CN116089713A - 推荐模型训练方法、推荐方法、装置及计算机设备 - Google Patents
推荐模型训练方法、推荐方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN116089713A CN116089713A CN202310001600.9A CN202310001600A CN116089713A CN 116089713 A CN116089713 A CN 116089713A CN 202310001600 A CN202310001600 A CN 202310001600A CN 116089713 A CN116089713 A CN 116089713A
- Authority
- CN
- China
- Prior art keywords
- importance
- feature
- content
- data
- text
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012549 training Methods 0.000 title claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 152
- 239000013598 vector Substances 0.000 claims description 77
- 238000011176 pooling Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000007246 mechanism Effects 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007667 floating Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及文本处理技术领域，公开了一种推荐模型训练方法，该方法包括：获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型。通过上述方式，本发明实施例能够实现向用户对内容的准确推荐。
Description
技术领域
本发明实施例涉及文本处理技术领域，具体涉及一种推荐模型训练方法、推荐方法、推荐模型训练装置、推荐装置、计算机设备及计算机可读存储介质。
背景技术
目前，对于内容推荐，一般通过协同过滤(CF)和基于内容的方法(CBM)，来进行内容推荐。CF通过类似用户的选择推荐物品，而CBM则利用内容之间的相似性。
然而本申请的发明人发现，现有技术中以用户为中心或以内容为中心进行内容推荐，仅采用片面的信息进行片面的用户偏好建模，缺乏根据用户的全面的信息进行内容推荐的分析，进而导致推荐的结果不贴合用户的偏好，使得内容推荐准确率低。
发明内容
鉴于上述问题，本发明实施例提供了一种推荐模型训练方法、推荐方法、推荐模型训练装置、推荐装置、计算机设备及计算机可读存储介质，用于解决现有技术中存在的内容推荐准确率低的问题。
根据本发明实施例的一个方面，提供了一种推荐模型训练方法，所述方法包括：
获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；
根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；
根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；
将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型。
在一种可选的方式中，第二类用户行为数据为用户行为内容；所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征之前，所述方法还包括：将所述用户行为内容进行one-hot编码处理，得到所述用户行为内容对应的编码矩阵。
在一种可选的方式中，所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征，包括：
将所述编码矩阵输入所述多指针协同注意力网络的门控机制中，筛选出用户层面的行为内容特征和内容层面的行为特征；
根据所述用户层面的行为内容特征和所述内容层面的行为特征之间的相似度矩阵，计算得到标准协同注意力机制；
通过重参数化算法及所述标准协同注意力机制，分别计算用户层面的行为内容特征的内容指针，以及内容层面的行为特征的内容指针，以得到用户层面特征向量和内容层面特征向量；
根据所述用户层面特征向量和所述内容层面特征向量的相似度矩阵，确定用户层面特征向量的平均池化及所述内容层面特征向量的平均池化；
重复执行上述步骤，得到多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化；
对多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化进行聚合处理，得到文本重要性特征。
在一种可选的方式中，所述第一类用户行为数据为用户行为次数；所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征，包括：
采用LGBFS算法分别对所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数进行特征重要性评估，得到所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数分别对应的结构化重要性特征。
在一种可选的方式中，所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化特征重要性；
将各个所述结构化数据分别转化为多个直方图；所述多个直方图按照数据区间划分为K个bin；
