[發明專利]一種推薦個數模型的訓練方法、混合內容推薦方法及裝置

在審

• 申請號: 202110337819.7
• 申請日: 2021-03-30
• 公開（公告）號: CN112905896A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 張娟;許盛輝;潘照明
• 申請（專利權）人: 網易傳媒科技（北京）有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06K9/62;G06N20/00
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 李靜文

1.一種推薦個數模型的訓練方法，用于確定混合推薦列表中指定類型內容的推薦個數，其特征在于，包括：

獲取基于混合推薦列表進行內容推薦時，用戶對指定類型內容的行為反饋；

根據所述行為反饋及所述混合列表中指定類型內容的實際推薦個數，確定指定類型內容的期望推薦個數；

對所述用戶的屬性信息、內容推薦時用戶所處的上下文信息和所述用戶對指定類型內容的歷史操作信息中至少一種進行特征提取；

將提取的特征作為推薦個數模型的輸入，以輸出所述期望推薦個數為目標，調整所述推薦個數模型的參數。

2.根據權利要求1所述的方法，其特征在于，根據所述行為反饋及所述混合列表中指定類型內容的實際推薦個數，確定指定類型內容的期望推薦個數，包括：

確定用戶點擊所述指定類型內容的次數等于第一閾值時，將所述實際推薦個數作為期望推薦個數；

確定用戶點擊所述指定類型內容的次數大于第一閾值時，將所述實際推薦個數遞增得到期望推薦個數；

確定用戶點擊所述指定類型內容的次數小于第一閾值時，將所述實際推薦個數遞減得到期望推薦個數。

3.根據權利要求2所述的方法，其特征在于，所述提取的特征和對應的期望推薦個數為一個樣本，調整所述推薦個數模型的參數之前，還包括：

獲取包括多個樣本的樣本集；

確定樣本集中用戶點擊所述指定類型內容的次數小于第一閾值，且所述實際推薦個數小于第二閾值的待篩選樣本；

按設定比例篩選掉待篩選樣本中的部分樣本，得到更新的樣本集。

4.根據權利要求1所述的方法，其特征在于，對所述用戶的屬性信息進行特征提取，包括：

對所述用戶的性別、年齡、地理位置中至少一種進行特征提取。

5.根據權利要求1所述的方法，其特征在于，對所述內容推薦時用戶所處的上下文信息進行特征提取，包括：

對所述內容推薦的時間、內容推薦時用戶登錄的客戶端類型、內容推薦時客戶端連接的網絡類型中至少一種進行特征提取。

6.根據權利要求1所述的方法，其特征在于，對所述用戶對指定類型內容的歷史操作信息中至少一種進行特征提取，包括：

對不同歷史時間窗口內，所述用戶對指定類型內容的正向操作次數和/或負向操作次數進行特征提取。

7.根據權利要求1所述的方法，其特征在于，還包括：

在推薦個數模型的建模階段，根據排序模型對不同類型內容的推薦程度評分，確定所述混合推薦列表中指定類型內容的實際推薦個數；

在推薦個數模型的更新階段，利用所述推薦個數模型，確定所述混合推薦列表中指定類型內容的實際推薦個數。

8.一種混合排序推薦的方法，應用于推薦服務器，其特征在于，包括：

接收用戶的推薦請求，獲取所述用戶的屬性信息、內容推薦時用戶所處的上下文信息和所述用戶對指定類型內容的歷史操作信息中至少一種；

對所述用戶的屬性信息、內容推薦時用戶所處的上下文信息和所述用戶對指定類型內容的歷史操作信息中至少一種進行特征提取；

將提取的特征輸入到推薦個數模型，其中，所述推薦個數模型是基于權利要求1至7中任一項所述方法訓練得到的；

根據所述推薦個數模型預測的推薦個數，及不同類型內容的推薦程度評分，得到不同類型內容混合排序的混合推薦列表并發送給所述用戶。

9.一種推薦個數模型的訓練設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7任一項所述推薦個數模型的訓練方法的步驟。

10.一種混合排序推薦的設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求8所述混合排序推薦的方法的步驟。