本申请涉及推荐系统,具体涉及一种内容推荐方法、装置、计算机设备及计算机可读存储介质。
背景技术:
1、随着互联网技术的不断发展,日常生活已经与互联网密不可分。在互联网时代,随着内容量的快速扩大,内容的选择的压力也就随之不断增大,这降低了内容的使用效率,从而造成了信息超载问题。
2、推荐系统是根据对象的内容需求、对象特征等,将对象感兴趣的信息、产品等推荐给对象的个性化推荐系统。一个好的推荐系统,不仅能为对象提供个性化的内容和服务,还能和对象之间建立密切关系。
3、然而,在一些情况下,推荐系统中的内容推荐模型为对象推荐的内容不够准确。
技术实现思路
1、本申请实施例提供一种内容推荐方法、装置、计算机可读存储介质及计算机设备,该方法可以有效提升推荐系统的内容推荐的准确性。
2、本申请第一方面提供一种内容推荐方法,方法包括:
3、获取目标应用中目标对象的第一历史行为数据,并对所述第一历史行为数据进行特征提取得到行为特征;
4、获取所述目标对象的关联数据并从所述关联数据中提取提示信息,得到提示特征;
5、对所述提示特征与所述行为特征进行拼接,得到拼接特征;
6、将所述拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;
7、基于所述对象特征在所述目标应用中对所述目标对象进行内容推荐。
8、相应的,本申请第二方面提供一种内容推荐装置,装置包括:
9、第一获取单元,用于获取目标应用中目标对象的第一历史行为数据,并对所述第一历史行为数据进行特征提取得到行为特征;
10、第二获取单元,用于获取所述目标对象的关联数据并从所述关联数据中提取提示信息,得到提示特征;
11、拼接单元,用于对所述提示特征与所述行为特征进行拼接,得到拼接特征;
12、输入单元,用于将所述拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;
13、推荐单元,用于基于所述对象特征在所述目标应用中对所述目标对象进行内容推荐。
14、在一些实施例中,所述第二获取单元,包括:
15、第一获取子单元,用于获取所述目标对象的基础属性数据;
16、第一确定子单元,用于当所述目标应用不存在关联应用时,基于所述基础属性数据确定所述目标对象的关联数据;
17、第二获取子单元,用于当所述目标应用存在关联应用时,获取所述目标对象在所述关联应用中的第二历史行为数据,基于所述基础属性数据和所述第二历史行为数据确定所述目标对象的关联数据;
18、第一提取子单元,用于从所述关联数据中提取提示信息,得到提示特征。
19、在一些实施例中,所述提取子单元,包括:
20、获取模块,用于获取预设提示特征提取模型;
21、输入模块,用于将所述关联数据输入至所述提示特征提取模型中,得到输出的提示特征。
22、在一些实施例中,本申请提供的内容推荐装置,还包括:
23、第三获取子单元,用于获取训练样本数据,所述训练样本数据包括样本关联数据以及样本行为数据;
24、第一输入子单元,用于将所述样本关联数据输入至预设提示特征提取模型中,得到所述提示特征提取模型输出的样本提示特征;
25、拼接子单元,用于对所述样本提示特征与从样本行为数据提取的样本行为特征进行拼接,得到样本拼接特征;
26、增强子单元,用于对所述样本拼接特征进行增强处理,得到增强样本拼接特征;
27、第二输入子单元,用于将所述样本拼接特征与所述增强样本拼接特征分别输入至所述预训练后的推荐模型中,并基于输出特征计算第一损失函数;
28、调整子单元,用于基于所述第一损失函数对所述预设提示特征提取模型中的参数进行调整,完成对所述预设提示特征提取模型的训练。
29、在一些实施例中,增强子单元,包括:
30、第一处理模块,用于对所述样本拼接特征中的样本提示特征进行随机隐藏处理,得到过渡特征;
31、第二处理模块,用于对所述过渡特征中的样本行为特征进行随机隐藏处理,得到增强样本拼接特征。
32、在一些实施例中,本申请提供的内容推荐装置,还包括:
33、第二确定子单元,用于根据所述样本拼接特征与所述增强样本拼接特征确定正样本对;
34、第一生成子单元,用于基于所述训练样本数据随机生成负样本对;
35、第二生成子单元,用于基于所述正样本对以及所述负样本对生成推荐排序任务的第二损失函数;
36、第三生成子单元,用于根据所述第一损失函数与所述第二损失函数生成目标损失函数;
37、所述调整子单元,还用于:
38、基于所述目标损失函数对所述预设提示特征提取模型中的参数进行调整,完成对所述预设提示特征提取模型的训练。
39、在一些实施例中,推荐单元,包括:
40、第二提取子单元,用于对预设候选内容库中的每一候选内容进行特征提取,得到每一候选内容对应的内容特征;
41、计算子单元,用于计算每一内容特征与所述对象特征之间的相似度;
42、推荐子单元,用于根据所述相似度向所述目标对象推荐对应的目标候选内容。
43、本申请第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本申请第一方面所提供的内容推荐方法中的步骤。
44、本申请第四方面提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请第一方面所提供的内容推荐方法中的步骤。
45、本申请第五方面提供一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现第一方面所提供的内容推荐方法中的步骤。
46、本申请实施例提供的内容推荐方法,通过获取目标应用中目标对象的第一历史行为数据,并对第一历史行为数据进行特征提取得到行为特征;获取目标对象的关联数据并从关联数据中提取提示信息,得到提示特征;对提示特征与行为特征进行拼接,得到拼接特征;将拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;基于对象特征在目标应用中对目标对象进行内容推荐。
47、以此,本申请提供的内容推荐方法,通过从目标对象的关联数据中提取出提示特征,并采用该提示特征对目标对象的行为特征进行调整,然后再基于调整过的对象行为特征采用预先连后的推荐模型生成对象特征进行内容推荐。该方法可以通过目标对象的关联数据提取出的提示特征对目标对象的行为特征进行修正,从而可以得到更为准确的目标对象的对象特征,进而可以提升内容推荐的准确性。
1.一种内容推荐方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述获取所述目标对象的关联数据并从所述关联数据中提取提示信息,得到提示特征,包括:
3.根据权利要求2所述的方法,其特征在于,所述从所述关联数据中提取提示信息,得到提示特征,包括:
4.根据权利要求3所述的方法,其特征在于,所述获取预设提示特征提取模型之前,还包括:
5.根据权利要求4所述的方法,其特征在于,所述对所述拼接特征进行增强处理,得到增强样本拼接特征,包括:
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述基于所述对象特征在所述目标应用中对所述目标对象进行内容推荐,包括:
8.一种内容推荐装置,其特征在于,所述装置包括:
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7中任一项所述的内容推荐方法中的步骤。
10.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的内容推荐方法中的步骤。