CN115130000A - 一种信息推荐的方法、装置、存储介质及电子设备 - Google Patents

一种信息推荐的方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN115130000A
CN115130000A CN202210856576.2A CN202210856576A CN115130000A CN 115130000 A CN115130000 A CN 115130000A CN 202210856576 A CN202210856576 A CN 202210856576A CN 115130000 A CN115130000 A CN 115130000A
Authority
CN
China
Prior art keywords
information
user
description
recommendation
map
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
CN202210856576.2A
Other languages
English (en)
Inventor
白琛
罗灵锐
杜小毅
史鑫磊
罗恒亮
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.)
Xiamen Sankuai Online Technology Co ltd
Original Assignee
Beijing Sankuai Online Technology 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202210856576.2A priority Critical patent/CN115130000A/zh
Publication of CN115130000A publication Critical patent/CN115130000A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries

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)

Abstract

本说明书公开了一种信息推荐的方法、装置、存储介质及电子设备。该信息推荐的方法包括：获取用户的用户信息以及待推荐信息，将用户信息以及待推荐信息输入到预先训练的信息推荐模型，以确定该待推荐信息中包含的用于描述该待推荐信息对应业务对象的描述信息，并通过预先构建的特征图谱，确定用户对应的用户图谱特征、描述信息对应的描述图谱特征以及推荐信息对应的信息图谱特征，该特征图谱用于表征受不同类型历史描述信息的影响下，各用户与各历史推荐信息之间的历史交互关系，根据用户图谱特征、描述图谱特征以及信息图谱特征，确定用户受该描述信息的影响下对该待推荐信息进行点击的第一点击率，根据该第一点击率，向该用户进行信息推荐。