将所述结构化数据放入各个bin中，得到所述结构化数据的直方图表示；
对所述直方图表示进行分割，通过增益计算确定最优分割点，并根据所述最优分割点使用梯度信息继续拟合迭代构建K个决策树；
计算所述结构化数据中各个特征在所述K个决策树中被用来分割后带来的总增益；
通过所述被用来分割的次数及所述总增益确定结构化重要性特征。
根据本发明实施例的另一方面，提供了一种推荐方法，包括以下步骤：
获取目标用户对应的目标结构化重要性特征及目标文本重要性特征；
将所述目标结构化重要性特征及所述目标文本重要性特征融合后，输入推荐模型，得到目标推荐内容；所述推荐模型根据所述的推荐模型训练方法或所述的推荐模型训练装置得到；
将所述目标推荐内容推荐给所述目标用户。
根据本发明实施例的另一方面，提供了一种推荐模型训练装置，包括：
第一获取模块，用于获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；
结构化特征模块，用于根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；
文本特征模块，用于根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；
训练模块，用于将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型。
根据本发明实施例的另一方面，提供了一种推荐装置，包括：第二获取模块，用于获取目标用户对应的目标结构化重要性特征及目标文本重要性特征；
预测模块，用于将所述目标结构化重要性特征及所述目标文本重要性特征融合后，输入推荐模型，得到目标推荐内容；所述推荐模型根据所述的推荐模型训练方法或所述的推荐模型训练装置训练得到；
推荐模块，用于将所述目标推荐内容推荐给所述目标用户。
根据本发明实施例的另一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行所述的推荐模型训练方法或所述的推荐方法的操作。
根据本发明实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在推荐设备上运行时，使得推荐设备执行所述的推荐模型训练方法或所述的推荐方法的操作。
本发明实施例通过获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型，能够实现向用户对内容的准确推荐。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的推荐模型训练方法的流程示意图；
图2示出了本发明另一实施例提供的推荐模型训练方法的流程示意图；
图3示出了本发明实施例提供的推荐模型训练装置的结构示意图；
图4示出了本发明实施例提供的推荐装置的结构示意图；
图5示出了本发明实施例提供的计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
图1示出了本发明实施例提供的推荐模型训练方法的流程图，该方法由计算机设备执行。该计算机设备可以是个人计算机、终端设备等，本发明实施例不做具体限制。如图1所示，该方法包括以下步骤：
步骤110：获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据。
本发明实施例中用于向用户推荐内容前的重要特征识别。其中，第一类用户行为数据为用户行为次数；第二类用户行为数据为用户行为内容。本发明实施例中，从用户基本信息、用户行为信息、音乐基本信息中，提取以下数据(包括但不限于以下数据)：用户基本信息特征、第一类用户行为特征、第二类用户行为特征及内容基本信息。其中，以推荐的内容为音乐为例，用户基本信息特征如下：性别、年龄、用户会员、所在地理位置、用户状态(睡觉、学习、跑步、心境)等情况；用户行为特征与用户基本信息特征、音乐基本信息特征不同，虽然用户行为复杂、频繁、多变，但是用户行为能够及时反应用户的偏好发展趋势，对于音乐偏好分析至关重要，挖掘用户行为变化也就具有重大意义。因此，本发明实施例将用户行为特征分为两类，第一类用户行为数据是用户行为执行次数的指标，记为第一类用户行为特征，第二类用户行为数据是用户行为内容的衍生特征，记为第二类用户行为特征。以“评论”为例，用户评论这一行为可以衍生出评论次数这一指标，同时还可以对用户评论内容进行深度挖掘，获得新信息。用户行为特征如下：歌曲搜索次数、歌曲切歌次数、歌曲收藏情况、歌曲播放次数、歌曲下载次数、歌曲分享次数、歌曲重复播放率、用户收听歌曲的时间、购买歌曲情况、移入垃圾桶、设置背景音乐、喜欢歌曲、歌曲评论及回复次数、歌曲评论以及回复内容等。音乐基本信息特征如下：歌曲热度值、语种、歌曲流派、歌曲发布年代、歌曲主题，歌手ID等等。获取上述n个特征，数学形式表示为：A＝[a1,a2,...,an]。
步骤120：根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征。
其中，本发明实施例采用LGBFS算法分别对所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数进行特征重要性评估，得到所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数分别对应的结构化重要性特征。其中，第一类用户行为数据为用户行为次数。
本发明实施例中，在包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征，具体包括：
步骤201：将各个所述结构化数据分别转化为多个直方图；所述多个直方图按照数据区间划分为K个bin，将所述结构化数据放入各个bin中，得到所述结构化数据的直方图表示。
