[發(fā)明專利]一種推薦方法、裝置、終端設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010620834.8
• 申請日: 2020-06-30
• 公開（公告）號: CN111814044A
• 公開（公告）日: 2020-10-23
• 發(fā)明（設(shè)計）人: 文誼
• 申請（專利權(quán)）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

本發(fā)明公開了一種推薦方法、裝置、終端設(shè)備及存儲介質(zhì)。方法包括：基于用戶標(biāo)識信息，獲取對應(yīng)的待推薦信息集和歷史信息集；從待推薦信息集中獲取任一待推薦信息作為當(dāng)前待推薦信息；將當(dāng)前待推薦信息、歷史信息集和用戶標(biāo)識信息輸入推薦系統(tǒng)，確定當(dāng)前推薦信息的推薦概率，繼續(xù)執(zhí)行獲取當(dāng)前待推薦信息操作，直至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，并基于推薦順序進(jìn)行推薦；推薦概率基于歷史信息對應(yīng)的行為向量確定，行為向量為推薦系統(tǒng)基于歷史信息集和當(dāng)前待推薦信息的關(guān)聯(lián)性確定的向量。利用該方法充分的利用了歷史信息集所包括的歷史信息，提升了推薦的準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明實施例涉及計算機技術(shù)領(lǐng)域，尤其涉及一種推薦方法、裝置、終端設(shè)備及存儲介質(zhì)。

背景技術(shù)

當(dāng)前信息爆炸的時代，由于個性化推薦算法能更好的滿足用戶對于自己感興趣內(nèi)容的需求，這些年得到快速的發(fā)展和廣泛的研究。

目前，基于深度學(xué)習(xí)的神經(jīng)協(xié)同過濾推薦算法是一個廣泛應(yīng)用在工業(yè)界的推薦算法，其利用深度學(xué)習(xí)的強大擬合效果，用簡單的用戶的歷史信息在海量數(shù)據(jù)的支撐下，能夠挖掘出很多用戶潛在的興趣點。這種方案雖然應(yīng)用非常廣泛，但是，未對用戶的歷史信息進(jìn)行有效利用。

發(fā)明內(nèi)容

本發(fā)明實施例提供了一種推薦方法、裝置、終端設(shè)備及存儲介質(zhì)，在進(jìn)行推薦時有效的利用了用戶的歷史信息。

第一方面，本發(fā)明實施例提供了一種推薦方法，包括：

基于用戶標(biāo)識信息，獲取對應(yīng)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(dāng)前待推薦信息；

將所述當(dāng)前待推薦信息、所述歷史信息集和所述用戶標(biāo)識信息輸入推薦系統(tǒng)，確定所述當(dāng)前推薦信息的推薦概率，繼續(xù)執(zhí)行獲取當(dāng)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(jìn)行推薦；

其中，各所述推薦概率基于所述歷史信息集對應(yīng)的行為向量確定，所述行為向量為所述推薦系統(tǒng)基于所述歷史信息集和所述當(dāng)前待推薦信息的關(guān)聯(lián)性確定的向量。

進(jìn)一步地，所述推薦系統(tǒng)包括行為預(yù)測模型和神經(jīng)協(xié)同過濾模型，相應(yīng)的，所述將所述當(dāng)前待推薦信息、所述歷史信息集和所述用戶標(biāo)識信息輸入推薦系統(tǒng)，確定所述當(dāng)前推薦信息的推薦概率，包括：

將所述當(dāng)前待推薦信息對應(yīng)的待推薦向量和所述歷史信息集輸入行為預(yù)測模型，確定所述行為向量，所述待推薦向量為將所述當(dāng)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(dāng)前待推薦信息和所述用戶標(biāo)識信息，輸入神經(jīng)協(xié)同過濾模型，確定所述當(dāng)前推薦信息的推薦概率。

進(jìn)一步地，所述行為預(yù)測模型，包括第一向量轉(zhuǎn)換模塊和關(guān)聯(lián)模塊；相應(yīng)的，所述將所述當(dāng)前待推薦信息對應(yīng)的待推薦向量和所述歷史信息集輸入行為預(yù)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(zhuǎn)換模塊，確定對應(yīng)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(zhuǎn)換為向量形式后堆疊形成；

將所述當(dāng)前待推薦信息對應(yīng)的待推薦向量和所述歷史向量輸入至關(guān)聯(lián)模塊，確定行為向量。

進(jìn)一步地，所述關(guān)聯(lián)模塊包括卷積子模塊和關(guān)聯(lián)子模塊，相應(yīng)的，所述將所述當(dāng)前待推薦信息對應(yīng)的待推薦向量和所述歷史向量輸入至關(guān)聯(lián)模塊，確定行為向量，包括：

將所述歷史向量輸入卷積子模塊，得到對應(yīng)所述歷史向量的卷積向量，所述卷積向量的個數(shù)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(jìn)行卷積確定；