信息推荐方法及装置与流程

1.本技术属于信息处理技术领域，具体涉及一种信息推荐方法及装置。


背景技术：

2.随着互联网的发展，人们已进入信息爆炸的时代，其中，个性化信息推荐已逐渐成为互联网的一个重要领域。在向用户推荐信息的过程中，如何从海量信息中挑选出用户感兴趣的内容成为亟待解决的问题。
3.现有技术中，为了提高信息推荐的多样性，采用的信息推荐方式主要是基于某个特定的规则来筛选和排列推荐信息，例如强制限定不能连续推荐两个同类型的信息，从而防止在同一次信息推荐中推荐的全是相似的信息。但是，这种偏规则的信息推荐方式，无法在保证信息多样性的同时兼顾用户兴趣，导致信息推荐成功率较低。


技术实现要素：

4.本技术实施例的目的是提供一种信息推荐方法及装置，能够解决现有的信息推荐方式无法在保证信息多样性的同时兼顾用户兴趣，导致信息推荐成功率较低的问题。
5.第一方面，本技术实施例提供了一种信息推荐方法，该方法包括：
6.获取与用户关联的m个信息；其中，所述m个信息中的信息排列顺序为第一顺序；
7.确定所述m个信息中任意两个信息之间的相似度值以及每个信息对应的点击率预测值；
8.根据所述相似度值和所述点击率预测值，对所述m个信息重新进行排列，得到按照第二顺序排列的m个信息；
9.按照所述第二顺序向所述用户推荐所述m个信息；
10.其中，m为正整数，且m≥2。
11.第二方面，本技术实施例提供了一种信息推荐装置，该装置包括：
12.获取模块，用于获取与用户关联的m个信息；其中，所述m个信息中的信息排列顺序为第一顺序；
13.确定模块，用于确定所述m个信息中任意两个信息之间的相似度值以及每个信息对应的点击率预测值；
14.重排模块，用于根据所述相似度值和所述点击率预测值，对所述m个信息重新进行排列，得到按照第二顺序排列的m个信息；
15.推荐模块，用于按照所述第二顺序向所述用户推荐所述m个信息；
16.其中，m为正整数，且m≥2。
17.第三方面，本技术实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
18.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程
序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
19.第五方面，本技术实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
20.在本技术实施例中，通过确定备选的m个信息中任意两个信息之间的相似度值，以及每个信息对应的点击率预测值，综合考虑该相似度值以及用户点击率预测值，对m个信息进行重新排列，由于点击率预测值能够体现用户兴趣倾向，因此，使得重新排列后的信息既能够在用户观看顺序上保证信息的多样性，也能够迎合用户的兴趣，从而实现在保证信息多样性的同时兼顾用户兴趣，提高信息推荐成功率。
附图说明
21.图1是根据一示例性实施例示出的信息推荐架构的示意图；
22.图2是根据一示例性实施例示出的一种信息推荐方法的流程图之一；
23.图3是根据一示例性实施例示出的一种信息推荐方法的流程图之二；
24.图4是根据一示例性实施例示出的一种信息推荐装置的结构框图；
25.图5是根据一示例性实施例示出的一种电子设备的结构框图；
26.图6为实现本技术实施例的一种电子设备的硬件结构示意图。
具体实施方式
27.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本技术保护的范围。
28.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
29.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的信息推荐方法、装置、电子设备和存储介质进行详细地说明。
30.本技术所提供的信息推荐方法，可应用于在用户浏览和刷新信息流时，向用户推荐信息的应用场景中，具体结合图1进行详细说明。
31.图1是根据一示例性实施例示出的一种信息推荐架构的示意图。
32.如图1所示，该架构图中可以包括客户端所在的至少一个第一电子设备10和服务端所在的第二电子设备11。第二电子设备11可以通过有线或无线网络，与至少一个第一电子设备10之间建立连接并进行信息交互。其中，第一电子设备10可以是手机、平板电脑、一体机等具有通讯功能的设备，也可以是虚拟机或模拟器模拟的设备。第二电子设备11可以是云服务器或者服务器集群等具有存储以及计算功能的设备。
