CN113705792B - 基于深度学习模型的个性化推荐方法、装置、设备及介质 - Google Patents
基于深度学习模型的个性化推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113705792B CN113705792B CN202111017711.6A CN202111017711A CN113705792B CN 113705792 B CN113705792 B CN 113705792B CN 202111017711 A CN202111017711 A CN 202111017711A CN 113705792 B CN113705792 B CN 113705792B
- Authority
- CN
- China
- Prior art keywords
- vector
- characteristic information
- target
- personalized
- label
- 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.)
- Active
Links
- 238000013136 deep learning model Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 485
- 238000012549 training Methods 0.000 claims abstract description 88
- 230000006399 behavior Effects 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 230000006870 function Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000003542 behavioural effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及人工智能领域,公开了一种基于深度学习模型的个性化推荐方法、装置、设备及介质,该方法包括:从训练样本集的第一行为数据中提取第一特征信息,第一特征信息包括基本特征信息和时序特征信息;将第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;将从目标用户的第二行为数据中提取的第二特征信息输入个性化推荐模型中,得到个性化标签向量;根据个性化标签向量,利用指定算法计算得到目标标签向量,并将目标标签向量对应的目标标签下的内容推荐给目标用户的用户终端,增强了模型训练结果的精准度,提高了个性化推荐的准确性。本发明涉及区块链技术,如可将行为数据写入区块链中,以用于数据取证等场景。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于深度学习模型的个性化推荐方法、装置、设备及介质。
背景技术
个性化推荐是自然语言处理领域重要的领域,近年来,各互联网产品已广泛使用个性化推荐技术,该技术的成熟应用丰富了互联网产品的功能,给人们的生活带来了更多的便利。该技术能快速识别客户需求与爱好,进行个性化推荐,提升用户的满意度。
传统的推荐算法关注的是用户与产品的交互行为,如基于用户的推荐与基于产品的推荐。常用的算法有如协同过滤算法,基于机器学习的推荐算法,社区推荐算法,组推荐算法等。然而,这些传统的推荐算法为用户推荐的产品过于单一,不能兼顾到用户的真实需求,推荐结果不够准确,客户满意度会受到一定的影响。因此,如何更有效地提高个性化推荐的准确率成为研究的重点。
发明内容
本发明实施例提供了一种基于深度学习模型的个性化推荐方法、装置、设备及介质,增强了个性化推荐模型的精准度,提高了个性化推荐的准确率。
第一方面,本发明实施例提供了一种基于深度学习模型的个性化推荐方法,包括:
获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据;
从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息,所述基本特征信息包括偏好特征信息和一般特征信息,所述时序特征信息包括前后关联特征信息和时间段特征信息;
将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;
获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量;
根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端。
进一步地,所述从所述第一行为数据中提取第一特征信息之后,还包括:
从预设的特征表中查询是否存在与所述第一行为数据对应的第一特征信息;
如果查询结果为所述预设的特征表中存在与所述第一行为数据对应的第一特征信息,则对所述第一特征信息添加第一标签;
如果查询结果为所述预设的特征表中不存在与所述第一行为数据对应的第一特征信息,则对所述第一特征信息添加第二标签。
进一步地,所述将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型,包括:
从添加所述第一标签或所述第二标签的所述第一特征信息中提取对应的第一特征向量,所述第一特征向量包括所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量;
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到个性化推荐模型。
进一步地,所述将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到个性化推荐模型,包括:
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到损失函数值;
将所述损失函数值与目标损失函数值进行对比,当对比结果不满足预设条件时,根据所述对比结果调整所述预设的深度学习模型的模型参数;
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入调整模型参数后的深度学习模型中;
当得到的损失函数值与目标损失函数值的对比结果满足预设条件时,确定得到所述个性化推荐模型。
进一步地,所述将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到损失函数值,包括:
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型的第一残差网络层中,得到与所述第一特征信息对应的目标向量特征;
将所述目标向量特征输入所述预设的深度学习模型的第二残差网络层中,得到所述损失函数值。
进一步地,所述根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,包括:
获取所述指定业务场景中个性化推荐装置所处平台的通用偏好向量,所述通用偏好向量用于指示跟所述平台直接关联的内容信息的标签;
根据所述个性化标签向量和所述通用偏好向量,利用所述指定算法计算得到所述目标用户的目标标签向量。
进一步地,所述指定算法包括多元线性回归算法;所述根据所述个性化标签向量和所述通用偏好向量,利用所述指定算法计算得到所述目标用户的目标标签向量,包括:
确定所述个性化标签向量的第一参数和所述通用偏好向量的第二参数;
对所述个性化标签向量和所述第一参数进行加权处理,得到第一加权向量;
对所述通用偏好向量和所述第二参数进行加权处理,得到第二加权向量;
根据所述第一加权向量和所述第二加权向量,利用所述多元线性回归算法计算得到所述目标标签向量。
第二方面,本发明实施例提供了一种基于深度学习模型的个性化推荐装置,包括:
获取单元,用于获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据;
提取单元,用于从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息,所述基本特征信息包括偏好特征信息和一般特征信息,所述时序特征信息包括前后关联特征信息和时间段特征信息;
训练单元,用于将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;
测试单元,用于获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量;
推送单元,用于根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端。
第三方面,本发明实施例提供了一种计算机设备,包括处理器和存储器,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,所述处理器被配置用于调用所述计算机程序,执行上述第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行以实现上述第一方面的方法。
本发明实施例可以获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据;从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息,所述基本特征信息包括偏好特征信息和一般特征信息,所述时序特征信息包括前后关联特征信息和时间段特征信息;将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量;根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端。本发明实施例通过对用户的特征抽取可以更加明确用户的行为数据,能够更加准确的理解用户的兴趣偏好,在模型训练中,加入用户的基本特征和时序特征进行训练,增强了模型训练结果的精准度,使用指定算法能够更准确地确定出待推荐的用户偏好的内容,从而提高了个性化推荐的准确性。
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基于深度学习模型的个性化推荐方法的示意流程图;
图2是本发明实施例提供的一种用户的行为数据的特征信息的示意图;
图3是本发明实施例提供的一种特征向量的示意图;
图4是本发明实施例提供的一种基于深度学习模型的个性化推荐装置的示意框图;
图5是本发明实施例提供的一种计算机设备的示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的基于深度学习模型的个性化推荐方法可以应用于一种基于深度学习模型的个性化推荐装置,在某些实施例中,所述基于深度学习模型的个性化推荐装置设置于计算机设备中。在某些实施例中,所述计算机设备包括但不限于智能手机、平板电脑、膝上型电脑等中的一种或者多种。
本发明实施例可以获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据;从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息,所述基本特征信息包括偏好特征信息和一般特征信息,所述时序特征信息包括前后关联特征信息和时间段特征信息;将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量;根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端。本发明实施例通过对用户的特征抽取可以更加明确用户的行为数据,能够更加准确的理解用户的兴趣偏好,在模型训练中,加入用户的基本特征和时序特征进行训练,增强了模型训练结果的精准度,使用指定算法能够更准确地确定出待推荐的用户偏好的内容,从而提高了个性化推荐的准确性。
本申请实施例可以基于人工智能技术对相关的数据(如第一行为数据、第二行为数据等)进行获取和处理。其中,人工智能(Artificial Intelligence,AI)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。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
下面结合附图1对本发明实施例提供的基于深度学习模型的个性化推荐方法进行示意性说明。
请参见图1,图1是本发明实施例提供的一种基于深度学习模型的个性化推荐方法的示意流程图,如图1所示,该方法可以由基于深度学习模型的个性化推荐装置执行,所述基于深度学习模型的个性化推荐装置设置于计算机设备中。具体地,本发明实施例的所述方法包括如下步骤。
S101:获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据。
本发明实施例中,基于深度学习模型的个性化推荐装置可以获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据。在某些实施例中,所述第一行为数据相当于用户画像数据。
S102:从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息。
本发明实施例中,基于深度学习模型的个性化推荐装置可以从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息。
在某些实施例中,所述基本特征信息包括偏好特征信息和一般特征信息,所述时序特征信息包括前后关联特征信息和时间段特征信息;在某些实施例中,所述前后关联特征信息是根据前后特征信息之间的相似度确定的;在某些实施例中,所述时序特征为不同时间段的用户的偏好特征。所述第一行为数据的第一特征信息的示意图如图2所示,图2是本发明实施例提供的一种用户的行为数据的特征信息的示意图。
