CN113190725A - 对象的推荐及模型训练方法和装置、设备、介质和产品 - Google Patents

对象的推荐及模型训练方法和装置、设备、介质和产品 Download PDF

Info

Publication number
CN113190725A
CN113190725A CN202110352843.8A CN202110352843A CN113190725A CN 113190725 A CN113190725 A CN 113190725A CN 202110352843 A CN202110352843 A CN 202110352843A CN 113190725 A CN113190725 A CN 113190725A
Authority
CN
China
Prior art keywords
sample data
service object
user
probability
business object
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
Application number
CN202110352843.8A
Other languages
English (en)
Other versions
CN113190725B (zh
Inventor
赵惜墨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202110352843.8A priority Critical patent/CN113190725B/zh
Publication of CN113190725A publication Critical patent/CN113190725A/zh
Application granted granted Critical
Publication of CN113190725B publication Critical patent/CN113190725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开关于一种业务对象的推荐及模型训练方法和装置，其中，所述训练方法包括：获取训练样本数据，正业务对象样本数据的业务对象价值大于负业务对象样本数据的业务对象价值；根据用户信息样本数据、正业务对象样本数据和负业务对象样本数据，分别映射得到正业务对象样本数据的被用户选择的概率和负业务对象样本数据的被用户选择的概率，再结合约束条件训练得到业务对象推荐模型。本公开利用业务对象价值的相对高低，减弱了业务对象价值的绝对大或者绝对小的不准确性对模型训练带来的影响，映射了被用户选择的概率，通过被用户选择的概率体现业务对象受用户欢迎的程度，提升业务对象的推荐准确率，优化业务对象的推荐效果。

Description

对象的推荐及模型训练方法和装置、设备、介质和产品
技术领域
本公开涉及计算机技术领域，尤其涉及一种业务对象的推荐及模型训练方法和装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
在传统的广告推荐方案中，主要依靠广告的价值对广告进行推荐。广告的价值越高，越容易推荐给用户；广告的价值越低，越不容易推荐给用户。广告的价值可以用每一千次展示可以获得的广告收入(effective Cost Per Mile，eCPM)来体现。
相关技术中，eCPM由广告的点击率(Click Through Rate，CTR)、广告的转化率(Conversion Rate，CVR)和广告的出价(Bid)共同决定，即eCPM＝CTR﹡CVR﹡Bid。通常，将eCPM最高的广告推荐给用户。
eCPM由CTR、CVR和Bid三者共同决定，CTR、CVR和Bid三者中的任意一个不准确，都会影响eCPM的准确性。而且，eCPM是从广告收入的方面体现广告的价值，并不能代表用户对广告的喜好。因此，根据广告的价值进行广告推荐容易造成广告推荐结果不符合用户实际需求的问题。
发明内容
本公开提供了一种业务对象的推荐及模型训练方法和装置，以及电子设备、计算机可读存储介质和计算机程序产品，以至少解决相关技术中业务对象的推荐结果不符合用户实际需求的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供了一种业务对象推荐模型的训练方法，包括：获取训练样本数据，所述训练样本数据包含用户信息样本数据和业务对象样本数据对，所述业务对象样本数据对包含正业务对象样本数据和负业务对象样本数据，所述正业务对象样本数据的业务对象价值大于所述负业务对象样本数据的业务对象价值；根据所述正业务对象样本数据和所述用户信息样本数据，映射得到所述正业务对象样本数据的被用户选择的概率，根据所述负业务对象样本数据和所述用户信息样本数据，映射得到所述负业务对象样本数据的被用户选择的概率；根据所述正业务对象样本数据的被用户选择的概率和所述负业务对象样本数据的被用户选择的概率，以及预设的约束条件训练初始网络模型得到业务对象推荐模型；其中，所述约束条件为所述正业务对象样本数据的被用户选择的概率大于所述负业务对象样本数据的被用户选择的概率。
可选地，所述获取训练样本数据，包括：获取多个原始业务对象样本数据；预测每个所述原始业务对象样本数据的业务对象价值；根据每个所述业务对象价值将多个所述原始业务对象样本数据组合成为多组原始业务对象样本数据对；对多组所述原始业务对象样本数据对进行筛选得到所述业务对象样本数据对；将所述业务对象样本数据对和预先获取到的所述用户信息样本数据作为所述训练样本数据。
可选地，所述对多组所述原始业务对象样本数据对进行筛选得到所述业务对象样本数据对，包括：将每组所述原始业务对象样本数据对中的所述正业务对象样本数据的业务对象价值与所述负业务对象样本数据的业务对象价值进行比较，得到每组所述原始业务对象样本数据对的业务对象价值比较结果；将所述业务对象价值比较结果大于预设的差异阈值的所述原始业务对象样本数据对，作为所述业务对象样本数据对。
可选地，所述根据所述正业务对象样本数据和所述用户信息样本数据，映射得到所述正业务对象样本数据的被用户选择的概率，包括：根据预设的激活函数将所述正业务对象样本数据的特征向量和所述用户信息样本数据的特征向量的内积，映射为所述正业务对象样本数据的被用户选择的概率。
可选地，所述根据所述负业务对象样本数据和所述用户信息样本数据，映射得到所述负业务对象样本数据的被用户选择的概率，包括：根据所述激活函数将所述负业务对象样本数据的特征向量和所述用户信息样本数据的特征向量的内积，映射为所述负业务对象样本数据的被用户选择的概率。
