CN112100509A - 信息推荐方法、装置、服务器和存储介质 - Google Patents
信息推荐方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN112100509A CN112100509A CN202011288728.0A CN202011288728A CN112100509A CN 112100509 A CN112100509 A CN 112100509A CN 202011288728 A CN202011288728 A CN 202011288728A CN 112100509 A CN112100509 A CN 112100509A
- Authority
- CN
- China
- Prior art keywords
- target
- user
- vector
- training
- field
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种信息推荐方法、装置、服务器和存储介质,其中,方法包括,获取目标用户在参考领域下的参考用户向量,并调用映射模型对参考用户向量进行运算,得到目标用户在目标领域下的目标用户向量,根据目标用户向量为目标用户获取推荐信息,并将推荐信息在目标领域下进行推荐。其中,映射模型为通过样本用户集合在参考领域下的参考样本向量集合和在目标领域下的目标样本向量集合对基础映射模型训练得到,基础映射模型为通过K组训练向量集合对初始映射模型训练得到,通过不同类型的数据完成对映射模型的不同阶段的训练,并基于映射模型确定对用户进行推荐的信息,提升了信息推荐的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种信息推荐方法、装置、服务器和存储介质。
背景技术
随着互联网技术的发展,用户可以通过不同的领域(应用程序、公众号、视频号等)获取到各式各样的信息,由于信息的种类繁多,因此,可以对用户在相应领域中的浏览记录进行分析,得到用户感兴趣的信息(文字、图片、视频等),并将用户感兴趣的信息在领域中向用户进行推荐。然而,针对一个领域的新用户,用户与该领域未存在任何的交互数据,则无法获取到用户在该领域中的浏览记录,致使无法基于用户在该领域中存留的记录对用户进行冷启动信息推荐。
当前,每个领域都有自己的推荐系统,在推荐系统中每个用户都是用一个向量来进行表示,针对同一个用户在不同推荐系统中向量表示也是不同的。为解决冷启动信息推荐问题,当前实现了使用一个映射模型,学习不同推荐系统中用户向量的映射,使得用户在一个推荐系统中的向量表示迁移到另一个推荐系统,如当一个用户刚使用目标领域时,获取到用户在参考领域中的向量表示,并通过映射模型对参考领域中的向量表示进行处理,得到该用户在目标领域上的向量表示,上述方式中模型训练需要使用到大量的与参考领域和目标领域都有交互的样本用户的数据,并基于样本用户在不同领域的向量表示对模型进行训练,实际情况中,常常存在样本用户较少的情况,即只存在少量用户与参考领域和目标领域均有交互,则使得基于少量样本用户训练的映射模型在实际应用过程中的映射准确率较低,进而导致基于映射得到的用户向量推荐的信息与用户兴趣不匹配。
发明内容
本发明实施例提供了一种信息推荐方法、装置、服务器和存储介质,可以基于不同类型的数据完成对映射模型的不同阶段的训练,并基于训练完成的映射模型确定对用户进行推荐的信息,提升信息推荐的准确性。
一方面,本发明实施例提供了一种信息推荐方法,所述方法包括:
获取目标用户在参考领域下的参考用户向量;
调用映射模型对所述参考用户向量进行运算,得到所述目标用户在目标领域下的目标用户向量;
根据所述目标用户向量为所述目标用户获取推荐信息,并将所述推荐信息在所述目标领域下进行推荐;
其中,所述映射模型为通过样本向量集合对基础映射模型训练得到,所述样本向量集合包括,样本用户集合在所述参考领域下的参考样本向量集合和在所述目标领域下的目标样本向量集合;所述基础映射模型为通过K组训练向量集合对初始映射模型训练得到,所述K组训练向量集合包括,训练用户集合在K个领域中每个领域下的训练向量集合,K为正整数。
一方面,本发明实施例提供了一种信息推荐装置,所述装置包括:
获取模块,用于获取目标用户在参考领域下的参考用户向量;
处理模块,用于调用映射模型对所述参考用户向量进行运算,得到所述目标用户在目标领域下的目标用户向量;
所述获取模块,用于根据所述目标用户向量为所述目标用户获取推荐信息;
推荐模块,用于将所述推荐信息在所述目标领域下进行推荐;
其中,所述映射模型为通过样本向量集合对基础映射模型训练得到,所述样本向量集合包括,样本用户集合在所述参考领域下的参考样本向量集合和在所述目标领域下的目标样本向量集合;所述基础映射模型为通过K组训练向量集合对初始映射模型训练得到,所述K组训练向量集合包括,训练用户集合在K个领域中每个领域下的训练向量集合,K为正整数。
一方面,本发明实施例提供了一种服务器,包括处理器、输入接口、输出接口和存储器,所述处理器、输入接口、输出接口和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行所述信息推荐方法。
一方面,本发明实施例提供了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有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行所述信息推荐方法。
本发明实施例中,服务器获取目标用户在参考领域下的参考用户向量,并调用映射模型对参考用户向量进行运算,得到目标用户在目标领域下的目标用户向量,根据目标用户向量为目标用户获取推荐信息,并将推荐信息在所述目标领域下进行推荐。其中,映射模型为通过样本用户集合对应的样本向量集合对基础映射模型训练得到,样本向量集合包括样本用户集合在参考领域下的参考样本向量集合和在目标领域下的目标样本向量集合,基础映射模型为通过K组训练向量集合对初始映射模型训练得到,通过基于不同类型的数据完成对映射模型的不同阶段的训练,并基于映射模型确定对用户进行推荐的信息,提升信息推荐的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种信息推荐方法的流程示意图;
图2是本发明实施例提供的一种映射模型训练方法的流程示意图;
图3是本发明实施例提供的另一种信息推荐方法的流程示意图;
图4是本发明实施例提供的一种信息推荐系统架构示意图;
图5是本发明实施例提供的一种映射模型的调用流程示意图;
图6是本发明实施例提供的一种信息推荐装置的结构示意图;
图7是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
随着互联网技术的发展,用户可以通过不同的领域(应用程序、公众号、视频号等)获取到各式各样的信息,由于信息的种类繁多,因此,领域的后台服务器也会对用户在该领域中的浏览记录进行分析,得到用户感兴趣的信息(文字、图片、视频等),并将用户感兴趣的信息在领域中向用户进行推荐。
然而,针对在一种领域下新加入的用户,历史中用户与该领域未存在任何的交互数据,则无法获取到用户在该领域中的浏览记录,致使无法基于用户在该领域中存留的记录对用户进行冷启动信息推荐。通常情况下,用户会在其他领域下存留有交互数据,因此可以利用该用户在其他程序中的交互输入分析出用户的兴趣,进而对用户进行信息推荐,具体实现过程中,每个领域都有独立的推荐系统,在推荐系统中每个用户和对象可以用向量的形式来进行表示,同一个用户在不同推荐系统中向量表示以及交互数据的表示方式均不同,当前实现了使用一个映射模型,学习不同推荐系统中用户向量的映射,使得用户在一个推荐系统中的向量表示迁移到另一个推荐系统,如当一个用户刚使用目标领域时,获取到用户在参考领域中的向量表示,并通过映射模型对参考领域中的向量进行处理,得到该用户在目标领域上的向量表示,上述方式中模型训练需要使用到大量的与参考领域和目标领域都有交互的样本用户的数据,并基于样本用户在不同领域的向量表示对模型进行训练,实际情况中,常常存在样本用户较少的情况,即只存在少量用户与参考领域和目标领域均有交互,则使得训练的映射模型实际应用过程中的映射准确率较低,进而导致基于用户向量推荐的信息与用户兴趣不匹配。
基于此,本发明提出了一种信息推荐方法,该信息推荐方法具体应用了人工智能方案,人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。在本发明实施例提出的信息推荐方案中,通过使用一个映射模型,学习两个推荐系统中用户向量的映射,当一个用户在一个新的领域中时,获取到用户在已有领域中的交互数据,经过映射模型,得到该用户在新的领域上的向量表示,并基于该向量确定最终的推荐对象。在映射模型的训练过程中,本方案分为两个阶段,第一阶段为采用训练用户集合在不同领域下的向量集合对初始映射模型进行预训练,得到基础映射模型,该基础映射模型已具备学习模型间向量映射关系的能力,第二阶段对采用样本用户集合在需要进行信息推荐的目标领域中的向量集合以及在与目标领域相似的参考领域中的向量集合对基础映射模型进行训练,使得基础映射模型学习到参考领域和目标领域之间的向量映射关系,得到映射模型。本方案模型训练过程为基于预训练的模型的再次训练,所以只需要少量的与参考领域和目标领域均有交互的样本用户的数据,即可完成对于映射模型的训练。而在对模型进行预训练的过程中,需使得模型具备学习映射关系的能力,因此只需采用大量的与不同领域有交互的用户的数据即可,样本量充足,而无需获取到与指定的参考领域和目标领域均有交互的样本用户的数据,因此,本方案可以基于少量样本完成对于映射模型的训练,提升了映射模型在实际应用过程中的映射准确率,进而使得基于映射得到的用户向量推荐的信息与用户兴趣匹配度高。
