CN116861079A - 一种基于用户长期偏好的排序推荐方法及其相关设备 - Google Patents

一种基于用户长期偏好的排序推荐方法及其相关设备 Download PDF

Info

Publication number
CN116861079A
CN116861079A CN202310778282.7A CN202310778282A CN116861079A CN 116861079 A CN116861079 A CN 116861079A CN 202310778282 A CN202310778282 A CN 202310778282A CN 116861079 A CN116861079 A CN 116861079A
Authority
CN
China
Prior art keywords
user
long
term
behavior
preference
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
CN202310778282.7A
Other languages
English (en)
Inventor
张倩
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310778282.7A priority Critical patent/CN116861079A/zh
Publication of CN116861079A publication Critical patent/CN116861079A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开一种基于用户长期偏好的排序推荐方法及其相关设备，属于人工智能技术领域和医疗产险领域。本申请通过获取用户长期行为序列，将用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好，获取候选推荐内容，并计算用户长期行为偏好和候选推荐内容的相似度，对用户实时行为序列中的用户行为进行动态加权，得到加权行为序列，将用户数据、候选推荐内容、相似度和加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果。此外，本申请还涉及区块链技术，用户数据可存储于区块链中。本申请通过结合用户长期行为偏好的特征和对实时行为进行加权实现综合推荐，可以提高推荐的个性化程度和准确性。

Description

一种基于用户长期偏好的排序推荐方法及其相关设备
技术领域
本申请属于人工智能技术领域和医疗产险领域，具体涉及一种基于用户长期偏好的排序推荐方法、装置、计算机设备及存储介质。
背景技术
医疗保险作为人们生活中重要的一部分，如何针对不同个体的医疗需求，推荐合适的保险产品，以提供更好的用户体验，是目前各个医疗保险企业亟待解决的问题。在当前的推荐场景中，为了吸引用户更多的访问并提供真正感兴趣的内容，希望能够尽可能地挖掘用户的偏好，为了更好地描绘用户的喜好，业界正在不断尝试各种方法，目前比较常见的方法是直接将用户的行为序列(id序列)输入排序模型，让模型自己去学习用户的偏好。
然而，这些方法都还存在一些问题需要解决。首先，受限于模型的性能，目前很多机器学习模型和深度学习模型只能处理有限长度的行为序列，如果用户的行为序列过长，训练和推理都会面临很大的困难。因此，一般情况下，会选择对近期的用户行为序列进行截取，以保证模型性能的前提下处理用户行为序列，但用户的短期偏好可能会随着热点的变动而改变，而用户的长期偏好往往更能够深入地反映一个人的喜好，而目前这种方式可能无法充分学习到用户的长期偏好，丢失了用户的长期行为数据特征，导致推荐结果出现偏差，严重影响用户使用体验。
发明内容
本申请实施例的目的在于提出一种基于用户长期偏好的排序推荐方法、装置、计算机设备及存储介质，以解决现有医疗保险产品的推荐方案存在的推荐结果不准确，严重影响用户使用体验的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于用户长期偏好的排序推荐方法，采用了如下所述的技术方案：
一种基于用户长期偏好的排序推荐方法，包括：
接收推荐指令，获取待推荐用户的用户数据和用户长期行为序列；
将所述用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好；
获取候选推荐内容，并计算所述用户长期行为偏好和所述候选推荐内容的相似度；
获取用户实时行为序列，并对所述用户实时行为序列中的用户行为进行动态加权，得到加权行为序列；
将所述用户数据、所述候选推荐内容、所述相似度和所述加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果。
进一步地，在所述将所述用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好之前，还包括：
收集历史行为数据，并对所述历史行为数据进行数据集划分，得到训练数据集和验证数据集，其中，所述历史行为数据包括用户历史长期行为序列和用户历史短期行为序列；
基于所述训练数据集对预设的初始预测模型进行模型训练，得到训练完成的长期偏好预测模型；
基于所述验证数据集对练完成的长期偏好预测模型进行模型验证，输出通过模型验证的所述长期偏好预测模型。
进一步地，所述预设的初始预测模型为双塔模型，所述双塔模型由两个并行的神经网络组成，所述基于所述训练数据集对预设的初始预测模型进行模型训练，得到训练完成的长期偏好预测模型，具体包括：
将所述训练数据集中的用户历史长期行为序列输入所述初始预测模型的第一神经网络，得到历史长期行为特征；
将所述训练数据集中的用户历史短期行为序列输入所述初始预测模型的第二神经网络，得到历史短期行为特征；
计算所述历史长期行为特征和所述历史短期行为特征的相似度，得到历史长短期行为特征相似度；
基于所述历史长短期行为特征相似度对所述历史长期行为特征和所述历史短期行为特征进行拟合，得到行为特征拟合结果；
