信息流推荐方法及装置制造方法及图纸

本公开涉及大数据处理技术领域，具体涉及一种信息流推荐方法及装置。一种信息流推荐方法，包括：获取用户特征和信息流特征；将用户特征和信息流特征输入训练好的信息流推荐网络，得到所述信息流推荐网络输出的推荐结果；其中，所述信息流推荐网络基于多目标融合标签预先训练得到，所述多目标融合标签根据样本数据的至少两个维度的标签值处理得到。本公开方法简化网络结构和训练过程，提高网络效果和鲁棒性。性。性。

【技术实现步骤摘要】
信息流推荐方法及装置


[0001]本公开涉及大数据处理
，具体涉及一种信息流推荐方法及装置。

技术介绍

[0002]信息流推荐是一种通过对特征进行挖掘，构建并训练学习网络，从而匹配推测出用户可能喜欢的信息流的方法。在信息流推荐场景中，往往需要考虑多个维度的目标，因此导致推荐网络的结构复杂且效果不佳。

技术实现思路

[0003]为解决上述技术问题，本公开实施方式提供了一种信息流推荐方法及装置、信息流推荐网络的训练方法及装置、电子设备、存储介质。
[0004]第一方面，本公开实施方式提供了一种信息流推荐方法，包括：
[0005]获取用户特征和信息流特征；
[0006]将所述用户特征和所述信息流特征输入训练好的信息流推荐网络，得到所述信息流推荐网络输出的推荐结果；其中，所述信息流推荐网络基于多目标融合标签预先训练得到，所述多目标融合标签根据样本数据的至少两个维度的标签值处理得到。
[0007]在一些实施方式中，所述信息流推荐网络的训练过程包括：
[0008]获取样本数据集；所述样本数据集包括多个所述样本数据以及每个样本数据对应的所述多目标融合标签；
[0009]将所述样本数据集输入未训练的信息流推荐网络，得到所述信息流推荐网络输出的输出值；
[0010]基于各个样本数据对应的输出值与多目标融合标签之间的差异，调整所述信息流推荐网络的网络参数，直至满足收敛条件，得到训练后的信息流推荐网络。
[0011]在一些实施方式中，每个所述样本数据包括至少两个维度的标签值，确定所述样本数据对应的所述多目标融合标签的过程包括：
[0012]获取所述样本数据包括的所述至少两个维度的标签值；
[0013]对所述至少两个维度的标签值进行融合处理，得到所述样本数据对应的所述多目标融合标签。
[0014]在一些实施方式中，所述对所述至少两个维度的标签值进行融合处理，得到所述样本数据对应的所述多目标融合标签，包括：
[0015]对所述至少两个维度的标签值进行高斯平滑处理，得到所述多目标融合标签。
[0016]在一些实施方式中，所述信息流包括多媒体信息，所述标签值对应的标签类型包括第一标签类型和第二标签类型，所述第一标签类型表征用户对所述多媒体信息的操作情况，所述第二标签类型表征用户对所述多媒体信息的播放情况。
[0017]第二方面，本公开实施方式提供了一种信息流推荐网络的训练方法，包括：
[0018]获取样本数据集，所述样本数据集包括多个样本数据，每个样本数据包括至少两
个维度的标签值；
[0019]对于每个样本数据，基于所述样本数据的所述至少两个维度的标签值进行融合处理，得到所述样本数据对应的多目标融合标签；
[0020]将所述样本数据集输入未训练的信息流推荐网络，得到所述信息流推荐网络输出的输出值；
[0021]基于各个样本数据对应的输出值与多目标融合标签之间的差异，调整所述信息流推荐网络的网络参数，直至满足收敛条件，得到训练后的信息流推荐网络。
[0022]第三方面，本公开实施方式提供了一种信息流推荐装置，包括：
[0023]获取模块，被配置为获取用户特征和信息流特征；
[0024]推荐模块，被配置为将所述用户特征和所述信息流特征输入训练好的信息流推荐网络，得到所述信息流推荐网络输出的推荐结果；其中，所述信息流推荐网络基于多目标融合标签预先训练得到，所述多目标融合标签根据样本数据的至少两个维度的标签值处理得到
[0025]在一些实施方式中，本公开实施方式的信息流推荐装置还包括网络训练模块，所述网络训练模块被配置为：
[0026]获取样本数据集；所述样本数据集包括多个所述样本数据以及每个样本数据对应的所述多目标融合标签；
[0027]将所述样本数据集输入未训练的信息流推荐网络，得到所述信息流推荐网络输出的输出值；
[0028]基于各个样本数据对应的输出值与多目标融合标签之间的差异，调整所述信息流推荐网络的网络参数，直至满足收敛条件，得到训练后的信息流推荐网络。
