[发明专利]信息推荐方法、装置、服务器及存储介质

权利要求书

1.一种信息推荐方法，其特征在于，所述方法包括：

获取用户的用户特征和用户隐式表征向量，并获取多条信息中每条信息的信息特征和内容隐式表征向量；

将所述用户特征和所述用户隐式表征向量及每条信息的信息特征和内容隐式表征向量输入到精排模型中，输出每条信息的精排分数，所述精排模型根据当前时间前第一预设时间段生成的多个用户隐式表征向量和多个内容隐式表征向量训练得到，所述多个用户隐式表征向量和所述多个内容隐式表征向量基于增量预训练模型生成，所述增量预训练模型基于第二预设时间段之后至当前时间前第一预设时间段新增的历史数据对全量预训练模型进行迭代训练得到，所述全量预训练模型基于所述第二预设时间段的历史数据训练得到，所述第一预设时间段的时长小于所述第二预设时间段的时长；

基于每条信息的精排分数，从所述多条信息中筛选出目标信息，并将所述目标信息推荐给所述用户。

2.根据权利要求1所述的方法，其特征在于，所述获取用户的用户隐式表征向量，包括：

基于所述用户的用户标识，从指定数据库中获取所述用户的用户隐式表征向量，所述指定数据库用于持久化存储所述多个用户的用户标识与用户隐式表征向量之间的对应关系，且随着所述增量预训练模型的训练进行更新。

3.根据权利要求1所述的方法，其特征在于，所述获取多条信息中每条信息的内容隐式表征向量，包括：

基于每条信息的信息标识，从内存中获取每条信息的内容隐式表征向量，所述内存中存储有所述多条信息的信息标识与内容隐式表征向量之间的对应关系，且随着所述增量预训练模型的训练进行更新。

4.根据权利要求1所述的方法，其特征在于，所述将所述用户特征和所述用户隐式表征向量及每条信息的信息特征和内容隐式表征向量输入到精排模型中，输出每条信息的精排分数之前，还包括：

将所述用户特征和所述用户隐式表征向量分别与每条信息的信息特征和内容隐式表征向量进行拼接，得到每条信息对应的拼接向量；

所述将所述用户特征和所述用户隐式表征向量及每条信息的信息特征和内容隐式表征向量输入到精排模型中，输出每条信息的精排分数，包括：

将每条信息对应的拼接向量输入到所述精排模型中，输出每条信息的精排分数。

5.根据权利要求1所述的方法，其特征在于，所述精排模型的训练过程为：

获取所述多个用户隐式表征向量和所述多个内容隐式表征向量；

计算每个用户隐式表征向量与每个内容隐式表征向量之间的内积，得到多个隐式表征内积；

基于所述多个用户隐式表征向量、所述多个内容隐式表征向量、所述多个隐式表征内积及其他特征，对初始精排模型进行训练，得到所述精排模型，所述其他特征包括多个用户和多条信息的离散特征与连续特征。

6.一种信息推荐装置，其特征在于，所述装置包括：

第一获取模块，用于获取用户的用户特征和用户隐式表征向量，并获取多条信息中每条信息的信息特征和内容隐式表征向量；

输入输出模块，用于将所述用户特征和所述用户隐式表征向量及每条信息的信息特征和内容隐式表征向量输入到精排模型中，输出每条信息的精排分数，所述精排模型根据当前时间前第一预设时间段生成的多个用户隐式表征向量和多个内容隐式表征向量训练得到，所述多个用户隐式表征向量和所述多个内容隐式表征向量基于增量预训练模型生成，所述增量预训练模型基于第二预设时间段之后至当前时间前第一预设时间段每天新增的历史数据对全量预训练模型进行迭代训练得到，所述全量预训练模型基于第二预设时间段的历史数据训练得到，所述第一预设时间段的时长小于所述第二预设时间段的时长；

筛选模块，用于基于每条信息的精排分数，从所述多条信息中筛选出目标信息；

推荐模块，用于将所述目标信息推荐给所述用户。