33.基于上述架构，用户可以在第一电子设备10中的客户端上，浏览第二电子设备11
中的服务端推荐的信息流，其中，信息流是一种可以滚动浏览的内容流，信息流中的一个信息(feed)可以是一篇文章，也可以是一个视频，在此不作限定。
34.一般情况下，服务端一次可下发设定数量的信息以供用户浏览选择，若当前下发的信息用户已浏览完毕，则用户可通过在信息流展示界面中继续滑动屏幕或点击界面中的设定区域，触发服务端下发新的设定数量的信息。
35.由此，为了在保证信息多样性的同时兼顾用户兴趣，提高用户点击率，可具体通过如下方式进行信息推荐。也即，用户首先通过第一电子设备10中的客户端，触发生成信息获取请求，并将该请求发送至第二电子设备11，第二电子设备11中的服务端可首先获取与该用户关联的多个信息，该多个信息对应的信息排列顺序为第一顺序。然后，再确定该多个信息中任意两个信息之间的相似度值和每个信息对应的点击率预测值，进而根据任意两个信息之间的相似度值，以及每个信息对应的点击率预测值，对该多个信息进行重新排列，得到按照第二顺序排列的多个信息。最后，按照该第二顺序向用户推荐该多个信息。
36.这样，由于相似度值能够体现两个推荐信息之间的相关性，点击率预测值能够体现用户兴趣倾向，因此，本技术实施例能够综合考虑信息之间的相关性和用户兴趣度，使得重新排列后的信息既能够在用户观看顺序上保证信息的多样性，也能够迎合用户的兴趣，从而实现在保证信息多样性的同时兼顾用户兴趣，提高信息推荐成功率。
37.根据上述架构以及应用场景，下面结合图5
‑
图6对本技术实施例提供的信息推荐方法进行详细说明，该信息推荐方法可以由图1中所示的第二电子设备12中的服务端执行。
38.图2是根据一示例性实施例示出的一种信息推荐方法的流程图。
39.如图2所示，该信息推荐方法可以包括如下步骤：
40.步骤210，获取与用户关联的m个信息；其中，m个信息中的信息排列顺序为第一顺序。
41.其中，m为正整数，且m≥2。
42.这里，信息可以是文字、图片、视频或其任意组合的信息，例如包含文字和图片的文章、包含文字的视频等。与用户关联的m个信息可以是与用户感兴趣的信息同类型的信息，也可以是与用户感兴趣的信息关联的其他类的信息，在此不做限定。示例性地，可从服务端中设置的备选信息库中获取与用户关联的信息，也可以直接从用户历史推荐信息中获取与用户关联的信息。
43.这里，m个信息具有一定的排列顺序，具体的，该m个信息可以是按照第一顺序进行排列的。
44.在一种可选实施方式中，上述m个信息可以包括s个第一信息以及t个第二信息；
45.上述步骤210具体可以包括：
46.按照预设信息推荐策略从备选信息库中获取与用户关联的s个第一信息；以及，从与用户对应的历史推荐信息中，获取用户未点击的t个第二信息；
47.其中，s、t为正整数。
48.这里，可获取一个大小为m的候选信息列表，该候选信息列表来源于两部分。其中，一部分是依据用户特征，按照预设信息推荐策略从备选信息库中推荐的信息，也即第一信息；另一部分则是从该用户对应的历史推荐信息中筛选的信息，也即第二信息，例如，在上一次向该用户推荐的多个信息中用户未点击的信息。
49.需要说明的是，第一信息可以是经过精排阶段后返回的信息列表中的信息，精排阶段可以是个性化信息推荐过程中对召回的多个信息按照预设规则排列的阶段。也就是说，经过该精排阶段后返回的信息列表为有序信息列表。
50.示例性地，可将获取的t个第二信息随机穿插在包含s个第一信息的有序信息列表中，得到基于第一顺序排列的且大小为m的候选信息列表。
51.这样，通过从备选信息库中获取第一信息，以及从历史推荐信息中获取用户未点击的第二信息，作为候选的m个信息，由于第一信息中可能存在相似内容的信息，因此，可通过加入第二信息作为类型扰动因素，从而保持信息推荐类型的多样化。
52.步骤220，确定m个信息中任意两个信息之间的相似度值以及每个信息对应的点击率预测值。
53.这里，可通过提取每个信息的特征，通过特征之间的比对，来确定两个信息之间的相似度值。例如，根据信息的标签、分类信息等，具有同标签或同分类的信息可确定为相似的信息，进而确定对应的相似度值，或者根据相同标签的数量占比确定对应的相似度值等。当然，还可通过获取每个信息对应的特征向量，进而根据特征向量之间的距离来确定两个信息之间的相似度值。
54.另外，可使用pctr(predict click
‑
through rate，点击率预测)值来反映用户兴趣度。示例性地，可根据用户对历史推荐信息的点击情况，预测候选的m个信息中每个信息被用户点击的概率，也即pctr值。
