CN110909258A - 一种信息推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种信息推荐方法、装置、设备及存储介质。其中，该方法包括：从数据库中获取目标用户的标识和目标用户的历史访问记录确定拟推荐信息，其中，拟推荐信息包括数据库中的任一信息，并将拟推荐信息推荐给目标用户，从而实现可以将数据库中的任一信息个性化的推荐给用户，避免现有技术中通过Item_CF算法难以向用户推荐数据库中更新的最新信息的缺陷。

Description

一种信息推荐方法、装置、设备及存储介质

技术领域

本发明实施例涉及信息处理技术，尤其涉及一种信息推荐方法、装置、设备及存储介质。

背景技术

在信息推荐系统中，通常采用各种形式向用户推荐信息，其中，信息的表示方法会直接影响信息的推荐效果。在传统的信息表示方法中，通常是将信息对应的标识做独热(one-hot)处理，但是这种方法会产生高维稀疏向量，并制约信息标识后续的使用。而且，在采用基于物品的协同过滤(Item_CF，Item Collaboration Filter)算法计算信息与信息之间的杰卡德系数来衡量各信息之间的相关性时，由于平台更新的最新信息还未被用户访问过。因此，无法获取该最新信息与其他信息之间的杰卡德系数，进而导致平台上更新的最新信息难以被推荐给用户。

发明内容

为了解决上述至少一个技术问题，本发明实施例提供以下方案。

第一方面，本发明实施例提供了一种信息推荐方法，该方法包括：

从数据库中获取目标用户的标识和目标用户的历史访问记录；

根据目标用户的标识和目标用户的历史访问记录确定拟推荐信息；

其中，拟推荐信息包括数据库中的任一信息；

将拟推荐信息推荐给目标用户。

第二方面，本发明实施例还提供了一种信息推荐装置，该装置包括：

获取模块，用于从数据库中获取目标用户的标识和目标用户的历史访问记录；

确定模块，用于根据目标用户的标识和目标用户的历史访问记录确定拟推荐信息；

其中，拟推荐信息包括数据库中的任一信息；

推荐模块，用于将拟推荐信息推荐给目标用户。

第三方面，本发明实施例还提供了一种信息推荐设备，该设备包括：

存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当处理器执行计算机程序时，实现如本发明第一方面提供的信息推荐方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当该计算机程序被处理器执行时，实现如本发明第一方面提供的信息推荐方法。

本发明实施例提供了一种信息推荐方法、装置、设备及存储介质，能够通过从数据库中获取目标用户的标识和目标用户的历史访问记录确定拟推荐信息，其中，拟推荐信息包括数据库中的任一信息，并将拟推荐信息推荐给目标用户，从而实现可以将数据库中的任一信息个性化的推荐给用户，避免现有技术中通过Item_CF算法难以向用户推荐数据库中更新的最新信息的缺陷。

附图说明

图1是本发明实施例中的信息推荐方法流程图；

图2是本发明实施例中的另一信息推荐方法流程图；

图3是本发明实施例中的训练模型结构示意图；

图4是本发明实施例中的另一信息推荐方法流程图

图5是本发明实施例中的信息推荐装置结构示意图；

图6是本发明实施例中的信息推荐设备结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

另外，在本发明实施例中，“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本发明实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。

图1为本发明实施例提供的一种信息推荐方法，该方法可以应用于各个网络平台中，向网络平台的用户推荐各类信息，如图1所示，该方法可以包括：

S101、从数据库中获取目标用户的标识和目标用户的历史访问记录。

本实施例提供的信息推荐方法可以应用于各个网络平台中向用户推荐各类信息，因此，本步骤中的数据库可以理解为各个网络平台的后台数据库。目标用户可以为浏览访问网络平台的任意用户，目标用户的标识可以为用户在网络平台上注册的用户名、访问网络平台的终端设备号等各类标识。

由于用户在网络平台上浏览信息，例如观看电影、收听广播、音乐等时，该网络平台的数据库会自动记录该用户的标识以及访问痕迹，因此，可以从数据库中获取用户的标识和历史访问记录。

