一种基于推荐模型的信息推荐方法及装置制造方法及图纸

本申请提供一种基于推荐模型的信息推荐方法及装置，其中所述基于推荐模型的信息推荐方法包括：获取至少一个推荐参考数据；将所述推荐参考数据经过数据预处理获得固定长度的推荐参考向量；将所述推荐参考向量作为特征向量输入至预先训练好的推荐模型，以使所述推荐模型根据所述特征向量获得特征值集合，并基于所述特征值集合生成推荐信息。使得推荐模型可以对不定长的信息进行处理，提高了推荐模型的处理能力，使得推荐模型可以在更广泛的场景中得到应用。

An information recommendation method and device based on Recommendation Model

【技术实现步骤摘要】
一种基于推荐模型的信息推荐方法及装置
本申请涉及人工智能
，特别涉及一种基于推荐模型的信息推荐方法及装置、计算设备和计算机可读存储介质。
技术介绍
随着人工智能技术的日益发展，越来越多的推荐模型被应用于日常的生活中，如根据用户浏览视频的行为推荐视频，根据用户的搜索记录推荐商品等等。在目前众多的推荐模型的应用中，仅能处理固定长度的信息，如经过One-Hot编码处理后的类别特征和数值特征。但是在日常应用的推荐场景下，对于经常会出现的不定长度的信息，如用户读写的文字内容、用户行为的序列信息等，现有的推荐模型无法对不定长的特征信息进行处理识别。因此推荐模型无法根据非固定长度的推荐参考数据进行推荐，不利于模型学习更多的特征信息，减弱了推荐模型的处理能力，限制了推荐模型的推广应用。因此，如何解决推荐模型无法处理不定长度的推荐参考数据的问题就成为技术人员目前亟待解决的问题。
技术实现思路
有鉴于此，本申请实施例提供了一种基于推荐模型的信息推荐方法及装置、计算设备和计算机可读存储介质，以解决现有技术中存在的技术缺陷。根据本申请实施例的第一方面，提供了一种基于推荐模型的信息推荐方法，包括：获取至少一个推荐参考数据；将所述推荐参考数据经过数据预处理获得固定长度的推荐参考向量；将所述推荐参考向量作为特征向量输入至预先训练好的推荐模型，以使所述推荐模型根据所述特征向量获得特征值集合，并基于所述特征值集合生成推荐信息。可选的，将所述推荐参考数据经过数据预处理获得固定长度的推荐参考向量，包括：将所述推荐参考数据进行分元素处理，生成元素集合；将所述元素集合中的元素做数据处理，获得所述元素集合对应的固定长度的元素集合向量，并将所述元素集合向量作为推荐参考向量。可选的，将所述元素集合中的元素做数据处理，获得所述元素集合对应的固定长度的元素集合向量，包括：将所述元素集合中的每个元素做嵌入化处理生成对应的固定长度的元素向量；将所述元素向量做池化获得所述元素集合对应的固定长度的元素集合向量。可选的，将所述元素集合中的每个元素做嵌入化处理生成对应的固定长度的元素向量，包括：获取至少一个推荐参考数据的元素的个数，根据元素个数最多的推荐参考数据确定向量维度n，其中，n为正整数；根据所述向量维度n，将所述元素集合中的每个元素分别做嵌入化处理生成n维的元素向量。可选的，所述推荐模型根据所述特征向量获得特征值集合，并基于所述特征值集合生成推荐信息，包括：将所述特征向量经过稀疏特征处理得到第一特征值集合，其中，所述第一特征值集合包括多个第一特征值；将述第一特征值集合经过嵌入化处理得到第二特征值集合，其中，所述第二特征值集合包括多个第二特征值；根据所述第一特征值集合和所述第二特征值集合生成推荐信息。可选的，根据所述第一特征值集合和所述第二特征值集合生成推荐信息，包括：将所述第一特征值集合中多个所述第一特征值经过线性处理后获得第一推荐信息；将所述第二特征值集合中多个所述第二特征值经过全连接层处理得到第二推荐信息；将所述第一推荐信息和所述第二推荐信息进行加权处理生成推荐信息。可选的，根据所述第一特征值集合和所述第二特征值集合生成推荐信息，包括：将所述第一特征值集合中多个所述第一特征值经过一阶处理，将所述第二特征值集合中多个所述第二特征值经过二阶处理，并根据所述一阶处理的结果和所述二阶处理的结果获得第一推荐信息；将所述第二特征值集合中多个所述第二特征值经过全连接层处理得到第二推荐信息；将所述第一推荐信息和所述第二推荐信息进行加权处理生成推荐信息。可选的，所述基于推荐模型的信息推荐方法，还包括：接收类别特征和数值特征；根据所述类别特征获得对应的类别特征向量，根据所述数值特征获得对应的数值特征向量；将所述类别特征向量、所述数值特征向量和所述推荐参考向量作为特征向量输入至预先训练好的推荐模型中。根据本申请实施例的第二方面，提供了一种基于推荐模型的信息推荐装置，包括：获取模块，被配置为获取至少一个推荐参考数据；预处理模块，被配置为将所述推荐参考数据经过数据预处理获得固定长度的推荐参考向量；输入模型模块，被配置为将所述推荐参考向量作为特征向量输入至预先训练好的推荐模型，以使所述推荐模型根据所述特征向量获得特征值集合，并基于所述特征值集合生成推荐信息。可选的，所述预处理模块，包括：分元素子单元，被配置为将所述推荐参考数据进行分元素处理，生成元素集合；数据处理子单元，被配置为将所述元素集合中的元素做数据处理，获得所述元素集合对应的固定长度的元素集合向量，并将所述元素集合向量作为推荐参考向量。可选的，所述数据处理子单元，进一步被配置为将所述元素集合中的每个元素做嵌入化处理生成对应的固定长度的元素向量；将所述元素向量做池化获得所述元素集合对应的固定长度的元素集合向量。可选的，所述数据处理子单元，进一步被配置为获取至少一个推荐参考数据的元素的个数，根据元素个数最多的推荐参考数据确定向量维度n，其中，n为正整数；根据所述向量维度n，将所述元素集合中的每个元素分别做嵌入化处理生成n维的元素向量。可选的，所述输入模型模块中的推荐模型包括：稀疏特征子单元，被配置为将所述特征向量经过稀疏特征处理得到第一特征值集合，其中，所述第一特征值集合包括多个第一特征值；嵌入子单元，被配置为将述第一特征值集合经过嵌入化处理得到第二特征值集合，其中，所述第二特征值集合包括多个第二特征值；生成信息子单元，被配置为根据所述第一特征值集合和所述第二特征值集合生成推荐信息。可选的，所述生成信息子单元，进一步被配置为将所述第一特征值集合中多个所述第一特征值经过线性处理后获得第一推荐信息；将所述第二特征值集合中多个所述第二特征值经过全连接层处理得到第二推荐信息；将所述第一推荐信息和所述第二推荐信息进行加权处理生成推荐信息。可选的，所述生成信息子单元，进一步被配置为将所述第一特征值集合中多个所述第一特征值经过一阶处理，将所述第二特征值集合中多个所述第二特征值经过二阶处理，并根据所述一阶处理的结果和所述二阶处理的结果获得第一推荐信息；将所述第二特征值集合中多个所述第二特征值经过全连接层处理得到第二推荐信息；将所述第一推荐信息和所述第二推荐信息进行加权处理生成推荐信息。可选的，所述基于推荐模型的信息推荐装置，还包括：接收特征模块，被配置为接收类别特征和数值特征；生成向量模块，被配置为根据所述类别特征获得对应的类别特征向量，根据所述数值特征获得对应的数值特征向量；输入向量模块，被配置为将所述类别特征向量、所述数值特征向量和所述推荐参考向量作为特征向量输入至预先训练好的推荐模型中。根据本申请实施例的第三方面，提供了一种计算设备，包括存储器、处理器及存本文档来自技高网...