基于所述行为特征拟合结果对所述初始预测模型进行迭代更新，直至模型拟合，得到训练完成的长期偏好预测模型。
进一步地，所述长期偏好预测模型输出的用户长期行为偏好为长期行为偏好特征向量，所述获取候选推荐内容，并计算所述用户长期行为偏好和所述候选推荐内容的相似度，具体包括：
获取所述候选推荐内容，并对所述候选推荐内容进行特征表示，得到候选内容特征向量；
将所述长期行为偏好特征向量和所述候选内容特征向量映射至相同的特征空间；
在所述特征空间中计算所述长期行为偏好特征向量和所述候选内容特征向量的余弦相似度，得到所述用户长期行为偏好和所述候选推荐内容的相似度。
进一步地，所述获取用户实时行为序列，并对所述用户实时行为序列中的用户行为进行动态加权，得到加权行为序列，具体包括：
对所述用户实时行为序列进行解析，获取所述用户实时行为序列中的用户行为ID；
确定所述用户行为ID在所述用户实时行为序列中的次序信息；
将所述用户行为ID和所述用户行为ID在所述用户实时行为序列中的次序信息输入到预设的transformer网络中；
基于所述transformer网络对所述用户实时行为序列中的用户行为进行赋权，得到所述加权行为序列。
进一步地，所述确定所述用户行为ID在所述用户实时行为序列中的次序信息，具体包括：
确定所述用户行为ID对应的用户行为的触发时间，得到第一时间；
获取当前系统时间，得到第二时间；
计算所述第一时间和所述第二时间之间的时间差值，并将所述时间差值作为所述用户行为ID在所述用户实时行为序列中的次序信息。
进一步地，在所述将所述用户数据、所述候选推荐内容、所述相似度和所述加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果之后，还包括：
基于所述用户数据访问用户终端，并获取所述用户终端的位置敏感信息，其中，所述位置敏感信息影响所述候选推荐内容在所述用户终端的显示器的显示位置；
将所述位置敏感信息导入预设的浅层网络中，通过所述位置敏感信息使用所述浅层网络计算所述候选推荐内容的位置偏差；
基于所述位置偏差对所述排序推荐结果中候选推荐内容进行调整，得到最终推荐结果。
为了解决上述技术问题，本申请实施例还提供一种基于用户长期偏好的排序推荐装置，采用了如下所述的技术方案：
一种基于用户长期偏好的排序推荐装置，包括：
数据获取模块，用于接收推荐指令，获取待推荐用户的用户数据和用户长期行为序列；
偏好预测模块，用于将所述用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好；
相似度计算模块，用于获取候选推荐内容，并计算所述用户长期行为偏好和所述候选推荐内容的相似度；
动态加权模块，用于获取用户实时行为序列，并对所述用户实时行为序列中的用户行为进行动态加权，得到加权行为序列；
排序推荐模块，用于将所述用户数据、所述候选推荐内容、所述相似度和所述加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述任一项所述的基于用户长期偏好的排序推荐方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述中任一项所述的基于用户长期偏好的排序推荐方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请公开一种基于用户长期偏好的排序推荐方法及其相关设备，属于人工智能技术领域和医疗产险领域。本申请通过接收推荐指令，获取待推荐用户的用户数据和用户长期行为序列，将用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好，获取候选推荐内容，并计算用户长期行为偏好和候选推荐内容的相似度，获取用户实时行为序列，并对用户实时行为序列中的用户行为进行动态加权，得到加权行为序列，将用户数据、候选推荐内容、相似度和加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果。本申请通过使用了长期偏好预测模型和排序推荐模型，结合用户长期行为偏好的特征和对实时行为进行加权实现综合推荐，以提供更符合用户兴趣和偏好的推荐结果，通过考虑用户的长期喜好和实时行为，可以提高推荐的个性化程度和准确性。此外，本申请还通过位置敏感信息使计算用户终端中候选推荐内容的位置偏差，基于位置偏差进一步调整推荐结果，进一步提高推荐的个性化程度和准确性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请可以应用于其中的示例性系统架构图；
图2示出了根据本申请的基于用户长期偏好的排序推荐方法的一个实施例的流程图；
图3示出了根据本申请的基于用户长期偏好的排序推荐装置的一个实施例的结构示意图；
图4示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，服务器可以是独立的服务器，也可以是提供云服务、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、内容分发网络(Content Delivery Network，CDN)、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。
需要说明的是，本申请实施例所提供的基于用户长期偏好的排序推荐方法一般由服务器执行，相应地，基于用户长期偏好的排序推荐装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于用户长期偏好的排序推荐方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在内容推荐场景中，受限于模型的性能，目前很多机器学习模型和深度学习模型只能处理有限长度的行为序列，如果用户的行为序列过长，训练和推理都会面临很大的困难。因此，一般情况下，会选择对近期的用户行为序列进行截取，以保证模型性能的前提下处理用户行为序列，但用户的短期偏好可能会随着热点的变动而改变，而用户的长期偏好往往更能够深入地反映一个人的喜好，而对近期的用户行为序列进行截取的这种方式可能无法充分学习到用户的长期偏好，丢失了用户的长期行为数据特征，导致推荐结果出现偏差，严重影响用户使用体验。
