[发明专利]一种资讯推荐方法、装置、电子设备及存储介质

权利要求书

1.一种资讯推荐方法，其特征在于，包括：

确定用户最近点击的M个资讯，并将每个资讯的标签向量的算数平均值作为对应的资讯向量；

基于所述M个资讯中每个资讯的资讯向量的相似度召回K个资讯；

确定预设时间段内用户点击的资讯以及最近点击的M1个资讯，确定用户对所述资讯中标签的偏好值；

针对预设时间段内用户点击的资讯，按照偏好值从大到小对资讯中的标签进行排序，并取前N1个标签作为用户长期偏好标签；

针对用户最近点击的M1个资讯，按照偏好值从大到小对资讯中的标签进行排序，取前N2个标签作为用户短期偏好标签；

针对所述用户的每个偏好标签，确定含所述偏好标签的多个新资讯，并从所述多个新资讯中通过上限信息界UCB策略召回N个含所述偏好标签的新资讯；

将召回的每个资讯以及召回的每个资讯的关联特征输入到已训练的数学模型中，得到召回的每个资讯的点击率，并基于所述点击率对召回的所有资讯进行排序；

基于排序结果对用户进行资讯推荐；

其中，关联特征包括：召回的资讯的分别与用户最近点击的M个资讯的资讯向量相似度；召回的资讯的类别点击率/点击数；召回的资讯中标签的点击率/点击数据；以及召回的资讯针对用户的特征数据；

所述数学模型为深度因子分解机DeepFM模型。

2.根据权利要求1所述的方法，其特征在于，所述将每个资讯的标签向量的算数平均值作为对应的资讯向量，包括：

针对每个资讯，确定所述资讯的所有标签中权重值最高的n个标签；

将所述n个标签分别输入到词向量模型中，分别得每个标签向量；

基于得到的每个标签向量计算算数平均值，并将所述算数平均值作为资讯向量。

3.根据权利要求1所述的方法，其特征在于，所述基于所述M个资讯中每个资讯的资讯向量的相似度召回K个资讯，包括：

从所有资讯中去除点击率不满足第一预设条件的资讯，得到剩余资讯；

将所述剩余资讯按照与所述M个资讯中每个资讯的资讯向量相似度分别进行排序，分别取前K1个资讯，并进行汇总得到K个召回的资讯。

4.根据权利要求1所述的方法，其特征在于，在将召回的每个资讯以及召回的每个资讯的关联特征输入到已训练的数学模型中之前，还包括：

从所有资讯中，召回含所述偏好标签，且资讯参数满足第二预设条件的资讯。

5.根据权利要求1所述的方法，其特征在于，所述基于排序结果对用户进行资讯推荐，包括：

将排序后的资讯基于设定限制条件进行重排序，基于重排序结果对用户进行资讯推荐。

6.一种资讯推荐装置，其特征在于，包括：

资讯向量确定模块，用于确定用户最近点击的M个资讯，并将每个资讯的标签向量的算数平均值作为对应的资讯向量；

召回模块，用于基于所述M个资讯中每个资讯的资讯向量的相似度召回K个资讯；

召回模块，还用于在将召回的每个资讯以及召回的每个资讯的关联特征输入到已训练的数学模型中之前，确定预设时间段内用户点击的资讯以及最近点击的M1个资讯，确定用户对所述资讯中标签的偏好值；针对预设时间段内用户点击的资讯，按照偏好值从大到小对资讯中的标签进行排序，并取前N1个标签作为用户长期偏好标签；针对用户最近点击的M1个资讯，按照偏好值从大到小对资讯中的标签进行排序，取前N2个标签作为用户短期偏好标签；针对所述用户的每个偏好标签，确定含所述偏好标签的多个新资讯，并从所述多个新资讯中通过上限信息界UCB策略召回N个含所述偏好标签的新资讯；

点击率确定模块，用于将召回的每个资讯以及召回的每个资讯的关联特征输入到已训练的数学模型中，得到召回的每个资讯的点击率；

推荐模块，用于基于所述点击率对召回的所有资讯进行排序，并基于排序结果对用户进行资讯推荐；

其中，关联特征包括：召回的资讯的分别与用户最近点击的M个资讯的资讯向量相似度；召回的资讯的类别点击率/点击数；召回的资讯中标签的点击率/点击数据；以及召回的资讯针对用户的特征数据；

所述数学模型为深度因子分解机DeepFM模型。