CN111125521A - 一种信息推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种信息推荐方法、装置及设备，其中，该方法包括：从数据库中获取目标用户的标识以及拟推荐信息，根据目标用户的标识和包含有兴趣提取层的推荐模型，确定目标用户对拟推荐信息的点击通过率，当拟推荐信息的点击通过率满足预设条件时，将拟推荐信息推荐给目标用户。通过这样的方式，在预估用户对拟推荐信息的点击通过率时，可以基于推荐模型的兴趣提取层考虑到用户历史访问记录中各个信息之间关联性与拟推荐信息之间的关联程度，从而避免现有技术中模型存在的弊端，更加全面、准确的预估拟推荐信息的点击通过率。

Description

一种信息推荐方法、装置、设备及存储介质

技术领域

本发明实施例涉及信息处理技术，尤其涉及一种信息推荐方法、装置、设备及存储介质。

背景技术

在信息推荐***中，一般采用深度学习模型预估某一信息的点击通过率。现有技术中，在预估某一信息的点击通过率时，通常采用深度兴趣网络(Deep Interest Network，DIN)模型来排除用户历史访问记录中与待推荐信息不相关的信息对于待推荐信息的预估点击通过率的干扰。但是，该模型只能学习用户历史访问记录中各个信息各自与待推荐信息之间相关性，对待推荐信息点击通过率的预估不够全面、准确。

发明内容

本发明提供一种信息推荐方法、装置及设备，能够避免现有技术中模型存在的弊端，更加全面、准确的预估拟推荐信息的点击通过率。

第一方面，本发明实施例提供了一种信息推荐方法，该方法包括：

从数据库中获取目标用户的标识以及拟推荐信息；

根据目标用户的标识和推荐模型，确定目标用户对拟推荐信息的点击通过率；

其中，推荐模型中包含有兴趣提取层；

当拟推荐信息的点击通过率满足预设条件时，将拟推荐信息推荐给目标用户。

第二方面，本发明实施例还提供了一种信息推荐装置，该装置包括：

获取模块，用于从数据库中获取目标用户的标识以及拟推荐信息；

确定模块，用于根据目标用户的标识和推荐模型，确定目标用户对拟推荐信息的点击通过率；

其中，推荐模型中包含有兴趣提取层；

推荐模块，用于当拟推荐信息的点击通过率满足预设条件时，将拟推荐信息推荐给目标用户。

第三方面，本发明实施例还提供了一种信息推荐设备，该设备包括：

存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当处理器执行计算机程序时，实现如本发明第一方面提供的信息推荐方法。

本发明实施例提供了一种信息推荐方法、装置、设备及存储介质，从数据库中获取目标用户的标识以及拟推荐信息，根据目标用户的标识和包含有兴趣提取层的推荐模型，确定目标用户对拟推荐信息的点击通过率，当拟推荐信息的点击通过率满足预设条件时，将拟推荐信息推荐给目标用户。通过这样的方式，在预估用户对拟推荐信息的点击通过率时，可以基于推荐模型的兴趣提取层考虑到用户历史访问记录中各个信息之间关联性与拟推荐信息之间的关联程度，从而避免现有技术中模型存在的弊端，更加全面、准确的预估拟推荐信息的点击通过率。

附图说明

图1是本发明实施例中的信息推荐方法流程图；

图2是本发明实施例中的信息推荐方法流程图；

图3是本发明实施例中的推荐模型网络结构示意图；

图4是本发明实施例中的信息推荐方法流程图；

图5是本发明实施例中的信息推荐装置结构示意图；

图6是本发明实施例中的信息推荐设备结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

另外，在本发明实施例中，“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本发明实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。

图1为本发明实施例提供的一种信息推荐方法，该方法可以应用于各类网络平台中，向网络平台的用户推荐各类其可能感兴趣的信息，如图1所示，该方法包括：

S101、从数据库中获取目标用户的标识以及拟推荐信息。

本实施例中的数据库可以为各个网络平台的后台数据库，目标用户可以为浏览访问该网络平台的任意用户，那么对应地，目标用户的标识可以为用户在网络平台上注册的用户名、访问网络平台的终端设备号等各类标识。拟推荐信息可以理解为网络平台数据库中存储的任意信息。

当用户在网络平台上浏览信息，例如观看电影、播放音乐、浏览新闻等时，该网络平台的数据库会自动记录该用户的标识。因此，可以从网络平台的数据库中获取本步骤所涉及到的目标用户的标识以及拟推荐信息。