55.步骤230，根据相似度值和点击率预测值，对m个信息重新进行排列，得到按照第二顺序排列的m个信息。
56.示例性地，可在对m个信息进行重排的过程中综合考虑信息之间的相似度值以及用户点击率预测值，进而得到权衡多样性和用户兴趣后的列表，在该列表中m个信息按照第二顺序排列，也即，候选的m个信息由第一顺序经重新排列后变为第二顺序排列。
57.最终，按照第二顺序排列的m个信息，可以在兼顾用户兴趣的同时，使相邻两个信息之间的相似度值最小，从而保证信息的多样性。
58.在一种可选实施方式中，上述步骤230具体可以包括：
59.根据相似度值和点击率预测值，构造行列式点过程dpp算法矩阵；
60.基于贪心算法计算dpp算法矩阵，得到按照第二顺序排列的m个信息。
61.这里，dpp(determinantal point process，行列式点过程)算法矩阵是一种性能较高的概率模型，dpp将复杂的概率计算转换成简单的行列式计算，并通过核矩阵的行列式计算每一个子集的概率。dpp不仅可以减少计算量，而且还能够提高运行效率。具体的，该dpp算法矩阵可以是一种对称矩阵。
62.具体地，可按照预设构造规则，根据相似度值和点击率预测值设置dpp算法矩阵中的每一个元素的值，从而构造得到dpp算法矩阵。在得到该矩阵后，可使用某种贪心算法求解该dpp算法矩阵，通过该贪心算法可输出得到大小为m的有序列表，在该列表中m个信息的排列顺序为第二顺序。
63.这样，通过利用dpp贪心求解算法，结合相似度值和点击率预测值，使得求解后得到的重排结果，能够兼顾信息之间的相关性和用户兴趣度，从而自动选取出最优的多样性推荐信息，提高了用户体验。
64.在一种可选实施方式中，上述根据相似度值和点击率预测值，构造行列式点过程dpp算法矩阵的步骤，具体可以包括：
65.将dpp算法矩阵中第i行第i列元素的值，设置为m个信息中第i个信息对应的点击率预测值的平方；
66.将dpp算法矩阵中第i行第j列元素的值，设置为第一点击率预测值、第二点击率预测值和目标相似度值的乘积；其中，第一点击率预测值为m个信息中第i个信息对应的点击率预测值，第二点击率预测值为m个信息中第j个信息对应的点击率预测值，目标相似度值为第i个信息与第j个信息之间的相似度值；
67.基于第i行第i列元素的值和第i行第j列元素的值，构造得到dpp算法矩阵；
68.其中，i和j为正整数，且i≠j。
69.示例性地，由于候选信息列表的大小为m，因此构造的dpp算法矩阵l的大小为m
×
m。假设m个信息中第i个信息的pctr值为r
i
，则矩阵l的对角元素(也即第i行第i列元素)假设m个信息中第i个信息和第j个信息之间的相似度值为s
ij
，且第i个信息的pctr值为r
i
，第j个信息的pctr值为r
j
，则矩阵l的非对角元素(即第i行第j列元素)l
ij
＝r
i
r
j
s
ij
。进而基于各行各列元素的值，构造得到dpp算法矩阵。
70.如此，通过根据点击率预测值构造dpp算法矩阵的对角元素，根据点击率预测值和相似度值构造dpp算法矩阵的非对角元素，使得最终构造得到的dpp算法矩阵既具有能够反映用户兴趣度的点击率预测值，也具有能够反映信息之间关联性的相似度值，从而便于在求解该矩阵，对信息进行重排时，能够兼顾用户兴趣度和信息多样性。
71.步骤240，按照第二顺序向用户推荐m个信息。
72.示例性地，服务端可按照第二顺序依次向用户所使用的客户端发送该m个信息，从而在该客户端上依次显示该m个信息，以供用户选择浏览。当然，也可一次性将该m个信息发送至用户所使用的客户端，从而在该客户端上按照第二顺序排列显示该m个信息，以供用户选择浏览，在此不作限定。
73.由此，通过确定备选的m个信息中任意两个信息之间的相似度值，以及每个信息对应的点击率预测值，综合考虑该相似度值以及用户点击率预测值，对m个信息进行重新排列，由于点击率预测值能够体现用户兴趣倾向，因此，使得重新排列后的信息既能够在用户观看顺序上保证信息的多样性，也能够迎合用户的兴趣，从而实现在保证信息多样性的同时兼顾用户兴趣，提高信息推荐成功率。
74.在上述实施例的基础上，在一种可选实施方式中，在上述步骤230之后，本技术实施例提供的信息推荐方法还可以包括：
75.从m个信息中去除t个第二信息，得到p个信息；
76.从p个信息中获取前n个信息；
77.其中，p、n为正整数；
78.基于此，步骤240具体可以包括：
79.按照第二顺序向用户推荐n个信息。
