[发明专利]信息推荐模型确定方法、信息推荐方法及装置

说明书

本申请提供了一种信息推荐模型确定方法、信息推荐方法及装置，确定方法包括：获取样本用户针对已推送内容的样本行为信息；构建用于表征样本用户行为的样本特征向量序列；将样本特征向量序列中的第1个至第K‑1个样本特征向量输入至编码器得到样本编码向量，从编码器的预设网络层输出的状态向量；确定与第K个样本特征向量对应的预测相关度；基于预测相关度以及第K个样本特征向量的实际相关度训练编码器；基于训练得到的编码器确定信息推荐模型。该过程通过学习不同样本用户做出不同行为的特征，进而基于其历史行为预测其做出某项未来行为的概率，使得信息推荐模型具有更高的准确度，进而能够提高针对目标用户偏好的推送信息的准确度。

技术领域

本申请涉及计算机技术领域，尤其是涉及信息推荐模型确定方法、信息推荐方法及装置。

背景技术

目前的信息推荐方法，在对目标用户进行信息推荐的过程中，通常利用目标用户前几次的历史选择信息，确定待推送的推送信息。并且，目前的信息推荐方法，在很大程度上是基于紧邻的历史选择信息，确定待推送的推送信息。相隔越近的历史选择信息，对确定的推送信息的影响程度越高。

然而，实际应用过程中，紧邻的历史选择信息，反而不会被目标用户作为当前想选择的推送信息，因此，使用目前的信息推荐方法进行信息推荐，确定出的针对目标用户偏好的推送信息准确度较低。

发明内容

有鉴于此，本申请的目的在于提供信息推荐模型确定方法、信息推荐方法及装置，以提高推送满足目标用户偏好的信息的准确度。

第一方面，本申请实施例提供了一种信息推荐模型确定方法，该信息推荐模型确定方法包括：

获取样本用户针对已推送内容的样本行为信息；

基于所述样本行为信息的先后顺序，构建用于表征所述样本用户行为的样本特征向量序列；所述样本特征向量序列中包括K个样本特征向量；

将所述样本特征向量序列中的第1个至第K-1个样本特征向量输入至编码器，得到样本编码向量，以及所述编码器的预设网络层输出的状态向量；

基于所述样本编码向量、所述状态向量以及所述样本特征向量序列中的第K个样本特征向量，确定与所述第K个样本特征向量对应的预测相关度；其中，所述预测相关度用于表征所述样本用户在执行了与第1个至第K-1个样本特征向量对应的行为后，执行与第K个样本特征向量对应的行为的概率；

基于所述预测相关度以及所述第K个样本特征向量的实际相关度，训练所述编码器；

基于训练得到的所述编码器确定所述信息推荐模型。

一种可选实施方式中，所述编码器包括：第一神经网络以及第二神经网络；

则所述将所述样本特征向量序列中的第1个至第K-1个样本特征向量输入至编码器，得到样本编码向量，以及所述编码器的预设网络层输出的状态向量，具体包括：

将所述样本特征向量序列中的第1个至第K-2个样本特征向量输入至第一神经网络，得到与第1个至第K-2个样本特征向量分别对应的样本中间特征向量；以及在将第K-2个样本特征向量序列输入至所述第一神经网络后，从所述第一神经网络的预设网络层得到中间状态向量；

将所述第1个至第K-2个样本特征向量分别对应的样本中间特征向量、所述中间状态向量、以及第K-1个样本特征向量输入至第二神经网络，得到与各个样本中间特征向量分别对应的权重；以及从所述第二神经网络的预设网络层得到所述状态向量；

基于各个所述样本中间特征向量，以及各个所述样本中间特征向量分别对应的权重，得到所述样本编码向量。

一种可选实施方式中，所述第一神经网络包括：第一子网络以及第二子网络；