[发明专利]信息推荐方法、模型训练方法及相关装置

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：

获取预测数据集；所述预测数据集包括多个目标用户各自对应的预测数据，所述预测数据包括预测特征数据和预测标签，所述预测特征数据包括第T周期内所述目标用户的用户特征数据、以及所述第T周期内目标推荐信息的信息特征数据，所述预测标签是根据所述第T周期内所述目标用户对所述目标推荐信息的查看情况确定的；所述T为大于1的整数；

根据所述预测数据集中各所述预测数据包括的所述预测标签，确定所述预测数据集中的正负样本比例，作为预测状态转移概率；

通过感兴趣概率预测模型，根据所述目标用户对应的所述预测数据包括的所述预测特征数据、以及所述预测状态转移概率，确定第T+1周期内所述目标用户对所述目标推荐信息的感兴趣概率；

根据所述第T+1周期内所述目标用户对所述目标推荐信息的感兴趣概率，确定在所述第T+1周期内是否向所述目标用户推荐所述目标推荐信息。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在所述目标用户对应的所述预测数据包括的所述预测特征数据中，确定稀疏特征数据；

通过深度神经网络模型处理所述稀疏特征数据，得到第一目标特征数据；

以及，所述通过感兴趣概率预测模型，根据所述目标用户对应的所述预测数据包括的所述预测特征数据、以及所述预测状态转移概率，确定第T+1周期内所述目标用户对所述目标推荐信息的感兴趣概率，包括：

通过所述感兴趣概率预测模型，根据所述第一目标特征数据、所述预测特征数据中除所述稀疏特征数据外的特征数据、以及所述预测状态转移概率，确定所述第T+1周期内所述目标用户对所述目标推荐信息的感兴趣概率。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在所述目标用户对应的所述预测数据包括的所述预测特征数据中，确定稠密特征数据；

对所述稠密特征数据进行预处理，得到第二目标特征数据；所述预处理包括以下至少一种处理方式：去相关性处理、归一化处理、特征离散化处理；

以及，所述通过感兴趣概率预测模型，根据所述目标用户对应的所述预测数据包括的所述预测特征数据、以及所述预测状态转移概率，确定第T+1周期内所述目标用户对所述目标推荐信息的感兴趣概率，包括：

通过所述感兴趣概率预测模型，根据所述第二目标特征数据、所述预测特征数据中除所述稠密特征数据外的特征数据、以及所述预测状态转移概率，确定所述第T+1周期内所述目标用户对所述目标推荐信息的感兴趣概率。

4.根据权利要求1所述的方法，其特征在于，所述感兴趣概率预测模型是基于训练样本数据集训练得到的；所述训练样本数据集包括多个用户各自对应的训练样本数据，所述训练样本数据包括训练特征数据、第一训练标签和第二训练标签，所述训练特征数据包括第T-1周期内所述用户的用户特征数据、以及所述第T-1周期内推荐信息的信息特征数据，所述第一训练标签是根据所述第T-1周期内所述用户对所述推荐信息的查看情况确定的，所述第二训练标签是根据所述第T周期内所述用户对所述推荐信息的查看情况确定的。

5.根据权利要求1或4所述的方法，其特征在于，所述用户特征数据包括以下至少一种：用于表征个人基本信息的基础属性数据、用于表征用户操作活跃度的活跃属性数据、用于表征用户购买情况的消费属性数据；

所述推荐信息包括以下至少一种：商品信息、商品优惠券。