Description

一种信息推荐的方法、装置、存储介质及电子设备
技术领域
本说明书涉及信息推荐领域，尤其涉及一种信息推荐的方法、装置、存储介质及电子设备
背景技术
近年来，随着科技的发展，信息推荐模型已经被应用到越来越多的领域，尤其是在诸如推荐、搜索、广告等背景下，信息推荐模型可以通过对用户信息以及历史行为的分析，来对用户对不同推荐信息的点击率进行预测，从而根据预测结果，生成相应的推荐信息列表以展示给用户。
然而，目前的方法通常只会根据用户的特征以及推荐信息的特征来对用户的点击率进行预测，但却忽略了推荐信息中包含的其他因素对用户的引导作用，这将导致最终向用户推荐的推荐信息不够准确。
因此，如何在准确的预测出用户对不同推荐信息的点击情况，从而向用户推荐符合其偏好的推荐信息，进而提高用户的使用体验，是一个亟待解决的问题。
发明内容
本说明书提供一种信息推荐的方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种信息推荐的方法，包括：
获取用户的用户信息以及待推荐信息；
将所述用户信息以及待推荐信息输入到预先训练的信息推荐模型，以确定所述待推荐信息中包含的用于描述所述待推荐信息对应业务对象的描述信息，并通过预先构建的特征图谱，确定所述用户对应的用户图谱特征、所述描述信息对应的描述图谱特征以及所述待推荐信息对应的信息图谱特征，其中，所述特征图谱用于表征受不同类型历史描述信息的影响下，各用户与各历史推荐信息之间的历史交互关系；
根据所述用户图谱特征、所述描述图谱特征以及所述信息图谱特征，确定所述用户受所述描述信息的影响下对所述待推荐信息进行点击的第一点击率；
根据所述第一点击率，向所述用户进行信息推荐。
可选地，构建所述特征图谱，具体包括：
获取各用户与各历史推荐信息之间的历史交互记录；
针对每个用户，根据所述历史交互记录，将该用户对应的用户节点，和该用户点击过的历史推荐信息对应的信息节点，以确定出的与所述历史推荐信息相匹配的描述信息所对应的描述特征为边进行连接，构建所述特征图谱。
可选地，确定出与所述历史推荐信息相匹配的描述信息，具体包括：
若所述历史推荐信息中不包含描述信息，则根据所述历史交互记录，确定与所述历史推荐信息相匹配的描述信息。
可选地，根据所述历史交互记录，确定与所述历史推荐信息相匹配的描述信息，具体包括：
确定与所述历史推荐信息所属信息类型相同的其他历史推荐信息；
根据所述其他历史推荐信息对应的历史交互记录，从所述其他历史推荐信息中确定参考推荐信息；
根据所述参考推荐信息中包含的描述信息，确定出与所述历史推荐信息相匹配的描述信息。
可选地，根据所述第一点击率，向所述用户进行信息推荐之前，所述方法还包括：
确定所述用户对应的原始用户特征、所述待推荐信息对应的原始信息特征；
根据所述原始用户特征、所述用户图谱特征、所述原始信息特征以及所述信息图谱特征，确定所述用户对所述待推荐信息进行点击的点击率，作为第二点击率；
根据所述第一点击率，向所述用户进行信息推荐，具体包括：
根据所述第一点击率以及所述第二点击率，向所述用户进行信息推荐。
可选地，根据所述第一点击率以及所述第二点击率，向所述用户进行信息推荐，具体包括：
确定所述第一点击率对应的权重，作为第一权重，以及所述第二点击率对应的权重，作为第二权重；
根据所述第一点击率和所述第一权重，以及所述第二点击率和所述第二权重，确定所述用户对所述待推荐信息进行点击的点击率，作为综合点击率；
根据所述综合点击率，向所述用户进行信息推荐。
可选地，确定所述第一点击率对应的权重，作为第一权重，以及所述第二点击率对应的权重，作为第二权重，具体包括：
根据所述用户图谱特征、所述描述图谱特征以及所述信息图谱特征，确定所述第一权重；
根据所述第一权重，确定所述第二权重。
本说明书提供了一种信息推荐的装置，包括：
获取模块，获取用户的用户信息以及待推荐信息；
输入模块，将所述用户信息以及待推荐信息输入到预先训练的信息推荐模型，以确定所述待推荐信息中包含的用于描述所述待推荐信息对应业务对象的描述信息，并通过预先构建的特征图谱，确定所述用户对应的用户图谱特征、所述描述信息对应的描述图谱特征以及所述待推荐信息对应的信息图谱特征，其中，所述特征图谱用于表征受不同类型历史描述信息的影响下，各用户与各历史推荐信息之间的历史交互关系；
确定模块，根据所述用户图谱特征、所述描述图谱特征以及所述信息图谱特征，确定所述用户受所述描述信息的影响下对所述待推荐信息进行点击的第一点击率；
推荐模块，根据所述第一点击率，向所述用户进行信息推荐。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述信息推荐的方法。
本说明书提供了一种电子设备，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，所述处理器执行所述程序时实现上述信息推荐的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的信息推荐的方法中，会将获取到的用户信息以及待推荐信息输入到预先训练的信息推荐模型，以确定该待推荐信息中包含的用于描述该待推荐信息对应业务对象的描述信息，并通过预先构建的特征图谱，确定用户对应的用户图谱特征、描述信息对应的描述图谱特征以及推荐信息对应的信息图谱特征，该特征图谱用于表征受不同类型历史描述信息的影响下，各用户与各历史推荐信息之间的历史交互关系，根据用户图谱特征、描述图谱特征以及信息图谱特征，确定用户受该描述信息的影响下对该待推荐信息进行点击的点击率，进而根据该点击率，向该用户进行信息推荐。
从上述方法可以看出，本方案在向用户进行信息推荐时，会提取出推荐信息中包含的描述信息，并在相应的特征图谱中确定出户对应的用户图谱特征、描述信息对应的描述图谱特征以及推荐信息对应的信息图谱特征，使得信息推荐模型能够根据上述特征准确的确定出在描述信息的影响下用户对该待推荐信息进行点击的点击率，相比于目前仅根据用户信息以及推荐信息进行信息推荐的方法，本方案充分考虑到了推荐信息中包含的描述信息对用户执行点击的影响，使得向用户推荐的信息更加准确。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种信息推荐的方法的流程示意图；