具体地，如图2所示，将样本集中的用户基本信息数据、所述历史内容的基本信息及所述用户行为次数对应的各个子特征对应的特征值，分别都转化为一个直方图，每个直方图按照数据区间形成K个bin，得到结构化数据中原始数据的直方图表示。通过这样的方式，在训练前预先把特征值转化为bin，也就是对每个特征的取值做个分段函数，将所有样本在该特征上的取值划分到某一段(bin)中。最终把特征取值从连续值转化成了离散值。
步骤202：对所述直方图表示进行分割，通过增益计算确定最优分割点，并根据所述最优分割点使用梯度信息继续拟合迭代构建K个决策树。
其中，在得到直方图表示后，原始的每个特征都转化为了直方图，原始的特征值也以整数的形式存储在每个直方图的所有bin中。LightGBM通过遍历每个直方图，并将每一直方图作为分割点计算分割增益，从而来寻找最优分割点(也即最优分割直方图)。LightGBM中对离散特征实行的many vs many策略，这K个bin中最优划分的阈值的左边或者右边所有的bin容器是一个many集合，而其他的bin容器是另一个many集合。由于结构化数据为离散值，可能会有多个划分阈值，每一个划分阈值对应着一个bin容器编号，当使用某个特征进行分裂时，只要数据样本对应的bin容器编号在这些阈值对应的bin集合之中，这条数据就加入分裂后的左子树，否则加入分裂后的右子树。其中，通过增益Gain确定最优分割点，即分割后的左右叶子点分割总权重减去分割前原节点的权重：
其中，wi为分割后的左叶子点分割总权重，wj为分割后的右叶子点分割总权重；wk为分割前原节点的权重。
步骤203：计算所述结构化数据中各个特征在所述K个决策树中被用来分割的次数及被分割后带来的总增益。
其中，通过对直方图进行K次迭代分割，构建迭代树，每次迭代都会使用梯度信息拟合一颗新树来加入前序迭代树，得到的迭代树表示为：
其中，xi是迭代树的函数空间，fq(xi)表示第i个样例在第q颗树中的预测值。其中，迭代树的每一层分裂节点采用的都是最佳分割点。
其中，在得到迭代树后，计算每个特征在K个迭代树中被分割的总次数T_Split，特征在K个决策树中被用来分割后带来的增益总和T_Gain。
步骤204：通过所述被用来分割的次数及所述总增益确定结构化重要性特征。
通过每个特征在K个迭代树中被分割的总次数T_Split，特征在K个决策树中被用来分割后带来的增益总和T_Gain，来确定结构化重要性特征。具体地，每个特征在K个迭代树中被分割的总次数T_Split越多，说明其重要性越高；特征在K个决策树中被用来分割后带来的增益总和T_Gain越大，说明其重要性越高。
根据被用来分割的次数及所述总增益确定各个特征的重要度后，对各个结构化数据按照重要度进行排序，并采用序列浮动前向搜索方法对特征子集进行浮动搜索，如果每次加入L个特征使得特征子集性能更加优越，则将L个特征加入，如果尝试去掉R个特征使得特征子集性能更加稳定优越，则将R个特征去掉，通过如此反复的浮动前向搜索，得到最终的结构化重要性特征。由于本发明实施例可以对结构化数据中的各个特征进行重要度排序，因此，还可以得到该结构化重要性特征中各个特征的权重，该权重根据重要度确定。
步骤130：根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征。
其中，在根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征之前，本发明实施例还预先将所述用户行为内容进行one-hot编码处理，得到所述用户行为内容对应的编码矩阵。
本发明实施例，在得到编码矩阵后，根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征，包括以下步骤：
步骤301：将所述编码矩阵输入所述多指针协同注意力网络的门控机制中，筛选出用户层面的行为内容特征和内容层面的行为特征。
本发明实施例首先将编码矩阵按照用户层面及内容层面进行分类，将得到的编码矩阵输入多指针协同注意力网络的Review Gating机制中，该机制中有第一阶段过滤器，类似于门控机制，它决定了有多少评论信息可以被传到下一层，通过这种方式可以筛选出重要评论。其中，该第一阶段过滤器公式如下：
其中，输入
代表原始用户序列或者音乐序列，⊙为哈达玛积，xi为序列x的第i个评论，Wg、Wu、bg、bu为层参数。
通过上述方式，从而可以分别得到较为重要的用户层面的行为内容特征(用户序列a)和内容层面的行为特征(内容序列b，例如对于内容为音乐时，可以是音乐序列)。
步骤302：根据所述用户层面的行为内容特征和所述内容层面的行为特征之间的相似度矩阵，计算得到标准协同注意力机制。
其中，在得到重要的用户层面的行为内容特征和内容层面的行为特征后，将其输入Review-level Co-Attention层中，进一步提取具有丰富信息的特征。计算用户序列a或者内容序列b相似矩阵s：
sij＝F(ai T)MF(bj)
进行最大池化后，取相似度矩阵s的行最大值maxcol(s)、列最大值maxrow(s)，用行最大值maxcol(s)及列最大值maxrow(s)对用户序列a及音乐序列b分别进行加权，获得标准协同注意力机制，如下：
a′＝(G(maxcol(s)))Ta b′＝(G(maxrow(s)))Tb
步骤303：通过重参数化算法及所述标准协同注意力机制，分别计算用户层面的行为内容特征的内容指针，以及内容层面的行为特征的内容指针，以得到用户层面特征向量和内容层面特征向量。
其中，通过Gumbel-Softmax分别计算用户序列a和音乐序列b两个层面上评论指针，选择用户序列a的第pa个评论，音乐序列b的第pb个评论。得到用用户层面的行为内容特征的内容指针pa及内容层面的行为特征的内容指针pb，如下：
pa＝(Gumbel(maxcol(s)))pb＝(Gumbel(maxrow(s)))
其中：
a′＝paa；
b′＝pbb
步骤304：根据所述用户层面特征向量和所述内容层面特征向量的相似度矩阵，确定用户层面特征向量的平均池化及所述内容层面特征向量的平均池化。
