CN112632403A - 推荐模型的训练方法、推荐方法、装置、设备和介质 - Google Patents
推荐模型的训练方法、推荐方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112632403A CN112632403A CN202011554201.8A CN202011554201A CN112632403A CN 112632403 A CN112632403 A CN 112632403A CN 202011554201 A CN202011554201 A CN 202011554201A CN 112632403 A CN112632403 A CN 112632403A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- recommendation
- component
- training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 92
- 239000013598 vector Substances 0.000 claims abstract description 223
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 239000013074 reference sample Substances 0.000 claims abstract description 48
- 239000000523 sample Substances 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 16
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种推荐模型的训练方法、推荐方法、装置、设备和介质,涉及NLP、深度学习领域。实现方案为:并根据偏好矩阵生成参考样本,参考样本中包含所述偏好矩阵中对应元素的用户分量和物品分量、表征用户分量所对应用户对象属性的属性向量、表征物品分量所对应物品对象属性的属性向量;对参考样本中的用户分量和/或物品分量的取值置零得到训练样本,采用训练样本对推荐模型进行训练。由此,通过置零用户分量和/或物品分量,并引入了属性向量,使得推荐模型在冷启动场景下依赖属性向量,学习得到用户和/或物品的偏好信息,从而在冷启动场景下,可以提升推荐结果的准确性,提升推荐效果。
Description
技术领域
本申请涉及NLP(Natural Language Processing,自然语言处理)、深度学习等AI(Artificial Intelligence,人工智能)技术领域,具体地,本申请提供了一种推荐模型的训练方法、推荐方法、装置、设备和介质。
背景技术
目前,推荐系统可以根据用户的兴趣特点和购买行为,向用户推荐感兴趣的信息和物品,从而向用户提供个性化服务。现有技术中,推荐系统主要采用下述两类推荐算法:基于近邻的协同过滤推荐算法和基于模型的协同过滤推荐算法。其中,基于近邻的协同过滤推荐算法包括基于相似用户的推荐算法和基于相似物品的推荐算法,基于模型的协同过滤推荐算法以偏好矩阵分解方法为代表,分解出的矩阵维度压缩,既节省存储空间,又方便线上推荐。
但是,大多数的推荐系统都面临着数据稀疏性、冷启动等问题,在冷启动场景下,由于新用户或新物品在推荐系统内无任何交互信息,上述两类推荐算法的推荐效果均不佳。
发明内容
本申请提供了一种用于推荐模型的训练方法、推荐方法、装置、设备和介质。
根据本申请的一方面,提供了一种推荐模型的训练方法,包括:
根据偏好矩阵,生成参考样本,其中,所述参考样本中包含所述偏好矩阵中对应元素的用户分量和物品分量,以及表征所述用户分量所对应用户对象属性的属性向量,以及表征所述物品分量所对应物品对象属性的属性向量;
对所述参考样本中的所述用户分量和/或所述物品分量的取值置零,得到训练样本;
采用所述训练样本,对推荐模型进行训练。
根据本申请的另一方面,提供了一种基于推荐模型的推荐方法,其中,所述推荐模型采用如上述实施例所述的训练方法训练得到,所述推荐方法包括:
获取对目标用户待推荐的目标物品;
在偏好矩阵中查询所述目标用户的用户分量,以及所述目标物品的物品分量;
将所述目标用户的用户分量和所述目标物品的物品分量输入推荐模型,以得到表征所述目标用户偏好的第一目标向量,以及表征所述目标物品受众偏好的第二目标向量;
根据所述第一目标向量和所述第二目标向量之间的相似度,对所述目标用户进行物品推荐。
根据本申请的又一方面,提供了一种推荐模型的训练装置,包括:
生成模块,用于根据偏好矩阵,生成参考样本,其中,所述参考样本中包含所述偏好矩阵中对应元素的用户分量和物品分量,以及表征所述用户分量所对应用户对象属性的属性向量,以及表征所述物品分量所对应物品对象属性的属性向量;
处理模块,用于对所述参考样本中的所述用户分量和/或所述物品分量的取值置零,得到训练样本;
训练模块,用于采用所述训练样本,对推荐模型进行训练。
根据本申请的再一方面,提供了一种基于推荐模型的推荐装置,其中,所述推荐模型采用如上述实施例所述的训练方法训练得到,所述推荐装置包括:
获取模块,用于获取对目标用户待推荐的目标物品;
查询模块,用于在偏好矩阵中查询所述目标用户的用户分量,以及所述目标物品的物品分量;
输入模块,用于将所述目标用户的用户分量和所述目标物品的物品分量输入推荐模型,以得到表征所述目标用户偏好的第一目标向量,以及表征所述目标物品受众偏好的第二目标向量;
推荐模块,用于根据所述第一目标向量和所述第二目标向量之间的相似度,对所述目标用户进行物品推荐。
根据本申请的还一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请上述实施例提出的推荐模型的训练方法,或者,执行本申请上述实施例提出的基于推荐模型的推荐方法。
根据本申请的再一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请上述实施例提出的推荐模型的训练方法,或者,执行本申请上述实施例提出的基于推荐模型的推荐方法。
根据本申请的又一方面,提供了一种计算机程序产品,当所述计算机程序产品中的指令被处理器执行时,执行本申请上述实施例提出的推荐模型的训练方法,或者,执行本申请上述实施例提出的基于推荐模型的推荐方法。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例一所提供的推荐模型的训练方法的流程示意图;