为了解决上述技术问题，本申请公开一种基于用户长期偏好的排序推荐方法及其相关设备，属于人工智能技术领域和医疗产险领域，本申请通过使用了长期偏好预测模型和排序推荐模型，通过拟合用户长期行为序列和短期行为序列的方式获取用户长期行为偏好，相比对近期的用户行为序列进行截取的方式，能够避免用户行为特征丢失，通过结合用户长期行为偏好的特征和对实时行为进行加权实现综合推荐，以提供更符合用户兴趣和偏好的推荐结果，通过考虑用户的长期喜好和实时行为，可以提高推荐的个性化程度和准确性。
同时，考虑到推荐场景下还存在一些典型的偏差，比如位置偏差，即用户会倾向于选择展示列表中位置比较靠前的项目进行交互，所以本申请还通过位置敏感信息使计算用户终端中候选推荐内容的位置偏差，基于位置偏差进一步调整推荐结果，进一步提高推荐的个性化程度和准确性。
所述的基于用户长期偏好的排序推荐方法，包括以下步骤：
S201，接收推荐指令，获取待推荐用户的用户数据和用户长期行为序列。
在本实施例中，当服务器接收到推荐指令后，确定推荐指令对应的待推荐用户，并获取待推荐用户的用户数据和用户长期行为序列。用户数据包括用户基本信息，如用户ID、用户姓名、性别、年龄等等。用户长期行为序列是指待推荐用户在一段时间内的行为记录，可以包括用户的浏览、购买、评论、收藏等操作，这些行为记录反映了用户的兴趣、偏好和行为习惯，可以用于推测用户的长期行为偏好。
举例来说，假设某个用户在过去一年的时间里使用了一个电子商务平台。他的长期行为序列可能包括以下行为记录：
浏览记录：用户在电子商务平台上浏览了多个商品的详情页面，例如浏览了手机、电视、衣服等。
购买记录：用户在电子商务平台上购买了一些商品，例如购买了一部手机、一台电视和几件衣服。
收藏记录：用户在电子商务平台上收藏了一些商品，例如收藏了几款手机和电视。
评论记录：用户在电子商务平台上对购买的商品进行了评论，例如对手机和电视进行了评价和反馈。
以上行为记录构成了用户的长期行为序列，通过分析这些行为记录，可以推测用户对不同类型商品的偏好和兴趣。例如，如果用户经常浏览手机相关的页面，购买了多部手机，并对手机进行了评论，那么可以推测该用户对手机的长期行为偏好较高，这些推测可以用于个性化推荐，为用户提供更符合其长期兴趣的推荐内容。
S202，将用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好。
预先训练好的长期偏好预测模型为为双塔模型，双塔模型由两个并行的神经网络组成，每个塔接收不同类型的输入序列，一侧的塔接收用户的长期行为序列作为输入，另一侧的塔接收用户的短期行为序列作为输入。在每个塔中，利用适当的神经网络结构(如循环神经网络、卷积神经网络等)对输入序列进行特征提取，通过多层网络结构，模型可以学习到用户行为序列中的时间依赖性和上下文信息。双塔模型的目标是将用户的长期行为序列和短期行为序列分别进行建模，以使用户的长期行为序列与短期行为序列尽可能相近，而使用户的长期行为序列与其他用户的短期行为序列尽可能远，通过上述目标持续迭代双塔模型，当双塔模型完成迭代后，获得长期偏好预测的能力，即完成训练的长期偏好预测模型。
在本实施例中，获取待推荐用户的短期行为序列，将用户长期行为序列和短期行为序列分别输入到预先训练好的长期偏好预测模型的两侧输入中，获取长期偏好预测模型输出的用户长期行为偏好，其中，长期偏好预测模型输出的用户长期行为偏好为长期行为偏好特征向量embedding。
需要说明的是，用户的短期行为序列为用户最新的K个行为集合，而用户的长期行为序列，对于行为较少的用户则为除K个短期行为以外的其他行为集合。而对于行为较多的用户，则是针对除K个短期行为以外的其他序列，并按照行为停留时长进行行为采样，以采样的行为序列作为该用户的长期行为序列。同时，考虑到用户所发生各种行为对其喜好的影响程度不同，比如，相比于点击和停留，收藏、加入购物车或购买等行为往往表征了用户更深的喜好，所以用户所发生进一步，比如购买的行为，会优先加入到上述用户长期偏好序列中，作为用户最终的长期偏好序列。
在本申请具体的实施例中，长期偏好预测模型是以预定时间定期获取用户的用户长期行为序列和短期行为序列进行处理，如每日进行更新等，可以实现离线每日更新用户长期偏好的embedding，存入相关存储元件例如redis中即可。这样将用户长期偏好被抽象为低维度的embedding，并且离线的存储用户embedding的方式，不受限于实时推测，也极大的提升了在线预测的性能。
进一步地，在将用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好之前，还包括：
收集历史行为数据，并对历史行为数据进行数据集划分，得到训练数据集和验证数据集，其中，历史行为数据包括用户历史长期行为序列和用户历史短期行为序列；
基于训练数据集对预设的初始预测模型进行模型训练，得到训练完成的长期偏好预测模型；
基于验证数据集对练完成的长期偏好预测模型进行模型验证，输出通过模型验证的长期偏好预测模型。
在本实施例中，首先需要收集用户的历史行为数据，包括长期行为序列和短期行为序列，长期行为序列是指用户过去一段时间内的行为记录，例如浏览历史、购买记录等，短期行为序列是指用户最近的行为记录，可以反映用户当前的兴趣和偏好。
将收集到的历史行为数据按照预设的数据比例进行数据集划分，如按照9:1的比例进行数据集划分，通常会划分为训练数据集和验证数据集，训练数据集用于长期偏好预测模型的训练，验证数据集用于长期偏好预测模型的验证，划分数据集可以确保模型的泛化能力，并防止过拟合。
将训练数据集输入到预设的初始预测模型中，通过训练数据集对模型进行训练，以得到训练完成的长期偏好预测模型，在训练过程中，将用户的长期行为序列和短期行为序列分别进行建模，以使用户的长期行为序列与短期行为序列尽可能相近，而使用户的长期行为序列与其他用户的短期行为序列尽可能远，以提高长期偏好预测准确度。