可选地，所述根据所述正业务对象样本数据的被用户选择的概率和所述负业务对象样本数据的被用户选择的概率，以及预设的约束条件训练初始网络模型得到业务对象推荐模型，包括：将所述正业务对象样本数据的被用户选择的概率和所述负业务对象样本数据的被用户选择的概率输入至所述初始网络模型，并根据预设的损失函数训练所述初始网络模型得到所述业务对象推荐模型；其中，所述损失函数表示概率差值与所述损失函数的超参数的和值，和预设的损失阈值之间的最大值；所述概率差值表示所述正业务对象样本数据的被用户选择的概率与所述负业务对象样本数据的被用户选择的概率之间的差值。
根据本公开实施例的第二方面，提供了一种业务对象的推荐方法，包括：获取业务对象请求信息；将所述业务对象请求信息中的用户信息和预设的业务对象库中每个业务对象，输入至按照第一方面所述的方法训练得到的业务对象推荐模型，输出每个所述业务对象被用户选择的概率；根据每个所述业务对象被用户选择的概率和预设的概率阈值，判断每个所述业务对象是否推荐给所述用户信息对应的用户。
根据本公开实施例的第三方面，提供了一种业务对象推荐模型的训练装置，包括：获取单元，被配置为执行获取训练样本数据，所述训练样本数据包含用户信息样本数据和业务对象样本数据对，所述业务对象样本数据对包含正业务对象样本数据和负业务对象样本数据，所述正业务对象样本数据的业务对象价值大于所述负业务对象样本数据的业务对象价值；映射单元，被配置为执行根据所述正业务对象样本数据和所述用户信息样本数据，映射得到所述正业务对象样本数据的被用户选择的概率，根据所述负业务对象样本数据和所述用户信息样本数据，映射得到所述负业务对象样本数据的被用户选择的概率；训练单元，被配置为执行根据所述正业务对象样本数据的被用户选择的概率和所述负业务对象样本数据的被用户选择的概率，以及预设的约束条件训练初始网络模型得到业务对象推荐模型；其中，所述约束条件为所述正业务对象样本数据的被用户选择的概率大于所述负业务对象样本数据的被用户选择的概率。
可选地，所述获取单元，包括：样本获取单元，被配置为执行获取多个原始业务对象样本数据；价值预测单元，被配置为执行预测每个所述原始业务对象样本数据的业务对象价值；样本组合单元，被配置为执行根据每个所述业务对象价值将多个所述原始业务对象样本数据组合成为多组原始业务对象样本数据对；样本筛选单元，被配置为执行对多组所述原始业务对象样本数据对进行筛选得到所述业务对象样本数据对；样本确定单元，被配置为执行将所述业务对象样本数据对和预先获取到的所述用户信息样本数据作为所述训练样本数据。
可选地，所述样本筛选单元，包括：价值比较单元，被配置为执行将每组所述原始业务对象样本数据对中的所述正业务对象样本数据的业务对象价值与所述负业务对象样本数据的业务对象价值进行比较，得到每组所述原始业务对象样本数据对的业务对象价值比较结果；数据对确定单元，被配置为执行将所述业务对象价值比较结果大于预设的差异阈值的所述原始业务对象样本数据对，作为所述业务对象样本数据对。
可选地，所述映射单元，被配置为执行根据预设的激活函数将所述正业务对象样本数据的特征向量和所述用户信息样本数据的特征向量的内积，映射为所述正业务对象样本数据的被用户选择的概率。
可选地，所述映射单元，被配置为执行根据所述激活函数将所述负业务对象样本数据的特征向量和所述用户信息样本数据的特征向量的内积，映射为所述负业务对象样本数据的被用户选择的概率。
可选地，所述训练单元，被配置为执行将所述正业务对象样本数据的被用户选择的概率和所述负业务对象样本数据的被用户选择的概率输入至所述初始网络模型，并根据预设的损失函数训练所述初始网络模型得到所述业务对象推荐模型；其中，所述损失函数表示概率差值与所述损失函数的超参数的和值，和预设的损失阈值之间的最大值；所述概率差值表示所述正业务对象样本数据的被用户选择的概率与所述负业务对象样本数据的被用户选择的概率之间的差值。
根据本公开实施例的第四方面，提供了一种业务对象的推荐装置，包括：请求获取单元，被配置为执行获取业务对象请求信息；输入输出单元，被配置为执行将所述业务对象请求信息中的用户信息和预设的业务对象库中每个业务对象，输入至按照第一方面所述的方法训练得到的业务对象推荐模型，输出每个所述业务对象被用户选择的概率；概率判断单元，被配置为执行根据每个所述业务对象被用户选择的概率和预设的概率阈值，判断每个所述业务对象是否推荐给所述用户信息对应的用户。
根据本公开实施例的第五方面，提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如第一方面所述的业务对象推荐模型的训练方法或第二方面所述的业务对象的推荐方法。
根据本公开实施例的第六方面，提供了一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面所述的业务对象推荐模型的训练方法或第二方面所述的业务对象的推荐方法。
根据本公开实施例的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的业务对象推荐模型的训练方法或第二方面所述的业务对象的推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
在本公开的实施例中，在训练业务对象推荐模型时，获取包含用户信息样本数据和业务对象样本数据对的训练样本数据。其中，业务对象样本数据对可以包含正业务对象样本数据和负业务对象样本数据，而且，正业务对象样本数据的业务对象价值大于负业务对象样本数据的业务对象价值。根据正业务对象样本数据和用户信息样本数据映射得到正业务对象样本数据的被用户选择的概率，根据负业务对象样本数据和用户信息样本数据映射得到负业务对象样本数据的被用户选择的概率。进而，根据正业务对象样本数据的被用户选择的概率和负业务对象样本数据的被用户选择的概率，以及预设的约束条件训练初始网络模型得到业务对象推荐模型。其中，约束条件为正业务对象样本数据的被用户选择的概率大于负业务对象样本数据的被用户选择的概率。本公开的实施例采用了业务对象价值较高的正业务对象样本数据，和业务对象价值较低的负业务对象样本数据作为训练样本数据中业务对象样本数据对，利用了正业务对象样本数据与负业务对象样本数据之间的业务对象价值的相对高低，减弱了业务对象价值的绝对大或者绝对小的不准确性对模型训练带来的影响，而且，在模型的训练过程中，分别映射得到正业务对象样本数据的被用户选择概率和负业务对象样本数据的被用户选择的概率，通过约束条件限定业务对象推荐模型输出的正业务对象样本数据的被用户选择的概率大于负业务对象样本数据的被用户选择的概率，进而令业务对象推荐模型的输出结果更加符合用户的实际需求，从而提升业务对象的推荐准备率，优化了业务对象的推荐效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种业务对象推荐模型的训练方法的流程图。
图2是根据一示例性实施例示出的一种训练样本数据的获取过程示意图。
