本技術涉及機器學習，具體而言，本技術涉及一種信息推薦方法、裝置、電子設備及計算機可讀存儲介質。

背景技術：

1、隨著互聯網規模和信息資源的迅猛增長，信息過載的問題也隨之而來，用戶也很難從中獲取到所需信息。以信息推送為服務模式的信息推薦系統應運而生，信息推薦是指系統向被推薦對象推薦合適但又無法快速獲取的有用信息，使得被推薦對象可以高效獲取所需信息。

2、現有的信息推薦系統可以基于機器學習的方式訓練信息推薦模型，并基于預訓練的信息推薦模型向被推薦對象進行信息推薦；在信息推薦模型的訓練和預測過程中，由于被推薦對象和待推薦信息的特征維度不同，可以將被推薦對象和待推薦信息的特征進行離散化處理得到融合特征，并將該融合特征輸入信息推薦模型，但信息推薦模型往往無法與上述融合特征進行有效適配，使得信息推薦模型無法充分學習到被推薦對象的信息偏好，導致所推薦信息的準確性和針對性不高。

技術實現思路

1、本技術實施例提供了一種信息推薦方法、裝置、電子設備及計算機可讀存儲介質，可以解決信息推薦的準確性和針對性不高的問題。所述技術方案如下：

2、根據本技術實施例的一個方面，提供了一種信息推薦方法，該方法包括：

3、獲取被推薦對象的對象特征和至少兩個待推薦信息的推薦特征；

4、針對每一推薦特征，確定對象特征與推薦特征的相似度；基于對象特征與推薦特征的相似度進行特征編碼，得到相似度對應的編碼信息；確定編碼信息中每一數值的位置信息，基于每一數值的位置信息以及編碼信息，生成對象特征與推薦特征的融合特征；

