[發明專利]一種數據對象推薦方法、裝置、設備和存儲介質

有效

• 申請號: 202011388041.4
• 申請日: 2020-12-01
• 公開（公告）號: CN112507216B
• 公開（公告）日: 2023-07-18
• 發明（設計）人: 張俊欽
• 申請（專利權）人: 北京奇藝世紀科技有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/435;G06F18/25;G06N3/04
• 代理公司: 北京華夏泰和知識產權代理有限公司 11662
• 代理人: 張麗穎

本發明實施例公開了一種數據對象推薦方法、裝置、設備和存儲介質。該方法包括：接收來自于數據對象推薦設備的一個用戶特征向量以及多個數據對象分別對應的對象特征向量；根據用戶特征向量和每個數據對象分別對應的對象特征向量，生成每個數據對象對應的模型預測數據；根據每個數據對象對應的模型預測數據，確定每個數據對象對應的用戶感興趣程度并向數據對象推薦設備發送，以便數據對象推薦設備根據每個數據對象對應的用戶感興趣程度，執行數據對象推薦操作。本發明僅接收一個用戶特征向量即可，無需接收多個向量組合，減少了用戶特征向量的接收次數，也無需重復對相同的用戶特征向量進行計算，降低了數據對象推薦的計算量，提升了推薦效率。

技術領域

本發明涉及深度學習技術領域，特別是涉及一種數據對象推薦方法、裝置、設備和存儲介質。

背景技術

在深度學習領域中，推薦類模型可以預測用戶對每個數據對象的感興趣程度，根據用戶分別對每個數據對象的感興趣程度進行數據對象推薦。該數據對象可以是視頻、圖像和文本。比如：預測用戶對視頻的感興趣程度，在得到用戶對多個視頻的感興趣程度之后，按照感興趣程度從大到小排序，將感興趣程度高的視頻推送給用戶。

在用戶瀏覽數據對象或者獲取數據對象時，可以向用戶推薦用戶感興趣程度高的數據對象。在預測用戶對數據對象的感興趣程度時，會采集該用戶的用戶特征和該數據對象的對象特征，生成包括用戶特征和對象特征的融合特征向量，利用預設的預測算法對該融合特征向量進行預測分析，確定用戶對該數據對象的感興趣程度。進一步地，在進行數據對象推薦時，針對同一個用戶，會同時預測該用戶對上百個數據對象的感興趣程度，那么，需要針對每個數據對象，生成一個包括用戶特征和對象特征的特征向量的融合特征向量，也即是說，在這上百個數據對象分別對應的融合特征向量中都包括用戶特征，這就導致需要上百次的對用戶特征進行重復分析計算，增加了預測算法的計算量，也降低了數據對象的推薦效率。

發明內容

本發明實施例的目的在于提供一種數據對象推薦方法、裝置、設備和存儲介質，以便解決現有數據對象推薦方式需求重復對用戶特征進行計算的問題。

針對上述技術問題，本發明實施例是通過以下技術方案來解決的：

在本發明實施的第一個方面，提供了一種數據對象推薦方法，包括：接收來自于數據對象推薦設備的一個用戶特征向量以及多個數據對象分別對應的對象特征向量；復制所述用戶特征向量，使所述用戶特征向量的數量與所述對象特征向量的數量相同；將每個所述用戶特征向量與一個所述數據對象對應的對象特征向量進行融合，得到每個所述數據對象對應的模型預測數據；或者，對所述用戶特征向量進行特征處理，得到用戶預測數據；對每個所述對象特征向量分別進行特征處理，得到每個所述數據對象對應的對象預測數據；復制所述用戶預測數據，使所述用戶預測數據的數量與所述對象預測數據的數量相同；將每個所述用戶預測數據與一個所述數據對象對應的對象預測數據進行融合，得到每個所述數據對象對應的模型預測數據；根據每個所述數據對象對應的模型預測數據，確定每個所述數據對象對應的用戶感興趣程度并向所述數據對象推薦設備發送，以便所述數據對象推薦設備根據每個所述數據對象對應的用戶感興趣程度，執行數據對象推薦操作。

其中，所述根據每個所述數據對象對應的模型預測數據，確定每個所述數據對象對應的用戶感興趣程度，包括：將每個所述數據對象對應的模型預測數據順序輸入預設的推薦類模型，或者，將多個所述數據對象分別對應的模型預測數據一并輸入所述推薦類模型，通過所述推薦類模型確定每個所述數據對象對應的用戶感興趣程度。