具体的,本方案提供的信息推荐方法的大致流程如下,具体包括:①模型预训练,具体为通过训练用户集合在K个领域下的K组训练向量集合对初始映射模型进行训练,得到基础训练模型,使得基础训练模型具备学习向量间映射关系的能力。②模型训练调优,具体为通过样本用户集合在参考领域下的参考样本向量集合和在目标领域下的目标样本向量集合对基础映射模型进行训练,得到映射模型,该映射模型具备将参考领域下的向量映射到目标领域下的能力。具体的,在对基础训练模型的训练过程中,为基于N个子样本用户集合对应的向量集合训练得到的N个调试参数完成一次对基础映射模型的模型参数的更新。③获取目标用户在参考领域下的参考用户向量,并调用映射模型对参考用户向量进行运算,得到目标用户在目标领域下的目标用户向量。④根据目标用户向量为目标用户获取推荐信息,并将推荐信息在目标领域下进行推荐。
上述方案中,通过大量相关性弱的数据(训练用户的向量)对模型进行预训练,以及少量相关性强的数据(样本用户的向量)对模型进行训练调优,解决了模型训练过程中相关性强的样本数据较少的问题,提升了映射模型在实际应用过程中的映射准确率,进而使得基于映射得到的用户向量推荐的信息与用户兴趣匹配度高。通过多个调试参数完成对模型参数的一次更新,结合了多组样本的特征完成对参数的更新,使得迭代过程更具规律性,并且,在样本用户数量有限的情况下,本方案采用不同的组合方式对样本用户进行组合,得到多个子样本用户集合,并以子样本用户集合为训练单位完成对模型参数的更新,可以提升样本数据的数量,实现了对样本的扩充,进一步解决了模型训练过程中相关性强的样本数据较少的问题。
基于上述描述,本发明实施例提供一种信息推荐方法,请参见图1,该信息推荐过程可包括以下步骤S101-S103:
S101、服务器获取目标用户在参考领域下的参考用户向量。
本发明实施例中,目标用户可以在不同的领域下对应有不同的用户向量,领域具体可以为应用程序,此时目标用户具体可以采用目标用户在应用程序中的账号来表示,即在目标用户使用不同的应用程序时,应用程序中用以表示目标用户的特征的向量不同,其中,用户向量具体可以为用户在领域中的兴趣特征的向量表示,当领域为应用程序时,兴趣特征具体可以为用户对于应用程序中各个对象的浏览兴趣,具体可以基于用户对于不同类型对象的浏览次数、浏览时长等确定。则参考用户向量即为在参考领域下用于表示目标用户的兴趣特征的向量,该参考用户向量具体可以用于后续确定用户对于参考领域中待推荐的各个对象的兴趣度,并对兴趣度高的对象在参考领域中进行推荐。
其中,参考领域具体可以指代任意一个领域,用于与目标领域形成区分,在参考领域中,具体以参考用户向量在表示目标用户,服务器可以获取目标用户在参考领域下的参考用户向量,例如,参考领域为参考应用程序,则服务器可以从参考应用程序的后台服务器中获取到目标用户对应的参考用户向量,其中,应用程序可以为网页应用程序、视频应用程序、社交应用程序等。
S102、服务器调用映射模型对参考用户向量进行运算,得到目标用户在目标领域下的目标用户向量。
本发明实施例中,服务器获取到目标用户在参考领域下的参考用户向量之后,可以调用映射模型对参考用户向量进行运算,得到目标用户在目标领域下的目标用户向量。
具体实现中,目标用户可以在目标领域下无交互数据或只有少量交互数据,即无法基于目标用户在目标领域中的浏览信息进行数据分析,进而准确确定目标用户在目标领域下的用户向量。此时,服务器则可以调用映射模型对目标用户在参考领域下的参考用户向量进行运算,以得到目标用户在目标领域下的目标用户向量。其中,目标用户向量具体用于表示目标用户在目标领域下的兴趣特征,并用于后续确定用户对于目标领域中待推荐的各个对象的兴趣度,以及对兴趣度高的对象在目标领域中进行推荐。
在一种实现方式中,目标用户在目标领域下无交互数据,则服务器可以调用映射模型对参考用户向量进行运算,并将运算得到的向量作为目标用户在目标领域下的目标用户向量。可选的,目标用户在目标领域下存在交互数据,则服务器可以调用映射模型对参考用户向量进行运算,得到第一目标用户向量,并获取到基于交互数据运算得到的第二目标用户向量,服务器将第一目标用户向量和第二目标用户向量进行融合,得到目标用户在目标领域下的目标用户向量,融合的方式包括取平均值、点积运算等,在此不做限定。
需要说明的是,映射模型为通过样本向量集合对基础映射模型训练得到,样本向量集合包括,样本用户集合在参考领域下的参考样本向量集合和在目标领域下的目标样本向量集合;基础映射模型为通过K组训练向量集合对初始映射模型训练得到,K组训练向量集合包括,训练用户集合在K个领域中每个领域下的训练向量集合,K为正整数。基础映射模型的训练过程包括多次对基础映射模型的模型参数的迭代更新,每次对模型参数的迭代更新过程,为对基础映射模型的模型参数和N组调试参数运算过程,调试参数为基于一组子样本用户向量集合训练得到,每组子样本用户向量集合为,N组子样本用户集合中任意一组子样本用户集合对应的向量集合,N组子样本用户集合为基于样本用户集合筛选得到。
需要说明的是,映射模型的训练过程具体如下,服务器获取样本用户集合,从样本用户集合中筛选出N组子样本用户集合,并从样本向量集合确定出每组子样本用户集合对应的向量集合,每组子样本用户集合对应的向量集合包括,每组子样本用户集合在参考领域下的参考子样本向量集合和在目标领域下的目标子样本向量集合;服务器基于每组子样本用户集合对应的向量集合对基础映射模型进行训练,得到N个调试参数;基于N个调试参数对基础映射模型中的模型参数进行更新;若模型参数更新后的基础映射模型满足预设条件,则将模型参数更新后的基础映射模型确定为映射模型,预设条件包括基础映射模型对于每组子样本用户集合对应的向量集合中各个向量的映射准确率高于预设准确率。
具体的,服务器基于N组子样本用户集合中的任意一组目标子样本用户集合对应的向量集合对基础映射模型进行训练的方式包括:服务器对目标子样本用户集合进行拆分处理,得到第一目标子样本用户集合和第二目标子样本用户集合,目标子样本用户集合为N组子样本用户集合中的任意一组子样本用户集合,服务器获取第一目标子样本用户集合对应的第一向量集合,以及第二目标子样本用户集合对应的第二向量集合,服务器基于第一向量集合对基础映射模型进行训练,得到第一损失值,并基于第一损失值将基础映射模型的模型参数由第一参数更新为第二参数;基于第二向量集合对模型参数更新为第二参数后的基础映射模型进行训练,得到第二损失值;服务器基于第二损失值和第一参数确定目标子样本用户集合对应的目标调试参数。
其中,第一向量集合包括第一目标子样本用户集合在参考领域下的第一参考用户向量集合,以及第一目标子样本用户集合在目标领域下的第一目标用户向量集合;服务器基于第一向量集合对基础映射模型进行训练,得到第一损失值的具体方式可以为,服务器调用基础映射模型对第一参考用户向量集合进行运算,得到第一预测样本向量集合,并计算第一预测样本向量集合与第一目标用户向量集合之间的均方误差,以及将均方误差作为第一损失值。
第二向量集合包括第二目标子样本用户集合在参考领域下的第二参考用户向量集合,以及在目标领域下的第二目标用户向量集合,服务器基于第二向量集合对模型参数更新为第二参数后的基础映射模型进行训练,得到第二损失值的具体方式可以为,服务器调用参数更新后的基础映射模型对第二参考用户向量集合进行运算,得到第二预测样本向量集合,并计算第二预测样本向量集合与第二目标用户向量集合之间的均方误差,以及将均方误差作为第二损失值。
服务器基于第二损失值和第一参数确定目标子样本用户集合对应的目标调试参数的具体方式可以为,服务器基于第二损失值对第一参数进行二阶求偏导处理,得到目标子样本用户集合对应的目标调试参数,该目标调试参数即为对基础映射模型中的模型参数进行更新的N个调试参数中的一个。
服务器基于N个调试参数对基础映射模型中的模型参数进行更新的具体方式可以为,服务器对N个调试参数进行求和处理,得到目标和值;并获取目标和值对应的加权系数,以及采用加权系数对目标和值进行加权处理,得到加权和值,服务器将基础映射模型中的模型参数由第一参数更新为,第一参数与加权和值之间的差值。上述方式中,采用不同的组合方式对样本用户进行组合,得到多个子样本用户集合,以及以子样本用户集合为训练单位完成对模型参数的更新,可以提升样本数据的数量,实现了对样本的扩充,解决了模型训练过程中相关性强的样本数据较少的问题。
还需要说明的是,服务器通过训练用户集合在K个领域下的K组训练向量集合对初始映射模型进行训练,得到基础训练模型的具体方式可以为,服务器获取训练用户集合;确定训练用户集合在K个领域中每个领域下的训练向量集合,得到K组训练向量集合;服务器对K组训练向量集合进行组合,得到M个向量集合组合,每个向量集合组合中包括K组训练向量集合中任意两组训练向量集合,并通过M个向量集合组合中各个向量集合组合对初始映射模型进行训练,得到基础映射模型,其中,M为正整数。
