信息推荐方法、装置、电子设备、存储介质及程序产品与流程

本技术涉及计算机，具体涉及一种信息推荐方法、装置、电子设备、存储介质及程序产品。

背景技术：

1、互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时，从中获得对自己真正有用的那部分信息变得越来越困难。这是现代互联网服务中的主要挑战，为了应对这些问题，曾提出过一些有效的解决方案，信息推荐系统就是一种可以帮助用户快速发现有用信息的工具。信息推荐是一种利用计算机技术和算法，根据用户的历史行为和偏好，为用户推荐个性化的信息、内容或产品的技术。虽然信息推荐技术已经取得了很大的进步，但仍然存在一些不足之处。在现有技术中，通常是根据用户的点击行为来表达用户的兴趣，导致推荐结果的准确率较低。

技术实现思路

1、本技术实施例提供一种信息推荐方法、装置、电子设备、存储介质及程序产品，可以有效地提高信息推荐的准确性。

2、本技术实施例提供一种信息推荐方法，包括：

3、获取预设多目标模型的样本数据，所述样本数据包括样本对象对多媒体素材的操作时长和稀疏操作数据；

4、根据所述操作时长确定所述样本对象对所述多媒体素材的交互时长，以及所述交互时长对应的交互时长特征；

5、基于所述交互时长对所述样本对象进行偏好挖掘，得到所述样本对象的浅层偏好特征；

6、对所述样本对象的稀疏操作数据进行特征提取，得到所述样本对象针对所述多媒体素材的稀疏行为特征；

7、利用所述交互时长特征、浅层偏好特征和稀疏行为特征对所述预设多目标模型进行训练，得到多目标模型，以利用所述多目标模型进行信息推荐。

8、相应的，本技术实施例还提供一种信息推荐装置，包括：

9、获取单元，用于获取预设多目标模型的样本数据，所述样本数据包括样本对象对多媒体素材的操作时长和稀疏操作数据；

10、交互时长单元，用于根据所述操作时长确定所述样本对象对所述多媒体素材的交互时长，以及所述交互时长对应的交互时长特征；

11、浅层偏好单元，用于基于所述交互时长对所述样本对象进行偏好挖掘，得到所述样本对象的浅层偏好特征；

12、稀疏行为单元，用于对所述样本对象的稀疏操作数据进行特征提取，得到所述样本对象针对所述多媒体素材的稀疏行为特征；

13、训练单元，用于利用所述交互时长特征、浅层偏好特征和稀疏行为特征对所述预设多目标模型进行训练，得到多目标模型，以利用所述多目标模型进行信息推荐。

14、可选的，在一些实施例中，所述操作时长包括播放时长和停留时长，所述交互时长单元包括计算子单元和处理子单元，如下：

15、计算子单元，具体可以用于根据播放时长和停留时长计算所述样本对象对所述多媒体素材的交互时长；

16、处理子单元，具体可以用于对所述交互时长进行等频分桶处理，得到所述样本对象的交互时长特征。

17、可选的，在一些实施例中，所述多媒体素材包括静态素材和动态素材，所述计算子单元，具体可以用于当所述多媒体素材为静态素材时，对所述播放时长和停留时长进行求和，得到所述样本对象对所述多媒体素材的交互时长；当所述多媒体素材为动态素材，且停留时长小于或等于预设阈值时，利用所述播放时长确定所述样本对象对所述多媒体素材的交互时长；当所述多媒体素材为动态素材，且停留时长大于预设阈值时，对所述播放时长和停留时长进行求和，得到所述样本对象对所述多媒体素材的交互时长。

18、可选的，在一些实施例中，所述处理子单元，具体可以用于将所述交互时长进行正序排列，得到排列后序列；将所述排列后序列划分为预设数量的类别，基于划分结果生成所述样本对象的交互时长特征。

19、可选的，在一些实施例中，所述浅层偏好单元，具体可以用于对所述多媒体素材进行特征提取，得到素材特征；基于所述样本对象对所述多媒体素材的交互时长确定浅层偏好的正样本，生成正样本特征；将所述素材特征和所述正样本特征进行拼接，得到所述样本对象的浅层偏好特征。

