CN117421476A - 信息推荐方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开公开了一种信息推荐方法及装置、电子设备和存储介质，涉及计算机技术领域，尤其涉及人工智能技术领域。具体实现方案为：采用大模型对用户个性信息进行识别，生成并展示与所述用户个性信息对应的第一推荐语；在接收到针对所述第一推荐语的确认指令的情况下，展示与所述第一推荐语对应的推荐信息；根据与所述推荐信息对应的第一交互信息，确定并展示与所述推荐信息对应的延伸推荐信息。因此本公开可以提高信息推荐的准确性的同时提高信息推荐的满意度。

Description

信息推荐方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及人工智能技术领域，具体涉及一种信息推荐方法及装置、电子设备和存储介质。

背景技术

随着科学技术的发展，电子设备可以为用户提供越来越多的服务，提高用户生活的便利性。例如，在用户面临巨大的信息量需求和选择困难时，为用户提供与其兴趣和需求相匹配的信息。例如可以通过用户的历史行为与物品特性进行对比，确定需要推荐的物品。

发明内容

本公开提供了一种信息推荐方法及装置、电子设备和存储介质，主要目的在于提高信息推荐的准确性的同时提高信息推荐的满意度。

根据本公开的一方面，提供了一种信息推荐方法，包括：

采用大模型对用户个性信息进行识别，生成并展示与所述用户个性信息对应的第一推荐语；

在接收到针对所述第一推荐语的确认指令的情况下，展示与所述第一推荐语对应的推荐信息；

根据与所述推荐信息对应的第一交互信息，确定并展示与所述推荐信息对应的延伸推荐信息。

根据本公开的另一方面，提供了一种信息推荐装置，包括：

推荐语生成单元，用于采用大模型对用户个性信息进行识别，生成并展示与所述用户个性信息对应的第一推荐语；

信息展示单元，用于在接收到针对所述第一推荐语的确认指令的情况下，展示与所述第一推荐语对应的推荐信息；

推荐信息确定单元，用于根据与所述推荐信息对应的第一交互信息，确定并展示与所述推荐信息对应的延伸推荐信息。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述一方面中任一项所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述一方面中任一项所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现前述一方面中任一项所述的方法。

在本公开一个或多个实施例中，采用大模型对用户个性信息进行识别，生成并展示与所述用户个性信息对应的第一推荐语；在接收到针对所述第一推荐语的确认指令的情况下，展示与所述第一推荐语对应的推荐信息；根据与所述推荐信息对应的第一交互信息，确定并展示与所述推荐信息对应的延伸推荐信息。因此，可以通过推荐语减少用户发现感兴趣信息的时长，提高信息展示效率，提高推荐的透明度和可解释性，减少推荐变化使得信息推荐不便的情况，可以提高信息推荐过程中与用户的交互性，且通过大模型确定推荐语，并根据该推荐语进行信息推荐以及对推荐信息的延伸，可以提高信息推荐的准确性的同时提高信息推荐的满意度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的信息推荐方法的流程示意图；

图2是根据本公开第二实施例的信息推荐方法的流程示意图；

图3(a)是根据本公开一个实施例的电子设备界面第一举例示意图；

图3(b)是根据本公开一个实施例的电子设备界面第二举例示意图；

图3(c)是根据本公开一个实施例的电子设备界面第三举例示意图；

图3(d)是根据本公开一个实施例的电子设备界面第四举例示意图；

图3(e)是根据本公开一个实施例的电子设备界面第五举例示意图；

图4是根据本公开的一个实施例的信息推荐方法的流程示意图；

图5(a)是用来实现本公开实施例的信息推荐方法的一种信息推荐装置的结构示意图；

图5(b)是用来实现本公开实施例的信息推荐方法的另一种信息推荐装置的结构示意图；

图6是用来实现本公开实施例的信息推荐方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

根据一些实施例，例如可以通过基于内容的推荐系统、基于协同过滤的推荐系统、基于混合模型的推荐系统和基于深度学习的推荐系统进行信息推荐。但是在基于内容的推荐系统、基于协同过滤的推荐系统、基于混合模型的推荐系统和基于深度学习的推荐系统进行信息推荐的过程中会出现用户参与感较低以及推荐不准确的情况。

其中，基于内容的推荐系统，主要是利用物品的特征和用户的历史行为，通过计算两者之间相似度的方式匹配用户与物品，从而为用户提供个性化推荐。

其中，基于协同过滤的推荐系统，是利用用户与其他用户或物品之间的相似性来进行推荐，即根据用户的历史行为和其他用户的行为来预测用户可能喜欢的物品。

其中，基于混合模型的推荐系统是一种将不同类型的推荐算法组合在一起以提高推荐质量的方法。它综合了协同过滤、内容过滤、热门推荐等多种算法，从而更准确地满足用户需求。

其中，基于深度学习的推荐系统是一种利用深度神经网络模型来处理用户与物品之间的复杂关系，以提高推荐准确性的方法。其主要的技术路线包括矩阵分解、自编码器、注意力机制、图神经网络等。

