一种基于多路召回融合的内容智能推荐方法及电子设备与流程
本技术涉及互联网信息处理与人工智能算法推荐,具体涉及一种基于多路召回融合的内容智能推荐方法及电子设备。
背景技术:
1、随着互联网内容的爆炸式增长,各类信息分发平台广泛依赖内容推荐功能来连接受众与信息源。在现有的推荐算法架构中,传统的推荐机制多以终端的浏览日志和使用历史记录为数据依据,通过分析历史偏好向终端受众推荐与之高度相似的同类内容。然而,长期依赖单一维度的历史数据进行特征匹配,容易导致推荐范围日益收窄,进而引发严重的信息茧房效应。这种机制虽然在短期内提升了点击相关性,但从长远来看,缩窄了受众获取信息的广度,降低了系统的整体内容曝光健康度。
2、此外,在复杂的分布式大数据推荐框架中,离线模型的更新高度依赖海量历史数据的长周期计算,整个模型的特征训练与权重迭代通常需要数小时乃至数天的周期。这种长周期的计算模式导致模型难以实时响应配置中心下发的各种突发性运营干预指令。为了弥补这一时间差,现有技术常常在前端业务输出层对已经生成的推荐列表执行逻辑截断或插值操作。这种做法会改变原有模型计算出的分值分布规律,导致最终呈现的内容排序缺乏科学依据,还会由于频繁引发全局缓存重写而造成底层计算节点算力资源的无效消耗。
3、因此,提供一种兼顾推荐信息广度并实现极低时延干预指令响应的内容智能推荐方案是有必要的,以在保障离线全局模型平稳运行的前提下,提升干预动作的执行效率与资源利用率。
技术实现思路
1、本技术提供了一种基于多路召回融合的内容智能推荐方法、电子设备、计算机可读存储介质及计算机程序产品,解决了单一推荐维度导致信息茧房以及长周期离线模型难以实时响应干预指令的技术问题。
2、本技术第一方面提供了一种基于多路召回融合的内容智能推荐方法,包括:获取客户端上报的行为日志并提取字段,更新高频缓存中的已读记录,构建多维画像数据;基于所述多维画像数据并发启动召回作业,通过预设的多种召回模型生成多个候选子集;提取推荐位规则中的权重配置,对所述多个候选子集中具备相同内容标识符的预测分值进行加权累加生成合并列表;将所述合并列表输入逻辑回归模型输出基准预测分数序列,并结合所述已读记录滤除后生成推荐列表;通过旁路特征补偿网关监听干预指令,将所述干预指令转为带有衰减半衰期参数的补偿张量,并计算出动态残差补值;利用内存定位匹配机制将所述动态残差补值局部叠加至所述基准预测分数序列中对应内容的基准预测分数上,触发局部重排。通过多路模型的并发召回机制,能够打破基于单一历史数据推荐所形成的信息茧房,提升内容推荐的覆盖面与多样性。同时,通过引入旁路特征补偿网关并采用局部叠加机制,能够在不干扰底层分布式计算节点重算周期的前提下,实现对推荐分数的实时干预穿透,避免了算力资源的无效损耗。
3、进一步地,所述通过预设的多种召回模型生成多个候选子集,包括:将所述多维画像数据分别输入至基于交替最小二乘法构建的协同过滤模型、兴趣标签模型、时效热点模型、地理位置模型以及内容新鲜度模型中,执行多线程并发处理;提取所述基于交替最小二乘法构建的协同过滤模型、所述兴趣标签模型、所述时效热点模型、所述地理位置模型以及所述内容新鲜度模型输出的中间向量,基于特征相似度比对逻辑分别生成对应各个数据维度的所述候选子集。通过引入五种不同维度的召回模型执行多线程并发处理,能够从协同偏好、固有兴趣、时效趋势和物理位置等侧面立体解构受众特征,从而提高候选子集的信息丰富度。
