[发明专利]一种信息推荐方法、装置、服务器及存储介质

说明书

本发明实施例公开了一种信息推荐方法、装置、服务器及存储介质。所述方法包括：根据预先确定的当前时间步对应的推荐向量和预先确定的所述当前时间步对应的输出向量，确定下一个时间步对应的推荐向量和所述下一个时间步对应的输出向量；将所述下一个时间步作为所述当前时间步，直到确定出各个时间步对应的推荐向量；根据各个时间步对应的推荐向量确定所述当前用户对应的推荐列表；将所述当前用户对应的推荐列表推荐给所述当前用户。能够综合考虑推荐列表中各个推荐内容的关联关系，从而可以得到最优组合的推荐列表。

技术领域

本发明实施例涉及互联网技术领域，尤其涉及一种信息推荐方法、装置、服务器及存储介质。

背景技术

随着互联网的高速发展，网络中的信息呈数量级增长，如何从海量的信息中向用户推荐符合需求的内容，是互联网内容平台重点关注的方向之一。现有的信息推荐系统，在面对推荐列表的组合问题的时候，一般有采用以下两种信息推荐方法：第一种信息推荐方法完全忽略列表内各个推荐内容的关联关系，通过构造一个打分模型来对每个item进行打分，然后根据打分结果从这些推荐内容中挑选出若干个推荐内容组成一个推荐列表，返回给用户。这些方法包括：协同过滤(Collaborative Filtering)，基于内容的推荐(Content-Based)、混合推荐(Hybrid Recommendation)以及应用深度学习的推荐模型(Wide andDeep)；第二种信息推荐方法是基于用户行为的假设以及推荐列表中部分推荐内容的关联关系，来构造整个排序列表。这些方法包括：基于Submodular的方法，以及基于DPP(Determinant Point Process)的方法等；其中，基于Submodular的方法是基于Submodular函数进行多样性探索，该方法只考虑了推荐列表中部分推荐内容的关联关系。而基于DPP的方法，则是通过Kernel来描述结果之间的多样性，该方法也是只考虑了推荐列表中部分推荐内容的关联关系。

在实现本发明的过程中，发明人发现现有技术中至少存在如下问题：

在现有的第一种信息推荐方法中，没有考虑推荐列表中各个推荐内容的关联关系；在现有的第二种信息推荐方法中，也只考虑了推荐列表中部分推荐内容的关联关系。因此，现有的信息推荐方法对推荐列表中各个推荐内容的组合优化是欠考虑的，无法得到最优组合的推荐列表。

发明内容

有鉴于此，本发明实施例提供一种信息推荐方法、装置、服务器及存储介质，能够综合考虑推荐列表中各个推荐内容的关联关系，从而可以得到最优组合的推荐列表。

第一方面，本发明实施例提供了一种信息推荐方法，所述方法包括：

根据预先确定的当前时间步对应的推荐向量和预先确定的所述当前时间步对应的输出向量，确定下一个时间步对应的推荐向量和所述下一个时间步对应的输出向量；将所述下一个时间步作为所述当前时间步，直到确定出各个时间步对应的推荐向量；

根据各个时间步对应的推荐向量确定所述当前用户对应的推荐列表；

将所述当前用户对应的推荐列表推荐给所述当前用户。

在上述实施例中，所述根据预先确定的当前时间步对应的推荐向量和预先确定的所述当前时间步对应的输出向量，确定所述下一个时间步对应的推荐向量和所述下一个时间步对应的输出向量，包括：

根据所述当前时间步对应的推荐向量和所述当前时间步对应的输出向量，通过政策网络模型计算候选推荐集中各个候选推荐向量被确定为所述下一个时间步对应的推荐向量的概率；

根据所述候选推荐集中各个候选推荐向量被确定为所述下一个时间步对应的推荐向量的概率，通过所述政策网络模型确定所述下一个时间步对应的推荐向量和所述下一个时间步对应的输出向量。