[發明專利]內容推薦方法、裝置、設備及計算機可讀存儲介質

在審

• 申請號: 201910869110.4
• 申請日: 2019-09-12
• 公開（公告）號: CN110795618A
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 張峻旗;白冰;林也;白琨
• 申請（專利權）人: 騰訊科技(深圳)有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/04;G06N3/08
• 代理公司: 44202 廣州三環專利商標代理有限公司
• 代理人: 郝傳鑫;熊永強

本申請實施例公開了一種內容推薦方法、裝置、設備及計算機可讀存儲介質，其中方法包括：基于訓練好的推薦模型對當前會話進行編碼，得到當前會話編碼；基于所述當前會話編碼，采用注意力機制對近鄰會話集合中的近鄰會話進行編碼，得到近鄰會話編碼；其中，所述近鄰會話集合包括基于與所述當前會話的相似度選取組成的會話集合，所述近鄰會話集合中的近鄰會話的發生時間在所述當前會話的發生時間之前；根據所述當前會話編碼和所述近鄰會話編碼，生成所述當前會話的下一內容的推薦結果。實施本申請，可以解決傳統的推薦方式中推薦結果的準確率不高的問題，提高推薦結果的準確率。

技術領域

本申請涉及內容推薦技術領域，尤其涉及一種內容推薦方法、裝置、設備及計算機可讀存儲介質。

背景技術

隨著網絡的快速發展，如何在龐大的信息庫中準確找到自己需要的信息是本領域技術人員的研究熱點。

現有技術中，傳統的推薦技術主要包括以下兩大類推薦方法：第一類為基于內容的推薦方法；第二類為基于協同過濾的推薦方法。基于內容匹配或協同過濾的推薦方法需要用戶身份信息，即用戶需進行登錄操作；在一些實際場景下并不具備這種條件，例如有一些用戶極注重隱私，或當前操作發生在陌生設備上。因此，基于不具名用戶所發起會話的推薦是一種適應性更廣的推薦模式。

基于不具名用戶所發起會話的推薦，現有技術中有利用循環神經網絡對當前會話建模的推薦方法，該類方法主要包括基于循環神經網絡(Recurrent Neural Networks，RNN)的會話推薦算法及其改進，通常以某不具名用戶所發起會話中的已有物品序列為輸入，使用循環神經網絡(GRU是其中一種)進行建模編碼，從而為該不具名用戶預測下一物品。然而，利用循環神經網絡對當前會話建模的推薦方法由于僅僅基于當前會話進行后續推薦，從而受限于會話的一些不良特性，不僅會話的長度較短，通常包含的信息有限，而且會話中存在很多噪聲，即存在用戶誤操作或漫無目的操作的可能。

基于不具名用戶所發起會話的推薦，現有技術中還有基于會話的K近鄰推薦方法，基于會話的K近鄰推薦方法(Session-based KNN，SKNN)是一種相對傳統的方法。首先，該類方法先人為設定一種相似性度量，并計算當前會話與各歷史會話的相似度，從中挑選與當前會話最為相近的N個近鄰會話；然后，對于近鄰會話中包含的物品，該類方法按照相對應的相似度進行加權求和，得出各物品與當前會話的相關性度量，從而進行推薦。該類方法從歷史會話中獲取相關信息進行推薦，其性能依賴于人工規則的制定，即如何挑選近鄰會話，然而人為制定的規則是無法保證最優的。此外，該類方法忽略了當前會話的局部信息，推薦結果準確率不高。

發明內容

本申請實施例提供一種內容推薦方法、相關裝置、設備及計算機可讀存儲介質，可以解決傳統的推薦方式中推薦結果的準確率不高的問題，提高推薦結果的準確率。

第一方面，本申請實施例提供了一種內容推薦方法，該方法包括：

基于訓練好的推薦模型對當前會話進行編碼，得到當前會話編碼；

基于所述當前會話編碼，采用注意力機制對近鄰會話集合中的近鄰會話進行編碼，得到近鄰會話編碼；其中，所述近鄰會話集合包括基于與所述當前會話的相似度選取組成的會話集合，所述近鄰會話集合中的近鄰會話的發生時間在所述當前會話的發生時間之前；

根據所述當前會話編碼和所述近鄰會話編碼，生成所述當前會話的下一內容的推薦結果。

通過實施本申請實施例，動態地考慮了相似會話中的內容情況，提高內容推薦的準確性，具體地通過引入注意力機制，對當前會話的建模能力與近鄰方法引入的輔助信息進行有機結合，減少了傳統推薦方法對于人工規則的依賴性，從而提高內容推薦的準確性。為了達到本申請內容推薦的準確性，本申請通過動態地考慮了相似會話中的內容情況，并通過引入注意力機制，相對于現有技術而言運算效率更高，占用的計算機運算資源更少，因此可以提高計算機性能。