一种信息推荐方法、装置、电子设备及存储介质与流程

[0001]
本申请涉及信息处理技术领域，特别是涉及一种信息推荐方法、装置、电子设备及存储介质。


背景技术：

[0002]
推荐系统一般经过召回、粗排、精排和策略层后再向用户展示推荐结果。在精排中大多数是以点击率为基础目标，当给某个用户推荐内容时，往往可能造成某一个兴趣点的内容比较集中，虽然预估点击率比较高，但未必能得到用户的青睐，原因在于用户的兴趣往往不是单峰的。例如，一个用户可能会对综艺、美食、体育这三类感兴趣，但是在整个推荐系统中，综艺类的内容无论从先验还是后验，效果可能均优于美食和体育，系统给该用户推荐内容时，就容易导致经过排序模型后，靠前部分推荐内容大多都是综艺内容，美食或者体育较少。虽然用户有很强的综艺兴趣，但是仅推荐综艺内容容易使用户产生审美疲劳。因此，在满足推荐的准确性的同时，推荐结果的多样性显得尤为重要。
[0003]
在相关技术中，在排序模型之后，推送到线上之前，一般会加入多样性控制策略，通过一定的规则对内容进行打散，避免给用户造成内容扎堆现象。目前，已有的多样性控制策略并没有区分不同用户的不同的多样性需求，直接对所有用户的多样性需求作相同处理，导致推荐结果并不符合用户的真实需求，进而影响线上推荐效果。


技术实现要素：

[0004]
本申请提出了一种信息推荐方法、装置、电子设备及存储介质。该方法通过对用户行为进行分析，获得用户的多样性需求，再根据用户的多样性需求对排序后得到的候选推荐信息进行筛选，最终获得更符合用户兴趣的推荐结果并进行推荐，能针对不同的用户实现不同的多样性控制，优化用户体验和线上推荐效果。
[0005]
本申请第一方面提供了一种信息推荐方法，包括：
[0006]
获得目标用户的终端发送的信息推荐请求；
[0007]
响应于所述信息推荐请求，获得所述目标用户的多样性偏好值和候选推荐信息，所述多样性偏好值是根据所述目标用户的历史信息浏览日志分析获得的；
[0008]
利用所述多样性偏好值，从所述候选推荐信息中筛选出待推荐信息；
[0009]
将所述待推荐信息发送至所述目标用户的终端。
[0010]
可选地，利用所述多样性偏好值，从所述候选推荐信息中筛选出待推荐信息，包括：
[0011]
根据所述目标用户的多样性偏好值、所述目标用户与所述候选推荐信息之间的相关性以及所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数，所述评估分数表示用户对所述候选推荐信息的感兴趣程度；
[0012]
按照所述评估分数由高到低的顺序，将前预设数量个候选推荐信息确定为待推荐信息。
[0013]
可选地，根据所述目标用户的多样性偏好值、所述目标用户与所述候选推荐信息之间的相关性以及所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数，包括：
[0014]
利用所述目标用户的多样性偏好值对任意两个不同的候选推荐信息之间的相似度进行调整；
[0015]
根据所述目标用户与所述候选推荐信息之间的相关性及调整后的所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数。
[0016]
可选地，根据所述目标用户与所述候选推荐信息之间的相关性及调整后的所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数，包括：
[0017]
基于预设函数和所述相关性与相似度权重调节参数，对各个候选推荐信息的所述目标用户与所述候选推荐信息之间的相关性进行平滑操作，得到操作结果；
[0018]
根据所述操作结果及调整后的所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数。
[0019]
可选地，利用所述目标用户的多样性偏好值对任意两个不同的所述候选推荐信息之间的相似度进行调整，包括：
[0020]
利用所述目标用户的多样性偏好值对所述候选推荐信息的相似度矩阵中的各个相似度进行调整；
[0021]
基于预设函数和所述相关性与相似度权重调节参数，对各个候选推荐信息的所述目标用户与所述候选推荐信息之间的相关性进行平滑操作，得到操作结果，包括：
[0022]
基于预设函数和所述相关性与相似度权重调节参数，对各个候选推荐信息的所述目标用户与所述候选推荐信息之间的相关性进行平滑操作，得到各个候选推荐信息的第一相关矩阵和第二相关矩阵；
[0023]
根据所述操作结果及调整后的所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数，包括：
[0024]
