本申请涉及人工智能，尤其涉及一种兴趣推荐方法、装置、电子设备及存储介质。
背景技术：
1、个性化推荐服精准的捕捉用户的兴趣偏好，针对用户的个性化需求从全部候选音乐集合中为用户快速地推荐n个音乐。在候选音乐量级很大的情况下，如果将音乐特征直接逐个输入到推荐模型中打分、排序将十分消耗计算资源，成为推荐服务的性能瓶颈，因此业界通常采用召回算法相对快速且准确的过滤从庞大音乐集合中过个性化的筛选出用户喜爱音乐。但常见的召回算法存在以下不足：
2、(1)在实际场景中通常存有海量音乐集以及海量用户，传统召回算法的计算方式将导致推荐服务计算时延过长，严重影响用户体验。
3、(2)存在推荐音乐多样性差的问题，往往浏览量较大的热门音乐被推荐的概率更高而浏览量较小的音乐则推荐概率较低，进而导致推荐音乐的多样性较差。
4、(3)未考虑用户的浏览记录中存在的时序性信息，忽略了用户的兴趣演化过程。同时未考虑到用户短期兴趣行为与长期兴趣行为由于存在各自特征，无法简单融合处理，导致推荐效果不佳。
技术实现思路
1、为解决相关技术问题，本申请实施例提供一种兴趣推荐方法、装置、电子设备及存储介质。
2、本申请实施例的技术方案是这样实现的：
3、本申请实施例提供了一种兴趣推荐方法，包括：
4、获取用户的属性信息和行为信息；
5、基于所述属性信息和所述行为信息确定所述用户的第一时期的第一兴趣向量和第二时期的第二兴趣向量；
6、对所述第一兴趣向量和所述第二兴趣向量进行融合处理，得到所述用户的第三兴趣向量；
7、基于所述第三兴趣向量对所述用户进行兴趣推荐。
8、上述方案中，所述行为信息包括第一时期的第一兴趣特征和第二时期的第二兴趣特征；所述基于所述属性信息和所述行为信息确定所述用户的第一时期的第一兴趣向量和第二时期的第二兴趣向量，包括：
9、将所述属性信息和所述第一兴趣特征和第二兴趣特征输入至预设的兴趣召回模型，得到所述第一兴趣向量和所述第二兴趣向量。
10、上述方案中，所述预设的兴趣召回模型包括第一时期的第一兴趣网络和第二时期的第二兴趣网络，所述将所述属性信息和所述第一兴趣特征和第二兴趣特征输入至预设的兴趣召回模型，得到所述第一兴趣向量和所述第二兴趣向量，包括：
11、利用所述第一兴趣网络对所述属性信息和所述第一兴趣特征进行建模处理，得到所述第一兴趣向量；
12、利用所述第二兴趣网络对所述属性信息和所述第二兴趣特征进行建模处理，得到所述第二兴趣向量。
13、上述方案中，所述第一兴趣网络包括时间卷积网络(temporal convolutionalnetwork，tcn)，所述利用所述第一兴趣网络对所述属性信息和所述第一兴趣特征进行建模处理，得到所述第一兴趣向量，包括：
14、基于所述第一兴趣特征和所述tcn确定所述用户的时序信息；
15、利用预设的深度神经网络(deep neural networks，dnn)对所述属性信息和所述时序信息进行学习训练，得到所述第一兴趣向量。
16、上述方案中，所述利用预设的深度神经网络dnn对所述属性信息和所述时序信息进行学习训练，得到所述第一兴趣向量，包括：
17、利用预设的注意力网络对所述时序信息进行去噪处理，得到去噪后的时序信息；
18、基于所述去噪后的时序信息、所述属性信息和所述dnn确定所述用户的第一兴趣权重；
19、根据所述第一兴趣权重确定所述第一兴趣向量。
20、上述方案中，所述第二兴趣特征包括历史兴趣特征；所述利用所述第二兴趣网络对所述属性信息和所述第二兴趣特征进行建模处理，得到所述第二兴趣向量，包括：
21、利用所述第二兴趣网络对所述属性信息和所述历史兴趣特征进行建模处理，得到所述第二兴趣向量。
22、上述方案中，所述对所述第一兴趣向量和所述第二兴趣向量进行融合处理，得到所述用户的第三兴趣向量，包括：
23、基于所述第一兴趣向量和所述第二兴趣向量确定所述第一兴趣向量的第一权重系数；所述第一权重系数表征所述第一兴趣向量对所述第三兴趣向量的贡献程度的占比；
24、根据所述第一权重系数确定所述第二兴趣向量的第二权重系数；所述第二权重系数表征所述第二兴趣向量对所述第三兴趣向量的贡献程度的占比；