通过将验证数据集输入到模型中，并对模型的预测结果进行比较和评估，可以评估模型的性能和准确度，通过模型验证，可以选择最优的长期偏好预测模型，以用于后续的用户长期偏好预测。
进一步地，预设的初始预测模型为双塔模型，双塔模型由两个并行的神经网络组成，基于训练数据集对预设的初始预测模型进行模型训练，得到训练完成的长期偏好预测模型，具体包括：
将训练数据集中的用户历史长期行为序列输入初始预测模型的第一神经网络，得到历史长期行为特征；
将训练数据集中的用户历史短期行为序列输入初始预测模型的第二神经网络，得到历史短期行为特征；
计算历史长期行为特征和历史短期行为特征的相似度，得到历史长短期行为特征相似度；
基于历史长短期行为特征相似度对历史长期行为特征和历史短期行为特征进行拟合，得到行为特征拟合结果；
基于行为特征拟合结果对初始预测模型进行迭代更新，直至模型拟合，得到训练完成的长期偏好预测模型。
双塔模型是一种常见的模型架构，用于用户长期行为序列和短期行为序列之间的关系，以便进行用户长期偏好预测，它由两个相似的塔(tower)组成，分别是长期行为处理塔和短期行为处理塔。长期行为处理塔和短期行为处理塔在结构上是对称的，它们都由多个层次的神经网络组成，这些神经网络可以是全连接神经网络、卷积神经网络(CNN)或循环神经网络(RNN)，具体根据实际应用场景和数据特点而定。
在双塔模型中，用户的长期行为序列和短期行为序列被映射到特征空间中，可以使用余弦相似度、欧氏距离等度量方法，衡量用户的长期行为序列和短期行为序列之间的相似性，以及用户的长期行为序列与其他用户的短期行为序列之间的差异性。
为了训练双塔模型，需要定义适当的损失函数，在本申请一种具体的实施例中，一种常见的损失函数是对比损失函数，其中正样本是用户的长期行为序列和短期行为序列，负样本是用户的长期行为序列和其他用户的短期行为序列，通过最小化正样本之间的距离和最大化负样本之间的距离，可以促使模型学习到用户的长期偏好。
在本实施例中，将训练数据集中的用户历史长期行为序列输入初始预测模型的第一神经网络，得到历史长期行为特征，将训练数据集中的用户历史短期行为序列输入初始预测模型的第二神经网络，得到历史短期行为特征，计算历史长期行为特征和历史短期行为特征的余弦相似度，得到历史长短期行为特征相似度，基于历史长短期行为特征相似度对历史长期行为特征和历史短期行为特征进行拟合，得到行为特征拟合结果，基于行为特征拟合结果对初始预测模型进行迭代更新，直至模型拟合，得到训练完成的长期偏好预测模型。
S203，获取候选推荐内容，并计算用户长期行为偏好和候选推荐内容的相似度。
在本实施例中，长期偏好预测模型输出的用户长期行为偏好为长期行为偏好特征向量embedding，在得到偏好特征向量embedding后，获取候选推荐内容，并通过预训练过的bert生成各个候选推荐内容的embedding，即候选内容特征向量embedding，计算长期行为偏好特征向量embedding和即候选内容特征向量embedding的余弦相似度，并将该余弦相似度作为排序推荐模型的一个输入，以便对候选推荐内容进行排序预测。
需要说明的是，也可以预先通过离线的方式，得出所有候选推荐内容的embedding，并存储在redis中，在进行排序推荐预测的时候，只需要根据候选推荐内容id即可在redis中获取该内容的embedding，输入排序推荐模型进行后续排序的推测。
进一步地，长期偏好预测模型输出的用户长期行为偏好为长期行为偏好特征向量，获取候选推荐内容，并计算用户长期行为偏好和候选推荐内容的相似度，具体包括：
获取候选推荐内容，并对候选推荐内容进行特征表示，得到候选内容特征向量；
将长期行为偏好特征向量和候选内容特征向量映射至相同的特征空间；
在特征空间中计算长期行为偏好特征向量和候选内容特征向量的余弦相似度，得到用户长期行为偏好和候选推荐内容的相似度。
在本实施例中，获取候选推荐内容，并利用预训练过的bert模型对候选推荐内容进行特征表示，得到候选内容特征向量embedding，将长期行为偏好特征向量embedding和候选内容特征向量embedding映射至相同的特征空间，在特征空间中计算长期行为偏好特征向量embedding和候选内容特征向量embedding的余弦相似度，得到用户长期行为偏好和候选推荐内容的相似度，即cosine相似度，将cosine相似度作为排序推荐模型的一个输入。
S204，获取用户实时行为序列，并对用户实时行为序列中的用户行为进行动态加权，得到加权行为序列。
在本实施例中，上述cosine相似度主要是衡量用户长期偏好和内容之间的相似度，在实时推荐场景下，在进行内容推荐时，还需要考虑用到的实时短期兴趣偏好，考虑到用户实时行为序列中不同内容的相互影响和重要程度，因此，需要获取用户实时行为序列，并对用户实时行为序列中的用户行为进行动态加权，得到加权行为序列，加权行为序列作为排序推荐模型的另一个输入。
进一步地，获取用户实时行为序列，并对用户实时行为序列中的用户行为进行动态加权，得到加权行为序列，具体包括：
对用户实时行为序列进行解析，获取用户实时行为序列中的用户行为ID；
确定用户行为ID在用户实时行为序列中的次序信息；
将用户行为ID和用户行为ID在用户实时行为序列中的次序信息输入到预设的transformer网络中；
基于transformer网络对用户实时行为序列中的用户行为进行赋权，得到加权行为序列。
动态加权过程可以由transformer网络实现，Transformer模型由多个注意力机制和前馈神经网络组成，可以考虑使用Transformer的编码器部分，注意力机制能够对行为序列中不同行为进行动态加权，捕捉行为之间的关系和重要程度。