图2为本说明书提供的一种交互记录的生成过程示意图；
图3为本说明书提供的一种综合点击率预测过程示意图；
图4为本说明书提供的一种信息推荐的装置的示意图；
图5为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种信息推荐的方法的流程示意图，包括以下步骤：
S101：获取用户的用户信息。
当用户在业务客户端或者网页中浏览诸如外卖、酒店、餐饮等推荐信息时，用户对推荐信息属性(如推荐信息中业务对象的价格、位置、种类等)的偏好往往决定了用户是否会对该推荐信息进行点击，但是在实际应用中，推荐信息中包含的用于描述待推荐信息对应业务对象的描述信息也会对用户起到一定的引导作用，有些用户往往会更加关注于推荐信息中记载的这些描述信息，如果用户对该推荐信息中记载的描述信息产生兴趣，那么即使该推荐信息属性不符合用户偏好，用户也会对该推荐信息进行点击。
例如，在向用户推荐酒店信息时，酒店的价格、类型以及位置往往会影响到用户对该推荐信息的点击情况，用户在浏览信息时往往更加倾向于对自己能够接收的价格以及位置最近的酒店进行点击，但是当用户浏览一个不符合自己偏好的酒店推荐信息时，如果这个推荐信息中包含的描述信息(如酒店设施、酒店环境、服务质量、隔音效果、地理位置等)能够使用户产生兴趣，那么也会使用户产生兴趣，进而对该推荐信息进行点击。
基于此，本说明书提供了一种信息推荐的方法，其中，需要获取用户的用户信息，从而根据该用户信息对用户画像进行描述，以确定出该用户对应的用户特征。
需要说明的是，在本说明书中，获取用户的用户信息之前，需要先通过用户进行授权，用户授权之后方可获取到用户的用户信息。而若用户拒绝授权，则不会获取用户的用户信息。若用户先进行授权，而后又取消授权，则会将之前用户授权后获取到的该用户的所有用户信息进行删除。
此外，服务器还可以获取各待推荐信息，以从这些待推荐信息中选取出一定数量的待推荐信息按照确定出的次序向用户进行展示，其中，该推荐信息可以为诸如外卖、酒店、服饰、餐饮、生活用品等不同类型的业务对象对应的推荐信息，当然，也可以为其他业务对象对应的推荐信息，本说明书对此不做具体限定。
在本说明书中，用于实现信息推荐方法的执行主体，可以指服务器等设置于业务平台的指定设备，为了便于描述，下面仅以服务器是执行主体为例，对本说明书提供的一种信息推荐的方法进行说明。
S102：将所述用户信息以及待推荐信息输入到预先训练的信息推荐模型，以确定所述待推荐信息中包含的用于描述所述待推荐信息对应业务对象的描述信息，并通过预先构建的特征图谱，确定所述用户对应的用户图谱特征、所述描述信息对应的描述图谱特征以及所述待推荐信息对应的信息图谱特征，其中，所述特征图谱用于表征受不同类型历史描述信息的影响下，各用户与各历史推荐信息之间的历史交互关系。
获取到该用户对应的用户信息后，服务器可以将该用户信息输入到预先训练的信息推荐模型中，针对每一个待推荐信息，服务器可以通过该信息推荐模型，提取该待推荐信息中包含的用于描述所述待推荐信息对应业务对象的描述信息。
当然，该描述信息可以为对该待推荐信息进行简介以及描述的文案，当然，也可以为该待推荐信息中的评论、标签等其他信息，本说明书对此不做具体限定。
进一步的，服务器可以通过该信息推荐模型中设置的特征提取层，对该用户的用户信息进行特征提取，得到该用户对应的原始用户特征，对该待推荐信息进行特征提取，到的该待推荐信息对应的原始信息特征以及对提取到的该推荐信息中包含的描述信息进行特征提取，得到该描述信息对应的原始描述特征。
在本说明书中，该描述信息对应的原始描述特征可以为该描述信息所属类型对应的原始描述特征。其中，上述描述信息所属的类型可以为描述信息所记载的不同内容的类型，如在酒店推荐场景下，该描述信息所属的类型可以为酒店的环境描述、酒店的服务质量描述、酒店的地理位置描述、酒店的设备设施描述以及酒店的隔音效果描述等。当然，上述描述信息所属的类型也可以为其他业务场景下对应的其他内容类型，本说明书对此不做具体限定。
服务器可以通过信息推荐模型中的特征提取层，先将该用户信息映射为独热编码(one-hot)向量，而后将该用户信息对应的one-hot向量与相应的嵌入矩阵相乘，从而到的该用户对应的原始用户特征(即该用户信息对应的one-hot向量与相应的嵌入矩阵相乘后的向量)。
同样的，对于推荐信息对应的原始信息特征以及推荐信息中包含的描述信息对应的描述特征，也可以通过上述方式来进行提取，本说明书在此处不做过多赘述。
得到用户对应的原始用户特征、该推荐信息对应的原始信息特征以及该推荐信息中包含的描述信息对应的原始描述特征后，服务器可以将该原始用户特征、原始信息特征、原始描述特征输入设置在该信息推荐模型中预先构建的特征图谱，以使该特征图谱根据上述原始用户特征、原始信息特征、原始描述特征，在该图谱中查询到该用户对应的用户图谱特征、该推荐信息对应的信息图谱特征以及该推荐信息中包含的描述信息对应的描述图谱特征。
当然，服务器也可以直接将该用户对应的用户信息，该推荐信息以及该推荐信息中包含的描述信息输入上述特征图谱，以使该特征图谱直接根据用户信息确定出该用户对应的用户图谱特征，根据推荐信息确定该推荐信息对应的信息图谱特征以及根据描述信息确定该推荐信息中包含的描述信息对应的描述图谱特征。
在实际应用中，可能会有一些新用户，没有出现在已经构建好的特征图谱里，这就可能无法找到该用户对应的用户图谱特征。因此，在向这些新的用户进行信息推荐时，可以先向其推荐一些符合其他条件的推荐信息，如当前点击率最高的推荐信息或者推荐量最多的推荐信息，随着用户的使用，逐渐生成一些用户在不同描述信息的影响下与不同推荐信息的交互数据后，可以根据这些交互数据，将该用户的用户图谱特征更新到上述特征图谱里。
此外，服务器也可以将这些新的用户对应的原始用户特征与特征图谱中其他用户对应的原始用户特征进行特征匹配，从而将与该用户对应原始用户特征最接近的其他用户对应的户图谱特征，作为该用户对应的用户图谱特征。
其中，该特征图谱可以是基于样本数据集中该用户以及其他用户在不同类型描述信息的影响下与各推荐信息的历史交互数据进行构建的，用于表征受不同类型历史描述信息的影响下，各用户与各历史推荐信息之间的历史交互关系。也就是说，如果在该特征图谱中存在有该用户对在该描述信息下对该推荐信息进行点击的数据，则用户在该描述信息的引导下就会有较大的概率对该待推荐信息进行点击。
