本技術(shù)涉及人工智能，特別是涉及一種信息推薦方法、裝置、計算機設備、存儲介質(zhì)和計算機程序產(chǎn)品。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，用戶可以從互聯(lián)網(wǎng)中獲取到各種各樣待推薦的媒體信息，如投放的廣告，然后在媒體頁面顯示該媒體信息。對于媒體提供方而言，需要將開發(fā)的媒體信息精準地推薦給有需求的用戶，以提升產(chǎn)品使用率。

2、由于開發(fā)的媒體信息通常只有少量的用戶使用，因此在進行推薦時，傳統(tǒng)的推薦方案中既向用戶推薦感興趣且已成熟的媒體信息，還向用戶附帶推送新的媒體信息，以提升新媒體信息的轉(zhuǎn)化率。然而，上述的推薦方案中，用戶對已成熟的媒體信息感興趣，但并不一定對該新媒體信息感興趣，從而導致向用戶推薦物品的精準性低，而且媒體信息的轉(zhuǎn)化率偏低。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種信息推薦方法、裝置、計算機設備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品，能夠提高推薦的精準性和媒體信息的轉(zhuǎn)化率。

2、第一方面，本技術(shù)提供了一種信息推薦方法。所述方法包括：

3、獲取待推薦媒體的細粒度特征和粗粒度特征；

4、對所述粗粒度特征進行特征泛化處理，得到粗粒度表征向量；

5、對所述細粒度特征和粗粒度特征進行特征強化處理，得到細粒度表征向量；

6、將所述細粒度表征向量和所述粗粒度表征向量加權(quán)融合，得到融合向量；

7、基于所述融合向量和候選對象的對象表征向量，從所述候選對象中選取目標對象，并向所述目標對象推送所述待推薦媒體的推薦信息。

8、第二方面，本技術(shù)還提供了一種信息推薦裝置。所述裝置包括：

9、獲取模塊，用于獲取待推薦媒體的細粒度特征和粗粒度特征；

10、第一處理模塊，用于對所述粗粒度特征進行特征泛化處理，得到粗粒度表征向量；

11、第二處理模塊，用于對所述細粒度特征和粗粒度特征進行特征強化處理，得到細粒度表征向量；

12、融合模塊，用于將所述細粒度表征向量和所述粗粒度表征向量加權(quán)融合，得到融合向量；

13、推薦模塊，用于基于所述融合向量和候選對象的對象表征向量，從所述候選對象中選取目標對象，并向所述目標對象推送所述待推薦媒體的推薦信息。

14、在其中的一個實施例中，所述獲取模塊，還用于獲取待推薦媒體對應的至少兩個媒體特征；確定所述至少兩個媒體特征中各特征的粒度熵；依據(jù)所述粒度熵對所述至少兩個媒體特征中的各特征進行粒度劃分，得到所述待推薦媒體的細粒度特征和粗粒度特征。

15、在其中的一個實施例中，所述獲取模塊，還用于在所述至少兩個媒體特征中，確定各特征取不同特征值時對應的交互對象數(shù)量；依據(jù)所述交互對象數(shù)量和所述待推薦媒體的對象總量，分別確定所述至少兩個媒體特征中各特征取不同特征值時的第一轉(zhuǎn)化率；基于所述取不同特征值時的轉(zhuǎn)化率和對應的所述對象數(shù)量，確定所述至少兩個媒體特征中各特征的粒度熵。

16、在其中的一個實施例中，所述獲取模塊，還用于在所述至少兩個媒體特征中，確定各特征取不同特征值時對應的對象交互數(shù)量；依據(jù)所述對象交互數(shù)量和所述待推薦媒體的交互總量，分別確定所述至少兩個媒體特征中各特征取不同特征值時的第二轉(zhuǎn)化率；基于所述取不同特征值時的第二轉(zhuǎn)化率和對應的所述對象交互數(shù)量，確定所述至少兩個媒體特征中各特征的粒度熵。

