CN117743693A - 一种信息推荐方法、装置、设备及存储介质 - Google Patents
一种信息推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117743693A CN117743693A CN202410115163.8A CN202410115163A CN117743693A CN 117743693 A CN117743693 A CN 117743693A CN 202410115163 A CN202410115163 A CN 202410115163A CN 117743693 A CN117743693 A CN 117743693A
- Authority
- CN
- China
- Prior art keywords
- information
- recommendation
- feature
- interaction
- recommended
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 196
- 230000003068 static effect Effects 0.000 claims abstract description 105
- 230000004927 fusion Effects 0.000 claims abstract description 90
- 230000002452 interceptive effect Effects 0.000 claims abstract description 82
- 239000013598 vector Substances 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 description 8
- 230000007774 longterm Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种信息推荐方法、装置、设备及存储介质,方法包括:获取推荐对象信息和候选推荐信息,推荐对象信息包括推荐对象的静态属性信息和历史交互数据;将推荐对象信息和候选推荐信息输入至预先训练的信息推荐模型中,获得信息推荐模型的推荐结果,模型中推荐对象静态特征提取器提取推荐对象的静态兴趣特征,信息特征提取器提取交互信息特征和候选信息特征,得到动态兴趣特征,特征融合单元提取交互环境特征,基于交互环境特征得到推荐对象融合特征,推荐结果输出器基于推荐对象融合特征和候选推荐信息的候选信息特征预测推荐结果并输出;根据推荐结果确定候选推荐信息中的目标推荐信息,并基于目标推荐信息进行推荐。提高了信息推荐效率。
Description
技术领域
本发明涉及计算机技术领域,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
信息推荐广泛存在在各种业务中,目前的信息推荐方式通常通过用户历史的交互信息进行推荐,以物品推荐为例,通常基于用户历史交互的物品进行推荐,但上述方式因素较为单一,难以提供有效的信息。
发明内容
本发明提供了一种信息推荐方法、装置、设备及存储介质,以实现信息的有效推荐。
根据本发明的一方面,提供了一种信息推荐方法,包括:
获取推荐对象信息和候选推荐信息,所述推荐对象信息包括所述推荐对象的静态属性信息和历史交互数据;
将所述推荐对象信息和所述候选推荐信息输入至预先训练的信息推荐模型中,获得所述信息推荐模型的推荐结果,其中,所述信息推荐模型包括推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器,所述推荐对象静态特征提取器用于基于所述静态属性信息提取所述推荐对象的静态兴趣特征,所述信息特征提取器用于提取所述历史交互数据中交互信息的交互信息特征和所述候选推荐信息的候选信息特征,并基于所述交互信息特征和所述静态兴趣特征得到所述推荐对象的动态兴趣特征,所述特征融合单元用于提取所述历史交互数据中交互环境的交互环境特征,并基于所述交互环境特征和所述动态兴趣特征得到所述推荐对象的推荐对象融合特征,所述推荐结果输出器用于基于所述推荐对象融合特征和候选推荐信息的候选信息特征预测推荐结果并输出;
根据所述推荐结果确定所述候选推荐信息中的目标推荐信息,并基于所述目标推荐信息进行推荐。
可选的,在上述方案的基础上,所述推荐对象静态特征提取器具体用于:
根据所述属性标签确定所述推荐对象的属性向量,基于所述属性向量得到所述推荐对象的推荐对象属性特征;
根据所述对象标识确定所述推荐对象的标识编码,根据所述标识编码得到推荐对象隐特征;
根据所述推荐对象属性特征和所述推荐对象隐特征确定所述静态兴趣特征。
可选的,在上述方案的基础上,所述信息特征提取器具体用于:
提取所述历史交互数据中交互信息的交互信息特征,基于所述交互信息特征和所述静态兴趣特征得到所述推荐对象的动态兴趣特征;
提取所述候选推荐信息的候选信息特征。
可选的,在上述方案的基础上,所述特征融合单元包括社区层次注意力融合器、对象中心图注意力融合器和联合特征选择器,其中:
所述社区层次注意力融合器,用于获取所述交互信息中的至少一个交互社区信息,确定各所述交互社区信息的交互社区特征,基于所述交互社区特征对所述动态兴趣特征进行调整,得到社区影响兴趣特征;
所述对象中心图注意力融合器,用于获取所述交互信息中的至少一个交互对象信息,确定各所述交互对象信息的交互对象特征,基于所述交互对象特征对所述动态兴趣特征进行调整,得到对象影响兴趣特征;
所述联合特征选择器,用于将所述社区影响兴趣特征和所述对象影响兴趣特征进行融合,得到所述推荐对象融合特征。