例如,在问题在问题推荐场景中,偏好特征信息是指用户经常性问的问题,一般特征信息是指用户偶尔会问的问题。
又例如,同样在问题推荐场景中,前后关联特征信息是指前后问题之间的相似程度,可以使用余弦相似度算法等来计算前后问题的相似程度,计算结果在0-1之间。相似度的值越大越相似,否则就认为不相似。时间段特征信息是指用户在不同时间段提问的特征信息,若是间隔时间较短,则认为该时间段特征信息为1,否则认为该时间段特征信息为0。
在一个实施例中,基于深度学习模型的个性化推荐装置从所述第一行为数据中提取第一特征信息之后,可以从预设的特征表中查询是否存在与所述第一行为数据对应的第一特征信息;如果查询结果为所述预设的特征表中存在与所述第一行为数据对应的第一特征信息,则可以对所述第一特征信息添加第一标签;如果查询结果为所述预设的特征表中不存在与所述第一行为数据对应的第一特征信息,则可以对所述第一特征信息添加第二标签。在某些实施例中,所述第一标签和第二标签包括但不限于数字、文字、字母等字符。例如,假设预设的特征表中有转账信息,查询信息,修改信息等,如果用户的第一行为数据对应的第一特征信息在预设的特征表中,则可以将第一特征信息标记为1,如果用户的第一行为数据对应的第一特征信息不在预设的特征表中,则可以将第一特征信息标记为0。
S103:将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型。
本发明实施例中,基于深度学习模型的个性化推荐装置可以将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型。在某些实施例中,所述预设的深度学习模型包括但不限于Roberta模型、Bert模型等。
在一个实施例中,基于深度学习模型的个性化推荐装置在将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型时,可以从添加所述第一标签或所述第二标签的所述第一特征信息中提取对应的第一特征向量,所述第一特征向量包括所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量;将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到个性化推荐模型。
在一个实施例中,所述第一特征向量中包括的词向量token embeddings、位置向量position embeddings、句间向量segement embeddings以及标签向量FeatureEmbeddings如图3所示,图3是本发明实施例提供的一种特征向量的示意图。在某些实施例中,所述词向量token embeddings使用开源词向量,位置向量position embeddings是每个词在句中的位置向量,句间向量segement embeddings是前后2个句子间的向量,可以通过人工判断,如果相同全部标为1,如果不同全部标为0,所述标签向量Feature Embeddings是每个单句的标签向量。在某些实施例中,所述标签向量Feature Embeddings抽取出来的具体值为0,1,2等数字。如果仅有一般特征信息,则所有的向量为0,如果有偏好特征信息,可记为2。如果有前后关联特征信息,则全记为4。如果有时间段特征信息则原来特征自动加1。在某些实施例中,一般特征信息,偏好特征信息,前后关联特征信息之间两两互斥,不会同时出现。
在一个实施例中,基于深度学习模型的个性化推荐装置在将所述第一特征向量输入所述预设的深度学习模型中进行训练,得到个性化推荐模型时,可以将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到损失函数值;将所述损失函数值与目标损失函数值进行对比,当对比结果不满足预设条件时,根据所述对比结果调整所述预设的深度学习模型的模型参数;将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入调整模型参数后的深度学习模型中;当得到的损失函数值与目标损失函数值的对比结果满足预设条件时,确定得到所述个性化推荐模型。
在一个实施例中,基于深度学习模型的个性化推荐装置在将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到损失函数值时,可以将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型的第一残差网络层中,得到与所述第一特征信息对应的目标向量特征;将所述目标向量特征输入所述预设的深度学习模型的第二残差网络层中,得到所述损失函数值。
在一个实施例中,所述预设的深度学习模型可以为Roberta模型,所述Roberta模型可以包括第一残差网络层和第二残差网络层,所述第一残差网络层可以包括多个层,所述第二残差网络层可以包括多个层。所述Roberta模型可以将上一层传到下一层,并将上上一层传到下一层,然后求和,即从第二层开始,每一层的向量特征都将来自前面各层的向量特征。同时,为防止数据重合,使用预设的加权值将每一层要传给下层的数据进行一定程度的抑制。在某些实施例中,所述预设的加权值可以[0,1]范围内的任意值。
在一个实施例中,所述第一残差网络层包括多个残差网络层,所述多个残差网络层包括第一层、第二层、第三层以及第四层;基于深度学习模型的个性化推荐装置在将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型的第一残差网络层中,得到与所述第一特征信息对应的目标向量特征时,可以将所述第一特征信息对应的词向量输入Roberta模型的第一层中,得到与所述词向量对应的第一向量特征;将所述第一向量特征和所述句间向量输入所述Roberta模型的第二层中,得到与所述第一向量特征和所述句间向量对应的第二向量特征;将所述第一向量特征、所述第二向量特征和所述位置向量输入所述Roberta模型的第三层中,得到与所述第一向量特征、所述第二向量特征和所述位置向量对应的第三向量特征;将所述第一向量特征、所述第二向量特征、第三向量特征和所述标签向量输入所述Roberta模型的第四层中,得到与所述第一向量特征、所述第二向量特征、第三向量特征和所述标签向量对应的所述目标向量特征。
在一个实施例中,基于深度学习模型的个性化推荐装置在将所述第一向量特征和所述句间向量输入所述Roberta模型的第二层中,得到与所述第一向量特征和所述句间向量对应的第二向量特征时,可以根据预设的加权值对所述第一向量特征进行加权处理,得到第一加权向量特征;确定所述句间向量对应的句间向量特征,并根据所述第一加权向量特征与所述句间向量特征之和确定第一和向量特征;将所述第一和向量特征输入Roberta模型的第二层中,得到与所述第一向量特征和所述句间向量对应的第二向量特征。
