信息流推荐方法、装置及计算机程序产品与流程

1.本公开涉及人工智能技术领域，具体涉及进化策略技术领域，尤其涉及信息流推荐方法、装置以及模型训练方法、装置、电子设备、存储介质以及计算机程序产品，可用于信息流推荐场景下。


背景技术：

2.信息流推荐不同于广告，不仅关注资源的点展比，还会融合阅读时长、展现资源的多样性、用户点赞量、分享量等一系列体验指标作为综合推荐指标。虽然融合的目标因子越来越多，但是不同的融合因子有其适用的场景限制，比如对于新用户模型的首要任务是促活拉新，时长、多样性等目标不是系统重点关注的问题。如何对用户面临的场景做自适应的因子筛选，是信息流推荐系统中常见的问题。


技术实现要素：

3.本公开提供了一种信息流推荐方法、装置以及模型训练方法、装置、电子设备、存储介质以及计算机程序产品。
4.根据第一方面，提供了一种信息流推荐方法，包括：获取第一用户在信息流推荐场景下的特征信息；通过多因子融合参数网络，根据特征信息确定因子集合中的各因子对应的第一权重，其中，因子集合中的因子表征信息流推荐过程中所需考虑的指标信息；通过门控筛选网络，根据特征信息确定因子集合中的各因子对应的第二权重；根据第一权重和第二权重，确定因子集合中适用于信息流推荐场景下的第一用户的目标因子；根据目标因子，确定并向第一用户推送信息流推荐场景下的第一用户对应的推荐结果。
5.根据第二方面，提供了一种模型训练方法，包括：获取第二用户在信息流推荐场景下的特征信息；通过初始多因子融合参数网络，根据特征信息确定因子集合中的各因子对应的第一权重，其中，因子集合中的因子表征信息流推荐过程中所需考虑的指标信息；通过初始门控筛选网络，根据特征信息确定因子集合中的各因子对应的第二权重；根据第一权重和第二权重，确定因子集合中适用于信息流推荐场景下的第二用户的目标因子；根据目标因子确定信息流推荐场景下的第二用户对应的推荐结果；采用进化策略，根据第二用户对于推荐结果的反馈信息，调整初始多因子融合参数网络的参数和初始门控筛选网络的参数，以得到训练后的多因子融合参数网络和门控筛选网络。
6.根据第三方面，提供了一种信息流推荐装置，包括：第一获取单元，被配置成获取第一用户在信息流推荐场景下的特征信息；第一确定单元，被配置成通过多因子融合参数网络，根据特征信息确定因子集合中的各因子对应的第一权重，其中，因子集合中的因子表征信息流推荐过程中所需考虑的指标信息；第二确定单元，被配置成通过门控筛选网络，根据特征信息确定因子集合中的各因子对应的第二权重；第三确定单元，被配置成根据第一权重和第二权重，确定因子集合中适用于信息流推荐场景下的第一用户的目标因子；推荐单元，被配置成根据目标因子，确定并向第一用户推送信息流推荐场景下的第一用户对应
的推荐结果。
7.根据第四方面，提供了一种模型训练装置，包括：第二获取单元，被配置成获取第二用户在信息流推荐场景下的特征信息；第四确定单元，被配置成通过初始多因子融合参数网络，根据特征信息确定因子集合中的各因子对应的第一权重，其中，因子集合中的因子表征信息流推荐过程中所需考虑的指标信息；第五确定单元，被配置成通过初始门控筛选网络，根据特征信息确定因子集合中的各因子对应的第二权重；第六确定单元，被配置成根据第一权重和第二权重，确定因子集合中适用于信息流推荐场景下的第二用户的目标因子；第七确定单元，被配置成根据目标因子确定信息流推荐场景下的第二用户对应的推荐结果；训练单元，被配置成采用进化策略，根据第二用户对于推荐结果的反馈信息，调整初始多因子融合参数网络的参数和初始门控筛选网络的参数，以得到训练后的多因子融合参数网络和门控筛选网络。
8.根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面、第二方面任一实现方式描述的方法。
9.根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面、第二方面任一实现方式描述的方法。
10.根据第七方面，提供了一种计算机程序产品，包括：计算机程序，计算机程序在被处理器执行时实现如第一方面、第二方面任一实现方式描述的方法。
11.根据本公开的技术，提供了一种信息流推荐方法，在信息流推荐场景下，通过多因子融合参数网络确定对应于用户的各因子的第一权重，通过门控筛选网络确定各因子的第二权重，以根据第一权重和第二权重准确地确定出适用于信息流推荐场景下的用户的目标因子，进行信息流推荐，提高了推荐结果的准确度。