S102、根据目标用户的标识和推荐模型，确定目标用户对拟推荐信息的点击通过率。

本实施例中，上述推荐模型可以包括兴趣提取层，该兴趣提取层可用于获取目标用户历史访问记录中各个信息之间的相关性，以及各个信息之间相关性与拟推荐信息之间的关联程度。

因此，基于步骤S101获取到目标用户的标识和拟推荐信息之后，可以通过本步骤中的推荐模型确定上述标识对应的用户对拟推荐信息的点击通过率。

例如，在获知目标用户的标识的前提下，可以自动从数据库中获取该目标用户标识对应的用户历史访问记录，进而基于推荐模型的兴趣提取层确定目标用户的历史访问记录中各信息之间的关联性，以及历史访问记录中各信息之间的关联性与拟推荐信息之间的关联程度，由此，通过推荐模型确定出目标用户对该拟推荐信息的点击通过率。

因此，通过本实施例中设计的推荐模型可以克服现有技术中，模型仅学习用户历史访问记录中各个信息各自与拟推荐信息之间的相关性的弊端，从而可以更加全面、准确的预估用户对拟推荐信息的点击通过率。

S103、当拟推荐信息的点击通过率满足预设条件时，将拟推荐信息推荐给目标用户。

基于步骤S102中的推荐模型获取目标用户对拟推荐信息的点击通过率之后，可以对该点击通过率进行判断。若目标用户对该拟推荐信息的点击通过率满足预设条件，那么可以将该拟推荐信息推荐给目标用户。

示例性地，假设预设条件为点击通过率大于某一预设阈值，那么点击通过率满足预设条件，即为目标用户对拟推荐信息的点击通过率大于预设条件中的预设阈值，表示该目标用户点击访问该拟推荐信息的可能性较大。因此，可以将该拟推荐信息推荐给目标用户。

本实施例提供了一种信息推荐方法，从数据库中获取目标用户的标识以及拟推荐信息，根据目标用户的标识和包含有兴趣提取层的推荐模型，确定目标用户对拟推荐信息的点击通过率，当拟推荐信息的点击通过率满足预设条件时，将拟推荐信息推荐给目标用户。通过这样的方式，在预估用户对拟推荐信息的点击通过率时，可以基于推荐模型的兴趣提取层考虑到用户历史访问记录中各个信息之间关联性与拟推荐信息之间的关联程度，从而避免现有技术中模型存在的弊端，更加全面、准确的预估拟推荐信息的点击通过率。

图2为本实施例提供的一种信息推荐方法，该方法上述步骤S102中推荐模型的确定过程做进一步的详细描述，如图2所示，该方法包括：

S201、构建训练模型。

示例性地，上述构建的训练模型可以包括输入层、向量层、兴趣提取层、兴趣层、加权平均层、拼接层、全连接层以及输出层。该训练模型的网络结构如图3所示。

S202、根据展示点击日志获取训练数据。

本实施例中，展示点击日志用于表示用户点击(或访问)哪些展示过的信息，以及用户未点击哪些展示过的信息。

示例性地，该展示点击日志可以以表格的形式呈现，如表1所示。

表1

用户标识	信息标识	标签
			Xmly1	a	1
Xmly2	b	0
			Xmly3	c	0
Xmly4	c	1
			……	……	……

从展示点击日志中获取的训练数据可以包括用户标识、信息标识和标签，其中，标签用于标记与用户标识对应的用户是否访问信息标识对应的信息。

例如，结合表1，假设标签为1表示相应行用户标识对应的用户点击过相应行信息标识对应的信息，标签为0表示相应行用户标识对应的用户未点击过相应行新标识对应的信息。

那么，从表1可以看出，用户Xmly1点击访问过信息a，用户Xmly3未点击访问过信息c，而用户Xmly4点击访问过信息c。

当然，本领域技术人员也可以采用其他形式呈现上述展示点击日志中的相关内容，同时也可以采用其他方式表示用户是否点击过某一展示的信息，例如，采用T和F进行区分等，本实施例对此不作限定。

S203、根据训练数据从数据库中获取用户特征和信息特征。

由于训练数据中包括有用户标识、信息标识和标签，那么基于训练数据从数据库获取的用户特征可以为，根据用户标识从数据库中获取用户特征，其中，获取的用户特征可以包括用户个人数据和用户历史访问记录。

例如，用户个人数据可以为用户在网络平台上注册时填写的年龄、性别、喜好等特征，用户历史访问记录可以为用户访问网络平台时，该网络平台数据库自动记录并保存的浏览访问记录，该浏览访问记录可以作为评价用户兴趣偏好的依据，并和用户的个人数据共同作为用户特征。