在一种实施方式中,基于深度学习模型的个性化推荐装置可以将第一特征信息对应的词向量输入所述Roberta模型的第一层中,得到与所述词向量对应的第一向量特征f(1),所述Roberta模型的第二层可以接收来自第一层的第一向量特征f(1),根据预设的加权值dropout对所述第一向量特征进行加权处理,得到第一加权向量特征f(d1),则第一加权向量特征可以记为f(d1)=dropout(f(1))。确定所述句间向量对应的句间向量特征f(s),并根据所述第一加权向量特征f(d1)与所述句间向量特征f(s)之和确定第一和向量特征f(t1),即f(t1)=f(d1)+f(s)=dropout(f(1))+f(s);将所述第一和向量特征f(t1)输入Roberta模型的第二层中,得到与所述第一向量特征和所述句间向量对应的第二向量特征f(2)。
在一个实施例中,基于深度学习模型的个性化推荐装置在将所述第一向量特征、所述第二向量特征和所述位置向量输入所述Roberta模型的第三层中,得到与所述第一向量特征、所述第二向量特征和所述位置向量对应的第三向量特征时,可以根据所述预设的加权值对所述第一向量特征和所述第二向量特征进行加权处理,得到第二加权向量特征;确定所述位置向量对应的位置向量特征,并根据所述第二加权向量特征与所述位置向量特征之和确定第二和向量特征;将所述第二和向量特征输入预设的Bert模型的第三层中,得到与所述第一向量特征、所述第二向量特征和所述位置向量对应的第三向量特征。
在一种实施方式中,基于深度学习模型的个性化推荐装置可以根据所述预设的加权值dropout对所述第一向量特征f(1)和所述第二向量特征f(2)进行加权处理,得到第二加权向量特征f(d2),即f(d2)=dropout(f(1)+f(2));确定所述位置向量对应的位置向量特征f(p),并根据所述第二加权向量特征f(d2)与所述位置向量特征f(p)之和确定第二和向量特征f(t2),即f(t2)=f(d2)+f(p)=dropout(f(1)+f(2))+f(p);将所述第二和向量特征f(t2)输入预设的Bert模型的第三层中,得到与所述第一向量特征、所述第二向量特征和所述位置向量对应的第三向量特征f(3)。
在一个实施例中,基于深度学习模型的个性化推荐装置在将所述第一向量特征、所述第二向量特征、第三向量特征和所述标签向量输入所述Roberta模型的第四层中,得到与所述第一向量特征、所述第二向量特征、第三向量特征和所述标签向量对应的所述目标向量特征时,可以根据所述预设的加权值对所述第一向量特征、所述第二向量特征和所述第三向量特征进行加权处理,得到第三加权向量特征;确定所述标签向量对应的标签向量特征,并根据所述第三加权向量特征与所述标签向量特征之和确定第三和向量特征;将所述第三和向量特征输入Roberta模型的第四层中,得到与所述第一向量特征、所述第二向量特征、第三向量特征和所述标签向量对应的所述目标向量特征。
在一种实施方式中,在一种实施方式中,基于深度学习模型的个性化推荐装置可以根据所述预设的加权值dropout对所述第一向量特征f(1)、所述第二向量特征f(2)和所述第三向量特征f(3)进行加权处理,得到第三加权向量特征f(d3),即f(d3)=dropout(f(1)+f(2)+f(3));确定所述标签向量对应的标签向量特征f(e),并根据所述第三加权向量特征f(d3)与所述标签向量特征f(e)之和确定第三和向量特征f(t3),即f(t3)=f(d3)+f(e)=dropout(f(1)+f(2)+f(3))+f(e);将所述第三和向量特征f(t3)输入预设的Bert模型的第四层中,得到与所述第一向量特征、所述第二向量特征、第三向量特征和所述标签向量对应的所述目标向量特征f。
通过在第一特征向量中增加标签向量能够更加准确的理解用户的兴趣偏好,在模型训练中,加入用户的基本特征和时序特征进行训练,有助于提高深度学习模型的训练结果的准确性。
S104:获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量。
本发明实施例中,基于深度学习模型的个性化推荐装置可以获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量。
在某些实施例中,所述个性化标签向量用于指示所述目标用户的偏好。
S105:根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端。
本发明实施例中,基于深度学习模型的个性化推荐装置可以根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端。
在一个实施例中,基于深度学习模型的个性化推荐装置在根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量时,可以获取所述指定业务场景中个性化推荐装置所处平台的通用偏好向量,所述通用偏好向量用于指示跟所述平台直接关联的内容信息的标签;并根据所述个性化标签向量和所述通用偏好向量,利用所述指定算法计算得到所述目标用户的目标标签向量。
在一个实施例中,所述指定算法包括多元线性回归算法;基于深度学习模型的个性化推荐装置在根据所述个性化标签向量和所述通用偏好向量,利用所述指定算法计算得到所述目标用户的目标标签向量时,可以确定所述个性化标签向量的第一参数和所述通用偏好向量的第二参数;对所述个性化标签向量和所述第一参数进行加权处理,得到第一加权向量;并对所述通用偏好向量和所述第二参数进行加权处理,得到第二加权向量;以及根据所述第一加权向量和所述第二加权向量,利用所述多元线性回归算法计算得到所述目标标签向量。
在一个实施例中,所述多元线性回归算法的公式如下公式(1)所示。
y=αx1+βx2 (1)
其中,x1表示目标用户的个性化标签向量,x2表示的平台的通用偏好向量,α表示x1的第一参数,β表示x2的第二参数。α、β均需要训练得到。在某些实施例中,在实际场景中,平台的通用偏好向量主要是跟平台直接相关的内容,如登录密码、客服电话、手续费等。这些是所有用户都会使用的,跟单个用户无关的数据。
本发明实施例中,基于深度学习模型的个性化推荐装置可以获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据;从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息,所述基本特征信息包括偏好特征信息和一般特征信息,所述时序特征信息包括前后关联特征信息和时间段特征信息;将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量;根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端。本发明实施例通过对用户的特征抽取可以更加明确用户的行为数据,能够更加准确的理解用户的兴趣偏好,在模型训练中,加入用户的基本特征和时序特征进行训练,增强了模型训练结果的精准度,使用指定算法能够更准确地确定出待推荐的用户偏好的内容,从而提高了个性化推荐的准确性。