具体实现中,服务器通过M个向量集合组合中各个向量集合组合对初始映射模型进行训练,得到基础映射模型的具体方式可以为,服务器通过M个向量集合组合中第一向量集合组合对初始映射模型进行训练,以对初始映射模型中的参数进行更新,第一向量集合组合中包括第一训练向量集合和第一测试向量集合,第一训练向量集合为训练用户集合在第一训练领域下的向量集合,第一测试向量集合为训练用户集合在第一测试领域下的向量集合;若参数更新后的初始映射模型对第一训练向量集合的第一映射准确率高于预设准确率,则通过M个向量集合组合中第二向量集合组合对参数更新后的初始映射模型进行训练,得到参考初始映射模型,第一映射准确率由初始映射模型对第一训练向量集合进行映射得到的第一映射向量集合与第一测试向量集合之间的相似度确定,第二向量集合组合中包括第二训练向量集合和第二测试向量集合,第二训练向量集合为训练用户集合在第二训练领域下的向量集合,第二测试向量集合为训练用户集合在二测试领域下的向量集合;若参考初始映射模型对第二训练向量集合的第二映射准确率高于预设准确率,则将参考初始映射模型确定为基础映射模型,第二映射准确率由参考初始映射模型对第二训练向量集合进行映射得到的第二映射向量集合与第二测试向量集合之间的相似度确定。其中,向量集合间的相似度具体可以由向量集合之间的均方误差确定,相似度具体随均方误差的增加而减小。需要说明的是,第二向量集合组合中向量的数量可以远低于第一向量集合组合中样本的数量,通过上述二次训练的方式,可以校验模型是否具备较好的迁移能力,即能否通过采用少量样本对参数更新后的初始映射模型进行训练,使得模型也能达到较高的映射准确率。
上述提及了采用M个向量集合组合中两个向量集合组合对初始映射模型的训练过程,实际应用中,可以采用上述方式完成对于M个向量集合组合的训练,如在确定参考初始映射模型对第二训练向量集合的第二映射准确率高于预设准确率之后,还可以通过M个向量集合组合中第三向量集合组合对参考初始映射模型进行训练,得到参数更新后的参考初始映射模型。上述方式可以使得初始映射模型中的部分参数调为更优。
其中,在通过M个向量集合组合中任一个向量组合对初始模型训练的过程中,包括多次对初始映射模型的模型参数的迭代更新,每次对模型参数的迭代更新过程,为对初始映射模型的模型参数和N组调试参数运算过程,调试参数为基于一组子训练用户向量集合训练得到,每组子训练用户向量集合为,N组子训练用户集合中任意一组子训练用户集合对应的向量集合,N组子训练用户集合为基于训练用户集合筛选得到。
S103、服务器根据目标用户向量为目标用户获取推荐信息,并将推荐信息在目标领域下进行推荐。
本发明实施例中,服务器调用映射模型对参考用户向量进行运算,得到目标用户在目标领域下的目标用户向量之后,可以根据目标用户向量为目标用户获取推荐信息,并将推荐信息在目标领域下进行推荐。
具体实现中,服务器得到目标用户在目标领域下的目标用户向量的具体方式可以为,服务器获取待推荐的对象集合中各个对象在目标领域下的对象向量,并基于目标用户向量和各个对象向量,确定针对待推荐的对象集合中各个对象的推荐指数;基于各个对象的推荐指数从待推荐的对象集合筛选出至少一个目标对象作为针对目标用户的推荐信息;并基于推荐指数与推荐方式的对应关系,确定针对推荐信息中目标对象的目标推荐方式,服务器基于目标推荐方式将目标对象在目标领域中进行推荐。其中,推荐方式包括推荐顺序、推荐时长和推荐频率中的至少一种,推荐指数与推荐方式的对应关系可以为,推荐指数越高,推荐顺序越靠前、推荐时长越长且推荐频率越高。
需要说明的是,待推荐的对象集合中各个对象的推荐指数的具体确定方式可以为,服务器对目标用户向量和各个对象向量分别进行点积运算,得到每个对象对应的点积值;并将各个对象对应的点积值确定为针对待推荐的对象集合中各个对象的推荐指数。通过上述方式,可以更加智能的为用户推荐相应的信息,使得推荐的信息与用户兴趣更为匹配。
在一种实现方式中,服务器根据目标用户向量为目标用户获取推荐信息,并将推荐信息在目标领域下进行推荐之前,还将获取目标用户在参照领域下的参照用户向量,服务器调用参照映射模型对参照用户向量进行运算,得到目标用户在目标领域下的参考目标用户向量,参照映射模型为通过样本用户集合在参照领域下的参照样本向量集合以及在目标领域下的目标样本向量集合对基础映射模型训练得到;若参考目标用户向量与目标用户向量之间的相似度大于预设相似度,则根据目标用户向量为目标用户获取推荐信息。可选的,若参考目标用户向量与目标用户向量之间的相似度小于预设相似度,则将参考目标用户向量与目标用户向量进行融合,得到目标向量,并基于根据目标向量为目标用户获取推荐信息。
其中,参照领域可以为与目标领域具有关联性的已有的领域,通过校验基于参照领域映射得到的参考目标用户向量与基于参考领域映射得到的目标用户向量进行比较,提供了对于目标用户向量的一致性校验方式,当基于不同领域映射得到的目标用户在目标领域中的不同向量表示之间的相似度低时,确定基于参考领域映射得到的目标用户向量的置信度较低,需要采用其他方式重新获取目标用户向量,当基于不同领域映射得到的目标用户在目标领域中的不同向量表示之间相似度高时,确定目标用户向量的置信度较高,即可根据目标用户向量为目标用户获取推荐信息,实现了对目标用户向量的置信度校验。
本发明实施例中,服务器获取目标用户在参考领域下的参考用户向量,并调用映射模型对参考用户向量进行运算,得到目标用户在目标领域下的目标用户向量,根据目标用户向量为目标用户获取推荐信息,并将推荐信息在目标领域下进行推荐。其中,映射模型的训练过程包括多次对模型参数的迭代更新,每次对模型参数的迭代更新过程,为对映射模型的模型参数和N个调试参数的运算过程,一个调试参数为基于一组子样本用户向量集合训练得到。通过分组迭代训练的方式得到映射模型,并基于映射模型确定对用户进行推荐的对象,提升了信息推荐的准确性。
基于上述描述,本发明实施例提供一种映射模型训练方法,请参见图2,该映射模型训练过程可包括以下步骤S201-S205:
S201、服务器获取样本用户集合。
本发明实施例中,样本用户集合中各个样本用户在参考领域和目标领域下均有交互数据,领域可以为应用程序、公众号、电子期刊等,如领域为应用程序,则样本用户集合中各个样本用户同时使用过第一应用程序和第二应用程序,即与第一应用程序和第二应用程序均存有交互数据。服务器可以获取在参考领域下的用户集合U s 和在目标领域下的用户集合U t ,并将U s 和U t 之间的交集作为样本用户集合U o 。
可选的,为了进一步保证样本用户具有代表性,服务器获取到U s 和U t 之间的交集之后,可以基于预设筛选条件对交集中的用户进行筛选,并将交集中满足筛选条件的用户确定为样本用户,以及基于筛选出的各个样本用户构建得到样本用户集合U o 。其中,筛选条件具体可以为在参考领域和目标领域下的交互数据的数据量均大于预设阈值,交互数据具体可以为对领域的浏览时长、浏览次数等,如领域为应用程序,则服务器将对第一应用程序和第二应用程序的浏览时长均大于预设时长的用户确定为样本用户。
S202、服务器从样本用户集合中筛选出N组子样本用户集合,并从样本向量集合确定出每组子样本用户集合对应的向量集合。
本发明实施例中,服务器获取到样本用户集合之后,可以从样本用户集合中筛选出N组子样本用户集合,并从样本向量集合确定出每组子样本用户集合对应的向量集合。每组子样本用户集合对应的向量集合包括每组子样本用户集合在参考领域下的参考子样本向量集合,以及在目标领域下的目标子样本向量集合。具体的,针对样本用户集合U o ,服务器从样本用户集合U o 筛选出N个子样本用户集合{U 1 ,……U n }。
S203、服务器基于每组子样本用户集合对应的向量集合对基础映射模型进行训练,得到N个调试参数。
本发明实施例中,服务器从样本向量集合确定出每组子样本用户集合对应的向量集合之后,将基于每组子样本用户集合对应的向量集合对基础映射模型进行训练,得到N个调试参数。
具体实现中,服务器对于N个子样本用户集合中每组子样本用户集合对应的调试参数的确定方式相同,下面具体对N个子样本用户集合中任意一个目标子样本用户集合U i 对应的调试参数ω i 确定方式进行详细说明。服务器对目标子样本用户集合U i 进行拆分处理,得到第一目标子样本用户集合U a 和第二目标子样本用户集合U b ,并获取第一目标子样本用户集合对应的第一向量集合D a ,以及第二目标子样本用户集合对应的第二向量集合D b ,服务器基于第一向量集合D a 对基础映射模型进行训练,得到第一损失值L θ ,并基于第一损失值将基础映射模型的模型参数由第一参数θ更新为第二参数θ 1 ,服务器基于第二向量集合D b 对模型参数更新为第二参数θ 1 后的基础映射模型进行训练,得到第二损失值L θ1 ,服务器基于第二损失值L θ1 和第一参数θ确定目标子样本用户集合U i 对应的调试参数ω i 。其中,第一向量集合包括第一目标子样本用户集合在参考领域下的第一参考用户向量集合D a1 ,以及在目标领域下的第一目标用户向量集合D a2 ,第二向量集合包括第二目标子样本用户集合在参考领域下的第二参考用户向量集合D b1 ,以及在目标领域下的第二目标用户向量集合D b2 ,服务器基于第一向量集合D a 对基础映射模型进行训练,得到第一损失值L θ 的具体方式可以为,服务器调用基础映射模型对第一参考用户向量集合D a1 进行运算,得到第一预测样本向量集合Q a1 ;计算第一预测样本向量集合Q a1 与第一目标用户向量集合D a2 之间的均方误差,并将均方误差作为第一损失值L θ 。同理,服务器调用参数更新后的基础映射模型对第二参考用户向量集合D b1 进行运算基础映射模型,得到第二预测样本向量集合Q b1 ;计算第二预测样本向量集合Q b1 与第二目标用户向量集合D b2 之间的均方误差,并将均方误差作为第一损失值L θ1 。
需要说明的是,服务器基于第一损失值L θ 将基础映射模型的模型参数由第一参数θ更新为第二参数θ 1 的具体方式可以为,计算L θ 对于θ的偏导值,以及基于预置参数λ对偏导值进行加权处理,得到加权偏导值,服务器将第一参数θ与加权偏导值之间的差值确定为第二参数θ 1 。
即θ 1 的计算公式为:
服务器基于第二损失值L θ1 和第一参数θ确定目标子样本用户集合U i 对应的调试参数ω i 的具体方式可以为,计算L θ1 对于θ的二阶偏导值,并将二阶偏导值作为目标子样本用户集合U i 对应的调试参数ω i 。