80.这里，由于t个第二信息是已经推荐过的信息，因此，在此次信息推荐时可将该t个第二信息去除，再取过滤后的有序列表的前n个信息，进而该n个信息即为最终推荐给用户的信息。
81.这样，通过去除m个信息中的已经向用户推荐过的t个第二信息，可以在保证信息多样性的同时，降低信息推荐的重复率。
82.另外，在一种可能的实施例中，如图3所示，上述步骤220中确定m个信息中任意两个信息之间的相似度值，具体可以包括：步骤2201
‑
2204，具体步骤如下：
83.步骤2201，针对m个信息中的每个信息，从多个维度提取与每个信息对应的信息特征。
84.这里，多个维度具体可以包括图片、文字、音频等维度，具体可根据信息的内容确定。
85.示例性地，对于每个新添加至备选信息库的候选信息，可首先从多个维度提取该候选信息对应的多模态信息作为特征。例如，若该信息为文章，且文章中包括图片、文字时，可从图片维度提取与该文章对应的图片信息特征，并从文字维度提取与该文章对应的文字信息特征，则该信息对应的信息特征包括图片信息特征和文字信息特征。又如，若该信息为视频，且视频中包括文字、音频时，可从图片维度提取与该视频对应的关键帧的图片信息特征，从文字维度提取与该视频对应的文字信息特征，以及从音频维度提取与该视频对应的音频信息特征，则该信息对应的信息特征包括图片信息特征、文字信息特征和音频信息特征。
86.步骤2202，将与每个信息对应的信息特征分别输入至信息表达模型中，输出得到与每个信息对应的特征向量。
87.这里，在使用信息表达模型中之前，可首先对信息表达模型进行训练。
88.示例性地，可以先获取一些信息样本，并以信息样本的标签和分类信息作为训练时的标签，以信息样本的图片、文字、音频等多模态信息为输入特征，通过有监督的学习训练该信息表达模型，直至该信息表达模型收敛。其中，该信息表达模型最后输出的是与该信息对应的特征向量。
89.在得到经训练的信息表达模型之后，对于m个信息中的每个信息，可先提取其多模态信息作为信息特征，输入至经训练的信息表达模型，即可得到与该信息对应的特征向量。
90.步骤2203，基于与每个信息对应的特征向量，获取m个信息中任意两个信息分别对应的特征向量。
91.示例性地，在得到与m个信息中每个信息分别对应的特征向量之后，可任选其中两个信息，获取该两个信息分别对应的特征向量。
92.步骤2204，基于任意两个信息分别对应的特征向量，计算任意两个信息之间的相似度值。
93.本技术实施例中，可通过计算两个信息分别对应的特征向量之间的距离，来确定该两个信息之间的相似度值。
94.在一种可选实施方式中，上述步骤2204具体可以包括：
95.对任意两个信息分别对应的特征向量进行归一化处理，得到归一化的特征向量；
96.对任意两个信息对应的归一化的特征向量进行内积计算，得到任意两个信息之间的相似度值。
97.这里，由于两个信息分别对应的特征向量可能相差较大，但其实内容是相似的，因此，可先对该两个特征向量做归一化处理，统一量纲，以提高后续相似度值计算结果的准确
性。
98.示例性地，在得到归一化的特征向量后，可在该任意两个信息对应的归一化的特征向量之间作内积，该内积得到的结果即为该两个信息之间的相似度的值。
99.如此，通过对特征向量作归一化处理，并根据归一化的特征向量之间的内积计算，得到相似度值，可使得相似度的计算结果更加准确，从而提高后续信息推荐结果的准确性。
100.这样，通过从多个维度提取与每个信息对应的信息特征，进而基于该信息特征，利用信息表达模型，输出为一个特征向量，通过计算任意两个信息对应的特征向量之间的内积，来确定任意两个信息之间的相似度值，相较于仅根据是否同标签或者同分类来判定两个信息是否相似的相似度确定方式，本技术实施例的相似度计算方式更加准确，且更加全面。
101.基于此，在一种可选实施方式中，在步骤210之前，本技术实施例提供的信息推荐方法还可以包括：
102.接收用户发送的信息获取请求；其中，信息获取请求中包括用户特征和环境特征；
103.上述步骤220中确定m个信息中每个信息对应的点击率预测值，具体可以包括：
104.将m个信息中与每个信息对应的信息特征，分别与用户特征和环境特征，输入至点击率预测模型，输出得到与每个信息对应的点击率预测值。
105.这里，在使用点击率预测模型之前，可首先对点击率预测模型进行训练。
106.示例性地，可以先获取一些历史推荐信息作为信息样本，并以信息样本的曝光和点击信息设置训练时的正负标签，例如曝光且点击的信息样本设置为正标签，曝光且未被点击的信息样本设置为负标签。然后，以用户特征、信息特征、环境特征等作为输入特征，通过有监督的学习训练该点击率预测模型，直至该点击率预测模型收敛。其中，环境特征可以包括用户发起请求的时间、地点等信息。另外，该点击率预测模型最后输出的可以是与该信息对应的pctr值。