本发明实施例还提供了一种基于深度学习模型的个性化推荐装置,该基于深度学习模型的个性化推荐装置用于执行前述任一项所述的方法的单元。具体地,参见图4,图4是本发明实施例提供的一种基于深度学习模型的个性化推荐装置的示意框图。本实施例的基于深度学习模型的个性化推荐装置包括:获取单元401、提取单元402、训练单元403、测试单元404以及推送单元405。
获取单元401,用于获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据;
提取单元402,用于从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息,所述基本特征信息包括偏好特征信息和一般特征信息,所述时序特征信息包括前后关联特征信息和时间段特征信息;
训练单元403,用于将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;
测试单元404,用于获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量;
推送单元405,用于根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端。
进一步地,所述提取单元402从所述第一行为数据中提取第一特征信息之后,还用于:
从预设的特征表中查询是否存在与所述第一行为数据对应的第一特征信息;
如果查询结果为所述预设的特征表中存在与所述第一行为数据对应的第一特征信息,则对所述第一特征信息添加第一标签;
如果查询结果为所述预设的特征表中不存在与所述第一行为数据对应的第一特征信息,则对所述第一特征信息添加第二标签。
进一步地,所述训练单元403将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型时,具体用于:
从添加所述第一标签或所述第二标签的所述第一特征信息中提取对应的第一特征向量,所述第一特征向量包括所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量;
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到个性化推荐模型。
进一步地,所述训练单元403将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到个性化推荐模型时,具体用于:
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到损失函数值;
将所述损失函数值与目标损失函数值进行对比,当对比结果不满足预设条件时,根据所述对比结果调整所述预设的深度学习模型的模型参数;
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入调整模型参数后的深度学习模型中;
当得到的损失函数值与目标损失函数值的对比结果满足预设条件时,确定得到所述个性化推荐模型。
进一步地,所述训练单元403将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到损失函数值时,具体用于:
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型的第一残差网络层中,得到与所述第一特征信息对应的目标向量特征;
将所述目标向量特征输入所述预设的深度学习模型的第二残差网络层中,得到所述损失函数值。
进一步地,所述推送单元405根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量时,具体用于:
获取所述指定业务场景中个性化推荐装置所处平台的通用偏好向量,所述通用偏好向量用于指示跟所述平台直接关联的内容信息的标签;
根据所述个性化标签向量和所述通用偏好向量,利用所述指定算法计算得到所述目标用户的目标标签向量。
进一步地,所述指定算法包括多元线性回归算法;所述推送单元405根据所述个性化标签向量和所述通用偏好向量,利用所述指定算法计算得到所述目标用户的目标标签向量时,具体用于:
确定所述个性化标签向量的第一参数和所述通用偏好向量的第二参数;
对所述个性化标签向量和所述第一参数进行加权处理,得到第一加权向量;
对所述通用偏好向量和所述第二参数进行加权处理,得到第二加权向量;
根据所述第一加权向量和所述第二加权向量,利用所述多元线性回归算法计算得到所述目标标签向量。
本发明实施例中,基于深度学习模型的个性化推荐装置可以获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据;从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息,所述基本特征信息包括偏好特征信息和一般特征信息,所述时序特征信息包括前后关联特征信息和时间段特征信息;将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量;根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端。本发明实施例通过对用户的特征抽取可以更加明确用户的行为数据,能够更加准确的理解用户的兴趣偏好,在模型训练中,加入用户的基本特征和时序特征进行训练,增强了模型训练结果的精准度,使用指定算法能够更准确地确定出待推荐的用户偏好的内容,从而提高了个性化推荐的准确性。
参见图5,图5是本发明实施例提供的一种计算机设备的示意框图,在某些实施例中,如图5所示的本实施例中的计算机设备可以包括:一个或多个处理器501;一个或多个输入设备502,一个或多个输出设备503和存储器504。上述处理器501、输入设备502、输出设备503和存储器504通过总线505连接。存储器504用于存储计算机程序,所述计算机程序包括程序,处理器501用于执行存储器504存储的程序。其中,处理器501被配置用于调用所述程序执行:
获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据;
从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息,所述基本特征信息包括偏好特征信息和一般特征信息,所述时序特征信息包括前后关联特征信息和时间段特征信息;
将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;
获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量;
根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端。
进一步地,所述处理器501从所述第一行为数据中提取第一特征信息之后,还用于:
从预设的特征表中查询是否存在与所述第一行为数据对应的第一特征信息;
如果查询结果为所述预设的特征表中存在与所述第一行为数据对应的第一特征信息,则对所述第一特征信息添加第一标签;