需要说明的是，在本说明书中，尽管原始特征提取层与特征图谱的作用都是确定出相应特征，但是，初始特征提取层提取到的特征与特征图谱确定出的特征具有本质的不同，初始特征提取层提取到的原始用户特征、原始描述特征以及原始信息特征之间是相互独立的，并没有一定的关联性，而特征图谱确定出的目标特征是根据各用户在不同类型描述信息的影响下与各推荐信息的历史交互数据，对各原始特征进行迭代后得到的，也就是说，通过特征图谱确定出的用户图谱特征、信息图谱特征以及描述图谱特征之间具有一定的关联性，并且能够反应出不同类型文案对用户和推荐信息之间的交互行为的影响作用。
在服务器构建上述特征图谱之前，还需要获取各用户与各历史推荐信息之间的历史交互记录，从而对该特征图谱进行构建。
在实际应用中，有的推荐信息中会包含有描述信息，有的推荐信息中不会包含有描述信息，而同一用户与每个推荐信息的历史交互记录往往是稀疏的，例如，如果某个指定用户对一个包含有描述信息的推荐信息没有进行点击，则只会生成用户在该描述信息下未对该推荐信息进行点击的交互记录，由于不知道在该推荐信息不包含有描述信息的情况下用户是否会对该历史推荐信息进行点击，所以也不会出现在该推荐信息不包含描述信息的情况下对应的交互记录。这样稀疏的单一方向的交互记录并不利于特征图谱的构建，限制了构建出的特征图谱的精度。
因此，服务器可以针对每一历史推荐信息，判断该历史推荐信息中是否包含有描述信息，得到判断结果，而后根据判断结果，以及用户对该历史推荐信息的实际操作数据，生成新的样本数据。
具体的，由于在用户浏览信息的过程中，推荐信息中包含的描述信息往往对用户的点击行为挥着积极的引导作用，因此，对于包含有历史描述信息，且用户进行过点击的历史推荐信息，服务器可以生成该用户在该历史推荐信息中不包含历史描述信息的情况下，未对该历史推荐信息进行点击的历史交互记录。换句话说，如果在该历史推荐信息中包含有历史描述信息的情况下用户都没有对该历史推荐信息进行点击，则在该历史推荐信息不包含有历史描述信息的情况下，用户也不会对该历史推荐信息进行点击。
而对于不包含历史描述信息，且用户进行过点击的历史推荐信息，服务器可以生成该用户在该历史推荐信息中包含历史描述信息的情况下，对该历史推荐信息进行点击的交互记录。换句话说，如果在该历史推荐信息中不包含历史描述信息的情况下该用户都对该历史推荐信息进行了点击，则在该历史推荐信息中包含有历史描述信息内的情况下，该用户也会对该历史推荐信息进行点击。
其中，由于构建特征图谱时，会将用户节点与信息节点之间以边进行连接，而对于用户点击过但没有描述信息的历史推荐信息，也就是根据不包含历史描述信息，且指定用户进行过点击的历史推荐信息生成的历史交互记录中的历史推荐信息，服务器可以判断该历史推荐信息中是否包含描述信息，若不包含描述信息，则根据历史交互记录，确定与该历史推荐信息相匹配的描述信息。
具体的，服务器可以确定与历史推荐信息所属信息类型相同的其他历史推荐信息，并根据其他历史推荐信息对应的历史交互记录，从其他历史推荐信息中确定参考推荐信息，而后根据参考推荐信息中包含的描述信息，确定出与所述历史推荐信息相匹配的描述信息。
例如，服务器可以确定出其他用户点击次数最多且包含有描述信息的历史推荐信息，作为参考推荐信息，并将该参考推荐信息中包含的描述信息，作为与上述历史推荐信息相匹配的描述信息。
当然，服务器也可以确定出上述历史推荐信息展示给其他用户次数最多的描述信息，作为与上述历史推荐信息相匹配的描述信息。
而对于用户点击过的且包含有描述信息的历史推荐信息，服务器则不需要对该历史推荐信息的描述信息进行重新确认。
当然，上述生成的历史推荐信息中的描述信息也可以是该用户点击过的其他历史推荐信息对应的描述信息，本说明书对此不做具体限定。
这样一来，就得到了实际交互记录，以及根据对实际交互记录进行推测后生成的新的生成交互记录。为了便于理解，本说明书还提供了一种样本数据的生成示意图，如图2所示。
图2为本说明书提供的一种交互记录的生成过程示意图。
其中，服务器可以筛选出包含描述信息且用户未进行点击的实际样本以及不包含描述信息且用户进行点击的历史交互记录，而后进行推断，对于包含描述信息且用户未进行点击的历史交互记录，用户本身会对该实际样本对应的历史推荐信息产生排斥，所以在该历史推荐信息不包含描述信息的情况下，也不会对该历史推荐信息进行点击，所以会生成相应的该历史推荐信息不包含描述信息且用户未进行点击的新生成的交互记录。
而对于不包含描述信息且用户进行过点击的历史交互记录，用户本身会对该历史推荐信息产生兴趣，所以在该历史推荐信息包含描述信息的情况下，用户也会对该历史推荐信息进行点击，所以会生成相应的该历史推荐信息包含描述信息且用户进行过点击的生成交互记录。
获取到上述历史交互记录以及生成交互记录后，服务器可以对特征图谱进行构建，其中，该图卷积网络包含有多个卷积层，在每个卷积层中，由于一个用户会点击多个推荐信息，而一个推荐信息也会被多个用户进行点击，因此，该图卷积网络最初一层的用户节点可以表示为：
Figure BDA0003754632210000111
该层的信息节点可以表示为：
Figure BDA0003754632210000112
对于其中任意一个节点f(该节点可以是用户节点，也可以是信息节点)，与该节点f的邻居节点(即与节点f相连接的节点)的组合可以表示为：
Nf＝{(t,b)|(f,t,b)∈G}
其中，Nf为节点f的邻居节点组合，b为f的邻居节点，t为这两个节点之间的边，G为该特征图谱。
因此，可以通过节点f的邻居节点以及对应的边，对节点f对应的特征进行表示：
Figure BDA0003754632210000113
其中，
Figure BDA0003754632210000114
为通过节点f的邻居节点对节点f对应特征的表示，Nf为邻居节点集合，
Figure BDA0003754632210000121
为该层中与节点f相连的邻居节点b所对应的特征，et为节点f与邻居节点b之间的边对应的特征。
当经过多个卷积层进行卷积传播后，该节点经过迭代后对应的图谱特征可以表示为：
Figure BDA0003754632210000122
其中，
Figure BDA0003754632210000123