107.在得到经训练的点击率预测模型之后，对于用户的每一次信息获取请求，可将该请求中携带的用户特征和环境特征，与候选信息对应的信息特征一起输入至该点击率预测模型中，即可得到该用户对该候选信息的pctr值。
108.另外，用户可通过在客户端的信息流展示界面中继续滑动屏幕或点击界面中的设定区域，触发生成信息获取请求，并将该信息获取请求发送给服务端所在的电子设备，以指示服务端推荐新的设定数量的信息。
109.如此，通过结合发起信息获取请求时的用户特征、环境特征以及每个信息对应的信息特征，利用点击率预测模型，输出得到每个信息对应的点击率预测值，这样可以使点击率预测结果更加准确，进而能够更加准确地反映用户的兴趣度，提高信息推荐结果的准确性。
110.需要说明的是，本技术实施例提供的信息推荐方法，执行主体可以为信息推荐装置，或者该信息推荐装置中的用于执行信息推荐方法的控制模块。本技术实施例中以信息推荐装置执行信息推荐方法为例，说明本技术实施例提供的信息推荐装置。
111.图4是根据一示例性实施例示出的一种信息推荐装置的结构框图。
112.如图4所示，信息推荐装置400可以包括：
113.获取模块401，用于获取与用户关联的m个信息；其中，所述m个信息中的信息排列
顺序为第一顺序；
114.确定模块402，用于确定所述m个信息中任意两个信息之间的相似度值以及每个信息对应的点击率预测值；
115.重排模块403，用于根据所述相似度值和所述点击率预测值，对所述m个信息重新进行排列，得到按照第二顺序排列的m个信息；
116.推荐模块404，用于按照所述第二顺序向所述用户推荐所述m个信息；
117.其中，m为正整数，且m≥2。
118.下面对上述信息推荐装置400进行详细说明，具体如下所示：
119.在其中一个实施例中，重排模块403具体可以包括：
120.构造子模块，用于根据所述相似度值和所述点击率预测值，构造行列式点过程dpp算法矩阵；
121.矩阵计算子模块，用于基于贪心算法计算所述dpp算法矩阵，得到按照第二顺序排列的m个信息。
122.在其中一个实施例中，上述涉及的构造子模块，具体可以包括：
123.第一设置单元，用于将所述dpp算法矩阵中第i行第i列元素的值，设置为所述m个信息中第i个信息对应的点击率预测值的平方；
124.第二设置单元，用于将所述dpp算法矩阵中第i行第j列元素的值，设置为第一点击率预测值、第二点击率预测值和目标相似度值的乘积；其中，所述第一点击率预测值为所述m个信息中第i个信息对应的点击率预测值，所述第二点击率预测值为所述m个信息中第j个信息对应的点击率预测值，所述目标相似度值为所述第i个信息与所述第j个信息之间的相似度值；
125.矩阵构造单元，用于基于所述第i行第i列元素的值和所述第i行第j列元素的值，构造得到所述dpp算法矩阵；
126.其中，i和j为正整数，且i≠j。
127.在其中一个实施例中，上述涉及的m个信息可以包括s个第一信息以及t个第二信息；
128.获取模块401具体可以包括：
129.第一获取子模块，用于按照预设信息推荐策略从备选信息库中获取与所述用户关联的s个第一信息；以及，
130.第一获取子模块，用于从与所述用户对应的历史推荐信息中，获取所述用户未点击的t个第二信息；
131.其中，s、t为正整数。
132.在其中一个实施例中，上述信息推荐装置400还可以包括：
133.信息去除模块，用于在根据所述相似度值和所述点击率预测值，对所述m个信息重新进行排列，得到按照第二顺序排列的m个信息之后，从所述m个信息中去除所述t个第二信息，得到p个信息；
134.信息获取模块，用于从所述p个信息中获取前n个信息；
135.其中，p、n为正整数；
136.推荐模块404具体可以包括：
137.信息推荐子模块，用于按照所述第二顺序向所述用户推荐所述n个信息。
138.在其中一个实施例中，确定模块402具体可以包括：
139.特征提取子模块，用于针对所述m个信息中的每个信息，从多个维度提取与所述每个信息对应的信息特征；
140.向量输出子模块，用于将与所述每个信息对应的信息特征分别输入至信息表达模型中，输出得到与所述每个信息对应的特征向量；
141.向量获取子模块，用于基于与所述每个信息对应的特征向量，获取所述m个信息中任意两个信息分别对应的特征向量；