图2为本申请实施例二所提供的推荐模型的训练方法的流程示意图;
图3为本申请实施例中的推荐模型的结构示意图;
图4为本申请实施例三所提供的基于推荐模型的推荐方法的流程示意图;
图5为本申请实施例四所提供的推荐模型的训练装置的结构示意图;
图6为本申请实施例五所提供的基于推荐模型的推荐装置的结构示意图;
图7是根据本申请实施例的推荐模型的训练方法或基于推荐模型的推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
目前,推荐系统的推荐算法主要分为以下两类:
第一类:基于近邻的协同过滤推荐算法,该推荐算法包括基于相似用户的推荐算法和基于相似物品的推荐算法,其中,基于相似用户的推荐算法,是确定目标用户的相似用户,将相似用户所喜好的物品推荐给目标用户,基于相似物品的推荐算法,是确定目标用户所喜好的物品,将上述物品的相似物品推荐给目标用户。
第二类:基于模型的协同过滤推荐算法,以LFM(Latent Factor Model,隐语义模型)为代表,核心是对偏好矩阵进行降维和分解。
但是,大多数的推荐系统都面临着数据稀疏性、冷启动等问题,在冷启动场景下,由于新用户或新物品在推荐系统内无任何交互信息,上述两类推荐算法的推荐效果均不佳。
例如,第一类推荐算法无法确定新用户的相似用户、新物品的相似物品,因而推荐无效。而第二类推荐算法中偏好矩阵非常稀疏,推荐效果不佳。
因此,本申请主要针对现有技术中冷启动场景下推荐算法的推荐效果不佳的技术问题,提出一种推荐模型的训练方法,该训练方法通过根据偏好矩阵生成参考样本,其中,参考样本中包含偏好矩阵中对应元素的用户分量和物品分量,以及表征用户分量所对应用户对象属性的属性向量,以及表征物品分量所对应物品对象属性的属性向量,之后,对参考样本中的用户分量和/或物品分量的取值置零,得到训练样本,以采用训练样本对推荐模型进行训练。由此,通过置零用户分量和/或物品分量,并引入了属性向量,使得推荐模型在冷启动场景下依赖属性向量,学习得到用户和/或物品的偏好信息,从而在冷启动场景下,可以提升推荐结果的准确性,提升推荐效果。
下面参考附图描述本申请实施例的推荐模型的训练方法、推荐方法、装置、设备和介质。
图1为本申请实施例一所提供的推荐模型的训练方法的流程示意图。
本申请实施例以该推荐模型的训练方法被配置于推荐模型的训练装置中来举例说明,该推荐模型的训练装置可以应用于任一电子设备中,以使该电子设备可以执行推荐模型的训练功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑(PersonalComputer,简称PC)、移动终端、服务器等,移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该推荐模型的训练方法可以包括以下步骤:
步骤101,根据偏好矩阵,生成参考样本,其中,参考样本中包含偏好矩阵中对应元素的用户分量和物品分量,以及表征用户分量所对应用户对象属性的属性向量,以及表征物品分量所对应物品对象属性的属性向量。
本申请实施例中,可以首先获取偏好矩阵,其中,偏好矩阵中各元素包含用户分量和物品分量,各元素用于表征用户分量所对应用户对象针对物品分量所对应物品对象执行的行为。
本申请实施例中,偏好矩阵是指用户对象对物品对象的评分矩阵。例如标记偏好矩阵为R。
本申请实施例中,偏好矩阵中的行,可以对应不同用户对象所对应的用户分量,例如,偏好矩阵中的第u行,是指用户对象u对应的用户分量。例如,标记偏好矩阵中的第u行所对应的用户分量为Uu。其中,u为不大于N1的正整数,N1表示用户对象的总数目。
本申请实施例中,偏好矩阵中的列,可以对应不同物品对象所对应的物品分量,例如,偏好矩阵中的第v列,是指物品对象v对应的物品分量。例如,标记偏好矩阵中的第v列所对应的物品分量为Vv。其中,v为不大于N2的正整数,N2表示物品对象的总数目。
其中,偏好矩阵中第u行第v列的元素Ru,v,表征用户对象u针对物品对象v执行的行为,Ru,v例如可以是用户对象u对物品对象v的打分或评分,或者,也可以是通过展示、播放物品对象v,根据用户对象u浏览、购买物品对象v等行为数据,推断出的预测评分。偏好矩阵中第u行第v列的元素Ru,v,可以根据偏好矩阵中第u行所对应的用户分量为Uu以及第v列所对应的物品分量为Vv确定,即
本申请实施例中,可以监测各用户对象的行为数据,确定各用户对象针对各物品对象执行的行为,从而确定偏好矩阵。在确定偏好矩阵后,可以根据偏好矩阵,生成参考样本,其中,参考样本中包含同一元素的用户分量和物品分量,以及表征用户分量所对应用户对象属性的属性向量,以及表征物品分量所对应物品对象属性的属性向量。
本申请实施例中,用户对象属性可以包括用户对象的年龄、性别、地理位置、设备信息、收入等用户画像特征。其中,设备信息可以包括设备标识、设备品牌、设备型号、活跃时段、搜索信息、安装信息、点击信息、系统及版本等信息。其中,设备标识用于唯一标识对应的设备,例如可以为CUID(Called User Identification Number,被叫用户识别号)、MAC(Medium Access Control,媒体存取控制)地址或物理地址或硬件地址、IDFA(IdentifierFor Advertising,广告标识符)等,对此不作限制。
本申请实施例中,物品对象属性可以包括物品对象对应的描述信息、收藏数量、购买数量等信息。
本申请实施例中,可以根据偏好矩阵中的各元素,生成参考样本。例如,针对偏好矩阵中的第u行第v列的元素,生成的参考样本中可以包含用户对象u对应的用户分量和物品对象v对应的物品分量,并且,该生成的参考样本用于表征用户对象u所对应的属性向量以及表征物品分量v所对应的属性向量
步骤102,对参考样本中的用户分量和/或物品分量的取值置零,得到训练样本。
本申请实施例中,在冷启动场景下,新用户或新物品在推荐系统内无交互信息,可以将参考样本中的用户分量和/或物品分量的取值置零,得到训练样本。具体地,当用户对象冷启动时,可以将参考样本中的用户分量的取值置零,当物品对象冷启动时,可以将参考样本中的物品分量的取值置零,而当用户对象和物品对象同时冷启动时,可以将参考样本中的用户分量和物品分量的取值置零。
