[发明专利]一种推荐方法、装置、终端设备及存储介质

权利要求书

1.一种推荐方法，其特征在于，包括：

基于用户标识信息，获取对应的待推荐信息集和历史信息集；

从所述待推荐信息集中获取任一待推荐信息作为当前待推荐信息；

将所述当前待推荐信息、所述历史信息集和所述用户标识信息输入推荐系统，确定所述当前推荐信息的推荐概率，继续执行获取当前待推荐信息操作，直至所述待推荐信息集中所有待推荐信息的推荐概率均确定完成；

基于各推荐概率，确定待推荐信息集中各待推荐信息的推荐顺序，并基于所述推荐顺序进行推荐；

其中，各所述推荐概率基于所述历史信息集对应的行为向量确定，所述行为向量为所述推荐系统基于所述历史信息集和所述当前待推荐信息的关联性确定的向量。

2.根据权利要求1所述的方法，其特征在于，所述推荐系统包括行为预测模型和神经协同过滤模型，相应的，所述将所述当前待推荐信息、所述历史信息集和所述用户标识信息输入推荐系统，确定所述当前推荐信息的推荐概率，包括：

将所述当前待推荐信息对应的待推荐向量和所述历史信息集输入行为预测模型，确定所述行为向量，所述待推荐向量为将所述当前待推荐信息向量化后形成的向量；

将所述行为向量、所述当前待推荐信息和所述用户标识信息，输入神经协同过滤模型，确定所述当前推荐信息的推荐概率。

3.根据权利要求2所述的方法，其特征在于，所述行为预测模型，包括第一向量转换模块和关联模块；相应的，所述将所述当前待推荐信息对应的待推荐向量和所述历史信息集输入行为预测模型，确定所述行为向量，包括：

将所述历史信息集输入至第一向量转换模块，确定对应的历史向量，所述历史向量为所述历史信息集中各历史信息转换为向量形式后堆叠形成；

将所述当前待推荐信息对应的待推荐向量和所述历史向量输入至关联模块，确定行为向量。

4.根据权利要求3所述的方法，其特征在于，所述关联模块包括卷积子模块和关联子模块，相应的，所述将所述当前待推荐信息对应的待推荐向量和所述历史向量输入至关联模块，确定行为向量，包括：

采用至少一个卷积核对所述历史向量进行卷积，得到对应的卷积向量；

将所述历史向量输入卷积子模块，得到对应所述历史向量的卷积向量，所述卷积向量的个数为至少一个，不同的卷积向量为采用不同的卷积核对所述历史向量进行卷积确定；

将所述卷积向量和所述待推荐向量输入至关联子模块，确定行为向量。

5.根据权利要求4所述的方法，其特征在于，所述关联子模块，包括：长度调节单元、内积单元和向量生成单元，相应的，所述将所述卷积向量和所述待推荐向量输入至关联子模块，确定行为向量，包括：

在所述卷积向量的个数为一个时，将所述卷积向量和所述待推荐向量输入内积单元，确定所述卷积向量的权重，并将所述卷积向量和所述权重输入至所述向量生成单元，得到行为向量，所述行为向量为所述权重与所述卷积向量的乘积；

在所述卷积向量的个数为至少两个时，将所述卷积向量输入所述长度调节单元，得到调节后的卷积向量，将所述调节后的卷积向量和所述待推荐向量输入所述内积单元，确定所述调节后的卷积向量的权重，将所述调节后的卷积向量和对应的权重输入至所述向量生成单元，得到行为向量，所述行为向量为各所述调节后的卷积向量和对应的权重的加权求和确定的向量。

6.根据权利要求2所述的方法，其特征在于，所述神经协同过滤模型，包括：第二向量转换模块、第三向量转换模块、特征共享模块和概率生成模块；相应的，将所述行为向量、所述当前待推荐信息和所述用户标识信息，输入神经协同过滤模型，确定所述当前推荐信息的推荐概率，包括：

将所述当前待推荐信息输入第二向量转换模块，确定对应的待推荐向量；

将所述用户标识信息输入所述第三向量转换模块，确定对应的用户向量；

将所述行为向量和所述待推荐向量输入至特征共享模块，确定共享后的待推荐向量；

将所述共享后的待推荐向量和所述用户向量输入概率生成模块，确定所述当前待推荐信息的推荐概率。