一种网站插图推荐方法、装置、设备及可读存储介质与流程

1.本技术涉及数据处理技术领域，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：

2.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。
3.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。


技术实现要素：

4.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。
5.为解决上述问题，本技术提供的技术方案如下：
6.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；
7.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；
8.获取待推荐网站插图数据；
9.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；
10.获取所述网站推荐模型输出的推荐分值；
11.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。
12.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：
13.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；
14.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；
15.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；
16.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；
17.将所述待输入网站插图输入卷积神经网络模型；
18.获取所述卷积神经网络模型的输出层输出的embedding内容序列；
19.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；
20.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；
21.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。
22.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：
23.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；
24.将所述待输入向量输入神经网络模型，获得目标点击率；
25.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。
26.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：
27.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；
28.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；
29.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；
30.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；
31.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；
32.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；
33.基于所述日志关系计算辅助损失函数。
34.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：
35.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；
36.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。
37.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
38.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；
39.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；
40.第二获取模块，用于获取待推荐网站插图数据；
41.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；
42.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；
43.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。
44.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：
45.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；
46.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；
47.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；
48.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；
49.将所述待输入网站插图输入卷积神经网络模型；
50.获取所述卷积神经网络模型的输出层输出的embedding内容序列；
51.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；
52.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；
53.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。
54.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：
55.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；
56.将所述待输入向量输入神经网络模型，获得目标点击率；
57.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。
58.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：
59.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；
60.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；
61.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；
62.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；
63.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；
64.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；
65.基于所述日志关系计算辅助损失函数。
66.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：
67.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；
68.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。
69.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；
70.所述存储器，用于存储一个或多个程序；
71.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。
72.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。
73.由此可见，本技术具有如下有益效果：
74.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。
附图说明
75.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
76.图1为本技术实施例提供的一种网站插图推荐方法的方法流程示意图；
77.图2为本技术实施例提供的一种网站插图推荐装置的装置结构示意图。
具体实施方式
78.为了便于理解和解释本技术实施例提供的技术方案，下面将先对本技术实施例可能涉及的名词及本技术的背景技术进行说明：
79.banner图，也就是网站插图，指的是在一个模块或者说窗口，通过手机上手指滑动、电脑上鼠标点击后，可以看到多张图片。这些图片就都是banner图，这个模块就叫做banner图模块。
80.embdding(向量)：是一种将离散变量或图片转为连续向量表示的一个方式。在神经网络中，它不光可以减少离散变量的空间维数，同时还可以有意义的表示该变量或图片。
81.banner图(网站插图)往往占据着页面重要位置，并且起着吸引用户点击、促进用户留存，进而获取收益的作用。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，一个对于用户有足够吸引力的banner图，才能够符合用户的兴趣，做到千人千面，如此才能够具有良好的转化效果。
82.目前使用比较广泛的是人工运营的banner图(网站插图)展示方法，即对不同用户来说，展示的网站插图是一样的，缺乏个性化，如此当展示的网站插图与用户想浏览的内容不相关时，用户会直接无视，达不到活动宣传的效果。
83.为了解决此类问题，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。
84.为了便于理解本技术实施例提供的技术方案，下面结合附图对本技术实施例提供的一种行为识别方法和装置进行说明。
