本公開涉及計算機，尤其涉及深度學習、智能推薦、大模型等人工智能，具體涉及一種基于大模型的推薦方法、裝置、電子設備及存儲介質。

背景技術：

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，各種各樣的信息流產(chǎn)品應運而生，信息流產(chǎn)品以瀑布流的方式分發(fā)內容產(chǎn)品，常見的信息流產(chǎn)品如購物類應用，其對應分發(fā)的內容產(chǎn)品為商品；新聞類應用，其對應分發(fā)的內容產(chǎn)品為新聞信息等。

2、然而，目前的推薦系統(tǒng)，多是采用固定的話術進行內容推薦，方式單一，進而導致推薦效果差，準確性低的問題。

技術實現(xiàn)思路

1、本公開提供了一種基于大模型的推薦方法、裝置、電子設備及存儲介質。

2、根據(jù)本公開的第一方面，提供了一種基于大模型的推薦方法，包括：

3、確定目標用戶對應的感興趣內容描述信息；

4、將待推薦內容、所述感興趣內容描述信息和當前的熱門搜索語句，輸入大模型中，生成所述待推薦內容對應的至少一個推薦卡片，其中所述推薦卡片中包含與所述待推薦內容關聯(lián)的推薦語；

5、獲取所述目標用戶當前的行為特征；

6、在所述當前的行為特征滿足推薦卡片的顯示條件的情況下，顯示至少一個待推薦內容對應的推薦卡片。

7、根據(jù)本公開的第二方面，提供了一種基于大模型的推薦裝置，包括：

8、確定模塊，用于確定目標用戶對應的感興趣內容描述信息；

9、生成模塊，用于將待推薦內容、所述感興趣內容描述信息和當前的熱門搜索語句，輸入大模型中，生成所述待推薦內容對應的至少一個推薦卡片，其中所述推薦卡片中包含與所述待推薦內容關聯(lián)的推薦語；

10、獲取模塊，用于獲取所述目標用戶當前的行為特征；

11、顯示模塊，用于在所述當前的行為特征滿足推薦卡片的顯示條件的情況下，顯示至少一個待推薦內容對應的推薦卡片。

12、根據(jù)本公開的第三方面，提供了一種電子設備，包括：

13、至少一個處理器；以及

14、與所述至少一個處理器通信連接的存儲器；其中，

15、所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行如第一方面所述的基于大模型的推薦方法。

16、根據(jù)本公開第四方面，提供了一種存儲有計算機指令的非瞬時計算機可讀存儲介質，所述計算機指令用于使所述計算機執(zhí)行如第一方面所述的基于大模型的推薦方法。

17、根據(jù)本公開的第五方面，提供了一種計算機程序產(chǎn)品，包括計算機指令，所述計算機指令在被處理器執(zhí)行時實現(xiàn)如第一方面所述的基于大模型的推薦方法的步驟。

18、本公開提供的基于大模型的推薦方法、裝置、電子設備及存儲介質，存在如下有益效果：

19、本公開實施例中，先確定目標用戶對應的感興趣內容描述信息，之后將待推薦內容、感興趣內容描述信息和當前的熱門搜索語句，輸入大模型中，生成待推薦內容對應的至少一個推薦卡片，進而獲取目標用戶當前的行為特征，最后在當前的行為特征滿足推薦卡片的顯示條件的情況下，顯示至少一個待推薦內容對應的推薦卡片。由此，不僅可以結合不同用戶的感興趣內容描述信息、熱門搜索語句，針對同一個待推薦內容，為不同的用戶生成不同的推薦卡片，使得生成的推薦卡片更貼合用戶偏好，而且可以根據(jù)用戶當前的行為，為用戶顯示推薦卡片，提高了推薦形式的多樣性及準確性。

20、應當理解，本部分所描述的內容并非旨在標識本公開的實施例的關鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。

