CN114331505A - 一种信息推荐的方法及推荐装置 - Google Patents

Abstract

本说明书公开了一种信息推荐的方法及推荐装置，该信息推荐的方法包括：获取针对待推荐信息的初始创意组合，根据初始创意组合中包含的各创意实例对应的实例特征表示，以及初始创意组合中包含的各创意实例之间的关联特征表示，从其他创意组合中搜索出各相关创意组合，并将初始创意组合以及各相关创意组合构建为创意组合集，针对创意组合集中的每个创意组合，根据该创意组合中包含的各创意实例对应的实例权重，以及该创意组合中包含的各创意实例之间的关联权重，确定该创意组合对应的优先级，根据每个创意组合对应的优先级，从所述创意组合集中确定出目标创意组合，并按照所述目标创意组合对应的创意展示形式，向用户推荐所述待推荐信息。

Description

一种信息推荐的方法及推荐装置

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的方法及推荐装置。

背景技术

近年来，随着深度学习的发展，信息推荐模型已经被应用到越来越多的领域，尤其是在诸如推荐、搜索、广告等背景下，信息推荐模型已经成为一项非常核心的技术，信息推荐模型通过对用户历史行为的分析，来实现对下一次点击情况的预测，并根据预测结果向用户推荐合适的内容，其中推荐信息的创意对推荐效果的影响越来越重要。

然而，由于每一种推荐信息的展现形式都对应有不同的创意元素，不同的创意元素中又包含有大量的创意实例，而由不同创意实例构成的展示形式也会有很多种，大量的展示形式会对系统性能造成巨大压力，降低搜索到最优展示形式的搜索效率，甚至会影响信息推荐模型推荐信息的准确性，限制推荐信息的收益效果，影响用户的使用体验。

因此，如何在提高推荐信息的收益效果的同时，提高确定出最优展示形式的探索效率，进而提高用户的使用体验，是一个亟待解决的问题。

发明内容

本说明书提供一种信息推荐的方法及推荐装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种信息推荐的方法，包括：

获取针对待推荐信息的初始创意组合，所述初始创意组合由归属于不同类的创意元素的创意实例构成；

根据确定出的所述初始创意组合中包含的各创意实例对应的实例特征表示，以及所述初始创意组合中包含的各创意实例之间的关联特征表示，从其他创意组合中搜索出各相关创意组合，并将所述初始创意组合以及所述各相关创意组合构建为创意组合集；

针对所述创意组合集中的每个创意组合，根据该创意组合中包含的各创意实例对应的实例权重，以及该创意组合中包含的各创意实例之间的关联权重，确定该创意组合对应的优先级；

根据每个创意组合对应的优先级，从所述创意组合集中确定出目标创意组合，并按照所述目标创意组合对应的创意展示形式，向用户推荐所述待推荐信息。

可选地，根据该创意组合中包含的各创意实例对应的实例权重，以及该创意组合中包含的各创意实例之间的关联权重，确定该创意组合对应的优先级，具体包括：

将该创意组合中包含的每个创意实例作为不同的节点，按照预设的顺序，将该创意组合中包含的每个创意实例对应的节点进行连接，得到该创意组合对应的树结构；

根据所述树结构中包含的各节点对应的实例权重，以及相邻节点之间的关联权重，确定该创意组合对应的优先级。

可选地，根据每个创意组合对应的优先级，从所述创意组合集中确定出目标创意组合，具体包括：

根据每个创意组合对应的优先级，从所述创意组合集中选取出各候选创意组合；

针对每个候选创意组合，将该候选创意组合以及推荐环境信息输入到预设的关联模型中，确定该候选创意组合在所述推荐环境信息下的优先级，所述推荐环境信息包括：所述用户对应的用户偏好以及所述用户获取所述待推荐信息所基于的场景信息中的至少一种；

根据每个候选创意组合在所述推荐环境信息下的优先级，确定所述目标创意组合。

可选地，所述方法还包括：

根据监测到的所述用户针对所述待推荐信息的浏览情况，对所述目标创意组合中包含的各创意实例对应的实例权重，以及所述目标创意组合中包含的各创意实例之间的关联权重进行更新。

可选地，根据监测到的所述用户针对所述待推荐信息的浏览情况，对所述目标创意组合中包含的各创意实例对应的实例权重，以及所述目标创意组合中包含的各创意实例之间的关联权重进行更新，具体包括：

若根据监测到的所述用户针对所述待推荐信息的浏览情况，确定所述用户对所述待推荐信息执行了点击操作，提高所述目标创意组合中包含的各创意实例对应的实例权重，以及所述目标创意组合中包含的各创意实例之间的关联权重；

