CN115905706A - 推荐方法、装置、可读存储介质及电子设备 - Google Patents
推荐方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN115905706A CN115905706A CN202211652331.4A CN202211652331A CN115905706A CN 115905706 A CN115905706 A CN 115905706A CN 202211652331 A CN202211652331 A CN 202211652331A CN 115905706 A CN115905706 A CN 115905706A
- Authority
- CN
- China
- Prior art keywords
- network
- service
- sub
- service type
- model
- 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.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种推荐方法、装置、可读存储介质及电子设备,包括:获取网络对象的属性信息以及所属的主业务类型;将属性信息以及主业务类型输入排序分类模型中,得到排序分类模型输出的网络对象的排序分类结果,排序分类模型包括权重生成子网络、特征融合网络及多个业务子网络,每一业务子网络至少用于提取网络对象在对应的业务类型下的业务特征向量,权重生成子网络用于基于对应主业务类型的生成参数生成对应每一业务类型的权重,特征融合网络用于根据对应每一业务类型的权重,对每一业务子网络提取得到的业务特征向量进行加权融合,得到目标特征向量,并根据目标特征向量输出排序分类结果;根据多个网络对象的排序分类结果推荐网络对象。
Description
技术领域
本公开涉及人工智能技术领域,具体地,涉及一种推荐方法、装置、可读存储介质5及电子设备。
背景技术
近年来,云计算、物联网、移动互联网、人工智能等技术的迅速发展为人们的工作0生活带来了很多便利。用户可以方便地通过网络来搜寻自己想要的信息。然而,当面对
爆炸式增长的网络信息时,用户反而难以进行高效的选择。推荐系统的出现为解决信息超载提供了一条有效途径。推荐系统是信息过滤系统的一个子集,旨在根据用户的喜好、习惯、个性化需求、以及网络对象的特性来预测用户对网络对象的喜好,为用户推荐最
合适的网络对象,辅助用户快速地做出决策。网络对象可以是视频、商品、新闻、广告5等。
传统的推荐系统模型多为仅依据用户的历史行为序列建立的模型,存在模型泛化能力不足,推荐结果新颖性不够等问题,特别是针对一些新的网络对象,或者是小众的网络对象,由于其没有历史交互信息或者仅有较少的训练样本,存在样本稀缺问题,无法继续准确地建模和推荐,以致难以达到用户需要的推荐效果。
发明内容
本公开的目的是提供一种推荐方法、装置、可读存储介质及电子设备,以解决相关技术中存在的上述问题。
为了实现上述目的,公开实施例的第一方面,提供一种推荐方法,所述方法包括:5获取网络对象的属性信息以及所述网络对象所属的主业务类型;
将所述属性信息以及所述主业务类型输入预先训练完成的排序分类模型中,得到所述排序分类模型输出的所述网络对象的排序分类结果,其中,所述排序分类模型包括权重生成子网络、特征融合网络以及对应不同业务类型的多个业务子网络,每一所述业务子网络至少用于提取所述网络对象在对应的所述业务类型下的业务特征向量,所述权重生成子网络用于基于预先训练得到的对应所述主业务类型的生成参数生成对应每一所述业务类型的权重,所述特征融合网络用于根据对应每一所述业务类型的权重,对每一所述业务子网络提取得到的业务特征向量进行加权融合,得到目标特征向量,并根据所述目标特征向量输出所述排序分类结果;
根据多个所述网络对象的排序分类结果,向目标用户推荐网络对象。
可选地,所述网络对象的属性信息包括所述目标用户的用户信息;
所述业务子网络用于提取不同用户在对应的业务类型下的共性特征向量以及所述目标用户在所述业务类型下的个性化特征向量,并将所述共性特征向量和所述个性化特征向量融合得到所述业务特征向量。
可选地,所述排序分类模型的训练样本包括所述不同业务类型对应的训练样本,所述训练样本的标签包括排序分类标签,所述排序分类模型的训练方法包括:
针对任意所述业务类型对应的训练样本,通过所述排序分类模型的每一所述业务子网络输出对应所述训练样本的业务特征向量;
根据所述权重生成子网络基于生成参数生成的对应每一所述业务类型的权重,对每一所述业务类型下对应所述训练样本的业务特征向量进行加权融合,并根据加权融合结果输出排序分类结果;
