(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111261663.5 (22)申请日 2021.10.28 (71)申请人 腾讯科技 （深圳） 有限公司 地址 518057 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 陈维龙　张绍亮　谢若冰　夏锋　 林乐宇　 (74)专利代理 机构 深圳翼盛智成知识产权事务 所(普通合伙) 44300 代理人 李玉婷 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9538(2019.01) G06N 20/00(2019.01) (54)发明名称 一种信息推荐 方法、 系统及存储介质和服务 器 (57)摘要 本发明实施例公开了一种信息推荐 方法、 系 统及存储介质和服务器， 应用于基于人工智能的 信息处理技术领域。 通过预训练的信息推荐模型 输出信息访问请求对应的信息推荐列表， 而该信 息推荐模型在预训练的过程中， 可以通过教师过 滤子模块和学生过滤子模块分别选出相应的一 部分样本信息， 以过滤掉对教师子模块和学生子 模块的训练产生干扰的训练样 本， 使得对信息推 荐模型的训练更准确， 且由于教师子模块和学生 子模块所处理的样本信息较少， 使得对信息推荐 模型的训练所花费的时间较少， 进而本发明实施 例中应用后台向应用终端进行信息推荐时， 会更 准确且响应时间会 减少。 权利要求书3页 说明书14页 附图8页 CN 114329175 A 2022.04.12 CN 114329175 A 1.一种信息推荐方法， 其特 征在于， 包括： 获取信息访问请求； 根据所述用户访问请求及预训练的信 息推荐模型确定信 息推荐列表， 所述信 息推荐列 表包括多条推荐信息； 输出所述信息推荐列表； 其中， 所述信息推荐模型在预训练时： 确定训练样本， 所述训练样本包括多条样本信息； 确定信息推荐初始模型， 所述信息推荐初始模型包括教师过滤子模块、 教师子模块、 学 生过滤子模块及学生子模块； 其中， 所述教师过滤子模块用于从所述多条样本信息中选择第一部分样本信息， 所述 教师子模块用于确定所述第一部分样本信息是否为特定用户的推荐信息； 学生过滤子模块 用于从所述多 条样本信息选择第二部分样本信息， 学生子模块用于确定所述第二部 分样本 信息是否为特定用户的推荐信息， 所述学生子模块所包括的特征计算层比所述教师子模块 所包括的特 征计算层少； 根据所述训练样本及所述信 息推荐初始模型训练所述信 息推荐模型， 所述预训练的信 息推荐模型包括训练得到的学生子模块。 2.如权利要求1所述的方法， 其特 征在于， 所述教师子模块， 具体用于确定各个样本信 息的用户点击率， 则所述教师过滤子模块， 具体用于根据所述教师子模块确定的所述多个样本信息对应的用户点击率分别确定所述 多个样本信息的第一分值， 从所述多个样本信息中选择第一分值最高的一部分样本信息作 为所述第一部分样本信息； 所述学生子模块， 具体用于确定各个样本信 息的用户点击率， 则所述学生过滤子模块， 具体用于根据所述学生子模块确定的所述多个样本信息对应的用户点击率分别确定所述 多个样本信息的第二分值， 从所述多个样本信息中选择第二分值最高的一部分样本信息作 为所述第二部分样本信息 。 3.如权利要求1所述的方法， 其特征在于， 所述根据 所述训练样本及所述信 息推荐初始 模型训练得到信息推荐模型， 具体包括： 通过所述信息推荐初始模型确定所述第一部分样本信息是否属于特定用户的推荐信 息， 及确定所述第二部分样本信息是否属于特定用户的推荐信息； 根据所述信 息推荐初始模型确定的结果调整所述信 息推荐初始模型， 以得到所述信 息 推荐模型。 4.