仍以步骤101中的例子示例,根据偏好矩阵中的第u行第v列的元素,生成参考样本后,若用户对象u冷启动,则推荐系统并无该用户对象u的交互信息,因此,可以将用户对象u所对应的用户分量Uu的取值置零,得到训练样本。而若物品对象v冷启动,则推荐系统并无该物品对象v的交互信息,因此,可以将物品对象v所对应的物品分量Vv的取值置零,得到训练样本。而若用户对象u和物品对象v均冷启动,则推荐系统并无该用户对象u的交互信息,也无该物品对象v的交互信息,因此,可以同时将用户对象u所对应的用户分量Uu的取值置零,以及将物品对象v所对应的物品分量Vv的取值置零。
步骤103,采用训练样本,对推荐模型进行训练。
本申请实施例中,推荐模型可以为LFM(Latent Factor Model,隐语义模型)。
本申请实施例中,在得到训练样本后,可以采用训练样本,对推荐模型进行训练,以使推荐模型学习得到表征用户对象偏好的第一目标向量,以及表征物品对象受众偏好的第二目标向量。其中,第一目标向量和第二目标向量之间的相似度表征用户对象对物品对象的偏好程度。由此,通过置零用户分量和/或物品分量,并引入了属性向量,使得推荐模型在冷启动场景下依赖属性向量,学习得到用户和/或物品的偏好信息,从而在冷启动场景下,可以提升推荐结果的准确性,提升推荐效果。
本申请实施例的推荐模型的训练方法,通过根据偏好矩阵生成参考样本,其中,参考样本中包含偏好矩阵中对应元素的用户分量和物品分量,以及表征用户分量所对应用户对象属性的属性向量,以及表征物品分量所对应物品对象属性的属性向量,之后,对参考样本中的用户分量和/或物品分量的取值置零,得到训练样本,以采用训练样本对推荐模型进行训练。由此,通过置零用户分量和/或物品分量,并引入了属性向量,使得推荐模型在冷启动场景下依赖属性向量,学习得到用户和/或物品的偏好信息,从而在冷启动场景下,可以提升推荐结果的准确性,提升推荐效果。
本申请实施例中,可以采用AI领域中的深度学习方法或者机器学习方法,对推荐模型进行训练,其中,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在本申请实施例的一种可能的实现方式中,在对推荐模型进行训练时,可以将训练样本中的用户分量和对应用户对象的属性向量输入推荐模型的第一网络分支,得到第一目标向量,并将训练样本中的物品分量和对应物品对象的属性向量输入推荐模型的第二网络分支,得到第二目标向量,根据第一目标向量和第二目标向量之间的相似度,与对应参考样本中用户分量和物品分量之间的相似度之间的差值,确定损失函数的取值,根据损失函数的取值对推荐模型的模型参数进行更新,以使损失函数的取值最小化,从而提升推荐模型输出结果的准确性。
下面结合实施例二,对上述过程进行详细说明。
图2为本申请实施例二所提供的推荐模型的训练方法的流程示意图。
如图2所示,该推荐模型的训练方法可以包括以下步骤:
步骤201,获取偏好矩阵,其中,偏好矩阵中各元素包含用户分量和物品分量,各元素用于表征用户分量所对应用户对象针对物品分量所对应物品对象执行的行为。
步骤202,根据偏好矩阵,生成参考样本,其中,参考样本中包含同一元素的用户分量和物品分量,以及表征用户分量所对应用户对象属性的属性向量,以及表征物品分量所对应物品对象属性的属性向量。
步骤203,对参考样本中的用户分量和/或物品分量的取值置零,得到训练样本。
步骤201至203的执行过程可以参见上述实施例中步骤101至102的执行过程,在此不做赘述。
步骤204,将训练样本中的用户分量和对应用户对象的属性向量输入推荐模型的第一网络分支,得到第一目标向量。
其中,第一目标向量用于表征用户对象偏好。
步骤205,将训练样本中的物品分量和对应物品对象的属性向量输入推荐模型的第二网络分支,得到第二目标向量。
其中,第二目标向量用于表征物品对象受众偏好,第一目标向量和第二目标向量之间的相似度表征用户对象对物品对象的偏好程度。
本申请实施例中,推荐模型具有两个网络分支,分别为第一网络分支和第二网络分支,其中,第一网络分支,用于输出得到表征用户对象偏好的第一目标向量,第二网络分支,用于输出得到表征物品对象受众偏好的第二目标向量。
在本申请实施例的一种可能的实现方式中,为了进一步提升推荐模型预测结果的准确性,第一网络分支中可以包括至少两个输入DNN(Deep Neural Networks,深度神经网络),可以将训练样本中的用户分量和对应用户对象的属性向量分别输入第一网络分支中对应的输入DNN,得到各输入DNN输出的中间向量,将第一网络分支中各输入DNN输出的中间向量拼接,并输入第一网络分支的输出DNN,以得到第一目标向量。
作为一种示例,参见图3,图3为本申请实施例中的推荐模型的结构示意图。其中,推荐模型包括两个网络分支,分别为第一网络分支(即图3中的网络分支1)和第二网络分支(即图3中的网络分支2)。第一网络分支包括两个输入DNN,可以将用户分量输入第一网络分支中上方的输入DNN,得到中间向量1,并将对应用户对象的属性向量输入第一网络分支中下方的输入DNN,得到中间向量2,可以将中间向量1和中间向量2拼接,并将拼接向量输入至第一网络分支的输出DNN,得到第一目标向量。
举例而言,以训练样本根据偏好矩阵中的第u行第v列的元素生成的示例,该训练样本中的用户分量Uu和属性向量分别经过第一网络分支的两个输入DNN得到中间向量,将两个中间向量拼接,并输入第一网络分支的输出DNN,得到的第一目标向量可以为
同样地,为了进一步提升推荐模型预测结果的准确性,第二网络分支中也可以包括至少两个输入DNN,可以将训练样本中的物品分量和对应物品对象的属性向量分别输入第二网络分支中对应的输入DNN,得到各输入DNN输出的中间向量,将第二网络分支中各输入DNN输出的中间向量拼接,并输入第二网络分支的输出DNN,以得到第二目标向量。
作为一种示例,参见图3,第二网络分支包括两个输入DNN,可以将物品分量输入第二网络分支中上方的输入DNN,得到中间向量3,并将对应物品对象的属性向量输入第二网络分支中下方的输入DNN,得到中间向量4,可以将中间向量3和中间向量4拼接,并将拼接向量输入至第二网络分支的输出DNN,得到第二目标向量。
举例而言,仍以训练样本根据偏好矩阵中的第u行第v列的元素生成的示例,该训练样本中的物品分量Vv和属性向量分别经过第二网络分支的两个输入DNN得到中间向量,将两个中间向量拼接,并输入第二网络分支的输出DNN,得到的第二目标向量可以为