根据所述排序分类结果与所述排序分类标签通过第一损失函数计算模型损失值;
根据所述模型损失值对所述排序分类模型的模型参数进行更新,所述模型参数包括所述生成参数。
可选地,所述训练样本包括样本数据和所述样本数据所属的主业务类型标签,所述权重生成子网络包括对应不同业务类型的生成参数,所述排序分类模型的训练方法还包括:
根据所述主业务类型标签,确定所述权重生成子网络中对应的生成参数,以便所述权重生成子网络根据该生成参数生成对应每一所述业务类型的权重;
所述根据所述模型损失值对所述排序分类模型的模型参数进行更新,包括:
根据所述模型损失值对与所述主业务类型标签对应的生成参数进行更新,使得更新后的生成参数能够强化对应所述主业务类型标签的业务子网络的权重。
可选地,每一所述业务子网络均包括底层特征网络、用户特征网络以及融合网络,所述排序分类模型的训练样本包括用户数据样本以及网络对象数据样本,所述通过所述排序分类模型的每一所述业务子网络输出对应所述训练样本的业务特征向量,包括:
针对每一所述业务子网络,将所述训练样本输入所述底层特征网络,并将所述用户数据样本输入所述用户特征网络,并通过所述融合网络对所述底层特征网络和所述用户特征网络的输出向量进行融合,得到所述训练样本的业务特征向量;
所述根据所述模型损失值对所述排序分类模型的模型参数进行更新,包括:
根据所述模型损失值对所述用户特征网络的参数进行更新。
可选地,各所述业务子网络的所述底层特征网络通过残差结构相连,所述根据所述模型损失值对所述排序分类模型的模型参数进行更新,包括:
通过所述残差结构,对每一所述业务子网络中的底层特征网络的参数进行更新。
根据本公开实施例的第二方面,提供一种推荐装置,所述推荐装置包括:
获取模块,用于获取网络对象的属性信息以及所述网络对象所属的主业务类型;
排序模块,用于将所述属性信息以及所述主业务类型输入预先训练完成的排序分类模型中,得到所述排序分类模型输出的所述网络对象的排序分类结果,其中,所述排序分类模型包括权重生成子网络、特征融合网络以及对应不同业务类型的多个业务子网络,每一所述业务子网络至少用于提取所述网络对象在对应的所述业务类型下的业务特征向量,所述权重生成子网络用于基于预先训练得到的对应所述主业务类型的生成参数生成对应每一所述业务类型的权重,所述特征融合网络用于根据对应每一所述业务类型的权重,对每一所述业务子网络提取得到的业务特征向量进行加权融合,得到目标特征向量,并根据所述目标特征向量输出所述排序分类结果;
推荐模块,用于根据多个所述网络对象的排序分类结果,向目标用户推荐网络对象。
可选地,所述网络对象的属性信息包括所述目标用户的用户信息;
所述业务子网络用于提取不同用户在对应的业务类型下的共性特征向量以及所述目标用户在所述业务类型下的个性化特征向量,并将所述共性特征向量和所述个性化特征向量融合得到所述业务特征向量。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面所提供的推荐方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面所提供的推荐方法的步骤。
通过上述技术方案,通过将网络对象的属性信息以及网络对象所属的主业务类型输入预先训练完成的排序分类模型中,得到排序分类结果,并根据多个网络对象的排序分
类结果向目标用户推荐网络对象。排序分类模型的每一业务子网络用于提取网络对象在5对应业务类型下的业务特征向量,排序分类模型的权重生成子网络用于基于对应主业务
类型的生成参数生成对应每一业务类型的权重,排序分类模型的特征融合网络用于根据对应每一业务类型的权重,对每一业务子网络提取的业务特征向量进行加权融合,得到目标特征向量,并根据目标特征向量得到排序分类结果。以此,对新的网络对象或小众
的网络对象,不仅能够从主业务类型对应的业务子网络中进行学习,还能从其他业务类0型对应的业务子网络中补充学习,生成学习充分的排序分类模型,缓解低频业务的稀疏
问题,达到知识迁移的目的,进而得到合理的排序分类结果,对目标用户而言推荐优质的网络对象,提高用户推荐效果。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的推荐方法的流程图;
图2是根据一示例性实施例示出的推荐分类模型的示意图;
图3是根据一示例性实施例示出的推荐分类模型的训练方法的流程图;
图4是根据一示例性实施例示出的推荐装置的框图;
图5是根据一示例性实施例示出的一种电子设备的框图。
附图标记说明
110-权重生成子网络;120-特征融合网络;130-业务子网络;400-推荐装置;401-获取模块;402-排序模块;403-推荐模块;700-电子设备;701-处理器;702-存储器;703-多媒体组件;704-I/O接口;705-通信组件。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
