CN116911912A - 一种交互对象和交互结果的预测方法及装置 - Google Patents

Abstract

本公开涉及人工智能技术领域，提供了一种交互对象和交互结果的预测方法、装置、计算机设备及计算机可读存储介质。该方法在对预测交互对象和预测交互对象对应的预测交互意图进行预测的过程中，会同时考虑目标用户的历史交互对象和历史交互对象对应的历史交互意图，然后将历史交互意图融合到预测交互对象的预测层中，这样，便可以根据目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列进行对象推荐，可以提升对象推荐的准确度，保证了给用户所推荐的对象是用户真正想要的，进而可以提高推荐对象的转化率以及用户体验。

Description

一种交互对象和交互结果的预测方法及装置

技术领域

本公开涉及人工智能技术领域，尤其涉及一种交互对象和交互结果的预测方法及装置。

背景技术

推荐系统在当今生活扮演着不可或缺的作用，无论是网络购物，新闻阅读，还是视频观看，都有其身影。为了让推荐系统推的更准，首先要对物品和用户进行充分建模，通过复杂的手段将用户最有可能点击的物品优先推送给用户，以提升用户的满意度和整个系统的效率。然而，现有技术对于商品的交互结果预测不准确，这样，会使得向用户推荐商品或服务的场景下，给用户所推荐的商品或服务并不是用户真正想要的商品或服务，从而导致用户体验较差，且在提高商品或服务的转化率上有一定的局限性。

发明内容

有鉴于此，本公开实施例提供了一种交互对象和交互结果的预测方法、装置、计算机设备及计算机可读存储介质，以解决现有技术对于商品的交互结果预测不准确，这样，会使得向用户推荐商品或服务的场景下，给用户所推荐的商品或服务并不是用户真正想要的商品或服务，从而导致用户体验较差，且在提高商品或服务的转化率上有一定的局限性的问题。

本公开实施例的第一方面，提供了一种交互对象和交互结果的预测方法，所述方法应用于预测模型，所述预测模型包括第一编码模块、第二编码模块和预测层，所述方法包括：

获取目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列；

将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量；

将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块，得到所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果；

将所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量输入所述预测层，得到预测交互对象和所述预测交互对象对应的预测交互意图。

本公开实施例的第二方面，提供了一种交互对象和交互结果的预测装置，所述装置应用于预测模型，所述预测模型包括第一编码模块、第二编码模块和预测层；所述装置包括：

序列获取单元，用于获取目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列；

向量确定单元，用于将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量；

结果确定单元，用于将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块，得到所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果；

信息预测单元，用于将所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量输入所述预测层，得到预测交互对象和所述预测交互对象对应的预测交互意图。

本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：本公开实施例所提供的方法可以应用于预测模型，所述预测模型包括第一编码模块、第二编码模块和预测层，所述方法可以先获取目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列；然后，可以将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量；接着，可以将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块，得到所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果；最后，可以将所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量输入所述预测层，得到预测交互对象和所述预测交互对象对应的预测交互意图。在本实施例中，在对预测交互对象和预测交互对象对应的预测交互意图进行预测的过程中，会同时考虑目标用户的历史交互对象和历史交互对象对应的历史交互意图，然后将历史交互意图融合到预测交互对象的预测层中，这样，便可以根据目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列进行对象推荐，可以提升对象推荐的准确度，保证了给用户所推荐的对象是用户真正想要的，进而可以提高推荐对象的转化率以及用户体验。

附图说明

为了更清楚地说明本公开实施例中的技术方案，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，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。

图1是本公开实施例的应用场景的场景示意图；

图2是本公开实施例提供的交互对象和交互结果的预测方法的流程图；

图3是本公开实施例提供的预测模型的网络架构示意图；

图4是本公开实施例提供的交互对象和交互结果的预测装置的框图；

图5是本公开实施例提供的计算机设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种交互对象和交互结果的预测方法和装置。