为节点f在最后一层(即l层)对应的图谱特征，LeakyReLU为相应的激活函数，W1和W2分别为相应的变换矩阵。
通过上述方式，可以得到各用户对应的用户图谱特征，各历史推荐信息对应的信息图谱特征以及各描述信息对应的描述图谱特征，从而通过上述图谱特征对特征图谱进行构建。
具体的，对于每个用户，服务器可以将该用户对应的用户图谱特征，以及该用户点击过的历史推荐信息对应的信息图谱特征作为节点，并将该用户图谱特征节点与该信息图谱特征节点，以该历史推荐信息中包含的历史描述信息对应的描述图谱特征为边进行连接，这样一来，若在样本数据中存在有用户ui在历史描述信息tk的引导下对历史推荐信息ij进行了点击，则会形成一个三元组(ui,tk,ij)，即通过描述图谱特征节点tk(边)将用户图谱特征节点ui与信息图谱特征节点ij进行连接。
S103：根据所述用户图谱特征、所述描述图谱特征以及所述信息图谱特征，确定所述用户受所述描述信息的影响下对所述待推荐信息进行点击的第一点击率。
该信息推荐模型中可以包含有两个预测网络，即第一预测网络与第二预测网络，其中，第二预测网络用于根据输入的原始用户特征、原始信息特征、用户图谱特征以及信息图谱特征，基于该用户信息与该待推荐信息之间的匹配程度，确定该用户对该待推荐信息的点击率，作为第二点击率；
第一预测网络用于根据输入的用户图谱特征、描述图谱特征以及信息图谱特征确定该用户在该待推荐信息中包含的描述信息的影响下，对该待推荐信息进行点击的第一点击率。
由于用户对应的用户图谱特征以及待推荐信息对应的信息图谱特征是在特征图谱构建过程中经过多次迭代学习后得到的，所以该用户图谱特征、信息图谱特征与描述图谱特征处于不同的表征空间中，因此，在将用户图谱特征以及信息图谱特征输入第一预测网络之前，需要对该用户图谱特征以及信息图谱特征进行处理，对该用户对应的用户图谱特征的处理过程可以通过如下公式进行表示：
e′u＝eu+σ(eu⊙et)⊙eu
其中，eu为该用户对应的用户图谱特征，e′u为处理后用户图谱特征，σ为激活函数(如sigmod函数)。
对待推荐信息对应的关联特征的处理过程可以通过如下公式进行表示：
e′i＝ei+σ(ei⊙et)⊙ei
其中，ei为该待推荐信息对应的信息图谱特征，e′i为推荐信息对应的处理后信息图谱特征，σ为激活函数。
此外，服务器也可以对描述图谱特征进行相应的处理。
对用户图谱特征、信息图谱特征以及描述图谱特征进行处理后，服务器即可将处理后用户图谱特征、处理后信息图谱特征以及待推荐信息中包含的描述信息对应的处理后描述图谱特征输入第一预测网络，从而确定出用户在该描述信息的影响下对该待推荐信息进行点击的第一点击率。
服务器可以确定出第一点击率对应的权重，作为第一权重，以及确定第二点击率对应的权重，作为第二权重，而后服务器可以根据上述第一点击率和第一点击率对应的第一权重，以及第二点击率和第二点击率对应的第二权重，确定该待推荐信息对应的综合点击率。
进一步的，服务器可以根据上述各图谱特征，通过多层感知机确定出第一点击率对应的第一权重，以及第二点击率对应的第二权重，上述第一点击率对应的权重可以通过如下公式进行表示：
Figure BDA0003754632210000141
其中，ω为上述第一点击率对应的第一权重，MLP为多层感知机，σ为Sigmoid函数，
Figure BDA0003754632210000142
为用户ui对应的用户图谱特征，
Figure BDA0003754632210000143
为推荐信息ij中包含的描述信息tk对应的描述图谱特征，
Figure BDA0003754632210000144
为推荐信息ij对应的信息图谱特征。
而后服务器可以根据上述第一点击率对应的权重确定出第二点击率对应的第二权重。
在实际应用中，如果用户更关注与推荐信息中包含的描述信息，推荐信息的属性(如推荐信息对应的商品类别、价格区间等)就会对用户的点击行为产生较小的影响，而如果用户更关注于推荐信息的属性，则推荐信息中包含的描述信息可能就会对用户的点击行为产生较小的影响。因此。该综合点击率可以通过如下公式进行表示：
Figure BDA0003754632210000145
其中，
Figure BDA0003754632210000146
为该待推荐信息ij对应的综合点击率，
Figure BDA0003754632210000147
为该待推荐信息对应的第一点击率，
Figure BDA0003754632210000148
为该待推荐信息对应的第二点击率，相应的，ω为该第一点击率对应的第一权重，则(1-ω)为第二点击率对应的第二权重。
从上述公式中可以看出，第一点击率对应第一权重越大，则第二点击率对应的第二权重越小，相反的，第一点击率对应的第一权重越小，则第二点击率对应的第二权重越大，但是上述第一权重与第二权重的总和为固定值(即总和为1)。
为了便于理解，本说明书还提供了一种综合点击率预测过程示意图，如图3所示。
图3为本说明书提供的一种综合点击率预测过程示意图。
其中，服务器可以将处理后用户图谱特征、处理后信息图谱特征和处理后描述图谱特征输入第一预测网络，确定出该推荐信息对应的第一点击率，将用户图谱特征、信息图谱特征、原始用户特征、原始信息特征输入第二预测网络，从而确定出该推荐信息对应的第二点击率，此外，服务器还可以根据上述各图谱特征确定出第一点击率对应的第一权重以及第二点击率对应的第二权重，而后通过上述第一权重和第二权重对上述第一点击率以及第二点击率进行加权求和，从而得到该待推荐信息对应的综合点击率。
S104：根据所述第一点击率，向所述用户进行信息推荐。
确定每个待推荐信息对应的第一点击率以及综合点击率后，服务器可以根据每个待推荐信息对应的综合点击率，向用户进行信息推荐，例如，服务器可将各待推荐信息按照综合点击率由大到小的顺序进行排序，得到各待推荐信息对应的排序结果，而后选取指定排序位次之前的待推荐信息，生成这些推荐信息对应的推荐列表，向该用户进行信息推荐。
当然，服务器也可以仅根据各待推荐信息对应的第一点击率，向该用户进行信息推荐，或者仅根据该待推荐信息对应的第二点击率，向该用户进行信息推荐。