下面结合具体的实施例对本公开进行详细说明。

在第一个实施例中，如图1所示，图1是根据本公开第一实施例的信息推荐方法的流程示意图，该方法可依赖于计算机程序实现，可运行于进行信息推荐的装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。

其中，信息推荐装置可以是具有人工智能交互能力的电子设备，该电子设备包括但不限于：自动驾驶车辆、可穿戴设备、手持设备、个人电脑、平板电脑、车载设备、智能手机、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant，PDA)、第五代移动通信技术(5thGeneration Mobile Communication Technology，5G)网络、第四代移动通信技术(the 4thgeneration mobile communication technology，4G)网络、第三代移动通信技术(3rd-Generation，3G)网络或未来演进网络中的电子设备等。

具体的，该信息推荐方法包括：

S101，采用大模型对用户个性信息进行识别，生成并展示与用户个性信息对应的第一推荐语；

根据一些实施例，大模型例如可以是指在人工智能领域可以处理海量数据、完成各种复杂任务的模型。本公开实施例的大模型例如可以处理信息抽取、信息延伸、信息识别等。

在一些实施例之中，用户个性信息例如可以用户体现用户个性的信息。该用户个性信息并不特指某一固定信息。例如，当使用电子设备的用户发生变化时，该用户个性信息也可以相应变化。例如，当用户个性信息包括的具体信息发生变化时，该用户个性信息也可以相应变化。

在一些实施例之中，第一推荐语是指与用户个性信息相对应的推荐语。该第一推荐语中的第一仅用于与其余推荐语进行区分。并不特指某一固定推荐语。例如，当用户个性信息发生变化时，该第一推荐语也可以相应变化。例如，当第一推荐语的生成时间点发生变化时，该第一推荐语也可以相应变化。

根据一些实施例，在执行信息推荐方法时，可以采用大模型对用户个性信息进行识别，生成并展示与用户个性信息对应的第一推荐语。

S102，在接收到针对第一推荐语的确认指令的情况下，展示与第一推荐语对应的推荐信息；

根据一些实施例，确认指令例如可以是确认根据第一推荐语进行推荐的指令。该确认指令并不特指某一固定指令。该确认指令包括但不限于语音确认指令、点击确认指令、定时确认指令等。该确认指令例如可以是语音确认指令，该语音确认指令例如可以是“根据第一推荐语进行信息推荐”。

根据一些实施例，推荐信息是指与第一推荐语对应的所推荐的信息。该推荐信息并不特指某一固定信息。例如，当推荐信息的确定方法发生变化时，该推荐信息也可以相应变化。例如，当推荐信息对应的具体信息发生变化时，该推荐信息也可以相应变化。

根据一些实施例，在接收到针对第一推荐语的确认指令的情况下，展示与第一推荐语对应的推荐信息。

S103，根据与推荐信息对应的第一交互信息，确定并展示与推荐信息对应的延伸推荐信息。

在一些实施例之中，第一交互信息是指在展示推荐信息之后，该推荐信息对应的交互信息。该第一交互信息并不特指某一固定信息。该第一交互信息中的第一仅用于与其余交互信息进行区分，并不特指某一固定信息。该第一交互信息包括但不限于浏览时长、点击次数、点击内容。

根据一些实施例，延伸推荐信息是指根据第一交互信息对推荐信息进行延伸之后的信息。该延伸推荐信息并不特指某一固定信息。例如当延伸推荐信息的确定方式发生变化时，该延伸推荐信息也可以相应变化。例如，当延伸方向发生变化时，该延时推荐信息也可以相应变化。

根据一些实施例，在接收到针对第一推荐语的确认指令的情况下，展示与第一推荐语对应的推荐信息。可以根据与推荐信息对应的第一交互信息，确定并展示与推荐信息对应的延伸推荐信息。

在本公开一个或多个实施例中，采用大模型对用户个性信息进行识别，生成并展示与用户个性信息对应的第一推荐语；在接收到针对第一推荐语的确认指令的情况下，展示与第一推荐语对应的推荐信息；根据与推荐信息对应的第一交互信息，确定并展示与推荐信息对应的延伸推荐信息。因此，可以通过推荐语减少用户发现感兴趣信息的时长，可以覆盖多样化的兴趣点，可以提高信息展示效率，可以减少用户获取推荐信息的时长，提高推荐的透明度和可解释性，减少推荐变化使得信息推荐不便的情况，可以提高信息推荐过程中与用户的交互性，且通过大模型确定推荐语，并根据该推荐语进行信息推荐以及对推荐信息的延伸，提高推荐信息与用户个性信息的匹配性，可以提高信息推荐的准确性的同时提高信息推荐的满意度。另外，本公开实施例的技术方案涉及推荐的多个过程，可以提供全方位智能陪伴，提高用户获取推荐信息的效率。然后，通过推荐语的形式可以丰富交互方式，提高交互的多样性，提高用户的参与感。