可选的,在上述方案的基础上,所述社区层次注意力融合器具体用于:
根据各所述交互社区特征确定各所述交互社区的影响权重;
基于各所述交互社区的影响权重、所述交互社区特征和所述动态兴趣特征,得到所述社区影响兴趣特征。
可选的,在上述方案的基础上,所述对象中心图注意力融合器具体用于:
根据各所述交互对象特征确定各所述交互对象的影响权重;
基于各所述交互对象的影响权重、所述交互对象特征和所述动态兴趣特征,得到所述对象影响兴趣特征。
可选的,在上述方案的基础上,还包括:
基于推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器构建信息推荐模型;
获取样本对象的静态属性信息和历史交互数据,基于所述静态属性信息和隶属交互数据构建训练样本;
基于所述训练样本对所述信息推荐模型进行训练,得到训练后的信息推荐模型。
根据本发明的另一方面,提供了一种信息推荐装置,包括:
推荐参数获取模块,用于获取推荐对象信息和候选推荐信息,所述推荐对象信息包括所述推荐对象的静态属性信息和历史交互数据;
推荐信息预测模块,用于将所述推荐对象信息和所述候选推荐信息输入至预先训练的信息推荐模型中,获得所述信息推荐模型的推荐结果,其中,所述信息推荐模型包括推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器,所述推荐对象静态特征提取器用于基于所述静态属性信息提取所述推荐对象的静态兴趣特征,所述信息特征提取器用于提取所述历史交互数据中交互信息的交互信息特征和所述候选推荐信息的候选信息特征,并基于所述交互信息特征和所述静态兴趣特征得到所述推荐对象的动态兴趣特征,所述特征融合单元用于提取所述历史交互数据中交互环境的交互环境特征,并基于所述交互环境特征和所述动态兴趣特征得到所述推荐对象的推荐对象融合特征,所述推荐结果输出器用于基于所述推荐对象融合特征和候选推荐信息的候选信息特征预测推荐结果并输出;
推荐信息推荐模块,用于根据所述推荐结果确定所述候选推荐信息中的目标推荐信息,并基于所述目标推荐信息进行推荐。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的信息推荐方法。
根据本发明的另一方面,提供了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指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的信息推荐方法。
本发明实施例提供的信息推荐方法包括:获取推荐对象信息和候选推荐信息,所述推荐对象信息包括所述推荐对象的静态属性信息和历史交互数据;将所述推荐对象信息和所述候选推荐信息输入至预先训练的信息推荐模型中,获得所述信息推荐模型的推荐结果,其中,所述信息推荐模型包括推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器,所述推荐对象静态特征提取器用于基于所述静态属性信息提取所述推荐对象的静态兴趣特征,所述信息特征提取器用于提取所述历史交互数据中交互信息的交互信息特征和所述候选推荐信息的候选信息特征,并基于所述交互信息特征和所述静态兴趣特征得到所述推荐对象的动态兴趣特征,所述特征融合单元用于提取所述历史交互数据中交互环境的交互环境特征,并基于所述交互环境特征和所述动态兴趣特征得到所述推荐对象的推荐对象融合特征,所述推荐结果输出器用于基于所述推荐对象融合特征和候选推荐信息的候选信息特征预测推荐结果并输出;根据所述推荐结果确定所述候选推荐信息中的目标推荐信息,并基于所述目标推荐信息进行推荐。通过结合历史交互数据中的交互物品和交互环境对推荐对象的兴趣特征进行调整,使得推荐对象的兴趣特征更加准确,进而基于兴趣特征进行的信息推荐更加准确。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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他的附图。
图1是本发明实施例一提供的一种信息推荐方法的流程示意图;
图2a是本发明实施例二提供的一种信息推荐方法的流程示意图;
图2b是本发明实施例二提供的一种模型构建示意图;
图2c是本发明实施例二提供的一种模型参数求解模块的结构示意图;
图3是本发明实施例三提供的一种信息推荐装置的结构示意图;
图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,可以向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
实施例一
图1是本发明实施例一提供的一种信息推荐方法的流程示意图。本实施例可适用于对推荐对象进行信息推荐时的情况。该方法可以由信息推荐装置来执行,该信息推荐装置可以采用硬件和/或软件的形式实现,该信息推荐装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取推荐对象信息和候选推荐信息,所述推荐对象信息包括所述推荐对象的静态属性信息和历史交互数据。
在本实施例中,为实现信息的有效推荐,通过推荐对象的静态属性和历史交互数据中的交互对象、交互社区环境等信息,调整推荐对象的兴趣特征,通过准确的兴趣特征实现信息的有效推荐。
可选的,推荐信息可以基于信息推荐场景确定,以文本交互类应用程序为例,推荐信息可以为文本作品,以多媒体应用程序为例,推荐信息可以为多媒体作品,以购物应用程序为例,推荐信息可以为物品等,在此不做限定。
