内容推荐方法、装置、设备及计算机可读存储介质制造方法及图纸

本申请实施例公开了一种内容推荐方法、装置、设备及计算机可读存储介质，其中方法包括：基于训练好的推荐模型对当前会话进行编码，得到当前会话编码；基于所述当前会话编码，采用注意力机制对近邻会话集合中的近邻会话进行编码，得到近邻会话编码；其中，所述近邻会话集合包括基于与所述当前会话的相似度选取组成的会话集合，所述近邻会话集合中的近邻会话的发生时间在所述当前会话的发生时间之前；根据所述当前会话编码和所述近邻会话编码，生成所述当前会话的下一内容的推荐结果。实施本申请，可以解决传统的推荐方式中推荐结果的准确率不高的问题，提高推荐结果的准确率。

Content recommendation method, device, equipment and computer readable storage medium

【技术实现步骤摘要】
内容推荐方法、装置、设备及计算机可读存储介质
本申请涉及内容推荐
，尤其涉及一种内容推荐方法、装置、设备及计算机可读存储介质。
技术介绍
随着网络的快速发展，如何在庞大的信息库中准确找到自己需要的信息是本领域技术人员的研究热点。现有技术中，传统的推荐技术主要包括以下两大类推荐方法：第一类为基于内容的推荐方法；第二类为基于协同过滤的推荐方法。基于内容匹配或协同过滤的推荐方法需要用户身份信息，即用户需进行登录操作；在一些实际场景下并不具备这种条件，例如有一些用户极注重隐私，或当前操作发生在陌生设备上。因此，基于不具名用户所发起会话的推荐是一种适应性更广的推荐模式。基于不具名用户所发起会话的推荐，现有技术中有利用循环神经网络对当前会话建模的推荐方法，该类方法主要包括基于循环神经网络(RecurrentNeuralNetworks，RNN)的会话推荐算法及其改进，通常以某不具名用户所发起会话中的已有物品序列为输入，使用循环神经网络(GRU是其中一种)进行建模编码，从而为该不具名用户预测下一物品。然而，利用循环神经网络对当前会话建模的推荐方法由于仅仅基于当前会话进行后续推荐，从而受限于会话的一些不良特性，不仅会话的长度较短，通常包含的信息有限，而且会话中存在很多噪声，即存在用户误操作或漫无目的操作的可能。基于不具名用户所发起会话的推荐，现有技术中还有基于会话的K近邻推荐方法，基于会话的K近邻推荐方法(Session-basedKNN，SKNN)是一种相对传统的方法。首先，该类方法先人为设定一种相似性度量，并计算当前会话与各历史会话的相似度，从中挑选与当前会话最为相近的N个近邻会话；然后，对于近邻会话中包含的物品，该类方法按照相对应的相似度进行加权求和，得出各物品与当前会话的相关性度量，从而进行推荐。该类方法从历史会话中获取相关信息进行推荐，其性能依赖于人工规则的制定，即如何挑选近邻会话，然而人为制定的规则是无法保证最优的。此外，该类方法忽略了当前会话的局部信息，推荐结果准确率不高。
技术实现思路
本申请实施例提供一种内容推荐方法、相关装置、设备及计算机可读存储介质，可以解决传统的推荐方式中推荐结果的准确率不高的问题，提高推荐结果的准确率。第一方面，本申请实施例提供了一种内容推荐方法，该方法包括：基于训练好的推荐模型对当前会话进行编码，得到当前会话编码；基于所述当前会话编码，采用注意力机制对近邻会话集合中的近邻会话进行编码，得到近邻会话编码；其中，所述近邻会话集合包括基于与所述当前会话的相似度选取组成的会话集合，所述近邻会话集合中的近邻会话的发生时间在所述当前会话的发生时间之前；根据所述当前会话编码和所述近邻会话编码，生成所述当前会话的下一内容的推荐结果。通过实施本申请实施例，动态地考虑了相似会话中的内容情况，提高内容推荐的准确性，具体地通过引入注意力机制，对当前会话的建模能力与近邻方法引入的辅助信息进行有机结合，减少了传统推荐方法对于人工规则的依赖性，从而提高内容推荐的准确性。为了达到本申请内容推荐的准确性，本申请通过动态地考虑了相似会话中的内容情况，并通过引入注意力机制，相对于现有技术而言运算效率更高，占用的计算机运算资源更少，因此可以提高计算机性能。在其中一个可能的实现方式中，所述基于所述当前会话编码，采用注意力机制对近邻会话集合中的近邻会话进行编码，得到近邻会话编码，包括：基于所述当前会话编码，采用注意力机制分别计算所述当前会话与所述近邻会话集合中的近邻会话的每个内容的注意力分数；根据计算得到的所述注意力分数，对所述近邻会话中的每个内容的注意力分数进行求和，得到近邻会话编码。也就是说，本申请实施例考虑了当前会话的具体情况，对近邻会话中的每个内容进行动态感知，得到近邻会话编码，以用于后续的内容推荐，可提高内容推荐的准确性。在其中一个可能的实现方式中，所述基于所述当前会话编码，采用注意力机制分别计算所述当前会话与所述近邻会话集合中的近邻会话的每个内容的注意力分数，包括：将所述近邻会话集合中的近邻会话转换为嵌入层表示，得到所述近邻会话的每个内容对应的嵌入层表示；分别计算所述当前会话编码与所述每个内容对应的嵌入层表示的相关性；将计算得到的相关性进行权重归一化，得到注意力分数。本申请实施例通过计算当前会话编码与每个内容对应的嵌入层表示的相关性，然后进行权重归一化，可有助于更加准确地高效地完成后续的内容推荐。在其中一个可能的实现方式中，所述基于训练好的推荐模型对当前会话进行编码，得到当前会话编码，包括：将所述当前会话转换为嵌入层表示，得到所述当前会话中的内容对应的嵌入层表示；将所述当前会话中的内容对应的嵌入层表示作为序列输入到神经网络中，输出得到当前会话编码。在其中一个可能的实现方式中，所述基于所述当前会话编码，采用注意力机制对近邻会话集合中的近邻会话进行编码，得到近邻会话编码之前，还包括：根据所述当前会话的发生时间，得到候选会话集合；所述候选会话集合中会话的发生时间在所述当前会话的发生时间之前；计算所述当前会话与所述候选会话集合中会话的相似度；所述候选会话集合中选取相似度符合需求的会话组成近邻会话集合。本申请实施例是既考虑了当前会话的具体信息，也结合与当前会话的相似度，将相似度高的历史会话组成近邻会话集合，可有助于更加准确地高效地完成后续的内容推荐。在其中一个可能的实现方式中，所述根据所述当前会话编码和所述近邻会话编码，生成所述当前会话的下一内容的推荐结果，包括：将所述当前会话编码和所述近邻会话编码输入全连接层，输出得到所述当前会话的需求编码；根据所述需求编码计算所述当前会话对待推荐内容的推荐度，将推荐度符合需求的一个或多个待推荐内容作为所述当前会话的下一内容。在其中一个可能的实现方式中，所述基于训练好的推荐模型对当前会话进行编码，得到当前会话编码之前，还包括对所述推荐模型进行训练；所述对所述推荐模型进行训练包括：基于推荐模型对样本会话进行编码，得到样本会话编码；基于所述样本会话编码，采用注意力机制对近邻样本会话集合中的近邻样本会话进行编码，得到近邻样本会话编码；其中，所述近邻样本会话集合包括基于与所述样本会话的相似度选取组成的会话集合，所述近邻样本会话集合中的近邻会话的发生时间在所述样本会话的发生时间之前；根据所述样本会话编码和所述近邻样本会话编码，生成所述样本会话的下一内容的样本推荐结果，并以所述样本会话中最后一个内容作为目标推荐结果更新所述推荐模型的参数，使得生成的样本推荐结果匹配所述目标推荐结果。本申请实施例可以对预先设定的推荐模型进行离线训练，可以将历史会话中的某一个会话作为样本会话，以所述样本会话中出现的最后一个内容作为目标推荐结果，引入注意力机制结合样本会话编码和近邻样本会话编码对该推荐模型进行训练，从而得到训练好的推荐模型。第二方面，本申本文档来自技高网...