请参见图2，图2是根据本公开第二实施例的信息推荐方法的流程示意图。具体的，

S201，采用大模型对用户个性信息进行识别，生成并展示与用户个性信息对应的第一推荐语；

具体过程如上所述，此处不再赘述。

根据一些实施例，用户个性信息包括用户历史消费行为信息、用户画像信息和用户兴趣点信息；采用大模型对用户个性信息进行识别，生成并展示与用户个性信息对应的第一推荐语，包括：

采用大模型对用户历史消费行为信息、用户画像信息和用户兴趣点信息进行识别，生成并展示与用户个性信息对应的第一推荐语。因此，采用大模型进行识别，可以提高用户意图理解的准确性，提高用户兴趣确定的准确性，可以提高推荐语确定的准确性，提高信息推荐的准确性。

其中，用户兴趣点信息例如可以包括用户长兴趣点信息和用户短兴趣点信息。其中，用户长兴趣点信息例如可以是第一历史时长内的兴趣点。其中，用户短兴趣点信息例如可以是第二历史时长内的兴趣点。其中，第一历史时长大于第二历史时长。

在一些实施例之中，该第一推荐语例如可以是“你好，最近工作顺利吗？您似乎对职场、自我提升相关的话题比较感兴趣。看来您是一个对自己有要求的人，这里有关于职场沟通、升职、管理的技巧可以分享给您，您愿意看看吗？”。此时电子设备的展示界面例如可以是如图3(a)所示。

根据一些实施例，方法还包括：

获取第一推荐语训练集合，其中，第一推荐语训练集合包括至少一个标注的第二推荐语；

采用自生成指令self-instruct技术，对至少一个标注的第二推荐语进行提示词扩展，获取第二推荐语训练集合；

采用第二推荐语训练集合对大模型进行微调，得到调整后的大模型。因此，对至少一个标注的第二推荐语进行提示词扩展，可以对训练数据进行扩展，以对大模型进行微调，可以通过迭代少量模型参数，可以提高利用业务数据对大模型进行微调优化的效率。

其中，获取第一推荐语训练集合例如可以是基于用户历史消费行为、用户画像、用户长短期兴趣点等信息生成的推荐语，并对该推荐语进行标注得到的集合。该第一推荐语训练集合是指由至少一个标注的第二推荐语汇聚而成的集体。该第一推荐语训练集合并不特指某一固定集合。例如，第一推荐语训练集合中的任一第二推荐语发生变化时，该第一推荐语训练集合也可以相应变化。

其中，例如还可以对该大模型中的提示词prompt进行设计。例如，电子设备可以信息集合进行信息抽取和总结，根据视频或图文内容设计多种不同语言风格和表达形式的prompt模版，应用于内容看点生成、评论观点抽取，以及生成延伸推荐主题。

S202，在接收到针对第一推荐语的确认指令的情况下，展示与第一推荐语对应的推荐信息；

具体过程如上所述，此处不再赘述。

在一些实施例之中，该推荐信息包括但不限于文字信息、音频信息和视频信息。例如，该推荐信息可以包括文字信息，该推荐信息例如可以包括视频信息，该推荐信息可以包括文字信息和视频信息。本公开实施例对此不作限定。

根据一些实施例，该第一推荐语例如可以是“你好，最近工作顺利吗？您似乎对职场、自我提升相关的话题比较感兴趣。看来您是一个对自己有要求的人，这里有关于职场沟通、升职、管理的技巧可以分享给您，您愿意看看吗？”。在获取到第一推荐语的点击确定指令时，可以展示与第一推荐语对应的推荐信息。此时电子设备的展示界面例如可以是如图3(b)所示。

根据一些实施例，展示与第一推荐语对应的推荐信息，包括：

对与第一推荐语对应的推荐信息进行信息抽取，得到抽取后的推荐信息；展示抽取后的推荐信息。因此可以提高推荐信息展示的简洁性，减少获取推荐信息的时长，提高推荐信息的浏览效率。

根据一些实施例，在展示与第一推荐语对应的推荐信息之前，还包括：获取第一推荐语对应的第一关键词；在推荐信息集合中查找包括第一关键词的推荐信息，并将包括第一关键词的推荐信息作为与第一推荐语对应的推荐信息。因此，根据关键词进行查找，可以提高推荐信息与第一推荐语之间的关联性，减少推荐信息与第一推荐语不匹配使得推荐信息确定不准确的情况，可以提高推荐信息确定的准确性。

