值作为所述用户的短期兴趣特征;
将所述长期兴趣特征和/或所述短期兴趣特征作为所述用户的非中期兴趣特征。
7.一种推荐信息确定装置,其特征在于,包括:
信息序列获取模块,用于获取用户的行为信息序列,其中,所述行为信息序列包括非中期行为信息序列和中期行为信息序列;其中,所述行为信息序列为所述用户的多个行为信息按照信息产生时间进行排列得到的,所述非中期行为信息序列包括短期行为信息序列和/或长期行为信息序列,所述短期行为信息序列包括所述中期行为信息序列中信息产生时间最晚的第一预设数量个行为信息,所述长期行为信息序列包括信息产生时间在所述中期行为信息序列的所有行为信息之前的至少一个行为信息;
兴趣特征确定模块,用于基于所述中期行为信息序列确定所述用户的中期兴趣特征,基于所述非中期行为信息序列确定所述用户的非中期兴趣特征;
兴趣特征拼接模块,用于将所述中期兴趣特征和所述非中期兴趣特征进行拼接,得到整体兴趣特征;
感兴趣程度确定模块,用于确定每个候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对所述该候选推荐信息的感兴趣程度;
推荐信息确定模块,用于基于所述用户对所述多个候选推荐信息的感兴趣程度,从所述多个候选推荐信息确定出至少一个目标推荐信息。
8.根据权利要求7所述的装置,其特征在于,所述感兴趣程度确定模块,具体用于提取各个候选推荐信息的特征;针对每个候选推荐信息,将该候选推荐信息的特征与所述整体兴趣特征进行拼接,得到拼接特征;将所述拼接特征输入预先训练的相关度确定模型,得到该候选推荐信息与所述整体兴趣特征之间的相关度,作为所述用户对该候选推荐信息的感兴趣程度。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121965.2A CN113836414A (zh) | 2021-09-24 | 2021-09-24 | 一种推荐信息确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121965.2A CN113836414A (zh) | 2021-09-24 | 2021-09-24 | 一种推荐信息确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113836414A true CN113836414A (zh) | 2021-12-24 |
Family
ID=78969900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111121965.2A Pending CN113836414A (zh) | 2021-09-24 | 2021-09-24 | 一种推荐信息确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836414A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815416A (zh) * | 2019-01-29 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 关联信息的推送方法、装置,电子设备及存储介质 |
CN110941764A (zh) * | 2019-12-03 | 2020-03-31 | 腾讯科技(深圳)有限公司 | 对象推荐方法、装置、计算机设备和存储介质 |
CN111159564A (zh) * | 2019-12-31 | 2020-05-15 | 联想(北京)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
CN112085567A (zh) * | 2020-09-09 | 2020-12-15 | 北京百度网讯科技有限公司 | 商品推荐方法、装置、电子设备以及可读介质 |
CN112989212A (zh) * | 2021-05-19 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 媒体内容推荐方法、装置和设备及计算机存储介质 |
-
2021
- 2021-09-24 CN CN202111121965.2A patent/CN113836414A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815416A (zh) * | 2019-01-29 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 关联信息的推送方法、装置,电子设备及存储介质 |
CN110941764A (zh) * | 2019-12-03 | 2020-03-31 | 腾讯科技(深圳)有限公司 | 对象推荐方法、装置、计算机设备和存储介质 |
CN111159564A (zh) * | 2019-12-31 | 2020-05-15 | 联想(北京)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
CN112085567A (zh) * | 2020-09-09 | 2020-12-15 | 北京百度网讯科技有限公司 | 商品推荐方法、装置、电子设备以及可读介质 |
CN112989212A (zh) * | 2021-05-19 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 媒体内容推荐方法、装置和设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
CN110598086B (zh) | 文章推荐方法、装置、计算机设备及存储介质 | |
CN104978665A (zh) | 一种品牌评估方法和装置 | |
CN110991187A (zh) | 一种实体链接的方法、装置、电子设备及介质 | |
CN106599047B (zh) | 一种信息的推送方法及装置 | |
CN110851712B (zh) | 书籍信息的推荐方法、设备以及计算机可读介质 | |
CN106919551B (zh) | 一种情感词极性的分析方法、装置及设备 | |
CN111666757A (zh) | 商品评论情感倾向分析方法、装置、设备和可读存储介质 | |
CN112328889A (zh) | 推荐搜索词确定方法、装置、可读介质及电子设备 | |
CN105786936A (zh) | 用于对搜索数据进行处理的方法及设备 | |
CN116015842A (zh) | 一种基于用户访问行为的网络攻击检测方法 | |
CN108021713B (zh) | 一种文档聚类的方法和装置 | |
CN113806660A (zh) | 数据评估方法、训练方法、装置、电子设备以及存储介质 | |
CN110837732B (zh) | 目标人物间亲密度识别方法、装置、电子设备及存储介质 | |
CN112163415A (zh) | 针对反馈内容的用户意图识别方法、装置及电子设备 | |
CN112733014A (zh) | 推荐方法、装置、设备及存储介质 | |
CN110633408B (zh) | 智能商业资讯的推荐方法和系统 | |
CN110909232A (zh) | 一种话题热度的确定方法和装置 | |
CN110019702B (zh) | 数据挖掘方法、装置和设备 | |
CN113076487B (zh) | 一种用户兴趣表征及内容推荐方法、装置和设备 | |
CN113836412A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN113836414A (zh) | 一种推荐信息确定方法、装置、电子设备及存储介质 | |
CN113987159A (zh) | 一种推荐信息确定方法、装置、电子设备及存储介质 | |
CN110825847B (zh) | 目标人物间亲密度识别方法、装置、电子设备及存储介质 | |
CN114742573A (zh) | 一种营销分析方法、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 |