[发明专利]信息推荐方法及装置

权利要求书

1.一种信息推荐方法，其特征在于，包括：

获取用户的历史信息序列以及推荐信息集合；

针对所述推荐信息集合中的任意一个推荐信息、以及所述历史信息序列中任意一个历史信息，执行以下处理：

获取所述推荐信息的特征；

将所述推荐信息的特征与所述历史信息的特征进行对位相减处理，得到对应的差值特征；

将所述推荐信息的特征、所述历史信息的特征以及对应的差值特征进行拼接处理，得到对应所述历史信息的拼接特征；

对所述历史信息的拼接特征进行全连接处理，得到所述历史信息对应所述推荐信息的相关因子；

确定所述历史信息序列对应所述推荐信息集合中每个推荐信息的相关因子；

确定所述历史信息序列中每个历史信息的特征；

针对所述推荐信息集合中的每个推荐信息执行以下处理：

以所述历史信息对应所述推荐信息的相关因子为权重，对多个所述历史信息的特征进行加权处理，得到表征所述用户针对所述推荐信息的行为特征；

对所述每个推荐信息的行为特征进行多次迭代地特征提取处理，并基于所述每个推荐信息的特征提取结果，确定所述每个推荐信息的点击率；

基于所述每个推荐信息的点击率执行推荐操作。

2.根据权利要求1所述的方法，其特征在于，所述对所述每个推荐信息的行为特征进行多次迭代地特征提取处理，包括：

确定所述用户的数据特征、所述用户的推荐环境特征、所述推荐信息集合中每个推荐信息的特征；

将所述行为特征、所述数据特征、所述推荐环境特征以及所述推荐信息的特征进行拼接处理；

对拼接处理结果进行迭代地特征提取处理。

3.根据权利要求2所述的方法，其特征在于，所述对拼接处理结果进行迭代地特征提取处理，包括：

通过N个级联的神经网络模型中的第n神经网络模型，对所述第n神经网络模型的输入进行特征提取处理，并

将所述第n神经网络模型输出的第n特征提取结果传输到第n+1神经网络模型以继续进行特征提取处理；

其中，n为取值从1开始递增的整数，且n的取值范围满足1≤n≤N-1，N为大于或等于2的整数；当n取值为1时，所述第n神经网络模型的输入为所述拼接处理结果，当n取值为2≤n≤N-1时，所述第n神经网络模型的输入为第n-1神经网络模型的特征提取结果。

4.根据权利要求3所述的方法，其特征在于，

当n取值为1≤n≤N-1时，所述第n神经网络模型包括一维卷积层、以及最大池化层，所述通过N个级联的神经网络模型中的第n神经网络模型，对所述第n神经网络模型的输入进行特征提取处理，包括：

将所述第n神经网络的输入与所述第n神经网络模型的一维卷积层的一维卷积层参数进行卷积处理，得到对应所述拼接处理结果的第n卷积层处理结果；

通过所述第n神经网络模型的最大池化层对所述第n卷积层处理结果进行最大池化处理，得到所述第n神经网络模型输出的第n特征提取结果；

当n的取值为N-1时，所述第n+1神经网络模型包括所述一维卷积层、折叠层以及所述最大池化层，所述将所述第n神经网络模型输出的第n特征提取结果传输到第n+1神经网络模型以继续进行特征提取处理，包括：

将所述第n特征提取结果与所述第n+1神经网络模型的一维卷积层的一维卷积层参数进行卷积处理，得到对应所述第n特征提取结果的第n+1卷积层处理结果；

通过所述折叠层对所述第n+1卷积层处理结果中相邻维度的卷积特征值进行两两对位相加处理，得到折叠处理结果；

通过所述第n+1神经网络模型的最大池化层对所述折叠处理结果进行最大池化处理，得到所述第n+1神经网络模型输出的第n+1特征提取结果。

5.根据权利要求4所述的方法，其特征在于，

所述将所述第n神经网络的输入与所述第n神经网络模型的一维卷积层的一维卷积层参数进行卷积处理，得到对应所述拼接处理结果的第n卷积层处理结果，包括：

将所述第n神经网络的输入的每个维度的特征值与所述一维卷积层参数进行卷积处理，得到每个维度的卷积特征值；

将所述每个维度的卷积特征值进行拼接处理，得到基于所述一维卷积层参数的第n卷积层处理结果。