根据各个候选推荐信息的第一相关矩阵和第二相关矩阵，以及调整后的相似度矩阵，获得各个候选推荐信息的评估分数。
[0025]
可选地，获得所述目标用户的多样性偏好值，包括：
[0026]
根据所述目标用户的历史信息浏览日志，统计获得所述目标用户浏览的历史信息的各个类型，及各个类型的历史信息的浏览频次；
[0027]
根据历史信息的各个类型和各个类型的历史信息的浏览频次获得所述目标用户的行为发散程度；
[0028]
根据所述目标用户的行为发散程度获得所述目标用户的多样性偏好值。
[0029]
可选地，所述方法还包括：
[0030]
在所述目标用户浏览的信息的类型数量少于预设数量时，或所述目标用户的行为发散程度大于预设阈值时，将所述目标用户的多样性偏好值确定为预设值。
[0031]
可选地，所述方法还包括：
[0032]
按照预设周期获得各个用户的历史信息浏览日志；
[0033]
根据所述各个用户各自的历史信息浏览日志，获得所述各个用户各自的多样性偏好值并存储；
[0034]
响应于所述信息推荐请求，获得所述目标用户的多样性偏好值，包括：
[0035]
响应于所述信息推荐请求，从已存储的用户的多样性偏好值中获得所述目标用户的多样性偏好值。
[0036]
本申请实施例第二方面提供了一种信息推荐装置，包括：
[0037]
第一获得模块，用于获得目标用户的终端发送的信息推荐请求；
[0038]
第二获得模块，用于响应于所述信息推荐请求，获得所述目标用户的多样性偏好值和候选推荐信息，所述多样性偏好值是根据所述目标用户的历史信息浏览日志分析获得的；
[0039]
筛选模块，用于利用所述多样性偏好值，从所述候选推荐信息中筛选出待推荐信息；
[0040]
发送模块，用于将所述待推荐信息发送至所述目标用户的终端。
[0041]
可选地，所述筛选模块包括：
[0042]
第一获得子模块，用于根据所述目标用户的多样性偏好值、所述目标用户与所述候选推荐信息之间的相关性以及所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数，所述评估分数表示用户对所述候选推荐信息的感兴趣程度；
[0043]
确定子模块，用于按照所述评估分数由高到低的顺序，将前预设数量个候选推荐信息确定为待推荐信息。
[0044]
可选地，所述第一获得子模块包括：
[0045]
调整模块，用于利用所述目标用户的多样性偏好值对任意两个不同的候选推荐信息之间的相似度进行调整；
[0046]
第二获得子模块，用于根据所述目标用户与所述候选推荐信息之间的相关性及调整后的所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数。
[0047]
可选地，所述第二获得子模块包括：
[0048]
平滑模块，用于基于预设函数和所述相关性与相似度权重调节参数，对各个候选推荐信息的所述目标用户与所述候选推荐信息之间的相关性进行平滑操作，得到操作结果；
[0049]
第三获得子模块，用于根据所述操作结果及调整后的所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数。
[0050]
可选地，所述调整模块包括：
[0051]
调整子模块，用于利用所述目标用户的多样性偏好值对所述候选推荐信息的相似度矩阵中的各个相似度进行调整；
[0052]
所述平滑模块包括：
[0053]
第四获得子模块，用于基于预设函数和所述相关性与相似度权重调节参数，对各个候选推荐信息的所述目标用户与所述候选推荐信息之间的相关性进行平滑操作，得到各个候选推荐信息的第一相关矩阵和第二相关矩阵；
[0054]
所述第三获得子模块包括：
[0055]
第五获得子模块，用于根据各个候选推荐信息的第一相关矩阵和第二相关矩阵，以及调整后的相似度矩阵，获得各个候选推荐信息的评估分数。
[0056]
可选地，所述第二获得模块包括：
[0057]
第六获得子模块，用于根据所述目标用户的历史信息浏览日志，统计获得所述目标用户浏览的历史信息的各个类型，及各个类型的历史信息的浏览频次；
[0058]
第七获得子模块，用于根据历史信息的各个类型和各个类型的历史信息的浏览频次获得所述目标用户的行为发散程度；
[0059]
第八获得子模块，用于根据所述目标用户的行为发散程度获得所述目标用户的多样性偏好值。
[0060]
可选地，所述装置还包括：
[0061]
确定模块，用于在所述目标用户浏览的信息的类型数量少于预设数量时，或所述目标用户的行为发散程度大于预设阈值时，将所述目标用户的多样性偏好值确定为预设值。
[0062]
可选地，所述装置还包括：
[0063]
第三获得模块，用于按照预设周期获得各个用户的历史信息浏览日志；
[0064]