若根据监测到的所述用户针对所述待推荐信息的浏览情况，确定所述用户对所述待推荐信息未执行点击操作，降低所述目标创意组合中包含的各创意实例对应的实例权重，以及所述目标创意组合中包含的各创意实例之间的关联权重。

可选地，确定所述初始创意组合中包含的各创意实例对应的实例特征表示，以及所述初始创意组合中包含的各创意实例之间的关联特征表示，具体包括：

将所述初始创意组合中包含的各创意实例输入到预先训练的特征学习模型，确定出所述初始创意组合中包含的各创意实例对应的实例特征表示，以及所述初始创意组合中包含的各创意实例之间的关联特征表示。

可选地，训练所述特征学习模型，具体包括：

获取历史推荐信息对应的历史目标创意组合以及历史推荐信息对应的浏览信息，所述浏览信息用于表征用户针对所述历史推荐信息的实际浏览情况；

将所述历史目标创意组合中包含的各创意实例输入所述特征学习模型中，确定所述历史目标创意组合中包含的各创意实例对应的实例特征表示，以及所述历史目标创意组合中包含的各历史创意实例之间的关联特征表示；

根据所述历史目标创意组合中包含的各创意实例对应的实例特征表示，以及所述历史目标创意组合中包含的各历史创意实例之间的关联特征表示，确定所述历史推荐信息以所述历史目标创意组合向用户推荐时的浏览情况，作为预估浏览情况；

以最小化所述预估浏览情况与所述浏览信息对应的实际浏览情况之间的偏差为优化目标，对所述特征学习模型进行训练。

可选地，根据该创意组合中包含的各创意实例对应的实例权重，以及该创意组合中包含的各创意实例之间的关联权重，确定该创意组合对应的优先级，具体包括：

针对该创意组合中包含的每个创意实例，通过该创意实例对应的实例特征表示对该创意实例对应的实例权重进行补充，得到该创意实例对应的补偿实例权重，以及针对该创意组合中包含的任意两个创意实例，根据这两个创意实例对应的关联特征表示对这两个创意实例之间的关联权重进行补偿，得到这两个创意实例之间的补偿关联权重；

根据该创意组合中包含的每个创意实例对应的补偿实例权重，以及该创意组合中包含的各创意实例之间的补偿关联权重，确定该创意组合对应的优先级。

可选地，所述待推荐信息包括：待推荐广告，所述创意元素包括：广告模板、广告头图、广告补充信息中的至少两个。

本说明书提供了一种信息推荐的装置，包括：

获取模块，获取针对待推荐信息的初始创意组合，所述初始创意组合由归属于不同类的创意元素的创意实例构成；

构建模块，根据确定出的所述初始创意组合中包含的各创意实例对应的实例特征表示，以及所述初始创意组合中包含的各创意实例之间的关联特征表示，从其他创意组合中搜索出各相关创意组合，并将所述初始创意组合以及所述各相关创意组合构建为创意组合集；

确定模块，针对所述创意组合集中的每个创意组合，根据该创意组合中包含的各创意实例对应的实例权重，以及该创意组合中包含的各创意实例之间的关联权重，确定该创意组合对应的优先级；

推荐模块，根据每个创意组合对应的优先级，从所述创意组合集中确定出目标创意组合，并按照所述目标创意组合对应的创意展示形式，向用户推荐所述待推荐信息。

本说明书提供了一种电子设备，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信息推荐的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的信息推荐的方法中，会根据推荐信息的初始创意组合中包含的各创意实例对应的实例特征表示，以及所述初始创意组合中包含的各创意实例之间的关联特征表示，确定出其他创意组合中的相关创意组合，并与其构建为创意组合集，根据每个创意组合集中创意实例的实例特征表示和实例权重，以及创意实例之间的关联特征表示和关联权重，确定每个创意组合的优先级，并根据该优先级确定出目标创意组合，按照目标创意组合的展示形式向用户进行信息推荐。

从上述方法可以看出，在信息推荐的过程中，会将各创意实例的实例特征表示与创意实例之间的关联特征表示投射至高维空间，当接收到推荐请求后在高维空间中检索到与初始创意组合接近的其他创意组合，从而提高目标创意组合的探索效率，进而提高用户的使用体验以及推荐信息的收益效果。

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为本说明书中提供的一种信息推荐的方法的流程示意图；

图2为本说明书提供的一种树结构示意图；

图3为本说明书提供的一种信息推荐的装置的示意图；

图4为本说明书提供的一种对应于图1的电子设备示意图。

具体实施方式

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1为本说明书中提供的一种信息推荐的方法的流程示意图，包括以下步骤：

S101：获取针对待推荐信息的初始创意组合，所述初始创意组合由归属于不同类的创意元素的创意实例构成。

在诸如搜索、推荐、广告等业务场景中，存在着大量的信息可以展示给用户，而推荐信息的不同展现形式对推荐效果的影响程度是不同的，一个以更加符合对应场景信息与用户偏好的展示形式向用户进行展示的推荐信息往往会获得更高的点击收益。