142.相似度计算子模块，用于基于所述任意两个信息分别对应的特征向量，计算所述任意两个信息之间的相似度值。
143.在其中一个实施例中，上述相似度计算子模块具体可以包括：
144.归一化单元，用于对所述任意两个信息分别对应的特征向量进行归一化处理，得到归一化的特征向量；
145.内积计算单元，用于对所述任意两个信息对应的归一化的特征向量进行内积计算，得到所述任意两个信息之间的相似度值。
146.在其中一个实施例中，上述信息推荐装置400还可以包括：
147.请求接收模块，用于在获取与用户关联的m个信息之前，接收所述用户发送的信息获取请求；其中，所述信息获取请求中包括用户特征和环境特征；
148.确定模块402，具体可以包括：
149.点击率预测子模块，用于将所述m个信息中与所述每个信息对应的信息特征，分别与所述用户特征和所述环境特征，输入至点击率预测模型，输出得到与所述每个信息对应的点击率预测值。
150.由此，通过确定备选的m个信息中任意两个信息之间的相似度值，以及每个信息对应的点击率预测值，综合考虑该相似度值以及用户点击率预测值，对m个信息进行重新排列，由于点击率预测值能够体现用户兴趣倾向，因此，使得重新排列后的信息既能够在用户观看顺序上保证信息的多样性，也能够迎合用户的兴趣，从而实现在保证信息多样性的同时兼顾用户兴趣，提高信息推荐成功率。
151.本技术实施例中的信息推荐装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是服务器，本技术实施例不作具体限定。
152.本技术实施例中的信息推荐装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
153.本技术实施例提供的信息推荐装置能够实现图2至图3的方法实施例实现的各个过程，为避免重复，这里不再赘述。
154.可选地，如图5所示，本技术实施例还提供一种电子设备500，包括处理器501，存储器502，存储在存储器502上并可在所述处理器501上运行的程序或指令，该程序或指令被处理器501执行时实现上述信息推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
155.需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移
动电子设备。
156.图6为实现本技术实施例的一种电子设备的硬件结构示意图。
157.该电子设备600包括但不限于：射频单元601、网络模块602、音频输出单元603、输入单元604、传感器605、显示单元606、用户输入单元607、接口单元608、存储器609、以及处理器610等部件。
158.本领域技术人员可以理解，电子设备600还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器610逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图6中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
159.其中，处理器610，用于获取与用户关联的m个信息；其中，所述m个信息中的信息排列顺序为第一顺序；确定所述m个信息中任意两个信息之间的相似度值以及每个信息对应的点击率预测值；根据所述相似度值和所述点击率预测值，对所述m个信息重新进行排列，得到按照第二顺序排列的m个信息；按照所述第二顺序向所述用户推荐所述m个信息；其中，m为正整数，且m≥2。
160.由此，通过确定备选的m个信息中任意两个信息之间的相似度值，以及每个信息对应的点击率预测值，综合考虑该相似度值以及用户点击率预测值，对m个信息进行重新排列，由于点击率预测值能够体现用户兴趣倾向，因此，使得重新排列后的信息既能够在用户观看顺序上保证信息的多样性，也能够迎合用户的兴趣，从而实现在保证信息多样性的同时兼顾用户兴趣，提高信息推荐成功率。
161.可选地，处理器610，还用于根据所述相似度值和所述点击率预测值，构造行列式点过程dpp算法矩阵；基于贪心算法计算所述dpp算法矩阵，得到按照第二顺序排列的m个信息。
162.可选地，处理器610，还用于将所述dpp算法矩阵中第i行第i列元素的值，设置为所述m个信息中第i个信息对应的点击率预测值的平方；将所述dpp算法矩阵中第i行第j列元素的值，设置为第一点击率预测值、第二点击率预测值和目标相似度值的乘积；其中，所述第一点击率预测值为所述m个信息中第i个信息对应的点击率预测值，所述第二点击率预测值为所述m个信息中第j个信息对应的点击率预测值，所述目标相似度值为所述第i个信息与所述第j个信息之间的相似度值；基于所述第i行第i列元素的值和所述第i行第j列元素的值，构造得到所述dpp算法矩阵；其中，i和j为正整数，且i≠j。
