一种信息推荐的方法及装置、电子设备、存储介质与流程

本申请涉及信息推荐领域，特别是涉及一种信息推荐的方法及装置、电子设备、存储介质。

背景技术：

随着互联网技术的发展，信息资源出现爆炸式增长，在新闻、短视频、音乐等产品中，个性化推荐成为不可或缺的基础技术。

以短视频场景为例，通过计算用户与短视频的相似度，然后用相似度尽量去拟合单个召回目标，进而得到推荐视频，但在不同的业务时期，召回目标通常不同，则当召回目标发生变化时，需要按照新的召回目标重新训练，耗费大量的资源，且难以实现及时调整召回目标，成为业务转向的短板。

技术实现要素：

鉴于上述问题，提出了以便提供克服上述问题或者至少部分地解决上述问题的一种信息推荐的方法及装置、电子设备、存储介质，包括：

一种信息推荐的方法，所述方法包括：

在接收到用户请求时，获取所述用户请求对应的用户侧特征；

采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重；

采用所述召回目标权重，将所述多个用户侧子向量组成用户侧向量；

从预置的信息数据库中，查找与所述用户侧向量匹配的目标信息，并将所述目标信息推荐至用户。

一种信息推荐的装置，所述装置包括：

用户侧特征获取模块，用于在接收到用户请求时，获取所述用户请求对应的用户侧特征；

用户侧子向量生成模块，用于采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重；

用户侧向量组成模块，用于采用所述召回目标权重，将所述多个用户侧子向量组成用户侧向量；

信息推荐模块，用于从预置的信息数据库中，查找与所述用户侧向量匹配的目标信息，并将所述目标信息推荐至用户。

一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的信息推荐的方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的信息推荐的方法的步骤。

本申请实施例具有以下优点：

在本申请实施例中，通过在接收到用户请求时，获取用户请求对应的用户侧特征，采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重，然后采用召回目标权重，将多个用户侧子向量组成用户侧向量，从预置的信息数据库中，查找与用户侧向量匹配的目标信息，并将目标信息推荐至用户，实现了结合多个召回目标的信息推荐，能够在业务转向时及时调整召回目标，避免了资源的浪费。

附图说明

为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的一种信息推荐的方法的步骤流程图；

图2是本申请一实施例提供的一种信息推荐的系统示意图；

图3是本申请一实施例提供的一种信息推荐的网络示意图；

图4是本申请一实施例提供的一种信息推荐的装置的结构示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参照图1，示出了本申请一实施例提供的一种信息推荐的方法的步骤流程图，具体可以包括如下步骤：

步骤101，在接收到用户请求时，获取所述用户请求对应的用户侧特征；

作为一示例，用户侧特征可以包括以下任一项或多项：

用户属性特征、信息偏好特征。

在新闻、短视频、音乐等产品中，响应于用户(user)操作，如开启短视频客户端，客户端可以生成用户请求，并将用户请求发送至服务端。

在接收到用户请求后，服务器可以生成获取用户请求对应的用户侧特征，用户侧特征可以包括用户属性、信息偏好等特征。

其中，用户属性可以为用户的基本数据，如年龄、性别、所在地等，信息偏好可以为用户对信息的操作数据，如点击、分享、评论、播放时长等。

步骤102，采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重；

作为一示例，目标信息可以包括以下任一项或多项：

新闻、短视频、音乐。

作为一示例，召回目标可以包括以下多项：

点击、分享、评论、播放时长。

在具体实现中，可以预先设置多个召回目标，然后按照召回目标训练好用户侧网络，用户侧网络可以为采用神经网络算法的网络模型，如dnn(deepneuralnetwork，深度神经网络)，且可以根据当前业务时期，设置每个召回目标对应的召回目标权重。

在获取到用户侧特征后，可以将用户侧特征输入训练好的用户侧网络，用户侧网络可以采用用户侧特征，生成每个召回目标对应的用户侧子向量。

在本申请一实施例中，该方法还可以包括如下步骤：

获取多个样本用户侧特征，并按照所述多个召回目标，对所述多个样本用户侧特征进行训练，得到用户侧网络。

在具体实现中，如图2，信息推荐可以由特征抽取模块、离线训练，以及在线业务系统三个部分组成，通过收集日志获得原始特征，特征抽取模块可以从中获得多个样本用户侧特征，进而可以按照多个召回目标，对获得到多个样本用户侧特征进行离线训练，得到用户侧网络。