在下文的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或者暗示相对重要性,也不能理解为指示或暗示顺序。
本公开实施例提供一种推荐方法,请参阅图1,该推荐方法可以应用于电子设备,中,该电子设备可以以各种形式来实施。例如,本公开实施例中描述的电子设备可以包括手机、平板电脑、笔记本电脑、台式计算机、掌上电脑、个人数字助理(Personal DigitalAssistant,PDA)、便捷式媒体播放器(Portable Media Player,PMP)、导航装置、可穿戴设备、智能手环等。该推荐方法包括:
步骤S101,获取网络对象的属性信息以及网络对象所属的主业务类型。
网络对象可以是视频、商品、新闻、广告等网络推荐对象。例如在点击进入某一应用程序时,该应用程序预准备向用户推荐的网络对象,而最终呈现的是经过排序筛选等步骤后确定的网络对象。
网络对象的属性信息可以是目标用户的用户信息、网络对象的对象信息、目标用户与网络对象之间的交互信息等。网络对象的对象信息可以是视频内容、商品作用、新闻内容、广告内容和作用等。目标用户与网络对象之间的交互信息可以是目标用户历史点击或浏览记录。
业务类型可以是针对网络对象进行的分类。例如,当网络对象是视频时,业务类型可以例如搞笑、美食、时尚、旅游、娱乐、生活、资讯、亲子、知识、游戏、汽车、财经、萌宠、运动、音乐等;当网络对象是商品时,业务类型可以例如五金、化工、水产、食品等;当网络对象是新闻时,业务类型可以例如政治、经济、法律、军事、科技、文教、体育、社会等;当网络对象是广告时,业务类型可以例如商品广告、企业广告、服务广告、概念广告等。上述仅为业务类型的举例说明,在其他实施例中,也可以是其他不同的分类方式,本公开在此不做限定。
在所有的业务类型中,网络对象最有可能属于的业务类型,即是网络对象所属的主业务类型。
步骤S102,将属性信息以及主业务类型输入预先训练完成的排序分类模型中,得到排序分类模型输出的网络对象的排序分类结果,其中,排序分类模型包括权重生成子网络、特征融合网络以及对应不同业务类型的多个业务子网络,每一业务子网络至少用于提取网络对象在对应的业务类型下的业务特征向量,权重生成子网络用于基于预先训练得到的对应主业务类型的生成参数生成对应每一业务类型的权重,特征融合网络用于根据对应每一业务类型的权重,对每一业务子网络提取得到的业务特征向量进行加权融合,得到目标特征向量,并根据目标特征向量输出排序分类结果。
该预先训练完成的排序分类模型是通过机器学习获得的,具体地,首先采集训练数据集,然后通过将采集的训练数据集按照预设的算法对神经网络进行训练建模,从而基于该训练数据集总结出规律,得到训练完成的排序分类模型。
可以理解为,该排序分类模型可以在训练完成后存储可以在电子设备本地。请参阅图2,排序分类模型包括权重生成子网络110、特征融合网络120以及对应不同业务类型的多个业务子网络130,权重生成子网络110和特征融合网络120连接,多个业务子网络130均和特征融合网络120连接,其中,业务类型可以和业务子网络一一对应。
排序分类结果可以是对目标特征向量依次进行特征提取、Sigmoid函数运算等得到的输出。在本公开的其他实施例中,还可以在Sigmoid函数运算之后,再进行百分化运算,得到输出的排序分类结果。
步骤S103,根据多个网络对象的排序分类结果,向目标用户推荐网络对象。
针对每一网络对象,执行步骤S101和步骤S102,即可得到每一网络对象的排序分类结果,将多个网络对象中每一网络对象的排序分类结果进行比较,从中确定出预设数量个网络对象推荐给目标用户。
示例地,网络对象共计10个,预设数量为3,网络对象对应的排序分类结果分别为91%、49%、73%、27%、68%、23%、51%、89%、24%、65%,从排序分类结果中筛选排名前三大的排序分类结果91%、89%、73%,将其对应的网络对象推荐给目标用户。
通过将网络对象的属性信息以及网络对象所属的主业务类型输入预先训练完成的排序分类模型中,得到排序分类结果,并根据多个网络对象的排序分类结果向目标用户推荐网络对象。排序分类模型的每一业务子网络130用于提取网络对象在对应业务类型下的业务特征向量,排序分类模型的权重生成子网络用于基于对应主业务类型的生成参数生成对应每一业务类型的权重,排序分类模型的特征融合网络用于根据对应每一业务类型的权重,对每一业务子网络提取的业务特征向量进行加权融合,得到目标特征向量,并根据目标特征向量得到排序分类结果。以此,对新的网络对象或小众的网络对象,不仅能够从主业务类型对应的业务子网络中进行学习,还能从其他业务类型对应的业务子网络中补充学习,生成学习充分的排序分类模型,缓解低频业务的稀疏问题,达到知识迁移的目的,进而得到合理的排序分类结果,对目标用户而言推荐优质的网络对象,提高用户推荐效果。