根据一些实施例，其中，在展示与第一推荐语对应的推荐信息之前，还包括：获取第一推荐语对应的第一向量；

获取推荐信息集合中任一推荐信息的第二向量；

根据第一向量和第二向量之间的相似度，在推荐信息集合中确定与第一推荐语对应的推荐信息。因此，根据向量之间的相似度确定推荐信息，可以提高推荐信息与第一推荐语之间的关联性，减少推荐信息与第一推荐语不匹配使得推荐信息确定不准确的情况，可以提高推荐信息确定的准确性。

其中，第一向量和第二向量例如可以是隐向量，具体例如可以是embedding向量。第一向量中的第一仅用于其余向量进行区分，并不特指某一固定向量。例如，当第一推荐语发生变化时，该第一向量也可以相应变化。

根据一些实施例，在展示与推荐信息对应的评论信息之前，还包括：采用分类模型对推荐信息对应的评论信息集合进行分类，并根据评论信息集合中任一评论信息对应的第二交互信息，获取与推荐信息相关的评论信息子集；

采用大模型和提示词模板，对评论信息子集中的任一评论信息进行信息抽取，得到抽取后的任一评论信息。因此，可以对评论信息进行筛选，提高评论信息与推荐信息之间的匹配性，且对评论信息进行抽取，可以提高用户获取评论信息的效率。

其中，第二交互信息包括但不限于任一评论信息点赞数、回复数等。

S203，展示与推荐信息对应的评论信息；

根据一些实施例，在展示第一推荐对应的推荐信息时，可以展示与该推荐信息对应的评论信息。

其中，在展示与该推荐信息对应的评论信息时，例如可以与第一推荐对应的推荐信息同时展示，例如还可以是接收到评论信息的展示指令时展示。

根据一些实施例，该第一推荐语例如可以是“你好，最近工作顺利吗？您似乎对职场、自我提升相关的话题比较感兴趣。看来您是一个对自己有要求的人，这里有关于职场沟通、升职、管理的技巧可以分享给您，您愿意看看吗？”。在获取到第一推荐语的点击确定指令时，可以展示与第一推荐语对应的推荐信息。在展示该推荐信息时，可以展示与该推荐信息对应的评论信息。此时电子设备的展示界面例如可以是如图3(c)所示。

S204，根据与推荐信息对应的第一交互信息，确定并展示与推荐信息对应的延伸推荐信息。

具体过程如上所述，此处不再赘述。

根据一些实施例，根据与推荐信息对应的第一交互信息，确定并展示与推荐信息对应的延伸推荐信息，包括：

根据与推荐信息对应的第一交互信息，确定与推荐信息对应的延伸维度信息；生成与延伸维度信息对应的延伸信息；根据延伸信息，在推荐信息集合获取与延伸信息相关的至少一个延伸推荐信息，并将至少一个延伸推荐信息作为与推荐信息对应的延伸推荐信息；展示与推荐信息对应的延伸推荐信息。因此，基于延伸信息确定延伸推荐信息可以提高延伸推荐信息确定的准确性，提高信息推荐的准确性。其中，至少一个延伸推荐信息例如可以成为资源合集。

在一些实施例之中，延伸维度信息例如可以是指推荐信息的延伸维度。该延伸维度信息例如可以是弹性的。该延伸维度信息例如可以包括但不限于强相关延伸维度、半相关延伸维度等。该延伸维度信息例如还可以包括主题、关键词、选中的信息等。

其中，第一推荐语例如可以是“A地旅游美食”。其中，强相关延伸维度所确定的延伸信息例如可以是“A地旅游特产”。其中，半相关延伸维度所确定的延伸信息例如可以是“A地旅游”或“特产”。

根据一些实施例，其中，在推荐信息集合获取与延伸信息相关的至少一个延伸推荐信息，包括：

在推荐信息集合中查找包括延伸信息的推荐信息，并将包括延伸信息的推荐信息作为与延伸信息相关的至少一个延伸推荐信息。因此，可以采用直接查找的方法进行延时推荐信息的确定，可以提高延伸推荐信息与延伸信息之间的匹配性，减少延伸推荐信息与延伸信息无关的概率，减少延伸推荐信息的确定时长，提高延伸推荐信息确定的准确性和效率。