图3a是根据一示例性实施例示出的一种初始网络模型的结构示意图。
图3b是根据一示例性实施例示出的一种业务对象推荐模型的结构示意图。
图4是根据一示例性实施例示出的一种业务对象的推荐方法的流程图。
图5是根据一示例性实施例示出的一种业务对象推荐模型的训练装置的框图。
图6是根据一示例性实施例示出的一种业务对象的推荐装置的框图。
图7是根据一示例性实施例示出的一种业务对象推荐模型的训练电子设备或业务对象的推荐电子设备的框图。
图8是根据一示例性实施例示出的一种用于对业务对象推荐模型进行训练的电子设备或用于对业务对象进行推荐的电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种业务对象推荐模型的训练方法的流程图，如图1所示，该业务对象推荐模型的训练方法可以应用于终端或者服务器，业务对象推荐模型用于响应于业务对象推荐请求，向用户推荐业务对象。该业务对象推荐模型的训练方法可以包括以下步骤。
在步骤S11中，获取训练样本数据。
在本公开的实施例中，训练样本数据可以包含用户信息样本数据和业务对象样本数据对。其中，用户信息样本数据可以包含用户身份标识、用户年龄、用户性别、用户行为偏好、用户兴趣等等。业务对象样本数据对可以包含正业务对象样本数据和负业务对象样本数据。而且，正业务对象样本数据的业务对象价值大于负业务对象样本数据的业务对象价值。在实际应用中，业务对象价值可以为eCPM。
在步骤S12中，根据正业务对象样本数据和用户信息样本数据，映射得到正业务对象样本数据的被用户选择的概率，根据负业务对象样本数据和用户信息样本数据，映射得到负业务对象样本数据的被用户选择的概率。
在本公开的实施例中，被用户选择的概率可以表示业务对象推荐模型将业务对象推荐给用户的概率。通常，被用户选择的概率越高，业务对象被业务对象推荐模型推荐给用户的概率越大；反之，被用户选择的概率越低，业务对象被业务对象推荐模型推荐给用户的概率越小。
在步骤S13中，根据正业务对象样本数据的被用户选择的概率和负业务对象样本数据的被用户选择的概率，以及预设的约束条件训练初始网络模型得到业务对象推荐模型。
在本公开的实施例中，约束条件为正业务对象样本数据的被用户选择的概率大于负业务对象样本数据的被用户选择的概率。在实际应用中，可以采用如TensorFlow(一个基于数据流编程的符号数学系统，被广泛应用于各类机器学习算法的编程实现)、Mxnet(一种深度学习库)等深度学习训练工具进行模型训练。
在本公开的实施例中，在训练业务对象推荐模型时，获取包含用户信息样本数据和业务对象样本数据对的训练样本数据。其中，业务对象样本数据对可以包含正业务对象样本数据和负业务对象样本数据，而且，正业务对象样本数据的业务对象价值大于负业务对象样本数据的业务对象价值。根据正业务对象样本数据和用户信息样本数据映射得到正业务对象样本数据的被用户选择的概率，根据负业务对象样本数据和用户信息样本数据映射得到负业务对象样本数据的被用户选择的概率。进而，根据正业务对象样本数据的被用户选择的概率和负业务对象样本数据的被用户选择的概率，以及预设的约束条件训练初始网络模型得到业务对象推荐模型。其中，约束条件为正业务对象样本数据的被用户选择的概率大于负业务对象样本数据的被用户选择的概率。本公开的实施例采用了业务对象价值较高的正业务对象样本数据，和业务对象价值较低的负业务对象样本数据作为训练样本数据中业务对象样本数据对，利用了正业务对象样本数据与负业务对象样本数据之间的业务对象价值的相对高低，减弱了业务对象价值的绝对大或者绝对小的不准确性对模型训练带来的影响，而且，在模型的训练过程中，分别映射得到正业务对象样本数据的被用户选择概率和负业务对象样本数据的被用户选择的概率，通过约束条件限定业务对象推荐模型输出的正业务对象样本数据的被用户选择的概率大于负业务对象样本数据的被用户选择的概率，进而令业务对象推荐模型的输出结果更加符合用户的实际需求，从而提升业务对象的推荐准备率，优化了业务对象的推荐效果。
在本公开的一种示例性实施例中，并非任意业务对象样本数据均可以作为业务对象推荐模型的训练样本数据。因此，在上述步骤S11的执行过程中，需要选择满足一定条件的业务对象样本数据作为业务对象推荐模型的训练样本数据。参照图2，图2示出了一种训练样本数据的获取过程示意图。在实际应用中，可以通过定向操作和召回操作获取多个原始业务对象样本数据。其中，定向操作用于确定满足用户实际需求的所有业务对象样本数据。召回操作用于对所有业务对象样本数据进行初步筛选，可以从百万级别的所有业务对象样本数据中筛选出千级别的原始业务对象样本数据。然后，预测每个原始业务对象样本数据的业务对象价值，根据业务对象价值将多个原始业务对象样本数据组合为多组原始业务对象样本数据对。进而，对多组原始业务对象样本数据对进行筛选得到业务对象样本数据对。其中，业务对象价值可以为eCPM。eCPM的预测可以采用eCPM＝CTR﹡CVR﹡Bid的方式。在组合多组原始业务对象样本数据对时，需要保证一组原始业务对象样本数据对中的一个业务对象样本数据的eCPM大于另一个业务对象样本数据的eCPM，并且将eCPM相对高的业务对象样本数据作为正业务对象样本数据，将eCPM相对低的业务对象样本数据作为负业务对象样本数据。本公开的实施例在获取训练样本数据的过程中，将一个正业务对象样本数据和一个负业务对象样本数据组合为一个业务对象样本数据对，而且，其中的正业务对象样本数据的业务对象价值大于负业务对象样本数据的业务对象价值。虽然需要预测每个原始业务对象样本数据的业务对象价值，但是不需要使用业务对象价值的绝对值，使用的是业务对象价值的相对值。训练样本数据中使用的是业务对象价值相对大的正业务对象样本数据和业务对象价值相对小的负业务对象样本数据，而非使用业务对象价值的绝对值满足大小条件的正负业务对象样本数据，避免了由于业务对象价值预测不准确所造成的模型训练结果不准确的问题。