步骤206,根据第一目标向量和第二目标向量之间的相似度,以及根据对应参考样本中的用户分量和物品分量之间的相似度,确定损失函数的取值。
仍以上述例子示例,损失函数O可以为:
步骤207,根据损失函数的取值,调整推荐模型的模型参数,以使损失函数取值最小化。
本申请实施例中,可以根据损失函数的取值,调整推荐模型的模型参数,以使损失函数取值最小化。由此,可以提升推荐模型输出结果的准确性。
需要说明的是,现有技术中,为了解决冷启动问题,可以在现有的隐语义模型基础上,通过混合其他模型的方式嵌入用户和物品的属性信息来学习新用户和新物品的向量表示,但是上述混合其他模型的方式,增加了模型训练和预测的复杂度,且目标函数中的属性部分是生成式的,增加了模型的训练难度,在实际的冷启动场景中推荐效果不佳。
而本申请中,可以将冷启动场景该下的偏好矩阵看作一种数据缺失,在机器学习训练中,为了避免过拟合的情况,可以采用随机正则训练方法来对模型进行训练,使得模型在训练过程中学习到对冷启动用户的表达能力,可以有效利用用户和物品的属性信息,在不增加模型架构、模型训练和预测复杂度的情况下,可以解决冷启动场景下推荐结果效果不佳的问题。
具体地,在训练过程中,可以将第一目标向量或第二目标向量中的取值随机置零,上述过程为随机正则,由此来实现在冷启动场景下,由推荐模型依赖属性向量,学习得到用户和/或物品的偏好信息。而没有被随机正则的训练样本则由推荐模型依赖用户分量或物品分量,学习得到用户和/或物品的偏好信息。由此,推荐模型在学习偏好矩阵分解的过程中,也可以学习得到偏好信息缺失的冷启动用户、冷启动物品的向量表示方法。同时,随机正则训练法也是一种模型正则化方法,因此提升了模型的泛化性,更好挖掘用户的潜在兴趣。
上述实施例为推荐模型的训练过程,在训练得到推荐模型后,可以采用训练后的推荐模型,向用户推荐物品,为用户提供个性化服务。因此,本申请还提出了一种基于推荐模型的推荐方法,其中,推荐模型采用如本申请前述图1至图3任一实施例提出的推荐模型的训练方法训练得到。
图4为本申请实施例三所提供的基于推荐模型的推荐方法的流程示意图。
如图4所示,该基于推荐模型的推荐方法可以包括以下步骤:
步骤401,获取对目标用户待推荐的目标物品。
本申请实施例中,目标用户为待推荐的用户对象。
本申请实施例中,目标物品是根据目标用户的输入操作确定的,其中,目标物品的个数可以为一个,或者,也可以为多个,对此不作限制。输入操作的输入方式可以包括但不限于触摸输入(如滑动、点击等)、键盘输入、语音输入等。
本申请实施例中,可以根据目标用户的输入操作,确定目标物品。
举例而言,当目标用户在网络销售平台购物时,比如想要购买母婴用品,目标用户可以通过语音输入、手动输入“母婴用品”,或者,目标用户可以通过点击相关控件,直接选取母婴用品选项,则目标物品可以为母婴用品。再例如,当目标用户想要看电影时,可以通过语音输入、手动输入“电影”,或者,手动点击相关控件,直接选取电影选项,则目标物品可以为电影。
步骤402,在偏好矩阵中查询目标用户的用户分量,以及目标物品的物品分量。
本申请实施例中,偏好矩阵中各元素包含用户分量和物品分量,各元素用于表征用户分量所对应用户对象针对物品分量所对应物品对象执行的行为。
本申请实施例中,偏好矩阵的解释说明可以参见上述实施例中步骤101,在此不做赘述。
本申请实施例中,可以直接在偏好矩阵中查询目标用户的用户分量,比如,根据目标用户的标识,确定该目标用户为用户对象u,则目标用户的用户分量可以为偏好矩阵中第u行元素,即目标用户的用户分量为Uu。
本申请实施例中,可以直接在偏好矩阵中查询目标物品的物品分量,比如,根据目标物品的标识,确定该目标物品为物品对象v,则目标物品的物品分量可以为偏好矩阵中第v列元素,即目标物品的物品分量为Vv。
步骤403,将目标用户的用户分量和目标物品的物品分量输入推荐模型,以得到表征目标用户偏好的第一目标向量,以及表征目标物品受众偏好的第二目标向量。
本申请实施例中,可以将目标用户的用户分量和目标物品的物品分量输入推荐模型,以得到表征目标用户偏好的第一目标向量,以及表征目标物品受众偏好的第二目标向量。
作为一种示例,参见图3,可以将目标用户的属性向量置零,将目标用户的用户分量和对应的属性向量输入推荐模型的第一网络分支,得到第一目标向量。同理,可以将目标物品的属性向量置零,将目标物品的物品分量和对应的属性向量输入推荐模型的第二网络分支,得到第二目标向量。
步骤404,根据第一目标向量和第二目标向量之间的相似度,对目标用户进行物品推荐。
本申请实施例中,可以计算第一目标向量和第二目标向量之间的相似度,根据第一目标向量和第二目标向量之间的相似度,对目标用户进行物品推荐。例如,可以基于NLP技术中的语义相似度计算算法,确定第一目标向量和第二目标向量之间的相似度。
在本申请实施例的一种可能的实现方式中,可以计算目标用户与每个目标物品的相似度,并判断相似度是否大于阈值,在相似度大于阈值的情况下,向目标用户推荐对应的目标物品,而在相似度小于或等于阈值的情况下,则拒绝向目标用户推荐对应的目标物品。由此,可以提升推荐结果的准确性,提升推荐效果。其中,阈值为预先设置的。
具体地,针对每个目标物品,在将目标用户的用户分量和该目标物品的物品分量输入推荐模型,以得到表征目标用户偏好的第一目标向量,以及表征该目标物品受众偏好的第二目标向量后,可以计算目标用户偏好的第一目标向量和该目标物品受众偏好的第二目标向量之间的相似度,并判断上述相似度是否大于阈值,在第一目标向量和第二目标向量之间的相似度大于阈值的情况下,向目标用户推荐目标物品,而在第一目标向量和第二目标向量之间的相似度小于或等于阈值的情况下,则拒绝向目标用户推荐目标物品。由此,可以提升推荐结果的准确性,提升推荐效果。
在本申请实施例的另一种可能的实现方式中,可以计算目标用户与每个目标物品的相似度,并将各目标物品按照相似度的取值大小降序排列,选取排序在前的预设个数的目标物品向目标用户进行推荐。
具体地,针对每个目标物品,在将目标用户的用户分量和该目标物品的物品分量输入推荐模型,以得到表征目标用户偏好的第一目标向量,以及表征该目标物品受众偏好的第二目标向量后,可以计算目标用户偏好的第一目标向量和该目标物品受众偏好的第二目标向量之间的相似度,并将计算到的相似度作为目标用户与该目标物品的相似度。之后,将目标用户与各目标物品之间的相似度按照取值大小降序排列,选取排序在前的预设个数的相似度所对应的目标物品向目标用户进行推荐。
