WO2021135701A1 - 一种信息推荐的方法及装置、电子设备、存储介质 - Google Patents
一种信息推荐的方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- WO2021135701A1 WO2021135701A1 PCT/CN2020/129863 CN2020129863W WO2021135701A1 WO 2021135701 A1 WO2021135701 A1 WO 2021135701A1 CN 2020129863 W CN2020129863 W CN 2020129863W WO 2021135701 A1 WO2021135701 A1 WO 2021135701A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- user
- information
- recall
- vector
- target
- Prior art date
Links
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
Definitions
- This application relates to the field of information recommendation, in particular to an information recommendation method and device, electronic equipment, and storage medium.
- An information recommendation method includes:
- a preset user-side network is used to generate multiple user-side sub-vectors corresponding to the user-side features, each user-side sub-vector corresponds to a recall target, and each recall target corresponds to a recall target weight;
- An information recommendation device includes:
- the user-side feature obtaining module is configured to obtain the user-side feature corresponding to the user request when the user request is received;
- the user-side sub-vector generation module is used to use a preset user-side network to generate multiple user-side sub-vectors corresponding to the user-side features, each user-side sub-vector corresponds to a recall target, and each recall target corresponds to one Recall target weight;
- the user-side vector composition module is configured to adopt the recall target weight to form the multiple user-side sub-vectors into a user-side vector;
- the information recommendation module is used to search for target information matching the user-side vector from a preset information database, and recommend the target information to the user.
- An electronic device including a processor, a memory, and a computer program stored on the memory and capable of running on the processor, and the computer program is executed by the processor to implement the above-mentioned information recommendation method A step of.
- a computer-readable storage medium stores a computer program on the computer-readable storage medium, and when the computer program is executed by a processor, the steps of the information recommendation method described above are realized.
- a preset user-side network is used to generate multiple user-side sub-vectors corresponding to the user-side feature, each The user-side sub-vector corresponds to a recall target, and each recall target corresponds to a recall target weight.
- the recall target weight is used to compose multiple user-side sub-vectors into a user-side vector, and the user-side vector is searched from the preset information database. Match the target information and recommend the target information to the user, which realizes the information recommendation combining multiple recall targets, can adjust the recall target in time when the business turns, and avoid the waste of resources.
- FIG. 1 is a flow chart of the steps of an information recommendation method provided by an embodiment of the present application
- FIG. 2 is a schematic diagram of an information recommendation system provided by an embodiment of the present application.
- FIG. 3 is a schematic diagram of an information recommendation network provided by an embodiment of the present application.
- Fig. 4 is a schematic structural diagram of an information recommendation device provided by an embodiment of the present application.
- Step 101 When a user request is received, obtain a user-side feature corresponding to the user request;
- the user-side feature may include any one or more of the following:
- the client in response to user operations, such as opening a short video client, the client can generate a user request and send the user request to the server.
- the server may generate and acquire the user-side features corresponding to the user request, and the user-side features may include user attributes, information preferences, and other features.
- the user attributes can be basic data of the user, such as age, gender, location, etc.
- information preferences can be the user's operation data on the information, such as clicking, sharing, commenting, and playing time.
- Step 102 using a preset user-side network to generate multiple user-side sub-vectors corresponding to the user-side features, each user-side sub-vector corresponds to a recall target, and each recall target corresponds to a recall target weight;
- the target information may include any one or more of the following:
- the recall target can include the following items:
- the user-side network can be a network model that uses a neural network algorithm, such as DNN (Deep Neural Network, deep neural network).
- DNN Deep Neural Network, deep neural network
- the user-side features can be input into the trained user-side network, and the user-side network can use the user-side features to generate a user-side sub-vector corresponding to each recall target.
- the method may further include the following steps:
- information recommendation can be composed of three parts: feature extraction module, offline training, and online business system.
- the original features are obtained by collecting logs, and the feature extraction module can obtain multiple sample user-side features from them, and then According to multiple recall targets, offline training can be performed on the obtained user-side features of multiple samples to obtain the user-side network.
- Step 103 Use the recall target weight to form the multiple user-side sub-vectors into a user-side vector
- recall target weights can be used to weight multiple user-side sub-vectors, and then the weighted user-side sub-vectors are combined into a user-side vector.
- step 103 may include the following sub-steps:
- the recall target weight can be set by the background staff.
- the recall target weight can be used for weighting, and then the weighted multiple user-side sub-vectors can be connected. , Get the user side vector.
- Step 104 Search for target information matching the user-side vector from a preset information database, and recommend the target information to the user.
- multiple items of information can be stored in the preset information database.