在一种可能的实现方式中,网络对象的属性信息包括目标用户的用户信息。
业务子网络用于提取不同用户在对应的业务类型下的共性特征向量以及目标用户在该业务类型下的个性化特征向量,并将共性特征向量和个性化特征向量融合得到业务特征向量。
目标用户的用户信息可以包括用户画像和用户所在场景信息,用户画像可以是用户性别、年龄、职业等个人信息,用户所在场景信息可以是当前位置、时间、天气、环境等。
业务子网络用于提取不同用户在对应的业务类型下的共性特征向量以及目标用户在该业务类型下的个性化特征向量,并将共性特征向量和个性化特征向量融合得到业务特征向量,可以理解为,提取不同用户在该业务子网络对应的业务类型下的共性信息以及目标用户在该业务子网络对应的业务类型下的个性化信息,通过将共性信息和个性化信息进行融合,得到业务特征向量。
通过将不同用户的共性信息以及目标用户的个性化信息进行融合,得到最终的业务特征向量,充分考虑目标用户在该业务类型下的个性化差异,进而可以实现目标用户的个性化推荐。
在一种可能的实现方式中,排序分类模型的训练样本包括不同业务类型对应的训练样本,训练样本的标签包括排序分类标签,请参阅图3,排序分类模型的训练方法可以包括步骤S201~步骤S204:
步骤S201,针对任意业务类型对应的训练样本,通过排序分类模型的每一业务子网络输出对应训练样本的业务特征向量。
步骤S202,根据权重生成子网络基于生成参数生成的对应每一业务类型的权重,对每一业务类型下对应训练样本的业务特征向量进行加权融合,并根据加权融合结果输出排序分类结果。
步骤S203,根据排序分类结果与排序分类标签通过第一损失函数计算模型损失值。
第一损失函数可以是交叉熵损失函数。
步骤S204,根据模型损失值对排序分类模型的模型参数进行更新,模型参数包括生成参数。
迭代执行步骤S202~步骤S204,直至计算出来的模型损失值低于预设损失值。
在一种可能的实现方式中,训练样本包括样本数据和样本数据所属的主业务类型标签,权重生成子网络包括对应不同业务类型的生成参数,排序分类模型的训练方法还包括:
根据主业务类型标签,确定权重生成子网络中对应的生成参数,以便权重生成子网络根据该生成参数生成对应每一业务类型的权重。
根据模型损失值对排序分类模型的模型参数进行更新,包括:
根据模型损失值对与主业务类型标签对应的生成参数进行更新,使得更新后的生成参数能够强化对应主业务类型标签的业务子网络的权重。
通过根据主业务类型标签,确定权重生成子网络中对应的生成参数,以便权重生成子网络根据该生成参数生成对应每一业务类型的权重,进而区分各个业务子网络的权重差异,强化主业务类型对应的业务子网络的权重。
在其他实施例中,还可以通过辅助损失函数对主业务类型标签进行计算,得到门控损失值,将模型损失值以及门控损失值传播给权重生成子网络,以通知权重生成子网络根据模型损失值对门控损失值指示的业务子网络对应的生成参数进行更新,使得更新后的生成参数能够强化对应主业务类型标签的业务子网络的权重。
示例地,若网络对象所属的主业务类型为外卖,其他业务类型分别为电商、内容、到综。辅助增强损失函数采用独热码的方式将主业务类型对应的编码设为1,其他业务类型对应的编码均设为0,业务类型罗列的顺序为外卖、电商、内容、到综,那么门控损失值则为1000。
在一种可能的实现方式中,每一业务子网络均包括底层特征网络、用户特征网络以及融合网络,排序分类模型的训练样本包括用户数据样本以及网络对象数据样本,通过排序分类模型的每一业务子网络输出对应训练样本的业务特征向量,包括:
针对每一业务子网络,将训练样本输入底层特征网络,并将用户数据样本输入用户特征网络,并通过融合网络对底层特征网络和用户特征网络的输出向量进行融合,得到训练样本的业务特征向量。
针对每一业务子网络,将训练样本中的用户样本数据以及网络对象数据样本输入底层特征网络,将用户数据样本输入用户特征网络,融合网络对底层特征网络和用户特征网络的输出向量进行融合,得到训练样本的业务特征向量。
根据模型损失值对排序分类模型的模型参数进行更新,包括:
根据模型损失值对用户特征网络的参数进行更新。
通过对用户特征网络的参数进行更新,进而可以强化业务子网络中个性化信息的提取能力。
在一种可能的实现方式中,各业务子网络的底层特征网络通过残差结构相连,根据模型损失值对排序分类模型的模型参数进行更新,包括:
通过残差结构,对每一业务子网络中的底层特征网络的参数进行更新。
将各个业务子网络的底层特征网络通过残差结构进行连接,使得业务子网络之间的数据共享,更能捕捉到不同用户的共性信息。