基于训练数据从数据库中获取信息特征可以为，根据训练数据中的信息标识从数据库中获取信息特征。

S204、对用户特征和信息特征进行处理，生成模型输入数据。

步骤S203中获取的用户特征包括用户个人数据和用户历史访问记录，因此，本步骤中，对用户特征进行处理可以为对用户特征中的用户个人数据进行独热(one-hot)处理，以及，对用户特征中的用户历史访问记录进行编码。

其中，对用户历史访问记录的编码方式可以采用现有技术中的任意编码方式，例如，采用整数序列进行编码。假设需要编码的用户历史访问记录为100个，那么对应地，该用户历史访问记录中的编码可以为1—100。

同样地，对信息特征的处理也可以为对信息特征进行独热处理，进而，基于处理后的用户特征和信息特征，生成模型输入数据，也即基于用户特征中编码后的用户历史访问记录、独热处理后的用户个人数据以及独热处理后的信息特征，生成模型输入数据。

S205、根据模型输入数据和训练数据对训练模型进行训练，生成推荐模型。

如图3所示，本实施例提供的训练模型的网络结构包括输入层、向量层、兴趣提取层、兴趣层、加权平均层、拼接层、全连接层以及输出层，因此，基于模型输入数据和训练数据对训练模型进行训练的过程可以为，基于训练模型中各个网络层对上述模型输入数据和训练数据中的信息标识进行处理的过程。

示例性地，上述训练过程可以为将模型输入数据中的用户历史访问记录和训练数据中信息标识作为输入层数据输入训练模型的向量层中，生成用户访问信息向量序列和待处理信息向量。

例如，假设目标用户的用户历史访问记录包括专辑1、2、3，那么将专辑1、2、3和信息标识作为输入层数据输入至向量层后，对应地生成专辑向量1、2、3和待处理信息向量。其中，专辑向量1、2、3对应地构成用户访问信息向量序列，信息标识经过向量层的处理，对应的生成了待处理信息向量。

需要说明的是，上述信息标识可以为展示点击日志中，用户点击(访问)或未点击(未访问)过的信息对应的标识。

进而，通过训练模型中的兴趣提取层对用户访问信息向量序列和待处理信息向量进行处理，生成兴趣向量序列，并由兴趣层对兴趣提取层得到的兴趣向量序列进行处理，生成相似度序列。然后，训练模型中的加权平均层对相似度序列进行处理，生成序列向量，由训练模型中的拼接层对序列向量、待处理信息向量与模型输入数据中的信息特征和用户个人数据进行拼接，生成拼接向量。

进一步地，由训练模型中的全连接层根据拼接向量生成预测待训练信息的点击通过率，并由输出层输出点击通过率，根据该点击通过率训练上述构建的训练模型。

可以理解的是，上述处理过程中，由于模型输入数据是对用户特征和信息特征经过处理后生成的，因此，拼接层对序列向量与模型输入数据中的信息特征和用户个人数据进行拼接时，该信息特征和用户个人数据即为经过独热处理后的相应数据。

通过在训练模型中输入不同的模型输入数据和待训练信息，并基于训练模型中的各个网络层进行相应处理，这样经过反复的处理、训练过程，从而生成推荐模型。

另外，由于推荐模型是通过训练模型训练得到的，因此，推荐模型具有与训练模型相同的网络结构。

图4为本实施例提供的一种信息推荐方法，该方法对上述步骤S205中兴趣提取层和兴趣层的处理过程做进一步的详细描述，如图4所示，该方法包括：

S401、在兴趣提取层中计算用户访问信息向量序列中各向量与待处理信息向量之间的相关系数。

假设目标用户的用户历史访问记录包括专辑1、2、3，对应地，用户访问信息向量序列中即包含了专辑向量1、2、3，那么本步骤的处理过程即可以为分别计算专辑向量1、2、3与待处理信息向量之间的相关系数。

S402、将用户访问信息向量序列中各向量与对应的相关系数相乘，生成与各向量对应的加权信息向量。

示例性地，假设步骤S401中计算得到的专辑向量1与待处理信息向量之间的相关系数为r11，专辑向量2与待处理信息向量之间的相关系数为r12，专辑向量3与待处理信息向量之间的相关系数为r13。

那么，将用户访问信息向量序列中各向量与对应的相关系数相乘，即为将专辑向量1与系数r11相乘，将专辑向量2与系数r12相乘，将专辑向量3与系数r13相乘，从而生成与各个向量对应的加权信息向量。

