CN116595252A - 一种数据处理方法及相关装置 - Google Patents

一种数据处理方法及相关装置 Download PDF

Info

Publication number
CN116595252A
CN116595252A CN202310528802.9A CN202310528802A CN116595252A CN 116595252 A CN116595252 A CN 116595252A CN 202310528802 A CN202310528802 A CN 202310528802A CN 116595252 A CN116595252 A CN 116595252A
Authority
CN
China
Prior art keywords
data
user
attribute information
information
recommendation
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
Application number
CN202310528802.9A
Other languages
English (en)
Inventor
李向阳
陈渤
侯璐
唐睿明
姚骏
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202310528802.9A priority Critical patent/CN116595252A/zh
Publication of CN116595252A publication Critical patent/CN116595252A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Accounting & Taxation (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种数据处理方法，可以应用于人工智能领域，包括：获取第一数据；所述第一数据包括用户或物品在多个维度上的属性信息；根据所述第一数据，生成第二数据，所述第二数据为用于描述所述属性信息的自然语言文本；根据所述第一数据，通过嵌入网络，得到第一特征表示，所述第一特征表示包括多个嵌入向量，每个嵌入向量对应于一个维度；根据所述第二数据，通过自然语言处理模型，得到第二特征表示，所述第二特征表示包含所述第二数据的语义特征；根据所述第二特征表示和所述第一特征表示之间的差异，更新所述嵌入网络，得到更新后的所述嵌入网络。本申请将协同信息和语义信息联合起来进行建模，能够充分的利用语言模型的知识，从而提升预测效果。

Description

一种数据处理方法及相关装置
技术领域
本申请涉及人工智能领域，尤其涉及一种数据处理方法及相关装置。
背景技术
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。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
大规模的信息检索系统(如推荐系统、搜索引擎或计算广告)旨在通过从海量的物品(如实体物品、信息、广告、音乐、视频、软件应用等)中检索，为用户提供最感兴趣的物品。通常情况下，传统的推荐模型利用用户和物品的属性等信息，通过计算相似度和建立用户-物品关系模型来预测用户对未知物品的兴趣度。这种模型的优点在于其架构简单，并且在线推理时延低。
然而，在用户和物品属性中通常会出现文字信息，如物品的品牌名、电影的标题等信息。现有的推荐模型不能建模语义信息，而且只能利用数据集内的协同信息进行建模，无法获取外部的语义知识。从而会导致推荐模型的推荐精度较差。
发明内容
本申请提供了一种数据处理方法，可以提高推荐模型的推荐精度。
第一方面，本申请提供了一种数据处理方法，所述方法包括：获取第一数据；所述第一数据包括用户或物品在多个维度上的属性信息；根据所述第一数据，生成第二数据，所述第二数据为用于描述所述属性信息的自然语言文本；根据所述第一数据，通过嵌入网络，得到第一特征表示，所述第一特征表示包括多个嵌入向量，每个嵌入向量对应于一个维度；根据所述第二数据，通过自然语言处理模型，得到第二特征表示，所述第二特征表示包含所述第二数据的语义特征；根据所述第二特征表示和所述第一特征表示之间的差异，更新所述嵌入网络，得到更新后的所述嵌入网络。
相比现有技术中仅基于协同信号的推荐模型很难建模语义信号以及获取外部世界的知识。本申请实施例将协同信息和语义信息联合起来进行建模，能够充分的利用语言模型的知识，从而提升预测效果。
在一种可能的实现中，所述第二数据包括多个字符单元，所述自然语言处理模型在处理每个所述字符单元时参考每个所述字符单元以及每个所述字符单元在所述第二数据中的上下文。
在一种可能的实现中，所述第二数据包括所述维度的字符、所述属性信息的字符以及表示所述维度和所述属性信息之间关联的字符。
在一种可能的实现中，所述第二数据还包括指示不同维度的属性信息之间的分隔的字符。
在一种可能的实现中，所述第一数据包括用户和物品在多个维度上的属性信息，所述第二数据还包括指示用户的属性信息和物品的属性信息之间的分隔的字符。
在一种可能的实现中，所述第一数据为表格数据。
在一种可能的实现中，所述方法还包括：
将所述第一特征表示和所述第二特征表示映射到相同的维度；