为实现上述方法类实施例,本实施例提供一种推荐装置400,如图4所示,图4是根据一示例性实施例示出的推荐装置400的框图。推荐装置400可以包括获取模块401、排序模块402和推荐模块403。
获取模块401,用于获取网络对象的属性信息以及网络对象所属的主业务类型;
排序模块402,用于将属性信息以及主业务类型输入预先训练完成的排序分类模型中,得到排序分类模型输出的网络对象的排序分类结果,其中,排序分类模型包括权重生成子网络、特征融合网络以及对应不同业务类型的多个业务子网络,每一业务子网络至少用于提取网络对象在对应的业务类型下的业务特征向量,权重生成子网络用于基于预先训练得到的对应主业务类型的生成参数生成对应每一业务类型的权重,特征融合网络用于根据对应每一业务类型的权重,对每一业务子网络提取得到的业务特征向量进行加权融合,得到目标特征向量,并根据目标特征向量输出排序分类结果;
推荐模块403,用于根据多个网络对象的排序分类结果,向目标用户推荐网络对象。
可选地,网络对象的属性信息包括目标用户的用户信息;
业务子网络用于提取不同用户在对应的业务类型下的共性特征向量以及目标用户在业务类型下的个性化特征向量,并将共性特征向量和个性化特征向量融合得到业务特征向量。
可选地,排序分类模型的训练样本包括不同业务类型对应的训练样本,训练样本的标签包括排序分类标签,推荐装置400还包括:
第一训练模块,用于针对任意业务类型对应的训练样本,通过排序分类模型的每一业务子网络输出对应训练样本的业务特征向量;
第二训练模块,用于根据权重生成子网络基于生成参数生成的对应每一业务类型的5权重,对每一业务类型下对应训练样本的业务特征向量进行加权融合,并根据加权融合
结果输出排序分类结果;
第三训练模块,用于根据排序分类结果与排序分类标签通过第一损失函数计算模型损失值;
第四训练模块,用于根据模型损失值对排序分类模型的模型参数进行更新,模型参0数包括生成参数。
可选地,训练样本包括样本数据和样本数据所属的主业务类型标签,权重生成子网络包括对应不同业务类型的生成参数,推荐装置还包括:
第五训练模块,用于根据主业务类型标签,确定权重生成子网络中对应的生成参数,以便权重生成子网络根据该生成参数生成对应每一业务类型的权重;
5第四训练模块具体用于:
根据模型损失值对与主业务类型标签对应的生成参数进行更新,使得更新后的生成参数能够强化对应主业务类型标签的业务子网络的权重。
可选地,每一业务子网络均包括底层特征网络、用户特征网络以及融合网络,排序
分类模型的训练样本包括用户数据样本以及网络对象数据样本,第一训练模块具体用于:0针对每一业务子网络,将训练样本输入底层特征网络,并将用户数据样本输入用户
特征网络,并通过融合网络对底层特征网络和用户特征网络的输出向量进行融合,得到训练样本的业务特征向量;
第四训练模块具体用于:
根据模型损失值对用户特征网络的参数进行更新。
5可选地,各业务子网络的底层特征网络通过残差结构相连,第四模块具体用于:
通过残差结构,对每一业务子网络中的底层特征网络的参数进行更新。
关于上述实施例中的装置,其中各个模块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5是根据一示例性实施例示出的一种电子设备700的框图。如图5所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的推荐方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702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,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的推荐方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的推荐方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的推荐方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够
由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于5执行上述的推荐方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾0的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种
可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种推荐方法,其特征在于,所述方法包括:
获取网络对象的属性信息以及所述网络对象所属的主业务类型;
将所述属性信息以及所述主业务类型输入预先训练完成的排序分类模型中,得到所述排序分类模型输出的所述网络对象的排序分类结果,其中,所述排序分类模型包括权重生成子网络、特征融合网络以及对应不同业务类型的多个业务子网络,每一所述业务子网络至少用于提取所述网络对象在对应的所述业务类型下的业务特征向量,所述权重生成子网络用于基于预先训练得到的对应所述主业务类型的生成参数生成对应每一所述业务类型的权重,所述特征融合网络用于根据对应每一所述业务类型的权重,对每一所述业务子网络提取得到的业务特征向量进行加权融合,得到目标特征向量,并根据所述目标特征向量输出所述排序分类结果;
根据多个所述网络对象的排序分类结果,向目标用户推荐网络对象。
2.根据权利要求1所述的方法,其特征在于,所述网络对象的属性信息包括所述目标用户的用户信息;
所述业务子网络用于提取不同用户在对应的业务类型下的共性特征向量以及所述目标用户在所述业务类型下的个性化特征向量,并将所述共性特征向量和所述个性化特征向量融合得到所述业务特征向量。
3.根据权利要求1所述的方法,其特征在于,所述排序分类模型的训练样本包括所述不同业务类型对应的训练样本,所述训练样本的标签包括排序分类标签,所述排序分类模型的训练方法包括:
针对任意所述业务类型对应的训练样本,通过所述排序分类模型的每一所述业务子网络输出对应所述训练样本的业务特征向量;
根据所述权重生成子网络基于生成参数生成的对应每一所述业务类型的权重,对每一所述业务类型下对应所述训练样本的业务特征向量进行加权融合,并根据加权融合结果输出排序分类结果;
根据所述排序分类结果与所述排序分类标签通过第一损失函数计算模型损失值;
根据所述模型损失值对所述排序分类模型的模型参数进行更新,所述模型参数包括所述生成参数。
4.根据权利要求3所述的方法,其特征在于,所述训练样本包括样本数据和所述样本数据所属的主业务类型标签,所述权重生成子网络包括对应不同业务类型的生成参数,所述排序分类模型的训练方法还包括:
根据所述主业务类型标签,确定所述权重生成子网络中对应的生成参数,以便所述权重生成子网络根据该生成参数生成对应每一所述业务类型的权重;
所述根据所述模型损失值对所述排序分类模型的模型参数进行更新,包括:
根据所述模型损失值对与所述主业务类型标签对应的生成参数进行更新,使得更新后的生成参数能够强化对应所述主业务类型标签的业务子网络的权重。
5.根据权利要求3所述的方法,其特征在于,每一所述业务子网络均包括底层特征网络、用户特征网络以及融合网络,所述排序分类模型的训练样本包括用户数据样本以及网络对象数据样本,所述通过所述排序分类模型的每一所述业务子网络输出对应所述训练样本的业务特征向量,包括:
针对每一所述业务子网络,将所述训练样本输入所述底层特征网络,并将所述用户数据样本输入所述用户特征网络,并通过所述融合网络对所述底层特征网络和所述用户特征网络的输出向量进行融合,得到所述训练样本的业务特征向量;
所述根据所述模型损失值对所述排序分类模型的模型参数进行更新,包括:
根据所述模型损失值对所述用户特征网络的参数进行更新。
6.根据权利要求5所述的方法,其特征在于,各所述业务子网络的所述底层特征网络通过残差结构相连,所述根据所述模型损失值对所述排序分类模型的模型参数进行更新,包括:
通过所述残差结构,对每一所述业务子网络中的底层特征网络的参数进行更新。
7.一种推荐装置,其特征在于,所述推荐装置包括:
获取模块,用于获取网络对象的属性信息以及所述网络对象所属的主业务类型;
排序模块,用于将所述属性信息以及所述主业务类型输入预先训练完成的排序分类模型中,得到所述排序分类模型输出的所述网络对象的排序分类结果,其中,所述排序分类模型包括权重生成子网络、特征融合网络以及对应不同业务类型的多个业务子网络,每一所述业务子网络至少用于提取所述网络对象在对应的所述业务类型下的业务特征向量,所述权重生成子网络用于基于预先训练得到的对应所述主业务类型的生成参数生成对应每一所述业务类型的权重,所述特征融合网络用于根据对应每一所述业务类型的权重,对每一所述业务子网络提取得到的业务特征向量进行加权融合,得到目标特征向量,并根据所述目标特征向量输出所述排序分类结果;
推荐模块,用于根据多个所述网络对象的排序分类结果,向目标用户推荐网络对象。
8.根据权利要求7所述的推荐装置,其特征在于,所述网络对象的属性信息包括所述目标用户的用户信息;