12.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
13.附图用于更好地理解本方案，不构成对本公开的限定。其中：
14.图1是根据本公开的一个实施例可以应用于其中的示例性系统架构图；
15.图2是根据本公开的信息流推荐方法的一个实施例的流程图；
16.图3是根据本实施例的信息流推荐方法的应用场景的示意图；
17.图4是根据本公开的信息流推荐方法的又一个实施例的流程图；
18.图5是根据本公开的模型训练方法的一个实施例的流程图；
19.图6是根据本公开的信息流推荐装置的一个实施例的结构图；
20.图7是根据本公开的模型训练装置的一个实施例的结构图；
21.图8是适于用来实现本公开实施例的计算机系统的结构示意图。
具体实施方式
22.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种
细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
23.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
24.图1示出了可以应用本公开的信息流推荐方法及装置、模型训练方法及装置的示例性架构100。
25.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
26.终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
27.服务器105可以是提供各种服务的服务器，例如，根据终端设备101、102、103对应的用户的在信息流推荐场景下的特征信息，通过多因子融合参数网络确定对应于用户的各因子的第一权重，通过门控筛选网络确定各因子的第二权重，以根据第一权重和第二权重准确地确定出适用于用户的目标因子，进行信息流推荐的后台处理服务器。又例如，根据终端设备101、102、103提供的对于推荐结果的反馈信息，基于进化策略训练得到多因子融合参数网络和门控筛选网络的后台处理服务器。作为示例，服务器105可以是云端服务器。
28.需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
29.还需要说明的是，本公开的实施例所提供的信息流推荐方法、模型训练方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，信息流推荐装置、模型训练装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
30.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当信息流推荐方法、模型训练方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括信息流推荐方法、模型训练方法运行于其上的电子设备(例如服务器或终端设备)。
31.请参考图2，图2为本公开实施例提供的一种信息流推荐方法的流程图，其中，流程200包括以下步骤：
32.步骤201，获取第一用户在信息流推荐场景下的特征信息。
33.本实施例中，信息流推荐方法的执行主体(例如，图1中的终端设备或服务器)可以
基于有线网络连接方式或无线网络连接方式从远程，或从本地获取第一用户在信息流推荐场景下的特征信息。
34.其中，第一用户为待进行信息流推荐的用户。信息流推荐场景可以是各种类型的信息流对应的推荐场景。例如，在新闻类应用中，信息流推荐场景为确定用户感兴趣的新闻类信息流；在视频类应用中，信息流推荐场景为确定用户感兴趣的视频类信息流。
35.第一用户在信息流推荐场景下的特征信息包括第一用户的用户特征信息和信息流推荐场景的场景特征信息。作为示例，用户特征信息包括用户活跃度、年龄、性别、产品日均使用时长、使用次数等；场景特征信息包括刷新状态、刷新次数、刷新时间等。
36.步骤202，通过多因子融合参数网络，根据特征信息确定因子集合中的各因子对应的第一权重。
37.本实施例中，上述执行主体可以通过多因子融合参数网络，根据特征信息确定因子集合中的各因子对应的第一权重。
38.其中，因子集合中的因子表征信息流推荐过程中所需考虑的指标信息。例如，因子集合中包括阅读时长、展现资源的多样性、用户点赞量、分享量等因子。