根据一些实施例，其中，在推荐信息集合获取与延伸信息相关的至少一个延伸推荐信息，包括：

获取延伸信息对应的第三向量；

获取推荐信息集合中任一推荐信息的第二向量；

根据第三向量和第二向量之间的相似度，在推荐信息集合中确定与延伸信息相关的至少一个延伸推荐信息。因此，可以采用向量相似度的方法进行延时推荐信息的确定，可以提高延伸推荐信息与延伸信息之间的匹配性，减少延伸推荐信息与延伸信息无关的概率，减少延伸推荐信息的确定时长，提高延伸推荐信息确定的准确性和效率。

根据一些实施例，其中，方法还包括：

获取与至少一个延伸推荐信息对应的第三交互信息；

根据第三交互信息，对至少一个延伸推荐信息进行排序，得到排序后的至少一个延伸推荐信息；

根据排序后的至少一个延伸推荐信息，确定用于展示的至少一个延伸推荐信息。因此，可以根据延伸推荐信息的交互信息，进行排序，可以提高延伸推荐信息与延伸信息之间的匹配性，减少延伸推荐信息与延伸信息无关的概率，减少延伸推荐信息的确定时长，提高延伸推荐信息确定的准确性和效率。

其中，本公开实施例的排序包括但不限于粗排、精排等过程。粗排和精排例如可以是指通过不同的指标对至少一个延伸推荐信息进行排序的过程。

根据一些实施例，该第一推荐语例如可以是“你好，最近工作顺利吗？您似乎对职场、自我提升相关的话题比较感兴趣。看来您是一个对自己有要求的人，这里有关于职场沟通、升职、管理的技巧可以分享给您，您愿意看看吗？”。在获取到第一推荐语的点击确定指令时，可以展示与第一推荐语对应的推荐信息。在展示该推荐信息时，可以展示与该推荐信息对应的评论信息。可以根据该推荐信息的主题获取与该推荐信息对应的延伸推荐信息。此时电子设备的展示界面例如可以是如图3(d)所示。

在展示延伸推荐信息之前例如可以发出提示信息，在接收到针对该提示信息的确定指令时，展示该延伸推荐信息。此时电子设备的展示界面例如可以是如图3(e)所示。

图4是根据本公开的一个实施例的信息推荐方法的流程示意图。如图4所示，本公开的信息推荐方法例如可以陪伴式推荐方法，在推荐前，例如可以是依据用户个性信息生成推荐语，引导用户发现更多喜欢的内容，并根据文章或者视频的内容特征展示内容看点，提高兴趣范围；推荐中，例如可以挖掘评论区满足条件的评论，根据评论特征生成评论观点，使用户可实时与评论观点进行互动，提高推荐信息展示效率；推荐后，可以根据对用户浏览过推荐信息的内容特征，可以进行深度和广度的延伸，提升用户的沉浸式消费体验。其中，用户个性信息例如可以包括用户历史消费行为、用户画像及用户长短兴趣点等，具体例如可以包括年龄、地域、职业、爱好、兴趣点等。内容特征包括但不限于标题、正文、分类、兴趣点等。评论特征包括但不限于资源标题、评论内容、评论长度、评论点赞以及评论回复等。推荐信息的内容特征包括但不限于标题、正文、分类、兴趣点、点击、展现、分享、收藏等。

在本公开一个或多个实施例中，可以展示与推荐信息对应的评论信息，因此可以在展示推荐信息时直接展示与该推荐信息对应的评论信息，可以提供推荐信息展示的不同视角，可以提高推荐信息展示的丰富度，提高信息展示效率。

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。

请参见图5(a)，其示出了用来实现本公开实施例的信息推荐方法的一种信息推荐装置的结构示意图。该信息推荐装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该信息推荐装置500包括推荐语生成单元501、信息展示单元502和推荐信息确定单元503，其中：