在对多组原始业务对象样本数据对进行筛选得到业务对象样本数据对时，可以将每组原始业务对象样本数据对中的正业务对象样本数据的业务对象价值与负业务对象样本数据的业务对象价值进行比较，得到每组原始业务对象样本数据对的业务对象价值比较结果。再将业务对象价值比较结果大于预设的差异阈值的原始业务对象样本数据对，作为业务对象样本数据对。例如，某组原始业务对象样本数据对中的正业务对象样本数据的业务对象价值为eCPM_pos，该组原始业务对象样本数据对中的负业务对象样本数据的业务对象价值为eCPM_neg，该组原始业务对象样本数据对的业务对象价值比较结果为threshold＝eCPM_pos-eCPM_neg。若该组原始业务对象样本数据对的业务对象价值比较结果threshold大于差异阈值m，则该组原始业务对象样本数据对可以作为业务对象样本数据对。若该组原始业务对象样本数据对的业务对象价值比较结果threshold小于或等于差异阈值m，则该组原始业务对象样本数据对不可以作为业务对象样本数据对，可以舍弃该组原始业务对象样本数据对。本公开的实施例在筛选业务对象样本数据对时，可以将原始业务对象样本数据的业务对象价值比较结果与差异阈值进行比较，若业务对象价值比较结果大于差异阈值，则将原始业务对象样本数据对作为业务对象样本数据对；若业务对象价值比较结果小于或等于差异阈值，则将原始业务对象样本数据对不作为业务对象样本数据对。其中，业务对象价值比较结果大于差异阈值，表示正业务对象样本数据的业务对象价值，与负业务对象样本数据的业务对象价值之间的差异较大，即正业务对象样本数据的业务对象价值，与负业务对象样本数据的业务对象价值的相对值较大，不需要考虑正业务对象样本数据的业务对象价值的绝对值，也不需要考虑负业务对象样本数据的业务对象价值的绝对值，避免了由于业务对象价值预测不准确所造成的模型训练结果不准确的问题。对多组原始业务对象样本数据对进行筛选得到业务对象样本数据对的目的在于，利用了业务对象价值比较结果，避免利用业务对象价值的绝对值，可以减弱因CTR和CVR预测不准所带来的业务对象价值不准确的影响，而且，避免业务对象价值相差较小的业务对象样本数据对参与到模型训练中，提升了业务对象推荐模型对业务对象的排序能力。
最终，将筛选得到的业务对象样本数据对和预先获取到的用户信息样本数据作为业务对象推荐模型的训练样本数据。也就是说，训练样本数据可以为<用户信息样本数据，正业务对象样本数据，负业务对象样本数据>三元组的形式。
在本公开的一种示例性实施例中，参照图3a，图3a示出了一种初始网络模型的结构示意图。初始网络模型可以包含如下几部分：特征提取层、隐含层、向量输出层等。训练样本数据中的用户信息样本数据输入到初始网络模型中，依次经过用户信息样本数据->用户信息特征->隐含层->user_emb。其中，->表示全连接操作，user_emb表示用户信息样本数据的特征向量。训练样本数据中的业务对象样本数据(包含正业务对象样本数据和负业务对象样本数据)输入至初始网络模型中，依次经过业务对象样本数据->业务对象特征->隐含层->item_emb。其中，item_emb表示业务对象的特征向量，针对正业务对象样本数据得到正业务对象样本数据的特征向量item+_emb，针对负业务对象样本数据得到负业务对象样本数据的特征向量item-_emb。在初始网络模型中，用于确定正业务对象样本数据的特征向量和用于确定负业务对象样本数据的特征向量的网络结构可以是相同的。
在本公开的一种示例性实施例中，在映射得到被用户选择的概率的过程中，利用score表示被用户选择的概率。如图3a所示，正业务对象样本数据的被用户选择的概率score_pos由用户信息样本数据的特征向量和正业务对象样本数据的特征向量的内积映射得到。负业务对象样本数据的被用户选择的概率score_neg由用户信息样本数据的特征向量和负业务对象样本数据的特征向量的内积映射得到。
在实际应用中，可以根据预设的激活函数将用户信息样本数据的特征向量和正业务对象样本数据的特征向量的内积，映射为正业务对象样本数据的被用户选择的概率，例如，采用如下公式确定正业务对象样本数据的被用户选择的概率：
score_pos＝sigmoid(user_emb﹡item+_emb)；
其中，score_pos表示正业务对象样本数据的被用户选择的概率，sigmoid()为S型生长曲线函数，表示预设的激活函数，user_emb表示用户信息样本数据的特征向量，item+_emb表示正业务对象样本数据的特征向量，user_emb﹡item+_emb表示用户信息样本数据的特征向量和正业务对象样本数据的特征向量的内积。
在实际应用中，可以根据预设的激活函数将用户信息样本数据的特征向量和负业务对象样本数据的特征向量的内积，映射为负业务对象样本数据的被用户选择的概率，例如，采用如下公式确定负业务对象样本数据的被用户选择的概率：
score_neg＝sigmoid(user_emb﹡item-_emb)；
其中，score_neg表示负业务对象样本数据的被用户选择的概率，sigmoid()为S型生长曲线函数，表示预设的激活函数，user_emb表示用户信息样本数据的特征向量，item-_emb表示负业务对象样本数据的特征向量，user_emb﹡item-_emb表示用户信息样本数据的特征向量和负业务对象样本数据的特征向量的内积。
在本公开的一种示例性实施例中，正业务对象样本数据的被用户选择的概率可以位于第一数值区间，负业务对象样本数据的被用户选择的概率可以位于第二数值区间，而且，第一数值区间可以大于第二数值区间，以保证位于第一数值区间的正业务对象样本数据的被用户选择的概率，大于位于第二数值区间的负业务对象样本数据的被用户选择的概率，也就是说，正业务对象样本数据被用户选择的可能性，高于负业务对象样本数据被用户选择的可能性。
本公开的实施例将用户信息样本数据的特征向量和正业务对象样本数据的特征向量的内积，映射为正业务对象样本数据的被用户选择的概率，将用户信息样本数据的特征向量和负业务对象样本数据的特征向量的内积，映射为负业务对象样本数据的被用户选择的概率。也就是说，将特征向量的内积映射为被用户选择的概率，通过计算内积将特征向量转换为标量(数量)，而非向量，使得被用户选择的概率为简单的标量，便于比较和排序。
在本公开的一种示例性实施例中，在训练初始网络模型得到业务对象推荐模型时，可以将正业务对象样本数据的被用户选择的概率和负业务对象样本数据的被用户选择的概率输入至初始网络模型，并根据预设的损失函数训练初始网络模型得到业务对象推荐模型。其中，预设的损失函数可以表示概率差值与损失函数的超参数的和值，和预设的损失阈值之间的最大值，概率差值表示正业务对象样本数据的被用户选择的概率与负业务对象样本数据的被用户选择的概率之间的差值。
在实际应用中，损失函数可以为Loss＝max(0，margin+score_pos–score_neg)；
其中，Loss表示损失函数，margin表示损失函数的超参数，score_pos表示正业务对象样本数据的被用户选择的概率，score_neg表示负业务对象样本数据的被用户选择的概率，score_pos–score_neg表示概率差值，0表示损失阈值。margin可以为0.1或者其他大于0的数值。该损失函数用于比较损失阈值与上述和值之间的最大值，具体到比较正业务对象样本数据的被用户选择的概率与负业务对象样本数据的被用户选择的概率之间的差异，而非正业务对象样本数据的被用户选择的概率的绝对值和负业务对象样本数据的被用户选择的概率的绝对值。该损失函数用于在初始网络模型的训练过程中，学习正业务对象样本数据的被用户选择的概率与负业务对象样本数据的被用户选择的概率的排序，从而使得业务对象推荐模型输出经过排序的被用户选择的概率，提升了业务对象推荐模型的排序效果。
