[发明专利]信息推荐方法、装置、设备及计算机可读存储介质

说明书

本申请实施例提供一种信息推荐方法、装置、设备及计算机可读存储介质，其中方法包括：对待推荐信息的第一特征向量和目标对象的第二特征向量分别进行映射处理，对应得到第一降维向量和第二降维向量；采用待嵌入向量，对第一降维向量和第二降维向量分别进行向量嵌入处理，对应得到所述待推荐信息的第一嵌入向量和所述目标对象的第二嵌入向量，待嵌入向量是通过对信息推荐模型进行训练后学习得到的向量；根据第一嵌入向量和第二嵌入向量，确定待推荐信息与目标对象之间的匹配度；当匹配度大于阈值时，将待推荐信息推荐给目标对象。通过本申请实施例，能够降低特征数据和推荐模型参数的存储开销，且不会降低信息推荐模型的性能。

技术领域

本申请实施例涉及互联网技术领域，涉及但不限于一种信息推荐方法、装置、设备及计算机可读存储介质。

背景技术

信息推荐模型中的推荐系统算法，通常是通过用户和物品的嵌入向量之间的点积操作，来计算用户对物品的“评分”或“偏好”，用户与物品的嵌入向量分别是由用户、物品的特征向量通过线性变换或者非线性变换得到。对特征向量做线性变换或非线性变换的过程，隐式地包含了为每一维特征学习一个嵌入向量的操作，这些需要学习的嵌入向量的数量决定了模型参数的大小，因此模型参数的存储开销与特征的维度成正比关系。

而为了追求更高的推荐精度，高维的特征成为了一种常见的设置，但是，高维的特征会给单个服务器的内存带来极大的负载，因此，如何降低用户和物品的特征维度是目前关键要解决的问题。目前，常用的降低特征维度的方法包括：主成分分析（PCA，PrincipalComponent Analysis）和特征选择。

但是，主成分分析法降维后的特征会破坏原始高纬特征的稀疏结构，从而急剧增大特征数据的存储开销；而特征选择则需要额外的监督信息。因此，相关技术中的上述两种降低特征维度的方法，均不能在有效降低特征数据存储开销的同时，保证信息推荐模型的性能。

发明内容

本申请实施例提供一种信息推荐方法、装置、设备及计算机可读存储介质，通过对待推荐信息的第一特征向量和目标对象的第二特征向量分别依次进行映射处理和向量嵌入处理，且在向量嵌入处理时引入待嵌入向量，通过待嵌入向量实现将高维特征映射到低维空间，从而能够降低特征数据的存储开销，且不会明显降低信息推荐模型的性能。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种信息推荐方法，包括：

对待推荐信息和目标对象分别进行特征提取，对应得到具有第一维度的第一特征向量和具有第二维度的第二特征向量；

对所述第一特征向量和所述第二特征向量分别进行映射处理，对应得到具有第三维度的第一降维向量和具有第四维度的第二降维向量；其中，所述第三维度小于所述第一维度，所述第四维度小于所述第二维度；

采用待嵌入向量，对所述第一降维向量和所述第二降维向量分别进行向量嵌入处理，对应得到所述待推荐信息的具有第五维度的第一嵌入向量和所述目标对象的具有第六维度的第二嵌入向量；其中，所述第五维度小于所述第三维度，所述第六维度小于所述第四维度，所述待嵌入向量是通过对信息推荐模型进行训练后学习得到的向量；

根据所述第一嵌入向量和所述第二嵌入向量，确定所述待推荐信息与所述目标对象之间的匹配度；

当所述匹配度大于阈值时，将所述待推荐信息推荐给所述目标对象。

在一些实施例中，所述方法还包括：采用信息推荐模型确定所述待推荐信息与所述目标对象之间的匹配度；其中，所述信息推荐模型中的映射器至少包括向量嵌入层；所述向量嵌入层中的参数至少包括：所述样本推荐信息的第三权重、所述样本对象的第四权重、所述样本推荐信息的第三待嵌入向量、和所述样本对象的第四待嵌入向量；

对应地，根据所述损失结果对所述映射器中的参数进行修正，包括：