一种信息推荐方法、装置、设备及存储介质制造方法及图纸

本申请实施例提供了一种信息推荐方法、装置、设备及存储介质，涉及人工智能技术领域，该方法包括：基于历史用户物料交互信息训练获得深度语义召回模型和深度语义排序模型；通过深度语义召回模型召回用户标识对应的多个候选物料，通过深度语义排序模型确定多个候选物料以及其他路的召回物料的偏好分值并排序，进而推荐物料，消除对运营经验的依赖，增强推荐效果。训练使深度语义召回模型学习对用户物料交互信息进行文本语义表示，故召回物料时更关注物料的字面语义，从而提升召回的物料。使深度语义排序模型学习对用户物料交互信息进行行为语义表示，故对各召回物料进行偏好打分与排序时，更关注物料反馈层面的用户行为信息，以提升用户点击率。提升用户点击率。提升用户点击率。

【技术实现步骤摘要】
一种信息推荐方法、装置、设备及存储介质


[0001]本申请实施例涉及人工智能
，尤其涉及一种信息推荐方法、装置、设备及存储介质。

技术介绍

[0002]在长期的轮播图运营中，为了提高轮播图的点击转化率，相关技术基于轮播图推荐运营的历史经验总结，对轮播图进行推荐。具体地，人工基于优选/活动/优惠/热门等维度，选取推荐物料进行推荐。
[0003]然而，上述方法推荐效果依赖人工的运营经验，而运营经验非常依赖物料爆款和头部效应；若爆款少，交互评价不足，将导致推荐效果不佳。