所述根据所述第二特征表示和所述第一特征表示之间的差异，包括：
根据映射后的所述第二特征表示和映射后的所述第一特征表示之间的差异。
在一种可能的实现中，所述方法还包括：
根据所述第二特征表示和所述第一特征表示之间的差异，更新所述自然语言处理模型，得到更新后的所述自然语言处理模型。
第二方面，本申请提供了一种数据处理方法，所述方法包括：
获取第二用户和第二物品的属性信息、以及所述第二用户对所述第二物品的操作日志；
根据所述第二用户和第二物品的属性信息，通过推荐模型，得到所述第二用户对所述第二物品的预测操作信息，所述推荐模型包括如第一方面介绍的任一所述的更新后的嵌入网络；
根据所述操作日志和所述预测操作信息，对所述推荐模型进行微调。
第三方面，本申请提供了一种数据处理方法，所述方法包括：
获取第三用户和第三物品的属性信息；
根据所述第三用户和第三物品的属性信息，通过推荐模型，得到所述第二用户对所述第二物品的预测操作信息，所述推荐模型包括如第一方面介绍的任一所述的更新后的嵌入网络、或者如第二方面介绍的微调后的推荐模型；
在所述预测操作信息满足预设条件时，对所述第三用户进行所述第三物品的推荐。
本申请实施例中，虽然在训练时使用了自然语言处理模型，但是在实际线上推理时并不使用自然语言处理模型，而是使用协同模型(其中融入了自然语言处理模型的处理能力)，在提升协同模型效果的同时保证了模型的低时延特性。
第四方面，本申请提供了一种数据处理装置，所述装置包括：
获取模块，用于获取第一数据；所述第一数据包括用户或物品在多个维度上的属性信息；
处理模块，用于根据所述第一数据，生成第二数据，所述第二数据为用于描述所述属性信息的自然语言文本；
根据所述第一数据，通过嵌入网络，得到第一特征表示，所述第一特征表示包括多个嵌入向量，每个嵌入向量对应于一个维度；
根据所述第二数据，通过自然语言处理模型，得到第二特征表示，所述第二特征表示包含所述第二数据的语义特征；
根据所述第二特征表示和所述第一特征表示之间的差异，更新所述嵌入网络，得到更新后的所述嵌入网络。
在一种可能的实现中，所述第二数据包括多个字符单元，所述自然语言处理模型在处理每个所述字符单元时参考每个所述字符单元以及每个所述字符单元在所述第二数据中的上下文。
在一种可能的实现中，所述第二数据包括所述维度的字符、所述属性信息的字符以及表示所述维度和所述属性信息之间关联的字符。
在一种可能的实现中，所述第二数据还包括指示不同维度的属性信息之间的分隔的字符。
在一种可能的实现中，所述第一数据包括用户和物品在多个维度上的属性信息，所述第二数据还包括指示用户的属性信息和物品的属性信息之间的分隔的字符。
在一种可能的实现中，所述第一数据为表格数据。
在一种可能的实现中，所述处理模块，还用于：
将所述第一特征表示和所述第二特征表示映射到相同的维度；
所述处理模块，具体用于：
根据映射后的所述第二特征表示和映射后的所述第一特征表示之间的差异。
在一种可能的实现中，所述处理模块，还用于：
根据所述第二特征表示和所述第一特征表示之间的差异，更新所述自然语言处理模型，得到更新后的所述自然语言处理模型。
第五方面，本申请提供了一种数据处理装置，所述装置包括：
获取模块，用于获取第二用户和第二物品的属性信息、以及所述第二用户对所述第二物品的操作日志；
处理模块，用于根据所述第二用户和第二物品的属性信息，通过推荐模型，得到所述第二用户对所述第二物品的预测操作信息，所述推荐模型包括如第一方面介绍的任一所述的更新后的嵌入网络；
根据所述操作日志和所述预测操作信息，对所述推荐模型进行微调。
第六方面，本申请提供了一种数据处理装置，所述装置包括：
获取模块，用于获取第三用户和第三物品的属性信息；
处理模块，用于根据所述第三用户和第三物品的属性信息，通过推荐模型，得到所述第二用户对所述第二物品的预测操作信息，所述推荐模型包括如第一方面介绍的更新后的嵌入网络、或者如第二方面介绍的微调后的推荐模型；
在所述预测操作信息满足预设条件时，对所述第三用户进行所述第三物品的推荐。
第七方面，本申请实施例提供了一种数据处理装置，可以包括存储器、处理器以及总线系统，其中，存储器用于存储程序，处理器用于执行存储器中的程序，以执行如上述第一方面任一可选的方法、以及上述第二方面任一可选的方法、以及上述第三方面任一可选的方法。
第八方面，本申请实施例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中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及任一可选的方法，上述第二方面及任一可选的方法、以及上述第三方面任一可选的方法。
第九方面，本申请实施例提供了一种计算机程序产品，包括代码，当代码被执行时，用于执行如上述第一方面任一可选的方法、以及上述第二方面任一可选的方法、以及上述第三方面任一可选的方法。
第十方面，本申请提供了一种芯片系统，该芯片系统包括处理器，用于支持执行设备或训练设备实现上述方面中所涉及的功能，例如，发送或处理上述方法中所涉及的数据；或，信息。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
附图说明
图1为人工智能主体框架的一种结构示意图；
图2为本申请实施例提供的一种系统架构的示意图；
图3为本申请实施例提供的一种系统架构的示意图；
图4A为本申请实施例提供的一种推荐流场景的示意图；
图4B为本申请实施例提供的一种网络结构示意图；