第四获得模块，用于根据所述各个用户各自的历史信息浏览日志，获得所述各个用户各自的多样性偏好值并存储；
[0065]
所述第二获得模块包括：
[0066]
第九获得子模块，用于响应于所述信息推荐请求，从已存储的用户的多样性偏好值中获得所述目标用户的多样性偏好值。
[0067]
本申请实施例第三方面提供一种电子设备，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，所述处理器执行时实现本申请第一方面所述的信息推荐方法中的步骤。
[0068]
本申请实施例第四方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请第一方面所述的信息推荐方法中的步骤。
[0069]
通过本申请提供的信息推荐方法，首先获得目标用户的终端发送的信息推荐请求；然后响应于该信息推荐请求，获得目标用户的多样性偏好值和候选推荐信息，该多样性偏好值是根据目标用户的历史信息浏览日志分析获得的；接着利用多样性偏好值，从候选推荐信息中筛选出待推荐信息；最后将待推荐信息发送至目标用户的终端。本申请的信息推荐方法通过对用户行为进行分析，获得用户的多样性需求，再根据用户的多样性需求对排序后得到的候选推荐信息进行筛选，最终获得更符合用户兴趣的推荐结果并进行推荐，能针对不同的用户实现不同的多样性控制，优化用户体验和线上推荐效果。
附图说明
[0070]
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例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。
[0071]
图1是本申请一实施例示出的一种实施环境示意图；
[0072]
图2是本申请一实施例示出的一种信息推荐方法的流程图；
[0073]
图3是本申请一实施例示出的一种候选推荐信息的筛选方法的流程图；
[0074]
图4是本申请一实施例示出的一种获得评估分数的方法的流程图；
[0075]
图5是本申请一实施例示出的一种获得多样性偏好值的方法的流程图；
[0076]
图6是本申请一实施例提供的信息推荐装置的结构框图；
[0077]
图7是本申请一实施例示出的一种电子设备的示意图。
具体实施方式
[0078]
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，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。
[0079]
在相关技术中，再对候选推荐信息进行多样性控制时，如果采用规则控制，一方面不能做到预测准确性和多样性的有效折中，灵活性较差，另一方面规则控制考虑的因素仅限于信息的某几个属性，不能很好地衡量信息之间的相似度。而如果采用算法控制，其并没有对不同的用户的多样性需求进行区分，直接通过一个固定的参数对所有用户的多样性需求作相同处理，在实际中，不同用户对多样性的需求可能并不相同，因而仅靠算法控制可能导致推荐结果并不符合用户的真实需求，进而影响线上推荐效果。
[0080]
为解决相关技术中的问题，本申请提供了一种信息推荐方法，该方法通过对用户行为进行分析，获得用户的多样性需求，再根据用户的多样性需求对排序后得到的候选推荐信息进行筛选，最终获得更符合用户兴趣的推荐结果并进行推荐，能针对不同的用户实现不同的多样性控制，优化用户体验和线上推荐效果。
[0081]
图1是本申请一实施例示出的一种实施环境示意图。在图1中，信息推荐平台与多个用户终端(包括用户终端1-用户终端n)通信连接，用于接收各个用户终端发送的信息推荐请求并响应于该信息推荐请求返回推荐结果。
[0082]
本申请提出的信息推荐方法应用于图1所示的信息推荐平台。图2是本申请一实施例示出的一种信息推荐方法的流程图。参照图1，本申请的信息推荐方法可以包括如下步骤：
[0083]
步骤s21：获得目标用户的终端发送的信息推荐请求。
[0084]
在本实施例中，当用户需要信息推荐平台向其推荐信息时，可以通过用户终端向信息推荐平台发送信息推荐请求。其中，请求推荐的信息可以是视频、音乐、文字等，本申请对信息的类型不作具体限制。
[0085]
步骤s22：响应于所述信息推荐请求，获得所述目标用户的多样性偏好值和候选推荐信息，所述多样性偏好值是根据所述目标用户的历史信息浏览日志分析获得的。
[0086]
在本实施例中，信息推荐平台可以经过召回、排序等步骤获得候选推荐信息，本实施例对如何获得候选推荐信息不作具体限制。其中，多样性偏好值是用于反映用户多样性需求的一个参数，多样性偏好值与用户的多样性需求成正比，即多样性偏好值较高时，用户对多样性需求较高，多样性偏好值较低时，用户对多样性需求较低。
[0087]