- the target information that matches the user-side vector can be searched for, and then the target information can be pushed to the client. The user can view the target information in the client.
- the method may further include the following steps:
- For the information in the information database obtain the information-side feature corresponding to the information; use a preset information-side network to generate multiple information-side sub-vectors corresponding to the information-side feature, and each information-side sub-vector corresponds to A recall target, each recall target corresponding to a recall target weight; using the recall target weight, the multiple information side sub-vectors are formed into an information side vector.
- the information-side network may be a network model using a neural network algorithm, such as DNN (Deep Neural Network, deep neural network).
- DNN Deep Neural Network, deep neural network
- the information-side feature corresponding to the information can be obtained, and then a preset information-side network can be used to generate multiple information-side sub-vectors corresponding to the information-side feature, and then the recall target weight can be used to convert Multiple information side sub-vectors constitute an information side vector.
- the step of using the recall target weight to form the multiple information-side sub-vectors into an information-side vector may include the following sub-steps:
- the recall target weights are respectively used to weight the multiple information side sub-vectors; the multiple information side sub-vectors after the weighting are connected to obtain the information side vector.
- the multiple information side sub-vectors corresponding to each recall target can be weighted by using the recall target weight, and then the weighted multiple information side sub-vectors are connected to obtain the information side vector.
- the method may further include the following steps:
- the original features can be obtained by collecting logs, and the feature extraction module can obtain multiple sample information side features, and then can perform offline training on the obtained multiple sample information side features according to multiple recall targets, and obtain the information side The internet.
- step 104 may include the following sub-steps:
- Similarity calculations are performed on the user-side vector and the information-side vector to obtain multiple recall target similarities; according to the recall target similarity, the multiple The information is sorted, and one or more pieces of information that are ranked first are selected as the target information.
- the Euclidean distance can be calculated to obtain the recall target similarity between the user and multiple pieces of information, and then the multiple pieces of information can be sorted according to the recall target similarity, and select One or more pieces of information ranked first are used as target information for target information recommendation.
- the step of performing similarity calculation on the user-side vector and the information-side vector to obtain the similarity of multiple recall targets may include the following sub-steps:
- the input features user_input and item_input are normalized to obtain user_normal_input and item_normal_input, and then activated through full connection and relu to obtain three hidden layers h1_user and h2_user , H3_user, and then can be trained to obtain the User side network and Item side network that fit the 3 recall targets user_vec_task.
- the target similarity can be recalled, and then the recalled target similarity can be used to determine the matching target information. To recommend to users.
- the user-side features can be normalized after the user-side features are obtained.
- the method may further include the following steps:
- the recall targets are different in different business periods, that is, there is a business turnaround, you can adjust the recall target weights corresponding to the recall targets. For example, the video that grew up when it was previously thought to be played is the most popular among users, thereby creating revenue for the platform , The recall target with the playback duration set to have a larger weight, and now that the commented video is more popular with users, the recall target with a comment can be set to have a larger weight.
- the adjusted recall target weight can be used to form multiple user-side sub-vectors into a user-side vector, that is, the user-side vector is adjusted, and the adjusted recall target weight is used to combine multiple information sides.
- the sub-vectors form the information side vector, that is, the information side vector is adjusted, and then information matching the adjusted recall target can be obtained, avoiding retraining the network model.
- a preset user-side network is used to generate multiple user-side sub-vectors corresponding to the user-side feature, each The user-side sub-vector corresponds to a recall target, and each recall target corresponds to a recall target weight.
- the recall target weight is used to compose multiple user-side sub-vectors into a user-side vector, and the user-side vector is searched from the preset information database. Match the target information and recommend the target information to the user, which realizes the information recommendation combining multiple recall targets, and can adjust the recall target in time when the business turns, avoiding the waste of resources.
- FIG. 4 there is shown a schematic structural diagram of an information recommendation apparatus provided by an embodiment of the present application, which may specifically include the following modules:
- the user-side feature obtaining module 401 is configured to obtain the user-side feature corresponding to the user request when the user request is received;
- the user-side sub-vector generation module 402 is configured to use a preset user-side network to generate multiple user-side sub-vectors corresponding to the user-side features, each user-side sub-vector corresponds to a recall target, and each recall target corresponds to 1. Recall target weight;
- the user-side vector composing module 403 is configured to adopt the recall target weight to compose the multiple user-side sub-vectors into a user-side vector;
- the information recommendation module 404 is configured to search for target information matching the user-side vector from a preset information database, and recommend the target information to the user.
