[發明專利]一種推薦方法、裝置、終端設備及存儲介質

在審

• 申請號: 202010620834.8
• 申請日: 2020-06-30
• 公開（公告）號: CN111814044A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 文誼
• 申請（專利權）人: 廣州視源電子科技股份有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06N3/04
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種推薦方法，其特征在于，包括：

基于用戶標識信息，獲取對應的待推薦信息集和歷史信息集；

從所述待推薦信息集中獲取任一待推薦信息作為當前待推薦信息；

將所述當前待推薦信息、所述歷史信息集和所述用戶標識信息輸入推薦系統，確定所述當前推薦信息的推薦概率，繼續執行獲取當前待推薦信息操作，直至所述待推薦信息集中所有待推薦信息的推薦概率均確定完成；

基于各推薦概率，確定待推薦信息集中各待推薦信息的推薦順序，并基于所述推薦順序進行推薦；

其中，各所述推薦概率基于所述歷史信息集對應的行為向量確定，所述行為向量為所述推薦系統基于所述歷史信息集和所述當前待推薦信息的關聯性確定的向量。

2.根據權利要求1所述的方法，其特征在于，所述推薦系統包括行為預測模型和神經協同過濾模型，相應的，所述將所述當前待推薦信息、所述歷史信息集和所述用戶標識信息輸入推薦系統，確定所述當前推薦信息的推薦概率，包括：

將所述當前待推薦信息對應的待推薦向量和所述歷史信息集輸入行為預測模型，確定所述行為向量，所述待推薦向量為將所述當前待推薦信息向量化后形成的向量；

將所述行為向量、所述當前待推薦信息和所述用戶標識信息，輸入神經協同過濾模型，確定所述當前推薦信息的推薦概率。

3.根據權利要求2所述的方法，其特征在于，所述行為預測模型，包括第一向量轉換模塊和關聯模塊；相應的，所述將所述當前待推薦信息對應的待推薦向量和所述歷史信息集輸入行為預測模型，確定所述行為向量，包括：

將所述歷史信息集輸入至第一向量轉換模塊，確定對應的歷史向量，所述歷史向量為所述歷史信息集中各歷史信息轉換為向量形式后堆疊形成；

將所述當前待推薦信息對應的待推薦向量和所述歷史向量輸入至關聯模塊，確定行為向量。

4.根據權利要求3所述的方法，其特征在于，所述關聯模塊包括卷積子模塊和關聯子模塊，相應的，所述將所述當前待推薦信息對應的待推薦向量和所述歷史向量輸入至關聯模塊，確定行為向量，包括：

采用至少一個卷積核對所述歷史向量進行卷積，得到對應的卷積向量；

將所述歷史向量輸入卷積子模塊，得到對應所述歷史向量的卷積向量，所述卷積向量的個數為至少一個，不同的卷積向量為采用不同的卷積核對所述歷史向量進行卷積確定；

將所述卷積向量和所述待推薦向量輸入至關聯子模塊，確定行為向量。

5.根據權利要求4所述的方法，其特征在于，所述關聯子模塊，包括：長度調節單元、內積單元和向量生成單元，相應的，所述將所述卷積向量和所述待推薦向量輸入至關聯子模塊，確定行為向量，包括：

在所述卷積向量的個數為一個時，將所述卷積向量和所述待推薦向量輸入內積單元，確定所述卷積向量的權重，并將所述卷積向量和所述權重輸入至所述向量生成單元，得到行為向量，所述行為向量為所述權重與所述卷積向量的乘積；

在所述卷積向量的個數為至少兩個時，將所述卷積向量輸入所述長度調節單元，得到調節后的卷積向量，將所述調節后的卷積向量和所述待推薦向量輸入所述內積單元，確定所述調節后的卷積向量的權重，將所述調節后的卷積向量和對應的權重輸入至所述向量生成單元，得到行為向量，所述行為向量為各所述調節后的卷積向量和對應的權重的加權求和確定的向量。

6.根據權利要求2所述的方法，其特征在于，所述神經協同過濾模型，包括：第二向量轉換模塊、第三向量轉換模塊、特征共享模塊和概率生成模塊；相應的，將所述行為向量、所述當前待推薦信息和所述用戶標識信息，輸入神經協同過濾模型，確定所述當前推薦信息的推薦概率，包括：

將所述當前待推薦信息輸入第二向量轉換模塊，確定對應的待推薦向量；

將所述用戶標識信息輸入所述第三向量轉換模塊，確定對應的用戶向量；

將所述行為向量和所述待推薦向量輸入至特征共享模塊，確定共享后的待推薦向量；

將所述共享后的待推薦向量和所述用戶向量輸入概率生成模塊，確定所述當前待推薦信息的推薦概率。