由于每一个推荐信息的展示形式中，不同类型的创意元素中包含的创意实例的数量较多，因此由不同创意实例组成的创意实例的数量也会呈指数式上升，这样不仅会降低探索推荐信息的最优创意实例组合的探索效率，还会对系统的性能造成一定压力，甚至会影响到信息推荐模型(如：点击率(click-through rate，CTR)预估模型)向用户推荐信息的准确性。

基于此，本说明书提供了一种信息推荐的方法，根据推荐信息按照初始创意组合对应的展示形式向用户进行展示时，根据创意组合中包含的每个创意实例对应的实例特征表示和创意实例之间的关联特征表示，找到与其相关的相关创意组合，并构建创意组合集，而后，可以通过确定出创意组合集中每个创意组合的优先级，从中确定出目标创意组合，进而以目标创意组合对应的展示形式向用户进行信息推荐。

在本说明书中，用于实现信息推荐方法的执行主体，可以指服务器等设置于业务平台的指定设备，为了便于描述，下面仅以服务器是执行主体为例，对本说明书提供的一种信息推荐的方法进行说明。

其中，服务器可以提前确定出当前业务周期的初始创意组合，并对不同业务周期的初始创意组合进行更新，例如，服务器可以以天为单位，确定出在当天的初始创意组合，并在当天结束后，根据当天内对不同创意组合的曝光及点击情况，对下一天的初始创意组合进行更新。

具体的，在广告推荐场景中，推荐信息的内容主要为待推荐广告，因此，待推荐广告展示形式对应的创意组合中包含的创意元素包括：广告模板、广告头图以及广告补充信息等，其中，广告模板主要包括广告页面的结构样式、颜色以及页面布局等，广告头图主要包括广告页面中的图片、商标等，广告补充信息主要包括广告页面中向用户展示的热度排行，销量，与用户之间的距离等有助于提高广告点击率的补充信息。相应的，创意元素中的创意实例则为不同的广告模板，广告头图以及广告补充信息。例如，图片A、图片B、图片C可以视为广告头图这一创意元素中包含的不同创意实例。

当推荐信息为待推荐广告时，该待推荐广告的展示形式对应的创意组合可以由广告模板、广告头图以及广告补充信息等创意元素中的至少两种构成，当然，该待推荐广告的展示形式对应的创意组合也可以包含其他类型的创意元素，本说明书对此不做具体限定。

S102：根据确定出的所述初始创意组合中包含的各创意实例对应的实例特征表示，以及所述初始创意组合中包含的各创意实例之间的关联特征表示，从其他创意组合中搜索出各相关创意组合，并将所述初始创意组合以及所述各相关创意组合构建为创意组合集。

为了提高确定出推荐信息最终展示形式对应创意组合的探索效率，保证推荐信息展示形式对应创意组合的点击收益，服务器可以通过特征学习模型，提前确定出各创意实例的实例特征表示以及不同类型创意元素中的创意实例之间的关联特征表示，并以此作为先验信息。

所以，当服务器在其他创意组合中搜索与初始创意组合相关的各相关创意组合时，服务器可以根据初始创意组合中包含的各创意实例对应的实例特征表示，以及初始创意组合中包含的各创意实例之间的关联特征表示，探索到先验信息中与其接近的实例特征表示和关联特征表示对应的各相关创意组合，以此来提高探索出相关创意组合的探索效率，并将初始创意组合以及上述各相关创意组合构建为创意组合集，进而提高确定出推荐信息最终展示形式对应创意组合的探索效率。

具体的，服务器可以通过特征学习模型的编码层(即Embedding层)，对各创意实例的实例特征以及各实例之间的关联特征进行特征提取，并将不同类型的创意实例对应的实例特征进行特征交叉，得到各创意实例对应的实例特征以及不同类型创意实例之间的关联特征，将上述提取到实例特征以及关联特征进行转换，得到统一格式的且符合向量空间规则的各个创意实例对应的实例特征表示(如向量)以及不同类型创意实例之间的关联特征表示。

需要说明的是，在广告推荐场景中，由于广告头图对应的创意实例为图形结构，所以在对不同的广告头图进行特征提取的过程中，服务器可以通过卷积神经网络(Convolutional Neural Network，CNN)，对不同的广告头图进行特征提取，进而不同的广告头图对应的实例特征表示。

在实际应用中，服务器可以提前确定出初始创意组合中各创意实例对应的实例特征表示以及各实例之间的关联特征表示，当接收到推荐请求后立即在先验信息中探索到与其相关的各相关创意组合。当然，服务器也可以在接收到推荐请求后，再确定该初始创意组合中各创意实例对应的实例特征表示以及各实例之间的关联特征表示，进而在先验信息中探索到与其相关的各相关创意组合。