技术实现思路

[0004]本申请实施例提供了一种信息推荐方法、装置、设备及存储介质，用于提高物料推荐的效率和准确性。
[0005]一方面，本申请实施例提供了一种信息推荐方法，该方法包括：
[0006]接收业务系统发送的携带用户标识的信息推荐请求；
[0007]通过深度语义召回模型，召回所述用户标识对应的多个候选物料；
[0008]通过深度语义排序模型，确定所述多个候选物料以及与所述用户标识关联的其他路的召回物料各自的偏好分值，所述深度语义召回模型和所述深度语义排序模型是基于历史用户物料交互信息训练获得的；
[0009]基于获得的偏好分值，从所述多个候选物料和其他路的召回物料中确定至少一个推荐物料。
[0010]一方面，本申请实施例提供了一种信息推荐装置，该装置包括：
[0011]接收模块，用于接收业务系统发送的携带用户标识的信息推荐请求；
[0012]召回模块，用于通过深度语义召回模型，召回所述用户标识对应的多个候选物料；
[0013]排序模块，用于通过深度语义排序模型，确定所述多个候选物料以及与所述用户标识关联的其他路的召回物料各自的偏好分值，所述深度语义召回模型和所述深度语义排序模型是基于历史用户物料交互信息训练获得的；
[0014]推荐模块，用于基于获得的偏好分值，从所述多个候选物料和其他路的召回物料中确定至少一个推荐物料。
[0015]可选地，所述召回模块还用于：
[0016]通过深度语义排序模型，确定所述多个候选物料以及与所述用户标识关联的其他路的召回物料各自的偏好分值之前，分别基于时效性策略、热度策略和相关性策略进行物料召回，获得与所述用户标识关联的其他路的召回物料。
[0017]可选地，所述排序模块具体用于：
[0018]基于获得的偏好分值，对所述多个候选物料和其他路的召回物料进行排序，获得
第一排序结果；
[0019]基于预设的业务策略，对所述第一排序结果重排序，获得第二排序结果；
[0020]基于所述第二排序结果，从所述多个候选物料和其他路的召回物料中选取至少一个推荐物料。
[0021]可选地，所述排序模块具体用于：
[0022]基于获得的偏好分值，对所述多个候选物料和其他路的召回物料进行排序，获得第一排序结果；
[0023]基于所述第一排序结果，从所述多个候选物料和其他路的召回物料中选取至少一个推荐物料。
[0024]可选地，所述推荐模块还用于：
[0025]基于获得的偏好分值，从所述多个候选物料和其他路的召回物料中确定至少一个推荐物料之后，将所述至少一个推荐物料对应的物料标识列表发送至所述业务系统，以使所述业务系统基于所述物料标识列表从物料系统中获取相应的物料详情信息，并将获得的物料详情信息发送至终端设备进行展示。
[0026]可选地，所述历史用户物料交互信息包括：用户历史交互的多个物料的属性信息，和/或，用户与物料交互的多个历史行为信息。
[0027]可选地，所述文本语义表示包括：用户隐语义表示和物料隐语义表示；所述行为语义表示包括：用户偏好隐语义表示和物料兴趣点隐语义表示。
[0028]一方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述信息推荐方法的步骤。
[0029]一方面，本申请实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行上述信息推荐方法的步骤。
[0030]本申请实施例中，预先基于历史用户物料交互信息训练获得深度语义召回模型和深度语义排序模型；接收业务系统发送的携带用户标识的信息推荐请求，通过深度语义召回模型自动召回用户标识对应的多个候选物料，通过深度语义排序模型自动确定多个候选物料以及与用户标识关联的其他路的召回物料各自的偏好分值并排序，然后基于排序结果推荐物料，消除了对运营经验的依赖，增强了推荐效果。
[0031]在训练深度语义召回模型的过程中，使深度语义召回模型学习对历史用户物料交互信息进行文本语义表示，故采用深度语义召回模型召回物料时，更关注物料自身的字面语义，从而使得候选物料可以在字面语义上进行更好的扩充，能提升召回的物料。在训练深度语义排序模型的过程中，使深度语义排序模型学习对历史用户物料交互信息进行行为语义表示，故采用深度语义排序模型对各召回物料进行偏好打分与排序时，更关注物料反馈层面的用户行为信息，可以更好地提升用户点击率，本申请中两种语义表示分别作用在不同的阶段，能形成互补，消除了对运营经验的依赖，增强了推荐效果，并达到千人千面的推荐效果。
附图说明
[0032]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本申请实施例提供的一种系统架构的结构示意图；
[0034]图2A为本申请实施例提供的一种推荐策略架构的示意图；
[0035]图2B为本申请实施例提供的一种系统架构的结构示意图；
[0036]图3为本申请实施例提供的一种信息推荐方法的流程示意图；
[0037]图4为本申请实施例提供的一种深度语义召回模型的网络架构示意图；
[0038]图5为本申请实施例提供的一种深度语义排序模型的网络架构示意图；
[0039]图6为本申请实施例提供的一种信息推荐装置的结构示意图；
[0040]图7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
[0041]为了使本专利技术的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术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仅用以解释本专利技术，并不用于限定本专利技术。
[0042]为了方便理解，下面对本专利技术实施例中涉及的名词进行解释。
[0043]ANN：Approximate Nearest Neighbor，近似近邻，指一组向量库中，与查询向量相近的K个向量。
[0044]TDM：Tree
‑
based Dee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，其特征在于，包括：接收业务系统发送的携带用户标识的信息推荐请求；通过深度语义召回模型，召回所述用户标识对应的多个候选物料；通过深度语义排序模型，确定所述多个候选物料以及与所述用户标识关联的其他路的召回物料各自的偏好分值，所述深度语义召回模型和所述深度语义排序模型是基于历史用户物料交互信息训练获得的；基于获得的偏好分值，从所述多个候选物料和其他路的召回物料中确定至少一个推荐物料。2.如权利要求1所述的方法，其特征在于，所述通过深度语义排序模型，确定所述多个候选物料以及与所述用户标识关联的其他路的召回物料各自的偏好分值之前，还包括：分别基于时效性策略、热度策略和相关性策略进行物料召回，获得与所述用户标识关联的其他路的召回物料。3.如权利要求1所述的方法，其特征在于，所述基于获得的偏好分值，从所述多个候选物料和其他路的召回物料中确定至少一个推荐物料，包括：基于获得的偏好分值，对所述多个候选物料和其他路的召回物料进行排序，获得第一排序结果；基于预设的业务策略，对所述第一排序结果重排序，获得第二排序结果；基于所述第二排序结果，从所述多个候选物料和其他路的召回物料中选取至少一个推荐物料。4.如权利要求1所述的方法，其特征在于，所述基于获得的偏好分值，从所述多个候选物料和其他路的召回物料中确定至少一个推荐物料，包括：基于获得的偏好分值，对所述多个候选物料和其他路的召回物料进行排序，获得第一排序结果；基于所述第一排序结果，从所述多个候选物料和其他路的召回物料中选取至少一个推荐物料。5.如权利要求1所述的方法，其特征在于，所述基于获得的偏好分值，从所述多个候选物料和其他路的召回物料中确定至少一个推荐物料之后，还包括：将所述至少一个推荐物料对应的物料标识列表发送至所述业务系统，以...

【专利技术属性】
技术研发人员：董子玥，朱云高，陈卓，袁静，韩楠，徐鑫源，曹晓雯，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：