在现有技术中，由于对于商品的交互结果预测不准确，这样，会使得向用户推荐商品或服务的场景下，给用户所推荐的商品或服务并不是用户真正想要的商品或服务，从而导致用户体验较差，且在提高商品或服务的转化率上有一定的局限性。

为了解决上述问题。本发明提供了一种交互对象和交互结果的预测方法，在本方法中，由于在本实施例中，在对预测交互对象和预测交互对象对应的预测交互意图进行预测的过程中，会同时考虑目标用户的历史交互对象和历史交互对象对应的历史交互意图，然后将历史交互意图融合到预测交互对象的预测层中，这样，便可以根据目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列进行对象推荐，可以提升对象推荐的准确度，保证了给用户所推荐的对象是用户真正想要的，进而可以提高推荐对象的转化率以及用户体验。

举例说明，本发明实施例可以应用到如图1所示的应用场景。在该场景中，可以包括终端设备1和服务器2。

终端设备1可以是硬件，也可以是软件。当终端设备1为硬件时，其可以是具有显示屏且支持与服务器2通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1为软件时，其可以安装在如上该的电子设备中。终端设备1可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。

服务器2可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器2可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。

需要说明的是，服务器2可以是硬件，也可以是软件。当服务器2为硬件时，其可以是为终端设备1提供各种服务的各种电子设备。当服务器2为软件时，其可以是为终端设备1提供各种服务的多个软件或软件模块，也可以是为终端设备1提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。

终端设备1与服务器2可以通过网络进行通信连接。网络可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙（Bluetooth）、近场通信（Near Field Communication，NFC）、红外（Infrared）等，本公开实施例对此不作限制。

具体地，用户可以通过终端设备1输入目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列；终端设备1将目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列向服务器2发送。服务器2存储有已训练的预测模型，所述预测模型包括第一编码模块、第二编码模块和预测层；服务器2可以先将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量；然后，服务器2可以将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块，得到所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果；接着，服务器2可以将所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量输入所述预测层，得到预测交互对象和所述预测交互对象对应的预测交互意图。这样，由于在本实施例中，在对预测交互对象和预测交互对象对应的预测交互意图进行预测的过程中，会同时考虑目标用户的历史交互对象和历史交互对象对应的历史交互意图，然后将历史交互意图融合到预测交互对象的预测层中，这样，便可以根据目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列进行对象推荐，可以提升对象推荐的准确度，保证了给用户所推荐的对象是用户真正想要的，进而可以提高推荐对象的转化率以及用户体验。

需要说明的是，终端设备1和服务器2以及网络的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。

需要注意的是，上述应用场景仅是为了便于理解本公开而示出，本公开的实施方式在此方面不受任何限制。相反，本公开的实施方式可以应用于适用的任何场景。

图2是本公开实施例提供的一种交互对象和交互结果的预测方法的流程图。图2的一种交互对象和交互结果的预测方法可以由图1的终端设备或服务器执行。其中，该预测模型包括第一编码模块、第二编码模块和预测层；其中，如图3所示，第一编码模块、第二编码模块和预测层依次连接。如图2所示，该交互对象和交互结果的预测方法包括：

S201：获取目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列。

在本实施例中，目标用户可以理解为需要进行对象推荐的用户。目标用户的历史交互对象序列可以包括若干历史交互对象，可以理解的是，若干历史交互对象可以按照预设顺序进行排序可以作为历史交互对象序列。例如，若干历史交互对象可以按照对应的交互时间进行排序作为历史交互对象序列。举例来说，在一段时间内同一个用户在某电子商务网站或应用程序中存在交互行为（例如点击浏览或购买）的商品（即历史交互对象），可以按照时间先后顺序排列后就构成一个关于该用户的历史交互商品序列（即历史交互对象序列）。