在获得用户侧网络后可以进行发布，则后续可以通过在线业务系统中特征服务、召回服务，以及排序服务完成在线信息推荐。

步骤103，采用所述召回目标权重，将所述多个用户侧子向量组成用户侧向量；

在获得用户侧子向量后，可以采用召回目标权重，对多个用户侧子向量进行加权，进而将加权后的用户侧子向量组成用户侧向量。

在本申请一实施例中，步骤103可以包括如下子步骤：

分别采用所述召回目标权重，对所述多个用户侧子向量进行加权；对所述加权后的多个用户侧子向量建立连接，得到用户侧向量；

在实际应用中，召回目标权重可以由后台工作人员设置，对于每个召回目标对应的多个用户侧子向量，可以采用召回目标权重进行加权，进而将加权后的多个用户侧子向量建立连接，得到用户侧向量。

例如，存在3个召回目标l1、l2、l3，其召回目标权重分别为w1、w2、w3，采用用户侧网络生成的用户侧子向量分别为uv1、uv2、uv3，则可以确定用户侧向量uv＝uv1*w1concatuv2*w2concatuv3*w3。

其中，“*”可以表征向量中每个维度分别乘以权重，“concat”可以表征将向量进行连接。

步骤104，从预置的信息数据库中，查找与所述用户侧向量匹配的目标信息，并将所述目标信息推荐至用户。

在具体实现中，预置的信息数据库中可以存储多个信息(item)，则在获得用户侧向量后，可以从中查找与用户侧向量匹配的目标信息，然后可以将目标信息推送至客户端，用户可以在客户端中查看目标信息。

在本申请一实施例中，该方法还可以包括如下步骤：

对于所述信息数据库中的信息，获取所述信息对应的信息侧特征；采用预置的信息侧网络，生成与所述信息侧特征对应的多个信息侧子向量，每个信息侧子向量对应一召回目标，每个召回目标对应一召回目标权重；采用所述召回目标权重，将所述多个信息侧子向量组成信息侧向量。

作为一示例，信息侧网络可以为采用神经网络算法的网络模型，如dnn(deepneuralnetwork，深度神经网络)。

对于信息数据库中存储的每个信息，可以获取信息对应的信息侧特征，然后可以采用预置的信息侧网络，生成与信息侧特征对应的多个信息侧子向量，进而采用召回目标权重，将多个信息侧子向量组成信息侧向量。

在本申请一实施例中，所述采用所述召回目标权重，将所述多个信息侧子向量组成信息侧向量的步骤可以包括如下子步骤：

分别采用所述召回目标权重，对所述多个信息侧子向量进行加权；对所述加权后的多个信息侧子向量建立连接，得到信息侧向量。

在实际应用中，对于每个召回目标对应的多个信息侧子向量，可以采用召回目标权重进行加权，进而将加权后的多个信息侧子向量建立连接，得到信息侧向量。

在本申请一实施例中，该方法还可以包括如下步骤：

获取多个样本信息侧特征，并按照所述多个召回目标，对所述样本信息侧特征进行训练，得到信息侧网络。

在具体实现中，可以通过收集日志获得原始特征，特征抽取模块可以从中获得多个样本信息侧特征，进而可以按照多个召回目标，对获得到多个样本信息侧特征进行离线训练，得到信息侧网络。

在本申请一实施例中，步骤104可以包括如下子步骤：

对于预置的信息数据库中的多个信息，分别对所述用户侧向量与所述信息侧向量进行相似度计算，得到多个召回目标相似度；按照所述召回目标相似度，对所述多个信息进行排序，并选取排序在前的一个或多个信息作为目标信息。

由于获得了用户侧向量与信息侧向量，则可以采用计算欧式距离的方式，得到用户与多个信息之间的召回目标相似度，然后可以按照召回目标相似度，对多个信息进行排序，选取排序在前的一个或多个信息作为目标信息，以进行目标信息推荐。

在本申请一实施例中，所述分别对所述用户侧向量与所述信息侧向量进行相似度计算，得到多个召回目标相似度的步骤可以包括如下子步骤：

计算所述用户侧向量与所述信息侧向量的欧式距离；采用所述欧式距离，确定召回目标相似度。

以3个召回目标为例，如图3，在离线阶段，通过将输入特征user_input、item_input进行特征归一化，得到user_normal_input、item_normal_input，然后通过全连接和relu激活，得到三个隐层h1_user、h2_user、h3_user，进而可以训练得到契合3个召回目标user_vec_task的user侧网络和item侧网络。

相应的，在在线阶段，可以通过计算用户侧向量与信息侧向量的欧式距离，然后采用欧式距离，结合sigmoid函数，可以的召回目标相似度，进而可以采用召回目标相似度确定匹配的目标信息，以推荐给用户。