其中，服务器接收到信息推荐请求的情况可以有很多种，如，上述获取请求可以是服务器监测到用户开启客户端时，即可以向用户进行信息推荐。再例如，当服务器监测到用户需要浏览其他业务场景的信息时，服务器可以在用户进入其他业务场景时将属于该其他业务场景的推荐信息按照合适的展示形式向用户进行信息推荐。

在使用上述创意特征学习模型之前，需要先对该创意特征学习模型进行训练，在本说明书中，用于各个模型训练的执行主体，可以是指服务器或诸如台式电脑、笔记本电脑等指定设备，为了便于表述，下面仅以服务器作为模型训练的执行主体为例，对各个模型的训练进行说明。

具体的，服务器可以根据离线收集的历史推荐信息的曝光情况和点击日志，获取历史推荐信息对应的历史目标创意组合以及历史推荐信息对应的浏览信息，其中，该浏览信息用于表征用户针对所述历史推荐信息的实际浏览情况，例如，用户是否点击该历史推荐信息。

服务器可以将上述历史目标创意组合中包含的各创意实例输入特征学习模型中，确定历史目标创意组合中包含的各创意实例对应的实例特征表示，以及历史目标创意组合中包含的各历史创意实例之间的关联特征表示，根据历史目标创意组合中包含的各创意实例对应的实例特征表示，以及历史目标创意组合中包含的各历史创意实例之间的关联特征表示，确定历史推荐信息以所述历史目标创意组合向用户推荐时的浏览情况，作为预估浏览情况。

服务器以最小化上述预估浏览情况与浏览信息对应的实际浏览情况之间的偏差为优化目标，对该特征学习模型进行训练，直到特征学习模型满足训练目标，将其部署在服务器中。其中，训练目标可以为：特征学习模型收敛至预设阈值范围内，或者，达到预设训练次数，以保证特征学习模型可以准确的确定出各实例特征的实例特征表示以及实例特征之间的关联特征表示。而预设阈值范围和预设训练次数可以跟据实际情况进行设定，本说明书不做具体限定。

当然，服务器还可以采用其他表征学习模型，或者通过人工获取的方式，获取各创意实例对应的实例特征表示以及各创意实例之间的关联特征表示，本说明书对此不做具体限定。

S103：针对所述创意组合集中的每个创意组合，根据该创意组合中包含的各创意实例对应的实例权重，以及该创意组合中包含的各创意实例之间的关联权重，确定该创意组合对应的优先级。

服务器确定出创意组合集后，对于该创意组合集中的每个创意组合，服务器可以根据该创意组合中包含的各创意实例对应的实例权重和实例特征表示，以及相关联的两个创意实例之间的关联权重和关联特征表示，确定该创意组合对应的优先级。

例如，服务器可以构建由不同类型创意实例构成的树结构，具体的，服务器可以将各创意实例作为不同节点，按照预设的顺序，将创意组合中包含的每个创意实例对应的节点进行连接，而通过节点连接后，每一层中的创意实例即属于同一个创意元素类型，而相邻两层中进行连接的两个节点之间的权重以及特征表示即为相关联的两个创意实例之间的关联权重和关联特征表示。

其中，上述预设的顺序可以进行人为设定，通常情况下，在人为设定不同类型的创始元素的顺序时，一般会按照先选择广告模板，然后选择广告头图，最后选择广告补充信息的顺序。基于此，服务器可以仿照这一过程，按照由广告模板、广告头图到广告补充信息的先后顺序，在树结构中依次将各广告模板与各广告头图进行连接，将各广告头图与各广告补充信息进行连接。这样第一层中的每个广告模板即为树结构中的根节点，而最后一层中每个广告补充信息则为树结构中的叶子节点，由根节点到叶子节点连接而成的完整路径即为一个创意组合。为了便于理解，本说明书提供了一种树结构示意图，如图2所示。

图2为本说明书提供的一种树结构示意图。

其中，该树结构中的不同层分别为不同类型的创意元素，而同一层中同一类型的创意元素包含的各个创意实例则为不同的广告模板、广告头图、以及广告补充信息，并按照从上到下的顺序依次进行连接，每个创意实例对应的实例特征表示以及相邻的创意实例之间的关联特征表示是通过特征学习模型获取到的，将广告模板与广告头图进行关联，将广告头图与广告补充信息进行关联，这样由广告模板、广告头图、以及广告补充信息连接而成的完整路径即为一个广告展示形式所对应的创意组合。

由于在树结构中一个节点可能连接有多个子节点，所以该节点下该节点对应的创意实例与子节点对应的创意实例构成的子创意也会有多个，因此，服务器可以通过动态规划来计算该节点下子创意对应的优先级，进而确定由根节点到叶子节点连接而成的完整路径对应的创意组合的优先级。