在本实施例中，可以根据目标用户的历史信息浏览日志分析获得目标用户的多样性偏好值，当目标用户浏览的历史信息涉及多个类别时，表示用户浏览行为较为发散，兴趣广泛，当用户浏览的历史信息的类别较为单一时，表示用户浏览行为较为集中，兴趣比较集中。
[0088]
步骤s23：利用所述多样性偏好值，从所述候选推荐信息中筛选出待推荐信息。
[0089]
在本实施例中，可以利用多样性偏好值对候选推荐信息进行筛选，以获得最终的待推荐信息。
[0090]
在本实施例中，候选推荐信息通常具有相关性和相似性两个维度的特征。在推荐结果准确性的基础上提升多样性时，相关性和相似性是两个必须要考虑的因素。相关性是用户和候选推荐信息之间的相关性，相似度是两个不同候选推荐信息之间的相似度。当只考虑准确性时，只需考虑用户和候选推荐信息之间的相关性，当只考虑多样性时，只需要根据不同候选推荐信息之间的相似度，将推荐结果尽量打散。因而为提升推荐效果，应当综合考虑相关性和相似性两个维度。
[0091]
在具体实施时，可以根据多样性偏好值，来确定目标用户的多样性需求程度，然后对候选推荐信息进行筛选。当多样性偏好值较高时，可以对相关性和相似性进行调整以筛选出种类较为丰富的待推荐信息，当多样性偏好值较低时，可以对相关性和相似性进行调整以筛选出种类较为单一的待推荐信息。
[0092]
步骤s24：将所述待推荐信息发送至所述目标用户的终端。
[0093]
在本实施例中，在获得待推荐信息后，可以将待推荐信息发送至目标用户所在的终端。
[0094]
示例地，用户a通过手机在短视频平台x上浏览短视频，用户a每一次刷新时，短视频平台x向后台服务器发送信息推荐请求，后台服务器经过召回、排序等一系列步骤后获得候选短视频，然后获得用户a的多样性偏好值，如果该多样性偏好值大于预设阈值，表示用户a的多样性需求较大，那么后台服务器对相关性和相似性进行调整，获得种类较为丰富的短视频，如果该多样性偏好值不大于预设阈值，表示用户a的多样性需求较小，那么后台服务器对相关性和相似性进行调整，获得种类较为集中的短视频，然后将获得的短视频发送给用户的手机以供用户浏览。
[0095]
通过本实施例，首先获得目标用户的终端发送的信息推荐请求；然后响应于该信息推荐请求，获得目标用户的多样性偏好值和候选推荐信息，该多样性偏好值是根据目标用户的历史信息浏览日志分析获得的；接着利用多样性偏好值，从候选推荐信息中筛选出待推荐信息；最后将待推荐信息发送至目标用户的终端。本申请的信息推荐方法通过对用户行为进行分析，获得用户的多样性需求，再根据用户的多样性需求对排序后得到的候选推荐信息进行筛选，最终获得更符合用户兴趣的推荐结果并进行推荐，能针对不同的用户实现不同的多样性控制，优化用户体验和线上推荐效果。
[0096]
结合以上实施例，在一种实施方式中，本申请还提供了一种对候选推荐信息进行筛选的方法，如图3所示。图3是本申请一实施例示出的一种候选推荐信息的筛选方法的流程图。具体地，上述步骤s23可以包括：
[0097]
步骤s231：根据所述目标用户的多样性偏好值、所述目标用户与所述候选推荐信息之间的相关性以及所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数，所述评估分数表示用户对所述候选推荐信息的感兴趣程度。
[0098]
步骤s232：按照所述评估分数由高到低的顺序，将前预设数量个候选推荐信息确定为待推荐信息。
[0099]
在本实施例中，可以按照预先给定的规则对多样性偏好值、目标用户与候选推荐
信息之间的相关性以及候选推荐信息相互之间的相似度对各个候选推荐信息进行评估，获得对应的评估分数。评估分数与用户的感兴趣程度成正比，候选推荐信息的评估分数越高，表示用户对候选推荐信息越感兴趣，候选推荐信息的评估分数越低，表示用户对候选推荐信息的感兴趣程度较低。其中，预先给定的规则可以是任意规则，本实施例对此不作具体限制。
[0100]
因此，按照评估分数的高低顺序，将前预设数量个候选推荐信息作为待推荐信息，能更符合用户的实际需求，得到用户的青睐。
[0101]
在本实施例中，通过对目标用户的多样性偏好值、目标用户与候选推荐信息之间的相关性以及候选推荐信息相互之间的相似度进行综合评估，再根据评估结果获得待推荐信息，能获得用户更感兴趣的推荐信息，提升推荐效果，优化用户体验。
[0102]
结合以上实施例，在一种实施方式中，本申请还提供了一种获得各个候选推荐信息的评估分数的方法，如图4所示。图4是本申请一实施例示出的一种获得评估分数的方法的流程图。具体地，上述步骤s231可以包括：
[0103]
步骤s2311：利用所述目标用户的多样性偏好值对任意两个不同的候选推荐信息之间的相似度进行调整。
[0104]