即ω i 的计算公式为:
通过上述方式,服务器可以计算得到每组子样本用户集合对应的向量集合对基础映射模型进行训练,得到调试参数集合{ω 1 ,……,ω n },集合中ω i 对应N组子样本用户集合中任意一组子样本用户集合对应U i 的调试参数。
通过上述基于二阶偏导得到一个调试参数的方式,可以构建运算得到的不同参数之间的联系,使得前后不同训练得到的参数都对最终的模型参数构成影响,提升了映射模型对于向量映射的准确性。
S204、服务器基于N个调试参数对基础映射模型中的模型参数进行更新。
本发明实施例中,服务器计算得到N个调试参数之后,可以基于该N个调试参数对基础映射模型中的模型参数θ进行更新。
具体更新公式为:
其中,α为预置参数,上述公式即为对N个调试参数ω i 进行求和处理,得到目标和值,并获取目标和值对应的加权系数,以及采用加权系数对目标和值进行加权处理,得到加权和值,服务器将基础映射模型中的模型参数由第一参数更新为,第一参数与加权和值之间的差值。
S205、若模型参数更新后的基础映射模型满足预设条件,则将模型参数更新后的基础映射模型确定为训练完成的映射模型。
本发明实施例中,预设条件包括基础映射模型对于每组子样本用户集合对应的向量集合中各个向量的映射准确率高于预设准确率,其中,服务器获取子样本用户集合对应的向量集合中任意一个第一向量进行映射,得到第一映射向量,并计算第一映射向量与第二向量之间的均方误差,当均方误差小于预设误差时,确定对于第一向量的映射为准确的,服务器以此方式确定向量集合中各个向量的映射准确率。其中,第一向量为子样本用户集合中任意一个用户在参考领域下的向量,第二向量为该用户在目标领域下的向量,第一映射向量为调用映射模型对第一向量进行运算得到的向量。
本发明实施例中,映射模型的训练过程包括多次对基础映射模型的模型参数的迭代更新,每次对模型参数的迭代更新过程,为对基础映射模型的模型参数和N组调试参数运算过程,调试参数为基于一组子样本用户向量集合训练得到,每组子样本用户向量集合为,N组子样本用户集合中任意一组子样本用户集合对应的向量集合,N组子样本用户集合为基于样本用户集合筛选得到,通过多个调试参数完成对模型参数的一次更新,结合了多组样本的特征完成对参数的更新,使得迭代过程更具规律性,并且,结合多组特征更新的参数也可以接近于最佳的模型参数,也提升映射模型的训练效率。再者,采用不同的组合方式对样本用户进行组合,得到多个子样本用户集合,以及以子样本用户集合为训练单位完成对模型参数的更新,由于样本组合的数量远多于样本的数量,如3个样本可以得到6中不同方式的组合,实现了对于样本的扩充,提升了样本数据的数量,实现了对样本的扩充,解决了模型训练过程中相关性强的样本数据较少的问题。
基于上述描述,本发明实施例提供了另一种信息推荐方法,请参见图3,该信息推荐过程可包括以下步骤S301-S307:
S301、服务器获取对目标用户进行信息推荐的目标领域。
本发明实施例中,目标领域具体可以为目标应用程序、目标公众号、目标电子期刊等,服务器可以预先获取到需要对用户进行信息推荐的目标领域,可选的,服务器可以在检测到触发条件时获取目标领域,触发条件可以为目标用户所使用的终端安装目标领域或者在目标领域中进行注册。如目标领域为目标应用程序,且目标应用程序具备对用户进行信息推荐的功能,则服务器在检测到目标用户所使用的终端安装目标应用程序时,获取到目标应用程序,以进一步在目标应用程序中对目标用户进行信息推荐。
S302、服务器从领域集合中筛选出与目标领域相匹配的参考领域。
本发明实施例中,服务器获取到目标领域之后,可以从领域集合中筛选出与目标领域相匹配的参考领域,其中,领域集合中包括了至少一个待选领域。
具体实现中,服务器从领域集合中筛选出与目标领域相匹配的参考领域的具体方式可以为,服务器获取目标领域的目标领域特征和领域集合中各个待选领域的待选领域特征,各个待选领域中存储有与目标用户的交互数据;服务器确定目标领域特征和各个待选领域的待选领域特征之间的相似度,并筛选出与目标领域特征之间的相似度满足预设条件的目标待选领域特征;服务器将目标待选领域特征对应的领域确定为与目标领域相匹配的参考领域。其中,领域特征包括类型、占用内存大小、适用群体中的至少一种,类型包括音乐、视频、文章、游戏等,占用内存大小为领域占用安装领域的终端的内存的大小,适用群体分为幼儿、青年群体、中年群体、老年群体等,不同领域特征对应的相似度可以预先进行设定,如音乐与视频的相似度为50%,占用内存大小差异在100兆以内时相似度为80%,幼儿与青年群体的相似度为80%。又如领域特征为类型,目标领域的类型为视频,待选领域1的类型为音频,待选领域2的类型为文章,服务器从预先设定的相似度对应关系中确定出音频与视频的相似度为50%,文章与视频的相似度为30%,预设条件为相似度最高,则待选领域1的特征满足预设条件,服务器将待选领域1确定为与目标领域相匹配的参考领域。可选的,参考领域也可为多个待选领域的集合,如预设条件为相似度大于20%,则待选领域1的特征和待选领域2的特征均满足预设条件,服务器将待选领域1和待选领域2确定为与目标领域相匹配的参考领域。
S303、服务器获取与目标领域和参考领域存在交互的样本用户集合,并确定样本用户集合对应的样本向量集合。
本发明实施例中,服务器确定出目标领域和参考领域之后,将查找与目标领域和参考领域存在交互的样本用户,并基于查找到的多个样本用户构建样本用户集合。
进一步的,服务器确定样本用户集合对应的样本向量集合,该样本向量集合中包括样本用户集合在参考领域下的参考样本向量集合和在目标领域下的目标样本向量集合,参考样本向量集合中包括了各个样本用户在参考领域下的参考样本向量,目标样本向量集合中包括了各个样本用户在目标领域下的目标样本向量。
S304、服务器通过样本用户集合对应的样本向量集合对基础映射模型训练,得到映射模型。
本发明实施例中,样本向量集合中包括样本用户集合在参考领域下的参考样本向量集合和在目标领域下的目标样本向量集合,服务器具体通过参考样本向量集合和目标样本向量集合对基础映射模型进行训练,使得基础训练模型对参考样本向量集合进行处理得到的预测样本向量集合与目标样本向量集合之间的相似度高于预设阈值,即使得映射模型具备将参考领域中的向量映射到目标领域中的向量的能力。其中,向量集合之间的相似度具体可以由向量集合之间的均方误差值确定,服务器通过样本用户集合对应的样本向量集合对基础映射模型进行训练的具体方式如图2所述实施例所示。
在一种实现方式中,参考领域为多个领域的集合,如包括第一参考领域和第二参考领域,则映射模型也包括第一映射模型和第二映射模型,则服务器可以通过样本用户集合在第一参考领域下的第一参考样本向量集合和在目标领域下的目标样本向量集合对基础映射模型进行训练,得到第一映射模型,以及通过样本用户集合在第二参考领域下的第二参考样本向量集合和在目标领域下的目标样本向量集合对基础映射模型进行训练,得到第二映射模型。
S305、服务器获取目标用户在参考领域下的参考用户向量。
本发明实施例中,目标用户与参考领域在历史中存在交互,因此服务器可以获取到基于目标用户与参考领域的交互数据生成的参考用户向量。参考用户向量具体可以用于表示目标用户对参考领域的兴趣特征,如参考领域为参考应用程序,则参考用户向量为基于目标用户对参考应用程序进行浏览时的浏览兴趣生成的向量。服务器可以获取到目标用户在参考领域下的参考用户向量。
在一种实现方式中,参考领域为多个领域的集合,如包括第一参考领域和第二参考领域,则目标用户在参考领域下的参考用户向量包括目标用户在第一参考领域下的第一用户向量,以及目标用户在第二参考领域下的第二用户向量。
S306、服务器调用映射模型对参考用户向量进行运算,得到目标用户在目标领域下的目标用户向量。
本发明实施例中,目标用户可以在目标领域下无交互数据或只有少量交互数据,即无法基于目标用户在目标领域中的浏览信息进行数据分析,进而准确确定目标用户在目标领域下的用户向量。服务器可以在检测到目标用户在目标领域下无交互数据或只有少量交互数据时,调用映射模型对参考用户向量进行运算,得到目标用户在目标领域下的目标用户向量。
在一种实现方式中,参考领域为一个,则服务器可以直接调用映射模型对目标用户在参考领域下的参考用户向量进行运算,得到目标用户在目标领域下的目标用户向量。
在一种实现方式中,参考领域为多个,如包括第一参考领域和第二参考领域,映射模型包括用于对第一参考领域中向量进行映射的第一映射模型和用于对第二参考领域中向量进行映射的第二映射模型,则服务器可以调用第一映射模型对第一参考用户向量进行运算,得到第一目标用户向量,以及调用第二映射模型对第二参考用户向量运算,得到第二目标用户向量,并将第一目标用户向量和第二目标用户向量进行融合,得到目标用户在目标领域下的目标用户向量。其中,融合的方式包括取平均值、点积运算等,在此不做限定。通过映射模型将目标用户在参考领域下的参考用户向量映射为目标领域下的目标用户向量,可以便于在目标领域下对目标用户的兴趣进行分析,并在目标领域下向目标用户推荐相应的对象。
S307、服务器根据目标用户向量为目标用户获取推荐信息,并将推荐信息在目标领域下进行推荐。
本发明实施例中,服务器得到目标用户在目标领域下的目标用户向量之后,可以根据目标用户向量为目标用户获取推荐信息,具体的,推荐信息为待推荐的对象集合中的一个或多个对象,服务器可以获取待推荐的对象集合中各个对象在目标领域下的对象向量,并基于目标用户向量和各个对象向量,确定针对待推荐的对象集合中各个对象的推荐指数,以及基于各个对象的推荐指数筛选出推荐信息。其中,待推荐的对象集合中包括了多个待推荐的对象,对象可以为文章、视频、音乐等,目标领域下具有独立的推荐系统,可以将对象进行向量化,得到待推荐的对象集合中各个对象在目标领域下的对象向量,服务器获取到上述对象向量,并基于目标用户向量和各个对象向量,确定针对待推荐的对象集合中各个对象的推荐指数。