transformer层的输入为实时行为序列中每一个用户行为的ID特征和每一个用户行为对应的次序信息。每个用户行为都有一个唯一的标识符(ID)，用于区分不同的行为。在实时行为序列中，ID特征表示的是行为对应的内容的标识符，例如，一个点击行为可能对应着某篇文章的ID，一个购买行为可能对应着某个产品的ID。在实时行为序列中，次序信息表示的是行为发生的相对顺序或时间间隔，一种常见的表示方法是使用时间戳来计算相邻行为之间的时间差，次序信息可以帮助模型理解行为的时间顺序和间隔，从而对行为序列进行动态加权。
在本实施例中，将ID特征embedding和次序信息特征embedding进行拼接，并将拼接embedding输入到预设的transformer网络中，基于transformer的注意力机制和前馈神经网络对用户实时行为序列中的用户行为进行赋权，得到加权行为序列。
需要说明的，本申请中的序列信息对应与Transformer模型中的位置信息，Transformer模型是一种自注意力模型，完全采用Attention实现数据处理，因此在Transformer模型中位置编码(Positional Encoding)非常重要，有必要把词序信号加到内容向量上帮助Transformer模型学习这些信息，因此，在上述处理过程中，需要确定用户行为ID在用户实时行为序列中的次序信息，并将次序信息作为transformer层的一路输入。
进一步地，确定用户行为ID在用户实时行为序列中的次序信息，具体包括：
确定用户行为ID对应的用户行为的触发时间，得到第一时间；
获取当前系统时间，得到第二时间；
计算第一时间和第二时间之间的时间差值，并将时间差值作为用户行为ID在用户实时行为序列中的次序信息。
在本实施例中，服务器通过用户行为ID，可以从用户实时行为序列中找到相应的用户行为，然后确定该用户行为的触发时间，即第一时间，获取系统当前的时间，即第二时间，通过对第一时间和第二时间进行计算，可以得到时间差值，可以使用常见的时间差计算方法来实现，比如使用日期时间库中提供的函数，将时间差值作为次序信息，可以为用户行为ID在用户实时行为序列中确定其相对顺序，表示行为发生的时间间隔或时间顺序，提供有关行为序列的动态加权信息。
S205，将用户数据、候选推荐内容、相似度和加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果。
在本实施例中，预先训练好的排序推荐模型采用DNN深度神经网络的架构，其中，排序推荐模型共有4路输入，分别是用户数据、候选推荐内容、相似度和加权行为序列，DNN深度神经网络会分别对这4路输入数据进行学习和计算，生成内容推荐结果，并按照用户的可能兴趣程度进行排序。
在上述实施例中，本申请公开一种基于用户长期偏好的排序推荐方法，属于人工智能技术领域和医疗产险领域。本申请通过接收推荐指令，获取待推荐用户的用户数据和用户长期行为序列，将用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好，获取候选推荐内容，并计算用户长期行为偏好和候选推荐内容的相似度，获取用户实时行为序列，并对用户实时行为序列中的用户行为进行动态加权，得到加权行为序列，将用户数据、候选推荐内容、相似度和加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果。本申请通过使用了长期偏好预测模型和排序推荐模型，结合用户长期行为偏好的特征和对实时行为进行加权实现综合推荐，以提供更符合用户兴趣和偏好的推荐结果，通过考虑用户的长期喜好和实时行为，可以提高推荐的个性化程度和准确性。
进一步地，在将用户数据、候选推荐内容、相似度和加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果之后，还包括：
基于用户数据访问用户终端，并获取用户终端的位置敏感信息，其中，位置敏感信息影响候选推荐内容在用户终端的显示器的显示位置；
将位置敏感信息导入预设的浅层网络中，通过位置敏感信息使用浅层网络计算候选推荐内容的位置偏差；
基于位置偏差对排序推荐结果中候选推荐内容进行调整，得到最终推荐结果。
在推荐场景中，位置偏差指的是用户倾向于选择展示列表中位置较靠前的项目进行交互的行为，由于展示列表的排列顺序可能会对用户的点击行为产生影响，位置偏差可能导致推荐结果不够准确，使得靠前位置的项目更容易被点击，而忽略了后面位置的内容。
为了减小位置偏差的影响，本申请通一个两层的MLP浅层网络学习位置偏差信息，并将其作为主模型最终预测的一个偏差项，利用该偏差项在排序推荐模型的输出层实现对排序推荐结果中候选推荐内容进行进一步地调整，以得到最终推荐结果。
在本实施例中，基于用户数据访问用户终端，并获取用户终端的位置敏感信息，其中，位置敏感信息影响候选推荐内容在用户终端的显示器的显示位置，比如展示的索引index(即内容在展示列表中的位置)、手机系统(iOS或Android)、手机型号(不同的型号可能能展示的数目及位置有不同)等，将上述位置敏感信息导入预设的浅层网络中，通过位置敏感信息使用浅层网络计算候选推荐内容的位置偏差，浅层网络会输出一个位置偏差的估计值，根据位置偏差的估计值，对排序结果中的项目进行调整，使得位置较靠后的项目有机会在最终推荐结果中获得更高的权重。
在上述实施例中，本申请还通过位置敏感信息使计算用户终端中候选推荐内容的位置偏差，通过学习和利用位置偏差信息，可以更精确地调整推荐结果，减小位置带来的偏差，提高推荐的准确性，可以让推荐系统更关注内容质量和用户喜好本身，而不仅仅受限于位置影响，基于位置偏差进一步调整推荐结果，进一步提高推荐的个性化程度和准确性。
在本实施例中，基于用户长期偏好的排序推荐方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收指令或者获取数据。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要强调的是，为进一步保证上述用户数据访的私密和安全性，上述用户数据访还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于用户长期偏好的排序推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于用户长期偏好的排序推荐装置300，包括：
