【技术实现步骤摘要】
本公开涉及人工智能领域，尤其涉及数据处理、智能推荐、深度学习，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
1、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。
2、随着互联网的发展，各类在线服务与应用软件逐渐普及，人们享受信息量增长所带来便利的同时，信息量的爆炸式增长引起了严重的信息过载。推荐系统可以通过对用户历史行为如浏览记录、购买记录等进行分析，推测用户的偏好和需求，并以此为依据为用户推荐合适的项目。
技术实现思路
1、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。
2、根据本公开的一方面，提供了一种信息推荐方法，包括：对于多个消费时间段中的每个消费时间段，获取第一用户在该消费时间段内已消费的信息的第一信息标识；确定每个所述第一信息标识对应的第一特征向量、以及所述第一用户所对应的第一用户标识对应的第二特征向量；确定待推荐信息的第二信息标识所对应的第三特征向量；对于所述每个消费时间段，将该消费时间段内所获取的每个所述第一特征向量输入预设的自注意力层，以获得输出的与该消费时间段
3、根据本公开的另一方面，提供了一种模型训练方法，包括：对于多个消费时间段中的每个消费时间段，获取第一用户在该消费时间段内已消费的信息的第一信息标识；确定每个所述第一信息标识对应的第一特征向量、以及所述第一用户所对应的第一用户标识对应的第二特征向量；确定待推荐信息的第二信息标识所对应的第三特征向量、以及预设的用于确定是否将所述待推荐信息推荐给所述第一用户的标签数据；对于所述每个消费时间段，将该消费时间段内所获取的每个所述第一特征向量输入预设的自注意力层，以获得输出的与该消费时间段对应的第四特征向量；将第一特征向量组合输入神经网络模型以获得预测值，其中，所述预测值用于表示所述第一用户针对所述待推荐信息的感兴趣程度，其中，所述第一特征向量组合包括：第四特征向量、所述第二特征向量和所述第三特征向量；基于所述预测值和所述标签数据，通过预设的损失函数确定损失值；以及基于所述损失值训练所述神经网络模型。
4、根据本公开的另一方面，提供了一种信息推荐装置，包括：第一获取单元，配置为对于多个消费时间段中的每个消费时间段，获取第一用户在该消费时间段内已消费的信息的第一信息标识；第一确定单元，配置为确定每个所述第一信息标识对应的第一特征向量、以及所述第一用户所对应的第一用户标识对应的第二特征向量；第二确定单元，配置为确定待推荐信息的第二信息标识所对应的第三特征向量；第一输入单元，配置为对于所述每个消费时间段，将该消费时间段内所获取的每个所述第一特征向量输入预设的自注意力层，以获得输出的与该消费时间段对应的第四特征向量；第二输入单元，配置为将第一特征向量组合输入预设的神经网络模型以获得输出的预测值，其中，所述预测值用于表示所述第一用户针对所述待推荐信息的感兴趣程度，其中，所述第一特征向量组合包括：所述第四特征向量、所述第二特征向量和所述第三特征向量；以及推荐单元，配置为基于所述预测值确定是否将所述待推荐信息推荐给所述第一用户。
5、根据本公开的另一方面，提供了一种模型训练装置，包括：第二获取单元，配置为对于多个消费时间段中的每个消费时间段，获取第一用户在该消费时间段内已消费的信息的第一信息标识；第三确定单元，配置为确定每个所述信息标识对应的第一特征向量、以及所述第一用户所对应的第一用户标识对应的第二特征向量；第四确定单元，配置为确定待推荐信息的第二信息标识所对应的第三特征向量、以及预设的用于确定是否将所述待推荐信息推荐给所述第一用户的标签数据；第三输入单元，配置为对于所述每个消费时间段，将该消费时间段内所获取的每个所述第一特征向量输入预设的自注意力层，以获得输出的与该消费时间段对应的第四特征向量；第四输入单元，配置为将第一特征向量组合输入神经网络模型以获得预测值，其中，所述预测值用于表示所述第一用户针对所述待推荐信息的感兴趣程度，其中，所述第一特征向量组合包括：第四特征向量、所述第二特征向量和所述第三特征向量；计算单元，配置为基于所述预测值和所述标签数据，通过预设的损失函数确定损失值；以及调节单元，配置为基于所述损失值训练所述神经网络模型。
6、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；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行本公开所述的方法。
7、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，该计算机指令用于使计算机执行本公开所述的方法。
8、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，该计算机程序在被处理器执行时实现本公开所述的方法。