163.可选地，处理器610，还用于按照预设信息推荐策略从备选信息库中获取与所述用户关联的s个第一信息；以及，从与所述用户对应的历史推荐信息中，获取所述用户未点击的t个第二信息；其中，s、t为正整数。
164.可选地，处理器610，还用于从所述m个信息中去除所述t个第二信息，得到p个信息；从所述p个信息中获取前n个信息；其中，p、n为正整数；按照所述第二顺序向所述用户推荐所述n个信息。
165.可选地，处理器610，还用于针对所述m个信息中的每个信息，从多个维度提取与所述每个信息对应的信息特征；将与所述每个信息对应的信息特征分别输入至信息表达模型中，输出得到与所述每个信息对应的特征向量；基于与所述每个信息对应的特征向量，获取
所述m个信息中任意两个信息分别对应的特征向量；基于所述任意两个信息分别对应的特征向量，计算所述任意两个信息之间的相似度值。
166.可选地，处理器610，还用于对所述任意两个信息分别对应的特征向量进行归一化处理，得到归一化的特征向量；对所述任意两个信息对应的归一化的特征向量进行内积计算，得到所述任意两个信息之间的相似度值。
167.可选地，网络模块602，用于接收所述用户发送的信息获取请求；其中，所述信息获取请求中包括用户特征和环境特征；
168.处理器610，还用于确定所述m个信息中每个信息对应的点击率预测值，包括：将所述m个信息中与所述每个信息对应的信息特征，分别与所述用户特征和所述环境特征，输入至点击率预测模型，输出得到与所述每个信息对应的点击率预测值。
169.由此，通过利用dpp贪心求解算法，结合信息表达模型和点击率预测模型，综合考虑信息之间的相关性和用户兴趣度，自动选取最优的多样性推荐信息，提高了用户体验，有效解决了传统多样性策略所存在的问题。
170.应理解的是，本技术实施例中，输入单元604可以包括图形处理器(graphics processing unit，gpu)6041和麦克风6042，图形处理器6041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元606可包括显示面板6061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板6061。用户输入单元607包括触控面板6071以及其他输入设备6072。触控面板6071，也称为触摸屏。触控面板6071可包括触摸检测装置和触摸控制器两个部分。其他输入设备6072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器609可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器610可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器610中。
171.本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述信息推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
172.其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等。
173.本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述信息推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
174.应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
175.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该
要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
176.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
177.上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。