信息的推薦方法和裝置的制造方法
【技術領域】
[0001] 本發(fā)明涉及互聯(lián)網(wǎng)技術領域，尤其涉及一種信息的推薦方法和裝置。
【背景技術】
[0002] 隨著互聯(lián)網(wǎng)的高速發(fā)展，人們可以通過搜索引擎檢索到所需的資源，從而滿足自 身的需求。為了能夠激發(fā)用戶的需求，向用戶推薦內(nèi)容已成為當前互聯(lián)網(wǎng)產(chǎn)品中一個極為 重要的功能，例如，搜索引擎可在搜索結果頁的左側向用戶展示搜索結果的同時，在搜索結 果頁的右側向用戶推薦更多的內(nèi)容；或者當用戶在新聞網(wǎng)站上瀏覽一篇新聞的時候，新聞 網(wǎng)站也都會通過相關新聞、推薦閱讀的方式向用戶推薦更多的內(nèi)容。
[0003] 目前，向用戶推薦內(nèi)容的方法主要有兩種：第一種方法，直接計算主內(nèi)容（如輸入 的搜索詞、新聞標題等）與推薦內(nèi)容庫中的待推薦條目的相似度，向用戶推薦相似度較高 的內(nèi)容；第二種方法，基于協(xié)同過濾，即向當前用戶推薦與當前用戶的興趣、瀏覽歷史等相 似的其他用戶所瀏覽過的內(nèi)容。
[0004] 但是，第一種方法的缺點在于，向用戶推薦的內(nèi)容與用戶所瀏覽的主內(nèi)容同質化 嚴重（例如，如果用戶瀏覽過"蘋果6"相關的內(nèi)容，則推薦的內(nèi)容均為"蘋果6"相關新聞）， 不利于激發(fā)用戶的更多需求；第二種方法的缺點在于，在產(chǎn)品上線之初，沒有足夠多的用 戶，無法形成協(xié)同過濾的效應，因此無法實現(xiàn)協(xié)同過濾的推薦。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明旨在至少在一定程度上解決相關技術中的技術問題之一。為此，本發(fā)明的 一個目的在于提出一種信息的推薦方法，該方法可以實現(xiàn)向用戶推薦出能夠激發(fā)用戶需求 的推薦內(nèi)容，解決了同質化的問題。
[0006] 本發(fā)明的第二個目的在于提出一種信息的推薦裝置。
[0007] 為達上述目的，根據(jù)本發(fā)明第一方面實施例提出了一種信息的推薦方法，包括：獲 得查詢信息及其對應的待推薦候選內(nèi)容；獲得所述查詢信息和所述待推薦候選內(nèi)容對應的 學習網(wǎng)絡的參數(shù)信息；以及根據(jù)所述參數(shù)信息計算出所述查詢信息與所述待推薦候選內(nèi)容 在預設空間中的相似度，并根據(jù)所述相似度從待推薦候選內(nèi)容中篩選出待推薦內(nèi)容，以用 于向用戶展現(xiàn)所述待推薦內(nèi)容。
[0008] 本發(fā)明實施例的信息的推薦方法，通過獲得查詢信息及其對應的待推薦候選內(nèi) 容，獲得查詢信息和待推薦候選內(nèi)容對應的學習網(wǎng)絡的參數(shù)信息，以及根據(jù)參數(shù)信息計算 出查詢信息與待推薦候選內(nèi)容在預設空間中的相似度，并根據(jù)相似度從待推薦候選內(nèi)容中 篩選出待推薦內(nèi)容，以用于向用戶展現(xiàn)待推薦內(nèi)容，可以實現(xiàn)向用戶推薦出能夠激發(fā)用戶 需求的推薦內(nèi)容，解決了同質化的問題。
[0009] 為達上述目的，根據(jù)本發(fā)明第二方面實施例提出了一種信息的推薦裝置，包括：第 一獲得模塊，用于獲得查詢信息及其對應的待推薦候選內(nèi)容；第二獲得模塊，用于獲得所述 查詢信息和所述待推薦候選內(nèi)容對應的學習網(wǎng)絡的參數(shù)信息；以及篩選模塊，用于根據(jù)所 述參數(shù)信息計算出所述查詢信息與所述待推薦候選內(nèi)容在預設空間中的相似度，并根據(jù)所 述相似度從待推薦候選內(nèi)容中篩選出待推薦內(nèi)容，以用于向用戶展現(xiàn)所述待推薦內(nèi)容。
[0010] 本發(fā)明實施例的信息的推薦裝置，通過獲得查詢信息及其對應的待推薦候選內(nèi) 容，獲得查詢信息和待推薦候選內(nèi)容對應的學習網(wǎng)絡的參數(shù)信息，以及根據(jù)參數(shù)信息計算 出查詢信息與待推薦候選內(nèi)容在預設空間中的相似度，并根據(jù)相似度從待推薦候選內(nèi)容中 篩選出待推薦內(nèi)容，以用于向用戶展現(xiàn)待推薦內(nèi)容，可以實現(xiàn)向用戶推薦出能夠激發(fā)用戶 需求的推薦內(nèi)容，解決了同質化的問題。