图4C为本申请实施例提供的一种网络结构示意图；
图5为本申请实施例提供的一种数据处理方法的流程示意图；
图6为本申请实施例提供的一个数据转换示意图；
图7为本申请实施例提供的一个对比学习的示意图；
图8A为本申请实施例提供的一种模型微调示意图；
图8B为本申请实施例提供的一个应用架构示意图；
图9为本申请实施例提供的一种数据处理装置的结构示意图；
图10为本申请实施例提供的一种执行设备的示意图；
图11为本申请实施例提供的一种训练设备的示意图；
图12为本申请实施例提供的一种芯片的示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释，而非旨在限定本发明。
下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本申请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术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
首先对人工智能系统总体工作流程进行描述，请参见图1，图1示出的为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。
其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。
本申请实施例可以应用于信息推荐领域，该场景包括但不限于涉及电商产品推荐、搜索引擎结果推荐、应用市场推荐、音乐推荐、视频推荐等场景，各种不同应用场景中被推荐的物品也可以称为“对象”以方便后续描述，即在不同的推荐场景中，推荐对象可以是APP，或者视频，或者音乐，或者某款物品(如线上购物平台的呈现界面，会根据用户的不同而显示不同的物品进行呈现，这实质也可以是通过推荐模型的推荐结果来进行呈现)。这些推荐场景通常涉及用户行为日志采集、日志数据预处理(例如，量化、采样等)、样本集训练以获得推荐模型、根据推荐模型对训练样本项对应的场景中所涉及的对象(如APP、音乐等)进行分析处理、例如，推荐模型训练环节中所选择的样本来自于手机应用市场用户对于所推荐APP的操作行为，则由此所训练出来的推荐模型则适用于上述手机APP应用市场，或者可以用于其它的类型的终端的APP应用市场进行终端APP的推荐。推荐模型将最终计算出各个待推荐对象的推荐概率或者分值，推荐系统根据一定的选择规则选定的推荐结果，例如按照推荐概率或者分值进行排序，通过相应的应用或者终端设备呈现给用户、用户对推荐结果中的对象进行操作以生成用户行为日志等环节。
参照图4A，在推荐过程中，当一个用户与推荐系统进行交互会触发一个推荐请求，推荐系统会将该请求及其相关的特征信息输入到部署的推荐模型中，然后预测用户对所有候选对象的点击率。随后，根据预测的点击率对候选对象进行降序排列，按顺序将候选对象展示在不同的位置作为对用户的推荐结果。用户对展示的项目进行浏览并发生用户行为，如浏览、点击和下载等。这些用户行为会被存入日志中作为训练数据，通过离线训练模块不定期地更新推荐模型的参数，提高模型的推荐效果。
比如，用户打开手机应用市场即可触发应用市场的推荐模块，应用市场的推荐模块会根据用户的历史下载记录、用户点击记录，应用的自身特征，时间、地点等环境特征信息，预测用户对给定的各个候选应用的下载可能性。根据预测的结果，应用市场按照可能性降序展示，达到提高应用下载概率的效果。具体来说，将更有可能下载的应用排在靠前的位置，将不太可能下载的应用排列在靠后的位置。而用户的行为也会存入日志并通过离线训练模块对预测模型的参数进行训练和更新。
又比如，在终身伴侣相关的应用中，可以基于用户在视频、音乐、新闻等域的历史数据，通过各种模型和算法，仿照人脑机制，构建认知大脑，搭建用户终身学习系统框架。终身伴侣可以根据系统数据和应用数据等来记录用户过去发生的事件，理解用户的当前意图，预测用户未来的动作或行为，最终实现智能服务。在当前第一阶段，根据音乐APP、视频APP和浏览器APP等获取用户的行为数据(包含端侧短信、照片、邮件事件等信息)，一方面构建用户画像系统，另一方面实现基于用户信息过滤、关联分析、跨域推荐、因果推理等的学习与记忆模块，构建用户个人知识图谱。
接下来介绍本申请实施例的应用架构。
参见附图2，本发明实施例提供了一种推荐系统架构200。数据采集设备260用于采集样本，一个训练样本可以由多个特征信息(或者描述为属性信息，例如用户属性以及物品属性)组成，特征信息可以有多种，具体可以包括用户特征信息和对象特征信息以及标签特征，用户特征信息用于表征用户的特征，例如性别，年龄，职业，爱好等，对象特征信息用于表征向用户所推送的对象的特征，不同的推荐系统对应不同的对象，不同的对象所需要提取的特征类型也不想同，例如APP市场的训练样本中所提取的对象特征可以为，APP的名称(标识)，类型，大小等；而电商类APP的训练样本中所提起的对象特征可以为，物品的名称，所属的类别，价格区间等；标签特征，则是用于表示这个样本是正例还是负例，通常样本的标签特征可以通过用户对所推荐对象的操作信息所获的，用户对所推荐对象有进行操作的样本为正例，用户对所推荐对象没有进行操作，或者仅浏览的样本为负例，例如当用户点击或者下载或者购买了所推荐的对象，则所述标签特征为1，表示该样本是正例，而如果用户没有对所推荐的对象进行任何操作，则所述标签特征为0，表示该样本是负例。样本在采集后可以保存在数据库230中，数据库230中的样本中的部分或全部特征信息也可以直接从客户设备240中获取，如用户特征信息，用户对对象的操作信息(用于确定类型标识)，对象特征信息(如对象标识)等。训练设备220基于数据库230中样本训练获取模型参数矩阵用于生成推荐模型201。下面将更详细地描述训练设备220如何训练得到用于生成推荐模型201的模型参数矩阵，推荐模型201能够用于对大量对象进行评估从而得出各个待推荐对象的分值，进一步的还可以从大量对象的评估结果中推荐指定或者预设数目个对象，计算模块211基于推荐模型201的评估结果获取推荐结果，通过I/O接口212推荐给客户设备。
