1.一种信息推荐方法,其特征在于,包括:
将对象数据以及用户数据分别进行向量转换,获得所述对象数据对应的第一输入向量集以及所述用户数据对应的第二输入向量集,所述对象数据包括多个对象的对象信息;
将所述第一输入向量集以及第二输入向量集输入到评分模型,获得所述用户数据的第一评分矩阵,所述第一评分矩阵用于表示所述用户数据关联的用户与对象的相关度;
基于所述第一评分矩阵确定所述对象数据中的待推荐对象数据;
其中,所述评分模型包括分层因子分解机网络、双向长短记忆网络和s型函数,所述分层因子分解机网络的输入为所述第二输入向量集,输出为用于表示所述用户数据的第一多维用户向量,所述双向长短记忆网络的输入为所述第一输入向量集,输出为用于表示所述对象信息的第一文本向量,所述s型函数的输入为所述第一多维用户向量和所述第一文本向量,输出为所述第一评分矩阵。
2.根据权利要求1所述的方法,其特征在于,所述用户数据包括m组数据信息,每一组数据信息包括n个数据组,每一个所述数据组包括至少两个第一特征数据,所述第二输入向量集包括对每一所述第一特征数据进行向量转换得到的对应的输入向量;
所述分层因子分解机网络包括第一网络层和第二网络层,所述第一网络层的输入为所述第二输入向量集,所述第一网络层的输出包括基于所述第二输入向量集输出的线性向量集和n个组合向量集,每一所述组合向量集用于表示对对应的数据组内的第一特征数据的输入向量进行组合得到的向量矩阵,所述第二网络层的输入为所述线性项向量集和所述n个组合项向量集,所述第二网络层的输出为基于所述线性项向量集和n个组合项向量集进行组合得到的所述第一多维用户向量。
3.根据权利要求2所述的方法,其特征在于,所述线性项向量集yf满足:
其中,bf是线性项的偏置量,wn表示n个数据组中第n个数据组对应的第一特征数据的权重向量;xn表示n个数据组中第n个数据组对应的第一特征数据的输入向量;
所述n个组合项向量集满足:
其中,yn表示第n个数据组对应的组合项向量集,
4.根据权利要求3所述的方法,其特征在于,所述第一多维用户向量包括n个用户的对应的k维向量,其中一个用户对应的k维向量u满足:
其中,sk表示k维的评分矩阵,vi,k表示第k个组合项向量集对应的矩阵,xi表示第i个数据组对应的第一特征数据的输入向量。
5.根据权利要求1所述的方法,其特征在于,所述对象数据包括多个第二特征数据,每一所述第二特征数据用于表示一个所述对象信息,所述第一输入向量集包括对每一所述第二特征数据进行转换得到的对应的输入向量;
所述双向长短记忆网络包括嵌入层、循环层和合并层,所述嵌入层的输入为所述第一输入向量集,所述嵌入层的输出为用于表示所述对象信息的第一矩阵;所述循环层的输入为所述第一矩阵,所述循环层的输出为第一目标向量和第二目标向量,所述第一目标向量和所述第二目标向量为所述对象信息按照不同方向挖掘得到的向量表示;所述合并层的输入为所述第一目标向量和所述第二目标向量,所述合并层的输出为所述对象数据的第一文本向量。
6.根据权利要求5所述的方法,其特征在于,所述第一目标向量il满足:
il=σ(wh[il-1,xl]+bh)tanh(cl);
其中,σ为s型函数,wh为所述双向长短记忆网络输出的权重,bh表示所述双向长短记忆网络输出的偏置,xl表示第一长短记忆网络当前的输入,il-1表示所述第一长短记忆网络前一时刻的输出,cl表示所述第一长短记忆网络的状态隐藏单元,所述第一长短记忆网络为所述双向长短记忆网络中用于输出所述第一目标向量的长短记忆网络;
所述第二目标向量ir满足:
ir=σ(wh[ir-1,xr]+bh)tanh(cr);
