[发明专利]基于深度学习的信息推送方法、装置和计算机设备

权利要求书

1.一种基于深度学习的信息推送方法，其特征在于，包括：

获取候选项目信息，获取用户标识对应的历史行为信息；

提取所述历史行为信息中各个行为类型对应的用户行为序列；

将所述候选项目信息和所述用户行为序列输入至预测模型，提取所述用户行为序列对应的用户行为序列特征和所述候选项目信息的项目特征向量，根据所述用户行为序列特征和所述项目特征向量确定各个候选项目信息的预测值；

根据所述候选项目信息的预测值筛选目标推送信息；

将所述目标推送信息推送至所述用户标识对应的用户终端。

2.根据权利要求1所述的方法，其特征在于，所述提取所述历史行为信息中各个行为类型对应的用户行为序列包括：

识别所述历史行为信息的行为类型；

获取所述行为类型对应的兴趣度；

根据所述兴趣度对所述历史行为信息进行序列特征提取，得到各个行为类型对应的用户行为序列。

3.根据权利要求2所述的方法，其特征在于，所述根据所述兴趣度对所述历史行为信息进行特征提取包括：

提取所述历史行为信息对应的正反馈行为序列和负反馈行为序列；

根据所述兴趣度对所述正反馈行为序列和负反馈行为序列进行序列特征提取。

4.根据权利要求1所述的方法，其特征在于，所述根据所述用户行为序列特征和所述项目特征向量确定各个候选项目信息的预测值包括：

对所述用户行为序列特征进行深度特征提取，得到所述用户行为序列的第一深度特征和第二深度特征；

根据所述第一深度特征和所述第二深度特征对所述用户行为序列进行特征组合，得到多个组合特征信息；

根据目标任务类型对所述组合特征信息分配相应的组合特征权重；

根据所述组合特征信息提取各个项目特征向量对应的兴趣特征向量，根据所述组合特征权重确定各个兴趣特征向量的兴趣特征权重；

根据所述兴趣特征向量和所述兴趣特征权重确定各个候选项目信息的预测值。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一深度特征和所述第二深度特征对所述用户行为序列进行特征组合，得到多个组合特征信息包括：

对所述用户行为序列的第一深度特征和第二深度特征进行深度关联特征提取，得到所述用户行为序列的序列关联特征；

根据所述序列关联特征提取所述用户行为序列的序列语义特征；

根据所述序列关联特征和所述语义特征对多个用户行为序列进行特征组合，得到多个组合特征信息。

6.根据权利要求5所述的方法，其特征在于，所述根据所述序列关联特征和所述语义特征对多个用户行为序列进行特征组合，得到多个组合特征信息包括：

对所述多个用户行为序列特征进行语义映射，得到每个用户行为序列特征的语义特征；

根据所述语义特征将所述多个用户行为序列特征分别映射至多个语义空间集合；

根据所述序列关联特征提取所述语义空间集合中多个用户行为序列特征之间的关联度和差异度，根据所述关联度和差异度对所述语义空间集合中的用户行为序列特征进行特征组合，得到多个组合特征信息。

7.根据权利要求4所述的方法，其特征在于，所述方法还包括：

将兴趣特征向量和兴趣特征权重输入至所述预测模型中各个目标任务类型对应的目标映射层，根据所述目标任务类型利用所述兴趣特征权重对所述兴趣特征向量进行加权求和，得到所述候选项目信息对应所述目标任务类型的预测值；

利用所述预测值生成所述候选项目信息的目标得分，根据所述目标得分从所述候选项目信息中筛选满足预设条件的目标推送信息。