可以理解的是，每个历史交互对象均有与其对应的历史交互意图，历史交互意图可以理解为历史已经发生的交互行为，交互行为可以理解为能够反映目标用户对历史交互对象所执行的操作的信息，例如，假设历史交互对象为商品，历史交互行为可以包括能够反映交互用户对商品的点击次数、是否被用户收藏和/或购买的特征；需要说明的是，在线上电子商务场景中，用户常常在同一个电子商务网站或移动端应用程序中浏览多个商品或服务，其行为可能有在某商品页面停留、点击商品查看详情等操作，可以将这些操作统称为交互行为。可以理解的是，用户会产生大量的交互行为，不同用户的序列内容、长短、顺序都会不同，因此，历史交互意图可以代表了目标用户对于历史交互对象的个性化的行为意图轨迹。可以理解的是，历史交互对象序列对应的历史交互意图序列中包括历史交互对象序列中每个历史交互对象对应的历史交互意图，且历史交互意图序列中的历史交互意图的排序与历史交互对象序列中的历史交互对象的排序是对应的。

S202：将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量。

在本实施例中，在获取到所述历史交互对象序列和所述历史交互意图序列后，可以利用第一编码模块将所述历史交互对象序列和所述历史交互意图序列转换为稠密向量，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量。可以理解的是，稠密向量可以为矩阵的形式。稠密向量指的是向量中非零元素的密集程度高，大部分元素都是非零元素，比如,一个含有100个元素的向量，其中有90个元素是非零元素，这就被称为稠密向量。

S203：将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块，得到所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果。

在本实施例中，在获取到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量后，可以利用第二编码模块分别提取历史交互对象序列对应的意图编码结果和历史交互意图序列对应的意图编码结果。其中，历史交互对象序列对应的意图编码结果能够反映历史交互对象序列中各个历史交互对象的特征以及各个历史交互对象之间的相关性。历史交互意图序列对应的意图编码结果可以反映目标用户对于各个历史交互对象的交互意图。

S204：将所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量输入所述预测层，得到预测交互对象和所述预测交互对象对应的预测交互意图。

在本实施例中，获取到所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量后，可以利用预测层根据所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量，得到预测交互对象和所述预测交互对象对应的预测交互意图。预测交互对象可以理解为所预测的目标用户下一个希望发生交互行为（例如点击、购买等）的交互对象，预测交互对象对应的预测交互意图可以理解为所预测的目标用户希望对预测交互对象所执行的交互行为。

本公开实施例与现有技术相比存在的有益效果是：本公开实施例所提供的方法可以应用于应用于预测模型，所述预测模型包括第一编码模块、第二编码模块和预测层，所述方法可以先获取目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列；然后，可以将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量；接着，可以将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块，得到所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果；最后，可以将所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量输入所述预测层，得到预测交互对象和所述预测交互对象对应的预测交互意图。在本实施例中，在对预测交互对象和预测交互对象对应的预测交互意图进行预测的过程中，会同时考虑目标用户的历史交互对象和历史交互对象对应的历史交互意图，然后将历史交互意图融合到预测交互对象的预测层中，这样，便可以根据目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列进行对象推荐，可以提升对象推荐的准确度，保证了给用户所推荐的对象是用户真正想要的，进而可以提高推荐对象的转化率以及用户体验。

在一些实施例中，S202“将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量”具体可以包括以下步骤：

S202a：将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块；

S202b：所述第一编码模块对所述历史交互对象序列进行初始化编码，得到所述历史交互对象序列对应的稠密向量；

S202c：所述第一编码模块对所述历史交互意图序列进行初始化编码，得到所述历史交互意图序列对应的稠密向量。

在本实施例中，第一编码模块获取到所述历史交互对象序列和所述历史交互意图序列后，所述第一编码模块可以对所述历史交互对象序列进行初始化编码，得到所述历史交互对象序列对应的稠密向量，以及，所述第一编码模块对所述历史交互意图序列进行初始化编码，得到所述历史交互意图序列对应的稠密向量。具体地，可以通过下述公式实现：

；

其中，为历史交互对象序列对应的稠密向量；/>为历史交互对象序列对应的初始化编码函数；/>为目标用户对应的历史交互对象序列；/>为历史交互意图序列对应的稠密向量；/>为历史交互对意图序列对应的初始化编码函数；/>为目标用户对应的历史交互意图序列。

在一些实施例中，S203“将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块，得到所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果”具体可以包括以下步骤：