其中,σ为s型函数,wh为所述双向长短记忆网络输出的权重,bh表示所述双向长短记忆网络输出的偏置,xr表示第二长短记忆网络当前的输入,ir-1表示所述第二长短记忆网络前一时刻的输出,cr表示所述第二长短记忆网络的状态隐藏单元,所述第二长短记忆网络为所述双向长短记忆网络中用于输出所述第二目标向量的长短记忆网络。
7.一种评分模型训练方法,其特征在于,包括:
将对象样本数据以及用户样本数据分别进行向量转换,获得所述对象样本数据对应的第三输入向量集以及所述用户样本数据对应的第四输入向量集,所述对象样本数据包括多个对象样本的对象样本信息;
利用所述第三输入向量集和所述第四输入向量集,对待训练评分模型进行迭代训练得到评分模型;
其中,所述评分模型包括分层因子分解机网络、双向长短记忆网络和s型函数,所述分层因子分解机网络的输入为所述第四输入向量集,输出为用于表示所述用户样本数据的第二多维用户向量,所述双向长短记忆网络的输入为所述第三输入向量集,输出为用于表示所述对象样本信息的第二文本向量,所述s型函数的输入为所述第二多维用户向量和所述第二文本向量,输出为第二评分矩阵,所述第二评分矩阵用于表示所述用户样本数据对应的用户与物品样本的相关度。
8.一种信息推荐装置,其特征在于,包括:
第一转换模块,用于将对象数据以及用户数据分别进行向量转换,获得所述对象数据对应的第一输入向量集以及所述用户数据对应的第二输入向量集,所述对象数据包括多个对象的对象信息;
输入模块,用于将所述第一输入向量集以及第二输入向量集输入到评分模型,获得所述用户数据的第一评分矩阵,所述第一评分矩阵用于表示所述用户数据关联的用户与对象的相关度;
确定模块,用于基于所述第一评分矩阵确定所述对象数据中的待推荐对象数据;
其中,所述评分模型包括分层因子分解机网络、双向长短记忆网络和s型函数,所述分层因子分解机网络的输入为所述第二输入向量集,输出为用于表示所述用户数据的第一多维用户向量,所述双向长短记忆网络的输入为所述第一输入向量集,输出为用于表示所述对象信息的第一文本向量,所述s型函数的输入为所述第一多维用户向量和所述第一文本向量,输出为所述第一评分矩阵。
9.一种评分模型训练装置,其特征在于,包括:
第二转换模块,用于将对象样本数据以及用户样本数据分别进行向量转换,获得所述对象样本数据对应的第三输入向量集以及所述用户样本数据对应的第四输入向量集,所述对象样本数据包括多个对象样本的对象样本信息;
训练模块,用于利用所述第三输入向量集和所述第四输入向量集,对待训练评分模型进行迭代训练得到评分模型;
其中,所述评分模型包括分层因子分解机网络、双向长短记忆网络和s型函数,所述分层因子分解机网络的输入为所述第四输入向量集,输出为用于表示所述用户样本数据的第二多维用户向量,所述双向长短记忆网络的输入为所述第三输入向量集,输出为用于表示所述对象样本信息的第二文本向量,所述s型函数的输入为所述第二多维用户向量和所述第二文本向量,输出为第二评分矩阵,所述第二评分矩阵用于表示所述用户样本数据对应的用户与对象样本的相关度。
10.一种电子设备,其特征在于,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权利要求1至6中任一项所述的信息推荐方法的步骤,或者,所述程序或指令被所述处理器执行时实现如权利要求7所述的信息推荐方法的步骤。
11.一种可读存储介质,其上存储有程序或指令,其特征在于,所述程序或指令被处理器执行时实现如权利要求1至6中任一项所述的信息推荐方法的步骤,或者,所述程序或指令被所述处理器执行时实现如权利要求7所述的信息推荐方法的步骤。