步骤s2312：根据所述目标用户与所述候选推荐信息之间的相关性及调整后的所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数。
[0105]
在本实施例中，相似度与信息的多样性具有一定的关联，相似度较低时，用户的兴趣比较发散，信息的类型较为丰富，相似度较高时，用户的兴趣比较集中，信息的类型较为单一。因此，根据用户的多样性需求来调节相似度的高低，可以筛选出符合用户需求的待推荐信息。
[0106]
具体实施时，当用户的多样性需求较高时，可以将相似度调整为一个较低值，以便筛选出类型丰富的待推荐信息。当用户的多样性需求较低时，可以将相似度调整为一个较高值，以便筛选出类型集中的待推荐信息。
[0107]
在本实施例中，可以利用多样性偏好值对候选推荐信息之间的相似度进行调整，多样性偏好值可以是介于0和1之间的任意值。当需要将相似度调整为一个较高值时，可以设置多样性偏好值为一个趋近1的值，当需要将相似度调整为一个较低值时，可以设置多样性偏好值为一个趋近0的值。
[0108]
在本实施例中，通过多样性偏好值对候选推荐信息之间的相似度进行调整，从而可以筛选出类型较为丰富的待推荐信息或者类型较为集中的待推荐信息，进而实现根据不同用户的多样性需求进行针对性推荐，能有效提升推荐效果，优化用户体验。
[0109]
结合以上实施例，在一种实施方式中，本申请还提供了一种根据目标用户与候选推荐信息之间的相关性及调整后的候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数的方法。具体地，上述步骤s2312可以包括如下步骤：
[0110]
基于预设函数和所述相关性与相似度权重调节参数，对各个候选推荐信息的所述目标用户与所述候选推荐信息之间的相关性进行平滑操作，得到操作结果；
[0111]
根据所述操作结果及调整后的所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数。
[0112]
在本实施例中，由于用户与候选推荐信息之间的相关性可以采用来自排序模型的
得分，而不同的排序模型最终的得分差异可能比较大，且该得分直接影响本申请的评估分数的计算结果，因而为了便于调优，会首先对排序后获得的得分做一个平滑处理，再将其应用于评估分数的计算，以提高评估分数的准确性。
[0113]
其中，预设函数可以是指数函数，本实施例对此不作具体限制。相关性与相似度权重调节参数用于调节相关性和相似度之间的权重，相关性与相似度权重调节参数越小，表示推荐结果受相关性影响较小，受相似度影响较大，此时可以在以多样性为主，准确性为辅的基础上，对相似度进行调节，通过控制相似度的大小进而控制推荐信息的类型的丰富性。相关性与相似度权重调节参数越大，表示推荐结果受相关性影响较大，受相似度影响较小，此时可以在以准确性为主，多样性为辅的基础上，对相似度进行调节，通过控制相似度的大小进而控制推荐信息的类型的丰富性。
[0114]
在本实施例中，可以首先利用预设函数和相关性与相似度权重调节参数对目标用户与候选推荐信息之间的相关性进行平滑操作，使得最终获得的评估分数更为准确，进而提升推荐效果，优化用户体验。
[0115]
结合以上实施例，在一种实施方式中，在获得评估分数时，还可以借助矩阵的计算方式。具体地，利用所述目标用户的多样性偏好值对任意两个不同的所述候选推荐信息之间的相似度进行调整，包括：
[0116]
利用所述目标用户的多样性偏好值对所述候选推荐信息的相似度矩阵中的各个相似度进行调整；
[0117]
基于预设函数和所述相关性与相似度权重调节参数，对各个候选推荐信息的所述目标用户与所述候选推荐信息之间的相关性进行平滑操作，得到操作结果，包括：
[0118]
基于预设函数和所述相关性与相似度权重调节参数，对各个候选推荐信息的所述目标用户与所述候选推荐信息之间的相关性进行平滑操作，得到各个候选推荐信息的第一相关矩阵和第二相关矩阵；
[0119]
根据所述操作结果及调整后的所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数，包括：
[0120]
根据各个候选推荐信息的第一相关矩阵和第二相关矩阵，以及调整后的相似度矩阵，获得各个候选推荐信息的评估分数。
[0121]
在一种实施方式中，根据各个候选推荐信息的第一相关矩阵和第二相关矩阵，以及调整后的相似度矩阵，获得各个候选推荐信息的评估分数，可以包括：
[0122]
对所述目标候选推荐信息的第一相关矩阵、调节后的相似度矩阵以及第二相关矩阵进行乘积运算，得到目标矩阵；
[0123]
将所述目标矩阵的行列式的最大值确定为所述目标候选推荐信息的评估分数。
[0124]