在本申请实施例中，该训练设备220可以从数据库230中样本集内选取正、负样本添加到所述训练集中，之后采用推荐模型对训练集中的样本进行训练从而得到训练后的推荐模型；计算模块211的实现细节可以参照图5所示的方法实施例的详细描述。
训练设备220基于样本训练获得模型参数矩阵后用于构建推荐模型201后，将推荐模型201发送给执行设备210，或者直接将模型参数矩阵发送给执行设备210，在执行设备210中构建推荐模型，用于进行相应系统的推荐，例如基于视频相关的样本训练获得的推荐模型可以用于视频网站或APP中对用户进行视频的推荐，基于APP相关的样本训练获得的推荐模型可以用于应用市场中对用户进行APP的推荐。
执行设备210配置有I/O接口212，与外部设备进行数据交互，执行设备210可以通过I/O接口212从客户设备240获取用户特征信息，例如用户标识、用户身份、性别、职业、爱好等，此部分信息也可以从系统数据库中获取。推荐模型201基于用户特征信息和待推荐对象特征信息向用户推荐目标推荐对象。执行设备210可以设置在云端服务器中，也可以设置于用户客户端中。
执行设备210可以调用数据存储系统250中的数据、代码等，同时也可以将输出的数据存入数据存储系统250中。数据存储系统250可以设置于执行设备210中，也可以独立设置，或者设置于其他网络实体中，数量可以是一个也可以是多个。
计算模块211使用推荐模型201对用户特征信息，待推荐对象特征信息进行处理，例如，该计算模块211使用推荐模型201对用户特征信息，以及待推荐对象的特征信息进行分析处理，从而得出该待推荐对象的分值，对待推荐对象按照分值进行排序，其中，排序靠前的对象将作为推荐给客户设备240的对象。
最后，I/O接口212将推荐结果返回给客户设备240，呈现给用户。
更深层地，训练设备220可以针对不同的目标，基于不同的样本特征信息生成相应的推荐模型201，以给用户提供更佳的结果。
值得注意的，附图2仅是本发明实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在附图2中，数据存储系统250相对执行设备210是外部存储器，在其它情况下，也可将数据存储系统250置于执行设备210中。
在本申请实施例中，该训练设备220、执行设备210、客户设备240可以分别为三个不同的物理设备，也可能该训练设备220和执行设备210在同一个物理设备或者一个集群上，也可能该执行设备210与该客户设备240在同一个物理设备或者一个集群上。
参见附图3，是本发明实施例提的一种系统架构300。在此架构中执行设备210由一个或多个服务器实现，可选的，与其它计算设备配合，例如：数据存储、路由器、负载均衡器等设备；执行设备210可以布置在一个物理站点上，或者分布在多个物理站点上。执行设备210可以使用数据存储系统250中的数据，或者调用数据存储系统250中的程序代码实现对象推荐的功能，具体地，将待推荐的对象的信息输入到推荐模型中，推荐模型为每个待推荐对象生成预估分数，然后按照预估分数从高到低的顺序进行排序，按照排序结果向用户推荐该待推荐对象。例如，将排序结果中的前10个对象推荐给用户。
其中，数据存储系统250用于接收和存储训练设备发送的推荐模型的参数，以及用于存储通过推荐模型得到的推荐结果的数据，当然还可能包括该存储系统250正常运行所需的程序代码(或指令)。数据存储系统250可以为部署在执行设备210以外的一个设备或者多个设备构成的分布式存储集群，此时，当执行设备210需要使用存储系统250上的数据时，可以由存储系统250向执行设备210发送该执行设备所需的数据，相应地，该执行设备210接收并存储(或者缓存)该数据。当然数据存储系统250也可以部署在执行设备210内，当部署在执行设备210内时，该分布式存储系统可以包括一个或者多个存储器，可选的，存在多个存储器时，不同的存储器用于存储不同类型的数据，如通过训练设备生成的推荐模型的模型参数和通过推荐模型得到的推荐结果的数据可以分别存储在两个不同的存储器上。
用户可以操作各自的用户设备(例如本地设备301和本地设备302)与执行设备210进行交互。每个本地设备可以表示任何计算设备，例如个人计算机、计算机工作站、智能手机、平板电脑、智能摄像头、智能汽车或其他类型蜂窝电话、媒体消费设备、可穿戴设备、机顶盒、游戏机等。
每个用户的本地设备可以通过任何通信机制/通信标准的通信网络与执行设备210进行交互，通信网络可以是广域网、局域网、点对点连接等方式，或它们的任意组合。
在另一种实现中，执行设备210可以由本地设备实现，例如，本地设备301可以基于推荐模型实现执行设备210的的推荐功能获取用户特征信息并向用户反馈推荐结果，或者为本地设备302的用户提供服务。