如权利要求3所述的方法， 其特征在于， 所述根据 所述信息推荐初始模型确定的结果 调整所述信息推荐初始模型， 具体包括： 根据所述信 息推荐初始模型确定的结果计算与 所述教师子模块相关的第 一损失函数、 计算与所述学生子模块相关的第二损失函数、 计算从所述教师子模块向学生子模块进 行蒸 馏的第三损失函数， 及计算所述教师子模块与学生子模块之间差值的第四损失函数； 根据所述第一损 失函数、 第二损 失函数、 第三损 失函数和第 四损失函数计算所述信息 推荐初始模型的整体损失函数； 根据所述整体损失函数调 整所述信 息推荐初始模型中参数的参数值， 以得到所述信 息权　利　要　求　书 1/3 页 2 CN 114329175 A 2推荐模型。 5.如权利要求4所述的方法， 其特征在于， 所述第 一部分样本信 息与第二部分信 息之间 的交集为共同样本信息， 则所述计算所述教师子模块与学生子模块之 间差值的第四损失函 数， 具体包括： 确定所述教师子模块确定的共同样本信息是否为特定用户的推荐信息的置信度； 计算所述教师子模块和学生子模块分别确定的所述共同样本信息是否为特定用户的 推荐信息之间的差值； 根据所述共同样本信息的置信度与差值计算所述第四损失函数。 6.如权利要求5所述的方法， 其特征在于， 所述确定所述教师子模块确定的共同样本信 息是否为特定用户的推荐信息的置信度， 具体包括： 对所述共同样本信 息中具有标签信 息的第一共同样本信 息， 根据所述教师子模块确定 的第一共同样本信息是否为特定用户的推荐信息与相 应第一共同样本信息中标签信息的 差值， 确定所述第一共同样本信息的置信度； 对所述共同样本信 息中不具有标签信 息的第二共同样本信 息， 确定所述第 二共同样本 信息对应的置信度为所述第一共同样本信息的平均置信度。 7.如权利要求3至6任一项所述的方法， 其特征在于， 当对所述参数值的调整次数等于 预置的次数时， 或若当前调整的参数值与上一次调整的参数值的差值小于一阈值时， 则停 止对所述 参数值的调整。 8.一种信息推荐系统， 其特 征在于， 包括： 请求获取 单元， 用于获取信息访问请求； 信息推荐单元， 用于根据所述用户访问请求及预训练的信 息推荐模型确定信 息推荐列 表， 所述信息推荐列表包括多条推荐信息； 输出单元， 用于输出所述信息推荐列表； 其中， 所述信息推荐模型在预训练时： 确定训练样本， 所述训练样本包括多条样本信 息； 确定信息推荐初始模型， 所述信息推荐初始模型包括教师过滤子模块、 教师子模块、 学 生过滤子模块及学生子模块； 其中， 所述教师过滤子模块用于从所述多条样本信息中选择 第一部分样本信息， 所述教师子模块用于确定所述第一部 分样本信息是否为特定用户的推 荐信息； 学生过滤子模块用于从所述多条样本信息选择第二部分样本信息， 学生子模块用 于确定所述第二部 分样本信息是否为特定用户的推荐信息， 所述学生子模块所包括的特征 计算层比所述教师子模块所包括的特征计算层少； 根据所述训练样本及所述信息推荐初始 模型训练所述信息推荐模型， 所述预训练的信息推荐模型包括训练得到的学生子模块。 9.一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储存多个计算机 程序， 所述计算机程序适于由处理器加载并执行如权利要求 1至7任一项 所述的信息推荐方 法。 10.一种服 务器， 其特 征在于， 包括处 理器和存 储器； 所述存储器用于储存多个计算机程序， 所述计算机程序用于由处理器加载并执行如权 利要求1至7任一项所述的信息推荐方法； 所述处理器， 用于实现所述多个计算机程序中的 各个计算机程序。 11.一种计算机程序， 其特征在于， 包括计算机指令， 所述计算机指令存储在计算机可权　利　要　求　书 2/3 页 3 CN 114329175 A 3