其中，将所述目标矩阵的行列式的最大值确定为所述目标候选推荐信息的评估分数，进一步可以包括：
[0125]
对所述目标矩阵的行列式求对数，并计算所述对数的最大值；
[0126]
将所述对数的最大值确定为所述目标候选推荐信息的评估分数。
[0127]
在本实施例中，可以借助如下公式获得各个候选推荐信息的评估分数：
[0128]
s
i,j
＝(1-w
u
)
·
<f
i
,f
j
>,i≠j
[0129][0130][0131]
其中，r
c
表示用户与所述候选推荐信息之间的相关性；s
i，j
表示候选推荐信息的相似度矩阵；w
u
表示多样性偏好值；θ为相关性与相似度权重调节参数。
[0132]
其中，表示对r
c
进行平滑操作。
[0133]
在本实施例中，相关性r
c
可以取自排序后构建的行列式的值，相似度s可以取自候选推荐信息之间的embedding距离。这两者的权重通过一个超参数θ来控制。θ在业界常用的是一个0到1之间的固定值，用来调整最终推荐结果的相关性和相似性配比。在实际实施时，不同的用户对于相关性的需求是不一样的，仅通过此固定的超参就θ无法衡量不同用户的不同需求。当然，相关性r
c
和相似度s还可以通过其他方式取值，本申请对此不作具体限制。
[0134]
在本实施例中，det(s)可以表示两个信息之间的多样性，当s
i，j
的值越小，det(s)越大，表示越不相似，即多样性越好。
[0135]
本实施例中进行信息推荐时以最大化l
n*n
的行列式为目的，即最大化det(l
n*n
)，实际计算中一般间接优化log(det(l
n*n
))，两者是线性正相关。由于θ可以表示相关性和相似度之间的调节参数，θ越小时，起到的作用就越小，此时log(det(l
n*n
))的结果越受log(det(s))的影响。当最大化det(l
n*n
)时，接相当于最大化log(det(s))，即推荐结果更偏向多样性。
[0136]
w
u
表示多样性偏好值，由于det(s)和s
i，j
是反向的，因此，当wu越小时，1-wu越大，可以控制s
i，j
为一个较大值，使得det(s)较小，即多样性越差。反之，wu越大时，1-wu越小，可以控制s
i，j
为一个较小值，使得det(s)较大，即多样性越好。
[0137]
通过上述公式，可以将det(l
n*n
)的最大值或者log(det(l
n*n
))的最大值作为各个候选推荐信息的评估分数。
[0138]
本实施例给出了计算候选推荐信息的评估分数的方法，通过该方法可以从候选推荐信息中筛选出评估分数较大的候选推荐信息，作为用户感兴趣的候选推荐信息并进行推荐，能有效提升推荐效果，优化用户体验。
[0139]
结合以上实施例，在一种实施方式中，本申请还提供了一种获得目标用户的多样性偏好值的方法，如图5所示。图5是本申请一实施例示出的一种获得多样性偏好值的方法的流程图。具体地，上述步骤s22可以包括：
[0140]
步骤s221：根据所述目标用户的历史信息浏览日志，统计获得所述目标用户浏览的历史信息的各个类型，及各个类型的历史信息的浏览频次。
[0141]
在本实施例中，可以对目标用户的历史信息浏览日志进行分析，获得目标用户浏览过的历史信息的各个类型，以及在各个类型下的浏览频次。例如，当信息是视频时，获得的各个类型可以包括：娱乐、新闻、科技、美食、电影、摄影等；当信息是新闻时，获得的各个类型可以包括：娱乐、科技、美食、电影、摄影等等。本实施例对信息的各个类型不作具体限制。
[0142]
针对一种类型的信息，用户可以进行多次浏览，示例地，当信息是视频时，用户可以浏览娱乐这一子类型下的多个视频，也可以浏览科技这一子类型下的多个视频。
[0143]
步骤s222：根据历史信息的各个类型和各个类型的历史信息的浏览频次获得所述目标用户的行为发散程度。
[0144]
在本实施例中，行为发散程度可以使用信息熵(信息熵可以衡量用户行为的发散程度，熵值越小，发散程度越低，即用户对多样性的需求越低)来表示。
[0145]
在一种实施方式中，步骤s222可以包括：
[0146]
分别对各个类型的历史信息的浏览频次与所有类型的历史信息的浏览频次求商，获得所述目标用户浏览各个类型的信息的概率；
[0147]
对所述各个类型的信息的概率求对数；
[0148]
依次对各个概率与对应的对数的乘积求和、取反，获得所述目标用户的信息熵。
[0149]
具体地，可以采用如下公式计算目标用户的信息熵：
[0150][0151]
其中，k表示历史信息的类型的数量，pi表示用户浏览第i类信息的概率。
[0152]