技術特征：

1.一種基于大模型的推薦方法，包括：

2.如權利要求1所述的方法，其中，在所述將待推薦內容、所述感興趣內容描述信息和當前的熱門搜索語句，輸入大模型中，生成所述待推薦內容對應的至少一個推薦卡片，其中所述推薦卡片中包含與所述待推薦內容關聯(lián)的推薦語之前，還包括：

3.如權利要求1所述的方法，其中，所述在所述當前的行為特征滿足推薦卡片的顯示條件的情況下，顯示至少一個待推薦內容對應的推薦卡片，包括：

4.如權利要求3所述的方法，其中，所述基于所述滿足的顯示條件的類型，確定目標推薦內容，包括：

5.如權利要求4所述的方法，其中，所述基于所述目標用戶當前消費的內容，確定所述目標推薦內容，包括：

6.如權利要求4所述的方法，其中，所述基于顯示界面當前顯示的內容，確定所述目標推薦內容，包括：

7.如權利要求1-6任一所述的方法，其中，在所述顯示至少一個待推薦內容對應的推薦卡片之后，還包括：

8.如權利要求7所述的方法，其中，在所述確定所述推薦卡片的得分之后，還包括：

9.如權利要求7所述的方法，其中，所述獲取所述推薦卡片對應的第二交互信息，包括：

10.如權利要求7所述的方法，其中，所述針對每個推薦卡片，基于點擊率預測模型確定所述推薦卡片的點擊率，包括：

11.如權利要求10所述的方法，其中，所述方法還包括：

12.一種基于大模型的推薦裝置，包括：

13.如權利要求12所述的裝置，其中，還包括第一處理模塊，用于：

14.如權利要求12所述的裝置，其中，所述顯示模塊，用于：

15.如權利要求14所述的裝置，其中，所述顯示模塊，用于：

16.如權利要求15所述的裝置，其中，所述顯示模塊，用于：

17.如權利要求15所述的裝置，其中，所述顯示模塊，用于：

18.如權利要求12-17任一所述的裝置，其中，還包括第二處理模塊，用于：

19.如權利要求18所述的裝置，其中，所述第二處理模塊，還用于：

20.如權利要求18所述的裝置，其中，所述第二處理模塊，用于：

21.如權利要求18所述的裝置，其中，所述第二處理模塊，用于：

22.如權利要求21所述的裝置，其中，所述裝置還包括第三處理模塊，用于：

23.一種電子設備，包括：

24.一種存儲有計算機指令的非瞬時計算機可讀存儲介質，其中，所述計算機指令用于使所述計算機執(zhí)行權利要求1-11中任一項所述的方法。

25.一種計算機程序產(chǎn)品，包括計算機指令，所述計算機指令被處理器執(zhí)行時實現(xiàn)權利要求1-11中任一項所述方法的步驟。

技術總結
本公開提供了一種基于大模型的推薦方法、裝置、電子設備及存儲介質，涉及計算機技術領域，尤其涉及深度學習、智能推薦、大模型等人工智能技術領域。具體實現(xiàn)方案為：確定所述目標用戶對應的感興趣內容描述信息；將待推薦內容、所述感興趣內容描述信息和當前的熱門搜索語句，輸入大模型中，生成所述待推薦內容對應的至少一個推薦卡片，其中所述推薦卡片中包含與所述待推薦內容關聯(lián)的推薦語；獲取所述目標用戶當前的行為特征；在所述當前的行為特征滿足推薦卡片的顯示條件的情況下，顯示至少一個待推薦內容對應的推薦卡片。

技術研發(fā)人員：王朝旭,謝強,鄭宇航,秦首科,吳宗剛,邵院華,王雁,常若涵,吳晴晴,王璐,郭頌歌,李暢,曹茜,吳倩,胡小雨,劉慧捷,郭宇,薛輝,程汝峰
受保護的技術使用者：北京百度網(wǎng)訊科技有限公司
技術研發(fā)日：
技術公布日：2024/12/19