参照图4，图4是根据一示例性实施例示出的一种业务对象的推荐方法的流程图。该业务对象的推荐方法可以应用于终端或者服务器。该业务对象的推荐方法可以包括以下步骤。
在步骤S41中，获取业务对象请求信息。
在本公开的实施例中，业务对象请求信息可以包含用户信息，该用户信息可以包含用户身份标识、用户年龄、用户性别、用户行为偏好、用户兴趣等等。除此之外，业务对象请求信息还可以包含用户所在终端的相关信息，如终端标识、终端型号、终端系统版本等等。
在步骤S42中，将业务对象请求信息中的用户信息和预设的业务对象库中每个业务对象，输入至预先训练得到的业务对象推荐模型，输出每个业务对象被用户选择的概率。
在本公开的实施例中，预先训练完毕的业务对象推荐模型可以根据上述业务对象推荐模型的训练方法实施例中的技术方案训练所得。
参照图3b，图3b示出了一种业务对象推荐模型的结构示意图。将业务对象请求信息中的用户信息和业务对象库中的每个业务对象，均输入至训练完毕的业务对象推荐模型。用户信息依次经过用户信息->用户信息特征->隐含层->user_emb，得到用户信息的特征向量。业务对象依次经过业务对象->业务对象特征->隐含层->item_emb，得到业务对象的特征向量。再根据用户信息的特征向量和业务对象的特征向量计算得到业务对象的被用户选择的概率score。
在步骤S43中，根据每个业务对象被用户选择的概率和预设的概率阈值，判断每个业务对象是否推荐给用户信息对应的用户。
在本公开的实施例中，将每个业务对象被用户选择的概率分别与概率阈值进行比较，将被用户选择的概率大于概率阈值的业务对象推荐给用户，以便在用户所在的终端展示业务对象。
当业务对象为广告时，可以将上述业务对象推荐模型的训练方法实施例应用于广告推荐模型的训练方案中，还可以将上述业务对象的推荐方法实施例应用于广告推荐方案中。上述广告推荐模型利用广告价值较高和广告价值较低的正负广告样本数据，直接学习广告的被用户选择的概率，与直接将广告价值作为广告的推荐依据相比，训练完毕的广告推荐模型能够推荐出更加符合用户实际需求的广告。
由于CTR和CVR的反馈周期较长，通常需要1天左右的时间，导致传统的eCPM预测比较滞后。本公开的实施例在推荐广告时，不需要预测广告的CTR和CVR，直接预测广告的被用户选择的概率，提升了广告推荐的实时性。而且，不需要预测广告的CTR和CVR，减少了广告推荐模型的训练计算量。
图5是根据一示例性实施例示出的一种业务对象推荐模型的训练装置的框图。该业务对象推荐模型的训练装置可以应用于终端或者服务器中，该业务对象推荐模型的训练装置具体可以包括如下单元。
获取单元51，被配置为执行获取训练样本数据，所述训练样本数据包含用户信息样本数据和业务对象样本数据对，所述业务对象样本数据对包含正业务对象样本数据和负业务对象样本数据，所述正业务对象样本数据的业务对象价值大于所述负业务对象样本数据的业务对象价值；
映射单元52，被配置为执行根据所述正业务对象样本数据和所述用户信息样本数据，映射得到所述正业务对象样本数据的被用户选择的概率，根据所述负业务对象样本数据和所述用户信息样本数据，映射得到所述负业务对象样本数据的被用户选择的概率；
训练单元53，被配置为执行根据所述正业务对象样本数据的被用户选择的概率和所述负业务对象样本数据的被用户选择的概率，以及预设的约束条件训练初始网络模型得到业务对象推荐模型；其中，所述约束条件为所述正业务对象样本数据的被用户选择的概率大于所述负业务对象样本数据的被用户选择的概率。
在本发明的一种示例性实施例中，所述获取单元51，包括：
样本获取单元，被配置为执行获取多个原始业务对象样本数据；
价值预测单元，被配置为执行预测每个所述原始业务对象样本数据的业务对象价值；
样本组合单元，被配置为执行根据每个所述业务对象价值将多个所述原始业务对象样本数据组合成为多组原始业务对象样本数据对；
样本筛选单元，被配置为执行对多组所述原始业务对象样本数据对进行筛选得到所述业务对象样本数据对；
样本确定单元，被配置为执行将所述业务对象样本数据对和预先获取到的所述用户信息样本数据作为所述训练样本数据。
在本发明的一种示例性实施例中，所述样本筛选单元，包括：
价值比较单元，被配置为执行将每组所述原始业务对象样本数据对中的所述正业务对象样本数据的业务对象价值与所述负业务对象样本数据的业务对象价值进行比较，得到每组所述原始业务对象样本数据对的业务对象价值比较结果；
数据对确定单元，被配置为执行将所述业务对象价值比较结果大于预设的差异阈值的所述原始业务对象样本数据对，作为所述业务对象样本数据对。
在本发明的一种示例性实施例中，所述映射单元52，被配置为执行根据预设的激活函数将所述正业务对象样本数据的特征向量和所述用户信息样本数据的特征向量的内积，映射为所述正业务对象样本数据的被用户选择的概率。
在本发明的一种示例性实施例中，所述映射单元52，被配置为执行根据所述激活函数将所述负业务对象样本数据的特征向量和所述用户信息样本数据的特征向量的内积，映射为所述负业务对象样本数据的被用户选择的概率。
在本发明的一种示例性实施例中，所述训练单元53，被配置为执行将所述正业务对象样本数据的被用户选择的概率和所述负业务对象样本数据的被用户选择的概率输入至所述初始网络模型，并根据预设的损失函数训练所述初始网络模型得到所述业务对象推荐模型；
其中，所述损失函数表示概率差值与所述损失函数的超参数的和值，和预设的损失阈值之间的最大值；所述概率差值表示所述正业务对象样本数据的被用户选择的概率与所述负业务对象样本数据的被用户选择的概率之间的差值。
图6是根据一示例性实施例示出的一种业务对象的推荐装置的框图。该业务对象的推荐装置可以应用于终端或者服务器中，该业务对象的推荐装置具体可以包括如下单元。
请求获取单元61，被配置为执行获取业务对象请求信息；
输入输出单元62，被配置为执行将所述业务对象请求信息中的用户信息和预设的业务对象库中每个业务对象，输入至按照上述业务对象推荐模型的训练方法训练得到的业务对象推荐模型，输出每个所述业务对象被用户选择的概率；
概率判断单元63，被配置为执行根据每个所述业务对象被用户选择的概率和预设的概率阈值，判断每个所述业务对象是否推荐给所述用户信息对应的用户。
关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种业务对象推荐模型的训练电子设备或业务对象的推荐电子设备的框图。例如，电子设备700可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图7，电子设备700可以包括以下一个或多个组件：处理组件702，存储器704，电力组件706，多媒体组件708，音频组件710，输入/输出(I/O)的接口712，传感器组件714，以及通信组件716。