推荐语生成单元501，用于采用大模型对用户个性信息进行识别，生成并展示与用户个性信息对应的第一推荐语；

信息展示单元502，用于在接收到针对第一推荐语的确认指令的情况下，展示与第一推荐语对应的推荐信息；

推荐信息确定单元503，用于根据与推荐信息对应的第一交互信息，确定并展示与推荐信息对应的延伸推荐信息。

根据一些实施例，请参见图5(b)，其示出了用来实现本公开实施例的信息推荐方法的另一种信息推荐装置的结构示意图。装置500还包括：

集合获取单元504，用于获取第一推荐语训练集合，其中，第一推荐语训练集合包括至少一个标注的第二推荐语；

集合获取单元504，还用于采用自生成指令self-instruct技术，对至少一个标注的第二推荐语进行提示词扩展，获取第二推荐语训练集合；

模型调整单元505，用于采用第二推荐语训练集合对大模型进行微调，得到调整后的大模型。

根据一些实施例，其中，信息展示单元502，还用于在展示与第一推荐语对应的推荐信息之前：

获取第一推荐语对应的第一关键词；

在推荐信息集合中查找包括第一关键词的推荐信息，并将包括第一关键词的推荐信息作为与第一推荐语对应的推荐信息。

根据一些实施例，其中，信息展示单元502，还用于在展示与第一推荐语对应的推荐信息之前：

获取第一推荐语对应的第一向量；

获取推荐信息集合中任一推荐信息的第二向量；

根据第一向量和第二向量之间的相似度，在推荐信息集合中确定与第一推荐语对应的推荐信息。

根据一些实施例，其中，信息展示单元502，还用于：

展示与推荐信息对应的评论信息。

根据一些实施例，其中，信息展示单元502，还用于在展示与推荐信息对应的评论信息之前：

采用分类模型对推荐信息对应的评论信息集合进行分类，并根据评论信息集合中任一评论信息对应的第二交互信息，获取与推荐信息相关的评论信息子集；

采用大模型和提示词模板，对评论信息子集中的任一评论信息进行信息抽取，得到抽取后的任一评论信息。

根据一些实施例，其中，推荐信息确定单元503，用于根据与推荐信息对应的第一交互信息，确定并展示与推荐信息对应的延伸推荐信息时，具体用于：

根据与推荐信息对应的第一交互信息，确定与推荐信息对应的延伸维度信息；

生成与延伸维度信息对应的延伸信息；

根据延伸信息，在推荐信息集合获取与延伸信息相关的至少一个延伸推荐信息，并将至少一个延伸推荐信息作为与推荐信息对应的延伸推荐信息；

展示与推荐信息对应的延伸推荐信息。

根据一些实施例，其中，推荐信息确定单元503，用于在推荐信息集合获取与延伸信息相关的至少一个延伸推荐信息时，具体用于：

在推荐信息集合中查找包括延伸信息的推荐信息，并将包括延伸信息的推荐信息作为与延伸信息相关的至少一个延伸推荐信息。

根据一些实施例，其中，推荐信息确定单元503，用于在推荐信息集合获取与延伸信息相关的至少一个延伸推荐信息时，具体用于：

获取延伸信息对应的第三向量；

获取推荐信息集合中任一推荐信息的第二向量；

根据第三向量和第二向量之间的相似度，在推荐信息集合中确定与延伸信息相关的至少一个延伸推荐信息。

根据一些实施例，其中，推荐信息确定单元503，还用于：

获取与至少一个延伸推荐信息对应的第三交互信息；

根据第三交互信息，对至少一个延伸推荐信息进行排序，得到排序后的至少一个延伸推荐信息；

根据排序后的至少一个延伸推荐信息，确定用于展示的至少一个延伸推荐信息。

根据一些实施例，其中，用户个性信息包括用户历史消费行为信息、用户画像信息和用户兴趣点信息；推荐语生成单元501，用于采用大模型对用户个性信息进行识别，生成并展示与用户个性信息对应的第一推荐语时，具体用于：

采用大模型对用户历史消费行为信息、用户画像信息和用户兴趣点信息进行识别，生成并展示与用户个性信息对应的第一推荐语。

根据一些实施例，其中，信息展示单元502，用于展示与第一推荐语对应的推荐信息时，具体用于：

对与第一推荐语对应的推荐信息进行信息抽取，得到抽取后的推荐信息；

展示抽取后的推荐信息。

要说明的是，上述实施例提供的信息推荐装置在执行信息推荐方法时，仅以上述各功能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完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的信息推荐装置与信息推荐方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。

综上，本公开实施例提供的装置，推荐语生成单元，用于采用大模型对用户个性信息进行识别，生成并展示与用户个性信息对应的第一推荐语；信息展示单元，用于在接收到针对第一推荐语的确认指令的情况下，展示与第一推荐语对应的推荐信息；推荐信息确定单元，用于根据与推荐信息对应的第一交互信息，确定并展示与推荐信息对应的延伸推荐信息。因此，可以通过推荐语减少用户发现感兴趣信息的时长，提高信息展示效率，提高推荐的透明度和可解释性，减少推荐变化使得信息推荐不便的情况，可以提高信息推荐过程中与用户的交互性，且通过大模型确定推荐语，并根据该推荐语进行信息推荐以及对推荐信息的延伸，可以提高信息推荐的准确性的同时提高信息推荐的满意度。

本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。其中，本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，电子设备包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

电子设备中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如信息推荐方法。例如，在一些实施例中，信息推荐方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的信息推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息推荐方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或电子设备上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据电子设备)、或者包括中间件部件的计算系统(例如，应用电子设备)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和电子设备。客户端和电子设备一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-电子设备关系的计算机程序来产生客户端和电子设备的关系。电子设备可以是云电子设备，又称为云计算电子设备或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。电子设备也可以为分布式系统的电子设备，或者是结合了区块链的电子设备。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (27)