S102、根据目标用户的标识和目标用户的历史访问记录确定拟推荐信息。

将任一访问网络平台的用户作为目标用户，获取到该用户的标识和历史访问记录之后，可以根据该用户标识和历史访问记录确定网络平台向用户拟推荐的信息。

示例性地，可以通过目标用户的标识和目标用户的历史访问记录，从推荐模型中确定网络平台拟向用户推荐的信息。其中，该推荐模型可以基于用户的历史访问记录训练得到，从该推荐模型中确定的拟向用户推荐的信息可以包括数据库中的任一信息，例如，用户在网络平台上从未浏览访问过的信息。

S103、将拟推荐信息推荐给目标用户。

通过上述步骤S102获取到网络平台拟向用户推荐的信息后，可以将该拟推荐信息推荐给目标用户，从而实现将网络平台上的任一信息以个性化的方式推荐给用户，避免现有技术中通过Item_CF算法难以向用户推荐数据库中更新的最新信息的缺陷。

本实施例提供了一种信息推荐方法，能够通过从数据库中获取目标用户的标识和目标用户的历史访问记录确定拟推荐信息，其中，拟推荐信息包括数据库中的任一信息，并将拟推荐信息推荐给目标用户，从而实现可以将数据库中的任一信息个性化的推荐给用户，避免现有技术中通过Item_CF算法难以向用户推荐数据库中更新的最新信息的缺陷。

图2为本实施例提供的一种信息推荐方法，该方法上述步骤S102中推荐模型的确定过程做进一步的详细描述，如图2所示，该方法包括：

S201、构建训练模型。

可选地，在本实施例中，训练模型可以包括输入层、嵌入层、平均层和多分类层。当然，本领域技术人员也可以采用其他结构的模型，但是通过设计的模型实现本发明实施例所提供的信息推荐方法均属于本发明的保护范围。

示例性地，上述构建的训练模型结构如图3所示。

S202、从数据库中获取用户的历史访问序列。

从数据库中可以获取用户某一段时间的历史访问记录，例如，假设用户浏览某一音乐网站，那么可以从该网站的数据库中获取用户最近两周的播放记录，并将该历史播放记录按照播放时间的顺序进行排序，从而得到该用户的历史访问序列。

示例性地，用户最近两周在该音乐网站上先后播放了专辑1、专辑2、专辑3、专辑4，那么得到的该用户的历史访问序列可以为【专辑1、专辑2、专辑3、专辑4】。

S203、根据历史访问序列生成训练数据。

在本实施例中，可以通过数据处理规则从历史访问序列中生成训练数据，例如，可以按照skip-gram规则从历史访问序列中生成训练数据。其中，skip-gram规则用于预测与当前信息相关的前后信息，生成的训练数据可以包括数据库中各样本信息的信息特征、第一标签和第二标签，其形式可以为【信息特征，第一标签，第二标签】，其中，第一标签用于表示当前样本信息的预测信息，第二标签用于表示当前样本信息是否为正样本。

示例性地，若选用skip-gram的窗口长度为1，那么基于步骤S202中生成的历史访问序列的训练数据可以为【专辑1的信息特征，第一标签＝专辑2，第二标签＝1】、【专辑2的信息特征，第一标签＝专辑1，第二标签＝1】、【专辑2的信息特征，第一标签＝专辑3，第二标签＝1】、【专辑3的信息特征，第一标签＝专辑2，第二标签＝1】、【专辑3的信息特征，第一标签＝专辑4，第二标签＝1】、【专辑a的信息特征，第一标签＝专辑k，第二标签＝0】、【专辑d的信息特征，第一标签＝专辑p，第二标签＝0】。

假设在上述训练数据中，第二标签为1表示该条样本为正样本(即用户访问过的信息)，第二标签为0表示该条样本为负样本(即用户未访问过的信息)，那么可以看出，由于正样本为用户访问过的信息，因此，基于历史访问序列生成的正样本中第一标签表示的信息为与当前样本信息前后相关的信息，负样本则为通过负采样生成的样本，该样本未被用户浏览访问过，因此，负样本中第一标签表示的信息与当前信息呈随机关系。