- it further includes:
- An information-side feature acquisition module configured to obtain information-side features corresponding to the information from the information in the information database
- the information-side sub-vector generation module is used to use a preset information-side network to generate multiple information-side sub-vectors corresponding to the information-side features, each information-side sub-vector corresponds to a recall target, and each recall target corresponds to one Recall target weight;
- the information side vector composition module is configured to use the recall target weight to form the multiple information side sub-vectors into an information side vector.
- the user-side vector composition module 403 includes:
- the user-side weighting sub-module is configured to respectively adopt the recall target weights to weight the multiple user-side sub-vectors
- the user-side connection establishment sub-module is used to establish a connection to the weighted multiple user-side sub-vectors to obtain the user-side vector;
- the information side vector component module includes:
- the information side weighting sub-module is configured to respectively adopt the recall target weights to weight the multiple information side sub-vectors
- the information-side connection establishment sub-module is used to establish connections for the multiple information-side sub-vectors after weighting to obtain the information-side vector.
- the information recommendation module 404 includes:
- the recall target similarity obtaining sub-module is used to calculate the similarity of the user-side vector and the information-side vector for multiple information in the preset information database to obtain multiple recall target similarities;
- the sorting selection submodule is used to sort the multiple pieces of information according to the recall target similarity, and select one or more pieces of information that are ranked first as the target information.
- the recall target similarity obtaining submodule includes:
- Euclidean distance calculation unit configured to calculate the Euclidean distance between the user-side vector and the information-side vector
- the recall target similarity determination unit is configured to adopt the Euclidean distance to determine the recall target similarity.
- it further includes:
- the weight adjustment module is used to adjust the recall target weight corresponding to the recall target.
- it further includes:
- the user-side network training module is configured to obtain a plurality of sample user-side features, and train the plurality of sample user-side features according to the multiple recall targets to obtain a user-side network;
- the information-side network training module is used to obtain multiple sample information-side features, and train the sample information-side features according to the multiple recall targets to obtain an information-side network.
- it further includes:
- the normalization processing module is used to perform normalization processing on the user-side features.