17、在其中的一個實施例中，所述獲取模塊，還用于獲取待推薦媒體對應的至少兩個媒體特征；確定粗細粒度比值，并按照所述粗細粒度比值對所述至少兩個媒體特征中的各特征進行粒度劃分，得到所述待推薦媒體的細粒度特征和粗粒度特征；或者，響應于粒度劃分請求，將所述至少兩個媒體特征中的各特征劃分為細粒度特征和粗粒度特征。

18、在其中的一個實施例中，所述第一處理模塊，還用于分別對屬于相同所述待推薦媒體的粗粒度特征進行拼接，得到每個所述待推薦媒體的第一拼接特征；依次將各所述第一拼接特征輸入至推薦模型的粗粒度網(wǎng)絡，以使所述粗粒度網(wǎng)絡中的多層感知機對輸入的所述第一拼接特征進行特征處理，得到粗粒度表征向量。

19、在其中的一個實施例中，所述第二處理模塊，還用于對所述細粒度特征和粗粒度特征進行拼接，得到第二拼接特征；將所述第二拼接特征依次輸入至推薦模型的細粒度網(wǎng)絡，以使所述細粒度網(wǎng)絡中的多層感知機對輸入的所述第二拼接特征進行特征處理，得到細粒度表征向量。

20、在其中的一個實施例中，所述裝置還包括：

21、第一確定模塊，用于確定所述待推薦媒體的特征嵌入向量的模長或信息熵；依據(jù)所述細粒度特征、所述粗粒度特征和所述模長，確定所述細粒度表征向量和所述粗粒度表征向量分別對應的權(quán)重參數(shù)；或者，依據(jù)所述細粒度特征、所述粗粒度特征和所述信息熵，確定所述細粒度表征向量和所述粗粒度表征向量分別對應的權(quán)重參數(shù)；

22、所述融合模塊，還用于基于所述權(quán)重參數(shù)，對所述細粒度表征向量和所述粗粒度表征向量進行加權(quán)融合。

23、在其中的一個實施例中，所述推薦模塊，還用于基于所述融合向量和候選對象的對象表征向量，確定所述候選對象的第一得分值；所述第一得分值用于反映所述候選對象接收到所述待推薦媒體后的轉(zhuǎn)化率；在所述候選對象中，依據(jù)所述第一得分值選取目標對象。

24、在其中的一個實施例中，所述粗粒度表征向量、所述細粒度表征向量和所述融合向量是通過機器學習模型所得的；所述裝置還包括：

25、所述獲取模塊，還用于獲取媒體樣本的訓練細粒度特征和訓練粗粒度特征；

26、所述第一處理模塊，還用于通過所述機器學習模型的第一網(wǎng)絡分支，對所述訓練粗粒度特征進行特征泛化處理，得到訓練粗粒度表征向量；

27、所述第二處理模塊，還用于通過所述機器學習模型的第二網(wǎng)絡分支，對所述訓練細粒度特征和所述訓練粗粒度特征進行特征強化處理，得到訓練細粒度表征向量；

28、通過所述機器學習模型的融合網(wǎng)絡，將所述訓練細粒度表征向量和所述訓練粗粒度表征向量加權(quán)融合，得到訓練融合向量；

29、所述融合模塊，還用于基于所述訓練融合向量和候選對象樣本的訓練對象表征向量，確定所述候選對象樣本的第二得分值；

30、優(yōu)化模塊，用于根據(jù)所述第二得分值與得分標簽之間的損失，對所述機器學習模型進行參數(shù)優(yōu)化。

31、在其中的一個實施例中，所述裝置還包括：

32、第二確定模塊，用于基于所述訓練粗粒度表征向量和候選對象樣本的訓練對象表征向量，確定所述候選對象樣本的第三得分值；基于所述訓練細粒度表征向量和候選對象樣本的訓練對象表征向量，確定所述候選對象樣本的第四得分值；

33、所述優(yōu)化模塊，還用于根據(jù)所述第二得分值與得分標簽之間的損失、所述第三得分值與所述得分標簽之間的損失和所述第四得分值與得分標簽之間的損失，對所述機器學習模型進行參數(shù)優(yōu)化。