25、基于所述第一权重系数、所述第二权重系数、所述第一兴趣向量和所述第二兴趣向量确定所述第三兴趣向量。
26、上述方案中，所述方法还包括：
27、获取所述用户的待测兴趣信息；
28、确定所述待测兴趣信息与所述第一兴趣向量的相似程度的第一系数和所述待测兴趣信息与所述第二兴趣向量的相似程度的第二系数；
29、基于所述第一系数和所述第二系数确定所述待测兴趣信息的第四兴趣向量；
30、根据所述第四兴趣向量对所述用户进行兴趣推荐。
31、本申请实施例还提供了一种兴趣推荐装置，包括：
32、获取单元，用于获取用户的属性信息和行为信息；
33、确定单元，用于基于所述属性信息和所述行为信息确定所述用户的第一时期的第一兴趣向量和第二时期的第二兴趣向量；
34、处理单元，用于对所述第一兴趣向量和所述第二兴趣向量进行融合处理，得到所述用户的第三兴趣向量；
35、推荐单元，用于基于所述第三兴趣向量对所述用户进行兴趣推荐。
36、本申请实施例还提供了一种电子设备，包括：
37、存储器，用于存储可执行指令；
38、处理器，用于执行所述存储器中存储的可执行指令时，实现上述所述方法的任一步骤。
39、本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时，实现上述所述方法的任一步骤。
40、本申请实施例还提供一种计算机可读存储介质，存储有可执行指令，用于被处理器执行时，实现上述所述方法的任一步骤。
41、本申请实施例提供的兴趣推荐方法、装置、电子设备及存储介质，其中，方法包括：获取用户的属性信息和行为信息；基于所述属性信息和所述行为信息确定所述用户的第一时期的第一兴趣向量和第二时期的第二兴趣向量；对所述第一兴趣向量和所述第二兴趣向量进行融合处理，得到所述用户的第三兴趣向量；基于所述第三兴趣向量对所述用户进行兴趣推荐，本申请实施例的方案，通过用户的属性信息和行为信息确定用户的第一时期(例如，长期)的第一兴趣向量和第二时期(例如，短期)的第二兴趣向量；对第一兴趣向量和第二兴趣向量进行融合处理，得到用户的第三兴趣向量；基于第三兴趣向量对所述用户进行兴趣推荐。即对用户长期兴趣与短期兴趣分别处理，并进行有效融合处理，进而对用户进行兴趣推荐，提升兴趣推荐的效果。
1.一种兴趣推荐方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述行为信息包括第一时期的第一兴趣特征和第二时期的第二兴趣特征；所述基于所述属性信息和所述行为信息确定所述用户的第一时期的第一兴趣向量和第二时期的第二兴趣向量，包括：
3.根据权利要求2所述的方法，其特征在于，所述预设的兴趣召回模型包括第一时期的第一兴趣网络和第二时期的第二兴趣网络，所述将所述属性信息和所述第一兴趣特征和第二兴趣特征输入至预设的兴趣召回模型，得到所述第一兴趣向量和所述第二兴趣向量，包括：
4.根据权利要求3所述的方法，其特征在于，所述第一兴趣网络包括时间卷积网络tcn，所述利用所述第一兴趣网络对所述属性信息和所述第一兴趣特征进行建模处理，得到所述第一兴趣向量，包括：
5.根据权利要求4所述的方法，其特征在于，所述利用预设的深度神经网络dnn对所述属性信息和所述时序信息进行学习训练，得到所述第一兴趣向量，包括：
6.根据权利要求3所述的方法，其特征在于，所述第二兴趣特征包括历史兴趣特征；所述利用所述第二兴趣网络对所述属性信息和所述第二兴趣特征进行建模处理，得到所述第二兴趣向量，包括：
7.根据权利要求1-6任一项所述的方法，其特征在于，所述对所述第一兴趣向量和所述第二兴趣向量进行融合处理，得到所述用户的第三兴趣向量，包括：
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
9.一种兴趣推荐装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括：
11.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于被处理器执行时，实现权利要求1至8任一项所述的兴趣推荐方法。