处理组件702通常控制电子设备700的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件702可以包括一个或多个处理器720来执行指令，以完成上述业务对象推荐模型的训练方法或业务对象的推荐方法的全部或部分步骤。此外，处理组件702可以包括一个或多个模块，便于处理组件702和其他组件之间的交互。例如，处理组件702可以包括多媒体模块，以方便多媒体组件708和处理组件702之间的交互。
存储器704被配置为存储各种类型的数据以支持在电子设备700的操作。这些数据的示例包括用于在电子设备700上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图像，视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件706为电子设备700的各种组件提供电力。电源组件706可以包括电源管理系统，一个或多个电源，及其他与为电子设备700生成、管理和分配电力相关联的组件。
多媒体组件708包括在所述电子设备700和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件708包括一个前置摄像头和/或后置摄像头。当电子设备700处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件710被配置为输出和/或输入音频信号。例如，音频组件710包括一个麦克风(MIC)，当电子设备700处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器704或经由通信组件716发送。在一些实施例中，音频组件710还包括一个扬声器，用于输出音频信号。
I/O接口712为处理组件702和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件714包括一个或多个传感器，用于为电子设备700提供各个方面的状态评估。例如，传感器组件714可以检测到电子设备700的打开/关闭状态，组件的相对定位，例如所述组件为电子设备700的显示器和小键盘，传感器组件714还可以检测电子设备700或电子设备700一个组件的位置改变，用户与电子设备700接触的存在或不存在，电子设备700方位或加速/减速和电子设备700的温度变化。传感器组件714可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件714还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件714还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件716被配置为便于电子设备700和其他设备之间有线或无线方式的通信。电子设备700可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件716还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述业务对象推荐模型的训练方法或业务对象的推荐方法。
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器704，上述指令可由电子设备700的处理器720执行以完成上述业务对象推荐模型的训练方法或业务对象的推荐方法。可选地，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序可由电子设备700的处理器720执行以完成上述业务对象推荐模型的训练方法或业务对象的推荐方法。可选地，该计算机程序可以存储在电子设备700的计算机可读存储介质中，该计算机可读存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图8是根据一示例性实施例示出的一种用于对业务对象推荐模型进行训练的电子设备或用于对业务对象进行推荐的电子设备的框图。例如，电子设备800可以被提供为一服务器。参照图8，电子设备800包括处理组件822，其进一步包括一个或多个处理器，以及由存储器832所代表的存储器资源，用于存储可由处理组件822的执行的指令，例如应用程序。存储器832中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件822被配置为执行指令，以执行上述业务对象推荐模型的训练方法或业务对象的推荐方法。
电子设备800还可以包括一个电源组件826被配置为执行电子设备800的电源管理，一个有线或无线网络接口850被配置为将电子设备800连接到网络，和一个输入输出(I/O)接口858。电子设备800可以操作基于存储在存储器832的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种业务对象推荐模型的训练方法，其特征在于，包括：
获取训练样本数据，所述训练样本数据包含用户信息样本数据和业务对象样本数据对，所述业务对象样本数据对包含正业务对象样本数据和负业务对象样本数据，所述正业务对象样本数据的业务对象价值大于所述负业务对象样本数据的业务对象价值；
根据所述正业务对象样本数据和所述用户信息样本数据，映射得到所述正业务对象样本数据的被用户选择的概率，根据所述负业务对象样本数据和所述用户信息样本数据，映射得到所述负业务对象样本数据的被用户选择的概率；
根据所述正业务对象样本数据的被用户选择的概率和所述负业务对象样本数据的被用户选择的概率，以及预设的约束条件训练初始网络模型得到业务对象推荐模型；其中，所述约束条件为所述正业务对象样本数据的被用户选择的概率大于所述负业务对象样本数据的被用户选择的概率。
2.根据权利要求1所述的方法，其特征在于，所述获取训练样本数据，包括：
获取多个原始业务对象样本数据；
预测每个所述原始业务对象样本数据的业务对象价值；
根据每个所述业务对象价值将多个所述原始业务对象样本数据组合成为多组原始业务对象样本数据对；
对多组所述原始业务对象样本数据对进行筛选得到所述业务对象样本数据对；
将所述业务对象样本数据对和预先获取到的所述用户信息样本数据作为所述训练样本数据。
3.根据权利要求2所述的方法，其特征在于，所述对多组所述原始业务对象样本数据对进行筛选得到所述业务对象样本数据对，包括：
将每组所述原始业务对象样本数据对中的所述正业务对象样本数据的业务对象价值与所述负业务对象样本数据的业务对象价值进行比较，得到每组所述原始业务对象样本数据对的业务对象价值比较结果；
将所述业务对象价值比较结果大于预设的差异阈值的所述原始业务对象样本数据对，作为所述业务对象样本数据对。
4.根据权利要求1所述的方法，其特征在于，所述根据所述正业务对象样本数据和所述用户信息样本数据，映射得到所述正业务对象样本数据的被用户选择的概率，包括：