34、在其中的一個實施例中，所述裝置還包括：

35、第三確定模塊，用于確定所述媒體樣本的參訓度；所述參訓度用于表示所述媒體樣本參與訓練的累積迭代次數(shù)；依據(jù)所述參訓度、所述訓練細粒度特征和所述訓練粗粒度特征，確定所述訓練細粒度表征向量和所述訓練粗粒度表征向量分別對應的權(quán)重系數(shù)；

36、所述融合模塊，還用于基于所述權(quán)重系數(shù)，對所述訓練細粒度表征向量和所述訓練粗粒度表征向量進行加權(quán)融合。

37、在其中的一個實施例中，所述裝置還包括：

38、第四確定模塊，用于確定所述媒體樣本的特征嵌入向量的模長或信息熵；依據(jù)所述訓練細粒度特征、所述訓練粗粒度特征和所述模長，確定所述訓練細粒度表征向量和所述訓練粗粒度表征向量分別對應的權(quán)重參數(shù)；或者，依據(jù)所述訓練細粒度特征、所述訓練粗粒度特征和所述信息熵，確定所述訓練細粒度表征向量和所述訓練粗粒度表征向量分別對應的權(quán)重參數(shù)；

39、所述融合模塊，還用于基于所述權(quán)重系數(shù)，對所述訓練細粒度表征向量和所述訓練粗粒度表征向量進行加權(quán)融合。

40、第三方面，本技術(shù)還提供了一種計算機設備。所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)以下步驟：

41、獲取待推薦媒體的細粒度特征和粗粒度特征；

42、對所述粗粒度特征進行特征泛化處理，得到粗粒度表征向量；

43、對所述細粒度特征和粗粒度特征進行特征強化處理，得到細粒度表征向量；

44、將所述細粒度表征向量和所述粗粒度表征向量加權(quán)融合，得到融合向量；

45、基于所述融合向量和候選對象的對象表征向量，從所述候選對象中選取目標對象，并向所述目標對象推送所述待推薦媒體的推薦信息。

46、第四方面，本技術(shù)還提供了一種計算機可讀存儲介質(zhì)。所述計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：

47、獲取待推薦媒體的細粒度特征和粗粒度特征；

48、對所述粗粒度特征進行特征泛化處理，得到粗粒度表征向量；

49、對所述細粒度特征和粗粒度特征進行特征強化處理，得到細粒度表征向量；

50、將所述細粒度表征向量和所述粗粒度表征向量加權(quán)融合，得到融合向量；

51、基于所述融合向量和候選對象的對象表征向量，從所述候選對象中選取目標對象，并向所述目標對象推送所述待推薦媒體的推薦信息。

52、第五方面，本技術(shù)還提供了一種計算機程序產(chǎn)品。所述計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：

53、獲取待推薦媒體的細粒度特征和粗粒度特征；

54、對所述粗粒度特征進行特征泛化處理，得到粗粒度表征向量；

55、對所述細粒度特征和粗粒度特征進行特征強化處理，得到細粒度表征向量；

56、將所述細粒度表征向量和所述粗粒度表征向量加權(quán)融合，得到融合向量；

57、基于所述融合向量和候選對象的對象表征向量，從所述候選對象中選取目標對象，并向所述目標對象推送所述待推薦媒體的推薦信息。

58、上述信息推薦方法、裝置、計算機設備、存儲介質(zhì)和計算機程序產(chǎn)品，將待推薦媒體的特征劃分為不同粗細程度的細粒度特征和粗粒度特征，對粗粒度特征進行特征泛化處理，從而可以獲得較強的媒體泛化能力的粗粒度表征向量，而對細粒度特征和粗粒度特征進行特征強化處理，可以獲得能捕捉到媒體后驗信息的細粒度表征向量，然后將細粒度表征向量和粗粒度表征向量加權(quán)融合，可以有效平衡泛化性和記憶性，因此在基于融合向量和候選對象的對象表征向量選取目標對象進行推薦時，可以有效地提高待推薦媒體的推薦精準性，有利于提高待推薦媒體的轉(zhuǎn)化率。