本申请实施例的基于推荐模型的推荐方法,通过获取对目标用户待推荐的目标物品,并在偏好矩阵中查询目标用户的用户分量,以及目标物品的物品分量,之后,将目标用户的用户分量和目标物品的物品分量输入推荐模型,以得到表征目标用户偏好的第一目标向量,以及表征目标物品受众偏好的第二目标向量,最后,根据第一目标向量和第二目标向量之间的相似度,对目标用户进行物品推荐。由此,推荐模型在冷启动场景下依赖属性向量,已学习得到用户和/或物品的偏好信息,从而在冷启动场景下,基于推荐模型进行物品推荐,可以提升推荐结果的准确性,提升推荐效果。
为了实现上述实施例,本申请还提出一种推荐模型的训练装置。
图5为本申请实施例四所提供的推荐模型的训练装置的结构示意图。
如图5所示,该推荐模型的训练装置500包括:生成模块510、处理模块520以及训练模块530。
其中,生成模块510,用于根据偏好矩阵,生成参考样本,其中,参考样本中包含偏好矩阵中对应元素的用户分量和物品分量,以及表征用户分量所对应用户对象属性的属性向量,以及表征物品分量所对应物品对象属性的属性向量。
处理模块520,用于对参考样本中的用户分量和/或物品分量的取值置零,得到训练样本。
训练模块530,用于采用训练样本,对推荐模型进行训练。
在本申请实施例的一种可能的实现方式中,训练模块530,可以包括:
第一输入单元,用于将训练样本中的用户分量和对应用户对象的属性向量输入推荐模型的第一网络分支,得到第一目标向量。
第二输入单元,用于将训练样本中的物品分量和对应物品对象的属性向量输入推荐模型的第二网络分支,得到第二目标向量。
确定单元,用于根据第一目标向量和第二目标向量之间的相似度,以及根据对应参考样本中的用户分量和物品分量之间的相似度,确定损失函数的取值。
调整单元,用于根据损失函数的取值,调整推荐模型的模型参数,以使损失函数取值最小化。
在本申请实施例的一种可能的实现方式中,第一输入单元,具体用于:将用户分量和对应用户对象的属性向量分别输入第一网络分支中对应的输入DNN,得到各输入DNN输出的中间向量;将第一网络分支中各输入DNN输出的中间向量拼接,并输入第一网络分支的输出DNN,以得到第一目标向量。
在本申请实施例的一种可能的实现方式中,第二输入单元,具体用于:将物品分量和对应物品对象的属性向量分别输入第二网络分支中对应的输入DNN,得到各输入DNN输出的中间向量;将第二网络分支中各输入DNN输出的中间向量拼接,并输入第二网络分支的输出DNN,以得到第二目标向量。
需要说明的是,前述图1至图3实施例对推荐模型的训练方法的解释说明也适用于该实施例的推荐模型的训练装置,此处不再赘述。
本申请实施例的推荐模型的训练装置,通过根据偏好矩阵生成参考样本,其中,参考样本中包含偏好矩阵中对应元素的用户分量和物品分量,以及表征用户分量所对应用户对象属性的属性向量,以及表征物品分量所对应物品对象属性的属性向量,之后,对参考样本中的用户分量和/或物品分量的取值置零,得到训练样本,以采用训练样本对推荐模型进行训练。由此,通过置零用户分量和/或物品分量,并引入了属性向量,使得推荐模型在冷启动场景下依赖属性向量,学习得到用户和/或物品的偏好信息,从而在冷启动场景下,可以提升推荐结果的准确性,提升推荐效果。
为了实现上述实施例,本申请还提出一种基于推荐模型的推荐装置。
图6为本申请实施例五所提供的基于推荐模型的推荐装置的结构示意图。其中,推荐模型采用如本申请前述实施例提出的推荐模型的训练方法训练得到。
如图6所示,该基于推荐模型的推荐装置600可以包括:获取模块610、查询模块620、输入模块630以及推荐模块640。
其中,获取模块610,用于获取对目标用户待推荐的目标物品。
查询模块620,用于在偏好矩阵中查询目标用户的用户分量,以及目标物品的物品分量。
输入模块630,用于将目标用户的用户分量和目标物品的物品分量输入推荐模型,以得到表征目标用户偏好的第一目标向量,以及表征目标物品受众偏好的第二目标向量。
推荐模块640,用于根据第一目标向量和第二目标向量之间的相似度,对目标用户进行物品推荐。
在本申请实施例的一种可能的实现方式中,推荐模块640,具体用于:在第一目标向量和第二目标向量之间的相似度大于阈值的情况下,向目标用户推荐目标物品。
在本申请实施例的另一种可能的实现方式中,推荐模块640,具体用于:在第一目标向量和第二目标向量之间的相似度小于或等于阈值的情况下,则拒绝向目标用户推荐目标物品。
需要说明的是,前述图4实施例对基于推荐模型的推荐方法的解释说明也适用于该实施例的基于推荐模型的推荐装置,此处不再赘述。
本申请实施例的基于推荐模型的推荐装置,通过获取对目标用户待推荐的目标物品,并在偏好矩阵中查询目标用户的用户分量,以及目标物品的物品分量,之后,将目标用户的用户分量和目标物品的物品分量输入推荐模型,以得到表征目标用户偏好的第一目标向量,以及表征目标物品受众偏好的第二目标向量,最后,根据第一目标向量和第二目标向量之间的相似度,对目标用户进行物品推荐。由此,推荐模型在冷启动场景下依赖属性向量,已学习得到用户和/或物品的偏好信息,从而在冷启动场景下,基于推荐模型进行物品推荐,可以提升推荐结果的准确性,提升推荐效果。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图7所示,是根据本申请实施例的推荐模型的训练方法或基于推荐模型的推荐方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的推荐模型的训练方法或者基于推荐模型的推荐方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的推荐模型的训练方法或者基于推荐模型的推荐方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的推荐模型的训练方法或者基于推荐模型的推荐方法对应的程序指令/模块(例如,附图5所示的生成模块510、处理模块520以及训练模块530,或者,附图6所示的获取模块610、查询模块620、输入模块630以及推荐模块640)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的推荐模型的训练方法或者基于推荐模型的推荐方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据推荐模型的训练方法或者基于推荐模型的推荐方法的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(VirtualPrivate Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