如果查询结果为所述预设的特征表中不存在与所述第一行为数据对应的第一特征信息,则对所述第一特征信息添加第二标签。
进一步地,所述处理器501将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型时,具体用于:
从添加所述第一标签或所述第二标签的所述第一特征信息中提取对应的第一特征向量,所述第一特征向量包括所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量;
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到个性化推荐模型。
进一步地,所述处理器501将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到个性化推荐模型时,具体用于:
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到损失函数值;
将所述损失函数值与目标损失函数值进行对比,当对比结果不满足预设条件时,根据所述对比结果调整所述预设的深度学习模型的模型参数;
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入调整模型参数后的深度学习模型中;
当得到的损失函数值与目标损失函数值的对比结果满足预设条件时,确定得到所述个性化推荐模型。
进一步地,所述处理器501将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到损失函数值时,具体用于:
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型的第一残差网络层中,得到与所述第一特征信息对应的目标向量特征;
将所述目标向量特征输入所述预设的深度学习模型的第二残差网络层中,得到所述损失函数值。
进一步地,所述处理器501根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量时,具体用于:
获取所述指定业务场景中个性化推荐装置所处平台的通用偏好向量,所述通用偏好向量用于指示跟所述平台直接关联的内容信息的标签;
根据所述个性化标签向量和所述通用偏好向量,利用所述指定算法计算得到所述目标用户的目标标签向量。
进一步地,所述指定算法包括多元线性回归算法;所述推送单元405根据所述个性化标签向量和所述通用偏好向量,利用所述指定算法计算得到所述目标用户的目标标签向量时,具体用于:
确定所述个性化标签向量的第一参数和所述通用偏好向量的第二参数;
对所述个性化标签向量和所述第一参数进行加权处理,得到第一加权向量;
对所述通用偏好向量和所述第二参数进行加权处理,得到第二加权向量;
根据所述第一加权向量和所述第二加权向量,利用所述多元线性回归算法计算得到所述目标标签向量。
本发明实施例中,计算机设备可以获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据;从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息,所述基本特征信息包括偏好特征信息和一般特征信息,所述时序特征信息包括前后关联特征信息和时间段特征信息;将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量;根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端。本发明实施例通过对用户的特征抽取可以更加明确用户的行为数据,能够更加准确的理解用户的兴趣偏好,在模型训练中,加入用户的基本特征和时序特征进行训练,增强了模型训练结果的精准度,使用指定算法能够更准确地确定出待推荐的用户偏好的内容,从而提高了个性化推荐的准确性。
应当理解,在本发明实施例中,所称处理器501可以是中央处理单元(CenSralProcessing UniS,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigiSalSignal Processor,DSP)、专用集成电路(ApplicaSion Specific InSegraSed CircuiS,ASIC)、现成可编程门阵列(Field-Programmable GaSe 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。
输入设备502可以包括触控板、麦克风等,输出设备503可以包括显示器(LCD等)、扬声器等。
该存储器504可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器504的一部分还可以包括非易失性随机存取存储器。例如,存储器504还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器501、输入设备502、输出设备503可执行本发明实施例提供的图1所述的方法实施例中所描述的实现方式,也可执行本发明实施例图4所描述的基于深度学习模型的个性化推荐装置的实现方式,在此不再赘述。
本发明实施例中还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现图1所对应实施例中描述的基于深度学习模型的个性化推荐方法,也可实现本发明图4所对应实施例的基于深度学习模型的个性化推荐装置,在此不再赘述。
所述计算机可读存储介质可以是前述任一实施例所述的基于深度学习模型的个性化推荐装置的内部存储单元,例如基于深度学习模型的个性化推荐装置的硬盘或内存。所述计算机可读存储介质也可以是所述基于深度学习模型的个性化推荐装置的外部存储装置,例如所述基于深度学习模型的个性化推荐装置上配备的插接式硬盘,智能存储卡(SmarS Media Card,SMC),安全数字(Secure DigiSal,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述基于深度学习模型的个性化推荐装置的内部存储单元也包括外部存储装置。所述计算机可读存储介质用于存储所述计算机程序以及所述基于深度学习模型的个性化推荐装置所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。所述的计算机可读存储介质可主要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、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
需要强调的是,为进一步保证上述数据的私密和安全性,上述数据还可以存储于一区块链的节点中。其中,本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所述,仅为本发明的部分实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习模型的个性化推荐方法,其特征在于,包括:
获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据;
从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息,所述基本特征信息包括偏好特征信息和一般特征信息,所述时序特征信息包括前后关联特征信息和时间段特征信息;
将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;
获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量;
根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端;
所述根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,包括:
获取所述指定业务场景中个性化推荐装置所处平台的通用偏好向量,所述通用偏好向量用于指示跟所述平台直接关联的内容信息的标签;
根据所述个性化标签向量和所述通用偏好向量,利用所述指定算法计算得到所述目标用户的目标标签向量;
所述指定算法包括多元线性回归算法;所述根据所述个性化标签向量和所述通用偏好向量,利用所述指定算法计算得到所述目标用户的目标标签向量,包括:
确定所述个性化标签向量的第一参数和所述通用偏好向量的第二参数;
对所述个性化标签向量和所述第一参数进行加权处理,得到第一加权向量;
对所述通用偏好向量和所述第二参数进行加权处理,得到第二加权向量;
根据所述第一加权向量和所述第二加权向量,利用所述多元线性回归算法计算得到所述目标标签向量。
2.根据权利要求1所述的方法,其特征在于,所述从所述第一行为数据中提取第一特征信息之后,还包括:
从预设的特征表中查询是否存在与所述第一行为数据对应的第一特征信息;
如果查询结果为所述预设的特征表中存在与所述第一行为数据对应的第一特征信息,则对所述第一特征信息添加第一标签;
如果查询结果为所述预设的特征表中不存在与所述第一行为数据对应的第一特征信息,则对所述第一特征信息添加第二标签。
3.根据权利要求2所述的方法,其特征在于,所述将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型,包括:
从添加所述第一标签或所述第二标签的所述第一特征信息中提取对应的第一特征向量,所述第一特征向量包括所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量;
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到个性化推荐模型。
4.根据权利要求3所述的方法,其特征在于,所述将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到个性化推荐模型,包括:
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到损失函数值;
将所述损失函数值与目标损失函数值进行对比,当对比结果不满足预设条件时,根据所述对比结果调整所述预设的深度学习模型的模型参数;
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入调整模型参数后的深度学习模型中;
当得到的损失函数值与目标损失函数值的对比结果满足预设条件时,确定得到所述个性化推荐模型。
5.根据权利要求4所述的方法,其特征在于,所述将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练,得到损失函数值,包括:
将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型的第一残差网络层中,得到与所述第一特征信息对应的目标向量特征;
将所述目标向量特征输入所述预设的深度学习模型的第二残差网络层中,得到所述损失函数值。
6.一种基于深度学习模型的个性化推荐装置,其特征在于,包括:
获取单元,用于获取训练样本集,所述训练样本集中包括多个用户在指定业务场景下的第一行为数据;
提取单元,用于从所述第一行为数据中提取第一特征信息,所述第一特征信息包括基本特征信息和时序特征信息,所述基本特征信息包括偏好特征信息和一般特征信息,所述时序特征信息包括前后关联特征信息和时间段特征信息;
训练单元,用于将所述第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;
测试单元,用于获取在所述指定业务场景中目标用户的第二行为数据,从所述第二行为数据中提取第二特征信息,并将所述第二特征信息输入所述个性化推荐模型中,得到所述目标用户的个性化标签向量;
推送单元,用于根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量,并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端;
所述推送单元根据所述个性化标签向量,利用指定算法计算得到所述目标用户的目标标签向量时,具体用于:
获取所述指定业务场景中个性化推荐装置所处平台的通用偏好向量,所述通用偏好向量用于指示跟所述平台直接关联的内容信息的标签;
根据所述个性化标签向量和所述通用偏好向量,利用所述指定算法计算得到所述目标用户的目标标签向量;
所述指定算法包括多元线性回归算法;所述推送单元根据所述个性化标签向量和所述通用偏好向量,利用所述指定算法计算得到所述目标用户的目标标签向量时,具体用于:
确定所述个性化标签向量的第一参数和所述通用偏好向量的第二参数;
对所述个性化标签向量和所述第一参数进行加权处理,得到第一加权向量;
对所述通用偏好向量和所述第二参数进行加权处理,得到第二加权向量;
根据所述第一加权向量和所述第二加权向量,利用所述多元线性回归算法计算得到所述目标标签向量。
7.一种计算机设备,其特征在于,包括处理器和存储器,其中,所述存储器用于存储计算机程序,所述处理器被配置用于调用所述计算机程序,执行如权利要求1-5任一项所述的方法。
8.一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,所述计算机程序被处理器执行以实现权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017711.6A CN113705792B (zh) | 2021-08-31 | 2021-08-31 | 基于深度学习模型的个性化推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017711.6A CN113705792B (zh) | 2021-08-31 | 2021-08-31 | 基于深度学习模型的个性化推荐方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705792A CN113705792A (zh) | 2021-11-26 |