39.本实现方式中，为了提高信息流推荐的针对性，可以为不同的信息流推荐场景确定不同的因子集合。每一信息流推荐场景对应的因子集合包括针对于该息流推荐场景的多个因子。
40.作为示例，多因子融合参数网络中包括多个塔网络，每个塔网络对应于因子集合中的一个因子。在多因子融合参数网络的底层，多个塔网络共享特征信息，多个塔网络用于输出所对应的因子的第一权重。每个塔网络可以是一个神经网络，包括但不限于是卷积神经网络、循环神经网络等网络模型。
41.步骤203，通过门控筛选网络，根据特征信息确定因子集合中的各因子对应的第二权重。
42.本实施例中，上述执行主体可以通过门控筛选网络，根据特征信息确定因子集合中的各因子对应的第二权重。
43.门控筛选网络可以基于门控循环神经网络实现。作为示例，上述执行主体可以根据因子集合中包括的因子的数量，确定门控筛选网络的网络结构，以使得门控筛选网络的输出的数量与因子集合中包括的因子的数量一致，且因子集合中包括的因子与门控筛选网络的输出一一对应。门控筛选网络的多个输出即为因子集合中的各因子对应的第二权重。
44.步骤204，根据第一权重和第二权重，确定因子集合中适用于信息流推荐场景下的第一用户的目标因子。
45.本实施例中，上述执行主体可以根据第一权重和第二权重，确定因子集合中适用于信息流推荐场景下的第一用户的目标因子。
46.作为示例，对于因子集合中的每个因子，上述执行主体可以确定该因子对应的第一权重和该因子对应的第二权重，并通过求和、加权求和等方式确定总权重；进而对总权重排序，将排序在前的预设数量个因子确定为目标因子，或者将总权重大于预设数值的因子确定为目标因子。
47.步骤205，根据目标因子，确定并向第一用户推送信息流推荐场景下的第一用户对应的推荐结果。
48.本实施例中，上述执行主体可以根据目标因子，确定并向第一用户推送信息流推荐场景下的第一用户对应的推荐结果。
49.作为示例，对于所确定的每个目标因子，上述执行主体可以首先基于该目标因子对应的第一权重和第二权重得到该目标因子的总权重；进而，基于相对应的目标因子与总权重，得每个目标因子对应的加权项，以组合各目标因子的加权项，得到多目标因子融合公式。
50.得到多目标因子融合公式之后，可以通过多目标因子融合公式确定预设待推荐内容集合中的待排序内容的推荐排序得分；基于推荐排序得分对待排序内容集合中的待排序内容进行排序，以将排序在前的预设数量个待排序内容作为第一用户对应的推荐结果，推送给第一用户。
51.继续参见图3，图3是根据本实施例的信息流推荐方法的应用场景的一个示意图300。在图3的应用场景中，用户301通过终端设备302向短视频类应用发出启动指令。服务器303首先基于开启指令获取用户301在短视频类信息流推荐场景下的特征信息；然后，通过多因子融合参数网络304，根据特征信息确定因子集合中的各因子对应的第一权重305，其中，因子集合中的因子表征信息流推荐过程中所需考虑的指标信息；然后，通过门控筛选网络306，根据特征信息确定因子集合中的各因子对应的第二权重307；然后，根据第一权重305和第二权重307，确定因子集合中适用于信息流推荐场景下的第一用户的目标因子308；根据目标因子308，确定并向用户301推送信息流推荐场景下的第一用户对应的推荐结果309。
52.本实施例中，提供了一种信息流推荐方法，在信息流推荐场景下，通过多因子融合参数网络确定对应于用户的各因子的第一权重，通过门控筛选网络确定各因子的第二权重，以根据第一权重和第二权重准确地确定出适用于用户的目标因子，进行信息流推荐，提高了推荐结果的准确度。
53.在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤203：
54.首先，通过门控筛选网络，根据特征信息确定因子集合中的各因子对应的初始第二权重；然后，通过预设激活函数将各因子对应的初始第二权重转化为0/1，得到各因子对应的第二权重。
55.作为示例，门控筛选网络最上层的预设激活函数的值域为0/1，从而巧妙地将连续值问题转化为0/1问题。作为示例，其预设激活函数可以为：
[0056][0057]
本实现方式中，对于因子集合中的每个因子，门控筛选网络输出的第二权重为0/1，从而巧妙地将连续值问题转化为0/1问题，提高了目标因子的确定过程的高效性和便捷性。
[0058]
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤204：
[0059]