由于本申请实施例涉及大量神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
1、点击概率(click-throughrate，CTR)
点击概率又可以称为点击率，是指网站或者应用程序上推荐信息(例如，推荐物品)被点击次数和曝光次数之比，点击率通常是推荐系统中衡量推荐系统的重要指标。
2、个性化推荐系统
个性化推荐系统是指根据用户的历史数据(例如本申请实施例中的操作信息)，利用机器学习算法进行分析，并以此对新请求进行预测，给出个性化的推荐结果的系统。
3、离线训练(offlinetraining)
离线训练是指在个性化推荐系统中，根据用户的历史数据(例如本申请实施例中的操作信息)，对推荐模型参数按照器学习的算法进行迭代更新直至达到设定要求的模块。
4、在线预测(onlineinference)
在线预测是指基于离线训练好的模型，根据用户、物品和上下文的特征预测该用户在当前上下文环境下对推荐物品的喜好程度，预测用户选择推荐物品的概率。
5、基于协同信息的推荐模型
基于协同信息的推荐模型是一种利用用户行为数据、物品属性等信息，通过计算相似度、建立用户-物品关系模型，从而实现高效个性化推荐的算法。其核心思想是利用相似的用户、物品来预测用户对未知物品的兴趣度，从而为用户提供更加准确、个性化的推荐结果。
例如，图3是本申请实施例提供的推荐系统的示意图。如图3所示，当一个用户进入统，会触发一个推荐的请求，推荐系统会将该请求及其相关信息(例如本申请实施例中的操作信息)输入到推荐模型，然后预测用户对系统内的物品的选择率。进一步，根据预测的选择率或基于该选择率的某个函数将物品降序排列，即推荐系统可以按顺序将物品展示在不同的位置作为对用户的推荐结果。用户浏览不同的处于位置的物品并发生用户行为，如浏览、选择以及下载等。同时，用户的实际行为会存入日志中作为训练数据，通过离线训练模块不断更新推荐模型的参数，提高模型的预测效果。
例如，用户打开智能终端(例如，手机)中的应用市场即可触发应用市场中的推荐系统。应用市场的推荐系统会根据用户的历史行为日志，例如，用户的历史下载记录、用户选择记录，应用市场的自身特征，比如时间、地点等环境特征信息，预测用户下载推荐的各个候选APP的概率。根据计算的结果，应用市场的推荐系统可以按照预测的概率值大小降序展示候选APP，从而提高候选APP的下载概率。
示例性地，可以将预测的用户选择率较高的APP展示在靠前的推荐位置，将预测的用户选择率较低的APP展示在靠后的推荐位置。
上述推荐模型可以是神经网络模型，下面对本申请实施例可能涉及的神经网络的相关术语和概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的，神经单元可以是指以xs(即输入数据)和截距1为输入的运算单元，该运算单元的输出可以为：
其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入，激活函数可以是sigmoid函数。神经网络是将多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。
(2)深度神经网络
深度神经网络(Deep Neural Network，DNN)，也称多层神经网络，可以理解为具有很多层隐含层的神经网络，这里的“很多”并没有特别的度量标准。从DNN按不同层的位置划分，DNN内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂，但是就每一层的工作来说，其实并不复杂，简单来说就是如下线性关系表达式：其中，/>是输入向量，/>是输出向量，/>是偏移向量，W是权重矩阵(也称系数)，α()是激活函数。每一层仅仅是对输入向量/>经过如此简单的操作得到输出向量/>由于DNN层数多，则系数W和偏移向量/>的数量也就很多了。这些参数在DNN中的定义如下所述：以系数W为例：假设在一个三层的DNN中，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为/>上标3代表系数W所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。总结就是：第L-1层的第k个神经元到第L层的第j个神经元的系数定义为/>需要注意的是，输入层是没有W参数的。在深度神经网络中，更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。训练深度神经网络的也就是学习权重矩阵的过程，其最终目的是得到训练好的深度神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。
(3)损失函数
在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。
(4)反向传播算法
可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始模型中参数的大小，使得模型的误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始模型中的参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的模型参数，例如权重矩阵。
(5)transformer层
