[發明專利]一種信息推薦的方法以及裝置

有效

• 申請號: 202110280216.8
• 申請日: 2021-03-16
• 公開（公告）號: CN113010562B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 謝壯壯;陳振;奚冬博;燕鵬
• 申請（專利權）人: 北京三快在線科技有限公司
• 主分類號: G06F16/2457
• 分類號: G06F16/2457;G06K9/62
• 代理公司: 北京曼威知識產權代理有限公司 11709
• 代理人: 方志煒

1.一種信息推薦的方法，其特征在于，包括：

獲取用戶的用戶數據，所述用戶數據包括：所述用戶的屬性數據、所述用戶針對目標業務的歷史行為數據、所述用戶對應的業務風險信息、所述用戶對應的歷史業務數據，以及向所述用戶發送的各歷史推薦信息對應的相關信息中的至少一種；

根據所述用戶的用戶數據，確定所述用戶對應的特征數據；

針對預先訓練的每個推薦模型，將所述特征數據輸入到該推薦模型中，以確定在該推薦模型下向所述用戶進行信息推薦的第一推薦概率，作為該推薦模型對應的第一推薦概率；

根據該推薦模型在模型訓練時所對應的樣本采樣率，對該推薦模型對應的第一推薦概率進行校正，確定該推薦模型對應的校正推薦概率，該推薦模型所對應的樣本采樣率是指該推薦模型對應的樣本集中負樣本在全量樣本集中的占比，所述樣本集是通過從全量樣本集中選取所有的正樣本以及基于樣本采樣率所確定出的部分負樣本構建的；

根據各推薦模型對應的校正推薦概率，向所述用戶進行信息推薦。

2.如權利要求1所述的方法，其特征在于，根據各推薦模型對應的校正推薦概率，向所述用戶進行信息推薦，具體包括：

根據各推薦模型對應的校正推薦概率，向所述用戶發送針對所述目標業務的推薦信息。

3.如權利要求1所述的方法，其特征在于，訓練推薦模型，具體包括：

針對每個推薦模型，確定該推薦模型對應的樣本采樣率，不同推薦模型對應的樣本采樣率不同；

根據該推薦模型對應的樣本采樣率，從各用戶在歷史上的用戶數據中選取所有的正樣本以及部分負樣本，并構建該推薦模型對應的樣本集，所述正樣本用于表示用戶通過獲取到的推薦信息執行所述推薦信息對應的業務，所述負樣本用于表示用戶獲取到推薦信息后未執行所述推薦信息對應的業務；

針對所述樣本集中的每個訓練樣本，將該訓練樣本對應的特征數據輸入到該推薦模型，得到該訓練樣本對應的預測推薦概率；

以最小化所述預測推薦概率與該訓練樣本對應的樣本標簽之間的偏差為優化目標，對該推薦模型進行訓練。

4.如權利要求1所述的方法，其特征在于，根據該推薦模型在模型訓練時所對應的樣本采樣率，對該推薦模型對應的第一推薦概率進行校正，確定該推薦模型對應的校正推薦概率，具體包括：

獲取預先確定出的該推薦模型對應的基于條件概率的概率校正規則；

根據所述概率校正規則、該推薦模型在模型訓練時所對應的樣本采樣率以及該推薦模型對應的第一推薦概率，確定該推薦模型對應的校正推薦概率。

5.如權利要求4所述的方法，其特征在于，確定該推薦模型對應的概率校正規則，具體包括：

針對該推薦模型在模型訓練時所采用的樣本集中包含的每個訓練樣本，根據該推薦模型對應的樣本采樣率，確定該推薦模型通過全量樣本集進行訓練后得到的針對該訓練樣本的推薦概率，與該推薦模型通過所述樣本集進行訓練后得到的針對該訓練樣本的推薦概率之間的對應關系，所述樣本集中包含的訓練樣本為所述全量樣本集中的部分訓練樣本；

根據所述對應關系，確定該推薦模型對應的概率校正規則。

6.如權利要求1或2所述的方法，其特征在于，根據各推薦模型對應的校正推薦概率，向所述用戶進行信息推薦，具體包括：

根據各推薦模型對應的校正推薦概率，確定向所述用戶進行信息推薦的第二推薦概率；

根據所述第二推薦概率，向所述用戶進行信息推薦。

7.如權利要求6所述的方法，其特征在于，根據各推薦模型對應的校正推薦概率，確定向所述用戶進行信息推薦的第二推薦概率，具體包括：

根據預先確定出的各推薦模型對應的權重以及各推薦模型對應的校正推薦概率，得到所述第二推薦概率。