[0011] 本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變 得明顯，或通過本發(fā)明的實踐了解到。
【附圖說明】
[0012] 圖1為根據(jù)本發(fā)明一個實施例的信息的推薦方法的流程圖。
[0013] 圖2為根據(jù)本發(fā)明一個實施例的學習網(wǎng)絡示意圖。
[0014] 圖3為根據(jù)本發(fā)明一個實施例的sigmoid函數(shù)曲線效果示意圖。
[0015] 圖4為根據(jù)本發(fā)明一個具體實施例的信息的推薦方法的流程圖。
[0016] 圖5為根據(jù)本發(fā)明一個具體實施例的信息的推薦系統(tǒng)示意圖。
[0017] 圖6為根據(jù)本發(fā)明一個實施例的信息的推薦裝置的結構示意圖。
【具體實施方式】
[0018] 下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終 相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附 圖描述的實施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。
[0019] 下面參考附圖描述本發(fā)明實施例的信息的推薦方法和裝置。
[0020] 圖1為根據(jù)本發(fā)明一個實施例的信息的推薦方法的流程圖。
[0021] 如圖1所示，該信息的推薦方法包括：
[0022] S101，獲得查詢信息及其對應的待推薦候選內(nèi)容。
[0023] 在本發(fā)明的實施例中，可獲得查詢信息及其對應的待推薦候選內(nèi)容。假設查詢信 息為Q，其對應的待推薦候選內(nèi)容可為C，其中，C為C1、C2、C3…Cn的集合。
[0024] S102,獲得查詢信息和待推薦候選內(nèi)容對應的學習網(wǎng)絡的參數(shù)信息。
[0025] 具體地，可根據(jù)查詢信息和待推薦候選內(nèi)容構建對應的學習網(wǎng)絡，然后獲取學習 網(wǎng)絡的訓練樣本，使用訓練樣本通過反向傳播算法、隨機梯度下降法等預設算法獲取參數(shù) 信息。
[0026] 具體地，如圖2所示，假設學習網(wǎng)絡為三層，則獲取參數(shù)信息Wl，W2的步驟可分為 以下三步。
[0027] 第一步：獲取訓練樣本 <T1，Image (Tl)>、<T2, Image (T2)>...〈Tn，Image (Tn)>，其 中，T為文本，Image⑴為對應的圖片。
[0028] 第二步：隨機或者按照預定篩選策略獲取〈〈Tal，Image (Tal)>，〈Tbl，Image ( Tbl)》、
[0029] <<Ta2, Image (Ta2) >, <Tb2, Image (Tb2) >>...
[0030] <<Tam, Image (Tam) >, <Tbm, Image (Tbm) >>,
[0031]計算出圖片相似度〈Tal, Tbl, ImageSim(Image (Tal), Image (Tbl) >、
[0032] <Ta2, Tb2, ImageSim(Image(Ta2)，Image(Tb2)>…
[0033] 〈Tam，Tbm，ImageSim(Image(Tam)，Image(Tbm)>〇 其中， ImageSim (Image (Ta), Image (Tb))表不 Image (Ta)與 Image (Tb)之間的相似度。
[0034] 第三步：通過反向傳播算法（Back Propagation)計算訓練樣本的梯度（參數(shù)信息 W1，W2的偏導數(shù)），通過隨機梯度下降法（S⑶，Stochastic Gradient Descent)迭代更新隨 機初始化過的參數(shù)信息W1，W2。具體地，迭代更新的方法為W1，W2減去預設的學習率，再乘 以計算出的梯度，使得圖片相似度ImageSim(Image(Ta), Image(Tb))與相似度Sim(Ta, Tb) 之間的二乘方誤差最小化。
[0035] 此處，采用擬合圖片相似度ImageSim (Image (Ta), Image (Tb))來計算相似度 Sim(Ta，Tb)，來實現(xiàn)異質化的相似度。影響相似度