- the user-side feature includes any one or more of the following:
- the target information includes any one or more of the following:
- the recall targets include the following items:
- the user-side network and/the information-side network are network models using neural network algorithms.
- the description is relatively simple, and for related parts, please refer to the part of the description of the method embodiment.
- An embodiment of the present application also provides an electronic device, which may include a processor, a memory, and a computer program stored in the memory and capable of running on the processor.
- the computer program is executed by the processor, the steps of the method recommended by the above information are implemented. .
- An embodiment of the present application also provides a computer-readable storage medium.
- the computer-readable storage medium stores a computer program.
- the computer program is executed by a processor, the steps of the method recommended by the above information are implemented.
- any reference signs placed between parentheses should not be constructed as a limitation to the claims.
- the word “comprising” does not exclude the presence of elements or steps not listed in the claims.
- the word “a” or “an” preceding an element does not exclude the presence of multiple such elements.
- the application can be realized by means of hardware including several different elements and by means of a suitably programmed computer. In the unit claims listing several devices, several of these devices may be embodied in the same hardware item.
- the use of the words first, second, and third, etc. do not indicate any order. These words can be interpreted as names.
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种信息推荐的方法及装置、电子设备、存储介质，所述方法包括：在接收到用户请求时，获取所述用户请求对应的用户侧特征(101)；采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重(102)；采用所述召回目标权重，将所述多个用户侧子向量组成用户侧向量(103)；从预置的信息数据库中，查找与所述用户侧向量匹配的目标信息，并将所述目标信息推荐至用户(104)。通过上述方法，实现了结合多个召回目标的信息推荐，能够在业务转向时及时调整召回目标，避免了重新训练导致的资源浪费。
Description
本申请要求在2019年12月31日提交中国专利局、申请号201911423248.8、发明名称为“一种信息推荐的方法及装置、电子设备、存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
本申请涉及信息推荐领域，特别是涉及一种信息推荐的方法及装置、电子设备、存储介质。
随着互联网技术的发展，信息资源出现爆炸式增长，在新闻、短视频、音乐等产品中，个性化推荐成为不可或缺的基础技术。
以短视频场景为例，通过计算用户与短视频的相似度，然后用相似度尽量去拟合单个召回目标，进而得到推荐视频，但在不同的业务时期，召回目标通常不同，则当召回目标发生变化时，需要按照新的召回目标重新训练，耗费大量的资源，且难以实现及时调整召回目标，成为业务转向的短板。
发明内容
鉴于上述问题，提出了以便提供克服上述问题或者至少部分地解决上述问题的一种信息推荐的方法及装置、电子设备、存储介质，包括：
一种信息推荐的方法，所述方法包括：
在接收到用户请求时，获取所述用户请求对应的用户侧特征；
采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重；
采用所述召回目标权重，将所述多个用户侧子向量组成用户侧向量；
从预置的信息数据库中，查找与所述用户侧向量匹配的目标信息，并将所述目标信息推荐至用户。
一种信息推荐的装置，所述装置包括：
用户侧特征获取模块，用于在接收到用户请求时，获取所述用户请求对 应的用户侧特征；
用户侧子向量生成模块，用于采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重；
用户侧向量组成模块，用于采用所述召回目标权重，将所述多个用户侧子向量组成用户侧向量；
信息推荐模块，用于从预置的信息数据库中，查找与所述用户侧向量匹配的目标信息，并将所述目标信息推荐至用户。
一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的信息推荐的方法的步骤。
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计算机程序，所述计算机程序被处理器执行时实现如上所述的信息推荐的方法的步骤。