9、根据本公开的一个或多个实施例，通过提取多个消费时间段内的用户消费信息，实现用户历史画像的扩充，并且通过自注意力层实现各个时间段的用户历史画像的特征提取，从而解决了用户长期兴趣遗忘问题、提高了信息推荐精度。
10、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。
本文档来自技高网...【技术保护点】
1.一种信息推荐方法，包括：
2.如权利要求1所述的方法，其中，所述获取第一用户在该消费时间段内已消费的信息的第一信息标识包括：
3.如权利要求1或2所述的方法，其中，所述已消费的信息为所述第一用户感兴趣程度最高的信息，其中，所述感兴趣程度基于以下项中的至少一项确定：
4.如权利要求1所述的方法，其中，所述第一用户标识中包括标记槽位，并且其中，所述方法还包括：
5.如权利要求1或4所述的方法，其中，所述第一特征向量组合还包括：交叉特征向量，其中，所述交叉特征向量基于所述第一用户标识和所述待推荐信息所对应的标签信息确定，其中，所述标签信息基于所述待推荐信息的内容确定。
6.如权利要求1或4所述的方法，其中，所述预设的神经网络模型包括：稠密连接网络输入层、和第一全连接层；
7.如权利要求6所述的方法，其中，所述预设的神经网络模型还包括：门网络、以及第二全连接层；
8.一种模型训练方法，包括：
9.如权利要求8所述的方法，其中，所述获取第一用户在该消费时间段内已消费的信息的第一信息标识包括：
10.如权利要求8或9所述的方法，其中，所述已消费的信息为所述第一用户感兴趣程度最高的信息，其中，所述感兴趣程度基于以下项中的至少一项确定：
11.如权利要求8所述的方法，其中，所述第一用户标识中包括标记槽位，并且其中，所述方法还包括：
12.如权利要求8或11所述的方法，其中，所述第一特征向量组合还包括：交叉特征向量，其中，所述交叉特征向量基于所述第一用户标识和所述待推荐信息所对应的标签信息确定，其中，所述标签信息基于所述待推荐信息的内容确定。
13.如权利要求8或11所述的方法，其中，所述神经网络模型包括：稠密连接网络输入层、和第一全连接层；
14.如权利要求13所述的方法，其中，所述神经网络模型还包括：门网络、以及第二全连接层；
15.如权利要求8-14中任一项所述的方法，其中，基于所述损失值调节所述神经网络模型的参数包括：
16.如权利要求15所述的方法，其中，所述多个消费时间段包括按照消费历史时间确定的：短期消费时间段、中期消费时间段、长期消费时间段，并且其中，所述多个优化器中包括：具有衰减因子的优化器、自动衰减学习率的优化器。
17.如权利要求16所述的方法，其中，所述多个优化器包括：RMSProp优化器、AdaGrad优化器和Adam优化器。
18.如权利要求11所述的方法，其中，
19.如权利要求18所述的方法，其中，所述预设的第二损失函数基于以下公式确定：
20.一种信息推荐装置，包括：
21.一种模型训练装置，包括：
22.一种电子设备，包括：
23.一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根据权利要求1-19中任一项所述的方法。
24.一种计算机程序产品，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权利要求1-19中任一项所述的方法。
...【技术特征摘要】
1.一种信息推荐方法，包括：
2.如权利要求1所述的方法，其中，所述获取第一用户在该消费时间段内已消费的信息的第一信息标识包括：
3.如权利要求1或2所述的方法，其中，所述已消费的信息为所述第一用户感兴趣程度最高的信息，其中，所述感兴趣程度基于以下项中的至少一项确定：
4.如权利要求1所述的方法，其中，所述第一用户标识中包括标记槽位，并且其中，所述方法还包括：
5.如权利要求1或4所述的方法，其中，所述第一特征向量组合还包括：交叉特征向量，其中，所述交叉特征向量基于所述第一用户标识和所述待推荐信息所对应的标签信息确定，其中，所述标签信息基于所述待推荐信息的内容确定。
6.如权利要求1或4所述的方法，其中，所述预设的神经网络模型包括：稠密连接网络输入层、和第一全连接层；
7.如权利要求6所述的方法，其中，所述预设的神经网络模型还包括：门网络、以及第二全连接层；
8.一种模型训练方法，包括：
9.如权利要求8所述的方法，其中，所述获取第一用户在该消费时间段内已消费的信息的第一信息标识包括：对于多个信息类目中的每个信息类目，获取所述第一用户在该消费时间段内、及该信息类目下所述第一的信息标识。
10.如权利要求8或9所述的方法，其中，所述已消费的信息为所述第一用户感兴趣程度最高的信息，其中，所述感兴趣程度基于以下项中的至少一项确定：
11.如权利要求8所述的方法，其中，所述第一用户标识中包括标记槽位，并且其中，所述方法还包括：
12.如权利要求8或11所述的方法，其...
【专利技术属性】
技术研发人员：唐楠，刘晔，张华泉，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。