为了使确定出的每个创意组合对应的优先级更加准确，针对创意组合中包含的每个创意实例，服务器通过该创意实例对应的实例特征表示对该创意实例对应的实例权重进行补偿，得到该创意实例对应的补偿实例权重，以及针对该创意组合中相关联的两个创意实例，根据这两个创意实例对应的关联特征表示对这两个创意实例之间的关联权重进行补偿，得到这两个创意实例之间的补偿关联权重。

而后，可以根据该创意组合中包含的每个创意实例对应的补偿实例权重，以及该创意组合中相关联的各创意实例之间的补偿关联权重，确定创意组合对应的优先级。

具体的，对于上述树结构中的每一节点，若该节点为叶子节点，则该节点下子创意只由这一节点对应的创意实例组成，因此可以根据该创意实例对应的实例权重以及实例特征表示，确定该节点下子创意组合的优先级，该节点下子创意优先级的动态规划的转移方程可以表示为：

R_h＝Emb_h*w_h

其中，节点h为树结构中的叶子节点，R_h为节点h对应的创意实例下子创意组合的优先级，Emb_h为节点h对应的创意实例的实例特征表示，w_h为节点h对应的创意实例的实例权重，因为节点h为叶子节点，所以不存在节点h的子节点，所以此时节点h的优先级即为节点h下子创意的优先级。

若该节点不是叶子结点，则该节点下子创意由该节点对应的创意实例与该节点的子节点对应的创意实例共同构成，因此可以根据该节点对应的创意实例与该节点的子节点对应的创意实例的实例权重和实例特征表示，以及上述两个节点对应的创意实例之间的关联权重和关联特征表示共同确定该节点下子创意的优先级，该节点下子创意优先级的动态规划的转移方程可以表示为：

其中，R_i为节点i下子创意对应的优先级，Emb_i为节点i对应的实例特征表示，w_i为节点i对应的实例权重，Emb_ij为节点i对应的创意实例与节点j对应的创意实例之间的关联特征表示，w_ij则为节点i对应的创意实例与节点j对应的创意实例之间的关联权重。

服务器可以将树结构中，由第一层到最后一层中，每一层中的节点对应的创意实例构成的完整路径作为一个创意组合，并确定创意组合集中各个创意组合对应的优先级。

结合上述针对特征学习模型的训练可以看出，由于可以通过训练后的特征学习模型准确的表达出各创意实例的实例特征表示，以及各创意实例之间的关联特征表示，这样通过确定出的实例特征表示以及关联特征表示，对各创意实例的实例权重以及，各创意实例之间的关联权重进行补偿，可以保证更加准确的确定出各个创意组合所对应的优先级，进而保证在后续过程中，能够以合适的创意组合所对应的展示显示，向用户进行信息推荐。

S104：根据每个创意组合对应的优先级，从所述创意组合集中确定出目标创意组合，并按照所述目标创意组合对应的创意展示形式，向用户推荐所述待推荐信息。

在服务器确定出创意组合集中各个创意组合对应的优先级后，服务器可以按照优先级从高到低的顺序，选取指定数量的候选创意组合，并对上述指定数量的候选创意组合进行下一步的精排序处理，即，可以进一步地结合用户偏好以及当前的场景信息向用户进行信息推荐，其中，上述指定数量可以根据实际情况进行设定，本说明书不做具体限定。

具体的，对于每一个候选创意组合，服务器可以将该候选创意组合以及推荐环境信息输入到预设的关联模型中，确定该候选创意组合在当前推荐环境信息下的优先级，其中，推荐环境信息可以包括：用户对应的用户偏好以及用户获取所述待推荐信息所基于的场景信息等。

服务器可以根据每个候选创意组合在当前推荐环境信息下的优先级，确定目标创意组合，并按照目标创意组合对应的创意展示形式，向用户推荐该待推荐信息。

在实际应用的过程中，服务器可以根据不同类型创意元素中包含创意实例的内容，以及用户对不同创意组合对应的展示形式的点击情况，对不同创意实例对应的实例特征表示以及各创意实例之间的关联特征表示以指定的业务周期为单位进行更新，并对不同创意实例对应的实例权重以及不同创意实例之间的关联权重进行线上实时更新，以此来满足用户对推荐信息不同展示形式偏好的变化，从而提高推荐信息的点击收益。

例如，服务器可以以天为业务周期，对不同创意实例对应的实例特征表示以及各创意实例之间的关联特征表示以天为单位进行更新，这样在同一天内，创意组合集中优先级较为接近的各个创意组合中包含的各个创意实例的实例特征表示以及创意实例之间的关联特征表示也都是较为接近的。