首先，将因子集合中的各因子对应的第一权重和第二权重相乘，得到权重乘积；然后，根据因子集合中的各因子对应的权重乘积，确定因子集合中适用于信息流推荐场景下
的第一用户的目标因子。
[0060]
当门控筛选网络输出的第二权重为0/1时，可以便捷地确定各因子对应的权重乘积为该因子对应的第一权重或零；进而，去除权重乘积为零的因子，保留权重乘积非零的因子，得到目标因子。
[0061]
本实现方式中，基于各因子对应第一权重和第二权重的权重乘积，确定目标因子，进一步提高了目标因子确定过程的便捷性和准确度。
[0062]
在本实施例的一些可选的实现方式中，上述执行主体还可以执行如下操作：第一，获取第一用户对于推荐结果的反馈信息。
[0063]
其中，反馈信息可以是第一用户在获取推荐结果之后，对于推荐结果中的信息流的反映信息。作为示例，反馈信息包括是否点击，是否查看，是否做出点赞、评论等互动操作。
[0064]
第二，采用进化策略，根据反馈信息调整多因子融合参数网络的参数和门控筛选网络的参数，以通过调整后的多因子融合参数网络和门控筛选网络执行后续用户在信息流推荐场景下的推荐任务。
[0065]
进化策略算法指基于进化理论的算法，可通过该算法进行探索，寻找使多因子融合参数网络和门控筛选网络的总体回报更大的参数扰动。具体的，根据反馈信息和预设回报函数，确定多因子融合参数网络的参数和门控筛选网络的参数的回报值；基于回报值最大化的原则，指导多因子融合参数网络的参数和门控筛选网络的参数的调整过程；基于预设进化策略算法按照预设迭代次数进行迭代，生成满足每一参数的均值和方差的高斯分布的新一轮次的多因子融合参数网络的参数和门控筛选网络的参数。
[0066]
将采用调整参数后的多因子融合参数网络和门控筛选网络执行后续用户的推荐任务。
[0067]
本实现方式中，上述执行主体在多因子融合参数网络和门控筛选网络的应用过程中，采用进化策略进行多因子融合参数网络和门控筛选网络的调整，可以持续提高多因子融合参数网络和门控筛选网络的准确度。
[0068]
继续参考图4，示出了根据本公开的信息流推荐方法的又一个实施例的示意性流程400，包括以下步骤：
[0069]
步骤401，获取第一用户在信息流推荐场景下的特征信息。
[0070]
步骤402，通过多因子融合参数网络，根据特征信息确定因子集合中的各因子对应的第一权重。
[0071]
其中，因子集合中的因子表征信息流推荐过程中所需考虑的指标信息。
[0072]
步骤403，通过门控筛选网络，根据特征信息确定因子集合中的各因子对应的初始第二权重。
[0073]
步骤404，通过预设激活函数将各因子对应的初始第二权重转化为0/1，得到各因子对应的第二权重。
[0074]
步骤405，将因子集合中的各因子对应的第一权重和第二权重相乘，得到权重乘积。
[0075]
步骤406，根据因子集合中的各因子对应的权重乘积，确定因子集合中适用于信息流推荐场景下的第一用户的目标因子。
[0076]
步骤407，根据目标因子，确定并向第一用户推送信息流推荐场景下的第一用户对应的推荐结果。
[0077]
从本实施例中可以看出，与图2对应的实施例相比，本实施例中的信息流推荐方法的流程400具体说明了第二权重的确定过程，目标因子的确定过程，进一步提高了目标因子的确定过程的高效性和便捷性，提高了推荐结果的准确度。
[0078]
继续参考图5，示出了根据本公开的模型训练方法的一个实施例的示意性流程500，包括以下步骤：
[0079]
步骤501，获取第二用户在信息流推荐场景下的特征信息。
[0080]
本实施例中，模型训练方法的执行主体(例如，图1中的终端设备或服务器)可以基于有线网络连接方式或无线网络连接方式从远程，或从本地获取第二用户在信息流推荐场景下的特征信息。
[0081]
其中，第二用户为初始多因子融合参数网络和初始门控筛选网络的训练过程中，待进行信息流推荐的用户。在模型训练过程中，一般涉及多个第二用户。针对于每个第二用户，均可以执行步骤501-506所示的训练过程。
[0082]
信息流推荐场景可以是各种类型的信息流对应的推荐场景。例如，在新闻类应用中，信息流推荐场景为确定用户的新闻类信息流；在视频类应用中，信息流推荐场景为确定用户的视频类信息流。
[0083]
第二用户在信息流推荐场景下的特征信息包括第二用户的用户特征信息和信息流推荐场景的场景特征信息。作为示例，用户特征信息包括用户活跃度、年龄、性别、产品日均使用时长、使用次数等；场景特征信息包括刷新状态、刷新次数、刷新时间等。