根据本申请实施例的技术方案,通过根据偏好矩阵生成参考样本,其中,参考样本中包含偏好矩阵中对应元素的用户分量和物品分量,以及表征用户分量所对应用户对象属性的属性向量,以及表征物品分量所对应物品对象属性的属性向量,之后,对参考样本中的用户分量和/或物品分量的取值置零,得到训练样本,以采用训练样本对推荐模型进行训练。由此,通过置零用户分量和/或物品分量,并引入了属性向量,使得推荐模型在冷启动场景下依赖属性向量,学习得到用户和/或物品的偏好信息,从而在冷启动场景下,可以提升推荐结果的准确性,提升推荐效果。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (17)
1.一种推荐模型的训练方法,包括:
根据偏好矩阵,生成参考样本,其中,所述参考样本中包含所述偏好矩阵中对应元素的用户分量和物品分量,以及表征所述用户分量所对应用户对象属性的属性向量,以及表征所述物品分量所对应物品对象属性的属性向量;
对所述参考样本中的所述用户分量和/或所述物品分量的取值置零,得到训练样本;
采用所述训练样本,对推荐模型进行训练。
2.根据权利要求1所述的训练方法,其中,所述采用所述训练样本,对推荐模型进行训练,包括:
将所述训练样本中的用户分量和对应用户对象的属性向量输入所述推荐模型的第一网络分支,得到第一目标向量;
将所述训练样本中的物品分量和对应物品对象的属性向量输入所述推荐模型的第二网络分支,得到第二目标向量;
根据所述第一目标向量和所述第二目标向量之间的相似度,以及根据对应参考样本中的用户分量和物品分量之间的相似度,确定损失函数的取值;
根据所述损失函数的取值,调整所述推荐模型的模型参数,以使所述损失函数取值最小化。
3.根据权利要求2所述的训练方法,其中,所述将所述训练样本中的用户分量和对应用户对象的属性向量输入所述推荐模型的第一网络分支,得到第一目标向量,包括:
将所述用户分量和对应用户对象的属性向量分别输入所述第一网络分支中对应的输入深度神经网络DNN,得到各所述输入DNN输出的中间向量;
将所述第一网络分支中各所述输入DNN输出的中间向量拼接,并输入所述第一网络分支的输出DNN,以得到所述第一目标向量。
4.根据权利要求2所述的训练方法,其中,所述将所述训练样本中的物品分量和对应物品对象的属性向量输入所述推荐模型的第二网络分支,得到所述第二目标向量,包括:
将所述物品分量和对应物品对象的属性向量分别输入所述第二网络分支中对应的输入DNN,得到各所述输入DNN输出的中间向量;
将所述第二网络分支中各所述输入DNN输出的中间向量拼接,并输入所述第二网络分支的输出DNN,以得到所述第二目标向量。
5.一种基于推荐模型的推荐方法,其中,所述推荐模型采用如权利要求1-4任一项所述的训练方法训练得到,所述推荐方法包括:
获取对目标用户待推荐的目标物品;
在偏好矩阵中查询所述目标用户的用户分量,以及所述目标物品的物品分量;
将所述目标用户的用户分量和所述目标物品的物品分量输入推荐模型,以得到表征所述目标用户偏好的第一目标向量,以及表征所述目标物品受众偏好的第二目标向量;
根据所述第一目标向量和所述第二目标向量之间的相似度,对所述目标用户进行物品推荐。
6.根据权利要求5所述的推荐方法,其中,所述根据所述第一目标向量和所述第二目标向量之间的相似度,对所述目标用户进行物品推荐,包括:
在所述第一目标向量和所述第二目标向量之间的相似度大于阈值的情况下,向所述目标用户推荐所述目标物品。
7.根据权利要求5所述的推荐方法,其中,所述根据所述第一目标向量和所述第二目标向量之间的相似度,对所述目标用户进行物品推荐,包括:
在所述第一目标向量和所述第二目标向量之间的相似度小于或等于阈值的情况下,则拒绝向所述目标用户推荐所述目标物品。
8.一种推荐模型的训练装置,包括:
生成模块,用于根据偏好矩阵,生成参考样本,其中,所述参考样本中包含所述偏好矩阵中对应元素的用户分量和物品分量,以及表征所述用户分量所对应用户对象属性的属性向量,以及表征所述物品分量所对应物品对象属性的属性向量;
处理模块,用于对所述参考样本中的所述用户分量和/或所述物品分量的取值置零,得到训练样本;
训练模块,用于采用所述训练样本,对推荐模型进行训练。
9.根据权利要求8所述的训练装置,其中,所述训练模块,包括:
第一输入单元,用于将所述训练样本中的用户分量和对应用户对象的属性向量输入所述推荐模型的第一网络分支,得到第一目标向量;
第二输入单元,用于将所述训练样本中的物品分量和对应物品对象的属性向量输入所述推荐模型的第二网络分支,得到第二目标向量;
确定单元,用于根据所述第一目标向量和所述第二目标向量之间的相似度,以及根据对应参考样本中的用户分量和物品分量之间的相似度,确定损失函数的取值;
调整单元,用于根据所述损失函数的取值,调整所述推荐模型的模型参数,以使所述损失函数取值最小化。
10.根据权利要求9所述的训练装置,其中,所述第一输入单元,具体用于:
将所述用户分量和对应用户对象的属性向量分别输入所述第一网络分支中对应的输入DNN,得到各所述输入DNN输出的中间向量;
将所述第一网络分支中各所述输入DNN输出的中间向量拼接,并输入所述第一网络分支的输出DNN,以得到所述第一目标向量。
11.根据权利要求9所述的训练装置,其中,所述第二输入单元,具体用于:
将所述物品分量和对应物品对象的属性向量分别输入所述第二网络分支中对应的输入DNN,得到各所述输入DNN输出的中间向量;
将所述第二网络分支中各所述输入DNN输出的中间向量拼接,并输入所述第二网络分支的输出DNN,以得到所述第二目标向量。
12.一种基于推荐模型的推荐装置,其中,所述推荐模型采用如权利要求1-4任一项所述的训练方法训练得到,所述推荐装置包括:
获取模块,用于获取对目标用户待推荐的目标物品;
查询模块,用于在偏好矩阵中查询所述目标用户的用户分量,以及所述目标物品的物品分量;
输入模块,用于将所述目标用户的用户分量和所述目标物品的物品分量输入推荐模型,以得到表征所述目标用户偏好的第一目标向量,以及表征所述目标物品受众偏好的第二目标向量;
推荐模块,用于根据所述第一目标向量和所述第二目标向量之间的相似度,对所述目标用户进行物品推荐。
13.根据权利要求12所述的推荐装置,其中,所述推荐模块,具体用于:
在所述第一目标向量和所述第二目标向量之间的相似度大于阈值的情况下,向所述目标用户推荐所述目标物品。
14.根据权利要求12所述的推荐装置,其中,所述推荐模块,具体用于:
在所述第一目标向量和所述第二目标向量之间的相似度小于或等于阈值的情况下,则拒绝向所述目标用户推荐所述目标物品。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的推荐模型的训练方法,或者,执行权利要求5-7中任一项所述的基于推荐模型的推荐方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的推荐模型的训练方法,或者,执行权利要求5-7中任一项所述的基于推荐模型的推荐方法。
17.一种计算机程序产品,当所述计算机程序产品中的指令被处理器执行时,执行权利要求1-4中任一项所述的推荐模型的训练方法,或者,执行权利要求5-7中任一项所述的基于推荐模型的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011554201.8A CN112632403B (zh) | 2020-12-24 | 2020-12-24 | 推荐模型的训练方法、推荐方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011554201.8A CN112632403B (zh) | 2020-12-24 | 2020-12-24 | 推荐模型的训练方法、推荐方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112632403A true CN112632403A (zh) | 2021-04-09 |
CN112632403B CN112632403B (zh) | 2024-04-09 |
Family
ID=75324571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011554201.8A Active CN112632403B (zh) | 2020-12-24 | 2020-12-24 | 推荐模型的训练方法、推荐方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112632403B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205183A (zh) * | 2021-04-23 | 2021-08-03 | 北京达佳互联信息技术有限公司 | 物品推荐网络训练方法、装置、电子设备及存储介质 |
CN113407814A (zh) * | 2021-06-29 | 2021-09-17 | 北京字节跳动网络技术有限公司 | 文本搜索方法、装置、可读介质及电子设备 |
CN113496432A (zh) * | 2021-07-06 | 2021-10-12 | 北京爱笔科技有限公司 | 待推荐实体的挖掘方法、装置、设备及存储介质 |
CN114581161A (zh) * | 2022-05-06 | 2022-06-03 | 深圳市明珞锋科技有限责任公司 | 一种基于深度学习的信息推送方法和系统 |
WO2023011382A1 (zh) * | 2021-07-31 | 2023-02-09 | 华为技术有限公司 | 推荐方法、推荐模型训练方法及相关产品 |
CN116150504A (zh) * | 2023-04-17 | 2023-05-23 | 特斯联科技集团有限公司 | 处理长尾分布的推荐方法、装置及计算机存储介质、终端 |
CN116450808A (zh) * | 2023-06-15 | 2023-07-18 | 腾讯科技(深圳)有限公司 | 一种数据的处理方法、装置以及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
CN110297848A (zh) * | 2019-07-09 | 2019-10-01 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
WO2019196881A1 (zh) * | 2018-04-12 | 2019-10-17 | 京东方科技集团股份有限公司 | 推荐方法、推荐装置、推荐设备、推荐系统及存储介质 |
WO2019223379A1 (zh) * | 2018-05-22 | 2019-11-28 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN111460130A (zh) * | 2020-03-27 | 2020-07-28 | 咪咕数字传媒有限公司 | 信息推荐方法、装置、设备和可读存储介质 |
CN111738414A (zh) * | 2020-06-11 | 2020-10-02 | 北京百度网讯科技有限公司 | 推荐模型的生成、内容推荐方法、装置、设备和介质 |
CN112115387A (zh) * | 2020-09-25 | 2020-12-22 | 北京百度网讯科技有限公司 | 兴趣点poi推荐模型的训练方法、装置和电子设备 |
-
2020
- 2020-12-24 CN CN202011554201.8A patent/CN112632403B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
WO2019196881A1 (zh) * | 2018-04-12 | 2019-10-17 | 京东方科技集团股份有限公司 | 推荐方法、推荐装置、推荐设备、推荐系统及存储介质 |
WO2019223379A1 (zh) * | 2018-05-22 | 2019-11-28 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN110297848A (zh) * | 2019-07-09 | 2019-10-01 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
CN111460130A (zh) * | 2020-03-27 | 2020-07-28 | 咪咕数字传媒有限公司 | 信息推荐方法、装置、设备和可读存储介质 |