根据预设的激活函数将所述正业务对象样本数据的特征向量和所述用户信息样本数据的特征向量的内积，映射为所述正业务对象样本数据的被用户选择的概率。
5.一种业务对象的推荐方法，其特征在于，包括：
获取业务对象请求信息；
将所述业务对象请求信息中的用户信息和预设的业务对象库中每个业务对象，输入至按照权利要求1至4中任一项所述的方法训练得到的业务对象推荐模型，输出每个所述业务对象被用户选择的概率；
根据每个所述业务对象被用户选择的概率和预设的概率阈值，判断每个所述业务对象是否推荐给所述用户信息对应的用户。
6.一种业务对象推荐模型的训练装置，其特征在于，包括：
获取单元，被配置为执行获取训练样本数据，所述训练样本数据包含用户信息样本数据和业务对象样本数据对，所述业务对象样本数据对包含正业务对象样本数据和负业务对象样本数据，所述正业务对象样本数据的业务对象价值大于所述负业务对象样本数据的业务对象价值；
映射单元，被配置为执行根据所述正业务对象样本数据和所述用户信息样本数据，映射得到所述正业务对象样本数据的被用户选择的概率，根据所述负业务对象样本数据和所述用户信息样本数据，映射得到所述负业务对象样本数据的被用户选择的概率；
训练单元，被配置为执行根据所述正业务对象样本数据的被用户选择的概率和所述负业务对象样本数据的被用户选择的概率，以及预设的约束条件训练初始网络模型得到业务对象推荐模型；其中，所述约束条件为所述正业务对象样本数据的被用户选择的概率大于所述负业务对象样本数据的被用户选择的概率。
7.一种业务对象的推荐装置，其特征在于，包括：
请求获取单元，被配置为执行获取业务对象请求信息；
输入输出单元，被配置为执行将所述业务对象请求信息中的用户信息和预设的业务对象库中每个业务对象，输入至按照权利要求1至4中任一项所述的方法训练得到的业务对象推荐模型，输出每个所述业务对象被用户选择的概率；
概率判断单元，被配置为执行根据每个所述业务对象被用户选择的概率和预设的概率阈值，判断每个所述业务对象是否推荐给所述用户信息对应的用户。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至4中任一项所述的业务对象推荐模型的训练方法，或者如权利要求5所述的业务对象的推荐方法。
9.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至4中任一项所述的业务对象推荐模型的训练方法，或者如权利要求5所述的业务对象的推荐方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的业务对象推荐模型的训练方法，或者如权利要求5所述的业务对象的推荐方法。
CN202110352843.8A 2021-03-31 2021-03-31 对象的推荐及模型训练方法和装置、设备、介质和产品 Active CN113190725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110352843.8A CN113190725B (zh) 2021-03-31 2021-03-31 对象的推荐及模型训练方法和装置、设备、介质和产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110352843.8A CN113190725B (zh) 2021-03-31 2021-03-31 对象的推荐及模型训练方法和装置、设备、介质和产品

Publications (2)

Publication Number Publication Date
CN113190725A true CN113190725A (zh) 2021-07-30
CN113190725B CN113190725B (zh) 2023-12-12

Family

ID=76974305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110352843.8A Active CN113190725B (zh) 2021-03-31 2021-03-31 对象的推荐及模型训练方法和装置、设备、介质和产品

Country Status (1)

Country Link
CN (1) CN113190725B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118133010A (zh) * 2024-02-23 2024-06-04 北京航空航天大学 基于图模型的制造云服务推荐模型训练方法以及推荐方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446430A (zh) * 2018-11-29 2019-03-08 西安电子科技大学 产品推荐的方法、装置、计算机设备及可读存储介质
CN110008399A (zh) * 2019-01-30 2019-07-12 阿里巴巴集团控股有限公司 一种推荐模型的训练方法及装置、一种推荐方法及装置
CN110060090A (zh) * 2019-03-12 2019-07-26 北京三快在线科技有限公司 推荐商品组合的方法、装置、电子设备及可读存储介质
CN110363346A (zh) * 2019-07-12 2019-10-22 腾讯科技（北京）有限公司 点击率预测方法、预测模型的训练方法、装置及设备
CN110427560A (zh) * 2019-08-08 2019-11-08 腾讯科技（深圳）有限公司 一种应用于推荐系统的模型训练方法以及相关装置
CN110992127A (zh) * 2019-11-14 2020-04-10 北京沃东天骏信息技术有限公司 一种物品推荐方法及装置
CN111209929A (zh) * 2019-12-19 2020-05-29 平安信托有限责任公司 访问数据处理方法、装置、计算机设备及存储介质
CN111310025A (zh) * 2020-01-17 2020-06-19 腾讯科技（深圳）有限公司 模型训练方法、数据处理方法、装置以及相关设备
CN111585997A (zh) * 2020-04-27 2020-08-25 国家计算机网络与信息安全管理中心 一种基于少量标注数据的网络流量异常检测方法
CN111667308A (zh) * 2020-05-29 2020-09-15 中国工商银行股份有限公司 广告推荐预测系统及方法
CN111738805A (zh) * 2020-07-20 2020-10-02 北京每日优鲜电子商务有限公司 基于行为日志的搜索推荐模型生成方法、设备和存储介质
