[发明专利]信息推荐方法、模型训练方法及相关设备

权利要求书

1.一种信息推荐方法，其特征在于，包括：

将对象数据以及用户数据分别进行向量转换，获得所述对象数据对应的第一输入向量集以及所述用户数据对应的第二输入向量集，所述对象数据包括多个对象的对象信息；

将所述第一输入向量集以及第二输入向量集输入到评分模型，获得所述用户数据的第一评分矩阵，所述第一评分矩阵用于表示所述用户数据关联的用户与对象的相关度；

基于所述第一评分矩阵确定所述对象数据中的待推荐对象数据；

其中，所述评分模型包括分层因子分解机网络、双向长短记忆网络和S型函数，所述分层因子分解机网络的输入为所述第二输入向量集，输出为用于表示所述用户数据的第一多维用户向量，所述双向长短记忆网络的输入为所述第一输入向量集，输出为用于表示所述对象信息的第一文本向量，所述S型函数的输入为所述第一多维用户向量和所述第一文本向量，输出为所述第一评分矩阵。

2.根据权利要求1所述的方法，其特征在于，所述用户数据包括M组数据信息，每一组数据信息包括N个数据组，每一个所述数据组包括至少两个第一特征数据，所述第二输入向量集包括对每一所述第一特征数据进行向量转换得到的对应的输入向量；

所述分层因子分解机网络包括第一网络层和第二网络层，所述第一网络层的输入为所述第二输入向量集，所述第一网络层的输出包括基于所述第二输入向量集输出的线性项向量集和N个组合项向量集，每一所述组合项向量集用于表示对对应的数据组内的第一特征数据的输入向量进行组合得到的向量矩阵，所述第二网络层的输入为所述线性项向量集和所述N个组合项向量集，所述第二网络层的输出为基于所述线性项向量集和N个组合项向量集进行组合得到的所述第一多维用户向量。

3.根据权利要求2所述的方法，其特征在于，所述线性项向量集y_F满足：

其中，b_F是线性项的偏置量，w_n表示N个数据组中第n个数据组对应的第一特征数据的权重向量；x_n表示N个数据组中第n个数据组对应的第一特征数据的输入向量；

所述N个组合项向量集满足：

其中，y_n表示第n个数据组对应的组合项向量集，表示第n个数据组的特征组合权重矩阵，表示第n个数据组中第i个第一特征数据的输入向量。

4.根据权利要求3所述的方法，其特征在于，所述第一多维用户向量包括N个用户的对应的K维向量，其中一个用户对应的K维向量u满足：

其中，S^K表示K维的评分矩阵，v_i,k表示第k个组合项向量集对应的矩阵，x_i表示第i个数据组对应的第一特征数据的输入向量。

5.根据权利要求1所述的方法，其特征在于，所述对象数据包括多个第二特征数据，每一所述第二特征数据用于表示一个所述对象信息，所述第一输入向量集包括对每一所述第二特征数据进行转换得到的对应的输入向量；

所述双向长短记忆网络包括嵌入层、循环层和合并层，所述嵌入层的输入为所述第一输入向量集，所述嵌入层的输出为用于表示所述对象信息的第一矩阵；所述循环层的输入为所述第一矩阵，所述循环层的输出为第一目标向量和第二目标向量，所述第一目标向量和所述第二目标向量为所述对象信息按照不同方向挖掘得到的向量表示；所述合并层的输入为所述第一目标向量和所述第二目标向量，所述合并层的输出为所述对象数据的第一文本向量。