本申请实施例具有以下优点：
在本申请实施例中，通过在接收到用户请求时，获取用户请求对应的用户侧特征，采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重，然后采用召回目标权重，将多个用户侧子向量组成用户侧向量，从预置的信息数据库中，查找与用户侧向量匹配的目标信息，并将目标信息推荐至用户，实现了结合多个召回目标的信息推荐，能够在业务转向时及时调整召回目标，避免了资源的浪费。
为了更清楚地说明本申请的技术方案，下面将对本申请的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种信息推荐的方法的步骤流程图；
图2是本申请一实施例提供的一种信息推荐的系统示意图；
图3是本申请一实施例提供的一种信息推荐的网络示意图；
图4是本申请一实施例提供的一种信息推荐的装置的结构示意图。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参照图1，示出了本申请一实施例提供的一种信息推荐的方法的步骤流程图，具体可以包括如下步骤：
步骤101，在接收到用户请求时，获取所述用户请求对应的用户侧特征；
作为一示例，用户侧特征可以包括以下任一项或多项：
用户属性特征、信息偏好特征。
在新闻、短视频、音乐等产品中，响应于用户(User)操作，如开启短视频客户端，客户端可以生成用户请求，并将用户请求发送至服务端。
在接收到用户请求后，服务器可以生成获取用户请求对应的用户侧特征，用户侧特征可以包括用户属性、信息偏好等特征。
其中，用户属性可以为用户的基本数据，如年龄、性别、所在地等，信息偏好可以为用户对信息的操作数据，如点击、分享、评论、播放时长等。
步骤102，采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重；
作为一示例，目标信息可以包括以下任一项或多项：
新闻、短视频、音乐。
作为一示例，召回目标可以包括以下多项：
点击、分享、评论、播放时长。
在具体实现中，可以预先设置多个召回目标，然后按照召回目标训练好 用户侧网络，用户侧网络可以为采用神经网络算法的网络模型，如DNN(Deep Neural Network，深度神经网络)，且可以根据当前业务时期，设置每个召回目标对应的召回目标权重。
在获取到用户侧特征后，可以将用户侧特征输入训练好的用户侧网络，用户侧网络可以采用用户侧特征，生成每个召回目标对应的用户侧子向量。
在本申请一实施例中，该方法还可以包括如下步骤：
获取多个样本用户侧特征，并按照所述多个召回目标，对所述多个样本用户侧特征进行训练，得到用户侧网络。
在具体实现中，如图2，信息推荐可以由特征抽取模块、离线训练，以及在线业务系统三个部分组成，通过收集日志获得原始特征，特征抽取模块可以从中获得多个样本用户侧特征，进而可以按照多个召回目标，对获得到多个样本用户侧特征进行离线训练，得到用户侧网络。
在获得用户侧网络后可以进行发布，则后续可以通过在线业务系统中特征服务、召回服务，以及排序服务完成在线信息推荐。
步骤103，采用所述召回目标权重，将所述多个用户侧子向量组成用户侧向量；
在获得用户侧子向量后，可以采用召回目标权重，对多个用户侧子向量进行加权，进而将加权后的用户侧子向量组成用户侧向量。
在本申请一实施例中，步骤103可以包括如下子步骤：
分别采用所述召回目标权重，对所述多个用户侧子向量进行加权；对所述加权后的多个用户侧子向量建立连接，得到用户侧向量；
在实际应用中，召回目标权重可以由后台工作人员设置，对于每个召回目标对应的多个用户侧子向量，可以采用召回目标权重进行加权，进而将加权后的多个用户侧子向量建立连接，得到用户侧向量。
例如，存在3个召回目标l1、l2、l3，其召回目标权重分别为w1、w2、w3，采用用户侧网络生成的用户侧子向量分别为UV1、UV2、UV3，则可以确定用户侧向量UV＝UV1*W1 concat UV2*W2 concat UV3*W3。
其中，“*”可以表征向量中每个维度分别乘以权重，“concat”可以表 征将向量进行连接。
步骤104，从预置的信息数据库中，查找与所述用户侧向量匹配的目标信息，并将所述目标信息推荐至用户。
在具体实现中，预置的信息数据库中可以存储多个信息(Item)，则在获得用户侧向量后，可以从中查找与用户侧向量匹配的目标信息，然后可以将目标信息推送至客户端，用户可以在客户端中查看目标信息。
在本申请一实施例中，该方法还可以包括如下步骤：
对于所述信息数据库中的信息，获取所述信息对应的信息侧特征；采用预置的信息侧网络，生成与所述信息侧特征对应的多个信息侧子向量，每个信息侧子向量对应一召回目标，每个召回目标对应一召回目标权重；采用所述召回目标权重，将所述多个信息侧子向量组成信息侧向量。
作为一示例，信息侧网络可以为采用神经网络算法的网络模型，如DNN(Deep Neural Network，深度神经网络)。
对于信息数据库中存储的每个信息，可以获取信息对应的信息侧特征，然后可以采用预置的信息侧网络，生成与信息侧特征对应的多个信息侧子向量，进而采用召回目标权重，将多个信息侧子向量组成信息侧向量。
在本申请一实施例中，所述采用所述召回目标权重，将所述多个信息侧子向量组成信息侧向量的步骤可以包括如下子步骤：
分别采用所述召回目标权重，对所述多个信息侧子向量进行加权；对所述加权后的多个信息侧子向量建立连接，得到信息侧向量。
在实际应用中，对于每个召回目标对应的多个信息侧子向量，可以采用召回目标权重进行加权，进而将加权后的多个信息侧子向量建立连接，得到信息侧向量。
在本申请一实施例中，该方法还可以包括如下步骤：
获取多个样本信息侧特征，并按照所述多个召回目标，对所述样本信息侧特征进行训练，得到信息侧网络。
在具体实现中，可以通过收集日志获得原始特征，特征抽取模块可以从中获得多个样本信息侧特征，进而可以按照多个召回目标，对获得到多个样 本信息侧特征进行离线训练，得到信息侧网络。
在本申请一实施例中，步骤104可以包括如下子步骤：
对于预置的信息数据库中的多个信息，分别对所述用户侧向量与所述信息侧向量进行相似度计算，得到多个召回目标相似度；按照所述召回目标相似度，对所述多个信息进行排序，并选取排序在前的一个或多个信息作为目标信息。
由于获得了用户侧向量与信息侧向量，则可以采用计算欧式距离的方式，得到用户与多个信息之间的召回目标相似度，然后可以按照召回目标相似度，对多个信息进行排序，选取排序在前的一个或多个信息作为目标信息，以进行目标信息推荐。
在本申请一实施例中，所述分别对所述用户侧向量与所述信息侧向量进行相似度计算，得到多个召回目标相似度的步骤可以包括如下子步骤：
计算所述用户侧向量与所述信息侧向量的欧式距离；采用所述欧式距离，确定召回目标相似度。
以3个召回目标为例，如图3，在离线阶段，通过将输入特征user_input、item_input进行特征归一化，得到user_normal_input、item_normal_input，然后通过全连接和relu激活，得到三个隐层h1_user、h2_user、h3_user，进而可以训练得到契合3个召回目标user_vec_task的User侧网络和Item侧网络。
