信息的推荐方法、装置、设备和存储介质制造方法及图纸

本申请涉及一种信息的推荐方法、装置、设备和存储介质。该方法包括：获取当前用户的用户特征数据以及各个待推荐信息的信息特征数据；将所述用户特征数据以及各个信息特征数据输入至预设的点击率预测模型中，得到所述当前用户对各个待推荐信息的预估点击率，其中，所述点击率预测模型包括用于对所述用户特征数据进行特征交叉处理的用户特征全连接层，以及用于对所述信息特征数据进行特征交叉处理的信息特征全连接层；根据各个待推荐信息的预估点击率，向所述当前用户进行信息推荐。该方法使得基于该点击率预测模型预测的各个待推荐信息的点击率更准确，从而提高了推荐结果的准确性。

【技术实现步骤摘要】
信息的推荐方法、装置、设备和存储介质
本申请涉及互联网领域，特别是涉及一种信息的推荐方法、装置、设备和存储介质。
技术介绍
随着大数据技术的不断发展，通过大数据分析可以为用户更精准得推送信息。其中，信息可以为视频、音频、广告以及专辑等。传统技术中，计算机设备可以采集用户对信息的反馈情况，利用反馈情况为用户进行信息的个性化推荐。其中，反馈情况可以包括对信息感兴趣、信息内容质量高等正反馈信息，也可以包括对信息不感兴趣、信息内容质量差等负反馈信息。但是，传统技术推荐的结果的准确性较低。
技术实现思路
基于此，有必要针对传统方式推荐的结果的准确性较低的技术问题，提供一种信息的推荐方法、装置、设备和存储介质。第一方面，本申请实施例提供一种信息的推荐方法，包括：获取当前用户的用户特征数据以及各个待推荐信息的信息特征数据；将所述用户特征数据以及各个信息特征数据输入至预设的点击率预测模型中，得到所述当前用户对各个待推荐信息的预估点击率，其中，所述点击率预测模型包括用于对所述用户特征数据进行特征交叉处理的用户特征全连接层，以及用于对所述信息特征数据进行特征交叉处理的信息特征全连接层；根据各个待推荐信息的预估点击率，向所述当前用户进行信息推荐。第二方面，本申请实施例提供一种信息的推荐装置，包括：第一获取模块，用于获取当前用户的用户特征数据以及各个待推荐信息的信息特征数据；预测模块，用于将所述用户特征数据以及各个信息特征数据输入至预设的点击率预测模型中，得到所述当前用户对各个待推荐信息的预估点击率，其中，所述点击率预测模型包括用于对所述用户特征数据进行特征交叉处理的用户特征全连接层，以及用于对所述信息特征数据进行特征交叉处理的信息特征全连接层；推荐模块，用于根据各个待推荐信息的预估点击率，向所述当前用户进行信息推荐。第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的信息的推荐方法。第四方面，本申请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，所述计算机程序被处理器执行时实现本申请实施例第一方面提供的信息的推荐方法。本申请实施例提供的信息的推荐方法、装置、设备和存储介质，在获取到当前用户的用户特征数据以及各个待推荐信息的信息特征数据之后，计算机设备将所述用户特征数据以及各个信息特征数据输入至预设的点击率预测模型中，得到所述当前用户对各个待推荐信息的预估点击率，并根据各个待推荐信息的预估点击率，向所述当前用户进行信息推荐。由于上述点击率预测模型包括用于对用户特征数据进行特征交叉处理的用户特征全连接层，以及用于对信息特征数据进行特征交叉处理的信息特征全连接层，即通过该点击率预测模型预测当前用户对各个待推荐信息的点击率的过程中，该点击率预测模型能够单独对用户特征数据以及信息特征数据进行特征交叉处理，避免了直接将用户特征数据和信息特征数据作为整体特征数据进行特征交叉处理后带来的特征过拟合问题，使得基于该点击率预测模型预测的各个待推荐信息的点击率更准确，从而提高了推荐结果的准确性。附图说明图1为本申请实施例提供的信息的推荐方法的一种流程示意图；图2为本申请实施例提供的信息的推荐方法的另一种流程示意图；图3为本申请实施例提供的一种点击率预测模型的结构示意图；图4为本申请实施例提供的信息的推荐方法的又一种流程示意图；图5为本申请实施例提供的信息的推荐装置的结构示意图；图6为本申请实施例提供的一种计算机设备的结构示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本申请实施例中的技术方案进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。需要说明的是，下述方法实施例的执行主体可以是信息的推荐装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的，计算机设备可以为个人计算机PC(personalcomputer)、移动终端、便携式设备等具有数据处理功能、且可以与外部设备或者用户交互的电子设备，当然，计算机设备也可以为服务器，本实施例对计算机设备的具体形式并不做限定。下述方法实施例以执行主体是计算机设备为例进行说明。图1为本申请实施例提供的信息的推荐方法的一种流程示意图。本申请实施例涉及的是计算机设备如何预测当前用户对各个待推荐信息的点击率，并基于各个点击率进行信息推荐的具体过程。如图1所示，该方法可以包括：S101、获取当前用户的用户特征数据以及各个待推荐信息的信息特征数据。其中，当前用户为待推荐信息的用户。上述待推荐信息可以为待推荐视频、待推荐音频、待推荐专辑、待推荐广告以及待推荐物品等。上述用户特征数据可以为用户的长期兴趣、短期兴趣、性别以及年龄等特征数据。上述信息特征数据可以为信息的一级类别、二级类别以及信息的标签等特征数据，以信息为专辑为例，一级类别可以为有声书、历史、儿童等，二级类别可以为有声书-言情、有声书-玄幻、有声书-穿越等。信息的标签用于更为细致地反映信息类型的数据。当需要对当前用户进行信息推荐时，可以从数据库中获取当前用户的用户特征数据，以及从数据库中随机或者按照预设选取规则选取多个信息作为待推荐信息，并从数据库中获取各个待推荐信息的信息特征数据。在实际应用中，为了能够更精准地向当前用户进行信息推荐，可选的，计算机设备也可以参照下述过程获取各个待推荐信息：获取所述当前用户的历史反馈数据；从推荐信息库中选取与所述历史反馈数据相匹配的信息作为所述当前用户的各个待推荐信息。具体的，历史反馈数据可以包括正反馈数据，也可以包括负反馈数据，计算机设备获取当前用户的正反馈数据以及负反馈数据，以正反馈数据以及负反馈数据作为选取待推荐信息的参考，比如，从推荐信息库中筛除与负反馈数据相近的信息，并选取与正反馈数据相近的信息作为待推荐信息。S102、将所述用户特征数据以及各个信息特征数据输入至预设的点击率预测模型中，得到所述当前用户对各个待推荐信息的预估点击率。其中，所述点击率预测模型包括用于对所述用户特征数据进行特征交叉处理的用户特征全连接层，以及用于对所述信息特征数据进行特征交叉处理的信息特征全连接层。同时，该用户特征全连接层和信息特征全连接层位于点击率预测模型中的输入层与整体全连接层之间。这样，该点击率预测模型可以包括输入层、局部全连接层(即用户特征全连接层和信息特征全连接层)、整体全连接层和输出层。当然，也可以包括多个整体全连接层。由此可见，当计算机设备将当前用户的用户特征数据以及各个待推荐信息的信息特征数据输入至点击率预测模型中，点击率预测模型中的用户特征全连接层可以单独对输入至点击率预测模型中的用户特征数据进行特征交叉处理，以提取用户特征数据内部的交叉特征；上述信息特征全连接层可以单独对输入至本文档来自技高网...