所述业务子网络用于提取不同用户在对应的业务类型下的共性特征向量以及所述目标用户在所述业务类型下的个性化特征向量,并将所述共性特征向量和所述个性化特征向量融合得到所述业务特征向量。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211652331.4A CN115905706A (zh) | 2022-12-21 | 2022-12-21 | 推荐方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211652331.4A CN115905706A (zh) | 2022-12-21 | 2022-12-21 | 推荐方法、装置、可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115905706A true CN115905706A (zh) | 2023-04-04 |
Family
ID=86493387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211652331.4A Pending CN115905706A (zh) | 2022-12-21 | 2022-12-21 | 推荐方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905706A (zh) |
-
2022
- 2022-12-21 CN CN202211652331.4A patent/CN115905706A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9934515B1 (en) | Content recommendation system using a neural network language model | |
CN110837598B (zh) | 信息推荐方法、装置、设备及存储介质 | |
CN106845644B (zh) | 一种通过相互关系学习用户及移动应用的联系的异构网络 | |
US20210224269A1 (en) | Method and apparatus of recommending information based on fused relationship network, and device and medium | |
US20230102337A1 (en) | Method and apparatus for training recommendation model, computer device, and storage medium | |
CN111966914B (zh) | 基于人工智能的内容推荐方法、装置和计算机设备 | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
CN105229575A (zh) | 基于多个语言模型的文本预测 | |
CN111400504B (zh) | 企业关键人的识别方法和装置 | |
CN112115377A (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN116664719B (zh) | 一种图像重绘模型训练方法、图像重绘方法及装置 | |
CN112528164B (zh) | 一种用户协同过滤召回方法及装置 | |
CN112328909A (zh) | 信息推荐方法、装置、计算机设备及介质 | |
Gan et al. | R-RNN: Extracting user recent behavior sequence for click-through rate prediction | |
CN105308591A (zh) | 来自社交交互的关系强度的动态性 | |
CN109101505A (zh) | 一种推荐方法、推荐装置和用于推荐的装置 | |
CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
CN116910357A (zh) | 一种数据处理方法及相关装置 | |
CN111368021A (zh) | 基于知识网络的智能决策方法及装置、终端、存储介质 | |
Shilin | User model-based personalized recommendation algorithm for news media education resources | |
CN115905706A (zh) | 推荐方法、装置、可读存储介质及电子设备 | |
CN113409096B (zh) | 目标对象识别方法、装置、计算机设备及存储介质 | |
CN115438755A (zh) | 分类模型的增量训练方法、装置和计算机设备 |
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 |