4、进一步地,所述基于交替最小二乘法构建的协同过滤模型在处理所述多维画像数据时,配置为执行以下操作:初始化用户特征矩阵与物品特征矩阵,将所述行为日志中的隐式反馈数据映射为偏好置信度矩阵;固定所述物品特征矩阵,通过最小化预设的平方误差损失函数对所述用户特征矩阵进行求解更新;固定所述用户特征矩阵,利用更新后的所述用户特征矩阵对所述物品特征矩阵进行逆向求解;循环交替执行上述求解更新过程,直至连续两次迭代对应的全局损失变化率低于预设的收敛阈值,输出协同过滤评分。通过交替固定一侧特征矩阵来求解另一侧特征矩阵的方法,能够有效将非凸优化问题转化为多个可解的二次优化子问题,在处理极其稀疏的隐式反馈数据时,能够显著提升收敛速度并输出稳定的坐标基准。
5、进一步地,所述计算出动态残差补值,包括:获取所述补偿张量中的数值增益以及设定的时间生命周期;获取接收所述干预指令的当前时间戳,与预设的生效起始时间进行作差获取时间差变量;根据所述数值增益、所述衰减半衰期参数以及所述时间差变量,构建自然指数衰减函数映射关系;根据所述自然指数衰减函数映射关系计算输出所述动态残差补值。通过计算时间差并引入衰减半衰期参数构建函数映射关系,能够使得外部干预指令的影响力随时间流逝平滑降权,避免了长期霸榜现象,进而保障了长效推荐列表的自然生态平衡。
6、进一步地,所述根据所述自然指数衰减函数映射关系计算输出所述动态残差补值,配置为执行以下操作:将所述时间差变量除以所述衰减半衰期参数,获取归一化时间比率;以自然常数为底数,计算包含所述归一化时间比率负数的指数结果系数;将所述数值增益与所述指数结果系数进行相乘操作,获取初始衰减增量;提取所述高频缓存中的历史曝光频次数据,构建与所述历史曝光频次数据呈反比关系的降权因子;将所述初始衰减增量与所述降权因子相乘,得到所述动态残差补值。通过归一化操作与自然指数结合,能够量化干预增量的时效性;同时引入与历史曝光频次呈反比的降权因子,可对过度曝光的内容进行惩罚制约,提升长尾优质内容的触达概率。
7、进一步地,所述提取推荐位规则中的权重配置,对所述多个候选子集中具备相同内容标识符的预测分值进行加权累加生成合并列表,包括:解析下发的所述推荐位规则,提取与各类召回模型对应的离散标量权重集合;遍历所述多个候选子集,对具备相同内容标识符的候选对象提取各个模型输出的原始预测分值;将所述原始预测分值与对应的离散标量权重集合进行点乘运算并执行算术求和,构建统一维度的所述合并列表。通过采用离散标量权重对多路召回输出执行点乘求和,能够基于统一配置指令动态调整各维度特征在全局排序中的话语权,实现多业务场景下推荐重心的敏捷切换。
8、进一步地,所述利用内存定位匹配机制将所述动态残差补值局部叠加至所述基准预测分数序列中对应内容的基准预测分数上,触发局部重排,包括:在业务输出层预先分配连续的内存地址块,存储所述基准预测分数序列;提取所述干预指令中的内容标识符,通过哈希寻址算法在所述内存地址块中定位至对应的目标内存偏移量;在所述目标内存偏移量处执行常量加法运算,将所述动态残差补值写入所述基准预测分数序列中对应内容的基准预测分数。通过采用预分配连续内存及哈希寻址定位的方法,将特征补偿过程从全局遍历对比降维至单点内存的常量加法,实现了极低时间复杂度的实时干预,避免了全局重算引发的计算网络拥塞。
9、本技术第二方面提供了一种电子设备,包括存储器和通信连接的处理器;所述存储器存储有计算机程序代码;所述处理器在执行所述计算机程序代码时,实现前述任意一项所述的基于多路召回融合的内容智能推荐方法。
10、本技术第三方面提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时,实现前述任意一项所述的基于多路召回融合的内容智能推荐方法。
11、本技术第四方面提供了一种计算机程序产品,包括计算机可读代码,当所述计算机可读代码在计算设备上运行时,使得所述计算设备执行前述任意一项所述的基于多路召回融合的内容智能推荐方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com