将所述用户层面特征向量a′及所述内容层面特征向量b′后，将其输入Word-levelCo-Attention层，计算所述用户层面特征向量和所述内容层面特征向量的相似度矩阵，并根据相似度矩阵确定用户层面特征向量的平均池化及所述内容层面特征向量的平均池化：
a″＝(S(avgcol(w)))Ta′；
b″＝(S(avgrow(w)))Tb′
步骤305：重复执行上述步骤，得到多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化。
重复上述操作np次，用户序列a和音乐序列b两个层面上均得到np个不同的用户层面特征向量的平均池化及不同的内容层面特征向量的平均池化，也即指针，即：
步骤306：对多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化进行聚合处理，得到文本重要性特征。
通过神经网络方式聚合这些评论，得到多指针af和bf，作为最终的文本特征。本本发明实施例中，多指针具有不同的大小，按照大小可以确定其对应的权重。因此可以确定文本重要性特征及文本重要性特征中各个子特征的权重。
步骤140：将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型。
其中，在得到结构化重要性特征及文本重要性特征后，将二者进行融合，输入预设的神经网络进行训练，得到推荐模型。其中，该融合方法依据不同的神经网络模型确定。本发明实施例中，由于可以得到所述结构化重要性特征及所述文本重要性特征对应的权重，因此在训练时还可以结合其权重进行训练。其中，训练后的推荐模型，可以向与用户具有相似特征的其它用户推荐相似内容给其它用户。
本发明实施例并不具体限定该训练过程，其可以采用现有的模型训练方式，将样本数据的结构化重要性特征及所述文本重要性特征融合后输入预设神经网络进行训练，得到预测结果，根据预测结果与样本标签计算损失函数，再根据损失函数调整神经网络的参数，迭代训练，直至达到最优，得到该推荐模型。
本发明实施例通过获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型，能够实现向用户对内容的准确推荐。
图3示出了本发明另一实施例提供的推荐方法的流程图，该方法由计算机设备执行。该计算机设备可以是个人计算机、终端设备等，本发明实不做具体限制。如图3所示，该方法包括以下步骤：
步骤210：获取目标用户对应的目标结构化重要性特征及目标文本重要性特征。
其中，目标用户对应的目标结构化重要特征及目标文本重要性特征可以采用上述的推荐模型训练方法中所述结构化重要性特征及所述文本重要性特征的确定方法来确定。
步骤220：将所述目标结构化重要性特征及所述目标文本重要性特征融合后，输入推荐模型，得到目标推荐内容。所述推荐模型根据上述实施例的推荐模型训练方法训练得到，具体训练方式与上述方法实施例的步骤大体一致，此处不再赘述。
步骤230：将所述目标推荐内容推荐给所述目标用户。
本发明实施例通过获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型，能够实现向用户对内容的准确推荐。
图4示出了本发明实施例提供的推荐模型训练装置的结构示意图。如图4所示，该装置300包括：
第一获取模块310，用于获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；
结构化特征模块320，用于根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；
文本特征模块330，用于根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；
训练模块340，用于将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型。
在一种可选的方式中，第二类用户行为数据为用户行为内容；所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征之前，所述方法还包括：将所述用户行为内容进行one-hot编码处理，得到所述用户行为内容对应的编码矩阵。
在一种可选的方式中，所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征，包括：
将所述编码矩阵输入所述多指针协同注意力网络的门控机制中，筛选出用户层面的行为内容特征和内容层面的行为特征；
根据所述用户层面的行为内容特征和所述内容层面的行为特征之间的相似度矩阵，计算得到标准协同注意力机制；
通过重参数化算法及所述标准协同注意力机制，分别计算用户层面的行为内容特征的内容指针，以及内容层面的行为特征的内容指针，以得到用户层面特征向量和内容层面特征向量；
根据所述用户层面特征向量和所述内容层面特征向量的相似度矩阵，确定用户层面特征向量的平均池化及所述内容层面特征向量的平均池化；
重复执行上述步骤，得到多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化；
对多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化进行聚合处理，得到文本重要性特征。
在一种可选的方式中，所述第一类用户行为数据为用户行为次数；所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征，包括：
采用LGBFS算法分别对所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数进行特征重要性评估，得到所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数分别对应的结构化重要性特征。
在一种可选的方式中，所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化特征重要性；
