[发明专利]一种资源推荐方法和装置

说明书

本发明实施例公开了一种资源推荐方法和装置，用于提高向用户推荐资源的效果。本发明实施例提供一种资源推荐方法，包括：获取用户的推荐请求，所述推荐请求包括：所述用户的唯一标识；根据所述用户的唯一标识查询神经网络模型的用户画像参数，输出所述用户的用户画像，所述用户画像参数包括所述神经网络模型根据所述用户的历史行为信息学习到的所述用户的隐层语义兴趣信息；使用所述神经网络模型对资源推荐池中的资源进行向量化处理，得到所述资源对应的资源描述信息；根据所述用户画像与所述资源描述信息之间的匹配度从所述资源推荐池中筛选出与所述用户匹配的资源，并将与所述用户匹配的资源推荐给所述用户。

技术领域

本发明涉及计算机技术领域，尤其涉及一种资源推荐方法和装置。

背景技术

现有技术中可以对用户进行画像刻画，然后基于得到的用户画像进行新闻推荐。在刻画用户画像时，常采用的方法是：基于用户的行为和新闻的属性计算用户对不同属性的偏好，以此向用户推荐新闻，其中，新闻的属性可以包括：分类、主题(topic)、标签(tag)。

现有技术中，主要是基于统计的方法来刻画用户画像，以基于主题的画像计算过程为例，主要分为以下步骤：首先收集用户u的点击历史(d1,d2,…)。然后根据主题模型推断新闻的主题分布。最后计算用户向量，其方法是点击过新闻的主题分布的平均值。

上述现有技术至少存在如下的缺点：1)、存在推荐效果差的问题。现有技术依赖新闻的属性(例如分类、主题、标签)的抽取准确率，如果抽取模型的结果有错误，在用户画像刻画时会累计这些错误，从而造成推荐效果差的问题。而且基于新闻的属性实现的抽取模型进行建模时，没有考虑推荐业务的场景，抽取模型是有偏的，也会进一步导致推荐效果差。2)存在语义偏移的问题。现有技术中基于统计(例如求平均、累加)的方法，容易出现语义偏移的现象，例如用户点击了“百度AI正百米冲刺令国际侧目”和“搜索引擎技术原理与Twitter实时搜索引擎的进化”两篇新闻，则这两篇新闻的主题有较大的差别(一个主题是百度AI、另一个主题是搜索)，但是基于现有技术中的统计方法，刻画出的用户向量和“利用百度搜索热度来做SEO优化”相关的新闻向量是相近的，而显然给用户推荐的这篇新闻并不是与用户匹配的，因此存在语义偏移的问题。

发明内容

本发明实施例提供了一种资源推荐方法和装置，用于提高向用户推荐资源的效果。

本发明实施例提供以下技术方案：

一方面，本发明实施例提供一种资源推荐方法，包括：

获取用户的推荐请求，所述推荐请求包括：所述用户的唯一标识；

根据所述用户的唯一标识查询神经网络模型的用户画像参数，输出所述用户的用户画像，所述用户画像参数包括所述神经网络模型根据所述用户的历史行为信息学习到的所述用户的隐层语义兴趣信息；

使用所述神经网络模型对资源推荐池中的资源进行向量化处理，得到所述资源对应的资源描述信息；

根据所述用户画像与所述资源描述信息之间的匹配度从所述资源推荐池中筛选出与所述用户匹配的资源，并将与所述用户匹配的资源推荐给所述用户。

另一方面，本发明实施例还提供一种资源推荐装置，包括：

请求获取模块，用于获取用户的推荐请求，所述推荐请求包括：所述用户的唯一标识；

画像生成模块，用于根据所述用户的唯一标识查询神经网络模型的用户画像参数，输出所述用户的用户画像，所述用户画像参数包括所述神经网络模型根据所述用户的历史行为信息学习到的所述用户的隐层语义兴趣信息；

向量化处理模块，用于使用所述神经网络模型对资源推荐池中的资源进行向量化处理，得到所述资源对应的资源描述信息；