本技术涉及数据处理,具体涉及一种网站插图推荐方法、装置、设备及可读存储介质。
背景技术:
1、在网站页面的布局中,网站插图(banner图)往往占据着网站页面重要位置,并且网站插图可以吸引用户点击,还可以促进用户留存,进而获取收益的作用。
2、目前网站插图展示时,均按照预设的网站插图展示规则进行展示,而不同用户对于网站内容的需求不同,有的喜欢理财,有的喜欢旅游,因此,亟需一种网站插图展示方法,提高网站插图的点击率。
技术实现思路
1、有鉴于此,本技术提供一种网站插图推荐方法、装置、设备及可读存储介质,能够使得展示的网站插图符合用户的兴趣和需求,提高网站插图的点击率。
2、为解决上述问题,本技术提供的技术方案如下:
3、第一方面,本技术提供了一种网站插图推荐方法,所述方法包括获取目标用户的访问请求,所述目标用户的访问请求包括目标用户标识;
4、基于所述目标用户标识确定预先训练完成的网站插图推荐模型;
5、获取待推荐网站插图数据;
6、将所述待推荐网站插图数据输入所述预先训练完成的网站插图推荐模型,所述预先训练完成的网站插图推荐模型基于所述目标用户的历史数据训练得到;
7、获取所述网站推荐模型输出的推荐分值;
8、若所述推荐分值大于预设分值,则向所述目标用户推荐所述待推荐网站插图数据。
9、在一种可能实现的方式中,所述网站插图推荐模型,采用如下方式训练得到:
10、获取训练数据,所述训练数据为所述目标用户在目标网站插图的历史行为日志,所述目标用户在目标网站插图的历史行为日志包括:所述目标用户在目标网站插图的历史停留时长、所述目标用户在目标网站插图的详情页的历史浏览时长、所述目标网站插图对应的内容标签和所述目标网站插图的标识信息;
11、采用深度学习中随机向量的赋值方式对所述网站插图对应的内容标签进行赋值,确定所述内容标签对应的第一目标值;
12、基于所述目标用户在目标网站插图的历史停留时长、所述目标网站插图的标识信息、所述目标用户在目标网站插图详情页的历史浏览时长和所述内容标签对应的第一目标值,确定目标embedding行为序列;
13、基于预设像素调整值将所述目标网站插图调整为待输入网站插图;
14、将所述待输入网站插图输入卷积神经网络模型;
15、获取所述卷积神经网络模型的输出层输出的embedding内容序列;
16、基于所述目标embedding行为序列和所述embedding内容序列计算目标损失函数;
17、根据所述目标网站插图对应的内容标签,计算辅助损失函数;
18、利用所述目标损失函数和所述辅助损失函数,对于待训练模型进行训练,得到所述网站插图推荐模型。
19、在一种可能实现的方式中,所述基于所述目标embedding行为序列和所述embedding内容序列计算目标损失函数,包括:
20、将所述目标embedding行为序列和所述embedding内容序列进行拼接,获得待输入向量;
21、将所述待输入向量输入神经网络模型,获得目标点击率;
22、若所述目标点击率大于预设点击率标准值,则基于目标点击率和所述目标用户的行为标签,计算所述目标损失函数。
23、在一种可能实现的方式中,所述根据所述目标网站插图对应的内容标签,计算辅助损失函数,包括:
24、获取所述目标用户在对比网站插图的历史行为日志,所述目标用户在对比网站插图的历史行为日志包括:所述目标用户在对比网站插图的历史停留时长、所述目标用户在对比网站插图的详情页的历史浏览时长、所述目标用户的对比网站插图对应的内容标签和所述对比网站插图的标识信息;
25、采用深度学习中随机向量的赋值方式对所述对比网站插图对应的内容标签进行赋值,确定所述内容标签对应的第二目标值;
26、基于所述目标用户在对比网站插图的历史停留时长、所述对比网站插图的标识信息、所述目标用户在对比网站插图详情页的历史浏览时长和所述内容标签对应的第二目标值,确定对比embedding行为序列;
27、计算所述对比embedding行为序列和所述目标embedding行为序列的余弦相似度;
28、利用所述余弦相似度确定所述对比embedding行为序列和所述目标embedding行为序列的匹配程度;
29、基于所述匹配程度,确定所述目标用户在对比网站插图的历史行为日志与所述目标用户在目标网站插图的历史行为日志的日志关系;
30、基于所述日志关系计算辅助损失函数。
31、在一种可能实现的方式中,所述利用所述目标损失函数和所述辅助损失函数,对于待训练模型进行训练,得到所述网站插图推荐模型,包括:
32、将所述目标损失函数和所述辅助损失函数进行加权融合,获得综合损失函数;
33、利用所述综合损失函数对于待训练模型进行训练,得到所述预先训练完成的网站插图推荐模型。
34、第二方面,本技术还提供了一种网站插图推荐装置,所述装置包括
35、第一获取模块,用于获取目标用户的访问请求,所述目标用户的访问请求包括目标用户标识;
36、确定模块,用于基于所述目标用户标识确定预先训练完成的网站插图推荐模型;
37、第二获取模块,用于获取待推荐网站插图数据;