将各个所述结构化数据分别转化为多个直方图；所述多个直方图按照数据区间划分为K个bin；
将所述结构化数据放入各个bin中，得到所述结构化数据的直方图表示；
对所述直方图表示进行分割，通过增益计算确定最优分割点，并根据所述最优分割点使用梯度信息继续拟合迭代构建K个决策树；
计算所述结构化数据中各个特征在所述K个决策树中被用来分割后带来的总增益；
通过所述被用来分割的次数及所述总增益确定结构化重要性特征。
本发明实施例通过获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型，能够实现向用户对内容的准确推荐。
图5示出了本发明实施例提供的推荐装置的结构示意图。如图5所示，该装置500包括：
第二获取模块510，用于获取目标用户对应的目标结构化重要性特征及目标文本重要性特征。
预测模块520，用于将所述目标结构化重要性特征及所述目标文本重要性特征融合后，输入推荐模型，得到目标推荐内容；所述推荐模型根据如上述的推荐模型训练方法或上述的推荐模型训练装置得到。
推荐模块530，用于将所述目标推荐内容推荐给所述目标用户。
在一种可选的方式中，第二类用户行为数据为用户行为内容；所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征之前，所述方法还包括：将所述用户行为内容进行one-hot编码处理，得到所述用户行为内容对应的编码矩阵。
在一种可选的方式中，所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征，包括：
将所述编码矩阵输入所述多指针协同注意力网络的门控机制中，筛选出用户层面的行为内容特征和内容层面的行为特征；
根据所述用户层面的行为内容特征和所述内容层面的行为特征之间的相似度矩阵，计算得到标准协同注意力机制；
通过重参数化算法及所述标准协同注意力机制，分别计算用户层面的行为内容特征的内容指针，以及内容层面的行为特征的内容指针，以得到用户层面特征向量和内容层面特征向量；
根据所述用户层面特征向量和所述内容层面特征向量的相似度矩阵，确定用户层面特征向量的平均池化及所述内容层面特征向量的平均池化；
重复执行上述步骤，得到多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化；
对多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化进行聚合处理，得到文本重要性特征。
在一种可选的方式中，所述第一类用户行为数据为用户行为次数；所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征，包括：
采用LGBFS算法分别对所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数进行特征重要性评估，得到所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数分别对应的结构化重要性特征。
在一种可选的方式中，所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化特征重要性；
将各个所述结构化数据分别转化为多个直方图；所述多个直方图按照数据区间划分为K个bin；
将所述结构化数据放入各个bin中，得到所述结构化数据的直方图表示；
对所述直方图表示进行分割，通过增益计算确定最优分割点，并根据所述最优分割点使用梯度信息继续拟合迭代构建K个决策树；
计算所述结构化数据中各个特征在所述K个决策树中被用来分割后带来的总增益；
通过所述被用来分割的次数及所述总增益确定结构化重要性特征。
本发明实施例通过获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型，能够实现向用户对内容的准确推荐。
图4示出了本发明实施例提供的计算机设备的结构示意图，本发明具体实施例并不对计算机设备的具体实现做限定。
如图4所示，该计算机设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述用于推荐模型训练方法或推荐方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机可执行指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以被处理器402调用使计算机设备执行以下操作：
获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；
根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；
根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；
将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型。
在一种可选的方式中，第二类用户行为数据为用户行为内容；所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征之前，所述方法还包括：将所述用户行为内容进行one-hot编码处理，得到所述用户行为内容对应的编码矩阵。
在一种可选的方式中，所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征，包括：
将所述编码矩阵输入所述多指针协同注意力网络的门控机制中，筛选出用户层面的行为内容特征和内容层面的行为特征；
根据所述用户层面的行为内容特征和所述内容层面的行为特征之间的相似度矩阵，计算得到标准协同注意力机制；
通过重参数化算法及所述标准协同注意力机制，分别计算用户层面的行为内容特征的内容指针，以及内容层面的行为特征的内容指针，以得到用户层面特征向量和内容层面特征向量；