当服务器接收到信息推荐请求时，可以根据创意组合经过精排序后的排序结果，选择最优的创意元素组合作为该推荐信息的最终展示形式，根据用户对该信息的点击情况，来实时调整各个创意实例对应的实例权重以及创意实例之间的关联权重，从而重新确定创意组合集中各个创意组合的优先级，进而确定出下一次向用户进行信息推荐时的目标创意组合，并在下一次向用户进行信息推荐时按照上述目标创意组合对应的创意展示形式，向用户推荐该待推荐信息。

其中，若服务器根据监测到的用户针对待推荐信息的浏览情况，确定用户对该待推荐信息执行了点击操作，则服务器可以提高目标创意组合中包含的各创意实例对应的实例权重，以及目标创意组合中包含的各创意实例之间的关联权重，使服务器下一次服务器向用户推荐信息时，仍然有较大概率会按照上述目标创意组合对应的展示形式向用户进行信息推荐。

而若服务器根据监测到的用户针对待推荐信息的浏览情况，确定所述用户对待推荐信息未执行点击操作，则服务器可以降低目标创意组合中包含的各创意实例对应的实例权重，以及目标创意组合中包含的各创意实例之间的关联权重，此时创意组合集中各创意组合对应的优先级也会发生相应改变，这样，服务器基于更新后的实例权重以及关联权重，在下一次推荐信息，确定出新的目标创意组合，并按照新的目标创意组合对应的展示形式进行信息推荐。其中，这里提到的下一次推荐信息，可以不针对相同的用户。也就是说，服务器每完成一次信息推荐，即可对实例权重以及关联权重进行更新，而更新后的实例权重和关联权重，是针对所有用户的信息推荐。

当然，在实际应用中，用户可能在一段时间内对一种或者几种展示形式较为青睐，相应的，这些展示形式所涉及的创意实例对应的实例权重以及创意实例之间的关联权重也将会不断的升高。但是，随着时间的推移，用户对这些展示形式将可能会出现审美疲劳，所以，若是再以这些展示形式向用户进行信息推荐，则可能会给用户带来不便，降低用户的信息浏览体验。

为此，在本说明书中，若服务器监测到一些创意实例的实例权重或是一些创意实例之间的关联权重在不断的提高，则随着提高次数的不断增加，每次提高的权重的幅度可以逐渐降低，以保证能够向用户推荐出合适展示形式的信息。

从上述方法可以看出，在信息推荐的过程中，服务器会将各创意实例的实例特征表示与创意实例之间的关联特征表示投射至高维空间，当服务器接收到推荐请求后在高维空间中检索与初始创意组合接近的其他创意组合，从而提高目标创意组合的探索效率，进而提高用户的使用体验，此外，服务器通过各创意实例的实例特征表示以及创意实例之间的关联特征表示对创意实例的实例权重以及创意实例之间的关联权重进行补偿，以此提高确定出的每个创意组合优先级的准确性，进而提高推荐信息的收益效果。

以上为本说明书的一个或多个实施信息推荐的方法，基于同样的思路，本说明书还提供了相应的信息推荐装置，如图3所示。

图3为本说明书提供的一种信息推荐装置的示意图，包括：

获取模块301，用于获取针对待推荐信息的初始创意组合，所述初始创意组合由归属于不同类的创意元素的创意实例构成；

构建模块302，用于根据确定出的所述初始创意组合中包含的各创意实例对应的实例特征表示，以及所述初始创意组合中包含的各创意实例之间的关联特征表示，从其他创意组合中搜索出各相关创意组合，并将所述初始创意组合以及所述各相关创意组合构建为创意组合集；

确定模块303，用于针对所述创意组合集中的每个创意组合，根据该创意组合中包含的各创意实例对应的实例权重，以及该创意组合中包含的各创意实例之间的关联权重，确定该创意组合对应的优先级；

推荐模块304，用于根据每个创意组合对应的优先级，从所述创意组合集中确定出目标创意组合，并按照所述目标创意组合对应的创意展示形式，向用户推荐所述待推荐信息。

可选地，所述确定模块303具体用于，将该创意组合中包含的每个创意实例作为不同的节点，按照预设的顺序，将该创意组合中包含的每个创意实例对应的节点进行连接，得到该创意组合对应的树结构；根据所述树结构中包含的各节点对应的实例权重，以及相邻节点之间的关联权重，确定该创意组合对应的优先级。

可选地，所述推荐模块304具体用于，根据每个创意组合对应的优先级，从所述创意组合集中选取出各候选创意组合；针对每个候选创意组合，将该候选创意组合以及推荐环境信息输入到预设的关联模型中，确定该候选创意组合在所述推荐环境信息下的优先级，所述推荐环境信息包括：所述用户对应的用户偏好以及所述用户获取所述待推荐信息所基于的场景信息中的至少一种；根据每个候选创意组合在所述推荐环境信息下的优先级，确定所述目标创意组合。