具体实现中,待推荐的对象集合中各个对象的推荐指数的确定方式可以为,服务器对目标用户向量和各个对象向量分别进行点积运算,得到每个对象对应的点积值,并将各个对象对应的点积值确定为针对待推荐的对象集合中各个对象的推荐指数,推荐指数越高,说明对象与目标用户的兴趣越匹配。
进一步的,服务器确定各个对象的推荐指数之后,可以基于推荐指数对待推荐的对象集合中的对象进行筛选,得到针对目标用户的推荐信息。
在一种实现方式中,服务器基于推荐指数对待推荐的对象集合中的对象进行筛选的具体方式可以为,服务器按照推荐指数由高到低的顺序对待推荐的对象集合中的对象进行排序,并将排序为前I位的对象确定为目标对象,以及将上述I个目标对象作为针对目标用户的推荐信息,I为正整数。
在一种实现方式中,服务器基于推荐指数对待推荐的对象集合中的对象进行筛选的具体方式可以为,服务器检测各个对象的推荐指数是否大于预设阈值,并将推荐指数大于预设阈值的对象确定为目标对象,以及上述目标对象作为针对目标用户的推荐信息。
服务器为目标用户确定推荐信息之后,可以将推荐信息在目标领域下进行推荐。
本发明实施例中,可以基于用户在多个参考领域下的向量表示共同确定用户目标领域下的向量表示,使得向量映射更为准确,并且,针对不同推荐指数的对象,服务器推荐的方式可以不同,具体为,基于推荐指数与推荐方式的对应关系,确定针对推荐信息中各个目标对象的目标推荐方式,推荐方式包括推荐顺序、推荐时长和推荐频率中的至少一种,服务器基于目标推荐方式将推荐信息在目标领域下进行推荐。其中,推荐指数与推荐方式的对应关系可以为,推荐指数越高,推荐顺序越靠前、推荐时长越长且推荐频率越高。通过上述方式,可以更加智能的为用户推荐相应的信息,使得推荐的信息与用户兴趣更为匹配。
在一种实施场景中,该技术方案可以用于不同领域之间,如参考领域和目标领域。主要用途在于跨领域冷启动信息推荐,即基于用户在参考领域中的兴趣确定出用户在目标领域中的兴趣。并且该方法不会改变原有的推荐系统,不会影响普通用户的推荐。针对新加入的用户,先查询该用户在参考领域中的交互数据,得到用户在参考领域中的参考用户向量,然后通过映射模型得到该用户在目标领域的目标用户向量,使用该目标用户向量确定出需要对用户进行推荐的信息。如图4所示,为本发明实施例提供的一种信息推荐系统架构示意图,图4中,目标用户在参考领域下存在交互数据,服务器401可以从参考领域的后台服务器402中获取到参考领域中目标用户的对应的参考用户向量,并调用映射模型对参考用户向量进行运算,得到目标领域下的目标用户向量,以及基于目标用户向量筛选出推荐信息,并将推荐信息发送至目标用户所使用的终端403,使得目标用户对推荐信息进行查阅。其中,映射模型的调用流程可以如图5所示,图5中,步骤501为当前不同领域的推荐系统中对于向量的计算过程,具体的,参考领域和目标领域中各自有一个模型,参考领域中参考模型(R 1 )用于对目标用户在参考领域中的参考向量U 1 进行运算,得到目标用户在参考领域中的参考推荐信息V 1 ,目标领域中目标模型(R 2 )用于对目标用户在目标领域中的目标向量U 2 进行运算,得到目标用户在目标领域中的目标推荐信息V 2 ,当目标用户在参考领域中存在参考向量U 1 ,而在目标领域中不存在目标向量U 2 时,则可执行步骤502中所示步骤,将参考向量U 1 作为映射模型的输入,映射模型对U 1 进行运算,即可输出目标用户在目标领域下的目标向量U 2 。在步骤3中,通过将参考向量U 1 进行映射得到了目标向量U 2 ,则可以实现通过目标模型(R 2 )对目标向量U 2 进行运算,得到目标用户在目标领域中的目标推荐信息V 2 ,以实现参考推荐信息V 1 与目标推荐信息V 2 之间的映射。
基于上述信息推荐方法实施例的描述,本发明实施例还公开了一种信息推荐装置,该信息推荐装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),也可以是包含在计算机设备中的一个实体装置。该信息推荐装置可以执行图1至图3所示的方法。请参见图6,该信息推荐装置60包括:获取模块601、处理模块602、推荐模块603。
获取模块601,用于获取目标用户在参考领域下的参考用户向量;
处理模块602,用于调用映射模型对所述参考用户向量进行运算,得到所述目标用户在目标领域下的目标用户向量;
所述获取模块601,用于根据所述目标用户向量为所述目标用户获取推荐信息;
推荐模块603,用于将所述推荐信息在所述目标领域下进行推荐;
其中,所述映射模型为通过样本向量集合对基础映射模型训练得到,所述样本向量集合包括,样本用户集合在所述参考领域下的参考样本向量集合和在所述目标领域下的目标样本向量集合;所述基础映射模型为通过K组训练向量集合对初始映射模型训练得到,所述K组训练向量集合包括,训练用户集合在K个领域中每个领域下的训练向量集合,K为正整数。
在一种实现方式中,所述处理模块602,还用于:
获取对目标用户进行信息推荐的目标领域;
从领域集合中筛选出与所述目标领域相匹配的参考领域;
获取与所述目标领域和所述参考领域存在交互的样本用户集合,并确定所述样本用户集合对应的样本向量集合,所述样本向量集合包括,所述样本用户集合在所述参考领域下的参考样本向量集合和在所述目标领域下的目标样本向量集合;
通过所述样本用户集合对应的样本向量集合对基础映射模型训练,得到映射模型。
在一种实现方式中,所述处理模块602,还用于:
获取目标领域的目标领域特征和领域集合中各个待选领域的待选领域特征,所述各个待选领域中存储有与所述目标用户的交互数据;
确定所述目标领域特征和所述各个待选领域的待选领域特征之间的相似度,并筛选出与所述目标领域特征之间的相似度满足预设条件的目标待选领域特征;
将所述目标待选领域特征对应的领域确定为与所述目标领域相匹配的参考领域。
在一种实现方式中,所述处理模块602,还用于:
从所述样本用户集合中筛选出N组子样本用户集合,并从所述样本向量集合确定出每组子样本用户集合对应的向量集合,所述每组子样本用户集合对应的向量集合包括,所述每组子样本用户集合在所述参考领域下的参考子样本向量集合和在所述目标领域下的目标子样本向量集合,N为正整数;
基于所述每组子样本用户集合对应的向量集合对基础映射模型进行训练,得到N个调试参数;
基于所述N个调试参数对所述基础映射模型中的模型参数进行更新;
若模型参数更新后的基础映射模型满足预设条件,则将所述模型参数更新后的基础映射模型确定为映射模型,所述预设条件包括,所述基础映射模型对于所述每组子样本用户集合对应的向量集合中各个向量的映射准确率高于预设准确率。
在一种实现方式中,所述处理模块602,还用于:
对所述目标子样本用户集合进行拆分处理,得到第一目标子样本用户集合和第二目标子样本用户集合;
从所述目标子样本用户集合对应的向量集合中获取所述第一目标子样本用户集合对应的第一向量集合,以及所述第二目标子样本用户集合对应的第二向量集合;
基于所述第一向量集合对所述基础映射模型进行训练,得到第一损失值,并基于所述第一损失值将所述基础映射模型的模型参数由第一参数更新为第二参数;
基于所述第二向量集合对所述模型参数更新为第二参数后的基础映射模型进行训练,得到第二损失值;
基于所述第二损失值和所述第一参数确定所述目标子样本用户集合对应的目标调试参数。
在一种实现方式中,所述处理模块602,所述第一向量集合包括所述第一目标子样本用户集合在所述参考领域下的第一参考用户向量集合,以及所述第一目标子样本用户集合在所述目标领域下的第一目标用户向量集合,还用于:
调用所述基础映射模型对所述第一参考用户向量集合进行运算,得到第一预测样本向量集合;
计算所述第一预测样本向量集合与所述第一目标用户向量集合之间的均方误差;
将所述均方误差作为第一损失值。
在一种实现方式中,所述处理模块602,还用于:
基于所述第二损失值对所述第一参数进行二阶求偏导处理,得到所述目标子样本用户集合对应的目标调试参数。
在一种实现方式中,所述处理模块602,还用于:
对所述N个调试参数进行求和处理,得到目标和值;
获取所述目标和值对应的加权系数,并采用所述加权系数对所述目标和值进行加权处理,得到加权和值;
将所述基础映射模型中的模型参数由所述第一参数更新为,所述第一参数与所述加权和值之间的差值。
在一种实现方式中,所述处理模块602,还用于:
获取目标用户在参照领域下的参照用户向量;
调用参照映射模型对所述参照用户向量进行运算,得到所述目标用户在目标领域下的参考目标用户向量,所述参照映射模型为通过所述样本用户集合在所述参照领域下的参照样本向量集合以及在所述目标领域下的目标样本向量集合对基础映射模型训练得到;
若所述参考目标用户向量与所述目标用户向量之间的相似度大于预设相似度,则执行根据所述目标用户向量为所述目标用户获取推荐信息的步骤。
在一种实现方式中,所述处理模块602,还用于:
获取训练用户集合;
确定所述训练用户集合在K个领域中每个领域下的训练向量集合,得到K组训练向量集合;
对所述K组训练向量集合进行组合,得到M个向量集合组合,所述每个向量集合组合中包括所述K组训练向量集合中任意两组训练向量集合,M为正整数;
通过所述M个向量集合组合中各个向量集合组合对初始映射模型进行训练,得到基础映射模型。
在一种实现方式中,所述处理模块602,还用于:
通过所述M个向量集合组合中第一向量集合组合对初始映射模型进行训练,以对所述初始映射模型中的参数进行更新,所述第一向量集合组合中包括第一训练向量集合和第一测试向量集合,所述第一训练向量集合为所述训练用户集合在第一训练领域下的向量集合,所述第一测试向量集合为所述训练用户集合在第一测试领域下的向量集合;