示例地，目标用户浏览过的历史信息的类型包括a、b、c三个类型，目标用户在一段时间内浏览a类型的信息的次数为2，浏览b类型的信息的次数为3，浏览c类型的信息的次数为4，那么针对这段时间，k应当为3，pi(a)＝2/9；pi(b)＝3/9；pi(c)＝4/9。因此，为4，那么针对这段时间，k应当为3，pi(a)＝2/9；pi(b)＝3/9；pi(c)＝4/9。因此，为4，那么针对这段时间，k应当为3，pi(a)＝2/9；pi(b)＝3/9；pi(c)＝4/9。因此，
[0153]
步骤s223：根据所述目标用户的行为发散程度获得所述目标用户的多样性偏好值。
[0154]
在本实施例中，在计算得到信息熵后，可以将该信息熵作为目标用户的多样性偏好值。由于不同的用户的行为发散程度不同，因此，不同用户的多样性偏好值也是不同的。
[0155]
通过本实施例，可以通过对用户历史行为进行分析以统计出用户对不同类型数据的累计行为分布，计算出用户的多样性偏好值，进而根据用户的多样性偏好值对排序后得到的候选推荐信息进行筛选，最终获得更符合用户兴趣的推荐结果并进行推荐，能针对不同的用户实现不同的多样性控制，优化用户体验和线上推荐效果。
[0156]
结合以上实施例，在一种实施方式中，在获得多样性偏好值时，本申请还可以包括以下步骤：
[0157]
在所述目标用户浏览的信息的类型数量少于预设数量时，或所述目标用户的行为发散程度大于预设阈值时，将所述目标用户的多样性偏好值确定为预设值。
[0158]
在实际实施时，还可以根据规则设置多样性偏好值。例如，当某个用户的浏览频次低于预设频次时(例如新用户)，无法按照给定公式计算信息熵，此时可以将该用户的信息熵设置为一个预设值。或者当某个用户的用户行为特别发散，导致计算出的信息熵大于某个设定值时，也可以将该用户的信息熵设置为一个预设值。
[0159]
在一种实施方式中，该预设值可以为其他用户的信息熵的中位数。当然，预设值也
可以根据实际需求设置为其他人工指定值，本实施例对此不作具体限制。
[0160]
通过本实施例，可以获得信息的浏览频次低于预设频次的用户的多样性偏好值，以及行为发散程度较大的用户的多样性偏好值，使得本申请的信息推荐方法可以根据不同用户的不同多样性需求进行针对性推荐。
[0161]
结合以上实施例，在一种实施方式中，本申请的信息推荐方法还可以包括以下步骤：
[0162]
按照预设周期获得各个用户的历史信息浏览日志；
[0163]
根据所述各个用户各自的历史信息浏览日志，获得所述各个用户各自的多样性偏好值并存储；
[0164]
响应于所述信息推荐请求，获得所述目标用户的多样性偏好值，包括：
[0165]
响应于所述信息推荐请求，从已存储的用户的多样性偏好值中获得所述目标用户的多样性偏好值。
[0166]
在本实施例中，信息推荐平台可以周期性获得各个用户的历史信息浏览日志，然后根据各个用户各自的历史信息浏览日志，获得各个用户各自的多样性偏好值并进行存储。当接收到目标用户的信息推荐请求时，信息推荐平台从预先存储的多样性偏好值中获得目标用户的多样性偏好值。
[0167]
通过对用户行为进行分析，获得用户的多样性需求，再根据用户的多样性需求对排序后得到的候选推荐信息进行筛选，最终获得更符合用户兴趣的推荐结果并进行推荐，能针对不同的用户实现不同的多样性控制，优化用户体验和线上推荐效果。
[0168]
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，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，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发明实施例所必须的。
[0169]
基于同一发明构思，本申请一实施例提供一种推荐概率预估装置600。图6是本申请一实施例提供的信息推荐装置的结构框图。如图6所示，该信息推荐装置600包括：
[0170]
第一获得模块601，用于获得目标用户的终端发送的信息推荐请求；
[0171]
第二获得模块602，用于响应于所述信息推荐请求，获得所述目标用户的多样性偏好值和候选推荐信息，所述多样性偏好值是根据所述目标用户的历史信息浏览日志分析获得的；
[0172]
筛选模块603，用于利用所述多样性偏好值，从所述候选推荐信息中筛选出待推荐信息；
[0173]
发送模块604，用于将所述待推荐信息发送至所述目标用户的终端。
[0174]
可选地，所述筛选模块603包括：
[0175]
第一获得子模块，用于根据所述目标用户的多样性偏好值、所述目标用户与所述候选推荐信息之间的相关性以及所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数，所述评估分数表示用户对所述候选推荐信息的感兴趣程度；
[0176]
确定子模块，用于按照所述评估分数由高到低的顺序，将前预设数量个候选推荐信息确定为待推荐信息。
