[发明专利]信息推荐方法、装置、电子设备及计算机可读存储介质有效

专利信息
申请号: 202010081763.9 申请日: 2020-02-06
公开(公告)号: CN111310038B 公开(公告)日: 2022-09-02
发明(设计)人: 刘志煌 申请(专利权)人: 腾讯科技(深圳)有限公司
主分类号: G06F16/9535 分类号: G06F16/9535;G06Q30/06
代理公司: 北京市立方律师事务所 11330 代理人: 张筱宁
地址: 518000 广东省深圳*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 信息 推荐 方法 装置 电子设备 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:

获取用户的第一用户特征与至少一个待推荐对象的第一对象特征,并将各所述第一对象特征分别与所述第一用户特征进行拼接,得到各待推荐对象分别对应的目标组合特征;

基于各所述目标组合特征,从各待推荐对象中确定目标对象,并向所述用户推荐所述目标对象的对象信息,所述目标对象是依据各所述目标组合特征分别对应的第二偏好度从所述各待推荐对象中确定出的,所述第二偏好度是基于多个样本组合特征及所述多个样本组合特征分别对应的第一偏好度确定出的;

所述基于各所述目标组合特征,从各待推荐对象中确定目标对象是通过神经网络模型实现的,所述神经网络模型是通过以下方式训练得到的:

获取多个样本用户的第二用户特征以及所述多个样本用户分别对应的至少一个样本对象的第二对象特征,并将各样本对象的第二对象特征分别与各样本对象分别对应的样本用户的第二用户特征拼接,得到多个样本组合特征;

根据所述多个样本用户针对各自对应的每个样本对象的至少一个用户行为,确定所述多个样本组合特征分别对应的第一偏好度;

基于所述多个样本组合特征与所述多个样本组合特征分别对应的第一偏好度,对所述神经网络模型进行训练,直至对应的损失函数收敛,所述损失函数的值表征了模型输出的各样本组合特征的偏好度和各样本组合特征的第一偏好度之间的差异;

所述根据所述多个样本用户针对各自对应的每个样本对象的至少一个用户行为,确定所述多个样本组合特征分别对应的第一偏好度,包括:

对于每一样本用户的每个样本对象,基于客户关系管理RFM模型与预先设定的每个用户行为的行为标签权重,根据每一样本用户针对每个样本对象的至少一个用户行为,确定所述每一样本用户针对所述每个样本对象的样本组合特征的偏好数值;

基于预定划分方式,将多个偏好数值划分为L个第一偏好度,得到多个样本组合特征分别对应的第一偏好度,所述偏好数值的数量大于或等于所述L,所述L为大于1的整数。

2.根据权利要求1所述的方法,其特征在于,在将各所述第一对象特征分别与所述第一用户特征拼接,得到各待推荐对象分别对应的目标组合特征之后,还包括:

对各所述目标组合特征中的第一用户特征和/或第一对象特征进行以下至少一项处理,得到处理后的各目标组合特征:

对缺失的第一用户特征和/或第一对象特征进行舍弃处理;

对满足异常特征判别条件的第一用户特征和/或第一对象特征进行舍弃处理;

对缺失的第一用户特征和/或第一对象特征进行填充处理;

对第一用户特征和/或第一对象特征进行特征衍生处理;

对第一用户特征和/或第一对象特征进行预定的特征变换处理;

基于各所述目标组合特征,通过预定模型从各待推荐对象中确定目标对象,包括:

基于处理后的各目标组合特征,通过预定模型从各待推荐对象中确定目标对象。

3.根据权利要求1所述的方法,其特征在于,基于多个样本组合特征及所述多个样本组合特征分别对应的第一偏好度,确定各所述目标组合特征分别对应的第二偏好度,包括:

针对每一目标组合特征,计算所述每一目标组合特征与所述多个样本组合特征之间的相似度,并基于计算得到的多个相似度和所述多个样本组合特征分别对应的第一偏好度,确定所述每一目标组合特征的第二偏好度。

4.根据权利要求3所述的方法,其特征在于,基于计算得到的多个相似度和所述多个样本组合特征分别对应的第一偏好度,确定所述每一目标组合特征的第二偏好度,包括以下任一项:

从所述多个相似度中确定最大相似度,并确定该最大相似度对应的样本组合特征的第一偏好度为所述每一目标组合特征的第二偏好度;

基于最大的N个相似度分别对应的样本组合特征的第一偏好度,确定所述每一目标组合特征的第二偏好度,所述N为大于1的整数。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于腾讯科技(深圳)有限公司,未经腾讯科技(深圳)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010081763.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top