5、將每一融合特征輸入預訓練的信息推薦模型進行數據預測，得到被推薦對象與每一待推薦信息的匹配度；

6、基于匹配度從待推薦信息中篩選出目標推薦信息，并將目標推薦信息推薦給被推薦對象。

7、在一個可能的實現方式中，上述編碼信息包括二進制編碼；

8、基于每一數值的位置信息以及編碼信息，生成對象特征與推薦特征的融合特征，包括：

9、對二進制編碼的每一位數值的位置信息進行向量轉換，得到每一位數值所對應的位置向量，將各位置向量進行融合，得到融合特征。

10、在一個可能的實現方式中，上述基于對象特征與推薦特征的相似度進行特征編碼，得到相似度對應的編碼信息，包括：

11、基于預設的數值區間調整相似度的取值，得到目標相似度；

12、針對目標相似度進行二進制轉換，確定相似度對應的二進制編碼。

13、在又一個可能的實現方式中，上述對二進制編碼的每一位數值的位置信息進行向量轉換，得到每一位數值所對應的位置向量，將各位置向量進行融合，得到融合特征，包括：

14、針對每一位數值，在預設的向量轉換表中查詢數值對應的位置向量；其中，向量表包括數值的位置信息與位置向量的關聯關系；

15、基于位置向量的維度，將各位置向量按位相加，得到對象特征與推薦特征的融合特征。

16、在又一個可能的實現方式中，上述方法，還包括：

17、獲取被推薦對象的對象信息，對對象信息進行數值編碼，得到被推薦對象的候選對象特征；

18、針對每一待推薦信息，對待推薦信息進行數值編碼，得到待推薦信息的候選推薦特征；將候選推薦特征和候選對象特征進行拼接，得到待推薦信息對應的拼接特征；

19、上述將每一融合特征輸入預訓練的信息推薦模型進行數據預測，得到被推薦對象與每一待推薦信息的匹配度，包括：

20、針對每一待推薦信息，將對應的融合特征和拼接特征輸入預訓練的信息推薦模型進行數據預測，得到被推薦對象與待推薦信息的匹配度。

21、在另一個可能的實現方式中，上述將對應的融合特征和拼接特征輸入預訓練的信息推薦模型進行數據預測，得到被推薦對象與待推薦信息的匹配度，包括：

22、將拼接特征和融合特征進行拼接，得到融合拼接特征；

23、基于信息推薦模型針對融合拼接特征進行數據預測，得到被推薦對象與待推薦信息的匹配度。

24、在另一個可能的實現方式中，上述信息推薦模型是基于如下方式訓練得到的：

25、獲取歷史推薦對象的樣本對象特征，并獲取歷史推薦對象對應的多個歷史推薦信息的樣本推薦特征；

26、獲取歷史推薦信息的訪問記錄，基于訪問記錄生成每一歷史推薦信息與歷史推薦對象的標簽匹配度；

27、針對每一樣本推薦特征，確定樣本對象特征與樣本推薦特征的樣本相似度；基于樣本對象特征與樣本推薦特征的樣本相似度進行特征編碼，得到樣本相似度對應的樣本編碼信息；確定樣本編碼信息中每一數值的樣本位置信息，基于每一數值的樣本位置信息以及樣本編碼信息，生成樣本對象特征與樣本推薦特征的樣本融合特征；

28、將每一樣本融合特征輸入預設的初始模型進行數據預測，得到每一歷史推薦信息與歷史推薦對象的樣本匹配度；

29、基于每一樣本匹配度與對應標簽匹配度對初始模型進行至少一次更新操作，直至滿足預設的更新結束條件，將最后一次更新后的初始模型作為信息推薦模型；

30、其中，更新操作，包括：

31、根據預設的損失函數計算樣本匹配度與對應標簽匹配度的差值；

32、基于差值更新初始模型的參數；

33、其中，更新結束條件，包括：差值不大于預設收斂閾值。

34、根據本技術實施例的另一個方面，提供了一種信息推薦裝置，該裝置包括：

35、獲取模塊，用于獲取被推薦對象的對象特征和至少兩個待推薦信息的推薦特征；

36、融合模塊，用于針對每一推薦特征，確定對象特征與推薦特征的相似度；基于對象特征與推薦特征的相似度進行特征編碼，得到相似度對應的編碼信息；確定編碼信息中每一數值的位置信息，基于每一數值的位置信息以及編碼信息，生成對象特征與推薦特征的融合特征；

37、預測模塊，用于將每一融合特征輸入預訓練的信息推薦模型進行數據預測，得到被推薦對象與每一待推薦信息的匹配度；

38、推薦模塊，用于基于匹配度從待推薦信息中篩選出目標推薦信息，并將目標推薦信息推薦給被推薦對象。

39、在一個可能的實現方式中，上述編碼信息包括二進制編碼；

40、上述融合模塊在基于每一數值的位置信息以及編碼信息，生成對象特征與推薦特征的融合特征時，用于：

41、對二進制編碼的每一位數值的位置信息進行向量轉換，得到每一位數值所對應的位置向量，將各位置向量進行融合，得到融合特征。

42、在一個可能的實現方式中，上述融合模塊在基于對象特征與推薦特征的相似度進行特征編碼，得到相似度對應的編碼信息時，用于：

43、基于預設的數值區間調整相似度的取值，得到目標相似度；

44、針對目標相似度進行二進制轉換，確定相似度對應的二進制編碼。

45、在又一個可能的實現方式中，上述融合模塊在對二進制編碼的每一位數值的位置信息進行向量轉換，得到每一位數值所對應的位置向量，將各位置向量進行融合，得到融合特征時，用于：

