[发明专利]信息推荐模型确定方法、信息推荐方法及装置

权利要求书

1.一种信息推荐模型确定方法，其特征在于，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。

2.根据权利要求1所述的确定方法，其特征在于，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。

3.根据权利要求2所述的确定方法，其特征在于，所述第一神经网络包括：第一子网络以及第二子网络；

则所述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，具体包括：

将所述样本特征向量序列中的第1个至第K-2个样本特征向量正序依次输入至所述第一子网络，得到与所述第1个至第K-2个样本特征向量分别对应的第一中间向量；

将所述样本特征向量序列中的第1个至第K-2个样本特征向量逆序依次输入至所述第二子网络，得到与所述第1个至第K-2个样本特征向量分别对应的第二中间向量；

针对所述第1个至第K-2个样本特征向量中的每个样本特征向量，基于该样本特征向量对应的第一中间向量以及第二中间向量，生成与该样本特征向量对应的样本中间特征向量。

4.根据权利要求2所述的确定方法，其特征在于，所述第二神经网络包括：第三子网络以及第四子网络；

则所述将所述第1个至第K-2个样本特征向量分别对应样本中间特征向量、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，具体包括：

将所述中间状态向量以及所述第K-1个样本特征向量输入至第三子网络，得到与所述第K-1个样本特征向量对应的第三中间向量；

将所述第三中间向量以及所述第1个至第K-2个样本特征向量分别对应样本中间特征向量输入至所述第四子网络，得到与各个所述样本中间特征向量分别对应的权重。

5.一种信息推荐方法，其特征在于，包括：

获取待推送用户针对多个已推送内容的历史行为信息；

基于所述历史行为信息的先后顺序以及至少一个待推送内容，构建与各个待推送内容分别对应的特征向量序列；

针对每个待推送内容，将与该待推送内容对应的特征向量序列输入至信息推荐模型中，得到与该待推送内容对应的相关度；

基于各个待推送内容分别对应的相关度的大小，从多个所述待推送内容中确定至少一个目标推送内容，并将所述目标推送内容推送至所述待推送用户；

其中，所述信息推荐模型基于权利要求1-4任意一项所述的信息推荐模型的确定方法确定。