若参数更新后的初始映射模型对所述第一训练向量集合的第一映射准确率高于预设准确率,则通过所述M个向量集合组合中第二向量集合组合对参数更新后的初始映射模型进行训练,得到参考初始映射模型,所述第一映射准确率由所述初始映射模型对所述第一训练向量集合进行映射得到的第一映射向量集合与所述第一测试向量集合之间的相似度确定,所述第二向量集合组合中包括第二训练向量集合和第二测试向量集合,所述第二训练向量集合为所述训练用户集合在第二训练领域下的向量集合,所述第二测试向量集合为所述训练用户集合在第二测试领域下的向量集合;
若所述参考初始映射模型对所述第二训练向量集合的第二映射准确率高于预设准确率,则将所述参考初始映射模型确定为基础映射模型,所述第二映射准确率由所述参考初始映射模型对所述第二训练向量集合进行映射得到的第二映射向量集合与所述第二测试向量集合之间的相似度确定。
在一种实现方式中,所述处理模块602,还用于:
获取待推荐的对象集合中各个对象在目标领域下对应的对象向量,并基于所述目标用户向量和所述各个对象向量,确定针对所述待推荐的对象集合中各个对象的推荐指数;
基于所述各个对象的推荐指数从所述待推荐的对象集合筛选出至少一个目标对象作为针对所述目标用户的推荐信息;
将所述推荐信息在所述目标领域下进行推荐。
本发明实施例中,获取模块601获取目标用户在参考领域下的参考用户向量,处理模块602调用映射模型对参考用户向量进行运算,得到目标用户在目标领域下的目标用户向量,根据目标用户向量为目标用户获取推荐信息,推荐模块603将推荐信息在所述目标领域下进行推荐。其中,映射模型为通过样本用户集合在参考领域下的参考样本向量集合和在目标领域下的目标样本向量集合对基础映射模型训练得到,基础映射模型为通过训练用户集合在K个领域下的K组训练向量集合对初始映射模型训练得到,通过不同类型的数据完成对映射模型的不同阶段的训练,并基于映射模型确定对用户进行推荐的信息,提升了信息推荐的准确性。
请参见图7,为本发明实施例提供的一种服务器的结构示意图。如图7所示,该服务器包括:至少一个处理器701,输入设备703,输出设备704,存储器705,至少一个通信总线702。其中,通信总线702用于实现这些组件之间的连接通信。其中,存储器705可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器705可选的还可以是至少一个位于远离前述处理器701的存储装置。其中处理器701可以结合图6所描述的装置,存储器705中存储一组程序代码,且处理器701,输入设备703,输出设备704调用存储器705中存储的程序代码,用于执行以下操作:
处理器701,用于获取目标用户在参考领域下的参考用户向量;
处理器701,用于调用映射模型对所述参考用户向量进行运算,得到所述目标用户在目标领域下的目标用户向量;
处理器701,用于根据所述目标用户向量为所述目标用户获取推荐信息;
处理器701,用于将所述推荐信息在所述目标领域下进行推荐;
其中,所述映射模型为通过样本向量集合对基础映射模型训练得到,所述样本向量集合包括,样本用户集合在所述参考领域下的参考样本向量集合和在所述目标领域下的目标样本向量集合;所述基础映射模型为通过K组训练向量集合对初始映射模型训练得到,所述K组训练向量集合包括,训练用户集合在K个领域中每个领域下的训练向量集合,K为正整数。
在一种实现方式中,处理器701,还用于:
获取对目标用户进行信息推荐的目标领域;
从领域集合中筛选出与所述目标领域相匹配的参考领域;
获取与所述目标领域和所述参考领域存在交互的样本用户集合,并确定所述样本用户集合对应的样本向量集合,所述样本向量集合包括所述样本用户集合在所述参考领域下的参考样本向量集合和在所述目标领域下的目标样本向量集合;
通过所述样本用户集合对应的样本向量集合对基础映射模型训练,得到映射模型。
在一种实现方式中,处理器701,还用于:
获取目标领域的目标领域特征和所述领域集合中各个待选领域的待选领域特征,所述各个待选领域中存储有与所述目标用户的交互数据;
确定所述目标领域特征和所述各个待选领域的待选领域特征之间的相似度,并筛选出与所述目标领域特征之间的相似度满足预设条件的目标待选领域特征;
将所述目标待选领域特征对应的领域确定为与所述目标领域相匹配的参考领域。
在一种实现方式中,处理器701,还用于:
从所述样本用户集合中筛选出N组子样本用户集合,并从所述样本向量集合确定出每组子样本用户集合对应的向量集合,所述每组子样本用户集合对应的向量集合包括,所述每组子样本用户集合在所述参考领域下的参考子样本向量集合和在所述目标领域下的目标子样本向量集合,N为正整数;
基于所述每组子样本用户集合对应的向量集合对基础映射模型进行训练,得到N个调试参数;
基于所述N个调试参数对所述基础映射模型中的模型参数进行更新;
若模型参数更新后的基础映射模型满足预设条件,则将所述模型参数更新后的基础映射模型确定为映射模型,所述预设条件包括,所述基础映射模型对于所述每组子样本用户集合对应的向量集合中各个向量的映射准确率高于预设准确率。
在一种实现方式中,处理器701,还用于:
对所述目标子样本用户集合进行拆分处理,得到第一目标子样本用户集合和第二目标子样本用户集合;
从所述目标子样本用户集合对应的向量集合中获取所述第一目标子样本用户集合对应的第一向量集合,以及所述第二目标子样本用户集合对应的第二向量集合;
基于所述第一向量集合对所述基础映射模型进行训练,得到第一损失值,并基于所述第一损失值将所述基础映射模型的模型参数由第一参数更新为第二参数;
基于所述第二向量集合对所述模型参数更新为第二参数后的基础映射模型进行训练,得到第二损失值;
在一种实现方式中,所述第一向量集合包括所述第一目标子样本用户集合在所述参考领域下的第一参考用户向量集合,以及所述第一目标子样本用户集合在所述目标领域下的第一目标用户向量集合,处理器701,还用于:
调用所述基础映射模型对所述第一参考用户向量集合进行运算,得到第一预测样本向量集合;
计算所述第一预测样本向量集合与所述第一目标用户向量集合之间的均方误差;
将所述均方误差作为第一损失值。
在一种实现方式中,处理器701,还用于:
基于所述第二损失值对所述第一参数进行二阶求偏导处理,得到所述目标子样本用户集合对应的目标调试参数。
在一种实现方式中,处理器701,还用于:
对所述N个调试参数进行求和处理,得到目标和值;
获取所述目标和值对应的加权系数,并采用所述加权系数对所述目标和值进行加权处理,得到加权和值;
将所述基础映射模型中的模型参数由所述第一参数更新为,所述第一参数与所述加权和值之间的差值。
在一种实现方式中,处理器701,还用于:
获取目标用户在参照领域下的参照用户向量;
调用参照映射模型对所述参照用户向量进行运算,得到所述目标用户在目标领域下的参考目标用户向量,所述参照映射模型为通过所述样本用户集合在所述参照领域下的参照样本向量集合以及在所述目标领域下的目标样本向量集合对基础映射模型训练得到;
若所述参考目标用户向量与所述目标用户向量之间的相似度大于预设相似度,则执行根据所述目标用户向量为所述目标用户获取推荐信息的步骤。
在一种实现方式中,处理器701,还用于:
获取训练用户集合;
确定所述训练用户集合在K个领域中每个领域下的训练向量集合,得到K组训练向量集合;
对所述K组训练向量集合进行组合,得到M个向量集合组合,所述每个向量集合组合中包括所述K组训练向量集合中任意两组训练向量集合,M为正整数;
通过所述M个向量集合组合中各个向量集合组合对初始映射模型进行训练,得到基础映射模型。
在一种实现方式中,处理器701,还用于:
通过所述M个向量集合组合中第一向量集合组合对初始映射模型进行训练,以对所述初始映射模型中的参数进行更新,所述第一向量集合组合中包括第一训练向量集合和第一测试向量集合,所述第一训练向量集合为所述训练用户集合在第一训练领域下的向量集合,所述第一测试向量集合为所述训练用户集合在第一测试领域下的向量集合;
若参数更新后的初始映射模型对所述第一训练向量集合的第一映射准确率高于预设准确率,则通过所述M个向量集合组合中第二向量集合组合对参数更新后的初始映射模型进行训练,得到参考初始映射模型,所述第一映射准确率由所述初始映射模型对所述第一训练向量集合进行映射得到的第一映射向量集合与所述第一测试向量集合之间的相似度确定,所述第二向量集合组合中包括第二训练向量集合和第二测试向量集合,所述第二训练向量集合为所述训练用户集合在第二训练领域下的向量集合,所述第二测试向量集合为所述训练用户集合在第二测试领域下的向量集合;
若所述参考初始映射模型对所述第二训练向量集合的第二映射准确率高于预设准确率,则将所述参考初始映射模型确定为基础映射模型,所述第二映射准确率由所述参考初始映射模型对所述第二训练向量集合进行映射得到的第二映射向量集合与所述第二测试向量集合之间的相似度确定。
在一种实现方式中,处理器701,还用于:
获取待推荐的对象集合中各个对象在目标领域下对应的对象向量,并基于所述目标用户向量和所述各个对象向量,确定针对所述待推荐的对象集合中各个对象的推荐指数;
基于所述各个对象的推荐指数从所述待推荐的对象集合筛选出至少一个目标对象作为针对所述目标用户的推荐信息;
将所述推荐信息在所述目标领域下进行推荐。
本发明实施例中,处理器701获取目标用户在参考领域下的参考用户向量,处理器701调用映射模型对参考用户向量进行运算,得到目标用户在目标领域下的目标用户向量,根据目标用户向量为目标用户获取推荐信息,处理器701将推荐信息在所述目标领域下进行推荐。其中,映射模型为通过样本用户集合在参考领域下的参考样本向量集合和在目标领域下的目标样本向量集合对基础映射模型训练得到,基础映射模型为通过训练用户集合在K个领域下的K组训练向量集合对初始映射模型训练得到,通过不同类型的数据完成对映射模型的不同阶段的训练,并基于映射模型确定对用户进行推荐的信息,提升了信息推荐的准确性。