根据所述用户层面特征向量和所述内容层面特征向量的相似度矩阵，确定用户层面特征向量的平均池化及所述内容层面特征向量的平均池化；
重复执行上述步骤，得到多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化；
对多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化进行聚合处理，得到文本重要性特征。
在一种可选的方式中，所述第一类用户行为数据为用户行为次数；所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征，包括：
采用LGBFS算法分别对所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数进行特征重要性评估，得到所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数分别对应的结构化重要性特征。
在一种可选的方式中，所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化特征重要性；
将各个所述结构化数据分别转化为多个直方图；所述多个直方图按照数据区间划分为K个bin；
将所述结构化数据放入各个bin中，得到所述结构化数据的直方图表示；
对所述直方图表示进行分割，通过增益计算确定最优分割点，并根据所述最优分割点使用梯度信息继续拟合迭代构建K个决策树；
计算所述结构化数据中各个特征在所述K个决策树中被用来分割后带来的总增益；
通过所述被用来分割的次数及所述总增益确定结构化重要性特征。
在一种可选的方式中，所述程序410被处理器402调用使计算机设备执行以下操作：
获取目标用户对应的目标结构化重要性特征及目标文本重要性特征；
将所述目标结构化重要性特征及所述目标文本重要性特征融合后，输入推荐模型，得到目标推荐内容；所述推荐模型根据所述的推荐模型训练方法或所述的推荐模型训练装置得到；
将所述目标推荐内容推荐给所述目标用户。
本发明实施例通过获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型，能够实现向用户对内容的准确推荐。
本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有至少一可执行指令，该可执行指令在计算机设备上运行时，使得所述计算机设备执行上述任意方法实施例中的推荐模型训练方法或推荐方法。
可执行指令具体可以用于使得计算机设备执行以下操作：
获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；
根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；
根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；
将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型。
在一种可选的方式中，第二类用户行为数据为用户行为内容；所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征之前，所述方法还包括：将所述用户行为内容进行one-hot编码处理，得到所述用户行为内容对应的编码矩阵。
在一种可选的方式中，所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征，包括：
将所述编码矩阵输入所述多指针协同注意力网络的门控机制中，筛选出用户层面的行为内容特征和内容层面的行为特征；
根据所述用户层面的行为内容特征和所述内容层面的行为特征之间的相似度矩阵，计算得到标准协同注意力机制；
通过重参数化算法及所述标准协同注意力机制，分别计算用户层面的行为内容特征的内容指针，以及内容层面的行为特征的内容指针，以得到用户层面特征向量和内容层面特征向量；
根据所述用户层面特征向量和所述内容层面特征向量的相似度矩阵，确定用户层面特征向量的平均池化及所述内容层面特征向量的平均池化；
重复执行上述步骤，得到多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化；
对多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化进行聚合处理，得到文本重要性特征。
在一种可选的方式中，所述第一类用户行为数据为用户行为次数；所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征，包括：
采用LGBFS算法分别对所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数进行特征重要性评估，得到所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数分别对应的结构化重要性特征。
在一种可选的方式中，所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化特征重要性；
将各个所述结构化数据分别转化为多个直方图；所述多个直方图按照数据区间划分为K个bin；
将所述结构化数据放入各个bin中，得到所述结构化数据的直方图表示；
对所述直方图表示进行分割，通过增益计算确定最优分割点，并根据所述最优分割点使用梯度信息继续拟合迭代构建K个决策树；
计算所述结构化数据中各个特征在所述K个决策树中被用来分割后带来的总增益；
通过所述被用来分割的次数及所述总增益确定结构化重要性特征。
在一种可选的方式中，所述可执行指令使所述计算机设备执行以下操作：
获取目标用户对应的目标结构化重要性特征及目标文本重要性特征；
将所述目标结构化重要性特征及所述目标文本重要性特征融合后，输入推荐模型，得到目标推荐内容；所述推荐模型根据所述的推荐模型训练方法或所述的推荐模型训练装置得到；