S203a：将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块；

S203b：所述第二编码模块对所述历史交互对象序列对应的稠密向量进行对象特征提取，得到所述历史交互对象序列对应的对象编码结果；

S203c：所述第二编码模块对所述历史交互意图序列对应的稠密向量进行意图特征提取，得到所述历史交互意图序列对应的意图编码结果。

在本实施例的一种实现方式中，所述第二编码模块可以为自注意力序列推荐模型，即（Self-attention SequentialRecommendation，SASRec），也可以为Bert4Rec等Transfomers模型结构。

对于所述历史交互对象序列对应的稠密向量，可以利用第二编码模块对所述历史交互对象序列对应的稠密向量进行对象特征提取，得到所述历史交互对象序列对应的对象编码结果。其中，历史交互对象对应的对象特征可以理解为能够反映历史交互对象自身属性的特征向量，例如，历史交互对象的尺寸属性、类型属性等。

对于所述历史交互意图序列对应的稠密向量，可以利用第二编码模块对所述历史交互意图序列对应的稠密向量进行意图特征提取，得到所述历史交互意图序列对应的意图编码结果。其中，历史交互意图对应的意图特征可以理解为能够反映目标用户的历史交互意图的交互意图特征向量，例如，历史交互意图对应的具体交互行为，比如点击、收藏、购买等。

在一些实施例中，S204“将所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量输入所述预测层，得到预测交互对象和所述预测交互对象对应的预测交互意图”具体可以包括以下步骤：

S204a：所述预测层根据所述历史交互意图序列对应的意图编码结果、稠密向量，确定意图相关性特征。

在本实施例中，意图相关性特征可以理解为历史交互意图序列对应的意图编码结果、稠密向量之间的相关性。作为一种示例，可以利用下列公式确定意图相关性特征：

；

其中，为第j个历史交互意图在第t个时刻的意图相关性特征；/>为第t个时刻下的历史交互意图序列对应的意图编码结果；/>为/>的转置矩阵；/>为第j个历史交互意图的稠密向量。

S204b：所述预测层根据所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果，确定对象相关性特征。

在本实施例中，所述预测层可以先根据所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果，确定融合编码结果。例如，由于历史交互对象序列的对象编码结果主要关注最近的历史交互对象，不能很好地表示那些不常见历史交互对象，为了添加长期偏好并从不常见的历史交互对象的历史交互意图中获取先验知识，可以将所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果相加在一起以获得最终表示，得到融合编码结果，即R =+/>，其中，R为融合编码结果，/>为历史交互意图序列对应的意图编码结果，/>为历史交互对象序列对应的对象编码结果。

接着，所述预测层可以根据所述历史交互对象序列对应的稠密向量和所述融合编码结果，确定对象相关性特征。在本实施例中，对象相关性特征可以理解为历史交互对象序列对应的对象编码结果、稠密向量之间的相关性。作为一种示例，可以利用下列公式确定对象相关性特征：

；

其中，为第k个历史交互对象在第t个时刻的对象相关性特征；/>为第t个时刻下的融合编码结果；/>为/>的转置矩阵；/>为第k个历史交互对象的稠密向量。

S204c：所述预测层根据所述对象相关性特征和所述意图相关性特征，确定预测交互对象和所述预测交互对象对应的预测交互意图。

在确定所述对象相关性特征和所述意图相关性特征后，可以利用所述对象相关性特征和所述意图相关性特征，确定预测交互对象和所述预测交互对象对应的预测交互意图。

在一些实施例中，所述预测模型的损失函数为二元交叉熵损失函数。具体地，在对预测模型训练过程中，向预测模型输入目标用户的历史交互对象序列样本和所述历史交互对象序列样本对应的历史交互意图序列样本，可以得到预测模型输出的预测交互对象标签和所述预测交互对象标签对应的预测交互意图标签。接着，可以利用二元交叉熵损失函数，计算预测交互对象标签和真实交互对象标签的第一损失值；可以利用二元交叉熵损失函数，计算预测交互意图标签和真实交互意图标签的第二损失值；将第一损失值和第二损失值之和作为预测模型的损失值，即L=Lc+Lv，其中，L为预测模型的损失值，Lc为第二损失值，Lv为第一损失值；接着，可以利用预测模型的损失值对预测模型的模型参数进行调整。