1.一种信息推荐方法，包括：

采用大模型对用户个性信息进行识别，生成并展示与所述用户个性信息对应的第一推荐语；

在接收到针对所述第一推荐语的确认指令的情况下，展示与所述第一推荐语对应的推荐信息；

根据与所述推荐信息对应的第一交互信息，确定并展示与所述推荐信息对应的延伸推荐信息。

2.根据权利要求1所述的方法，其中，所述方法还包括：

获取第一推荐语训练集合，其中，所述第一推荐语训练集合包括至少一个标注的第二推荐语；

采用自生成指令self-instruct技术，对所述至少一个标注的第二推荐语进行提示词扩展，获取第二推荐语训练集合；

采用所述第二推荐语训练集合对所述大模型进行微调，得到调整后的大模型。

3.根据权利要求1所述的方法，其中，在所述展示与所述第一推荐语对应的推荐信息之前，还包括：

获取所述第一推荐语对应的第一关键词；

在推荐信息集合中查找包括所述第一关键词的推荐信息，并将所述包括所述第一关键词的推荐信息作为与所述第一推荐语对应的推荐信息。

4.根据权利要求1所述的方法，其中，在所述展示与所述第一推荐语对应的推荐信息之前，还包括：

获取所述第一推荐语对应的第一向量；

获取推荐信息集合中任一推荐信息的第二向量；

根据所述第一向量和所述第二向量之间的相似度，在所述推荐信息集合中确定与所述第一推荐语对应的推荐信息。

5.根据权利要求1或3或4所述的方法，其中，所述方法还包括：

展示与所述推荐信息对应的评论信息。

6.根据权利要求5所述的方法，其中，在所述展示与所述推荐信息对应的评论信息之前，还包括：

采用分类模型对所述推荐信息对应的评论信息集合进行分类，并根据所述评论信息集合中任一评论信息对应的第二交互信息，获取与所述推荐信息相关的评论信息子集；

采用所述大模型和提示词模板，对所述评论信息子集中的任一评论信息进行信息抽取，得到抽取后的任一评论信息。

7.根据权利要求1所述的方法，其中，所述根据与所述推荐信息对应的第一交互信息，确定并展示与所述推荐信息对应的延伸推荐信息，包括：

根据与所述推荐信息对应的第一交互信息，确定与所述推荐信息对应的延伸维度信息；

生成与延伸维度信息对应的延伸信息；

根据所述延伸信息，在推荐信息集合获取与所述延伸信息相关的至少一个延伸推荐信息，并将所述至少一个延伸推荐信息作为与所述推荐信息对应的延伸推荐信息；

展示所述与所述推荐信息对应的延伸推荐信息。

8.根据权利要求7所述的方法，其中，所述在推荐信息集合获取与所述延伸信息相关的至少一个延伸推荐信息，包括：

在所述推荐信息集合中查找包括所述延伸信息的推荐信息，并将所述包括所述延伸信息的推荐信息作为与所述延伸信息相关的至少一个延伸推荐信息。

9.根据权利要求7所述的方法，其中，所述在推荐信息集合获取与所述延伸信息相关的至少一个延伸推荐信息，包括：

获取所述延伸信息对应的第三向量；

获取所述推荐信息集合中任一推荐信息的第二向量；

根据所述第三向量和第二向量之间的相似度，在所述推荐信息集合中确定与所述延伸信息相关的至少一个延伸推荐信息。

10.根据权利要求7至9中任一项所述的方法，其中，所述方法还包括：

获取与所述至少一个延伸推荐信息对应的第三交互信息；

根据所述第三交互信息，对所述至少一个延伸推荐信息进行排序，得到排序后的至少一个延伸推荐信息；

根据所述排序后的至少一个延伸推荐信息，确定用于展示的至少一个延伸推荐信息。

11.根据权利要求1所述的方法，其中，所述用户个性信息包括用户历史消费行为信息、用户画像信息和用户兴趣点信息；所述采用大模型对用户个性信息进行识别，生成并展示与所述用户个性信息对应的第一推荐语，包括：