[0084]
步骤502，通过初始多因子融合参数网络，根据特征信息确定因子集合中的各因子对应的第一权重。
[0085]
本实施例中，上述执行主体可以通过初始多因子融合参数网络，根据特征信息确定因子集合中的各因子对应的第一权重。
[0086]
其中，因子集合中的因子表征信息流推荐过程中所需考虑的指标信息。例如，因子集合中包括阅读时长、展现资源的多样性、用户点赞量、分享量等因子。
[0087]
本实现方式中，为了提高信息流推荐的针对性，可以为不同的信息流推荐场景确定不同的因子集合。每一信息流推荐场景对应的因子集合包括针对于该息流推荐场景的多个因子。
[0088]
作为示例，初始多因子融合参数网络中包括多个塔网络，每个塔网络对应于因子集合中的一个因子。在初始多因子融合参数网络的底层，多个塔网络共享特征信息，多个塔网络用于输出所对应的因子的第一权重。每个塔网络可以是一个神经网络，包括但不限于是卷积神经网络、循环神经网络等网络模型。
[0089]
步骤503，通过初始门控筛选网络，根据特征信息确定因子集合中的各因子对应的第二权重。
[0090]
本实施例中，上述执行主体可以通过初始门控筛选网络，根据特征信息确定因子集合中的各因子对应的第二权重。
[0091]
初始门控筛选网络可以基于门控循环神经网络实现。作为示例，上述执行主体可以根据因子集合中包括的因子的数量，确定初始门控筛选网络的网络结构，以使得初始门
控筛选网络的输出的数量与因子集合中包括的因子的数量一致，且因子集合中包括的因子与初始门控筛选网络的输出一一对应。初始门控筛选网络的多个输出即为因子集合中的各因子对应的第二权重。
[0092]
步骤504，根据第一权重和第二权重，确定因子集合中适用于信息流推荐场景下的第二用户的目标因子。
[0093]
本实施例中，上述执行主体可以根据第一权重和第二权重，确定因子集合中适用于信息流推荐场景下的第二用户的目标因子。
[0094]
作为示例，对于因子集合中的每个因子，上述执行主体可以确定该因子对应的第一权重和该因子对应的第二权重，并通过求和、加权求和等方式确定总权重；进而对总权重排序，将排序在前的预设数量个因子确定为目标因子，或者将总权重大于预设数值的因子确定为目标因子。
[0095]
步骤505，根据目标因子确定信息流推荐场景下的第二用户对应的推荐结果。
[0096]
本实施例中，上述执行主体可以根据目标因子确定信息流推荐场景下的第二用户对应的推荐结果。
[0097]
作为示例，对于所确定的每个目标因子，上述执行主体可以首先基于该目标因子对应的第一权重和第二权重得到该目标因子的总权重；进而，基于相对应的目标因子与总权重，得每个目标因子对应的加权项，以组合各目标因子的加权项，得到多目标因子融合公式。
[0098]
得到多目标因子融合公式之后，可以通过多目标因子融合公式确定预设待推荐内容集合中的待排序内容的推荐排序得分；基于推荐排序得分对待排序内容集合中的待排序内容进行排序，以将排序在前的预设数量个待排序内容作为第二用户对应的推荐结果，推送给第二用户。
[0099]
步骤506，采用进化策略，根据第二用户对于推荐结果的反馈信息，调整初始多因子融合参数网络的参数和初始门控筛选网络的参数，以得到训练后的多因子融合参数网络和门控筛选网络。
[0100]
本实施例中，上述执行主体可以采用进化策略，根据第二用户对于推荐结果的反馈信息，调整初始多因子融合参数网络的参数和初始门控筛选网络的参数，以得到训练后的多因子融合参数网络和门控筛选网络。
[0101]
具体的，根据反馈信息和预设回报函数，确定初始多因子融合参数网络的参数和初始门控筛选网络的参数的回报值；基于回报值最大化的原则，指导初始多因子融合参数网络的参数和初始门控筛选网络的参数的调整过程；基于预设进化策略算法按照预设迭代次数进行迭代，生成满足每一参数的均值和方差的高斯分布的新一轮次的多因子融合参数网络的参数和门控筛选网络的参数，将调整后的多因子融合参数网络和门控筛选网络作为下一轮训练的初始多因子融合参数网络和初始门控筛选网络。
[0102]
通过迭代执行上述训练操作，响应于达到预设结束条件，得到训练后的多因子融合参数网络和门控筛选网络。其中，预设结束条件例如可以是迭代次数超过预设次数阈值、训练时间超过预设时间阈值等。
[0103]
本实施例中，基于门控筛选网络对于目标因子的筛选，有效提高了进化策略的进化效率，同时能从全局优化的角度触发自动筛选有益于全局的目标因子。