另外，在使用上述信息推荐模型之前，还需要预先对该信息推荐模型进行训练，需要说明的是，在信息推荐模型的训练过程中采用的样本数据集中包含的各用户与各历史推荐信息之间的历史交互记录，可以为与特征图谱构建的过程中相同的各用户与各历史推荐信息之间的历史交互记录，当然，也可以为不同的历史交互记录，但是可以通过相同的方式对实际交互记录进行推断，从而生成新的生成交互记录。
即对于包含描述信息且用户未进行点击的历史交互记录，用户本身会对该实际样本对应的历史推荐信息产生排斥，所以在该历史推荐信息不包含描述信息的情况下，也不会对该历史推荐信息进行点击，所以会生成相应的该历史推荐信息不包含描述信息且用户未进行点击的新生成的交互记录。而对于不包含描述信息且用户进行过点击的历史交互记录，用户本身会对该历史推荐信息产生兴趣，所以在该历史推荐信息包含描述信息的情况下，用户也会对该历史推荐信息进行点击，所以会生成相应的该历史推荐信息包含描述信息且用户进行过点击的生成交互记录。
在本说明书中，用于对信息推荐模型进行训练的训练主体，可以是指服务器或诸如台式电脑、笔记本电脑等指定设备，为了便于表述，下面仅以服务器作为信息推荐模型训练的训练主体为例，对信息推荐模型的训练进行说明。
其中，服务器可以获取各用户的历史用户信息以及历史推荐信息，并将所该历史用户信息以及历史推荐信息输入到待训练的信息推荐模型，以确定该历史推荐信息中包含描述信息，并通过预先构建的特征图谱，确定该用户对应的用户图谱特征、该描述信息对应的描述图谱特征以及该历史推荐信息对应的信息图谱特征，根据用户图谱特征、所述图谱特征以及信息图谱特征，确定该用户受所述描述信息的影响下对该历史推荐信息进行点击的第一点击率，并根据该第一点击率，向该用户进行信息推荐，从而得到推荐结果。
服务器可以以最小化推荐结果与指定用户对各历史推荐的信息的实际操作情况之间的偏差为优化目标，对该信息推荐模型进行训练，直至满足训练目标，将该信息推荐模型进行部署。其中，该训练目标可以为：信息推荐模型收敛至预设阈值范围内，或者，达到预设训练次数，以保证信息推荐模型准确的向用户推荐符合其偏好的推荐信息，预设阈值范围和预设训练次数可以跟据实际情况进行设定，本说明书不做具体限定。
其中，可以根据指定用户对各历史数据的实际交互记录，以及各历史数据对应的综合点击率，确定出该信息推荐模型的损失函数，并以该损失函数最小化为优化目标，对该信息推荐模型进行训练。该损失函数可以通过如下公式进行计算：
Figure BDA0003754632210000161
其中，L为该信息推荐模型对应的损失函数，yj为样本数据j与用户的实际交互情况。例如，当用户对样本数据j进行点击时，yj＝1，当用户未对样本数据j进行点击时，yj＝0。
Figure BDA0003754632210000162
为通过信息推荐模型预测出的样本数据j对应的综合点击率，λ为控制正则化的超参数，Θ表示模型中所有的可训练参数。
从上述公式可以看出，当样本数据j对应的实际点击情况yj为1时，也就是用户对样本数据j进行了点击，则
Figure BDA0003754632210000171
此时预测出的样本数据j对应的综合点击率越大，L的值越小。而当样本数据j对应的实际点击情况yj为0时，也就是用户未对样本数据j进行点击，
Figure BDA0003754632210000172
此时预测出的样本数据j对应的综合点击率越大，L的值越大。
从上述方法可以看出，本方案在向用户进行信息推荐时，会提取出推荐信息中包含的描述信息，并在相应的特征图谱中确定出户对应的用户图谱特征、描述信息对应的描述图谱特征以及推荐信息对应的信息图谱特征，使得信息推荐模型能够根据上述特征准确的确定出在描述信息的影响下用户对该待推荐信息进行点击的点击率，相比于目前仅根据用户信息以及推荐信息进行信息推荐的方法，本方案充分考虑到了推荐信息中包含的描述信息对用户执行点击的影响，使得向用户推荐的信息更加准确。
需要说明的是，本说明书中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给与授权的情况下进行的。
以上为本说明书的一个或多个实施信息推荐的方法，基于同样的思路，本说明书还提供了相应的信息推荐的装置，如图4所示。
图4为本说明书提供的一种信息推荐的装置的示意图，包括：
获取模块401，获取用户的用户信息以及待推荐信息；
输入模块402，将所述用户信息以及待推荐信息输入到预先训练的信息推荐模型，以确定所述待推荐信息中包含的用于描述所述待推荐信息对应业务对象的描述信息，并通过预先构建的特征图谱，确定所述用户对应的用户图谱特征、所述描述信息对应的描述图谱特征以及所述待推荐信息对应的信息图谱特征，其中，所述特征图谱用于表征受不同类型历史描述信息的影响下，各用户与各历史推荐信息之间的历史交互关系；
确定模块403，根据所述用户图谱特征、所述描述图谱特征以及所述信息图谱特征，确定所述用户受所述描述信息的影响下对所述待推荐信息进行点击的第一点击率；
推荐模块404，根据所述第一点击率，向所述用户进行信息推荐。
可选地，所述装置还包括：构建模块405；
所述构建模块405具体用于，获取各用户与各历史推荐信息之间的历史交互记录；针对每个用户，根据所述历史交互记录，将该用户对应的用户节点，和该用户点击过的历史推荐信息对应的信息节点，以确定出的与所述历史推荐信息相匹配的描述信息所对应的描述特征为边进行连接，构建所述特征图谱。
所述构建模块405具体用于，若所述历史推荐信息中不包含描述信息，则根据所述历史交互记录，确定与所述历史推荐信息相匹配的描述信息。
所述构建模块405具体用于，确定与所述历史推荐信息所属信息类型相同的其他历史推荐信息；根据所述其他历史推荐信息对应的历史交互记录，从所述其他历史推荐信息中确定参考推荐信息；根据所述参考推荐信息中包含的描述信息，确定出与所述历史推荐信息相匹配的描述信息。
可选地，根据所述第一点击率，向所述用户进行信息推荐之前，所述推荐模块404用于，确定所述用户对应的原始用户特征、所述待推荐信息对应的原始信息特征；根据所述原始用户特征、所述用户图谱特征、所述原始信息特征以及所述信息图谱特征，确定所述用户对所述待推荐信息进行点击的点击率，作为第二点击率；
所述推荐模块404具体用于，根据所述第一点击率以及所述第二点击率，向所述用户进行信息推荐。
可选地，所述推荐模块404具体用于，确定所述第一点击率对应的权重，作为第一权重，以及所述第二点击率对应的权重，作为第二权重；根据所述第一点击率和所述第一权重，以及所述第二点击率和所述第二权重，确定所述用户对所述待推荐信息进行点击的点击率，作为综合点击率；根据所述综合点击率，向所述用户进行信息推荐。