相应的，在在线阶段，可以通过计算用户侧向量与信息侧向量的欧式距离，然后采用欧式距离，结合Sigmoid函数，可以的召回目标相似度，进而可以采用召回目标相似度确定匹配的目标信息，以推荐给用户。
在本申请一实施例中，还可以包括如下步骤：
对所述用户侧特征进行归一化处理。
由于在用户侧网络和信息侧网络训练过程中对输入特征进行了归一化处理，则在获得用户侧特征后，可以对用户侧特征进行归一化处理。
在本申请一实施例中，该方法还可以包括如下步骤：
调整所述召回目标对应的召回目标权重。
由于在不同的业务时期，召回目标不同，即存在业务转向的情况，则可 以调整召回目标对应的召回目标权重，例如，在先认为播放时长大的视频最能受到用户喜爱，进而为平台创造收益，则设置召回目标为播放时长的召回目标权重较大，而现在认为评论的视频更能受到用户喜爱，则可以设置召回目标为评论的召回目标权重较大。
由于召回目标权重的调整，则可以采用调整后的召回目标权重，将多个用户侧子向量组成用户侧向量，即调整了用户侧向量，且采用调整后的召回目标权重，将多个信息侧子向量组成信息侧向量，即调整了信息侧向量，进而能获得与调整后的召回目标匹配的信息，避免了重新训练网络模型。
在本申请实施例中，通过在接收到用户请求时，获取用户请求对应的用户侧特征，采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重，然后采用召回目标权重，将多个用户侧子向量组成用户侧向量，从预置的信息数据库中，查找与用户侧向量匹配的目标信息，并将目标信息推荐至用户，实现了结合多个召回目标的信息推荐，能够在业务转向时及时调整召回目标，避免了的资源浪费。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
参照图4，示出了本申请一实施例提供的一种信息推荐的装置的结构示意图，具体可以包括如下模块：
用户侧特征获取模块401，用于在接收到用户请求时，获取所述用户请求对应的用户侧特征；
用户侧子向量生成模块402，用于采用预置的用户侧网络，生成与所述 用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重；
用户侧向量组成模块403，用于采用所述召回目标权重，将所述多个用户侧子向量组成用户侧向量；
信息推荐模块404，用于从预置的信息数据库中，查找与所述用户侧向量匹配的目标信息，并将所述目标信息推荐至用户。
在本申请一实施例中，还包括：
信息侧特征获取模块，用于对于所述信息数据库中的信息，获取所述信息对应的信息侧特征；
信息侧子向量生成模块，用于采用预置的信息侧网络，生成与所述信息侧特征对应的多个信息侧子向量，每个信息侧子向量对应一召回目标，每个召回目标对应一召回目标权重；
信息侧向量组成模块，用于采用所述召回目标权重，将所述多个信息侧子向量组成信息侧向量。
在本申请一实施例中，所述用户侧向量组成模块403包括：
用户侧加权子模块，用于分别采用所述召回目标权重，对所述多个用户侧子向量进行加权；
用户侧建立连接子模块，用于对所述加权后的多个用户侧子向量建立连接，得到用户侧向量；
所述信息侧向量组成模块包括：
信息侧加权子模块，用于分别采用所述召回目标权重，对所述多个信息侧子向量进行加权；
信息侧建立连接子模块，用于对所述加权后的多个信息侧子向量建立连接，得到信息侧向量。
在本申请一实施例中，所述信息推荐模块404包括：
召回目标相似度得到子模块，用于对于预置的信息数据库中的多个信息，分别对所述用户侧向量与所述信息侧向量进行相似度计算，得到多个召回目标相似度；
排序选取子模块，用于按照所述召回目标相似度，对所述多个信息进行排序，并选取排序在前的一个或多个信息作为目标信息。
在本申请一实施例中，所述召回目标相似度得到子模块包括：
欧式距离计算单元，用于计算所述用户侧向量与所述信息侧向量的欧式距离；
召回目标相似度确定单元，用于采用所述欧式距离，确定召回目标相似度。
在本申请一实施例中，还包括：
权重调整模块，用于调整所述召回目标对应的召回目标权重。
在本申请一实施例中，还包括：
用户侧网络训练模块，用于获取多个样本用户侧特征，并按照所述多个召回目标，对所述多个样本用户侧特征进行训练，得到用户侧网络；
信息侧网络训练模块，用于获取多个样本信息侧特征，并按照所述多个召回目标，对所述样本信息侧特征进行训练，得到信息侧网络。
在本申请一实施例中，还包括：
归一化处理模块，用于对所述用户侧特征进行归一化处理。
在本申请一实施例中，所述用户侧特征包括以下任一项或多项：
用户属性特征、信息偏好特征。
在本申请一实施例中，所述目标信息包括以下任一项或多项：
新闻、短视频、音乐；
所述召回目标包括以下多项：
点击、分享、评论、播放时长。
在本申请一实施例中，所述用户侧网络和/所述信息侧网络为采用神经网络算法的网络模型。
对于装置实施例而言，由于其与方法实施例基本相似，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。
本申请一实施例还提供了一种电子设备，可以包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上信息推荐的方法的步骤。
本申请一实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上信息推荐的方法的步骤。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着，结合实施例描述的特定特征、结构或者特性包括在本申请的至少一个实施例中。此外，请注意，这里“在一个实施例中”的词语例子不一定全指同一个实施例。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的范围。
Claims (14)
- 一种信息推荐的方法，其特征在于，所述方法包括：在接收到用户请求时，获取所述用户请求对应的用户侧特征；采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重；采用所述召回目标权重，将所述多个用户侧子向量组成用户侧向量；从预置的信息数据库中，查找与所述用户侧向量匹配的目标信息，并将所述目标信息推荐至用户。
- 根据权利要求1所述的方法，其特征在于，还包括：对于所述信息数据库中的信息，获取所述信息对应的信息侧特征；采用预置的信息侧网络，生成与所述信息侧特征对应的多个信息侧子向量，每个信息侧子向量对应一召回目标，每个召回目标对应一召回目标权重；采用所述召回目标权重，将所述多个信息侧子向量组成信息侧向量。
- 根据权利要求2所述的方法，其特征在于，所述采用所述召回目标权重，将所述多个用户侧子向量组成用户侧向量的步骤包括：分别采用所述召回目标权重，对所述多个用户侧子向量进行加权；对所述加权后的多个用户侧子向量建立连接，得到用户侧向量；所述采用所述召回目标权重，将所述多个信息侧子向量组成信息侧向量的步骤包括：分别采用所述召回目标权重，对所述多个信息侧子向量进行加权；对所述加权后的多个信息侧子向量建立连接，得到信息侧向量。