进一步地，上述训练数据中，信息特征可以为信息标识、信息的一级分类、信息的二级分类、信息标签等特征。

S204、将训练数据输入训练模型进行训练，得到推荐模型。

在本实施例中，假设训练数据中信息特征包括信息标识、信息的一级分类、信息的二级分类、信息标签四个特征，这四个特征分别标记为第一特征、第二特征、第三特征、第四特征，那么可以将训练数据中正样本的这四个信息特征输入训练模型的嵌入层，如图3所示，经过训练模型的嵌入层，可以得到四个特征向量，该四个特征向量即为正样本的特征向量序列。

进而，基于正样本的特征向量序列和辅助损失函数，计算生成第一修正值L_i1。

示例性地，上述辅助损失函数可以为

其中，

为正样本特征向量序列中的第一特征向量的转置，

为正样本特征向量序列中的第二特征向量，

为正样本特征向量序列的第三特征向量，

为正样本特征向量序列的第四特征向量。

基于上述辅助损失函数可以约束信息的第一特征与第二特征、第三特征、第四特征之间的相似度，也即将不同信息之间的转化规律通过信息标识这一特征转移到其他特征上。这样，即使用户没有访问过某一信息，也可以根据其特征，生成对应的信息向量。

根据训练数据中正样本、与正样本对应的负样本，以及模型损失函数生成第二修正值L_i2，其中，模型损失函数为

其中，

为正样本特征向量序列中各特征向量的平均值的转置，σ为非线性作用函数，例如，可以选用sigmoid函数，W_j为正样本的第一标签对应预测信息的多分类层的参数向量，W_z为与正样本对应的负样本第一标签的参数向量，Z为负样本的数量。

例如，将训练数据中正样本的信息标识、信息的一级分类、信息的二级分类、信息标签四个特征输入训练模型的嵌入层，得到四个特征向量，并将该四个特征向量在训练模型的平均层求取平均值，得到特征向量的平均向量，该平均向量即为信息向量，那么该平均向量的转置即为

进而，通过上述模型损失函数在多分类层中计算各信息向量与第一标签之间的相关性，也即衡量训练模型拟合当前信息转移到第一标签所对应的信息的不正确程度。

然后，根据计算得到的第一修正值、第二修正值和综合损失函数，生成模型修正值L。

其中，综合损失函数可以为

其中，α的取值范围为0～0.1，m为正样本的数量。

本领域技术人员可以理解，在训练模型中输入训练数据中不同的样本，生成的第一修正值、第二修正值以及模型修正值也可能不同。

这样通过辅助损失函数、模型损失函数、综合损失函数以及模型修正值可以对训练模型中的参数不断进行训练、优化，从而得到推荐模型。

图4为本实施例提供的一种信息推荐方法，该方法对上述步骤S102中确定拟推荐信息的过程做进一步的说明，如图4所示，该方法包括：

S401、从推荐模型中获取数据库中所有信息的信息向量。

示例性地，在获取到推荐模型后，可以将数据库中所有信息的信息特征输入推荐模型中，例如，假设信息特征为信息标识、信息的一级分类、信息的二级分类、信息标签四个特征，那么将所有信息的这四个特征输入推荐模型中，基于推荐模型的平均层即可获得所有信息的信息向量。

当然，若数据库中存在更新的最新信息，则可以将该最新信息的一级分类、二级分类、信息标签输入推荐模型的嵌入层，得到各个特征对应的向量，进而将各向量输入推荐模型的平均层，通过在平均层中计算上述最新信息的三个特征对应的向量的平均值，来获取该最新信息的信息向量。

S402、计算所有信息的信息向量之间的余弦值。

由于通过上述步骤S401获得了数据中所有信息的信息向量，那么可以计算两两信息之间的信息向量，以获取所有信息向量之间的余弦值。

S403、根据目标用户的标识和目标用户的历史访问记录，以及余弦值，确定拟推荐信息。

在获取到目标用户的历史访问记录后，可以进一步从步骤S402中所有信息的信息向量之间的余弦值中选取历史访问记录中某一信息的信息向量与其他信息的信息向量之间的余弦值，并将余弦值较大的前若干个其他信息作为该某一信息的相关信息，进而将确定的相关信息作为向用户推荐的拟推荐信息。