可见，本实施例提出了一个从粗粒度到细粒度的稀疏序列预测模型，将用户的意图作为先验知识填充到对象序列的编码中进行联合学习；有效解决了稀疏场景中，长尾对象训练不充分的问题；该粗粒度加细粒度的两级结构，有效提升了模型训练的稳定性以及优化速度。本实施例提出了一种粗粒度到细粒度的方法，除了意图之外，也可以使用对象的类目、品牌、标签等作为意图的代替或者加强；意图编码和对象编码的组合方式可以添加不同的权重，用来表达全局用户意图和用户短期兴趣之间的权重；损失函数部分，意图的损失和对象序列损失可以设置不同的权重比例，用来控制模型训练过程中长期意图和短期兴趣的重要性。

上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是本公开实施例提供的交互对象和交互结果的预测装置的示意图，该装置应用于预测模型，所述预测模型包括第一编码模块、第二编码模块和预测层。如图4所示，该交互对象和交互结果的预测装置包括：

序列获取单元401，用于获取目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列；

向量确定单元402，用于将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量；

结果确定单元403，用于将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块，得到所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果；

信息预测单元404，用于将所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量输入所述预测层，得到预测交互对象和所述预测交互对象对应的预测交互意图。

可选的，所述向量确定单元402，用于：

将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块；

所述第一编码模块对所述历史交互对象序列进行初始化编码，得到所述历史交互对象序列对应的稠密向量；

所述第一编码模块对所述历史交互意图序列进行初始化编码，得到所述历史交互意图序列对应的稠密向量。

可选的，所述结果确定单元403，用于：

将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块；

所述第二编码模块对所述历史交互对象序列对应的稠密向量进行对象特征提取，得到所述历史交互对象序列对应的对象编码结果；

所述第二编码模块对所述历史交互意图序列对应的稠密向量进行意图特征提取，得到所述历史交互意图序列对应的意图编码结果。

可选的，所述第二编码模块为自注意力序列推荐模型。

可选的，所述信息预测单元404，用于：

所述预测层根据所述历史交互意图序列对应的意图编码结果、稠密向量，确定意图相关性特征；

所述预测层根据所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果，确定对象相关性特征；

所述预测层根据所述对象相关性特征和所述意图相关性特征，确定预测交互对象和所述预测交互对象对应的预测交互意图。

可选的，所述信息预测单元404，用于：

所述预测层根据所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果，确定融合编码结果；

所述预测层根据所述历史交互对象序列对应的稠密向量和所述融合编码结果，确定对象相关性特征。

可选的，所述预测模型的损失函数为二元交叉熵损失函数。

本公开实施例与现有技术相比存在的有益效果是：本公开实施例提供了一种交互对象和交互结果的预测装置，所述装置应用于预测模型，所述预测模型包括第一编码模块、第二编码模块和预测层；所述装置包括：序列获取单元，用于获取目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列；向量确定单元，用于将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量；结果确定单元，用于将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块，得到所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果；信息预测单元，用于将所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量输入所述预测层，得到预测交互对象和所述预测交互对象对应的预测交互意图。在本实施例中，在对预测交互对象和预测交互对象对应的预测交互意图进行预测的过程中，会同时考虑目标用户的历史交互对象和历史交互对象对应的历史交互意图，然后将历史交互意图融合到预测交互对象的预测层中，这样，便可以根据目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列进行对象推荐，可以提升对象推荐的准确度，保证了给用户所推荐的对象是用户真正想要的，进而可以提高推荐对象的转化率以及用户体验。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图5是本公开实施例提供的计算机设备5的示意图。如图5所示，该实施例的计算机设备5包括：处理器501、存储器502以及存储在该存储器502中并且可以在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块/模块的功能。

