信息推荐方法、装置、电子设备和介质制造方法及图纸

本公开提供了一种信息推荐方法，涉及人工智能技术领域，尤其涉及推荐系统技术领域。实现方案为：获取平台内用户的行为数据，其中，行为数据包括用户对平台内信息的第一点击行为数据和用户的关注列表，关注列表包括用户所关注的作者；从第一点击行为数据中获取用户针对作者所发布的信息的第二点击行为数据，并基于第一点击行为数据和第二点击行为数据，确定用户与作者之间的第一关联值；基于用户的兴趣领域和作者所在的领域的匹配度，确定用户与作者之间的第二关联值；基于第一关联值和第二关联值，确定用户对作者的兴趣值；以及基于兴趣值，确定是否将作者所发布的信息推荐给用户。确定是否将作者所发布的信息推荐给用户。确定是否将作者所发布的信息推荐给用户。

【技术实现步骤摘要】
信息推荐方法、装置、电子设备和介质


[0001]本公开涉及人工智能
，尤其涉及推荐系统
，具体涉及一种信息推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

技术介绍

[0002]人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术。人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
[0003]随着多媒体信息平台的发展，大量的自媒体作者分享着海量的多媒体信息，如何对用户进行信息的个性化推荐显得日益重要。
[0004]在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