神经网络包括嵌入层和至少一个transformer层，至少一个transformer层可以为N个transformer层(N大于0的整数)，其中，每个transformer层包括依次相邻的注意力层、加和与归一化(add&norm)层、前馈(feed forward)层和加和与归一化层。在嵌入层，对当前输入进行嵌入处理，得到多个嵌入向量；在所述注意力层，从所述第一transformer层的上一层获取P个输入向量，以P个输入向量中的任意的第一输入向量为中心，基于预设的注意力窗口范围内的各个输入向量与该第一输入向量之间的关联度，得到该第一输入向量对应的中间向量，如此确定出P个输入向量对应的P个中间向量；在所述池化层，将所述P个中间向量合并为Q个输出向量，其中transformer层中最后一个transformer层得到的多个输出向量用作所述当前输入的特征表示。
参照图4B，图4B为一种transformer模型的结构示意。需要理解，图4B的结构仅仅是一个示例，神经网络层的数目可以根据需要而设置。嵌入层可以对输入进行嵌入处理，得到多个特征向量。transformer模型的核心特点在于其采用的独特的注意力机制。在处理自然语言，例如一个句子时，transformer模型利用该注意力机制，为句子中各个词向量赋予不同的注意力系数，从而更全面地考虑句子中上下文对各个词的影响。嵌入层可以基于当前序列中各个节点的节点特征及其位置编码，得到N个嵌入向量Xl。注意力层与嵌入层相连，从嵌入层获取N个嵌入向量作为输入向量，基于N个输入向量中各个输入向量之间的关联度，对各个输入向量进行综合，得到N个输出向量，输出给后续的transformer层。transformer层获取前一层的输出作为输入向量，执行与前一级transformer层类似的操作。
参照图4C，图4C为一种transformer层的结构示意，其中，transformer层可以包括依次相邻的多头注意力层(或者简称为注意力层)、加和与归一化(add&norm)层、前馈层(feed forward net，FFN)、加和与归一化层。
其中，多头注意力层从其上一层获取N个输入向量Xl，N个输入向量Xl又可以表示为矩阵X，多头注意力层采用自注意力机制，基于向量间的关联度对各个向量进行变换，得到N个输出向量，N个输出向量又可以表示为矩阵Y。可以理解，当该多头注意力层是与嵌入层直接相连的层，例如图4C中与嵌入层直连的transformer层，其获取的输入向量即为嵌入层输出的嵌入向量；当该多头注意力层是后续的transformer层包括的多头注意力层，例如图4C中与上一级transformer层直连的transformer层包括的多头注意力层，其获取的输入向量即为前一级transformer层的输出向量。多头注意力层可以包括多个注意力头head(如图4C中示出的Head 1、Head 2、…、Head N)。
(6)注意力机制(attention mechanism)
注意力机制模仿了生物观察行为的内部过程，即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制，能够利用有限的注意力资源从大量信息中快速筛选出高价值信息。注意力机制可以快速提取稀疏数据的重要特征，因而被广泛用于自然语言处理任务，特别是机器翻译。而自注意力机制(self-attention mechanism)是注意力机制的改进，其减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性。注意力机制的本质思想可以改写为如下公式：
其中，Lx＝||Source||代表Source的长度，公式含义即将Source中的构成元素想象成是由一系列的数据对构成，此时给定目标Target中的某个元素Query，通过计算Query和各个Key的相似性或者相关性，得到每个Key对应Value的权重系数，然后对Value进行加权求和，即得到了最终的Attention数值。所以本质上Attention机制是对Source中元素的Value值进行加权求和，而Query和Key用来计算对应Value的权重系数。从概念上理解，把Attention可以理解为从大量信息中有选择地筛选出少量重要信息并聚焦到这些重要信息上，忽略大多不重要的信息。聚焦的过程体现在权重系数的计算上，权重越大越聚焦于其对应的Value值上，即权重代表了信息的重要性，而Value是其对应的信息。自注意力机制可以理解为内部Attention(intra attention)，Attention机制发生在Target的元素Query和Source中的所有元素之间，自注意力机制指的是在Source内部元素之间或者Target内部元素之间发生的Attention机制，也可以理解为Target＝Source这种特殊情况下的注意力计算机制，其具体计算过程是一样的，只是计算对象发生了变化而已。
(7)自然语言处理(natural language processing，NLP)
自然语言(natural language)即人类语言，自然语言处理(NLP)就是对人类语言的处理。自然语言处理是以一种智能与高效的方式，对文本数据进行系统化分析、理解与信息提取的过程。通过使用NLP及其组件，我们可以管理非常大块的文本数据，或者执行大量的自动化任务，并且解决各式各样的问题，如自动摘要(automatic summarization)，机器翻译(machine translation，MT)，命名实体识别(named entity recognition，NER)，关系提取(relation extraction，RE)，信息抽取(information extraction，IE)，情感分析，语音识别(speech recognition)，问答系统(question answering)以及主题分割等等。
