[发明专利]一种基于召回模型和预测模型的信息推荐方法及系统

权利要求书

1.一种基于召回模型和预测模型的信息推荐方法，其特征在于，包括：

用户终端发送获取信息流推荐的请求；

获取用户实时行为序列及历史行为序列；

基于用户历史行为序列利用召回模型得到召回候选集；

对召回候选集的信息进行过滤；

基于用户实时行为序列利用预测模型对过滤后的信息进行预测得到预测得分；

设定信息推荐数量，并根据信息推荐数量结合预测得分选择对应的信息，并将信息合并成信息流发送到用户终端。

2.根据权利要求1所述的一种基于召回模型和预测模型的信息推荐方法，其特征在于，所述基于用户历史行为序列利用召回模型得到召回候选集包括：

基于用户历史行为序列训练召回模型；

利用召回模型训练得到信息的第一embedding向量；

对第一embedding向量进行降维，利用最近邻搜索得到指定信息的topk相似信息序列；

将热门信息召回和最新信息召回加入召回序列得到召回候选集。

3.根据权利要求1所述的一种基于召回模型和预测模型的信息推荐方法，其特征在于，所述对召回候选集的信息进行过滤包括：

所述历史行为序列包括历史点击序列和历史曝光序列，所述实时行为序列包括最新点击序列和最新曝光序列；

将历史曝光序列与最新曝光序列合并，将历史点击序列与最新点击序列合并；

对合并后的曝光序列进行曝光信息的次数统计，得到高于阈值的曝光序列，用于过滤召回候选集中反复曝光但用户仍未点击的信息；

合并后的点击序列用于召回用户可能感兴趣的信息，还用于过滤召回候选集中用户已经点击过的信息。

4.根据权利要求1所述的一种基于召回模型和预测模型的信息推荐方法，其特征在于，所述基于用户实时行为序列利用预测模型对过滤后的信息进行预测得到预测得分包括：

对引入注意力机制的深度学习网络进行学习训练得到预测模型；

预测模型为历史行为序列的各个信息赋予不同的注意力权重；

预测模型基于用户的实时行为序列及注意力权重，对召回的每个待预测信息进行点击率预估，输出预测得分。

5.根据权利要求4所述的一种基于召回模型和预测模型的信息推荐方法，其特征在于，所述对引入注意力机制的深度学习网络进行学习训练得到预测模型包括：

获取用户特征与带预测的信息特征；

将用户特征与带预测的信息特征进行外积处理后进行拼接处理，得到注意力因子：

其中，Vi表示的是行为i的item嵌入向量；Vu表示所有行为的加权和，表示的是用户兴趣；Va表示当前召回候选集中的信息；N表示行为item数量，w_i表示行为过item与待预测item的权重，g表示内积操作。

6.一种基于召回模型和预测模型的信息推荐系统，其特征在于，包括：

用户终端，用于发送获取信息流推荐的请求；

数据获取模块，用于获取用户实时行为序列及历史行为序列；

召回接口模块，用于基于用户历史行为序列利用召回模型得到召回候选集；

过滤模块，用于对召回候选集的信息进行过滤；

预测接口模块，用于基于用户实时行为序列利用预测模型对过滤后的信息进行预测得到预测得分；

信息推送模块，用于设定信息推荐数量，并根据信息推荐数量结合预测得分选择对应的信息，并将信息合并成信息流发送到用户终端。

7.根据权利要求6所述的一种基于召回模型和预测模型的信息推荐系统，其特征在于，所述基于用户历史行为序列利用召回模型得到召回候选集包括：

基于用户历史行为序列训练召回模型；

利用召回模型训练得到信息的第一embedding向量；

对第一embedding向量进行降维，利用最近邻搜索得到指定信息的topk相似信息序列；

将热门信息召回和最新信息召回加入召回序列得到召回候选集。