采用大模型对用户历史消费行为信息、用户画像信息和用户兴趣点信息进行识别，生成并展示与所述用户个性信息对应的第一推荐语。

12.根据权利要求1所述的方法，其中，所述展示与所述第一推荐语对应的推荐信息，包括：

对与所述第一推荐语对应的推荐信息进行信息抽取，得到抽取后的推荐信息；

展示所述抽取后的推荐信息。

13.一种信息推荐装置，包括：

推荐语生成单元，用于采用大模型对用户个性信息进行识别，生成并展示与所述用户个性信息对应的第一推荐语；

信息展示单元，用于在接收到针对所述第一推荐语的确认指令的情况下，展示与所述第一推荐语对应的推荐信息；

推荐信息确定单元，用于根据与所述推荐信息对应的第一交互信息，确定并展示与所述推荐信息对应的延伸推荐信息。

14.根据权利要求13所述的装置，其中，所述装置还包括：

集合获取单元，用于获取第一推荐语训练集合，其中，所述第一推荐语训练集合包括至少一个标注的第二推荐语；

所述集合获取单元，还用于采用自生成指令self-instruct技术，对所述至少一个标注的第二推荐语进行提示词扩展，获取第二推荐语训练集合；

模型调整单元，用于采用所述第二推荐语训练集合对所述大模型进行微调，得到调整后的大模型。

15.根据权利要求13所述的装置，其中，所述信息展示单元，还用于在所述展示与所述第一推荐语对应的推荐信息之前：

获取所述第一推荐语对应的第一关键词；

在推荐信息集合中查找包括所述第一关键词的推荐信息，并将所述包括所述第一关键词的推荐信息作为与所述第一推荐语对应的推荐信息。

16.根据权利要求13所述的装置，其中，所述信息展示单元，还用于在所述展示与所述第一推荐语对应的推荐信息之前：

获取所述第一推荐语对应的第一向量；

获取推荐信息集合中任一推荐信息的第二向量；

根据所述第一向量和所述第二向量之间的相似度，在所述推荐信息集合中确定与所述第一推荐语对应的推荐信息。

17.根据权利要求13或15或16所述的装置，其中，所述信息展示单元，还用于：

展示与所述推荐信息对应的评论信息。

18.根据权利要求17所述的装置，其中，所述信息展示单元，还用于在所述展示与所述推荐信息对应的评论信息之前：

采用分类模型对所述推荐信息对应的评论信息集合进行分类，并根据所述评论信息集合中任一评论信息对应的第二交互信息，获取与所述推荐信息相关的评论信息子集；

采用所述大模型和提示词模板，对所述评论信息子集中的任一评论信息进行信息抽取，得到抽取后的任一评论信息。

19.根据权利要求13所述的装置，其中，所述推荐信息确定单元，用于根据与所述推荐信息对应的第一交互信息，确定并展示与所述推荐信息对应的延伸推荐信息时，具体用于：

根据与所述推荐信息对应的第一交互信息，确定与所述推荐信息对应的延伸维度信息；

生成与延伸维度信息对应的延伸信息；

根据所述延伸信息，在推荐信息集合获取与所述延伸信息相关的至少一个延伸推荐信息，并将所述至少一个延伸推荐信息作为与所述推荐信息对应的延伸推荐信息；

展示所述与所述推荐信息对应的延伸推荐信息。

20.根据权利要求19所述的装置，其中，所述推荐信息确定单元，用于在推荐信息集合获取与所述延伸信息相关的至少一个延伸推荐信息时，具体用于：

在所述推荐信息集合中查找包括所述延伸信息的推荐信息，并将所述包括所述延伸信息的推荐信息作为与所述延伸信息相关的至少一个延伸推荐信息。

21.根据权利要求19所述的装置，其中，所述推荐信息确定单元，用于在推荐信息集合获取与所述延伸信息相关的至少一个延伸推荐信息时，具体用于：

获取所述延伸信息对应的第三向量；

获取所述推荐信息集合中任一推荐信息的第二向量；

根据所述第三向量和第二向量之间的相似度，在所述推荐信息集合中确定与所述延伸信息相关的至少一个延伸推荐信息。

22.根据权利要求19至21中任一项所述的装置，其中，所述推荐信息确定单元，还用于：

获取与所述至少一个延伸推荐信息对应的第三交互信息；

根据所述第三交互信息，对所述至少一个延伸推荐信息进行排序，得到排序后的至少一个延伸推荐信息；

根据所述排序后的至少一个延伸推荐信息，确定用于展示的至少一个延伸推荐信息。

23.根据权利要求13所述的装置，其中，所述用户个性信息包括用户历史消费行为信息、用户画像信息和用户兴趣点信息；所述推荐语生成单元，用于采用大模型对用户个性信息进行识别，生成并展示与所述用户个性信息对应的第一推荐语时，具体用于：

采用大模型对用户历史消费行为信息、用户画像信息和用户兴趣点信息进行识别，生成并展示与所述用户个性信息对应的第一推荐语。

24.根据权利要求13所述的装置，其中，所述信息展示单元，用于展示与所述第一推荐语对应的推荐信息时，具体用于：

对与所述第一推荐语对应的推荐信息进行信息抽取，得到抽取后的推荐信息；

展示所述抽取后的推荐信息。

25.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其特征在于，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。

26.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法。

27.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。