[發(fā)明專利]信息推薦方法、裝置、電子設備及計算機可讀存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010081763.9
• 申請日: 2020-02-06
• 公開（公告）號: CN111310038B
• 公開（公告）日: 2022-09-02
• 發(fā)明（設計）人: 劉志煌
• 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;G06Q30/06
• 代理公司: 北京市立方律師事務所 11330
• 代理人: 張筱寧

1.一種信息推薦方法，其特征在于，包括：

獲取用戶的第一用戶特征與至少一個待推薦對象的第一對象特征，并將各所述第一對象特征分別與所述第一用戶特征進行拼接，得到各待推薦對象分別對應的目標組合特征；

基于各所述目標組合特征，從各待推薦對象中確定目標對象，并向所述用戶推薦所述目標對象的對象信息，所述目標對象是依據(jù)各所述目標組合特征分別對應的第二偏好度從所述各待推薦對象中確定出的，所述第二偏好度是基于多個樣本組合特征及所述多個樣本組合特征分別對應的第一偏好度確定出的；

所述基于各所述目標組合特征，從各待推薦對象中確定目標對象是通過神經(jīng)網(wǎng)絡模型實現(xiàn)的，所述神經(jīng)網(wǎng)絡模型是通過以下方式訓練得到的：

獲取多個樣本用戶的第二用戶特征以及所述多個樣本用戶分別對應的至少一個樣本對象的第二對象特征，并將各樣本對象的第二對象特征分別與各樣本對象分別對應的樣本用戶的第二用戶特征拼接，得到多個樣本組合特征；

根據(jù)所述多個樣本用戶針對各自對應的每個樣本對象的至少一個用戶行為，確定所述多個樣本組合特征分別對應的第一偏好度；

基于所述多個樣本組合特征與所述多個樣本組合特征分別對應的第一偏好度，對所述神經(jīng)網(wǎng)絡模型進行訓練，直至對應的損失函數(shù)收斂，所述損失函數(shù)的值表征了模型輸出的各樣本組合特征的偏好度和各樣本組合特征的第一偏好度之間的差異；

所述根據(jù)所述多個樣本用戶針對各自對應的每個樣本對象的至少一個用戶行為，確定所述多個樣本組合特征分別對應的第一偏好度，包括：

對于每一樣本用戶的每個樣本對象，基于客戶關系管理RFM模型與預先設定的每個用戶行為的行為標簽權重，根據(jù)每一樣本用戶針對每個樣本對象的至少一個用戶行為，確定所述每一樣本用戶針對所述每個樣本對象的樣本組合特征的偏好數(shù)值；

基于預定劃分方式，將多個偏好數(shù)值劃分為L個第一偏好度，得到多個樣本組合特征分別對應的第一偏好度，所述偏好數(shù)值的數(shù)量大于或等于所述L，所述L為大于1的整數(shù)。

2.根據(jù)權利要求1所述的方法，其特征在于，在將各所述第一對象特征分別與所述第一用戶特征拼接，得到各待推薦對象分別對應的目標組合特征之后，還包括：

對各所述目標組合特征中的第一用戶特征和/或第一對象特征進行以下至少一項處理，得到處理后的各目標組合特征：

對缺失的第一用戶特征和/或第一對象特征進行舍棄處理；

對滿足異常特征判別條件的第一用戶特征和/或第一對象特征進行舍棄處理；

對缺失的第一用戶特征和/或第一對象特征進行填充處理；

對第一用戶特征和/或第一對象特征進行特征衍生處理；

對第一用戶特征和/或第一對象特征進行預定的特征變換處理；

基于各所述目標組合特征，通過預定模型從各待推薦對象中確定目標對象，包括：

基于處理后的各目標組合特征，通過預定模型從各待推薦對象中確定目標對象。

3.根據(jù)權利要求1所述的方法，其特征在于，基于多個樣本組合特征及所述多個樣本組合特征分別對應的第一偏好度，確定各所述目標組合特征分別對應的第二偏好度，包括：

針對每一目標組合特征，計算所述每一目標組合特征與所述多個樣本組合特征之間的相似度，并基于計算得到的多個相似度和所述多個樣本組合特征分別對應的第一偏好度，確定所述每一目標組合特征的第二偏好度。

4.根據(jù)權利要求3所述的方法，其特征在于，基于計算得到的多個相似度和所述多個樣本組合特征分別對應的第一偏好度，確定所述每一目標組合特征的第二偏好度，包括以下任一項：

從所述多個相似度中確定最大相似度，并確定該最大相似度對應的樣本組合特征的第一偏好度為所述每一目標組合特征的第二偏好度；

基于最大的N個相似度分別對應的樣本組合特征的第一偏好度，確定所述每一目標組合特征的第二偏好度，所述N為大于1的整數(shù)。