CN111738414A (zh) * | 2020-06-11 | 2020-10-02 | 北京百度网讯科技有限公司 | 推荐模型的生成、内容推荐方法、装置、设备和介质 |
CN112115387A (zh) * | 2020-09-25 | 2020-12-22 | 北京百度网讯科技有限公司 | 兴趣点poi推荐模型的训练方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
MAKSIMS VOLKOVS ET AL.: ""DropoutNet: Addressing Cold Start in Recommender Systems"", 《NIPS\'17: PROCEEDINGS OF THE 31ST INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》, pages 1 - 10 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205183A (zh) * | 2021-04-23 | 2021-08-03 | 北京达佳互联信息技术有限公司 | 物品推荐网络训练方法、装置、电子设备及存储介质 |
CN113407814A (zh) * | 2021-06-29 | 2021-09-17 | 北京字节跳动网络技术有限公司 | 文本搜索方法、装置、可读介质及电子设备 |
CN113407814B (zh) * | 2021-06-29 | 2023-06-16 | 抖音视界有限公司 | 文本搜索方法、装置、可读介质及电子设备 |
CN113496432A (zh) * | 2021-07-06 | 2021-10-12 | 北京爱笔科技有限公司 | 待推荐实体的挖掘方法、装置、设备及存储介质 |
WO2023011382A1 (zh) * | 2021-07-31 | 2023-02-09 | 华为技术有限公司 | 推荐方法、推荐模型训练方法及相关产品 |
CN114581161A (zh) * | 2022-05-06 | 2022-06-03 | 深圳市明珞锋科技有限责任公司 | 一种基于深度学习的信息推送方法和系统 |
CN116150504A (zh) * | 2023-04-17 | 2023-05-23 | 特斯联科技集团有限公司 | 处理长尾分布的推荐方法、装置及计算机存储介质、终端 |
CN116450808A (zh) * | 2023-06-15 | 2023-07-18 | 腾讯科技(深圳)有限公司 | 一种数据的处理方法、装置以及存储介质 |
CN116450808B (zh) * | 2023-06-15 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 一种数据的处理方法、装置以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112632403B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632403B (zh) | 推荐模型的训练方法、推荐方法、装置、设备和介质 | |
US11714816B2 (en) | Information search method and apparatus, device and storage medium | |
Ni et al. | Perceive your users in depth: Learning universal user representations from multiple e-commerce tasks | |
CN107515909B (zh) | 一种视频推荐方法及系统 | |
US20190392330A1 (en) | System and method for generating aspect-enhanced explainable description-based recommendations | |
CN108230058B (zh) | 产品推荐方法及系统 | |
CN111143686B (zh) | 资源推荐方法及装置 | |
CN112836120A (zh) | 一种基于多模态知识图谱的电影推荐方法、系统及终端 | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
CN111259222A (zh) | 物品推荐方法、系统、电子设备及存储介质 | |
CN114154013A (zh) | 视频推荐方法、装置、设备及存储介质 | |
CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN112380104A (zh) | 用户属性识别方法、装置、电子设备及存储介质 | |
CN111967599A (zh) | 用于训练模型的方法、装置、电子设备及可读存储介质 | |
CN115456707A (zh) | 提供商品推荐信息的方法、装置及电子设备 | |
WO2022001349A1 (zh) | 用于分析信息的方法和装置 | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN115204971B (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN115618126A (zh) | 搜索处理方法、系统、计算机可读存储介质及计算机设备 | |
CN116764236A (zh) | 游戏道具推荐方法、装置、计算机设备和存储介质 | |
CN111274497A (zh) | 社区推荐及模型训练方法、装置、电子设备及存储介质 | |
CN112579889B (zh) | 物品推荐方法、装置、电子设备及存储介质 | |
CN113641900A (zh) | 信息推荐方法及装置 | |
Gan et al. | A disaggregated interest-extraction network for click-through rate prediction |
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 |