技术实现思路

[0005]本公开提供了一种信息推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
[0006]根据本公开的一方面，提供了一种信息推荐方法，包括：获取平台内用户的行为数据，其中，所述行为数据包括所述用户对所述平台内信息的第一点击行为数据和所述用户的关注列表，并且其中，所述关注列表包括所述用户所关注的作者；从所述第一点击行为数据中获取所述用户针对所述作者所发布的信息的第二点击行为数据，并基于所述第一点击行为数据和所述第二点击行为数据，确定所述用户与所述作者之间的第一关联值；基于所述行为数据，确定所述用户的兴趣领域；基于所述兴趣领域和所述作者所在的领域的匹配度，确定所述用户与所述作者之间的第二关联值；基于所述第一关联值和所述第二关联值，确定所述用户对所述作者的兴趣值；以及基于所述兴趣值，确定是否将所述作者所发布的信息推荐给所述用户。
[0007]根据本公开的另一方面，提供了一种机器学习模型的训练方法，包括：获取样本用户的样本行为数据，其中，所述样本行为数据包括所述样本用户对平台内信息的点击行为数据和所述样本用户的关注列表，并且其中，所述关注列表包括所述样本用户所关注的作者；标记所述样本用户的兴趣真实值，所述兴趣真实值表征所述样本用户对所述作者的感兴趣程度；获取所述作者所在的领域信息；将所述样本行为数据和所述作者所在的领域信息输入机器学习模型，获取所述样本用户的兴趣预测值，其中，所述兴趣预测值指示所述样本用户对所述作者的预测感兴趣程度；基于所述兴趣真实值和所述兴趣预测值，计算损失值；以及基于所述损失值，调整所述机器学习模型的参数。
[0008]根据本公开的另一方面，提供了一种信息推荐装置，包括：第一获取模块，被配置为获取平台内用户的行为数据，其中，所述行为数据包括所述用户对所述平台内信息的第一点击行为数据和所述用户的关注列表，并且其中，所述关注列表包括所述用户所关注的作者；第二获取模块，被配置为从所述第一点击行为数据中获取所述用户针对所述作者所发布的信息的第二点击行为数据，并基于所述第一点击行为数据和所述第二点击行为数据，确定所述用户与所述作者之间的第一关联值；第一确定模块，被配置为基于所述行为数据，确定所述用户的兴趣领域；第二确定模块，被配置为基于所述兴趣领域和所述作者所在的领域的匹配度，确定所述用户与所述作者之间的第二关联值；第三确定模块，被配置为基于所述第一关联值和所述第二关联值，确定所述用户对所述作者的兴趣值；以及第四确定模块，被配置为基于所述兴趣值，确定是否将所述作者所发布的信息推荐给所述用户。
[0009]根据本公开的另一方面，提供了一种机器学习模型的训练装置，包括：第三获取模块，被配置为获取样本用户的样本行为数据，其中，所述样本行为数据包括所述样本用户对平台内信息的点击行为数据和所述样本用户的关注列表，并且其中，所述关注列表包括所述样本用户所关注的作者；标记模块，被配置为标记所述样本用户的兴趣真实值，所述兴趣真实值表征所述样本用户对所述作者的感兴趣程度；第四获取模块，被配置为获取所述作者所在的领域信息；第五获取模块，被配置为将所述样本行为数据和所述作者所在的领域信息输入机器学习模型，获取所述样本用户的兴趣预测值，其中，所述兴趣预测值指示所述样本用户对所述作者的预测感兴趣程度；计算模块，被配置为基于所述兴趣真实值和所述兴趣预测值，计算损失值；以及调整模块，被配置为基于所述损失值，调整所述机器学习模型的参数。
[0010]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一方法。
[0011]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述任一方法。
[0012]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现上述任一方法。
[0013]根据本公开的一个或多个实施例，提供了一种信息推荐的方法，通过用户和已关注作者的领域的匹配程度和用户对已关注的作者所发布的信息的点击行为数据这两方面的数据，确定用户对已关注作者的感兴趣程度，并基于这一感兴趣程度来确定是否对该信息进行推荐。由此，在信息推荐的过程中，将作者对用户的信息消费行为的影响这一因素纳入考虑，可以提升信息推荐的精准率，同时可以增加作者的粉丝阅读量，进而提升了推荐系统的整体点击率。
[0014]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0015]附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起
用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
[0016]图1示出了根据本公开的实施例的信息推荐方法的流程图；
[0017]图2示出了根据本公开的实施例的机器学习模型的训练方法的流程图；
[0018]图3示出了根据本公开的实施例的信息推荐装置的结构框图；
[0019]图4示出了根据本公开的实施例的机器学习模型的训练装置的结构框图；以及
[0020]图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
[0021]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息推荐方法，包括：获取平台内用户的行为数据，其中，所述行为数据包括所述用户对所述平台内信息的第一点击行为数据和所述用户的关注列表，并且其中，所述关注列表包括所述用户所关注的作者；从所述第一点击行为数据中获取所述用户针对所述作者所发布的信息的第二点击行为数据，并基于所述第一点击行为数据和所述第二点击行为数据，确定所述用户与所述作者之间的第一关联值；基于所述行为数据，确定所述用户的兴趣领域；基于所述兴趣领域和所述作者所在的领域的匹配度，确定所述用户与所述作者之间的第二关联值；基于所述第一关联值和所述第二关联值，确定所述用户对所述作者的兴趣值；以及基于所述兴趣值，确定是否将所述作者所发布的信息推荐给所述用户。2.根据权利要求1所述的方法，其中，所述基于所述第一点击行为数据和所述第二点击行为数据，确定所述用户与所述作者之间的第一关联值包括：基于所述第一点击行为数据，确定所述用户在第一时间段内对平台内信息的第一点击率和在第二时间段内对平台内信息的第二点击率，其中，所述第一时间段长于所述第二时间段；基于所述第二点击行为数据，确定所述用户在第一时间段内对所述作者所发布的信息的第三点击率和在第二时间段内对所述作者发布的信息的第四点击率；以及基于所述第三点击率与所述第一点击率的比值以及所述第四点击率与所述第二点击率的比值，确定所述第一关联值。3.根据权利要求1或2所述的方法，其中，基于所述兴趣值，确定是否将所述作者所发布的信息推荐给所述用户包括：基于所述兴趣值，确定所述作者所发布的信息的第一分数，其中，所述第一分数用于指示是否将所述作者所发布的信息推荐给所述用户。4.根据权利要求3所述的方法，其中，基于所述兴趣值，确定所述作者所发布的信息的第一分数包括：获取所述作者所发布的信息的第二分数，其中，所述第二分数是基于所述作者所发布的信息的内容与所述用户的所述行为数据的匹配度得到的；基于所述兴趣值，确定用于对所述第二分数做加权计算的权重值，以确定所述第一分数。5.根据权利要求4所述的方法，其中，基于所述兴趣值，确定所述权重值包括：响应于所述兴趣值大于或等于阈值，基于所述兴趣值确定第一子权重值，其中，所述第一子权重值大于1；或响应于所述兴趣值小于所述阈值，确定第二子权重值，其中，所述第二子权重值等于1。6.一种机器学习模型的训练方法，包括：获取样本用户的样本行为数据，其中，所述样本行为数据包括所述样本用户对平台内信息的点击行为数据和所述样本用户的关注列表，并且其中，所述关注列表包括所述样本用户所关注的作者；
标记所述样本用户的兴趣真实值，所述兴趣真实值表征所述样本用户对所述作者的感兴趣程度；获取所述作者所在的领域信息；将所述样本行为数据和所述作者所在的领域信息输入机器学习模型，获取所述样本用户的兴趣预测值，其中，所述兴趣预测值指示所述样本用户对所述作者的预测感兴趣程度；基于所述兴趣真实值和所述兴趣预测值，计算损失值；以及基于所述损失值，调整所述机器学习模型的参数。7.一种信息推荐装置，包括：第一获取模块，被配置为获取平台内用户的行为数据，其中，所述行为数据包括所述用户对所述平台内信息的第一点击行为数据和所述用户的关注列表，并且其中，所述关注列表包括所述用户所关注的作者；第二获取模块，被配置为从所述第一点击行为数据中获取所述用户针对所述作者所发布的信息的第二点击行为数据，并基于所述第一点击行为数据和所述第二点击行为数据，确定所述用户与所述作者之间的第一...

【专利技术属性】
技术研发人员：孙倩，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：