【技术保护点】
1.一种内容推荐方法，其特征在于，包括：/n基于训练好的推荐模型对当前会话进行编码，得到当前会话编码；/n基于所述当前会话编码，采用注意力机制对近邻会话集合中的近邻会话进行编码，得到近邻会话编码；其中，所述近邻会话集合包括基于与所述当前会话的相似度选取组成的会话集合，所述近邻会话集合中的近邻会话的发生时间在所述当前会话的发生时间之前；/n根据所述当前会话编码和所述近邻会话编码，生成所述当前会话的下一内容的推荐结果。/n

【技术特征摘要】
1.一种内容推荐方法，其特征在于，包括：
基于训练好的推荐模型对当前会话进行编码，得到当前会话编码；
基于所述当前会话编码，采用注意力机制对近邻会话集合中的近邻会话进行编码，得到近邻会话编码；其中，所述近邻会话集合包括基于与所述当前会话的相似度选取组成的会话集合，所述近邻会话集合中的近邻会话的发生时间在所述当前会话的发生时间之前；
根据所述当前会话编码和所述近邻会话编码，生成所述当前会话的下一内容的推荐结果。


2.根据权利要求1所述的方法，其特征在于，所述基于所述当前会话编码，采用注意力机制对近邻会话集合中的近邻会话进行编码，得到近邻会话编码，包括：
基于所述当前会话编码，采用注意力机制分别计算所述当前会话与所述近邻会话集合中的近邻会话的每个内容的注意力分数；
根据计算得到的所述注意力分数，对所述近邻会话中的每个内容的注意力分数进行求和，得到近邻会话编码。


3.根据权利要求2所述的方法，其特征在于，所述基于所述当前会话编码，采用注意力机制分别计算所述当前会话与所述近邻会话集合中的近邻会话的每个内容的注意力分数，包括：
将所述近邻会话集合中的近邻会话转换为嵌入层表示，得到所述近邻会话的每个内容对应的嵌入层表示；
分别计算所述当前会话编码与所述每个内容对应的嵌入层表示的相关性；
将计算得到的相关性进行权重归一化，得到注意力分数。


4.根据权利要求1所述的方法，其特征在于，所述对当前会话进行编码，得到当前会话编码，包括：
将所述当前会话转换为嵌入层表示，得到所述当前会话中的内容对应的嵌入层表示；
将所述当前会话中的内容对应的嵌入层表示作为序列输入到神经网络中，输出得到当前会话编码。


5.根据权利要求1所述的方法，其特征在于，所述基于所述当前会话编码，采用注意力机制对近邻会话集合中的近邻会话进行编码，得到近邻会话编码之前，还包括：
根据所述当前会话的发生时间，得到候选会话集合；所述候选会话集合中会话的发生时间在所述当前会话的发生时间之前；
计算所述当前会话与所述候选会话集合中会话的相似度；
所述候选会话集合中选取相似度符合需求的会话组成近邻会话集合。

<...

【专利技术属性】
技术研发人员：张峻旗，白冰，林也，白琨，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44