[0104]
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤503：
[0105]
首先，通过初始门控筛选网络，根据特征信息确定因子集合中的各因子对应的初始第二权重；然后，通过预设激活函数将各因子对应的初始第二权重转化为0/1，得到各因子对应的第二权重。
[0106]
作为示例，初始门控筛选网络最上层的预设激活函数的值域为0/1，从而巧妙地将连续值问题转化为0/1问题。作为示例，其预设激活函数可以为：
[0107][0108]
本实现方式中，对于因子集合中的每个因子，初始门控筛选网络输出的第二权重为0/1，从而巧妙地将连续值问题转化为0/1问题，进一步提高了进化策略的进化效率。
[0109]
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤504：
[0110]
首先，将因子集合中的各因子对应的第一权重和第二权重相乘，得到权重乘积；然后，根据因子集合中的各因子对应的权重乘积，确定因子集合中适用于信息流推荐场景下的第二用户的目标因子。
[0111]
当初始门控筛选网络输出的第二权重为0/1时，可以便捷地确定各因子对应的权重乘积为该因子对应的第一权重或零；进而，去除权重乘积为零的因子，保留权重乘积非零的因子，得到目标因子。
[0112]
本实现例中，基于各因子对应第一权重和第二权重的权重乘积，确定目标因子，进一步提高了模型训练过程中，目标因子确定过程的便捷性和准确度。
[0113]
继续参考图6，作为对上述各图所示方法的实现，本公开提供了一种信息流推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0114]
如图6所示，信息流推荐装置600包括：第一获取单元601，被配置成获取第一用户在信息流推荐场景下的特征信息；第一确定单元602，被配置成通过多因子融合参数网络，根据特征信息确定因子集合中的各因子对应的第一权重，其中，因子集合中的因子表征信息流推荐过程中所需考虑的指标信息；第二确定单元603，被配置成通过门控筛选网络，根据特征信息确定因子集合中的各因子对应的第二权重；第三确定单元604，被配置成根据第一权重和第二权重，确定因子集合中适用于信息流推荐场景下的第一用户的目标因子；推荐单元605，被配置成根据目标因子，确定并向第一用户推送信息流推荐场景下的第一用户对应的推荐结果。
[0115]
在本实施例的一些可选的实现方式中，第二确定单元603，进一步被配置成：通过门控筛选网络，根据特征信息确定因子集合中的各因子对应的初始第二权重；通过预设激活函数将各因子对应的初始第二权重转化为0/1，得到各因子对应的第二权重。
[0116]
在本实施例的一些可选的实现方式中，第三确定单元604，进一步被配置成：将因子集合中的各因子对应的第一权重和第二权重相乘，得到权重乘积；根据因子集合中的各因子对应的权重乘积，确定因子集合中适用于信息流推荐场景下的第一用户的目标因子。
[0117]
在本实施例的一些可选的实现方式中，上述装置还包括：反馈单元(图中未示出)，
被配置成获取第一用户对于推荐结果的反馈信息；进化单元(图中未示出)，被配置成采用进化策略，根据反馈信息调整多因子融合参数网络的参数和门控筛选网络的参数，以通过调整后的多因子融合参数网络和门控筛选网络执行后续用户在信息流推荐场景下的推荐任务。
[0118]
本实施例中，提供了一种信息流推荐装置，在信息流推荐场景下，通过多因子融合参数网络确定对应于用户的各因子的第一权重，通过门控筛选网络确定各因子的第二权重，以根据第一权重和第二权重准确地确定出适用于用户的目标因子，进行信息流推荐，提高了推荐结果的准确度。
[0119]
继续参考图7，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0120]
如图7所示，模型训练装置700包括：第二获取单元701，被配置成获取第二用户在信息流推荐场景下的特征信息；第四确定单元702，被配置成通过初始多因子融合参数网络，根据特征信息确定因子集合中的各因子对应的第一权重，其中，因子集合中的因子表征信息流推荐过程中所需考虑的指标信息；第五确定单元703，被配置成通过初始门控筛选网络，根据特征信息确定因子集合中的各因子对应的第二权重；第六确定单元704，被配置成根据第一权重和第二权重，确定因子集合中适用于信息流推荐场景下的第二用户的目标因子；第七确定单元705，被配置成根据目标因子确定信息流推荐场景下的第二用户对应的推荐结果；训练单元706，被配置成采用进化策略，根据第二用户对于推荐结果的反馈信息，调整初始多因子融合参数网络的参数和初始门控筛选网络的参数，以得到训练后的多因子融合参数网络和门控筛选网络。