本发明实施例中所述模块,可以通过通用集成电路,例如CPU(CentralProcessing Unit,中央处理器),或通过ASIC(Application Specific IntegratedCircuit,专用集成电路)来实现。
应当理解,在本发明实施例中,所称处理器701可以是中央处理模块 (CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器 (DigitalSignal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
总线702可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互联(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等,该总线702可以分为地址总线、数据总线、控制总线等,为便于表示,图7仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的计算机可读存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccess Memory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (15)
1.一种信息推荐方法,其特征在于,所述方法包括:
获取目标用户在参考领域下的参考用户向量;
调用映射模型对所述参考用户向量进行运算,得到所述目标用户在目标领域下的目标用户向量;
根据所述目标用户向量为所述目标用户获取推荐信息,并将所述推荐信息在所述目标领域下进行推荐;
其中,所述映射模型为通过样本向量集合对基础映射模型训练得到,所述样本向量集合包括,样本用户集合在所述参考领域下的参考样本向量集合和在所述目标领域下的目标样本向量集合;所述基础映射模型为通过K组训练向量集合对初始映射模型训练得到,所述K组训练向量集合包括,训练用户集合在K个领域中每个领域下的训练向量集合,K为正整数。
2.根据权利要求1所述的方法,其特征在于,所述获取目标用户在参考领域下的参考用户向量之前,所述方法还包括:
获取对目标用户进行信息推荐的目标领域;
从领域集合中筛选出与所述目标领域相匹配的参考领域;
获取与所述目标领域和所述参考领域存在交互的样本用户集合,并确定所述样本用户集合对应的样本向量集合,所述样本向量集合包括,所述样本用户集合在所述参考领域下的参考样本向量集合和在所述目标领域下的目标样本向量集合;
通过所述样本用户集合对应的样本向量集合对基础映射模型训练,得到映射模型。
3.根据权利要求2所述的方法,其特征在于,所述从领域集合中筛选出与所述目标领域相匹配的参考领域,包括:
获取目标领域的目标领域特征和领域集合中各个待选领域的待选领域特征,所述各个待选领域中存储有与所述目标用户的交互数据;
确定所述目标领域特征和所述各个待选领域的待选领域特征之间的相似度,并筛选出与所述目标领域特征之间的相似度满足预设条件的目标待选领域特征;
将所述目标待选领域特征对应的领域确定为与所述目标领域相匹配的参考领域。
4.根据权利要求2所述的方法,其特征在于,所述通过所述样本用户集合对应的样本向量集合对基础映射模型训练,得到映射模型,包括:
从所述样本用户集合中筛选出N组子样本用户集合,并从所述样本向量集合确定出每组子样本用户集合对应的向量集合,所述每组子样本用户集合对应的向量集合包括,所述每组子样本用户集合在所述参考领域下的参考子样本向量集合和在所述目标领域下的目标子样本向量集合,N为正整数;
基于所述每组子样本用户集合对应的向量集合对基础映射模型进行训练,得到N个调试参数;
基于所述N个调试参数对所述基础映射模型中的模型参数进行更新;
若模型参数更新后的基础映射模型满足预设条件,则将所述模型参数更新后的基础映射模型确定为映射模型,所述预设条件包括,所述基础映射模型对于所述每组子样本用户集合对应的向量集合中各个向量的映射准确率高于预设准确率。
5.根据权利要求4所述的方法,其特征在于,基于所述N组子样本用户集合中的任意一组目标子样本用户集合对应的向量集合对基础映射模型进行训练,得到一个目标调试参数的方式包括:
对所述目标子样本用户集合进行拆分处理,得到第一目标子样本用户集合和第二目标子样本用户集合;
从所述目标子样本用户集合对应的向量集合中获取所述第一目标子样本用户集合对应的第一向量集合,以及所述第二目标子样本用户集合对应的第二向量集合;
基于所述第一向量集合对所述基础映射模型进行训练,得到第一损失值,并基于所述第一损失值将所述基础映射模型的模型参数由第一参数更新为第二参数;
基于所述第二向量集合对模型参数更新为第二参数后的基础映射模型进行训练,得到第二损失值;
基于所述第二损失值和所述第一参数确定所述目标子样本用户集合对应的目标调试参数。
6.根据权利要求5所述的方法,其特征在于,所述第一向量集合包括所述第一目标子样本用户集合在所述参考领域下的第一参考用户向量集合,以及所述第一目标子样本用户集合在所述目标领域下的第一目标用户向量集合,所述基于所述第一向量集合对所述基础映射模型进行训练,得到第一损失值,包括:
调用所述基础映射模型对所述第一参考用户向量集合进行运算,得到第一预测样本向量集合;
计算所述第一预测样本向量集合与所述第一目标用户向量集合之间的均方误差;
将所述均方误差作为第一损失值。
7.根据权利要求5所述的方法,其特征在于,所述基于所述第二损失值和所述第一参数确定所述目标子样本用户集合对应的目标调试参数,包括:
基于所述第二损失值对所述第一参数进行二阶求偏导处理,得到所述目标子样本用户集合对应的目标调试参数。
8.根据权利要求4所述的方法,其特征在于,所述基于所述N个调试参数对所述基础映射模型中的模型参数进行更新,包括:
对所述N个调试参数进行求和处理,得到目标和值;
获取所述目标和值对应的加权系数,并采用所述加权系数对所述目标和值进行加权处理,得到加权和值;
将所述基础映射模型中的模型参数由第一参数更新为,所述第一参数与所述加权和值之间的差值。
9.根据权利要求1所述的方法,其特征在于,所述根据所述目标用户向量为所述目标用户获取推荐信息之前,所述方法还包括:
获取所述目标用户在参照领域下的参照用户向量;
调用参照映射模型对所述参照用户向量进行运算,得到所述目标用户在目标领域下的参考目标用户向量,所述参照映射模型为通过所述样本用户集合在所述参照领域下的参照样本向量集合以及在所述目标领域下的目标样本向量集合对基础映射模型训练得到;
若所述参考目标用户向量与所述目标用户向量之间的相似度大于预设相似度,则执行根据所述目标用户向量为所述目标用户获取推荐信息的步骤。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练用户集合;
确定所述训练用户集合在K个领域中每个领域下的训练向量集合,得到K组训练向量集合;
对所述K组训练向量集合进行组合,得到M个向量集合组合,所述每个向量集合组合中包括,所述K组训练向量集合中任意两组训练向量集合,M为正整数;
通过所述M个向量集合组合中各个向量集合组合对初始映射模型进行训练,得到基础映射模型。
11.根据权利要求10所述的方法,其特征在于,所述通过所述M个向量集合组合中各个向量集合组合对初始映射模型进行训练,得到基础映射模型,包括:
通过所述M个向量集合组合中第一向量集合组合对初始映射模型进行训练,以对所述初始映射模型中的参数进行更新,所述第一向量集合组合中包括第一训练向量集合和第一测试向量集合,所述第一训练向量集合为所述训练用户集合在第一训练领域下的向量集合,所述第一测试向量集合为所述训练用户集合在第一测试领域下的向量集合;
若参数更新后的初始映射模型对所述第一训练向量集合的第一映射准确率高于预设准确率,则通过所述M个向量集合组合中第二向量集合组合对参数更新后的初始映射模型进行训练,得到参考初始映射模型,所述第一映射准确率由所述初始映射模型对所述第一训练向量集合进行映射,得到的第一映射向量集合与所述第一测试向量集合之间的相似度确定,所述第二向量集合组合中包括第二训练向量集合和第二测试向量集合,所述第二训练向量集合为所述训练用户集合在第二训练领域下的向量集合,所述第二测试向量集合为所述训练用户集合在第二测试领域下的向量集合;
若所述参考初始映射模型对所述第二训练向量集合的第二映射准确率高于预设准确率,则将所述参考初始映射模型确定为基础映射模型,所述第二映射准确率由所述参考初始映射模型对所述第二训练向量集合进行映射,得到的第二映射向量集合与所述第二测试向量集合之间的相似度确定。
12.根据权利要求1所述的方法,其特征在于,所述根据所述目标用户向量为所述目标用户获取推荐信息,并将所述推荐信息在所述目标领域下进行推荐,包括:
获取待推荐的对象集合中各个对象在目标领域下对应的对象向量,并基于所述目标用户向量和所述各个对象向量,确定针对所述待推荐的对象集合中各个对象的推荐指数;
基于所述各个对象的推荐指数从所述待推荐的对象集合筛选出至少一个目标对象作为针对所述目标用户的推荐信息;
将所述推荐信息在所述目标领域下进行推荐。
13.一种信息推荐装置,其特征在于,所述装置包括:
获取模块,用于获取目标用户在参考领域下的参考用户向量;
处理模块,用于调用映射模型对所述参考用户向量进行运算,得到所述目标用户在目标领域下的目标用户向量;
所述获取模块,用于根据所述目标用户向量为所述目标用户获取推荐信息;
