[发明专利]一种信息推荐方法、装置、设备及计算机可读存储介质

权利要求书

1.一种信息推荐方法，其特征在于，包括：

确定多个目标任务，并获取训练样本；所述训练样本为待推荐样本信息和标注推荐指数的样本对；所述多个目标任务对应多个预设推荐模型；

利用所述多个预设推荐模型中每个预设推荐模型，预测对所述待推荐样本信息执行当前目标任务时的推荐指数，得到第一预测推荐指数；所述当前目标任务为所述多个目标任务中与所述每个预设推荐模型对应的目标任务，所述每个预设推荐模型包括多个预设模型和用于对所述多个预设模型的输出进行一一对应融合的多个第一预设权重，所述多个预设模型用于从不同的方向对所述待推荐样本信息进行推荐指数的预测；

基于所述标注推荐指数和所述第一预测推荐指数，持续训练所述每个预设推荐模型，以调整所述多个第一预设权重，直到满足预设训练截止条件时，得到包括多个目标模型和多个目标权重的推荐模型，从而得到与所述多个目标任务对应的多个推荐模型；所述多个目标模型为对所述多个预设模型持续训练得到的，所述多个目标权重为对所述多个第一预设权重持续调整得到的；

当获取到待推荐信息时，利用所述多个推荐模型对所述待推荐信息进行信息推荐，得到目标推荐结果。

2.根据权利要求1所述的方法，其特征在于，所述基于所述标注推荐指数和所述第一预测推荐指数，持续训练所述每个预设推荐模型，以调整所述多个第一预设权重，直到满足预设训练截止条件时，得到包括多个目标模型和多个目标权重的推荐模型，包括：

从所述标注推荐指数中，确定与所述当前目标任务对应的目标标注推荐指数；

获取所述目标标注推荐指数和所述第一预测推荐指数之间的差异，得到损失函数；

当所述损失函数不满足所述预设训练截止条件时，利用所述损失函数，训练所述每个预设推荐模型，以调整所述多个第一预设权重得到多个第二预设权重；

利用训练后的每个预设推荐模型，预测对所述待推荐样本信息执行所述当前目标任务时的推荐指数，得到第二预测推荐指数；

根据所述目标标注推荐指数和所述第二预测推荐指数，持续训练所述训练后的每个预设推荐模型，以调整所述多个第二预设权重，直到满足所述预设训练截止条件时，得到包括所述多个目标模型和所述多个目标权重的所述推荐模型。

3.根据权利要求1或2所述的方法，其特征在于，所述利用所述多个预设推荐模型中每个预设推荐模型，预测对所述待推荐样本信息执行当前目标任务时的推荐指数，得到第一预测推荐指数，包括：

从所述多个预设推荐模型的所述每个预设推荐模型中，获取所述多个预设模型和所述多个第一预设权重；

利用所述多个预设模型，预测对所述待推荐样本信息执行所述当前目标任务时的初始推荐指数，得到多个推荐集合；

利用所述多个第一预设权重，对所述多个推荐集合进行一一对应融合，得到所述第一预测推荐指数。

4.根据权利要求3所述的方法，其特征在于，所述多个预设模型为逻辑回归模型、因子分解机模型和神经网络模型中的至少两个；

其中，所述逻辑回归模型用于从深度对所述待推荐信息的推荐指数进行预测，所述因子分解机模型用于从效果对所述待推荐信息的推荐指数进行预测，所述神经网络模型用于从广度对所述待推荐信息的推荐指数进行预测。

5.根据权利要求4所述的方法，其特征在于，所述多个预设模型为所述逻辑回归模型、所述因子分解机模型和所述神经网络模型时，所述利用所述多个预设模型，预测对所述待推荐样本信息执行所述当前目标任务时的初始推荐指数，得到多个推荐集合，包括：

利用所述逻辑回归模型，对所述待推荐样本信息以特征组为单元，预测对所述待推荐样本信息执行所述当前目标任务时的初始推荐指数，得到第一推荐集合；

对所述待推荐样本信息进行嵌入向量表示，得到嵌入拼接特征组；

利用所述因子分解机模型，对所述嵌入拼接特征组进行特征交叉处理，以预测对所述待推荐样本信息执行所述当前目标任务时的初始推荐指数，得到第二推荐集合；

利用所述神经网络模型，对所述嵌入拼接特征组进行多维输出处理，以预测对所述待推荐样本信息执行所述当前目标任务时的初始推荐指数，得到第三推荐集合；

将所述第一推荐集合、所述第二推荐集合和所述第三推荐集合，作为所述多个推荐集合。