85.首先，参见图1所述，该图为本技术实施例提供的一种网站插图推荐方法的方法流程示意图，该方法具体包括s101-s106。
86.s101：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。
87.本步骤中，在接受到用户的访问请求后，可以进一步获取访问请求中包括的用户标识，用户标识可以用于进行用户的身份认证，每一个不同的用户具有不同的用户标识，如此保证了用户身份的唯一性。
88.s102：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。
89.在获取用户标识之后，可以通过用户标识确定预先训练完成的网站插图推荐模型，也就是说，预先训练完成的网站插图推荐模型是与发出访问请求的用户对应的。需要说明的是，由于用户经常访问该网页，因此，需要对于该用户进行网站插图推荐模型的建立，如此，可以是的用户收到的网站插图推荐与用户的在网站上的操作习惯匹配，提高网站插
图推荐与用户兴趣的匹配程度，进而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。
90.s103：获取待推荐网站插图数据。
91.本技术实施例中，获取网站插图数据，该网站插图数据可以用于推送给用户。获取网站插图数据的方式可以是，通过爬虫技术获取或者直接从网站插图数据中提取。在此不对网站插图数据的获取方式进行具体限定。
92.可以理解的是，本步骤中，通过建立网站插图(banner图)库，选取近期活动上线或者新闻资讯类的海报图，作为该推荐的网络插图数据。同时打上图片内容标签，例如，信用卡标签、理财基金标签、旅游资讯等标签，图库需要及时更新，以保证网站插图图库中的图片数据的时效性。
93.s104：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。
94.在获取网站插图数据后，可以将网站插图数据输入预先训练完成的网站插图推荐模型，预先训练完成的网站插图推荐模型基于用户的历史数据训练得到，即，预先训练完成的网站插图推荐模型可以输出与用户相关的网站插图推荐信息。
95.在建立网站插图的图库后，进一步生成网站插图(banner图)从属的子图片，例如，一张1000*800*3的网站插图(banner图)，由于该图片尺寸大于224，不能直接输入到训练好的网站插图推荐模型中，因此，先将该图片水平翻转180度，然后从原网站插图(banner图)与翻转后的图片中，随机裁剪出10张224*224*3像素大小的新图片，存入到该网站插图(banner图)从属的子图库中，对于尺寸小于224的网站插图(banner图)，将图片翻转90度、180度、270度，并分别在图片周围像素上补上0，将图片大小扩充至224*224*3，共生成3张子图片，然后再将生成的子图片输入到训练好的网站插图推荐模型中。
96.本技术实施例提供了一种网站插图推荐模型的训练方式，具体请参见下文。
97.s105：获取所述网站推荐模型输出的推荐分值。
98.在将网站插图数据输入到网站推荐模型后，获得网站推荐模型输出的推荐分值，可以理解的是，通过网站推荐模型输出的推荐分值可以用于确定是否向用户进行网站插图数据的推荐。
99.s106：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。
100.本技术实施例中，将预先设置的分值与网站推荐模型输出的推荐分值进行大小比较，若网站推荐模型输出的推荐分值大于预先设置的分值，则可以向用户推荐该网站插图数据，若网站推荐模型输出的推荐分值小于预先设置的分值，则不能向用户推荐该网站插图数据。例如，预先设置的分值为0.5，则在推荐分值大于0.5时，向用户推荐该网站插图数据。若推荐分值小于0.5，则不向用户推荐该网站插图数据。如此，使得向用户推荐的网站插图符合用户的兴趣和需求，提高用户对于网站插图的点击率，实现对网站插图(banner图)“千人千面”的个性化展示。
101.基于s101-s106的相关内容，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。
102.本技术实施例提供了一种网站插图推荐模型的训练方式，所述网站插图推荐采用如下方式训练得到，具体如下步骤a1-a9所示：
103.a1：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。
104.本技术实施例中，可以通过爬虫技术采集训练数据。也可以通过数据采集系统对训练数据进行采集。在此不对训练数据的获取方式进行限定。
105.可以理解的是，采集到的训练数据可以是用户180天内对网站插图(banner图)点击行为日志，包括网站插图页面展示停留时长、网站插图详情页浏览时长、网站插图对应的内容标签等。网站插图对应的内容标签可以是，信用卡标签、理财基金标签、旅游资讯等标签。a2：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。
106.再采用深度学习中的随机向量的赋值方式，对于已经具有标签的网站插图赋予一个初始化的向量，该向量符合高斯分布。
107.a3：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。
108.在一种可能实现的方式中，将用户在网站插图的历史停留时长、网站插图的标识信息、用户在网站插图详情页的历史浏览时长和网站插图对应的内容标签对应的第一目标值，进行随机向量初始化，得到embedding行为序列。
109.a4：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。
110.将网站插图调整为224*224*3像素大小的新图片。
111.a5：将所述待输入网站插图输入卷积神经网络模型。
112.加载预训练好的卷积神经网络模型resnet50，并将224*224*3像素大小的新图片输入卷积神经网络模型resnet50。a6：获取所述卷积神经网络模型的输出层输出的embedding内容序列。
113.获得卷积神经网络模型resnet50输出层输出的embedding内容序列。
114.a7：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。
115.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；
116.将所述待输入向量输入神经网络模型，通过神经网络模型中的点击率公式可以获得目标点击率，即点击率预估值，具体公式如下：
117.y＝dnn(concat(e
behavior
，e
content
))
118.其中是e
behavior
行为向量，e
content
是内容向量，y为点击率预估值。
119.若所述点击率预估值大于预设点击率标准值，则可以预测用户点击过该网站插
图，若所述点击率预估值小于预设点击率标准值，则可以预测用户并未点击过该网站插图。再获取用户对于该网站插图的行为标签，该行为标签可以用于确定是否对于该网站插图进行点击，计算所述主损失函数。
120.a8：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。
121.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；
122.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；
123.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；
124.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；
125.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。也就是说，通过判断对比embedding行为序列和目标embedding行为序列的余弦相似度是否大于预设余弦相似度标准值，若余弦相似度大于预设余弦相似度标准值，则目标网站插图的历史行为日志和对比网站插图的历史行为日志两者互为正样本关系，根据该正样本关系计算辅助损失函数(infonce损失函数值)。
126.若余弦相似度小于预设余弦相似度标准值，则目标网站插图和对比网站插图两者互为负样本关系，根据该负样本关系计算辅助损失函数(infonce损失函数值)。
127.可以理解的是，本实施例中，通过无监督对比学习的方式去建模2次采样结果之间的匹配程度，进而可以定义目标网站插图的历史行为日志和对比网站插图的历史行为日志两者互为正样本关系或者互为负样本关系，根据该正样本关系或者计算负样本关系辅助损失函数(infonce损失函数值)。
128.a9：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。
129.将所述目标损失函数(主损失函数)和辅助损失函数进行加权融合，获得综合损失函数，综合损失函数即为最终训练模型的损失函数。利用所述综合损失函数对于待训练模型进行训练，得到网站插图推荐模型。
130.需要说明的是，本技术提供的一种网站插图推荐方法和装置，可用于金融领域或其他领域，上述仅为示例，并不对本技术提供的一种网站插图推荐方法和装置的应用领域进行限定。
131.上述各个实施例的具体实施过程及其衍生方式，均在本技术的保护范围之内。
132.与图1所述的方法相对应，本技术实施例还提供了一种网站插图推荐装置，用于对图1中方法的具体实现，本技术实施例提供的网站插图推荐装置可以应用计算机终端或各种移动设备中，其结构示意图如图2所示，该网站插图推荐装置具体包括：
133.第一获取模块201，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；
134.确定模块202，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；
135.第二获取模块203，用于获取待推荐网站插图数据；
136.输入模块204，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；
137.第三获取模块205，用于获取所述网站推荐模型输出的推荐分值；
138.推荐模块206，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。
139.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：
140.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；