【技术保护点】
1.一种信息的推荐方法，其特征在于，包括：/n获取当前用户的用户特征数据以及各个待推荐信息的信息特征数据；/n将所述用户特征数据以及各个信息特征数据输入至预设的点击率预测模型中，得到所述当前用户对各个待推荐信息的预估点击率，其中，所述点击率预测模型包括用于对所述用户特征数据进行特征交叉处理的用户特征全连接层，以及用于对所述信息特征数据进行特征交叉处理的信息特征全连接层；/n根据各个待推荐信息的预估点击率，向所述当前用户进行信息推荐。/n

【技术特征摘要】
1.一种信息的推荐方法，其特征在于，包括：
获取当前用户的用户特征数据以及各个待推荐信息的信息特征数据；
将所述用户特征数据以及各个信息特征数据输入至预设的点击率预测模型中，得到所述当前用户对各个待推荐信息的预估点击率，其中，所述点击率预测模型包括用于对所述用户特征数据进行特征交叉处理的用户特征全连接层，以及用于对所述信息特征数据进行特征交叉处理的信息特征全连接层；
根据各个待推荐信息的预估点击率，向所述当前用户进行信息推荐。


2.根据权利要求1所述的方法，其特征在于，所述信息特征数据包括信息类别数据和信息标签数据，所述将所述用户特征数据以及各个信息特征数据输入至预设的点击率预测模型中，得到所述当前用户对各个待推荐信息的预估点击率，包括：
对所述用户特征数据进行独热编码处理，得到第一编码向量；
针对每个信息特征数据，对所述信息类型数据进行独热编码处理以及对所述信息标签数据进行多热编码处理，得到第二编码向量；
将所述第一编码向量和各个第二编码向量输入至预设的点击率预测模型中，得到所述当前用户对各个待推荐信息的预估点击率。


3.根据权利要求2所述的方法，其特征在于，所述点击率预测模型还包括特征交叉层，所述将所述第一编码向量和各个第二编码向量输入至预设的点击率预测模型中，得到所述当前用户对各个待推荐信息的预估点击率，包括：
将所述第一编码向量输入至所述用户特征全连接层，提取所述第一编码向量中的交叉特征，生成特征交叉处理后的第一用户向量；
将各个第二编码向量输入至所述信息特征全连接层，提取各个第二编码向量中的交叉特征，生成各个特征交叉处理后的第一信息向量；
针对每个第一信息向量，将所述第一用户向量和所述第一信息向量输入至所述特征交叉层，提取所述第一用户向量和所述第一信息向量之间的交叉特征，生成特征交叉处理后的混合向量；
对各个混合向量进行全连接处理，得到所述当前用户对各个待推荐信息的预估点击率。


4.根据权利要求3所述的方法，其特征在于，所述将所述第一用户向量和所述第一信息向量输入至所述特征交叉层，提取所述第一用户向量和所述第一信息向量之间的交叉特征，生成特征交叉处理后的混合向量，包括：
将所述第一用户向量和所述第一信息向量输入至所述特征交叉层中，分别进行乘积运算和外积运算，得到乘积...

【专利技术属性】
技术研发人员：金宇，
申请(专利权)人：喜丈上海网络科技有限公司，
类型：发明
国别省市：上海;31