- 根据权利要求2或3所述的方法，其特征在于，所述从预置的信息数据库中，查找与所述用户侧向量匹配的目标信息的步骤包括：对于预置的信息数据库中的多个信息，分别对所述用户侧向量与所述信息侧向量进行相似度计算，得到多个召回目标相似度；按照所述召回目标相似度，对所述多个信息进行排序，并选取排序在前的一个或多个信息作为目标信息。
- 根据权利要求4所述的方法，其特征在于，所述分别对所述用户侧向量与所述信息侧向量进行相似度计算，得到多个召回目标相似度的步骤包 括：计算所述用户侧向量与所述信息侧向量的欧式距离；采用所述欧式距离，确定召回目标相似度。
- 根据权利要求1或2或3所述的方法，其特征在于，还包括：调整所述召回目标对应的召回目标权重。
- 根据权利要求1所述的方法，其特征在于，还包括：获取多个样本用户侧特征，并按照所述多个召回目标，对所述多个样本用户侧特征进行训练，得到用户侧网络；以及，获取多个样本信息侧特征，并按照所述多个召回目标，对所述样本信息侧特征进行训练，得到信息侧网络。
- 根据权利要求1所述的方法，其特征在于，还包括：对所述用户侧特征进行归一化处理。
- 根据权利要求1所述的方法，其特征在于，所述用户侧特征包括以下任一项或多项：用户属性特征、信息偏好特征。
- 根据权利要求1所述的方法，其特征在于，所述目标信息包括以下任一项或多项：新闻、短视频、音乐；所述召回目标包括以下多项：点击、分享、评论、播放时长。
- 根据权利要求2所述的方法，其特征在于，所述用户侧网络和/所述信息侧网络为采用神经网络算法的网络模型。
- 一种信息推荐的装置，其特征在于，所述装置包括：用户侧特征获取模块，用于在接收到用户请求时，获取所述用户请求对应的用户侧特征；用户侧子向量生成模块，用于采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个 召回目标对应一召回目标权重；用户侧向量组成模块，用于采用所述召回目标权重，将所述多个用户侧子向量组成用户侧向量；信息推荐模块，用于从预置的信息数据库中，查找与所述用户侧向量匹配的目标信息，并将所述目标信息推荐至用户。
- 一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至11中任一项所述的信息推荐的方法的步骤。
- 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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述的信息推荐的方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911423248.8 | 2019-12-31 | ||
| CN201911423248.8A CN111209477B (zh) | 2019-12-31 | 2019-12-31 | 一种信息推荐的方法及装置、电子设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2021135701A1 true WO2021135701A1 (zh) | 2021-07-08 |
Family
ID=70788488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2020/129863 WO2021135701A1 (zh) | 2019-12-31 | 2020-11-18 | 一种信息推荐的方法及装置、电子设备、存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111209477B (zh) |
| WO (1) | WO2021135701A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113468347A (zh) * | 2021-07-26 | 2021-10-01 | 北京明略软件系统有限公司 | 用于数据召回的方法及装置、电子设备、可读存储介质 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111209477B (zh) * | 2019-12-31 | 2023-06-09 | 广州市百果园信息技术有限公司 | 一种信息推荐的方法及装置、电子设备、存储介质 |
| CN112949703A (zh) * | 2021-02-23 | 2021-06-11 | 广州市百果园信息技术有限公司 | 视频召回方法、装置及电子设备 |
| CN113379449B (zh) * | 2021-05-31 | 2022-10-04 | 北京达佳互联信息技术有限公司 | 多媒体资源召回方法、装置、电子设备以及存储介质 |
| CN113569148A (zh) * | 2021-07-29 | 2021-10-29 | 北京快乐茄信息技术有限公司 | 一种目标信息的推荐方法、装置、电子设备及存储介质 |
| CN114677168A (zh) * | 2022-03-11 | 2022-06-28 | 百果园技术(新加坡)有限公司 | 一种资源推荐方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862022A (zh) * | 2017-10-31 | 2018-03-30 | 中国科学院自动化研究所 | 文化资源推荐系统 |
| CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
| US20180218431A1 (en) * | 2017-01-31 | 2018-08-02 | Wal-Mart Stores, Inc. | Providing recommendations based on user-generated post-purchase content and navigation patterns |
| CN110399563A (zh) * | 2019-08-05 | 2019-11-01 | 中国人民解放军军事科学院评估论证研究中心 | 一种基于用户行为分析的偏好模型及个性化信息主动推荐方法 |
| CN111209477A (zh) * | 2019-12-31 | 2020-05-29 | 广州市百果园信息技术有限公司 | 一种信息推荐的方法及装置、电子设备、存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427463B (zh) * | 2019-08-08 | 2023-11-24 | 腾讯科技（深圳）有限公司 | 搜索语句响应方法、装置及服务器和存储介质 |
| CN110543598B (zh) * | 2019-09-06 | 2022-03-25 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置及终端 |
-
2019