数据获取模块301，用于接收推荐指令，获取待推荐用户的用户数据和用户长期行为序列；
偏好预测模块302，用于将用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好；
相似度计算模块303，用于获取候选推荐内容，并计算用户长期行为偏好和候选推荐内容的相似度；
动态加权模块304，用于获取用户实时行为序列，并对用户实时行为序列中的用户行为进行动态加权，得到加权行为序列；
排序推荐模块305，用于将用户数据、候选推荐内容、相似度和加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果。
进一步地，基于用户长期偏好的排序推荐装置300还包括：
数据集划分模块，用于收集历史行为数据，并对历史行为数据进行数据集划分，得到训练数据集和验证数据集，其中，历史行为数据包括用户历史长期行为序列和用户历史短期行为序列；
模型训练模块，用于基于训练数据集对预设的初始预测模型进行模型训练，得到训练完成的长期偏好预测模型；
模型验证模块，用于基于验证数据集对练完成的长期偏好预测模型进行模型验证，输出通过模型验证的长期偏好预测模型。
进一步地，预设的初始预测模型为双塔模型，双塔模型由两个并行的神经网络组成，模型训练模块具体包括：
长期行为特征单元，用于将训练数据集中的用户历史长期行为序列输入初始预测模型的第一神经网络，得到历史长期行为特征；
短期行为特征单元，用于将训练数据集中的用户历史短期行为序列输入初始预测模型的第二神经网络，得到历史短期行为特征；
特征相似度单元，用于计算历史长期行为特征和历史短期行为特征的相似度，得到历史长短期行为特征相似度；
特征拟合单元，用于基于历史长短期行为特征相似度对历史长期行为特征和历史短期行为特征进行拟合，得到行为特征拟合结果；
迭代更新单元，用于基于行为特征拟合结果对初始预测模型进行迭代更新，直至模型拟合，得到训练完成的长期偏好预测模型。
进一步地，长期偏好预测模型输出的用户长期行为偏好为长期行为偏好特征向量，相似度计算模块303，具体包括：
内容特征提取单元，用于获取候选推荐内容，并对候选推荐内容进行特征表示，得到候选内容特征向量；
特征向量映射单元，用于将长期行为偏好特征向量和候选内容特征向量映射至相同的特征空间；
余弦相似度计算单元，用于在特征空间中计算长期行为偏好特征向量和候选内容特征向量的余弦相似度，得到用户长期行为偏好和候选推荐内容的相似度。
进一步地，动态加权模块304具体包括：
行为ID获取单元，用于对用户实时行为序列进行解析，获取用户实时行为序列中的用户行为ID；
次序信息获取单元，用于确定用户行为ID在用户实时行为序列中的次序信息；
加权信息输入单元，用于将用户行为ID和用户行为ID在用户实时行为序列中的次序信息输入到预设的transformer网络中；
动态加权单元，用于基于transformer网络对用户实时行为序列中的用户行为进行赋权，得到加权行为序列。
进一步地，次序信息获取单元具体包括：
第一时间子单元，用于确定用户行为ID对应的用户行为的触发时间，得到第一时间；
第二时间子单元，用于获取当前系统时间，得到第二时间；
时间差值计算子单元，用于计算第一时间和第二时间之间的时间差值，并将时间差值作为用户行为ID在用户实时行为序列中的次序信息。
进一步地，基于用户长期偏好的排序推荐装置300还包括：
位置敏感信息获取模块，用于基于用户数据访问用户终端，并获取用户终端的位置敏感信息，其中，位置敏感信息影响候选推荐内容在用户终端的显示器的显示位置；
位置偏差计算模块，用于将位置敏感信息导入预设的浅层网络中，通过位置敏感信息使用浅层网络计算候选推荐内容的位置偏差；
候选推荐内容调整模块，用于基于位置偏差对排序推荐结果中候选推荐内容进行调整，得到最终推荐结果。
在上述实施例中，本申请公开一种基于用户长期偏好的排序推荐装置，属于人工智能技术领域和医疗产险领域。本申请通过接收推荐指令，获取待推荐用户的用户数据和用户长期行为序列，将用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好，获取候选推荐内容，并计算用户长期行为偏好和候选推荐内容的相似度，获取用户实时行为序列，并对用户实时行为序列中的用户行为进行动态加权，得到加权行为序列，将用户数据、候选推荐内容、相似度和加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果。本申请通过使用了长期偏好预测模型和排序推荐模型，结合用户长期行为偏好的特征和对实时行为进行加权实现综合推荐，以提供更符合用户兴趣和偏好的推荐结果，通过考虑用户的长期喜好和实时行为，可以提高推荐的个性化程度和准确性。此外，本申请还通过位置敏感信息使计算用户终端中候选推荐内容的位置偏差，基于位置偏差进一步调整推荐结果，进一步提高推荐的个性化程度和准确性。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于用户长期偏好的排序推荐方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于用户长期偏好的排序推荐方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
在上述实施例中，本申请公开一种计算机设备，属于人工智能技术领域和医疗产险领域。本申请通过接收推荐指令，获取待推荐用户的用户数据和用户长期行为序列，将用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好，获取候选推荐内容，并计算用户长期行为偏好和候选推荐内容的相似度，获取用户实时行为序列，并对用户实时行为序列中的用户行为进行动态加权，得到加权行为序列，将用户数据、候选推荐内容、相似度和加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果。本申请通过使用了长期偏好预测模型和排序推荐模型，结合用户长期行为偏好的特征和对实时行为进行加权实现综合推荐，以提供更符合用户兴趣和偏好的推荐结果，通过考虑用户的长期喜好和实时行为，可以提高推荐的个性化程度和准确性。此外，本申请还通过位置敏感信息使计算用户终端中候选推荐内容的位置偏差，基于位置偏差进一步调整推荐结果，进一步提高推荐的个性化程度和准确性。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于用户长期偏好的排序推荐方法的步骤。