46、針對每一位數值，在預設的向量轉換表中查詢數值對應的位置向量；其中，向量表包括數值的位置信息與位置向量的關聯關系；

47、基于位置向量的維度，將各位置向量按位相加，得到對象特征與推薦特征的融合特征。

48、在又一個可能的實現方式中，上述獲取模塊，還用于：

49、獲取被推薦對象的對象信息，對對象信息進行數值編碼，得到被推薦對象的候選對象特征；

50、針對每一待推薦信息，對待推薦信息進行數值編碼，得到待推薦信息的候選推薦特征；將候選推薦特征和候選對象特征進行拼接，得到待推薦信息對應的拼接特征；

51、上述預測模塊在將每一融合特征輸入預訓練的信息推薦模型進行數據預測，得到被推薦對象與每一待推薦信息的匹配度時，用于：

52、針對每一待推薦信息，將對應的融合特征和拼接特征輸入預訓練的信息推薦模型進行數據預測，得到被推薦對象與待推薦信息的匹配度。

53、在另一個可能的實現方式中，上述預測模塊在將對應的融合特征和拼接特征輸入預訓練的信息推薦模型進行數據預測，得到被推薦對象與待推薦信息的匹配度時，用于：

54、將拼接特征和融合特征進行拼接，得到融合拼接特征；

55、基于信息推薦模型針對融合拼接特征進行數據預測，得到被推薦對象與待推薦信息的匹配度。

56、在另一個可能的實現方式中，上述信息推薦模型是基于如下方式訓練得到的：

57、獲取歷史推薦對象的樣本對象特征，并獲取歷史推薦對象對應的多個歷史推薦信息的樣本推薦特征；

58、獲取歷史推薦信息的訪問記錄，基于訪問記錄生成每一歷史推薦信息與歷史推薦對象的標簽匹配度；

59、針對每一樣本推薦特征，確定樣本對象特征與樣本推薦特征的樣本相似度；基于樣本對象特征與樣本推薦特征的樣本相似度進行特征編碼，得到樣本相似度對應的樣本編碼信息；確定樣本編碼信息中每一數值的樣本位置信息，基于每一數值的樣本位置信息以及樣本編碼信息，生成樣本對象特征與樣本推薦特征的樣本融合特征；

60、將每一樣本融合特征輸入預設的初始模型進行數據預測，得到每一歷史推薦信息與歷史推薦對象的樣本匹配度；

61、基于每一樣本匹配度與對應標簽匹配度對初始模型進行至少一次更新操作，直至滿足預設的更新結束條件，將最后一次更新后的初始模型作為信息推薦模型；

62、其中，更新操作，包括：

63、根據預設的損失函數計算樣本匹配度與對應標簽匹配度的差值；

64、基于差值更新初始模型的參數；

65、其中，更新結束條件，包括：差值不大于預設收斂閾值。

66、根據本技術實施例的另一個方面，提供了一種電子設備，該電子設備包括：存儲器、處理器及存儲在存儲器上的計算機程序，上述處理器執行計算機程序以實現本技術實施例第一方面所示方法的步驟。

67、根據本技術實施例的再一個方面，提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現本技術實施例第一方面所示方法的步驟。

68、根據本技術實施例的一個方面，提供了一種計算機程序產品，其包括計算機程序，該計算機程序被處理器執行時實現本技術實施例第一方面所示方法的步驟。

69、本技術實施例提供的技術方案帶來的有益效果是：

70、本技術實施例通過獲取被推薦對象的對象特征和至少兩個待推薦信息的推薦特征，確定對象特征與每一推薦特征的相似度，基于相似度對應的編碼信息，以及編碼信息中每一數值的位置信息生成對象特征與各推薦特征的融合特征；然后將每一融合特征輸入預訓練的信息推薦模型進行數據預測，進而得到被推薦對象與每一待推薦信息的匹配度，以基于匹配度從待推薦信息中篩選出目標推薦信息，并將目標推薦信息推薦給被推薦對象。本技術實施例可以通過對對象特征與每一推薦特征的相似度進行編碼，得到相似度對應的編碼信息，進而根據編碼信息以及編碼信息中每一數值的位置信息進行特征融合，生成對象特征與推薦特征的融合特征，該融合特征能夠有效表征被推薦對象與待推薦信息的關聯關系，并能夠與信息推薦模型進行良好的適配，提升了被推薦對象與待推薦信息的匹配度的精準性。

71、區別于現有技術中將被推薦對象和待推薦信息的特征進行離散化處理得到融合特征，本技術中通過相似度編碼進行特征融合可以保留完整的原始特征信息，可以使信息推薦模型充分學習到被推薦對象的信息偏好，保證了目標推薦信息的準確性和針對性。