[0029]在一些实施方式中，每个所述样本数据包括至少两个维度的标签值，所述装置还包括标签确定模块，所述标签确定模块被配置为：
[0030]获取所述样本数据包括的所述至少两个维度的标签值；
[0031]对所述至少两个维度的标签值进行融合处理，得到所述样本数据对应的所述多目标融合标签。
[0032]第四方面，本公开实施方式提供了一种信息流推荐网络的训练装置，包括网络训练模块，所述网络训练模块被配置为：
[0033]获取样本数据集，所述样本数据集包括多个样本数据，每个样本数据包括至少两个维度的标签值；
[0034]对于每个样本数据，基于所述样本数据的所述至少两个维度的标签值进行融合处理，得到所述样本数据对应的多目标融合标签；
[0035]将所述样本数据集输入未训练的信息流推荐网络，得到所述信息流推荐网络输出的输出值；
[0036]基于各个样本数据对应的输出值与多目标融合标签之间的差异，调整所述信息流推荐网络的网络参数，直至满足收敛条件，得到训练后的信息流推荐网络。
[0037]第五方面，本公开实施方式提供了一种电子设备，包括：
[0038]处理器；以及
[0039]存储器，存储有能够被所述处理器读取的计算机指令，当所述计算机指令被读取
时，所述处理器执行第一方面或者第二方面任一实施方式所述的方法。
[0040]第六方面，本公开实施方式提供了一种存储介质，用于存储计算机可读指令，所述计算机可读指令用于使计算机执行第一方面或者第二方面任一实施方式所述的方法。
[0041]本公开实施方式的信息流推荐方法，包括获取用户特征和信息流特征，将用户特征和信息流特征输入训练好的信息流推荐网络，得到信息流推荐网络输出的推荐结果；其中，信息流推荐网络基于多目标融合标签预先训练得到，多目标融合标签根据样本数据的至少两个维度的标签值处理得到。本公开实施方式中，利用多目标融合标签对信息流推荐网络进行训练，无需构建和训练多个网络，简化网络结构。并且由于多目标融合标签融合了多个维度的标签值，因此迭代训练过程中网络可以学习到多个目标的相关特征以及目标之间的关联特征，提高网络训练效率的同时提高网络预测效果。另外，本公开实施方式的信息流推荐网络输出可以直接作为最终预测结果，不依赖于人工经验，提高网络表达能力和鲁棒性。
附图说明
[0042]为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]图1是根据本公开一些实施方式中信息流推荐方法的流程图。
[0044]图2是根据本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息流推荐方法，其特征在于，包括：获取用户特征和信息流特征；将所述用户特征和所述信息流特征输入训练好的信息流推荐网络，得到所述信息流推荐网络输出的推荐结果；其中，所述信息流推荐网络基于多目标融合标签预先训练得到，所述多目标融合标签根据样本数据的至少两个维度的标签值处理得到。2.根据权利要求1所述的方法，其特征在于，所述信息流推荐网络的训练过程包括：获取样本数据集；所述样本数据集包括多个所述样本数据以及每个样本数据对应的所述多目标融合标签；将所述样本数据集输入未训练的信息流推荐网络，得到所述信息流推荐网络输出的输出值；基于各个样本数据对应的输出值与多目标融合标签之间的差异，调整所述信息流推荐网络的网络参数，直至满足收敛条件，得到训练后的信息流推荐网络。3.根据权利要求1或2所述的方法，其特征在于，每个所述样本数据包括至少两个维度的标签值，确定所述样本数据对应的所述多目标融合标签的过程包括：获取所述样本数据包括的所述至少两个维度的标签值；对所述至少两个维度的标签值进行融合处理，得到所述样本数据对应的所述多目标融合标签。4.根据权利要求3所述的方法，其特征在于，所述对所述至少两个维度的标签值进行融合处理，得到所述样本数据对应的所述多目标融合标签，包括：对所述至少两个维度的标签值进行高斯平滑处理，得到所述多目标融合标签。5.根据权利要求1所述的方法，其特征在于，所述信息流包括多媒体信息，所述标签值对应的标签类型包括第一标签类型和第二标签类型，所述第一标签类型表征用户对所述多媒体信息的操作情况，所述第二标签类型表征用户对所述多媒体信息的播放情况。6.一种信息流推荐网络的训练方法，其特征在于，包括：获取样本数据集，所述样本数据集包括多个样本数据，每个样本数据包括至少两个维度的标签值...

【专利技术属性】
技术研发人员：鲁骁，刘璐，张霄，孟二利，王斌，
申请(专利权)人：北京小米松果电子有限公司，
类型：发明
国别省市：