其中,推荐对象的历史交互数据可以为在当前时间节点之前的预设时间段的交互数据,可以包括推荐对象的历史交互信息和历史交互对象。以购物应用程序为例,推荐对象的历史交互数据可以为推荐对象的历史浏览/收藏/购买物品和推荐对象的历史对话对象。假设推荐对象A在设定时间段内浏览/收藏/购买了物品A和物品B,并与用户B、用户C进行了对话,则物品A和物品B可以作为推荐对象的历史交互信息,用户B和用户C可以作为推荐对象的历史交互对象。
可以理解的是,推荐对象的静态属性能够在一定程度上表征推荐对象的兴趣。示例性的,可以获取推荐对象选取的属性标签,以及推荐对象的标识,确定推荐对象的静态兴趣特征。推荐对象的历史交互数据能够在一定程度上表征推荐对象短期的兴趣。同样,可以获取推荐对象的历史交互数据,确定推荐对象的短期兴趣特征。
S120、将所述推荐对象信息和所述候选推荐信息输入至预先训练的信息推荐模型中,获得所述信息推荐模型的推荐结果。
在本实施例中,通过预先训练的信息推荐模型预测推荐对象的兴趣信息,根据信息推荐模型的推荐结果进行信息推荐。
整体来说,所述信息推荐模型包括推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器。通过信息推荐模型进行推荐对象的静态兴趣特征,通过信息特征提取器进行历史交互信息的交互特征的提取,以及候选推荐信息的候选信息特征提取,通过特征融合单元进行动态兴趣特征的提取,通过推荐结果输出器基于推荐对象的融合特征和候选信息特征确定候选推荐信息的推荐结果进行输出。
具体的,所述推荐对象静态特征提取器用于基于所述静态属性信息提取所述推荐对象的静态兴趣特征。推荐对象的静态兴趣特征可以理解为推荐对象的基础兴趣,可以通过推荐对象的静态属性信息提取得到。
在本发明的一种实施方式中,所述推荐对象静态特征提取器具体用于:
根据所述属性标签确定所述推荐对象的属性向量,基于所述属性向量得到所述推荐对象的推荐对象属性特征;
根据所述对象标识确定所述推荐对象的标识编码,根据所述标识编码得到推荐对象隐特征;
根据所述推荐对象属性特征和所述推荐对象隐特征确定所述静态兴趣特征。
推荐对象的属性标签可以为推荐对象选中的属性标签,也可以为基于推荐对象的历史交互确定的属性标签。推荐对象的对象标识为推荐对象的唯一标识,可以为推荐对象的对象名称、对象ID、对象账号等信息,只要能够唯一表征推荐对象即可。
可以基于推荐对象的属性标签得到推荐的属性标签集合,再基于属性标签集合生成对应的属性向量表示,对属性向量表示进行处理得到推荐对象属性特征。示例性的,可以将属性标签集合通过Embedding层生成对应的属性向量,再对属性向量进行平均池化处理,得到推荐对象的推荐对象属性特征。
同样,可以基于推荐对象的对象标识生成推荐对象的标识编码,生成标识编码的向量表示,作为推荐对象隐特征。
得到推荐对象属性特征和推荐对象隐特征后,联合推荐对象属性特征和推荐对象隐特征得到推荐对象的静态兴趣特征,可选的,可以直接将推荐对象属性特征和推荐对象隐特征进行融合,得到静态兴趣特征。
信息特征提取器用于提取所述历史交互数据中交互信息的交互信息特征和所述候选推荐信息的候选信息特征,并基于所述交互信息特征和所述静态兴趣特征得到所述推荐对象的动态兴趣特征。
信息特征提取器可以根据历史交互数据中时序排列的交互信息提取动态的交互信息特征,进而确定推荐对象的动态兴趣特征;根据候选推荐信息提取对应的候选信息特征,进而基于候选信息特征进行信息推荐。
可选的,可以对历史交互数据中时序排列的交互信息,按时间窗宽度划分为若干个子序列,针对每个子序列,确定该子序列中的交互信息集合,生成交互信息集合的向量表示作为交互信息特征,并确定每个子序列的影响权重,根据每个子序列的交互信息特征和影响权重对静态兴趣特征进行调整,得到推荐对象在短期的动态兴趣特征。
示例性的,同样可以通过Embedding层生成交互信息集合对应的向量表示作为交互信息特征。利用门控循环单元网络作为基本结构,以各子序列的交互信息特征进行动态特征学习,得到动态兴趣特征。
所述特征融合单元用于提取所述历史交互数据中交互环境的交互环境特征,并基于所述交互环境特征和所述动态兴趣特征得到所述推荐对象的推荐对象融合特征。
考虑到推荐对象的交互环境对推荐对象的兴趣也会产生影响,以物品推荐为例,若推荐对象的某个交互对象为推荐对象推荐了某物品,则推荐对象可能会对该物品产生兴趣。基于此,在推荐对象的动态兴趣特征的基础上,结合交互环境对动态兴趣特征进行调整,得到推荐对象的推荐对象融合特征。
通常来说,推荐对象的交互环境包括群体的交互社区和独立的交互个体,交互社区和交互个体对推荐对象的兴趣影响不同。可以从推荐对象的交互网络提取出以推荐对象为中心的交互环境,以及与推荐对象有直接交互的交互对象。分别在交互社区的角度和交互对象的角度对推荐对象的动态兴趣特征进行调整。其中,交互社区和交互对象的提取方法可以采用现有的方法,在此不再赘述。
其中,以交互社区为基准,对动态兴趣特征进行调整得到社区影响兴趣特征可以通过社区层次注意力融合器实现。以交互对象为基准,对动态兴趣特征进行调整得到对象影响兴趣特征可以通过对象中心图注意力融合器实现。将社区影响兴趣特征和对象影响兴趣特征得到推荐对象融合特征可以通过联合特征选择器实现。基于此,所述特征融合单元包括社区层次注意力融合器、对象中心图注意力融合器和联合特征选择器,其中:
所述社区层次注意力融合器,用于获取所述交互信息中的至少一个交互社区信息,确定各所述交互社区信息的交互社区特征,基于所述交互社区特征对所述动态兴趣特征进行调整,得到社区影响兴趣特征;
所述对象中心图注意力融合器,用于获取所述交互信息中的至少一个交互对象信息,确定各所述交互对象信息的交互对象特征,基于所述交互对象特征对所述动态兴趣特征进行调整,得到对象影响兴趣特征;