[0177]
可选地，所述第一获得子模块包括：
[0178]
调整模块，用于利用所述目标用户的多样性偏好值对任意两个不同的候选推荐信息之间的相似度进行调整；
[0179]
第二获得子模块，用于根据所述目标用户与所述候选推荐信息之间的相关性及调整后的所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数。
[0180]
可选地，所述第二获得子模块包括：
[0181]
平滑模块，用于基于预设函数和所述相关性与相似度权重调节参数，对各个候选推荐信息的所述目标用户与所述候选推荐信息之间的相关性进行平滑操作，得到操作结果；
[0182]
第三获得子模块，用于根据所述操作结果及调整后的所述候选推荐信息相互之间的相似度，获得各个候选推荐信息的评估分数。
[0183]
可选地，所述调整模块包括：
[0184]
调整子模块，用于利用所述目标用户的多样性偏好值对所述候选推荐信息的相似度矩阵中的各个相似度进行调整；
[0185]
所述平滑模块包括：
[0186]
第四获得子模块，用于基于预设函数和所述相关性与相似度权重调节参数，对各个候选推荐信息的所述目标用户与所述候选推荐信息之间的相关性进行平滑操作，得到各个候选推荐信息的第一相关矩阵和第二相关矩阵；
[0187]
所述第三获得子模块包括：
[0188]
第五获得子模块，用于根据各个候选推荐信息的第一相关矩阵和第二相关矩阵，以及调整后的相似度矩阵，获得各个候选推荐信息的评估分数。
[0189]
可选地，所述第二获得模块602包括：
[0190]
第六获得子模块，用于根据所述目标用户的历史信息浏览日志，统计获得所述目标用户浏览的历史信息的各个类型，及各个类型的历史信息的浏览频次；
[0191]
第七获得子模块，用于根据历史信息的各个类型和各个类型的历史信息的浏览频次获得所述目标用户的行为发散程度；
[0192]
第八获得子模块，用于根据所述目标用户的行为发散程度获得所述目标用户的多样性偏好值。
[0193]
可选地，所述装置600还包括：
[0194]
确定模块，用于在所述目标用户浏览的信息的类型数量少于预设数量时，或所述目标用户的行为发散程度大于预设阈值时，将所述目标用户的多样性偏好值确定为预设值。
[0195]
可选地，所述装置600还包括：
[0196]
第三获得模块，用于按照预设周期获得各个用户的历史信息浏览日志；
[0197]
第四获得模块，用于根据所述各个用户各自的历史信息浏览日志，获得所述各个用户各自的多样性偏好值并存储；
[0198]
所述第二获得模块602包括：
[0199]
第九获得子模块，用于响应于所述信息推荐请求，从已存储的用户的多样性偏好值中获得所述目标用户的多样性偏好值。
[0200]
基于同一发明构思，本申请另一实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的方法中的步骤。
[0201]
基于同一发明构思，本申请另一实施例提供一种电子设备700，如图7所示。图7是本申请一实施例示出的一种电子设备的示意图。该电子设备包括存储器702、处理器701及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请上述任一实施例所述的方法中的步骤。
[0202]
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。
[0203]
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。
[0204]
本领域内的技术人员应明白，本申请实施例的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。
[0205]
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。
[0206]
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。
[0207]
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。
[0208]
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。
[0209]
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。
[0210]
以上对本申请所提供的一种信息推荐方法、装置、存储介质和电子设备，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。