例如，假设访问某一网络平台的用户的标识为xmly，根据该用户标识从数据库中确定该用户的历史访问记录，假设用户最近一次访问的信息为音乐a，那么基于步骤S402中计算得到的所有信息的信息向量之间的余弦值，可以获取到音乐a与数据库中其他信息之间的余弦值，并选取余弦值较大的前20个余弦值对应的信息作为该音乐a的相关信息，进而，可以将筛选得到的相关信息确定为拟推荐信息推荐给用户。

通过上述方式，当数据库中更新有最新信息，且该最新信息未被用户访问过时，仍然可以个性化的向用户推荐，避免现有技术中通过Item_CF算法难以向用户推荐数据库中更新的最新信息的缺陷。

图5提供了一种信息推荐装置，如图5所示，该装置包括：获取模块501、确定模块502、推荐模块503；

其中，获取模块，用于从数据库中获取目标用户的标识和目标用户的历史访问记录；

确定模块，用于根据目标用户的标识和目标用户的历史访问记录确定拟推荐信息；

其中，拟推荐信息包括数据库中的任一信息；

推荐模块，用于将拟推荐信息推荐给目标用户。

进一步地，推荐模块，具体用于根据目标用户的标识和目标用户的历史访问记录，从推荐模型中确定拟推荐信息；

其中，推荐模型是基于用户的历史访问记录训练得到的。

在一种示例中，推荐模块，具体用于从推荐模型中获取数据库中所有信息的信息向量，计算所有信息的信息向量之间的余弦值，并根据目标用户的标识和目标用户的历史访问记录，以及余弦值，确定拟推荐信息。

进一步地，在上述信息推荐装置中，还包括：构建模块、生成模块、训练模块；

其中，构建模块，用于构建训练数据；

获取模块，用于从数据库中获取用户的历史访问序列；

生成模块，用于根据历史访问序列生成训练数据；

其中，训练数据包括数据库中各样本信息的信息特征、第一标签和第二标签，第一标签用于表示当前样本信息的预测信息，第二标签用于表示当前样本信息是否为正样本。

训练模块，用于将训练数据输入训练模型进行训练，得到推荐模型。

进一步地，训练模块，具体用于将训练数据中正样本的信息特征输入训练模型的嵌入层，得到正样本特征向量序列；根据正样本特征向量序列和辅助损失函数，生成第一修正值；根据训练数据中正样本、正样本对应的负样本，以及模型损失函数，生成第二修正值；根据第一修正值、第二修正值和综合损失函数，生成模型修正值；进而，根据模型修正值对训练模型进行训练，得到推荐模型。

其中，上述辅助损失函数为

其中，

为正样本特征向量序列中的第一特征向量的转置，

为正样本特征向量序列中的第二特征向量，

为正样本特征向量序列的第三特征向量，

为正样本特征向量序列的第四特征向量，L_i1为通过所述辅助损失函数，计算生成的第一修正值；

模型损失函数为

其中，

为正样本特征向量序列中各特征向量的平均向量的转置，σ为非线性作用函数，W_j为正样本的第一标签对应预测信息的多分类层的参数向量，W_z为与正样本对应的负样本的第一标签的参数向量，Z为负样本的数量，L_i2为通过所述模型损失函数计算生成的第二修正值；

综合损失函数为

其中，α的取值范围为0～0.1，m为正样本的数量，L为通过综合损失函数计算生成的模型修正值。

本发明实施例所提供的信息推荐装置可执行本发明实施例一所提供的信息推荐方法，具备执行方法相应的功能模块和有益效果。

图6为本发明实施例提供的一种信息推荐设备的结构示意图，如图6所示，该设备包括处理器601、存储器602、输入装置603和输出装置604；设备中处理器601的数量可以是一个或多个，图6中以一个处理器601为例；设备中的处理器601、存储器602、输入装置603和输出装置604可以通过总线或其他方式连接，图6中以通过总线连接为例。

存储器602作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例图1-4中的信息推荐方法对应的程序指令/模块(例如，信息推荐装置中的获取模块501、确定模块502、推荐模块503)。处理器601通过运行存储在存储器602中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的信息推荐方法。