将所述目标推荐内容推荐给所述目标用户。
本发明实施例通过获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型，能够实现向用户对内容的准确推荐。
本发明实施例提供一种推荐模型训练装置，用于执行上述推荐模型训练方法。
本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用使计算机设备执行上述任意方法实施例中的推荐模型训练方法。
本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的推荐模型训练方法。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (10)
1.一种推荐模型训练方法，其特征在于，所述方法包括：
获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；
根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；
根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；
将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型。
2.根据权利要求1所述的方法，其特征在于，第二类用户行为数据为用户行为内容；所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征之前，所述方法还包括：
将所述用户行为内容进行one-hot编码处理，得到所述用户行为内容对应的编码矩阵。
3.根据权利要求2所述的方法，其特征在于，所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征，包括：
将所述编码矩阵输入所述多指针协同注意力网络的门控机制中，筛选出用户层面的行为内容特征和内容层面的行为特征；
根据所述用户层面的行为内容特征和所述内容层面的行为特征之间的相似度矩阵，计算得到标准协同注意力机制；
通过重参数化算法及所述标准协同注意力机制，分别计算用户层面的行为内容特征的内容指针，以及内容层面的行为特征的内容指针，以得到用户层面特征向量和内容层面特征向量；
根据所述用户层面特征向量和所述内容层面特征向量的相似度矩阵，确定用户层面特征向量的平均池化及所述内容层面特征向量的平均池化；
重复执行上述步骤，得到多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化；
对多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化进行聚合处理，得到文本重要性特征。
4.根据权利要求1所述的方法，其特征在于，所述第一类用户行为数据为用户行为次数；所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征，包括：
采用LGBFS算法分别对所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数进行特征重要性评估，得到所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数分别对应的结构化重要性特征。
5.根据权利要求1所述的方法，其特征在于，所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化特征重要性；
将各个所述结构化数据分别转化为多个直方图；所述多个直方图按照数据区间划分为K个bin；
将所述结构化数据放入各个bin中，得到所述结构化数据的直方图表示；
对所述直方图表示进行分割，通过增益计算确定最优分割点，并根据所述最优分割点使用梯度信息继续拟合迭代构建K个决策树；
计算所述结构化数据中各个特征在所述K个决策树中被用来分割的次数及被分割后带来的总增益；
通过所述被用来分割的次数及所述总增益确定结构化重要性特征。
6.一种推荐方法，其特征在于，所述方法包括以下步骤：
获取目标用户对应的目标结构化重要性特征及目标文本重要性特征；
将所述目标结构化重要性特征及所述目标文本重要性特征融合后，输入推荐模型，得到目标推荐内容；所述推荐模型根据如权利要求1-5任一项所述的推荐模型训练方法训练得到；
将所述目标推荐内容推荐给所述目标用户。
7.一种推荐模型训练装置，其特征在于，所述装置包括：
第一获取模块，用于获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；
结构化特征模块，用于根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；
文本特征模块，用于根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；
训练模块，用于将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型。
8.一种推荐装置，其特征在于，所述装置包括：
第二获取模块，用于获取目标用户对应的目标结构化重要性特征及目标文本重要性特征；
预测模块，用于将所述目标结构化重要性特征及所述目标文本重要性特征融合后，输入推荐模型，得到目标推荐内容；所述推荐模型根据如权利要求1-5任一项所述的推荐模型训练方法或如权利要求7所述的推荐模型训练装置得到；
推荐模块，用于将所述目标推荐内容推荐给所述目标用户。
