物料推荐方法、装置、设备及计算机存储介质与流程

本技术涉及计算机，尤其涉及一种物料推荐方法、装置、设备及计算机存储介质。

背景技术：

1、在信息流推荐系统中，用户对推荐系统给出的图文、视频的推荐结果会产生一系列的反馈行为，如播放、点赞、转发、评论、点图片、投诉等，这些用户行为背后受用户长期以及短期兴趣的驱动。同时，对于具体的用户行为来说，所体现的用户兴趣的表现程度也不同，例如，用户对图文、视频博文阅读时长越长，则表明用户越喜欢；用户对博文中的点图片、点文本、点赞、转发、评论等多种用户行为背后的博文偏好程度也是不同的。

2、现有的推荐系统，大多采用拆分多种类型的用户行为序列的方式来进行建模。同一用户对同一物料执行的多种用户行为没有被统一处理，使得同一个物料被表达成不同的兴趣，导致推荐系统无法精准预测用户对物料的兴趣偏好，进而无法实现精准推荐。

技术实现思路

1、本技术提供一种物料推荐方法、装置、设备及计算机存储介质，以更精准的表征用户对物料的兴趣偏好。

2、本技术的技术方案是这样实现的：

3、本技术提供一种物料推荐方法，上述方法包括：基于目标用户发送的推荐请求，获取候选物料的物料特征、目标用户的用户特征和多类型行为序列特征；多类型行为序列特征用于表征目标用户对设定时间范围内的多个已曝光物料的多种类型的用户行为；通过多类型行为兴趣模型的共享模块，基于用户特征和物料特征，得到共享特征；共享特征为用户特征和物料特征的融合特征；通过多类型行为兴趣模型的多头目标注意机制模块，基于物料特征和多类型行为序列特征，确定每个任务目标对应的多类型行为兴趣表达特征；多类型行为兴趣表达特征用于表征在相应的任务目标下目标用户对物料的兴趣偏好；通过多类型行为兴趣模型的多层感知机网络，基于每个多类型行为兴趣表达特征和共享特征，得到目标用户对候选物料针对相应的任务目标的预测结果；基于预测结果，向目标用户进行物料推荐。

4、在一些可能的实施方式中，在获取候选物料的物料特征、目标用户的用户特征和多类型行为序列特征之前，方法还包括：响应于目标用户发送的推荐请求，获取候选物料的物料信息、目标用户的用户信息和目标用户在设定时间范围内的历史行为标记；对物料信息进行特征提取处理，得到物料特征；对用户信息进行特征提取处理，得到用户特征；对历史行为标记进行特征提取处理，得到多类型行为序列特征。

5、在一些可能的实施方式中，在获取目标用户在设定时间范围内的历史行为标记之前，方法还包括：在目标用户的行为日志中采集目标用户对设定时间范围内的多个已曝光物料的历史行为信息；对历史行为信息进行编码处理，得到与历史行为信息具有映射关系的二进制数组；对二进制数组进行整数转换处理，得到与二进制数组具有映射关系的历史行为标记，并将历史行为标记存储至图存储数据库。

6、在一些可能的实施方式中，物料信息包括第一物料信息和第二物料信息，第一物料信息用于表征候选物料的物料编码，第二物料信息用于表征候选物料的物料内容；对物料信息进行特征提取处理，得到物料特征，包括：对第一物料信息进行特征提取处理，得到第一物料特征；对第二物料信息进行特征提取处理，得到第二物料特征；将第一物料特征和第二物料特征组成物料特征。

7、在一些可能的实施方式中，通过多类型行为兴趣模型的多头目标注意机制模块，基于物料特征和多类型行为序列特征，确定每个任务目标对应的多类型行为兴趣表达特征，包括：通过多头目标注意机制模块，提取多类型行为兴趣表达特征中与每一个任务目标对应的子多类型行为兴趣表达特征；对每个子多类型行为兴趣表达特征和第一物料特征进行函数映射处理，得到每个任务目标对应的多类型行为兴趣表达特征。

8、在一些可能的实施方式中，通过多类型行为兴趣模型的共享模块，基于用户特征和物料特征，得到共享特征，包括：通过共享模块，对用户特征和第二物料特征进行融合处理，得到共享特征。

9、在一些可能的实施方式中，基于预测结果，向目标用户进行物料推荐，包括：基于候选物料在每个任务目标下的预测结果，对候选物料进行排序；基于排序结果，从候选物料中向目标用户推荐目标物料。

10、在一些可能的实施方式中，在基于预测结果，向目标用户进行物料推荐之后，方法还包括：采集目标用户对新曝光的目标物料的多种类型的用户行为，得到实时用户行为；对实时用户行为进行编码处理和整数转换处理，得到目标用户的实时为标记，并将实时行为标记存储至图存储数据库；基于目标物料的物料信息、目标用户的用户信息和实时行为标记生成训练样本，使用训练样本对多类型行为兴趣模型进行在线训练，调整多类型行为兴趣模型的模型参数，得到更新后的多类型行为兴趣模型。