所述联合特征选择器,用于将所述社区影响兴趣特征和所述对象影响兴趣特征进行融合,得到所述推荐对象融合特征。
其中,交互社区信息的交互特征提取可以为:针对每个交互社区,提取该交互社区中各对象的静态兴趣特征,基于各对象的静态兴趣特征进行池化确定交互社区的交互社区特征。同样,交互对象的交互对象特征可以为交互对象的静态兴趣特征。静态兴趣特征的提取可以参照上述实施例,在此不再赘述。
可选的,在上述方案的基础上,所述社区层次注意力融合器具体用于:
根据各所述交互社区特征确定各所述交互社区的影响权重;
基于各所述交互社区的影响权重、所述交互社区特征和所述动态兴趣特征,得到所述社区影响兴趣特征。
考虑到不同交互社区对推荐对象的兴趣影响程度不同。示例性的,交互社区可以为家庭、同事等,可能家庭对推荐对象的兴趣影响较大,而同事对推荐对象的兴趣影响较小。为提高社区影响兴趣特征的准确性,可以确定不同交互社区对推荐对象的影响权重,基于各交互社区的影响权重对各交互社区特征进行加权以调整动态兴趣特征,得到社区影响兴趣特征。
可选的,可以将各交互社区的交互社区特征作为注意力模块的输入,得到注意力模块输出的各交互社区的影响权重。
可选的,在上述方案的基础上,所述对象中心图注意力融合器具体用于:
根据各所述交互对象特征确定各所述交互对象的影响权重;
基于各所述交互对象的影响权重、所述交互对象特征和所述动态兴趣特征,得到所述对象影响兴趣特征。
同样,考虑到不同交互对象对推荐对象的兴趣影响程度不同。为提高对象影响兴趣特征的准确性,可以确定不同交互对象对推荐对象的影响权重,基于各交互对象的影响权重对各交互对象特征进行加权以调整动态兴趣特征,得到对象影响兴趣特征。
可选的,可以将各交互对象的交互对象特征作为图注意力模块的输入,得到注意力模块输出的各交互对象的影响权重。
推荐结果输出器用于基于所述推荐对象融合特征和候选推荐信息的候选信息特征预测推荐结果并输出。
推荐结果输出器可以计算推荐对象融合特征和各候选推荐信息的推荐概率,将推荐概率作为推荐结果进行输出,还可以基于推荐概率选取目标推荐信息后直接输出目标推荐信息,在此不做限定。
需要说明的是,考虑到用户的兴趣可能会发生变化,可以在训练得到信息推荐模型后,继续获取样本信息,在间隔设定时间或预测设定次数后,基于继续获取的样本信息对信息推荐模型进行调整,使得信息推荐模型基于用户操作不断完善,实现信息的有效推荐。
可选的,在上述方案的基础上,还包括:
基于推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器构建信息推荐模型;
获取样本对象的静态属性信息和历史交互数据,基于所述静态属性信息和隶属交互数据构建训练样本;
基于所述训练样本对所述信息推荐模型进行训练,得到训练后的信息推荐模型。
在使用信息推荐模型进行信息推荐之前,获取样本对构建的信息推荐模型进行训练,确定信息推荐模型中的模型参数,得到训练后的信息推荐模型。具体的训练方式可以参照现有的训练方式,在此不做限定。
S130、根据所述推荐结果确定所述候选推荐信息中的目标推荐信息,并基于所述目标推荐信息进行推荐。
在本实施例中,推荐结果可以为各候选推荐信息的推荐概率,也可以为目标推荐信息。当推荐结果为各候选推荐信息的推荐概率时,可以将推荐概率逆序排序后的前n个候选推荐信息作为目标推荐信息。当推荐结果为目标推荐信息时,可直接获取目标推荐信息。
确定目标推荐信息后,将目标推荐信息在推荐对象交互终端进行展示,实现目标推荐信息的推荐。
本发明实施例提供的信息推荐方法包括:获取推荐对象信息和候选推荐信息,所述推荐对象信息包括所述推荐对象的静态属性信息和历史交互数据;将所述推荐对象信息和所述候选推荐信息输入至预先训练的信息推荐模型中,获得所述信息推荐模型的推荐结果,其中,所述信息推荐模型包括推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器,所述推荐对象静态特征提取器用于基于所述静态属性信息提取所述推荐对象的静态兴趣特征,所述信息特征提取器用于提取所述历史交互数据中交互信息的交互信息特征和所述候选推荐信息的候选信息特征,并基于所述交互信息特征和所述静态兴趣特征得到所述推荐对象的动态兴趣特征,所述特征融合单元用于提取所述历史交互数据中交互环境的交互环境特征,并基于所述交互环境特征和所述动态兴趣特征得到所述推荐对象的推荐对象融合特征,所述推荐结果输出器用于基于所述推荐对象融合特征和候选推荐信息的候选信息特征预测推荐结果并输出;根据所述推荐结果确定所述候选推荐信息中的目标推荐信息,并基于所述目标推荐信息进行推荐。通过结合历史交互数据中的交互物品和交互环境对推荐对象的兴趣特征进行调整,使得推荐对象的兴趣特征更加准确,进而基于兴趣特征进行的信息推荐更加准确。
实施例二
本实施例在上述实施例的基础上,提供了一种优选实施例。本实施例以为用户(推荐对象)进行物品(信息)推荐为例,对信息推荐进行示例性说明。
图2a是本发明实施例二提供的一种信息推荐方法的流程示意图。如图2a所示,本实施例提供的信息推荐方法包括:
S210、数据预处理。
采集用户行为数据及用户物品属性信息,并进行过滤、格式规范等操作,同时也提供数据存储功能,将清洗后的数据分类存储。
S220、模型构建。
图2b是本发明实施例二提供的一种模型构建示意图。如图2b所示,物品推荐模型包括用户静态特征提取器、物品特征动态提取器、特征融合单元和推荐概率输出器。
