[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

本發明提供一種推薦個數模型的訓練方法、混合內容推薦方法及裝置，所述訓練方法包括：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。利用本發明提供的方法，可以訓練用于確定混合推薦列表中指定類型內容的推薦個數的推薦個數模型，以合理的進行混合內容推薦，提高用戶體驗。

技術領域

本發明涉及互聯網技術領域，尤其涉及一種推薦個數模型的訓練方法、混合內容推薦方法及裝置。

背景技術

混合內容推薦是指，在信息流推薦中，對不同類型，例如圖片、文字、圖文、音頻、視頻等的內容，分別進行召回和排序后，再進行混合排序，將一定數量排序靠前的內容組合成列表，推薦給用戶。

現有技術中主要存在三種混合內容推薦的方案：

(1)根據不同類型內容在同一排序模型中的分數，選取分數最高的top k集合推薦給用戶。

但是，不同類型內容的點擊率不同，點擊率低的內容的分數低于其他內容的分數，會影響點擊率低的內容的推薦個數；而且，每種類型內容的推薦個數隨排序結果變化，依賴排序模型的打分，混合排序推薦的結果不可控。

(2)根據不同類型內容在不同排序模型中的分數，選取分數最高的top k集合推薦給用戶。

但是，不同排序模型分別對不同類型內容打分，獲得的每種類型內容的分數之間沒有比較的意義；而且，上述方案也存在混合排序推薦的結果不可控的問題。

(3)綜合考慮影響用戶偏好程度的因素，基于人工經驗設置明確的規則和策略，計算每種類型內容的推薦個數。

然而，當考慮的因素逐漸變多時，上述規則的設置變得復雜、難以控制，可行性較低；且上述方案依賴人工經驗，效率較低。

在基于排序模型打分的基礎上，針對不同類型的推薦內容，如何合理確定各類型的推薦個數，以提升推薦內容的曝光程度，最大程度的滿足用戶需求，需要提供相應的解決方案。

發明內容

本發明實施例提供一種推薦個數模型的訓練方法、混合內容推薦方法及裝置，解決現有的混合內容推薦的方案中存在的，確定各類型內容的推薦個數的方法不合理，混合內容推薦結果不可控的問題。

第一方面，本發明實施例提供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，該方法包括：

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。

在一種可能的實施方式中，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。