可选地，所述推荐模块404具体用于，根据所述用户图谱特征、所述描述图谱特征以及所述信息图谱特征，确定所述第一权重；根据所述第一权重，确定所述第二权重。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种信息推荐的方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的信息推荐的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、***、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书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说明书，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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种信息推荐的方法，其特征在于，包括：
获取用户的用户信息以及待推荐信息；
将所述用户信息以及待推荐信息输入到预先训练的信息推荐模型，以确定所述待推荐信息中包含的用于描述所述待推荐信息对应业务对象的描述信息，并通过预先构建的特征图谱，确定所述用户对应的用户图谱特征、所述描述信息对应的描述图谱特征以及所述待推荐信息对应的信息图谱特征，其中，所述特征图谱用于表征受不同类型历史描述信息的影响下，各用户与各历史推荐信息之间的历史交互关系；
根据所述用户图谱特征、所述描述图谱特征以及所述信息图谱特征，确定所述用户受所述描述信息的影响下对所述待推荐信息进行点击的第一点击率；
根据所述第一点击率，向所述用户进行信息推荐。
2.如权利要求1所述的方法，其特征在于，构建所述特征图谱，具体包括：
获取各用户与各历史推荐信息之间的历史交互记录；
针对每个用户，根据所述历史交互记录，将该用户对应的用户节点，和该用户点击过的历史推荐信息对应的信息节点，以确定出的与所述历史推荐信息相匹配的描述信息所对应的描述特征为边进行连接，构建所述特征图谱。
3.如权利要求2所述的方法，其特征在于，确定出与所述历史推荐信息相匹配的描述信息，具体包括：
若所述历史推荐信息中不包含描述信息，则根据所述历史交互记录，确定与所述历史推荐信息相匹配的描述信息。
4.如权利要求3所述的方法，其特征在于，根据所述历史交互记录，确定与所述历史推荐信息相匹配的描述信息，具体包括：
确定与所述历史推荐信息所属信息类型相同的其他历史推荐信息；
根据所述其他历史推荐信息对应的历史交互记录，从所述其他历史推荐信息中确定参考推荐信息；
根据所述参考推荐信息中包含的描述信息，确定出与所述历史推荐信息相匹配的描述信息。
5.如权利要求1所述的方法，其特征在于，根据所述第一点击率，向所述用户进行信息推荐之前，所述方法还包括：
确定所述用户对应的原始用户特征、所述待推荐信息对应的原始信息特征；
根据所述原始用户特征、所述用户图谱特征、所述原始信息特征以及所述信息图谱特征，确定所述用户对所述待推荐信息进行点击的点击率，作为第二点击率；
根据所述第一点击率，向所述用户进行信息推荐，具体包括：
根据所述第一点击率以及所述第二点击率，向所述用户进行信息推荐。
6.如权利要求5所述的方法，其特征在于，根据所述第一点击率以及所述第二点击率，向所述用户进行信息推荐，具体包括：
确定所述第一点击率对应的权重，作为第一权重，以及所述第二点击率对应的权重，作为第二权重；
根据所述第一点击率和所述第一权重，以及所述第二点击率和所述第二权重，确定所述用户对所述待推荐信息进行点击的点击率，作为综合点击率；
根据所述综合点击率，向所述用户进行信息推荐。
7.如权利要求6所述的方法，其特征在于，确定所述第一点击率对应的权重，作为第一权重，以及所述第二点击率对应的权重，作为第二权重，具体包括：
根据所述用户图谱特征、所述描述图谱特征以及所述信息图谱特征，确定所述第一权重；
根据所述第一权重，确定所述第二权重。
8.一种信息推荐的装置，其特征在于，包括：
获取模块，获取用户的用户信息以及待推荐信息；
输入模块，将所述用户信息以及待推荐信息输入到预先训练的信息推荐模型，以确定所述待推荐信息中包含的用于描述所述待推荐信息对应业务对象的描述信息，并通过预先构建的特征图谱，确定所述用户对应的用户图谱特征、所述描述信息对应的描述图谱特征以及所述待推荐信息对应的信息图谱特征，其中，所述特征图谱用于表征受不同类型历史描述信息的影响下，各用户与各历史推荐信息之间的历史交互关系；
确定模块，根据所述用户图谱特征、所述描述图谱特征以及所述信息图谱特征，确定所述用户受所述描述信息的影响下对所述待推荐信息进行点击的第一点击率；
推荐模块，根据所述第一点击率，向所述用户进行信息推荐。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。
10.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现上述权利要求1～7任一项所述的方法。
CN202210856576.2A 2022-07-20 2022-07-20 一种信息推荐的方法、装置、存储介质及电子设备 Pending CN115130000A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210856576.2A CN115130000A (zh) 2022-07-20 2022-07-20 一种信息推荐的方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210856576.2A CN115130000A (zh) 2022-07-20 2022-07-20 一种信息推荐的方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN115130000A true CN115130000A (zh) 2022-09-30