其中,用户静态特征提取器提取用户静态兴趣特征,示例性的,用户静态特征初始表示为属性向量和隐向量的联合,给定用户,将该用户属性信息集合表示为tagu={TAG1,TAG2,...,TAG|tagu|},其中TAGi表示用户u的第i个属性标签,|tagu|即用户属性标签总数。将属性标签TAGi通过Embedding层生成对应的向量表示EMBi,采用平均池化的策略生成用户的属性向量pu。每个用户根据唯一id信息进行独热编码,同样通过Embedding层得到用户u关联的隐向量qu,联合pu及qu表示用户的静态兴趣特征lu。
物品特征动态提取器用于提取历史交互物品的交互物品特征,并基于交互物品特征调整静态兴趣特征,得到用户的动态兴趣特征。
具体的,首先将用户历史交互物品序列按时间窗宽度划分为若干子序列,即每个子序列称为一个会话,其中表示用户u在第k个时间窗内的消费物品序列,nu,k表示具体交互物品数。该器件在对物品特征进行动态提取时,根据用户在最新时间窗T内的已知交互物品序列/>通过与用户相似的属性向量联合隐向量的表示方法,得到/>利用门控循环单元网络作为基本结构进行动态特征学习,计算如下:ht=f(ht-1,xt),其中ht-1是上一时刻隐状态,xt是当前物品输入特征向量,f(·,·)为结合两类信息的非线性函数,具体为GRU门控单元计算。基于当前时间窗T的物品序列最后一个隐状态/>物品特征动态向量Su表示为/>反映该用户当前时刻短期的动态兴趣特征。
特征融合单元先从用户交互网络提取多类社会环境,包括基于BIGCLAM算法提取重叠社区环境,提取以用户为中心社会环境,并将用户不同社会环境信息及初始长短期兴趣特征,输入到多层注意力机制及图神经网络进行特征融合及联合特征选择过程。特征融合单元包括社区层次注意力融合器件、用户中心图注意力融合器件、联合特征选择器件。
社区发现环境为相对固定、结构紧密的社区集合,本发明基于层次注意力机制,提出社区层次注意力融合器件,建模用户长期静态兴趣的社会趋同作用。对于提取出的每个社区将用户静态特征提取器件传递的静态向量特征/>作为输入特征,通过注意力机制自适应学习权重向量α,作为各成员在当前社区的影响力量化估计,计算公式如下。其中,/>为社区c的用户成员特征矩阵且m是特征维数,col_sumi函数将相似度矩阵的第i列累加汇聚以衡量各成员ui在当前社区的综合影响力。
社区层面注意力机制,将社区成员的兴趣向量根据成员影响力权重聚合,得到当前社区c考虑共nc个用户的影响力分布下的趋同化兴趣表示fc。用户层面注意力机制,则通过计算用户u所处的共nc个重叠社区的趋同化兴趣向量,与用户初始静态兴趣向量之间相似度,量化社区对用户兴趣的贡献度,权值计算如下:
αu,ci表示用户u所处社区ci对其长期静态兴趣形成的贡献度,根据该权值聚合社区趋同兴趣向量得到并联合自身兴趣向量lu输出融合后的长期静态兴趣lfu。
此外还针对以用户为中心的网络环境,提出用户中心图注意力融合器件,基于图注意力机制建模周围用户通过近期交互行为,所产生对目标用户短期兴趣层面的社会影响。对于用户u,以及与其交互的周围用户集合Nu={u1,u2,...,u|N(u)|},将物品动态特征提取器件传递的特征向量su及作为用户短期动态兴趣的输入特征,计算目标用户u与交互用户ui之间的短期兴趣相似度/>并对每个交互用户分别计算兴趣相似度表示影响权重后,聚合计算输出融合后的短期动态兴趣表示sfu。
sfu=∑ui∈N(u)∪{u}αu,uicui
联合特征选择器件,则将融合后的短期动态兴趣表示sfu,联合长期静态兴趣表示lfu,通过全连接层及激活层进行特征选择和重组后,表示用户最终兴趣输出向量Hu:Hu=ReLU(Wls[lfu:sfu])。
推荐概率输出器件将用户向量Hu与各物品向量xi计算相似度并通过Softmax层,预测下一时刻用户u对物品i的交互概率,通过概率分布可返回待推荐的物品列表。
S230、模型参数求解。
模型参数求解可以通过模型参数求解模块实现。图2c是本发明实施例二提供的一种模型参数求解模块的结构示意图。如图2c所示,首先基于模型参数初始化元件,对推荐装置中的模型参数进行初始化,而用户新近交互物品的行为数据及其他信息更新数据,均输入到样本生成元件中,通过划分并输出生成的训练集、验证集及测试集样本数据。模型参数优化器器件则根据已设置好的训练批次大小、学习率等训练信息进行梯度下降参数迭代优化,而模型验证器件则会基于验证集对当前训练模型性能进行评估,并反馈到模型参数优化器进行网络调优及参数调优,最终输出当前最优参数的推荐模型。
S240、物品推荐。
该模块则根据模型参数求解模块的训练结果,对以上电商场景动态推荐装置中,最后推荐概率输出器件所输出的实时推荐概率进行解析,并通过可视化交互界面向目标用户返回当前时刻最可能感兴趣的top-k物品推荐列表。
本发明实施例提出了一种基于多重社会环境注意力机制的物品动态推荐模型,从用户交互网络出发,挖掘多重社会环境对用户的影响作用。针对用户长期静态兴趣建模过程,考虑长期兴趣的社会趋同作用,而用户兴趣的长期相似性往往意味着用户好友连接的结构紧密性,因此提取结构紧密的重叠社区集合,基于层次注意力机制量化并融合用户长期兴趣形成的社会作用;针对用户短期动态兴趣建模过程,考虑短期兴趣的社会影响力,而周围好友交互会对该用户的行为产生直接影响,因此在以用户中心的网络环境中,利用图神经网络算法建立目标用户及周围好友兴趣同步更新的社会影响力融合模型。该模型在物品动态推荐场景中采用联合隐向量和属性向量的用户及物品表示方法,结合协同过滤和基于内容的推荐思想,具备对用户物品交互时间及用户社会环境信息的敏感性,提高特征向量表示能力,为精准动态推荐提供有效技术支撑。
实施例三
图3是本发明实施例三提供的一种信息推荐装置的结构示意图。如图3所示,该装置包括:
推荐参数获取模块310,用于获取推荐对象信息和候选推荐信息,所述推荐对象信息包括所述推荐对象的静态属性信息和历史交互数据;
推荐信息预测模块320,用于将所述推荐对象信息和所述候选推荐信息输入至预先训练的信息推荐模型中,获得所述信息推荐模型的推荐结果,其中,所述信息推荐模型包括推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器,所述推荐对象静态特征提取器用于基于所述静态属性信息提取所述推荐对象的静态兴趣特征,所述信息特征提取器用于提取所述历史交互数据中交互信息的交互信息特征和所述候选推荐信息的候选信息特征,并基于所述交互信息特征和所述静态兴趣特征得到所述推荐对象的动态兴趣特征,所述特征融合单元用于提取所述历史交互数据中交互环境的交互环境特征,并基于所述交互环境特征和所述动态兴趣特征得到所述推荐对象的推荐对象融合特征,所述推荐结果输出器用于基于所述推荐对象融合特征和候选推荐信息的候选信息特征预测推荐结果并输出;
推荐信息推荐模块330,用于根据所述推荐结果确定所述候选推荐信息中的目标推荐信息,并基于所述目标推荐信息进行推荐。
本发明实施例通过获取推荐对象信息和候选推荐信息,所述推荐对象信息包括所述推荐对象的静态属性信息和历史交互数据;将所述推荐对象信息和所述候选推荐信息输入至预先训练的信息推荐模型中,获得所述信息推荐模型的推荐结果,其中,所述信息推荐模型包括推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器,所述推荐对象静态特征提取器用于基于所述静态属性信息提取所述推荐对象的静态兴趣特征,所述信息特征提取器用于提取所述历史交互数据中交互信息的交互信息特征和所述候选推荐信息的候选信息特征,并基于所述交互信息特征和所述静态兴趣特征得到所述推荐对象的动态兴趣特征,所述特征融合单元用于提取所述历史交互数据中交互环境的交互环境特征,并基于所述交互环境特征和所述动态兴趣特征得到所述推荐对象的推荐对象融合特征,所述推荐结果输出器用于基于所述推荐对象融合特征和候选推荐信息的候选信息特征预测推荐结果并输出;根据所述推荐结果确定所述候选推荐信息中的目标推荐信息,并基于所述目标推荐信息进行推荐。通过结合历史交互数据中的交互物品和交互环境对推荐对象的兴趣特征进行调整,使得推荐对象的兴趣特征更加准确,进而基于兴趣特征进行的信息推荐更加准确。
可选的,在上述方案的基础上,所述推荐信息预测模块320具体用于:
根据所述属性标签确定所述推荐对象的属性向量,基于所述属性向量得到所述推荐对象的推荐对象属性特征;
根据所述对象标识确定所述推荐对象的标识编码,根据所述标识编码得到推荐对象隐特征;
根据所述推荐对象属性特征和所述推荐对象隐特征确定所述静态兴趣特征。
可选的,在上述方案的基础上,所述推荐信息预测模块320具体用于:
提取所述历史交互数据中交互信息的交互信息特征,基于所述交互信息特征和所述静态兴趣特征得到所述推荐对象的动态兴趣特征;
提取所述候选推荐信息的候选信息特征。
可选的,在上述方案的基础上,所述特征融合单元包括社区层次注意力融合器、对象中心图注意力融合器和联合特征选择器,其中:
所述社区层次注意力融合器,用于获取所述交互信息中的至少一个交互社区信息,确定各所述交互社区信息的交互社区特征,基于所述交互社区特征对所述动态兴趣特征进行调整,得到社区影响兴趣特征;
所述对象中心图注意力融合器,用于获取所述交互信息中的至少一个交互对象信息,确定各所述交互对象信息的交互对象特征,基于所述交互对象特征对所述动态兴趣特征进行调整,得到对象影响兴趣特征;
所述联合特征选择器,用于将所述社区影响兴趣特征和所述对象影响兴趣特征进行融合,得到所述推荐对象融合特征。
可选的,在上述方案的基础上,所述社区层次注意力融合器具体用于:
根据各所述交互社区特征确定各所述交互社区的影响权重;
基于各所述交互社区的影响权重、所述交互社区特征和所述动态兴趣特征,得到所述社区影响兴趣特征。
可选的,在上述方案的基础上,所述对象中心图注意力融合器具体用于:
根据各所述交互对象特征确定各所述交互对象的影响权重;
基于各所述交互对象的影响权重、所述交互对象特征和所述动态兴趣特征,得到所述对象影响兴趣特征。
可选的,在上述方案的基础上,还包括模型训练模块,用于:
基于推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器构建信息推荐模型;
获取样本对象的静态属性信息和历史交互数据,基于所述静态属性信息和隶属交互数据构建训练样本;
基于所述训练样本对所述信息推荐模型进行训练,得到训练后的信息推荐模型。
本发明实施例所提供的信息推荐装置可执行本发明任意实施例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。
实施例四
图4是本发明实施例四提供的一种电子设备的结构示意图。图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。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/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如信息推荐方法。
