本發明公開了一種信息評分方法，包括：基于推薦模型針對候選信息的預測評分，在候選信息中確定發送給目標用戶的推薦信息；基于目標用戶針對推薦信息的行為，確定推薦信息的行為評分；基于歷史目標用戶針對推薦信息的歷史行為，確定推薦信息的歷史行為評分；基于衰減系數對推薦信息的歷史行為評分進行衰減，并與推薦信息的行為評分融合，得到推薦信息的修正評分；基于推薦信息的修正評分更新推薦模型。本發明還公開了一種信息評分裝置和存儲介質。

技術領域

本發明涉及通信技術，尤其是一種信息評分方法及裝置和存儲介質。

背景技術

現有技術中，面對互聯網中的海量信息，用戶要在如此龐大的資源中快速找到自己感興趣的資源是非常困難的。推薦系統能夠及時跟蹤用戶的需求變化來自動調整信息服務的方式和內容，推薦給用戶其可能感興趣的資源，提供個性化服務。

為了對推薦系統或者算法進行優化改進，通常需要評價推薦的內容是否為用戶喜歡的內容，所以需要設置用戶對內容喜好的評價指標。現有的推薦評估系統或方法中，通常由以下兩類指標實現。

一：統計指標

常用的統計指標有：用戶的轉化率變化、銷售量變化、銷售額變化等。此類指標常是一段時間特定區域內的統計。這類指標雖然能在一定程度從整體上評價推薦系統的好壞，但是存在以下問題：

1、統計的結果需要在一定時間范圍內，導致反饋不及時；

2、這類統計指標受非推薦算法或推薦系統本身的影響較為嚴重，比如受網絡的影響，受外部市場競爭的影響；

3、統計量的數據粒度不夠精細，很難為具體的推薦算法提供參數優化調節上的指導。

二：用戶行為指標

常用的用戶行為指標有：用戶對推薦的內容是否產生查看、購買等行為。此類指標有如下問題：

1、因為某些原因，用戶沒有看到推薦的內容，比如展示的原因，用戶自己沒時間去查看等，在評價推薦效果時，無法與用戶真正不感興趣的內容進行區別，導致認為推薦效果不好，從而對推薦系統和算法的優化產生錯誤的引導；

2、雖然推薦的內容是用戶喜歡的，但用戶暫時不需要，所以用戶沒有相應的表示感興趣的行為數據反饋，所以在評價推薦效果時，無法與用戶真正不感興趣的內容進行區別，導致認為推薦效果不好，從而對推薦系統和算法的優化產生錯誤的引導；

3、推薦的內容較多，有的推薦信息產生了查看購買行為，有的沒有，無法評估用戶喜好。

綜上所述，現有技術對推薦模型的修正仍然存在偏差，無法準確的反饋推薦模型的算法運行效果。

發明章節

有鑒于此，本發明實施例期望提供一種信息評分方法及裝置、存儲介質，能夠基于推薦模型針對候選信息的預測評分，在所述候選信息中確定發送給目標用戶的推薦信息；并基于所述目標用戶針對所述推薦信息的行為，確定所述推薦信息的行為評分；進一步的基于歷史目標用戶針對所述推薦信息的歷史行為，確定所述推薦信息的歷史行為評分；之后基于衰減系數對所述推薦信息的歷史行為評分進行衰減，并與所述推薦信息的行為評分融合，得到所述推薦信息的修正評分；最終基于所述推薦信息的修正評分更新所述推薦模型，以便推薦模型更加符合用戶的真實需求。

為達到上述目的，本發明實施例的技術方案是這樣實現的：

本發明實施例提供了一種信息評分方法，包括：

基于推薦模型針對候選信息的預測評分，在所述候選信息中確定發送給目標用戶的推薦信息；

基于所述目標用戶針對所述推薦信息的行為，確定所述推薦信息的行為評分；

基于歷史目標用戶針對所述推薦信息的歷史行為，確定所述推薦信息的歷史行為評分；