Family

ID=83384022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210856576.2A Pending CN115130000A (zh) 2022-07-20 2022-07-20 一种信息推荐的方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN115130000A (zh)

Similar Documents

Publication Publication Date Title
CN111061946B (zh) 场景化内容推荐方法、装置、电子设备及存储介质
WO2023065211A1 (zh) 一种信息获取方法以及装置
CN113688313A (zh) 一种预测模型的训练方法、信息推送的方法及装置
CN110020427B (zh) 策略确定方法和装置
US20210397670A1 (en) User-directed suggestions
CN113641896A (zh) 一种模型训练以及推荐概率预测方法及装置
Wang et al. POI recommendation method using LSTM-attention in LBSN considering privacy protection
CN116308620A (zh) 一种模型训练和信息推荐的方法、装置、存储介质及设备
CN113343085B (zh) 一种信息推荐方法、装置、存储介质及电子设备
Yang et al. On the diversity and explainability of recommender systems: A practical framework for enterprise app recommendation
CN113343132B (zh) 一种模型训练的方法、信息展示的方法及装置
CN114331602A (zh) 一种基于迁移学习的模型训练方法、信息推荐方法及装置
CN115017413A (zh) 推荐方法、装置、计算设备及计算机存储介质
CN115130000A (zh) 一种信息推荐的方法、装置、存储介质及电子设备
US20210109984A1 (en) Suggesting documents based on significant words and document metadata
CN114860967A (zh) 一种模型训练的方法、信息推荐的方法以及装置
CN114119139A (zh) 一种信息推荐方法、装置、存储介质及电子设备
CN113205377A (zh) 一种信息推荐的方法及装置
CN113344590A (zh) 一种模型训练以及投诉率预估的方法及装置
Dong et al. A hierarchical network with user memory matrix for long sequence recommendation
Chen et al. Service composition recommendation method based on recurrent neural network and Naive Bayes
CN114331505A (zh) 一种信息推荐的方法及推荐装置
CN117786061B (zh) 一种基于时空注意力机制的大语言模型预测方法及装置
KR20180112329A (ko) 생산자와 소비자의 상호 작용을 고려한 주제 기반 순위 결정 방법 및 시스템
CN114491246A (zh) 一种消息模板的推荐方法、装置以及设备

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
TA01 Transfer of patent application right

Effective date of registration: 20240402

Address after: Room 494, No. 59 Haitan Street, Siming District, Xiamen City, Fujian Province, 361003

Applicant after: Xiamen Sankuai Online Technology Co.,Ltd.

Country or region after: China

Address before: 100080 2106-030, 9 North Fourth Ring Road, Haidian District, Beijing.

Applicant before: BEIJING SANKUAI ONLINE TECHNOLOGY Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right