存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器602可进一步包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置603可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置304可包括显示屏等显示设备。

本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种信息推荐方法，该方法包括：

从数据库中获取目标用户的标识和目标用户的历史访问记录；

根据目标用户的标识和目标用户的历史访问记录确定拟推荐信息；

其中，拟推荐信息包括数据库中的任一信息；

将拟推荐信息推荐给目标用户。

当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的信息推荐方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述信息推荐装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种信息推荐方法，其特征在于，包括：

从数据库中获取目标用户的标识和所述目标用户的历史访问记录；

根据所述目标用户的标识和所述目标用户的历史访问记录确定拟推荐信息；

其中，所述拟推荐信息包括所述数据库中的任一信息；

将所述拟推荐信息推荐给所述目标用户。

2.根据权利要求1所述的方法，其特征在于，根据所述目标用户的标识和所述目标用户的历史访问记录确定拟推荐信息，包括：

根据所述目标用户的标识和所述目标用户的历史访问记录，从推荐模型中确定拟推荐信息；

其中，所述推荐模型是基于用户的历史访问记录训练得到的。

3.根据权利要求2所述的方法，其特征在于，根据所述目标用户的标识和所述目标用户的历史访问记录，从推荐模型中确定拟推荐信息，包括：

从所述推荐模型中获取所述数据库中所有信息的信息向量；

计算所述所有信息的信息向量之间的余弦值；

根据所述目标用户的标识和所述目标用户的历史访问记录，以及所述余弦值，确定拟推荐信息。

4.根据权利要求2或3所述的方法，其特征在于，确定所述推荐模型，包括：

构建训练模型；

从所述数据库中获取用户的历史访问序列；

根据所述历史访问序列生成训练数据；

将所述训练数据输入所述训练模型进行训练，得到推荐模型。

5.根据权利要求4所述的方法，其特征在于，所述训练数据包括所述数据库中各样本信息的信息特征、第一标签和第二标签；

其中，所述第一标签用于表示当前样本信息的预测信息，所述第二标签用于表示当前样本信息是否为正样本。

6.根据权利要求5所述的方法，其特征在于，将所述训练数据输入所述训练模型进行训练，得到推荐模型，包括：

将训练数据中正样本的信息特征输入所述训练模型的嵌入层，得到正样本特征向量序列；

根据所述正样本特征向量序列和辅助损失函数，生成第一修正值；

根据所述训练数据中的正样本、所述正样本对应的负样本，以及模型损失函数，生成第二修正值；

根据所述第一修正值、所述第二修正值和综合损失函数，生成模型修正值；

根据所述模型修正值对所述训练模型进行训练，得到推荐模型。

7.根据权利要求6所述的方法，其特征在于，所述辅助损失函数为

其中，

为正样本特征向量序列中的第一特征向量的转置，

为正样本特征向量序列中的第二特征向量，

为正样本特征向量序列的第三特征向量，

为正样本特征向量序列的第四特征向量，L_i1为通过所述辅助损失函数，计算生成的第一修正值；

所述模型损失函数为

其中，

为所述正样本特征向量序列中各特征向量的平均值的转置，σ为非线性作用函数，W_j为正样本的第一标签对应预测信息的多分类层的参数向量，W_z为与正样本对应的负样本的第一标签的参数向量，Z为负样本的数量，L_i2为通过所述模型损失函数计算生成的第二修正值；

所述综合损失函数为

其中，α的取值范围为0～0.1，m为正样本的数量，L为通过综合损失函数计算生成的模型修正值。

8.一种信息推荐装置，其特征在于，包括：

获取模块，用于从数据库中获取目标用户的标识和所述目标用户的历史访问记录；

确定模块，用于根据所述目标用户的标识和所述目标用户的历史访问记录确定拟推荐信息；

其中，所述拟推荐信息包括所述数据库中的任一信息；

推荐模块，用于将所述拟推荐信息推荐给所述目标用户。

9.一种信息推荐设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-7任一项所述的信息推荐方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7中任一项所述的信息推荐方法。

Images