在本申请一实施例中，还可以包括如下步骤：

对所述用户侧特征进行归一化处理。

由于在用户侧网络和信息侧网络训练过程中对输入特征进行了归一化处理，则在获得用户侧特征后，可以对用户侧特征进行归一化处理。

在本申请一实施例中，该方法还可以包括如下步骤：

调整所述召回目标对应的召回目标权重。

由于在不同的业务时期，召回目标不同，即存在业务转向的情况，则可以调整召回目标对应的召回目标权重，例如，在先认为播放时长大的视频最能受到用户喜爱，进而为平台创造收益，则设置召回目标为播放时长的召回目标权重较大，而现在认为评论的视频更能受到用户喜爱，则可以设置召回目标为评论的召回目标权重较大。

由于召回目标权重的调整，则可以采用调整后的召回目标权重，将多个用户侧子向量组成用户侧向量，即调整了用户侧向量，且采用调整后的召回目标权重，将多个信息侧子向量组成信息侧向量，即调整了信息侧向量，进而能获得与调整后的召回目标匹配的信息，避免了重新训练网络模型。

在本申请实施例中，通过在接收到用户请求时，获取用户请求对应的用户侧特征，采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重，然后采用召回目标权重，将多个用户侧子向量组成用户侧向量，从预置的信息数据库中，查找与用户侧向量匹配的目标信息，并将目标信息推荐至用户，实现了结合多个召回目标的信息推荐，能够在业务转向时及时调整召回目标，避免了的资源浪费。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。

参照图4，示出了本申请一实施例提供的一种信息推荐的装置的结构示意图，具体可以包括如下模块：

用户侧特征获取模块401，用于在接收到用户请求时，获取所述用户请求对应的用户侧特征；

用户侧子向量生成模块402，用于采用预置的用户侧网络，生成与所述用户侧特征对应的多个用户侧子向量，每个用户侧子向量对应一召回目标，每个召回目标对应一召回目标权重；

用户侧向量组成模块403，用于采用所述召回目标权重，将所述多个用户侧子向量组成用户侧向量；

信息推荐模块404，用于从预置的信息数据库中，查找与所述用户侧向量匹配的目标信息，并将所述目标信息推荐至用户。

在本申请一实施例中，还包括：

信息侧特征获取模块，用于对于所述信息数据库中的信息，获取所述信息对应的信息侧特征；

信息侧子向量生成模块，用于采用预置的信息侧网络，生成与所述信息侧特征对应的多个信息侧子向量，每个信息侧子向量对应一召回目标，每个召回目标对应一召回目标权重；

信息侧向量组成模块，用于采用所述召回目标权重，将所述多个信息侧子向量组成信息侧向量。

在本申请一实施例中，所述用户侧向量组成模块403包括：

用户侧加权子模块，用于分别采用所述召回目标权重，对所述多个用户侧子向量进行加权；

用户侧建立连接子模块，用于对所述加权后的多个用户侧子向量建立连接，得到用户侧向量；

所述信息侧向量组成模块包括：

信息侧加权子模块，用于分别采用所述召回目标权重，对所述多个信息侧子向量进行加权；

信息侧建立连接子模块，用于对所述加权后的多个信息侧子向量建立连接，得到信息侧向量。

在本申请一实施例中，所述信息推荐模块404包括：

召回目标相似度得到子模块，用于对于预置的信息数据库中的多个信息，分别对所述用户侧向量与所述信息侧向量进行相似度计算，得到多个召回目标相似度；

排序选取子模块，用于按照所述召回目标相似度，对所述多个信息进行排序，并选取排序在前的一个或多个信息作为目标信息。

在本申请一实施例中，所述召回目标相似度得到子模块包括：

欧式距离计算单元，用于计算所述用户侧向量与所述信息侧向量的欧式距离；

召回目标相似度确定单元，用于采用所述欧式距离，确定召回目标相似度。

在本申请一实施例中，还包括：

权重调整模块，用于调整所述召回目标对应的召回目标权重。

在本申请一实施例中，还包括：

用户侧网络训练模块，用于获取多个样本用户侧特征，并按照所述多个召回目标，对所述多个样本用户侧特征进行训练，得到用户侧网络；

信息侧网络训练模块，用于获取多个样本信息侧特征，并按照所述多个召回目标，对所述样本信息侧特征进行训练，得到信息侧网络。

在本申请一实施例中，还包括：

归一化处理模块，用于对所述用户侧特征进行归一化处理。

在本申请一实施例中，所述用户侧特征包括以下任一项或多项：

用户属性特征、信息偏好特征。

在本申请一实施例中，所述目标信息包括以下任一项或多项：

新闻、短视频、音乐；

所述召回目标包括以下多项：

点击、分享、评论、播放时长。

在本申请一实施例中，所述用户侧网络和/所述信息侧网络为采用神经网络算法的网络模型。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请一实施例还提供了一种电子设备，可以包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上信息推荐的方法的步骤。

本申请一实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上信息推荐的方法的步骤。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对所提供的一种信息推荐的方法及装置、电子设备、存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。