(8)预训练语言模型(pre-trained language model)
预训练语言模型是一个自然语言序列编码器，为自然语言序列中的每个词进行编码成为一个向量表示，从而进行预测任务。它的训练包含两个阶段。在预训练(pre-training)阶段，该模型在大规模无监督文本上进行语言模型任务的训练，从而学习到一个词表示。在微调(finetuning)阶段，该模型利用预训练阶段学到的参数做初始化，在文本分类(text classification)，序列标注(sequence labeling)等下游任务(downstreamtask)上进行较少步骤的训练，就可以成功把预训练得到的语义信息成功迁移到下游任务上来。
大规模的信息检索系统(如推荐系统、搜索引擎或计算广告)旨在通过从海量的物品(如实体物品、信息、广告、音乐、视频、软件应用等)中检索，为用户提供最感兴趣的物品。通常情况下，传统的推荐模型利用用户和物品的属性等信息，通过计算相似度和建立用户-物品关系模型来预测用户对未知物品的兴趣度。这种模型的优点在于其架构简单，并且在线推理时延低。
然而，在用户和物品属性中通常会出现文字信息，如物品的品牌名、电影的标题等信息。现有的推荐模型不能建模语义信息，而且只能利用数据集内的协同信息进行建模，无法获取外部的语义知识。从而会导致推荐模型的推荐精度较差。
为了解决上述问题，参照图5，图5为本申请实施例提供的一种数据处理方法的实施例示意，如图5示出的那样，本申请实施例提供的一种数据处理方法包括：
501、获取第一数据；所述第一数据包括用户或物品在多个维度上的属性信息。
本申请实施例中，步骤501的执行主体可以为终端设备，终端设备可以为便携式移动设备，例如但不限于移动或便携式计算设备(如智能手机)、个人计算机、服务器计算机、手持式设备(例如平板)或膝上型设备、多处理器系统、游戏控制台或控制器、基于微处理器的系统、机顶盒、可编程消费电子产品、移动电话、具有可穿戴或配件形状因子(例如，手表、眼镜、头戴式耳机或耳塞)的移动计算和/或通信设备、网络PC、小型计算机、大型计算机、包括上面的系统或设备中的任何一种的分布式计算环境等等。
本申请实施例中，步骤501的执行主体可以为云侧的服务器。为了方便描述，以下不对执行主体的形态进行区分，都描述为训练设备。
在一种可能的实现中，训练设备可以获取到用户的操作日志(或者可以称之为用户和多个物品的交互数据)，该操作日志可以包含用户发生过交互的多个物品的信息。
其中，物品可以为实体物品，或者是虚拟物品，例如可以为APP、音乐、视频、网页、广告以及新闻资讯等物品。
在一种可能的实现中，可以获取到用户或物品的属性信息。
其中，用户的属性信息可以为与用户喜好特征相关的属性，性别、年龄、职业、收入、爱好以及受教育程度中的至少一种，其中，性别可以为男或者女，年龄可以为0-100之间的数字，职业可以为教师、程序员、厨师等等，爱好可以为篮球、网球、跑步等等，受教育程度可以为小学、初中、高中、大学等等；用户的属性信息还可以包括用户的历史操作日志(例如历史操作对象以及操作类型等)本申请并不限定用户的属性信息的具体类型。
其中，物品可以为实体物品，或者是虚拟物品，例如可以为应用程序(application，APP)、音视频、网页以及新闻资讯等物品，物品的属性信息可以为物品名称、开发者、安装包大小、品类以及好评度中的至少一种，其中，以物品为应用程序为例，物品的品类可以为聊天类、跑酷类游戏、办公类等等，好评度可以为针对于物品的打分、评论等；本申请并不限定物品的属性信息的具体类型。
此外，可选的，还可以获取到上下文信息，例如上下文信息可以时间上下文或者位置上下文。
在一种可能的实现中，所述第一数据为表格数据。
参照图6，图6中示出的tabular data为第一数据的一个示意。其中，第一数据可以包括用户和物品在多个特征维度(在图6中示出的为领域field)上的属性信息(在图6中示出的为键值value)。如图6所示，第一数据是表格数据的形式。
在现有的实现中，可以对第一数据中每个特征维度的属性信息进行one-hot编码以及通过嵌入网络进行嵌入处理，进而可以得到每个属性信息对应的嵌入向量(也就是本申请实施例中的步骤503)。
502、根据所述第一数据，生成第二数据，所述第二数据为用于描述所述属性信息的自然语言文本。
本申请实施例中，为了提取属性信息(可选的，还可以包括上下文信息)中的语义信息，可以将第一数据转换为用于描述属性信息的文本模态的数据(也就是第二数据)。和表格数据不同的是，第二数据可以是作为自然语言处理模型的输入的数据，也就是可以表述用户或者物品的属性信息的自然语言文本。
接下来介绍如何将第一数据转化为第二数据：
在一种可能的实现中，所述第二数据可以包括所述维度的字符、所述属性信息的字符以及表示所述维度和所述属性信息之间关联的字符。
在一种可能的实现中，所述第二数据还包括指示不同维度的属性信息之间的分隔的字符。
其中，维度也可以称之为属性名。
其中，属性信息也可以称之为属性值。