- 2019-12-31 CN CN201911423248.8A patent/CN111209477B/zh active Active
-
2020
- 2020-11-18 WO PCT/CN2020/129863 patent/WO2021135701A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180218431A1 (en) * | 2017-01-31 | 2018-08-02 | Wal-Mart Stores, Inc. | Providing recommendations based on user-generated post-purchase content and navigation patterns |
| CN107862022A (zh) * | 2017-10-31 | 2018-03-30 | 中国科学院自动化研究所 | 文化资源推荐系统 |
| CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
| CN110399563A (zh) * | 2019-08-05 | 2019-11-01 | 中国人民解放军军事科学院评估论证研究中心 | 一种基于用户行为分析的偏好模型及个性化信息主动推荐方法 |
| CN111209477A (zh) * | 2019-12-31 | 2020-05-29 | 广州市百果园信息技术有限公司 | 一种信息推荐的方法及装置、电子设备、存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113468347A (zh) * | 2021-07-26 | 2021-10-01 | 北京明略软件系统有限公司 | 用于数据召回的方法及装置、电子设备、可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111209477B (zh) | 2023-06-09 |
| CN111209477A (zh) | 2020-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021135701A1 (zh) | 一种信息推荐的方法及装置、电子设备、存储介质 | |
| US10853415B2 (en) | Systems and methods of classifying content items | |
| US9369514B2 (en) | Systems and methods of selecting content items | |
| JP6930041B1 (ja) | 検索／作成されたデジタルメディアファイルに基づく潜在的関連のあるトピックの予測 | |
| US9367808B1 (en) | System and method for creating thematic listening experiences in a networked peer media recommendation environment | |
| Braunhofer et al. | Location-aware music recommendation | |
| CN111259192B (zh) | 音频推荐方法和装置 | |
| CN112074857A (zh) | 组合机器学习和社交数据以生成个性化推荐 | |
| US10885107B2 (en) | Music recommendation method and apparatus | |
| US20090138457A1 (en) | Grouping and weighting media categories with time periods | |
| CN109165302A (zh) | 多媒体文件推荐方法及装置 | |
| CN111708901A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
| US9299331B1 (en) | Techniques for selecting musical content for playback | |
| US20170351769A1 (en) | System and Method for a Platform to Identify and Connect Like-Minded Individuals Based on Interaction | |
| US11849160B2 (en) | Image analysis system | |
| CN109245989A (zh) | 一种基于信息分享的处理方法、装置及计算机可读存储介质 | |
| EP3985669A1 (en) | Methods and systems for automatically matching audio content with visual input | |
| WO2014002064A1 (en) | System and method for media library navigation and recommendation | |
| US11410706B2 (en) | Content pushing method for display device, pushing device and display device | |
| Permana et al. | Movie Recommendation System Based on Synopsis Using Content-Based Filtering with TF-IDF and Cosine Similarity | |
| Vall et al. | The importance of song context and song order in automated music playlist generation | |
| Matsumoto et al. | Context-aware network analysis of music streaming services for popularity estimation of artists | |
| WO2023087933A1 (zh) | 内容推荐方法、装置、设备、存储介质及程序产品 | |
| WO2013131335A1 (zh) | 一种在网络社区中发布信息的方法与设备 | |
| CN117112870B (zh) | 基于人工智能的用户交互画像分类方法及ai会话交互系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20908839 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20908839 Country of ref document: EP Kind code of ref document: A1 |