推荐模块,用于将所述推荐信息在所述目标领域下进行推荐;
其中,所述映射模型为通过样本向量集合对基础映射模型训练得到,所述样本向量集合包括,样本用户集合在所述参考领域下的参考样本向量集合和在所述目标领域下的目标样本向量集合;所述基础映射模型为通过K组训练向量集合对初始映射模型训练得到,所述K组训练向量集合包括,训练用户集合在K个领域中每个领域下的训练向量集合,K为正整数。
14.一种服务器,其特征在于,包括处理器、输入接口、输出接口和存储器,所述处理器、输入接口、输出接口和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-12任一项所述的方法。
15.一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有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288728.0A CN112100509B (zh) | 2020-11-17 | 2020-11-17 | 信息推荐方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288728.0A CN112100509B (zh) | 2020-11-17 | 2020-11-17 | 信息推荐方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100509A true CN112100509A (zh) | 2020-12-18 |
CN112100509B CN112100509B (zh) | 2021-02-09 |
Family
ID=73784686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011288728.0A Active CN112100509B (zh) | 2020-11-17 | 2020-11-17 | 信息推荐方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100509B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023284434A1 (zh) * | 2021-07-16 | 2023-01-19 | 北京快乐茄信息技术有限公司 | 目标信息的推荐方法及装置、电子设备及存储介质 |
WO2023061080A1 (zh) * | 2021-10-14 | 2023-04-20 | 北京字节跳动网络技术有限公司 | 组织图像的识别方法、装置、可读介质和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208086A (zh) * | 2010-03-31 | 2011-10-05 | 北京邮电大学 | 面向领域的个性化智能推荐系统及实现方法 |
US9152709B2 (en) * | 2013-02-25 | 2015-10-06 | Microsoft Technology Licensing, Llc | Cross-domain topic space |
CN107301166A (zh) * | 2017-02-13 | 2017-10-27 | 上海大学 | 面向跨领域进行信息抽取的多层次特征模型和特征评价方法 |
CN110990717A (zh) * | 2019-11-22 | 2020-04-10 | 广西师范大学 | 一种基于跨域关联的兴趣点推荐方法 |
US20200184537A1 (en) * | 2018-12-07 | 2020-06-11 | Paypal, Inc. | System and method for obtaining recommendations using scalable cross-domain collaborative filtering |
CN111291261A (zh) * | 2020-01-21 | 2020-06-16 | 江西财经大学 | 融合标签和注意力机制的跨领域推荐方法及其实现系统 |
-
2020
- 2020-11-17 CN CN202011288728.0A patent/CN112100509B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208086A (zh) * | 2010-03-31 | 2011-10-05 | 北京邮电大学 | 面向领域的个性化智能推荐系统及实现方法 |
US9152709B2 (en) * | 2013-02-25 | 2015-10-06 | Microsoft Technology Licensing, Llc | Cross-domain topic space |
CN107301166A (zh) * | 2017-02-13 | 2017-10-27 | 上海大学 | 面向跨领域进行信息抽取的多层次特征模型和特征评价方法 |
US20200184537A1 (en) * | 2018-12-07 | 2020-06-11 | Paypal, Inc. | System and method for obtaining recommendations using scalable cross-domain collaborative filtering |
CN110990717A (zh) * | 2019-11-22 | 2020-04-10 | 广西师范大学 | 一种基于跨域关联的兴趣点推荐方法 |
CN111291261A (zh) * | 2020-01-21 | 2020-06-16 | 江西财经大学 | 融合标签和注意力机制的跨领域推荐方法及其实现系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023284434A1 (zh) * | 2021-07-16 | 2023-01-19 | 北京快乐茄信息技术有限公司 | 目标信息的推荐方法及装置、电子设备及存储介质 |
WO2023061080A1 (zh) * | 2021-10-14 | 2023-04-20 | 北京字节跳动网络技术有限公司 | 组织图像的识别方法、装置、可读介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112100509B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110069709B (zh) | 意图识别方法、装置、计算机可读介质及电子设备 | |
CN109816032B (zh) | 基于生成式对抗网络的无偏映射零样本分类方法和装置 | |
CN111046275B (zh) | 基于人工智能的用户标签确定方法及装置、存储介质 | |
CN111444326A (zh) | 一种文本数据处理方法、装置、设备以及存储介质 | |
CN110096617B (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
CN111310057B (zh) | 在线学习挖掘方法、装置、在线学习系统及服务器 | |
CN112100504B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN112100509B (zh) | 信息推荐方法、装置、服务器和存储介质 | |
CN111783712A (zh) | 一种视频处理方法、装置、设备及介质 | |
CN114841164A (zh) | 一种实体链接方法、装置、设备及存储介质 | |
CN113239143B (zh) | 融合电网故障案例库的输变电设备故障处理方法及系统 | |
CN111753076A (zh) | 对话方法、装置、电子设备及可读存储介质 | |
CN112084435A (zh) | 搜索排序模型训练方法及装置、搜索排序方法及装置 | |
CN111400548A (zh) | 一种基于深度学习与马尔科夫链的推荐方法及设备 | |
CN113821592A (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
CN113011172A (zh) | 文本处理方法、装置、计算机设备和存储介质 | |
CN116227467A (zh) | 模型的训练方法、文本处理方法及装置 | |
CN112801053B (zh) | 视频数据处理方法、装置 | |
CN111062449A (zh) | 预测模型的训练方法、兴趣度预测方法、装置和存储介质 | |
CN115905575A (zh) | 语义知识图谱的构建方法、电子设备和存储介质 | |
CN115878891A (zh) | 直播内容生成方法、装置、设备以及计算机存储介质 | |
CN117009621A (zh) | 信息搜索方法、装置、电子设备、存储介质及程序产品 | |
CN114281942A (zh) | 问答处理方法、相关设备及可读存储介质 | |
CN114625917A (zh) | 视频搜索纠错方法、装置、设备及存储介质 | |
CN114443904A (zh) | 视频查询方法、装置、计算机设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40034935 Country of ref document: HK |