S403、兴趣提取层对各个加权信息向量进行兴趣提取，生成兴趣向量序列。

在兴趣提取层中经过步骤S401和步骤S402的计算后，进一步地对得到的加权信息向量进行兴趣提取，以生成兴趣向量序列。

通过上述兴趣提取层的处理，可以获取用户访问信息向量序列中专辑1、2、3之间的相关性，以及专辑1、2、3之间相关性与待处理信息之间的关联程度。

S404、兴趣层将兴趣向量序列中各向量与待处理信息向量做余弦，生成兴趣向量序列与待处理信息之间的相似度序列。

基于步骤S401-S403的处理，生成的兴趣向量序列包含有三个向量，假设分别为向量1、向量2、向量3，那么，通过兴趣层将兴趣向量序列中各向量与待处理信息向量做余弦，同样可以得到三个余弦值，假设该三个余弦值分别为r1、r2、r3，那么该三个余弦值即构成兴趣向量序列与待处理信息之间的相似度序列【r1、r2、r3】。

这样基于兴趣层的处理可以更进一步地获取到用户访问信息向量序列中专辑1、2、3之间相关性与待处理信息之间的关联程度。

图5为本实施例提供的一种信息推荐装置，如图5所示，该装置包括：获取模块501、确定模块502、推荐模块503；

其中，获取模块，用于从数据库中获取目标用户的标识以及拟推荐信息；

确定模块，用于根据目标用户的标识和推荐模型，确定目标用户对拟推荐信息的点击通过率；

其中，推荐模型中包含有兴趣提取层；

推荐模块，用于当拟推荐信息的点击通过率满足预设条件时，将拟推荐信息推荐给目标用户。

进一步地，上述信息推荐装置还包括：构建模块、生成模块和训练模块；

其中，构建模块，用于构建训练模型；

获取模块，还用于根据展示点击日志获取训练数据，以及根据训练数据从数据库中获取用户特征和信息特征；

其中，训练数据包括用户标识、信息标识和标签，标签用于标记与用户标识对应的用户是否访问信息标识对应的信息；

生成模块，用于对用户特征和信息特征进行处理，生成模型输入数据；

训练模型，用于根据模型输入数据和训练数据对训练模型进行训练，生成推荐模型。

进一步地，获取模块，具体用于根据用户标识从数据库中获取用户特征，其中，用户特征包括用户个人数据和用户历史访问记录，以及根据信息标识从数据库中获取信息特征。

进一步地，生成模块，具体用于对用户特征中的用户个人数据和信息特征进行独热处理，以及，对用户特征中的用户历史访问记录进行编码，并根据独热处理后的用户特征和信息特征，生成模型输入数据。

在一种示例中，训练模块具体用于将模型输入数据中的用户历史访问记录和训练数据中的信息标识输入训练模型中的向量层，生成用户访问信息向量序列和待处理信息向量；根据训练模型中的兴趣提取层对用户访问信息向量序列和待处理信息向量进行处理，生成兴趣向量序列；根据训练模型的兴趣层对兴趣向量序列进行处理，生成相似度序列；根据训练模型的加权平均层对相似度序列进行处理，生成序列向量；根据训练模型的拼接层对序列向量、待处理信息向量与模型输入数据中的信息特征和用户个人数据进行拼接，生成拼接向量；通过训练模型的全连接层根据拼接向量，生成预测所待训练信息的点击通过率；以及，通过训练模型的输出层输出点击通过率，并根据点击通过率训练训练模型，生成推荐模型。

进一步地，上述训练模块，生成兴趣向量序列的方式可以为在兴趣提取层中计算用户访问信息向量序列中各向量与待处理信息向量之间的相关系数；将用户访问信息向量序列中各向量与对应的相关系数相乘，生成与各向量对应的加权信息向量；以及，在兴趣提取层对各个加权信息向量进行兴趣提取，生成兴趣向量序列。

进一步地，上述训练模块，生成相似度序列的方式可以为在兴趣层将兴趣向量序列中各向量与待处理信息向量做余弦，生成兴趣向量序列与待处理信息之间的相似度序列。

图5所提供的信息推荐装置可执行图1、图2、图4所提供的信息推荐方法，具备执行方法相应的功能模块和有益效果。

图6为本发明实施例提供的一种信息推荐设备的结构示意图，如图6所示，该设备包括处理器601、存储器602、输入装置603和输出装置604；设备中处理器601的数量可以是一个或多个，图6中以一个处理器601为例；设备中的处理器601、存储器602、输入装置603和输出装置604可以通过总线或其他方式连接，图6中以通过总线连接为例。

存储器602作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例图1-4中的信息推荐方法对应的程序指令/模块(例如，信息推荐装置中的获取模块501、确定模块502、推荐模块503)。处理器601通过运行存储在存储器602中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的信息推荐方法。