9.一种计算机设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-5任一项所述的推荐模型训练方法或如权利要求6所述的推荐方法的操作。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令在推荐设备上运行时，使得推荐设备执行如权利要求1-5任一项所述的推荐模型训练方法或如权利要求6所述的推荐方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310001600.9A CN116089713A (zh) | 2023-01-03 | 2023-01-03 | 推荐模型训练方法、推荐方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310001600.9A CN116089713A (zh) | 2023-01-03 | 2023-01-03 | 推荐模型训练方法、推荐方法、装置及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116089713A true CN116089713A (zh) | 2023-05-09 |
Family
ID=86205741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310001600.9A Pending CN116089713A (zh) | 2023-01-03 | 2023-01-03 | 推荐模型训练方法、推荐方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116089713A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117045930A (zh) * | 2023-10-12 | 2023-11-14 | 北京动亮健康科技有限公司 | 睡眠改善模型的训练方法、系统、改善方法、设备、介质 |
-
2023
- 2023-01-03 CN CN202310001600.9A patent/CN116089713A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117045930A (zh) * | 2023-10-12 | 2023-11-14 | 北京动亮健康科技有限公司 | 睡眠改善模型的训练方法、系统、改善方法、设备、介质 |
| CN117045930B (zh) * | 2023-10-12 | 2024-01-02 | 北京动亮健康科技有限公司 | 睡眠改善模型的训练方法、系统、改善方法、设备、介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105893609B (zh) | 一种基于加权混合的移动app推荐方法 | |
| CN107292186B (zh) | 一种基于随机森林的模型训练方法和装置 | |
| CN112307762B (zh) | 搜索结果的排序方法及装置、存储介质、电子装置 | |
| CN106874292A (zh) | 话题处理方法及装置 | |
| CN111667022A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
| Xie et al. | Factorization machine based service recommendation on heterogeneous information networks | |
| CN112685539B (zh) | 基于多任务融合的文本分类模型训练方法和装置 | |
| CN105005589A (zh) | 一种文本分类的方法和装置 | |
| CN110069690B (zh) | 一种主题网络爬虫方法、装置及介质 | |
| CN112559900B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN107918657A (zh) | 一种数据源的匹配方法和装置 | |
| CN116596095B (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
| CN112528010B (zh) | 知识推荐方法、装置、计算机设备及可读存储介质 | |
| CN111881666B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
| CN107392311A (zh) | 序列切分的方法和装置 | |
| CN112632984A (zh) | 基于描述文本词频的图模型移动应用分类方法 | |
| Ben-Shimon et al. | An ensemble method for top-N recommendations from the SVD | |
| CN116089713A (zh) | 推荐模型训练方法、推荐方法、装置及计算机设备 | |
| CN113139570A (zh) | 一种基于最优混合估值的大坝安全监测数据补全方法 | |
| CN110347821B (zh) | 一种文本类别标注的方法、电子设备和可读存储介质 | |
| CN117593077A (zh) | 基于超图神经网络的道具组合推荐方法、装置及计算设备 | |
| CN113254649A (zh) | 敏感内容识别模型的训练方法、文本识别方法及相关装置 | |
| CN108764296A (zh) | 基于K-means与多任务关联学习结合的多分类方法 | |
| CN108920492B (zh) | 一种网页分类方法、系统、终端及存储介质 | |
| Ray et al. | Comparative study of the ensemble learning methods for classification of animals in the zoo |
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 |