11、本技术提供一种物料推荐装置，上述装置包括：数据获取模块，用于基于目标用户发送的推荐请求，获取候选物料的物料特征、目标用户的用户特征和多类型行为序列特征；多类型行为序列特征用于表征目标用户对设定时间范围内的多个已曝光物料的多种类型的用户行为；第一数据处理模块，用于通过多类型行为兴趣模型的共享模块，基于用户特征和物料特征，得到共享特征；共享特征为用户特征和物料特征的融合特征；第二数据处理模块，用于通过多类型行为兴趣模型的多头目标注意机制模块，基于物料特征和多类型行为序列特征，确定每个任务目标对应的多类型行为兴趣表达特征；多类型行为兴趣表达特征用于表征在相应的任务目标下目标用户对物料的兴趣偏好；预测模块，用于通过多类型行为兴趣模型的多层感知机网络，基于每个多类型行为兴趣表达特征和共享特征，得到目标用户对候选物料针对相应的任务目标的预测结果；推荐模块，用于基于预测结果，向目标用户进行物料推荐。

12、在一些可能的实施方式中，上述装置还包括：特征提取模块，用于响应于目标用户发送的推荐请求，获取候选物料的物料信息、目标用户的用户信息和目标用户在设定时间范围内的历史行为标记；对物料信息进行特征提取处理，得到物料特征；对用户信息进行特征提取处理，得到用户特征；对历史行为标记进行特征提取处理，得到多类型行为序列特征。

13、在一些可能的实施方式中，上述装置还包括：行为标记生成模块，用于在目标用户的行为日志中采集目标用户对设定时间范围内的多个已曝光物料的历史行为信息；对历史行为信息进行编码处理，得到与历史行为信息具有映射关系的二进制数组；对二进制数组进行整数转换处理，得到与二进制数组具有映射关系的历史行为标记，并将历史行为标记存储至图存储数据库。

14、在一些可能的实施方式中，物料信息包括第一物料信息和第二物料信息，第一物料信息用于表征候选物料的物料编码，第二物料信息用于表征候选物料的物料内容；特征提取模块，用于对第一物料信息进行特征提取处理，得到第一物料特征；对第二物料信息进行特征提取处理，得到第二物料特征；将第一物料特征和第二物料特征组成物料特征。

15、在一些可能的实施方式中，第二数据处理模块，用于通过多头目标注意机制模块，提取多类型行为兴趣表达特征中与每一个任务目标对应的子多类型行为兴趣表达特征；对每个子多类型行为兴趣表达特征和第一物料特征进行函数映射处理，得到每个任务目标对应的多类型行为兴趣表达特征。

16、在一些可能的实施方式中，第一数据处理模块，用于通过共享模块，对用户特征和第二物料特征进行融合处理，得到共享特征。

17、在一些可能的实施方式中，推荐模块，用于基于候选物料在每个任务目标下的预测结果，对候选物料进行排序；基于排序结果，从候选物料中向目标用户推荐目标物料。

18、在一些可能的实施方式中，上述装置还包括：训练模块，用于采集目标用户对新曝光的目标物料的多种类型的用户行为，得到实时用户行为；对实时用户行为进行编码处理和整数转换处理，得到目标用户的实时行为标记，并将实时行为标记存储至图存储数据库；基于目标物料的物料信息、目标用户的用户信息和实时行为标记生成训练样本，使用训练样本对多类型行为兴趣模型进行在线训练，调整多类型行为兴趣模型的模型参数，得到更新后的多类型行为兴趣模型。

19、本技术提供一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于执行存储器中存储的可执行指令时，以实现本技术提供的方法。

20、本技术提供一种计算机存储介质，存储有可执行指令，用于可执行指令被处理器执行时，以实现本技术提供的方法。

21、本技术提供一种计算机程序产品，包括计算机程序或指令，用于计算机程序或指令被处理器执行时，以实现本技术提供的方法。

22、本技术具有以下有益效果：

23、在本技术中，通过多类型行为兴趣模型的多头目标注意机制模块，基于物料特征和多类型行为序列特征，确定每个任务目标对应的多类型行为兴趣表达特征，可以将多种类型的用户行为进行统一处理，从而更精准的表征目标用户对物料的兴趣偏好。

24、进一步地，基于多种类型的用户行为，预测目标用户对候选物料执行多种类型的用户行为，使得预测结果更符合用户对物料的兴趣偏好，实现更精准的物料推荐。

25、进一步地，通过引入编码处理和整数转换处理，得到历史行为标记，可以实现一个标记编码多种类型的用户行为，减小用户行为的多类型数据的分开存储的复杂度，并降低在物料推荐过程中，处理数据的复杂度以及建模的复杂度。

26、进一步地，将编码后的历史行为标记进行统一嵌入向量处理(即特征提取处理)，能建模不同类型的用户行为之间的叠加强化关系以及针对不同任务目标的行为依赖关系。

27、进一步地，基于目标用户对新曝光的目标物料的实时用户行为，在线训练多类型行为兴趣模型，可以更好的表达目标用户的实时兴趣变化。