CN112163963A (zh) * 2020-09-27 2021-01-01 中国平安财产保险股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN112183818A (zh) * 2020-09-02 2021-01-05 北京三快在线科技有限公司 一种推荐概率预测方法、装置、电子设备及存储介质
CN112348592A (zh) * 2020-11-24 2021-02-09 腾讯科技（深圳）有限公司 广告推荐方法、装置、电子设备及介质
CN112487278A (zh) * 2019-09-11 2021-03-12 华为技术有限公司 推荐模型的训练方法、预测选择概率的方法及装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446430A (zh) * 2018-11-29 2019-03-08 西安电子科技大学 产品推荐的方法、装置、计算机设备及可读存储介质
CN110008399A (zh) * 2019-01-30 2019-07-12 阿里巴巴集团控股有限公司 一种推荐模型的训练方法及装置、一种推荐方法及装置
CN110060090A (zh) * 2019-03-12 2019-07-26 北京三快在线科技有限公司 推荐商品组合的方法、装置、电子设备及可读存储介质
CN110363346A (zh) * 2019-07-12 2019-10-22 腾讯科技（北京）有限公司 点击率预测方法、预测模型的训练方法、装置及设备
CN110427560A (zh) * 2019-08-08 2019-11-08 腾讯科技（深圳）有限公司 一种应用于推荐系统的模型训练方法以及相关装置
CN112487278A (zh) * 2019-09-11 2021-03-12 华为技术有限公司 推荐模型的训练方法、预测选择概率的方法及装置
CN110992127A (zh) * 2019-11-14 2020-04-10 北京沃东天骏信息技术有限公司 一种物品推荐方法及装置
CN111209929A (zh) * 2019-12-19 2020-05-29 平安信托有限责任公司 访问数据处理方法、装置、计算机设备及存储介质
CN111310025A (zh) * 2020-01-17 2020-06-19 腾讯科技（深圳）有限公司 模型训练方法、数据处理方法、装置以及相关设备
CN111585997A (zh) * 2020-04-27 2020-08-25 国家计算机网络与信息安全管理中心 一种基于少量标注数据的网络流量异常检测方法
CN111667308A (zh) * 2020-05-29 2020-09-15 中国工商银行股份有限公司 广告推荐预测系统及方法
CN111738805A (zh) * 2020-07-20 2020-10-02 北京每日优鲜电子商务有限公司 基于行为日志的搜索推荐模型生成方法、设备和存储介质
CN112183818A (zh) * 2020-09-02 2021-01-05 北京三快在线科技有限公司 一种推荐概率预测方法、装置、电子设备及存储介质
CN112163963A (zh) * 2020-09-27 2021-01-01 中国平安财产保险股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN112348592A (zh) * 2020-11-24 2021-02-09 腾讯科技（深圳）有限公司 广告推荐方法、装置、电子设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118133010A (zh) * 2024-02-23 2024-06-04 北京航空航天大学 基于图模型的制造云服务推荐模型训练方法以及推荐方法
CN118133010B (zh) * 2024-02-23 2024-10-08 北京航空航天大学 基于图模型的制造云服务推荐模型训练方法以及推荐方法

Also Published As

Publication number Publication date
CN113190725B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN110782468B (zh) 图像分割模型的训练方法及装置及图像分割方法及装置
CN109543066B (zh) 视频推荐方法、装置和计算机可读存储介质
CN109670077B (zh) 视频推荐方法、装置和计算机可读存储介质
CN111539443A (zh) 一种图像识别模型训练方法及装置、存储介质
CN109670632B (zh) 广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质
US20170118298A1 (en) Method, device, and computer-readable medium for pushing information
CN109447125B (zh) 分类模型的处理方法、装置、电子设备及存储介质
CN109543069B (zh) 视频推荐方法、装置和计算机可读存储介质
CN112000266B (zh) 页面展示方法、装置、电子设备及存储介质
CN105678266A (zh) 一种合并人脸相册的方法及装置
CN113099297A (zh) 卡点视频的生成方法、装置、电子设备及存储介质
CN112767053A (zh) 信息处理方法、装置、电子设备及存储介质
CN114722238B (zh) 视频推荐方法、装置、电子设备、存储介质及程序产品
CN109213942A (zh) 一种搜索结果展示方法及装置
CN115203573A (zh) 画像标签生成方法、模型训练方法、装置、介质及芯片
CN107480773B (zh) 训练卷积神经网络模型的方法、装置及存储介质
CN113190725B (zh) 对象的推荐及模型训练方法和装置、设备、介质和产品
CN113609380A (zh) 标签体系更新方法、搜索方法、装置以及电子设备
CN111428806A (zh) 图像标签确定方法、装置、电子设备及存储介质
CN112000840A (zh) 一种业务对象的展示方法和装置
CN112784151A (zh) 一种确定推荐信息的方法及相关装置
CN112308588A (zh) 广告的投放方法、装置及存储介质
CN111859097A (zh) 数据处理方法、装置、电子设备及存储介质
CN109711386B (zh) 获取识别模型的方法、装置、电子设备及存储介质
CN112884813A (zh) 图像处理方法、装置及存储介质

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