可选地，所述装置还包括：

更新模块305，用于根据监测到的所述用户针对所述待推荐信息的浏览情况，对所述目标创意组合中包含的各创意实例对应的实例权重，以及所述目标创意组合中包含的各创意实例之间的关联权重进行更新。

可选地，所述更新模块305具体用于，若根据监测到的所述用户针对所述待推荐信息的浏览情况，确定所述用户对所述待推荐信息执行了点击操作，提高所述目标创意组合中包含的各创意实例对应的实例权重，以及所述目标创意组合中包含的各创意实例之间的关联权重；若根据监测到的所述用户针对所述待推荐信息的浏览情况，确定所述用户对所述待推荐信息未执行点击操作，降低所述目标创意组合中包含的各创意实例对应的实例权重，以及所述目标创意组合中包含的各创意实例之间的关联权重。

可选地，所述构建模块302具体用于，将所述初始创意组合中包含的各创意实例输入到预先训练的特征学习模型，确定出所述初始创意组合中包含的各创意实例对应的实例特征表示，以及所述初始创意组合中包含的各创意实例之间的关联特征表示。

可选地，所述装置还包括：

训练模块306，用于获取历史推荐信息对应的历史目标创意组合以及历史推荐信息对应的浏览信息，所述浏览信息用于表征用户针对所述历史推荐信息的实际浏览情况；将所述历史目标创意组合中包含的各创意实例输入所述特征学习模型中，确定所述历史目标创意组合中包含的各创意实例对应的实例特征表示，以及所述历史目标创意组合中包含的各历史创意实例之间的关联特征表示；根据所述历史目标创意组合中包含的各创意实例对应的实例特征表示，以及所述历史目标创意组合中包含的各历史创意实例之间的关联特征表示，确定所述历史推荐信息以所述历史目标创意组合向用户推荐时的浏览情况，作为预估浏览情况；以最小化所述预估浏览情况与所述浏览信息对应的实际浏览情况之间的偏差为优化目标，对所述特征学习模型进行训练。

可选地，所述训练模块306具体用于，针对该创意组合中包含的每个创意实例，通过该创意实例对应的实例特征表示对该创意实例对应的实例权重进行补充，得到该创意实例对应的补偿实例权重，以及针对该创意组合中包含的任意两个创意实例，根据这两个创意实例对应的关联特征表示对这两个创意实例之间的关联权重进行补偿，得到这两个创意实例之间的补偿关联权重；

根据该创意组合中包含的每个创意实例对应的补偿实例权重，以及该创意组合中包含的各创意实例之间的补偿关联权重，确定该创意组合对应的优先级。

可选地，所述获取模块301具体用于，所述待推荐信息包括：待推荐广告，所述创意元素包括：广告模板、广告头图、广告补充信息中的至少两个。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种信息推荐的方法。

本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4所述，在硬件层面，该电子设备包括处理器、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1所述的信息推荐的方法。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 (12)

1.一种信息推荐的方法，其特征在于，包括：

获取针对待推荐信息的初始创意组合，所述初始创意组合由归属于不同类的创意元素的创意实例构成；

根据确定出的所述初始创意组合中包含的各创意实例对应的实例特征表示，以及所述初始创意组合中包含的各创意实例之间的关联特征表示，从其他创意组合中搜索出各相关创意组合，并将所述初始创意组合以及所述各相关创意组合构建为创意组合集；

针对所述创意组合集中的每个创意组合，根据该创意组合中包含的各创意实例对应的实例权重，以及该创意组合中包含的各创意实例之间的关联权重，确定该创意组合对应的优先级；

根据每个创意组合对应的优先级，从所述创意组合集中确定出目标创意组合，并按照所述目标创意组合对应的创意展示形式，向用户推荐所述待推荐信息。

2.如权利要求1所述的方法，其特征在于，根据该创意组合中包含的各创意实例对应的实例权重，以及该创意组合中包含的各创意实例之间的关联权重，确定该创意组合对应的优先级，具体包括：

将该创意组合中包含的每个创意实例作为不同的节点，按照预设的顺序，将该创意组合中包含的每个创意实例对应的节点进行连接，得到该创意组合对应的树结构；

根据所述树结构中包含的各节点对应的实例权重，以及相邻节点之间的关联权重，确定该创意组合对应的优先级。

3.如权利要求1所述的方法，其特征在于，根据每个创意组合对应的优先级，从所述创意组合集中确定出目标创意组合，具体包括：

根据每个创意组合对应的优先级，从所述创意组合集中选取出各候选创意组合；

针对每个候选创意组合，将该候选创意组合以及推荐环境信息输入到预设的关联模型中，确定该候选创意组合在所述推荐环境信息下的优先级，所述推荐环境信息包括：所述用户对应的用户偏好以及所述用户获取所述待推荐信息所基于的场景信息中的至少一种；