在上述实施例中，本申请公开一种计算机可读存储介质，属于人工智能技术领域和医疗产险领域。本申请通过接收推荐指令，获取待推荐用户的用户数据和用户长期行为序列，将用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好，获取候选推荐内容，并计算用户长期行为偏好和候选推荐内容的相似度，获取用户实时行为序列，并对用户实时行为序列中的用户行为进行动态加权，得到加权行为序列，将用户数据、候选推荐内容、相似度和加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果。本申请通过使用了长期偏好预测模型和排序推荐模型，结合用户长期行为偏好的特征和对实时行为进行加权实现综合推荐，以提供更符合用户兴趣和偏好的推荐结果，通过考虑用户的长期喜好和实时行为，可以提高推荐的个性化程度和准确性。此外，本申请还通过位置敏感信息使计算用户终端中候选推荐内容的位置偏差，基于位置偏差进一步调整推荐结果，进一步提高推荐的个性化程度和准确性。
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设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请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申请，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。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于用户长期偏好的排序推荐方法，其特征在于，包括：
接收推荐指令，获取待推荐用户的用户数据和用户长期行为序列；
将所述用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好；
获取候选推荐内容，并计算所述用户长期行为偏好和所述候选推荐内容的相似度；
获取用户实时行为序列，并对所述用户实时行为序列中的用户行为进行动态加权，得到加权行为序列；
将所述用户数据、所述候选推荐内容、所述相似度和所述加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果。
2.如权利要求1所述的基于用户长期偏好的排序推荐方法，其特征在于，在所述将所述用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好之前，还包括：
收集历史行为数据，并对所述历史行为数据进行数据集划分，得到训练数据集和验证数据集，其中，所述历史行为数据包括用户历史长期行为序列和用户历史短期行为序列；
基于所述训练数据集对预设的初始预测模型进行模型训练，得到训练完成的长期偏好预测模型；
基于所述验证数据集对练完成的长期偏好预测模型进行模型验证，输出通过模型验证的所述长期偏好预测模型。
3.如权利要求2所述的基于用户长期偏好的排序推荐方法，其特征在于，所述预设的初始预测模型为双塔模型，所述双塔模型由两个并行的神经网络组成，所述基于所述训练数据集对预设的初始预测模型进行模型训练，得到训练完成的长期偏好预测模型，具体包括：
将所述训练数据集中的用户历史长期行为序列输入所述初始预测模型的第一神经网络，得到历史长期行为特征；
将所述训练数据集中的用户历史短期行为序列输入所述初始预测模型的第二神经网络，得到历史短期行为特征；
计算所述历史长期行为特征和所述历史短期行为特征的相似度，得到历史长短期行为特征相似度；
基于所述历史长短期行为特征相似度对所述历史长期行为特征和所述历史短期行为特征进行拟合，得到行为特征拟合结果；
基于所述行为特征拟合结果对所述初始预测模型进行迭代更新，直至模型拟合，得到训练完成的长期偏好预测模型。
4.如权利要求1所述的基于用户长期偏好的排序推荐方法，其特征在于，所述长期偏好预测模型输出的用户长期行为偏好为长期行为偏好特征向量，所述获取候选推荐内容，并计算所述用户长期行为偏好和所述候选推荐内容的相似度，具体包括：
获取所述候选推荐内容，并对所述候选推荐内容进行特征表示，得到候选内容特征向量；
将所述长期行为偏好特征向量和所述候选内容特征向量映射至相同的特征空间；
在所述特征空间中计算所述长期行为偏好特征向量和所述候选内容特征向量的余弦相似度，得到所述用户长期行为偏好和所述候选推荐内容的相似度。
5.如权利要求1所述的基于用户长期偏好的排序推荐方法，其特征在于，所述获取用户实时行为序列，并对所述用户实时行为序列中的用户行为进行动态加权，得到加权行为序列，具体包括：
对所述用户实时行为序列进行解析，获取所述用户实时行为序列中的用户行为ID；
确定所述用户行为ID在所述用户实时行为序列中的次序信息；
将所述用户行为ID和所述用户行为ID在所述用户实时行为序列中的次序信息输入到预设的transformer网络中；
基于所述transformer网络对所述用户实时行为序列中的用户行为进行赋权，得到所述加权行为序列。
6.如权利要求5所述的基于用户长期偏好的排序推荐方法，其特征在于，所述确定所述用户行为ID在所述用户实时行为序列中的次序信息，具体包括：
确定所述用户行为ID对应的用户行为的触发时间，得到第一时间；
获取当前系统时间，得到第二时间；
计算所述第一时间和所述第二时间之间的时间差值，并将所述时间差值作为所述用户行为ID在所述用户实时行为序列中的次序信息。