【技术保护点】
1.一种基于推荐模型的信息推荐方法，其特征在于，包括：/n获取至少一个推荐参考数据；/n将所述推荐参考数据经过数据预处理获得固定长度的推荐参考向量；/n将所述推荐参考向量作为特征向量输入至预先训练好的推荐模型，以使所述推荐模型根据所述特征向量获得特征值集合，并基于所述特征值集合生成推荐信息。/n

【技术特征摘要】
1.一种基于推荐模型的信息推荐方法，其特征在于，包括：
获取至少一个推荐参考数据；
将所述推荐参考数据经过数据预处理获得固定长度的推荐参考向量；
将所述推荐参考向量作为特征向量输入至预先训练好的推荐模型，以使所述推荐模型根据所述特征向量获得特征值集合，并基于所述特征值集合生成推荐信息。


2.如权利要求1所述的基于推荐模型的信息推荐方法，其特征在于，将所述推荐参考数据经过数据预处理获得固定长度的推荐参考向量，包括：
将所述推荐参考数据进行分元素处理，生成元素集合；
将所述元素集合中的元素做数据处理，获得所述元素集合对应的固定长度的元素集合向量，并将所述元素集合向量作为推荐参考向量。


3.如权利要求2所述的基于推荐模型的信息推荐方法，其特征在于，将所述元素集合中的元素做数据处理，获得所述元素集合对应的固定长度的元素集合向量，包括：
将所述元素集合中的每个元素做嵌入化处理生成对应的固定长度的元素向量；
将所述元素向量做池化获得所述元素集合对应的固定长度的元素集合向量。


4.如权利要求3所述的基于推荐模型的信息推荐方法，其特征在于，将所述元素集合中的每个元素做嵌入化处理生成对应的固定长度的元素向量，包括：
获取至少一个推荐参考数据的元素的个数，根据元素个数最多的推荐参考数据确定向量维度n，其中，n为正整数；
根据所述向量维度n，将所述元素集合中的每个元素分别做嵌入化处理生成n维的元素向量。


5.如权利要求1所述的基于推荐模型的信息推荐方法，其特征在于，所述推荐模型根据所述特征向量获得特征值集合，并基于所述特征值集合生成推荐信息，包括：
将所述特征向量经过稀疏特征处理得到第一特征值集合，其中，所述第一特征值集合包括多个第一特征值；
将述第一特征值集合经过嵌入化处理得到第二特征值集合，其中，所述第二特征值集合包括多个第二特征值；
根据所述第一特征值集合和所述第二特征值集合生成推荐信息。


6.如权利要求5所述的基于推荐模型的信息推荐方...

【专利技术属性】
技术研发人员：李天阳，唐剑波，李长亮，
申请(专利权)人：北京金山数字娱乐科技有限公司，成都金山互动娱乐科技有限公司，北京金山软件有限公司，
类型：发明
国别省市：北京;11