[发明专利]推荐方法、装置、计算设备及存储介质

说明书

本公开的实施方式提供了一种推荐方法、装置、计算设备及存储介质。该方法包括：获取第一用户的属性特征；将所述第一用户的属性特征输入至交叉重构网络，利用所述交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征；根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分；根据所述媒体信息的得分对所述第一用户进行推荐，通过利用交叉重构网络对第一用户的属性特征进行交叉处理，使得所述属性特征的编码特征，与行为特征的编码特征一样具有预测能力，从而能够实现对于所述第一用户的行为特征的预测，构建出虚拟的行为特征，从而实现对所述第一用户的个性化推荐。

技术领域

本公开的实施方式涉及信息处理技术领域，更具体地，本公开的实施方式涉及一种推荐方法、装置、计算设备及存储介质。

背景技术

本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

随着互联网技术的发展，各种互联网平台存在大量的信息资源，例如，音乐平台可以为用户提供大量的音乐资源，电商平台具有大量的商品资源等等。平台通常通过收集用户的行为数据来分析用户的兴趣偏好，以此为依据来为用户推荐可能感兴趣的资源。

在缺乏用户行为的情况下，平台通常依赖大量的先验规则对用户进行分类，根据用户的分类结果进行推荐，这种方式引入了大量的人工工作，并且会导致热门物品在各种特征的用户中都具有较高的权重，导致整体推荐结果缺乏个性化。

发明内容

有鉴于此，本公开实施例至少提供一种推荐方法、装置、计算设备及存储介质，可以克服繁琐的人工工作，实现对于缺乏行为数据的新用户的个性化推荐。

在本公开实施方式的第一方面中，提供了一种推荐方法，包括：获取第一用户的属性特征，其中，所述第一用户为不存在行为特征的用户；将所述第一用户的属性特征输入至交叉重构网络，利用所述交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征；根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分；根据所述媒体信息的得分对所述第一用户进行推荐。

在本公开的一个实施例中，所述交叉重构网络包括第一自编码器和第二自编码器，所述利用所述交叉重构网络对所述第一用户的属性特征进行交叉处理，得到所述第一用户的行为特征，包括：将所述第一用户的属性特征输入至所述第一自编码器，利用所述第一自编码器对所述属性特征进行编码，得到目标编码特征；利用所述第二自编码器对所述目标编码特征进行解码，得到所述第一用户的行为特征。

在本公开的一个实施例中，所述根据所述第一用户的属性特征、行为特征以及媒体信息的特征，得到所述媒体信息的得分，包括：将所述第一用户的属性特征、行为特征以及媒体信息的特征输入至指数预测网络，得到所述媒体信息的目标指数的预测值，其中，所述指数预测网络包括全连接层，所述目标指数包括以下至少一项：点击率、转化率、点击转化率。

在本公开的一个实施例中，所述根据所述媒体信息的得分对所述第一用户进行推荐，包括：根据待推荐媒体信息集合中各个媒体信息的目标指数的预测值，对各个媒体信息进行排序；根据排序结果对所述媒体信息进行推荐。

在本公开的一个实施例中，所述方法还包括：获取第二用户的属性特征和行为特征，其中，所述第二用户为存在行为特征的用户；利用所述第二用户的属性特征和行为特征对所述交叉重构网络进行训练。