[发明专利]一种信息推荐方法、装置、设备及存储介质

说明书

本发明公开了一种信息推荐方法、装置、设备及存储介质。其中，该方法包括：根据定性预测深度学习模型生成物品集合，确定与物品集合中各个物品对应的概率值，根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；根据概率值与预测值对物品集合中的物品进行排序；将排序后物品的信息推荐给用户。通过这样的方式，将定性预测与定量预测相结合，在发挥定性预测的优点，保障推荐内容具有相关性的同时，也能根据定量预测充分考虑用户的兴趣偏好，从而更加准确地向用户推荐其感兴趣的内容。

技术领域

本发明实施例涉及计算机处理技术，尤其涉及一种信息推荐方法、装置、设备及存储介质。

背景技术

在大数据与互联网时代，很多企业为了满足用户的个性化需求，会广泛运用各种推荐算法以主动将产品呈现给用户，因此，各种推荐算法和模型层出不穷。

但在现有的算法中，如谷歌开源的深度学习框架TensorFlow中的神经协同过滤(neural collaborative filter，NCF)模型，只是将用户的行为数据统一转化成0和1，定性预测用户的兴趣偏好；交叉最小二乘法(alternative least squares，ALS)矩阵分解模型等协同过滤模型，无论是进行显性评分(1-5分)，还是隐形评分(点击次数、收听时长等)，这些评分数据都是对于特征的线性拟合，只能定量预测用户的兴趣偏好。

而一般情况下，定性预测用户的兴趣偏好没有考虑到用户真实的兴趣偏好程度，不能准确抓住用户的兴趣重点；定量预测用户的兴趣偏好则会出现一些不相关的推荐内容，影响用户体验。

发明内容

本发明提供一种信息推荐方法、装置、设备及存储介质，能够将定性预测与定量预测相结合，在保障推荐内容具有相关性的同时，充分考虑用户的兴趣偏好，更加准确地向用户推荐其感兴趣的内容。

第一方面，本发明实施例提供了一种信息推荐方法，该方法包括：

根据定性预测深度学习模型生成物品集合；

确定与物品集合中各个物品对应的概率值；

根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；

根据概率值与预测值对物品集合中的物品进行排序；

将排序后物品的信息推荐给用户。

第二方面，本发明实施例还提供了一种信息推荐装置，该装置包括：

生成单元，用于根据定性预测深度学习模型生成物品集合；

确定单元，用于确定与物品集合中各个物品对应的概率值；

生成单元，用于根据定量预测深度学习模型对物品集合进行定量预测，生成与物品集合中各个物品对应的预测值；

排序单元，用于根据概率值与预测值对物品集合中的物品进行排序；

推荐单元，用于将排序后物品的信息推荐给用户。

第三方面，本发明实施例还提供了一种计算机设备，该设备包括：

存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当处理器执行计算机程序时，实现如本发明任意实施例所提供的信息推荐方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当计算机程序被处理器执行时，实现如本发明任意实施例所提供的信息推荐方法。