7.如权利要求1所述的基于用户长期偏好的排序推荐方法，其特征在于，在所述将所述用户数据、所述候选推荐内容、所述相似度和所述加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果之后，还包括：
基于所述用户数据访问用户终端，并获取所述用户终端的位置敏感信息，其中，所述位置敏感信息影响所述候选推荐内容在所述用户终端的显示器的显示位置；
将所述位置敏感信息导入预设的浅层网络中，通过所述位置敏感信息使用所述浅层网络计算所述候选推荐内容的位置偏差；
基于所述位置偏差对所述排序推荐结果中候选推荐内容进行调整，得到最终推荐结果。
8.一种基于用户长期偏好的排序推荐装置，其特征在于，包括：
数据获取模块，用于接收推荐指令，获取待推荐用户的用户数据和用户长期行为序列；
偏好预测模块，用于将所述用户长期行为序列输入到预先训练好的长期偏好预测模型，得到用户长期行为偏好；
相似度计算模块，用于获取候选推荐内容，并计算所述用户长期行为偏好和所述候选推荐内容的相似度；
动态加权模块，用于获取用户实时行为序列，并对所述用户实时行为序列中的用户行为进行动态加权，得到加权行为序列；
排序推荐模块，用于将所述用户数据、所述候选推荐内容、所述相似度和所述加权行为序列输入到预先训练好的排序推荐模型，得到排序推荐结果。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于用户长期偏好的排序推荐方法的步骤。
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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于用户长期偏好的排序推荐方法的步骤。
CN202310778282.7A 2023-06-29 2023-06-29 一种基于用户长期偏好的排序推荐方法及其相关设备 Pending CN116861079A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310778282.7A CN116861079A (zh) 2023-06-29 2023-06-29 一种基于用户长期偏好的排序推荐方法及其相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310778282.7A CN116861079A (zh) 2023-06-29 2023-06-29 一种基于用户长期偏好的排序推荐方法及其相关设备

Publications (1)

Publication Number Publication Date
CN116861079A true CN116861079A (zh) 2023-10-10

Family

ID=88233330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310778282.7A Pending CN116861079A (zh) 2023-06-29 2023-06-29 一种基于用户长期偏好的排序推荐方法及其相关设备

Country Status (1)

Country Link
CN (1) CN116861079A (zh)

Similar Documents

Publication Publication Date Title
Gabriel De Souza et al. Contextual hybrid session-based news recommendation with recurrent neural networks
CN113222700B (zh) 基于会话的推荐方法及装置
WO2022016556A1 (zh) 一种神经网络蒸馏方法以及装置
US20190392258A1 (en) Method and apparatus for generating information
CN110008397B (zh) 一种推荐模型训练方法及装置
CN111274501B (zh) 推送信息的方法、系统和非暂时性存储介质
CN111400613A (zh) 物品推荐方法、装置、介质及计算机设备
CN113569129A (zh) 点击率预测模型处理方法、内容推荐方法、装置及设备
CN111444419B (zh) 资源推荐方法、装置、计算机设备和存储介质
CN110598120A (zh) 基于行为数据的理财推荐方法及装置、设备
CN118043802A (zh) 一种推荐模型训练方法及装置
CN117093477A (zh) 一种软件质量评估方法、装置、计算机设备及存储介质
CN116796729A (zh) 基于特征强化的文本推荐方法、装置、设备及存储介质
CN116578774A (zh) 一种预估排序方法、装置、计算机设备及存储介质
CN116910357A (zh) 一种数据处理方法及相关装置
CN116703466A (zh) 基于改进灰狼算法的系统访问量预测方法及其相关设备
CN116861079A (zh) 一种基于用户长期偏好的排序推荐方法及其相关设备
CN113641900A (zh) 信息推荐方法及装置
CN111291829A (zh) 一种精选图片的自动确定方法和系统
CN117556149B (zh) 资源推送方法、装置、电子设备和存储介质
CN116756404A (zh) 一种搜索场景的滚动词推荐方法、装置、设备及存储介质
CN110858235B (zh) 热启动广义加性混合效应（game）框架
CN118013113A (zh) 对象列表推荐方法、装置、电子设备及可读存储介质
CN118503528A (zh) 对象序列推荐方法、装置、电子设备及可读存储介质
CN116186388A (zh) 用户的兴趣推荐方法、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