141.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；
142.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；
143.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；
144.将所述待输入网站插图输入卷积神经网络模型；
145.获取所述卷积神经网络模型的输出层输出的embedding内容序列；
146.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；
147.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；
148.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。
149.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：
150.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；
151.将所述待输入向量输入神经网络模型，获得目标点击率；
152.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。
153.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：
154.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；
155.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；
156.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；
157.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；
158.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；
159.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；
160.基于所述日志关系计算辅助损失函数。
161.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：
162.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；
163.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。
164.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；
165.所述存储器，用于存储一个或多个程序；
166.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，实现如上述任一项实施例所述的网站插图推荐方法。
167.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任一项实施例所述的网站插图推荐方法。
168.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
169.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种网站插图推荐方法，其特征在于，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；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。2.根据权利要求1所述的方法，其特征在于，所述网站插图推荐模型，采用如下方式训练得到：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；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；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；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；将所述待输入网站插图输入卷积神经网络模型；获取所述卷积神经网络模型的输出层输出的embedding内容序列；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；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；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。3.根据权利要求2所述的方法，其特征在于，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：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；将所述待输入向量输入神经网络模型，获得目标点击率；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。4.根据权利要求2所述的方法，其特征在于，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：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；
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；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；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；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；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；基于所述日志关系计算辅助损失函数。5.根据权利要求2所述的方法，其特征在于，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：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；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。6.一种网站插图推荐装置，其特征在于，所述装置包括第一获取模块，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；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；第二获取模块，用于获取待推荐网站插图数据；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；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；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。7.根据权利要求6所述的装置，其特征在于，所述网站插图推荐模型，采用如下方式训练得到：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；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；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；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；将所述待输入网站插图输入卷积神经网络模型；
获取所述卷积神经网络模型的输出层输出的embedding内容序列；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；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；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。8.根据权利要求7所述的装置，其特征在于，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：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；将所述待输入向量输入神经网络模型，获得目标点击率；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。9.一种网站插图推荐设备，其特征在于，包括：处理器和存储器；所述存储器，用于存储一个或多个程序；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，实现如权利要求1-5中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，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，使得所述设备执行如权利要求1-5任一项所述的方法。

技术总结
本申请提供了一种网站插图推荐方法、装置、设备及可读存储介质，可应用于金融领域或其他领域，首先，获取目标用户的访问请求，目标用户的访问请求包括目标用户标识，再基于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，将待推荐网站插图数据输入预先训练完成的网站插图推荐模型，获取网站推荐模型输出的推荐分值，若推荐分值大于预设分值，则向目标用户推荐待推荐网站插图数据。如此，可以通过网站插图推荐模型计算出待推荐图片的推荐分值，再将推荐分值满足预设分值待推荐网站插图推荐给用户，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。流失。流失。


技术研发人员：李甜甜
受保护的技术使用者：中国银行股份有限公司
技术研发日：2023.06.30
技术公布日：2023/10/7