20、可选的，在一些实施例中，所述多媒体素材包括图文素材、纯文本素材和视频素材，所述浅层偏好单元，具体可以用于当所述多媒体素材为图文素材时，将所述交互时长大于预设图文阈值的图文素材，确定为浅层偏好的正样本；当所述多媒体素材为纯文本素材时，将所述样本对象进行点击操作的纯文本素材，确定为浅层偏好的正样本；当所述多媒体素材为视频素材时，基于所述交互时长计算所述视频素材的完播率，将所述完播率大于预设视频阈值的视频素材确定为浅层偏好的正样本。

21、可选的，在一些实施例中，所述稀疏操作数据包括多个稀疏行为，所述稀疏行为单元，具体可以用于确定所述样本对象的稀疏操作数据中每个稀疏行为的权重；基于所述稀疏行为的权重和所述稀疏行为，生成所述样本对象针对所述多媒体素材的稀疏行为特征。

22、可选的，在一些实施例中，所述训练单元可以包括训练子单元和推荐子单元，如下：

23、训练子单元，具体可以用于利用所述交互时长特征、浅层偏好特征和稀疏行为特征构建所述预设多目标模型的输出结果；根据所述样本数据和所述输出结果对所述预设多目标模型进行收敛，得到多目标模型。

24、推荐子单元，具体可以用于利用所述多目标模型进行信息推荐。

25、可选的，在一些实施例中，所述训练子单元，具体可以用于对所述样本数据进行特征提取，生成样本对象特征、样本素材特征以及交叉特征，所述交叉特征表征所述样本对象与所述多媒体素材之间的关联程度；利用所述样本对象特征、所述样本素材特征和所述交叉特征构建所述预设多目标模型的输入特征；根据所述输入特征和输出结果对所述预设多目标模型进行收敛，得到多目标模型。

26、可选的，在一些实施例中，所述推荐子单元，具体可以用于利用所述多目标模型对目标对象和待推荐对象进行预测，得到所述多目标模型对应的时长预测值、偏好预测值和稀疏预测值；根据所述时长预测值、偏好预测值和稀疏预测值确定所述待推荐对象中的目标推荐对象，并将所述目标推荐对象推荐给目标对象。

27、可选的，在一些实施例中，所述训练子单元，具体可以用于确定所述时长预测值、偏好预测值和稀疏预测值的权重参数和指数参数；基于所述权重参数和指数参数，将所述时长预测值、偏好预测值和稀疏预测值进行指数线性加权，得到所述待推荐对象的融合分数；基于所述融合分数从所述待推荐对象中确定目标推荐对象。

28、此外，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本技术实施例提供的任一种信息推荐方法中的步骤。

29、此外，本技术实施例还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本技术实施例提供的任一种信息推荐方法中的步骤。

30、根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述信息推荐方面的各种可选实现方式中提供的方法。

31、本实施例可以获取预设多目标模型的样本数据，所述样本数据包括样本对象对多媒体素材的操作时长和稀疏操作数据；然后，根据所述操作时长确定所述样本对象对所述多媒体素材的交互时长，以及所述交互时长对应的交互时长特征；再基于所述交互时长对所述样本对象进行偏好挖掘，得到所述样本对象的浅层偏好特征；接着，对所述样本对象的稀疏操作数据进行特征提取，得到所述样本对象针对所述多媒体素材的稀疏行为特征；再然后，利用所述交互时长特征、浅层偏好特征和稀疏行为特征对所述预设多目标模型进行训练，得到多目标模型，以利用所述多目标模型进行信息推荐。该方案通过设计不同媒体介质交互时长计算公式，并对交互时长进行等频分桶，以及对稀疏目标(点赞、评论、收藏等)进行加权融合，提升信息流推荐效果，增加了信息流推荐素材评价维度。并且在浅层偏好挖掘模块，将常用的点击目标建模升级为浅层偏好建模，根据不同媒体介质，结合数据分布统计制定，重新划分正负样本，考虑到了不同类型媒体介质产生的浅层兴趣标准不一致的问题。在多目标融合打分参数寻优模块，采用指数加权加法融合公式，并通过离线gridsearch方式寻找最优参数，解决了对于目标预估容易此消彼长的问题，大大提升了信息推荐的效率，提高了信息推荐的准确性。