存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器602可进一步包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置603可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置304可包括显示屏等显示设备。

本发明实施例还提供一种包含计算机可执行指令的存储介质，当计算机可执行指令在由计算机处理器执行时用于执行一种信息推荐方法，该方法包括：

从数据库中获取目标用户的标识以及拟推荐信息；

根据目标用户的标识和推荐模型，确定目标用户对拟推荐信息的点击通过率；

其中，推荐模型中包含有兴趣提取层；

当拟推荐信息的点击通过率满足预设条件时，将拟推荐信息推荐给目标用户。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的信息推荐方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述信息推荐装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种信息推荐方法，其特征在于，包括：

从数据库中获取目标用户的标识以及拟推荐信息；

根据所述目标用户的标识和推荐模型，确定所述目标用户对所述拟推荐信息的点击通过率；

其中，所述推荐模型中包含有兴趣提取层；

当所述拟推荐信息的点击通过率满足预设条件时，将所述拟推荐信息推荐给所述目标用户。

2.根据权利要求1所述的方法，其特征在于，确定所述推荐模型，包括：

构建训练模型；

根据展示点击日志获取训练数据；

根据所述训练数据从数据库中获取用户特征和信息特征；

对所述用户特征和信息特征进行处理，生成模型输入数据；

根据所述模型输入数据和所述训练数据对所述训练模型进行训练，生成推荐模型。

3.根据权利要求2所述的方法，其特征在于，所述训练数据包括：用户标识、信息标识和标签，所述标签用于标记与所述用户标识对应的用户是否访问所述信息标识对应的信息。

4.根据权利要求3所述的方法，其特征在于，根据所述训练数据从数据库中获取用户特征和信息特征，包括：

根据所述用户标识从数据库中获取所述用户特征，所述用户特征包括用户个人数据和用户历史访问记录；

根据所述信息标识从数据库中获取所述信息特征。

5.根据权利要求2-4任一项所述的方法，其特征在于，对所述用户特征和信息特征进行处理，生成模型输入数据，包括：

对所述用户特征中的用户个人数据和所述信息特征进行独热处理；

对所述用户特征中的用户历史访问记录进行编码；

根据所述处理后的用户特征和信息特征，生成模型输入数据。

6.根据权利要求5所述的方法，其特征在于，根据所述模型输入数据和所述训练数据对所述训练模型进行训练，生成推荐模型，包括：

将所述模型输入数据中的用户历史访问记录和所述训练数据中的信息标识输入所述训练模型中的向量层，生成用户访问信息向量序列和待处理信息向量；

所述训练模型中的兴趣提取层对所述用户访问信息向量序列和待处理信息向量进行处理，生成兴趣向量序列；

所述训练模型的兴趣层对所述兴趣向量序列进行处理，生成相似度序列；

所述训练模型的加权平均层对所述相似度序列进行处理，生成序列向量；

所述训练模型的拼接层对所述序列向量、所述待处理信息向量与所述模型输入数据中的信息特征和用户个人数据进行拼接，生成拼接向量；

所述训练模型的全连接层根据所述拼接向量，生成预测所述待训练信息的点击通过率；

所述训练模型的输出层输出所述点击通过率，并根据所述点击通过率训练所述训练模型，生成推荐模型。

7.根据权利要求6所述的方法，其特征在于，所述训练模型中的兴趣提取层对所述用户访问信息向量序列和待处理信息向量进行处理，生成兴趣向量序列，包括：

在所述兴趣提取层中计算所述用户访问信息向量序列中各向量与所述待处理信息向量之间的相关系数；

将所述用户访问信息向量序列中各向量与对应的相关系数相乘，生成与各向量对应的加权信息向量；

所述兴趣提取层对各个所述加权信息向量进行兴趣提取，生成兴趣向量序列。

8.根据权利要求6或7所述的方法，其特征在于，所述训练模型的兴趣层对所述兴趣向量序列进行处理，生成相似度序列，包括：

所述兴趣层将所述兴趣向量序列中各向量与待处理信息向量做余弦，生成兴趣向量序列与所述待处理信息之间的相似度序列。

9.一种信息推荐装置，其特征在于，包括：

获取模块，用于从数据库中获取目标用户的标识以及拟推荐信息；

确定模块，用于根据所述目标用户的标识和推荐模型，确定所述目标用户对所述拟推荐信息的点击通过率；

其中，所述推荐模型中包含有兴趣提取层；

推荐模块，用于当所述拟推荐信息的点击通过率满足预设条件时，将所述拟推荐信息推荐给所述目标用户。

10.一种信息推荐设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-8任一项所述的信息推荐方法。

Images