示例性地，计算机程序503可以被分割成一个或多个模块/模块，一个或多个模块/模块被存储在存储器502中，并由处理器501执行，以完成本公开。一个或多个模块/模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序503在计算机设备5中的执行过程。

计算机设备5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机设备。计算机设备5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是计算机设备5的示例，并不构成对计算机设备5的限定，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，例如，计算机设备还可以包括输入输出设备、网络接入设备、总线等。

处理器501可以是中央处理模块（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器502可以是计算机设备5的内部存储模块，例如，计算机设备5的硬盘或内存。存储器502也可以是计算机设备5的外部存储设备，例如，计算机设备5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（Flash Card）等。进一步地，存储器502还可以既包括计算机设备5的内部存储模块也包括外部存储设备。存储器502用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器502还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块、模块完成，即将装置的内部结构划分成不同的功能模块或模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块、模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中，上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。另外，各功能模块、模块的具体名称也只是为了便于相互区分，并不用于限制本公开的保护范围。上述系统中模块、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或模块的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

集成的模块/模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种交互对象和交互结果的预测方法，其特征在于，所述方法应用于预测模型，所述预测模型包括第一编码模块、第二编码模块和预测层，所述方法包括：

获取目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列；

将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量；

将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块，得到所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果；

将所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量输入所述预测层，得到预测交互对象和所述预测交互对象对应的预测交互意图。

2.根据权利要求1所述的方法，其特征在于，所述将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量，包括：

将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块；

所述第一编码模块对所述历史交互对象序列进行初始化编码，得到所述历史交互对象序列对应的稠密向量；

所述第一编码模块对所述历史交互意图序列进行初始化编码，得到所述历史交互意图序列对应的稠密向量。

3.根据权利要求1所述的方法，其特征在于，所述将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块，得到所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果，包括：

将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块；

所述第二编码模块对所述历史交互对象序列对应的稠密向量进行对象特征提取，得到所述历史交互对象序列对应的对象编码结果；

所述第二编码模块对所述历史交互意图序列对应的稠密向量进行意图特征提取，得到所述历史交互意图序列对应的意图编码结果。

4.根据权利要求3所述的方法，其特征在于，所述第二编码模块为自注意力序列推荐模型。

5.根据权利要求1所述的方法，其特征在于，所述将所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量输入所述预测层，得到预测交互对象和所述预测交互对象对应的预测交互意图，包括：

所述预测层根据所述历史交互意图序列对应的意图编码结果、稠密向量，确定意图相关性特征；

所述预测层根据所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果，确定对象相关性特征；

所述预测层根据所述对象相关性特征和所述意图相关性特征，确定预测交互对象和所述预测交互对象对应的预测交互意图。

6.根据权利要求5所述的方法，其特征在于，所述预测层根据所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果，确定对象相关性特征，包括：

所述预测层根据所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果，确定融合编码结果；

所述预测层根据所述历史交互对象序列对应的稠密向量和所述融合编码结果，确定对象相关性特征。

7.根据权利要求1所述的方法，其特征在于，所述预测模型的损失函数为二元交叉熵损失函数。

8.一种交互对象和交互结果的预测装置，其特征在于，所述装置应用于预测模型，所述预测模型包括第一编码模块、第二编码模块和预测层；所述装置包括：

序列获取单元，用于获取目标用户的历史交互对象序列和所述历史交互对象序列对应的历史交互意图序列；

向量确定单元，用于将所述历史交互对象序列和所述历史交互意图序列输入所述第一编码模块，得到所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量；

结果确定单元，用于将所述历史交互对象序列对应的稠密向量和所述历史交互意图序列对应的稠密向量输入所述第二编码模块，得到所述历史交互对象序列对应的对象编码结果和所述历史交互意图序列对应的意图编码结果；

信息预测单元，用于将所述历史交互对象序列对应的对象编码结果、稠密向量和所述历史交互意图序列对应的意图编码结果、稠密向量输入所述预测层，得到预测交互对象和所述预测交互对象对应的预测交互意图。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述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计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。