在一些实施例中,信息推荐方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11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,处理器11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***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(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***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***、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***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储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***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的***和技术,该电子设备具有: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电子设备。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***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(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***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***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***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器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-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种信息推荐方法,其特征在于,包括:
获取推荐对象信息和候选推荐信息,所述推荐对象信息包括所述推荐对象的静态属性信息和历史交互数据;
将所述推荐对象信息和所述候选推荐信息输入至预先训练的信息推荐模型中,获得所述信息推荐模型的推荐结果,其中,所述信息推荐模型包括推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器,所述推荐对象静态特征提取器用于基于所述静态属性信息提取所述推荐对象的静态兴趣特征,所述信息特征提取器用于提取所述历史交互数据中交互信息的交互信息特征和所述候选推荐信息的候选信息特征,并基于所述交互信息特征和所述静态兴趣特征得到所述推荐对象的动态兴趣特征,所述特征融合单元用于提取所述历史交互数据中交互环境的交互环境特征,并基于所述交互环境特征和所述动态兴趣特征得到所述推荐对象的推荐对象融合特征,所述推荐结果输出器用于基于所述推荐对象融合特征和候选推荐信息的候选信息特征预测推荐结果并输出;
根据所述推荐结果确定所述候选推荐信息中的目标推荐信息,并基于所述目标推荐信息进行推荐。
2.根据权利要求1所述的方法,其特征在于,所述推荐对象静态特征提取器具体用于:
根据所述属性标签确定所述推荐对象的属性向量,基于所述属性向量得到所述推荐对象的推荐对象属性特征;
根据所述对象标识确定所述推荐对象的标识编码,根据所述标识编码得到推荐对象隐特征;
根据所述推荐对象属性特征和所述推荐对象隐特征确定所述静态兴趣特征。
3.根据权利要求1所述的方法,其特征在于,所述信息特征提取器具体用于:
提取所述历史交互数据中交互信息的交互信息特征,基于所述交互信息特征和所述静态兴趣特征得到所述推荐对象的动态兴趣特征;
提取所述候选推荐信息的候选信息特征。
4.根据权利要求3所述的方法,其特征在于,所述特征融合单元包括社区层次注意力融合器、对象中心图注意力融合器和联合特征选择器,其中:
所述社区层次注意力融合器,用于获取所述交互信息中的至少一个交互社区信息,确定各所述交互社区信息的交互社区特征,基于所述交互社区特征对所述动态兴趣特征进行调整,得到社区影响兴趣特征;
所述对象中心图注意力融合器,用于获取所述交互信息中的至少一个交互对象信息,确定各所述交互对象信息的交互对象特征,基于所述交互对象特征对所述动态兴趣特征进行调整,得到对象影响兴趣特征;
所述联合特征选择器,用于将所述社区影响兴趣特征和所述对象影响兴趣特征进行融合,得到所述推荐对象融合特征。
5.根据权利要求4所述的方法,其特征在于,所述社区层次注意力融合器具体用于:
根据各所述交互社区特征确定各所述交互社区的影响权重;
基于各所述交互社区的影响权重、所述交互社区特征和所述动态兴趣特征,得到所述社区影响兴趣特征。
6.根据权利要求4所述的方法,其特征在于,所述对象中心图注意力融合器具体用于:
根据各所述交互对象特征确定各所述交互对象的影响权重;
基于各所述交互对象的影响权重、所述交互对象特征和所述动态兴趣特征,得到所述对象影响兴趣特征。
7.根据权利要求1所述的方法,其特征在于,还包括:
基于推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器构建信息推荐模型;
获取样本对象的静态属性信息和历史交互数据,基于所述静态属性信息和隶属交互数据构建训练样本;
基于所述训练样本对所述信息推荐模型进行训练,得到训练后的信息推荐模型。
8.一种信息推荐装置,其特征在于,包括:
推荐参数获取模块,用于获取推荐对象信息和候选推荐信息,所述推荐对象信息包括所述推荐对象的静态属性信息和历史交互数据;
推荐信息预测模块,用于将所述推荐对象信息和所述候选推荐信息输入至预先训练的信息推荐模型中,获得所述信息推荐模型的推荐结果,其中,所述信息推荐模型包括推荐对象静态特征提取器、信息特征提取器、特征融合单元和推荐结果输出器,所述推荐对象静态特征提取器用于基于所述静态属性信息提取所述推荐对象的静态兴趣特征,所述信息特征提取器用于提取所述历史交互数据中交互信息的交互信息特征和所述候选推荐信息的候选信息特征,并基于所述交互信息特征和所述静态兴趣特征得到所述推荐对象的动态兴趣特征,所述特征融合单元用于提取所述历史交互数据中交互环境的交互环境特征,并基于所述交互环境特征和所述动态兴趣特征得到所述推荐对象的推荐对象融合特征,所述推荐结果输出器用于基于所述推荐对象融合特征和候选推荐信息的候选信息特征预测推荐结果并输出;
推荐信息推荐模块,用于根据所述推荐结果确定所述候选推荐信息中的目标推荐信息,并基于所述目标推荐信息进行推荐。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-7中任一项所述的信息推荐方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410115163.8A CN117743693A (zh) | 2024-01-26 | 2024-01-26 | 一种信息推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410115163.8A CN117743693A (zh) | 2024-01-26 | 2024-01-26 | 一种信息推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117743693A true CN117743693A (zh) | 2024-03-22 |
Family
ID=90281539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410115163.8A Pending CN117743693A (zh) | 2024-01-26 | 2024-01-26 | 一种信息推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117743693A (zh) |
-
2024
- 2024-01-26 CN CN202410115163.8A patent/CN117743693A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018040944A1 (zh) | 恶意地址/恶意订单的识别***、方法及装置 | |
CN111259222B (zh) | 物品推荐方法、***、电子设备及存储介质 | |
CN109062962B (zh) | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 | |
Xu et al. | Integrated collaborative filtering recommendation in social cyber-physical systems | |
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN113592593A (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
CN111709778A (zh) | 出行流量预测方法、装置、电子设备和存储介质 | |
CN116523554A (zh) | 点击率预测模型的训练方法及装置 | |
CN115907926A (zh) | 商品的推荐方法、装置、电子设备及存储介质 | |
CN116308634A (zh) | 基于行为序列和权重共享的双塔模型推荐方法及装置 | |
CN114169418B (zh) | 标签推荐模型训练方法及装置、标签获取方法及装置 | |
CN115618079A (zh) | 会话推荐方法、装置、电子设备及存储介质 | |
CN117743693A (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN113297467A (zh) | 推荐方法、装置及计算机存储介质 | |
CN114547417A (zh) | 一种媒体资源排序方法及电子设备 | |
CN115455298A (zh) | 目标物品确定方法、装置、电子设备及存储介质 | |
CN117808545A (zh) | 基于注意力机制的多任务排序方法、装置、设备及介质 | |
CN117951383A (zh) | 一种信息智能推荐方法、装置、设备及存储介质 | |
CN115640461A (zh) | 一种产品的推荐方法、装置、电子设备及其存储介质 | |
CN117668351A (zh) | 推荐方法、模型的训练方法、装置、电子设备及存储介质 | |
CN113987345A (zh) | 数据处理的方法、装置、设备、存储介质及程序产品 | |
CN116186411A (zh) | 基于深度推荐模型的用户行为预测模型的构建方法及装置 | |
CN116777660A (zh) | 一种用户映射方法、装置、电子设备及存储介质 |
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 |