根据每个候选创意组合在所述推荐环境信息下的优先级，确定所述目标创意组合。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

根据监测到的所述用户针对所述待推荐信息的浏览情况，对所述目标创意组合中包含的各创意实例对应的实例权重，以及所述目标创意组合中包含的各创意实例之间的关联权重进行更新。

5.如权利要求4所述的方法，其特征在于，根据监测到的所述用户针对所述待推荐信息的浏览情况，对所述目标创意组合中包含的各创意实例对应的实例权重，以及所述目标创意组合中包含的各创意实例之间的关联权重进行更新，具体包括：

若根据监测到的所述用户针对所述待推荐信息的浏览情况，确定所述用户对所述待推荐信息执行了点击操作，提高所述目标创意组合中包含的各创意实例对应的实例权重，以及所述目标创意组合中包含的各创意实例之间的关联权重；

若根据监测到的所述用户针对所述待推荐信息的浏览情况，确定所述用户对所述待推荐信息未执行点击操作，降低所述目标创意组合中包含的各创意实例对应的实例权重，以及所述目标创意组合中包含的各创意实例之间的关联权重。

6.如权利要求1所述的方法，其特征在于，确定所述初始创意组合中包含的各创意实例对应的实例特征表示，以及所述初始创意组合中包含的各创意实例之间的关联特征表示，具体包括：

将所述初始创意组合中包含的各创意实例输入到预先训练的特征学习模型，确定出所述初始创意组合中包含的各创意实例对应的实例特征表示，以及所述初始创意组合中包含的各创意实例之间的关联特征表示。

7.如权利要求6所述的方法，其特征在于，训练所述特征学习模型，具体包括：

获取历史推荐信息对应的历史目标创意组合以及历史推荐信息对应的浏览信息，所述浏览信息用于表征用户针对所述历史推荐信息的实际浏览情况；

将所述历史目标创意组合中包含的各创意实例输入所述特征学习模型中，确定所述历史目标创意组合中包含的各创意实例对应的实例特征表示，以及所述历史目标创意组合中包含的各历史创意实例之间的关联特征表示；

根据所述历史目标创意组合中包含的各创意实例对应的实例特征表示，以及所述历史目标创意组合中包含的各历史创意实例之间的关联特征表示，确定所述历史推荐信息以所述历史目标创意组合向用户推荐时的浏览情况，作为预估浏览情况；

以最小化所述预估浏览情况与所述浏览信息对应的实际浏览情况之间的偏差为优化目标，对所述特征学习模型进行训练。

8.如权利要求7所述的方法，其特征在于，根据该创意组合中包含的各创意实例对应的实例权重，以及该创意组合中包含的各创意实例之间的关联权重，确定该创意组合对应的优先级，具体包括：

针对该创意组合中包含的每个创意实例，通过该创意实例对应的实例特征表示对该创意实例对应的实例权重进行补充，得到该创意实例对应的补偿实例权重，以及针对该创意组合中包含的任意两个创意实例，根据这两个创意实例对应的关联特征表示对这两个创意实例之间的关联权重进行补偿，得到这两个创意实例之间的补偿关联权重；

根据该创意组合中包含的每个创意实例对应的补偿实例权重，以及该创意组合中包含的各创意实例之间的补偿关联权重，确定该创意组合对应的优先级。

9.如权利要求1～8任一项所述的方法，其特征在于，所述待推荐信息包括：待推荐广告，所述创意元素包括：广告模板、广告头图、广告补充信息中的至少两个。

10.一种信息推荐的装置，其特征在于，包括：

获取模块，用于获取针对待推荐信息的初始创意组合，所述初始创意组合由归属于不同类的创意元素的创意实例构成；

构建模块，用于根据确定出的所述初始创意组合中包含的各创意实例对应的实例特征表示，以及所述初始创意组合中包含的各创意实例之间的关联特征表示，从其他创意组合中搜索出各相关创意组合，并将所述初始创意组合以及所述各相关创意组合构建为创意组合集；

确定模块，用于针对所述创意组合集中的每个创意组合，根据该创意组合中包含的各创意实例对应的实例权重，以及该创意组合中包含的各创意实例之间的关联权重，确定该创意组合对应的优先级；

推荐模块，用于根据每个创意组合对应的优先级，从所述创意组合集中确定出目标创意组合，并按照所述目标创意组合对应的创意展示形式，向用户推荐所述待推荐信息。

11.一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1～9任一项所述的方法。

12.一种电子设备，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1～9任一项所述的方法。

Images