[0121]
在本实施例的一些可选的实现方式中，第五确定单元703，进一步被配置成：通过初始门控筛选网络，根据特征信息确定因子集合中的各因子对应的初始第二权重；通过预设激活函数将各因子对应的初始第二权重转化为0/1，得到各因子对应的第二权重。
[0122]
在本实施例的一些可选的实现方式中，第六确定单元704，进一步被配置成：将因子集合中的各因子对应的第一权重和第二权重相乘，得到权重乘积；根据因子集合中的各因子对应的权重乘积，确定因子集合中适用于信息流推荐场景下的第二用户的目标因子。
[0123]
本实施例中，基于各因子对应第一权重和第二权重的权重乘积，确定目标因子，进一步提高了模型训练过程中，目标因子确定过程的便捷性和准确度。
[0124]
根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的信息流推荐方法、模型训练方法。
[0125]
根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的信息流推荐方法、模型训练方法。
[0126]
本公开实施例提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的信息流推荐方法、模型训练方法。
[0127]
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子
设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0128]
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
[0129]
设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0130]
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如信息流推荐方法。例如，在一些实施例中，信息流推荐方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的信息流推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息流推荐方法。
[0131]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0132]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0133]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可
读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0134]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0135]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0136]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大，业务扩展性弱的缺陷；也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0137]
根据本公开实施例的技术方案，提供了一种信息流推荐方法，提供了一种信息流推荐方法，在信息流推荐场景下，通过多因子融合参数网络确定对应于用户的各因子的第一权重，通过门控筛选网络确定各因子的第二权重，以根据第一权重和第二权重准确地确定出适用于用户的目标因子，进行信息流推荐，提高了推荐结果的准确度。
[0138]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
[0139]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。