[发明专利]一种推荐方法、装置、终端设备及存储介质

说明书

本发明公开了一种推荐方法、装置、终端设备及存储介质。方法包括：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；将当前待推荐信息、历史信息集和用户标识信息输入推荐系统，确定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，并基于推荐顺序进行推荐；推荐概率基于历史信息对应的行为向量确定，行为向量为推荐系统基于历史信息集和当前待推荐信息的关联性确定的向量。利用该方法充分的利用了历史信息集所包括的历史信息，提升了推荐的准确度。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种推荐方法、装置、终端设备及存储介质。

背景技术

当前信息爆炸的时代，由于个性化推荐算法能更好的满足用户对于自己感兴趣内容的需求，这些年得到快速的发展和广泛的研究。

目前，基于深度学习的神经协同过滤推荐算法是一个广泛应用在工业界的推荐算法，其利用深度学习的强大拟合效果，用简单的用户的历史信息在海量数据的支撑下，能够挖掘出很多用户潜在的兴趣点。这种方案虽然应用非常广泛，但是，未对用户的历史信息进行有效利用。

发明内容

本发明实施例提供了一种推荐方法、装置、终端设备及存储介质，在进行推荐时有效的利用了用户的历史信息。

第一方面，本发明实施例提供了一种推荐方法，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。

进一步地，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。

进一步地，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。

进一步地，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：

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；