CN113705792B true CN113705792B (zh) | 2024-05-24 |
Family
ID=78658481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111017711.6A Active CN113705792B (zh) | 2021-08-31 | 2021-08-31 | 基于深度学习模型的个性化推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705792B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033801B (zh) * | 2023-10-08 | 2023-12-22 | 太平金融科技服务(上海)有限公司 | 一种业务推荐方法、装置、设备和存储介质 |
CN117312542B (zh) * | 2023-11-29 | 2024-02-13 | 泰山学院 | 基于人工智能的阅读推荐方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629665A (zh) * | 2018-05-08 | 2018-10-09 | 北京邮电大学 | 一种个性化商品推荐方法和系统 |
JP2018181326A (ja) * | 2017-04-06 | 2018-11-15 | ネイバー コーポレーションNAVER Corporation | ディープラーニングを活用した個人化商品推薦 |
CN111949890A (zh) * | 2020-09-27 | 2020-11-17 | 平安科技(深圳)有限公司 | 基于医学领域的数据推荐方法、设备、服务器及存储介质 |
CN112328881A (zh) * | 2020-11-05 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 文章推荐方法、装置、终端设备及存储介质 |
-
2021
- 2021-08-31 CN CN202111017711.6A patent/CN113705792B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018181326A (ja) * | 2017-04-06 | 2018-11-15 | ネイバー コーポレーションNAVER Corporation | ディープラーニングを活用した個人化商品推薦 |
CN108629665A (zh) * | 2018-05-08 | 2018-10-09 | 北京邮电大学 | 一种个性化商品推荐方法和系统 |
CN111949890A (zh) * | 2020-09-27 | 2020-11-17 | 平安科技(深圳)有限公司 | 基于医学领域的数据推荐方法、设备、服务器及存储介质 |
CN112328881A (zh) * | 2020-11-05 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 文章推荐方法、装置、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113705792A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112860841B (zh) | 一种文本情感分析方法、装置、设备及存储介质 | |
CN112417096B (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
CN113705792B (zh) | 基于深度学习模型的个性化推荐方法、装置、设备及介质 | |
CN109408821B (zh) | 一种语料生成方法、装置、计算设备及存储介质 | |
Boeschoten et al. | Digital trace data collection through data donation | |
US11645561B2 (en) | Question answering system influenced by user behavior and text metadata generation | |
CN112989826B (zh) | 基于人工智能的试题分数确定方法、装置、设备及介质 | |
CN112418059B (zh) | 一种情绪识别的方法、装置、计算机设备及存储介质 | |
CN109872026A (zh) | 评测结果生成方法、装置、设备及计算机可读存储介质 | |
CN111340660A (zh) | 一种在线学习辅助系统及方法 | |
CN114648032B (zh) | 语义理解模型的训练方法、装置和计算机设备 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN113722441B (zh) | 一种相似文本的生成方法、装置、设备及存储介质 | |
CN113938408B (zh) | 一种数据流量测试方法、装置、服务器及存储介质 | |
CN111444729A (zh) | 信息处理的方法、装置、设备及可读存储介质 | |
CN110852071A (zh) | 知识点检测方法、装置、设备及可读存储介质 | |
CN113326383B (zh) | 一种短文本实体链接方法、装置、计算设备与存储介质 | |
CN113886697A (zh) | 基于聚类算法的活动推荐方法、装置、设备及存储介质 | |
CN113704452B (zh) | 基于Bert模型的数据推荐方法、装置、设备及介质 | |
WO2021047376A1 (zh) | 数据处理方法、数据处理装置及相关设备 | |
WO2019133164A1 (en) | System and method for recommending features for content presentations | |
CN108733672B (zh) | 实现网络信息质量评估的方法和系统 | |
CN117454217A (zh) | 一种基于深度集成学习的抑郁情绪识别方法、装置及系统 | |
CN116628161A (zh) | 答案生成方法、装置、设备及存储介质 | |
JP7212642B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム |
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 |