38、输入模块,用于将所述待推荐网站插图数据输入所述预先训练完成的网站插图推荐模型,所述预先训练完成的网站插图推荐模型基于所述目标用户的历史数据训练得到;
39、第三获取模块,用于获取所述网站推荐模型输出的推荐分值;
40、推荐模块,用于若所述推荐分值大于预设分值,则向所述目标用户推荐所述待推荐网站插图数据。
41、在一种可能实现的方式中,所述网站插图推荐模型,采用如下方式训练得到:
42、获取训练数据,所述训练数据为所述目标用户在目标网站插图的历史行为日志,所述目标用户在目标网站插图的历史行为日志包括:所述目标用户在目标网站插图的历史停留时长、所述目标用户在目标网站插图的详情页的历史浏览时长、所述目标网站插图对应的内容标签和所述目标网站插图的标识信息;
43、采用深度学习中随机向量的赋值方式对所述网站插图对应的内容标签进行赋值,确定所述内容标签对应的第一目标值;
44、基于所述目标用户在目标网站插图的历史停留时长、所述目标网站插图的标识信息、所述目标用户在目标网站插图详情页的历史浏览时长和所述内容标签对应的第一目标值,确定目标embedding行为序列;
45、基于预设像素调整值将所述目标网站插图调整为待输入网站插图;
46、将所述待输入网站插图输入卷积神经网络模型;
47、获取所述卷积神经网络模型的输出层输出的embedding内容序列;
48、基于所述目标embedding行为序列和所述embedding内容序列计算目标损失函数;
49、根据所述目标网站插图对应的内容标签,计算辅助损失函数;
50、利用所述目标损失函数和所述辅助损失函数,对于待训练模型进行训练,得到所述网站插图推荐模型。
51、在一种可能实现的方式中,所述基于所述目标embedding行为序列和所述embedding内容序列计算目标损失函数,包括:
52、将所述目标embedding行为序列和所述embedding内容序列进行拼接,获得待输入向量;
53、将所述待输入向量输入神经网络模型,获得目标点击率;
54、若所述目标点击率大于预设点击率标准值,则基于目标点击率和所述目标用户的行为标签,计算所述目标损失函数。
55、在一种可能实现的方式中,所述根据所述目标网站插图对应的内容标签,计算辅助损失函数,包括:
56、获取所述目标用户在对比网站插图的历史行为日志,所述目标用户在对比网站插图的历史行为日志包括:所述目标用户在对比网站插图的历史停留时长、所述目标用户在对比网站插图的详情页的历史浏览时长、所述目标用户的对比网站插图对应的内容标签和所述对比网站插图的标识信息;
57、采用深度学习中随机向量的赋值方式对所述对比网站插图对应的内容标签进行赋值,确定所述内容标签对应的第二目标值;
58、基于所述目标用户在对比网站插图的历史停留时长、所述对比网站插图的标识信息、所述目标用户在对比网站插图详情页的历史浏览时长和所述内容标签对应的第二目标值,确定对比embedding行为序列;
59、计算所述对比embedding行为序列和所述目标embedding行为序列的余弦相似度;
60、利用所述余弦相似度确定所述对比embedding行为序列和所述目标embedding行为序列的匹配程度;
61、基于所述匹配程度,确定所述目标用户在对比网站插图的历史行为日志与所述目标用户在目标网站插图的历史行为日志的日志关系;
62、基于所述日志关系计算辅助损失函数。
63、在一种可能实现的方式中,所述利用所述目标损失函数和所述辅助损失函数,对于待训练模型进行训练,得到所述网站插图推荐模型,包括:
64、将所述目标损失函数和所述辅助损失函数进行加权融合,获得综合损失函数;
65、利用所述综合损失函数对于待训练模型进行训练,得到所述预先训练完成的网站插图推荐模型。
66、第三方面本技术提供了一种网站插图推荐设备,包括:处理器和存储器;
67、所述存储器,用于存储一个或多个程序;
68、所述处理器,用于当所述一个或多个程序被所述处理器执行时,实现如上述第一方面所述的网站插图推荐方法。
69、第四方面本技术提供了一种计算机可读存储介质,所述计算机可读存储介质存储指令,当所述指令在设备上运行时,使得所述设备执行上述第一方面所述的网站插图推荐方法。
70、由此可见,本技术具有如下有益效果:
71、本技术提供了一种网站插图推荐方法、装置、设备及可读存储介质,首先,获取目标用户的访问请求,所述目标用户的访问请求包括目标用户标识,再基于所述目标用户标识确定预先训练完成的网站插图推荐模型,获取待推荐网站插图数据,将所述待推荐网站插图数据输入所述预先训练完成的网站插图推荐模型,所述预先训练完成的网站插图推荐模型基于所述目标用户的历史数据训练得到,获取所述网站推荐模型输出的推荐分值,若所述推荐分值大于预设分值,则向所述目标用户推荐所述待推荐网站插图数据。如此,可以通过预先训练完成的并且与用户标识对应的网站插图推荐模型,对于待推荐的网站插图数据进行推荐分值计算,再将推荐分值满足预设分值待推荐网站插图推荐给用户,以使向用户推荐的网站插图,是对于用户有足够吸引力的网站插图,进而使得网站插图的展示符合用户的兴趣和需求,提高网站插图的点击率,避免用户无法发现其感兴趣的内容而流失。