示例性的，可以用“是”来作为所述维度和所述属性信息之间关联的字符。
示例性的，可以用“，”来作为不同维度的属性信息之间的分隔的字符。
示例性的，对于表格的一条用户数据，具有年龄，性别，职业等属性，使用“，”作为每一条特征之间的分隔符，“是”作为属性名和属性值之间的连接词，对于一条训练数据，可以用这样一句话来描述：“这是一个用户，性别是男性，年龄是30，他最近看了电影A和电影B。
示例性的，对于表格的一条电影数据，具有标题，类别等属性，使用“，”作为每一条特征之间的分隔符，“是”作为属性名和属性值之间的连接词，对于一条训练数据，我们可以用这样一句话来描述：这是一个电影，标题是电影A，类别是科幻，导演是人物A。
在一种可能的实现中，所述第一数据包括用户和物品在多个维度上的属性信息，所述第二数据还包括指示用户的属性信息和物品的属性信息之间的分隔的字符。
示例性的，可以使用“。”作为用户和物品的属性信息之间的分隔词。对于一条训练数据，可以用这样一句话来描述：“这是一个用户，性别是男性，年龄是30，他最近看了电影A和电影B。这是一个电影，标题是电影A，类别是科幻，导演是人物A。”具体的，可以参照图6，图6示出了一个将第一数据转换为第二数据的示意。
在一种可能的实现中，可以但不限于通过预设的脚本来进行第一数据到第二数据的转换过程。
503、根据所述第一数据，通过嵌入网络，得到第一特征表示，所述第一特征表示包括多个嵌入向量，每个嵌入向量对应于一个维度；
应理解，这里的嵌入网络也可以称之为协同模型。
更多关于步骤503的具体介绍可以参照现有技术中对于属性信息进行的嵌入操作，这里不再赘述。
504、根据所述第二数据，通过自然语言处理模型，得到第二特征表示，所述第二特征表示包含所述第二数据的语义特征。
在一种可能的实现中，所述第二数据包括多个字符单元，所述自然语言处理模型在处理每个所述字符单元时参考每个所述字符单元以及每个所述字符单元在所述第二数据中的上下文。
示例性的，自然语言处理模型可以为基于transformer的神经网络，例如BERT、GPT等。自然语言处理模型可以提取输入的文本中的语义特征。
505、根据所述第二特征表示和所述第一特征表示之间的差异，更新所述嵌入网络，得到更新后的所述嵌入网络。
在一种可能的实现中，还可以将所述第一特征表示和所述第二特征表示映射到相同的维度；之后根据映射后的所述第二特征表示和映射后的所述第一特征表示之间的差异，更新所述嵌入网络，得到更新后的所述嵌入网络。
其中上述映射到相同的维度的操作也可以称之为投影(projection)，如图7所示，在投影阶段，对得到的两种模态的数据(第一数据和第二数据)分别送入到语言模型和协同模型中，得到两种模态不同的表征，然后将两种模态融合到映射到相同的维度。
例如可以通过神经网络来将第一特征表示和所述第二特征表示映射到相同的维度。示例性的，可以通过如下公式进行映射：
Etab＝θcol(xtab)Wtab+btab，
Etext＝θsem(xtext)Wtext+btext，
其中，Etab代表表格数据的表征，Et代表文本数据的表征，θcol代表协同模型，θsem代表语言模型。xtab代表原始的表格数据，xtext代表原始的文本数据，Wtab代协同模型表投影层的权重，btab代表协同模型投影层的偏置向量，Wtext代表语言模型投影层的权重，btext代表语言模型投影层的偏置向量。
在一种可能的实现中，可以根据所述第二特征表示和所述第一特征表示之间的差异，更新所述自然语言处理模型，得到更新后的所述自然语言处理模型。
上述步骤也可以称之为融合(Fusion)，在融合阶段，可以使用多种方式对两种知识进行融合，例如对比学习，模型蒸馏等。以对比学习为例，可以使用对比学习将协同模型和语言模型的表征进行融合，把协同模型和语言模型联起来建模，使协同模型和语言模型都能学习到对方的知识。
示例性的，可以通过如下公式进行对比学习时损失的构建：
其中可以表示第k条数据的文本模态表征和表格数据的表征，sim()表示计算样本间的相似度，exp()代表指数运算，τ是温度系数，Lmcl是总体的损失函数，Ltab，Ltext分别表示表格数据到文本数据的损失和文本数据到表格数据的损失。
可选的，多模态融合的损失Lmcl可以为上面两个损失之和的相加：
相比现有技术中仅基于协同信号的推荐模型很难建模语义信号以及获取外部世界的知识。本申请实施例将协同信息和语义信息联合起来进行建模，能够充分的利用语言模型的知识，从而提升预测效果。
此外，基于图5对应的实施例可以得到更新后的协同模型(也就是嵌入网络)，可以在下游的任务上对协同模型进行微调。具体的，可以获取第二用户和第二物品的属性信息、以及所述第二用户对所述第二物品的操作日志；根据所述第二用户和第二物品的属性信息，通过推荐模型，得到所述第二用户对所述第二物品的预测操作信息，所述推荐模型包括根据图5描述的实施例得到的更新后的嵌入网络；根据所述操作日志和所述预测操作信息，对所述推荐模型进行微调。
参照图8A，图8A为微调过程的一个示意，其中，损失可以为如下公式：
此外，基于图5对应的实施例可以得到更新后的协同模型(也就是嵌入网络)，或者是上述实施例中介绍的微调后的协同模型，可以根据协同模型进行在线推荐。
具体的，可以获取第三用户和第三物品的属性信息；根据所述第三用户和第三物品的属性信息，通过推荐模型，得到所述第二用户对所述第二物品的预测操作信息，所述推荐模型包括根据图5描述的实施例得到的更新后的嵌入网络、或者上述实施例中介绍的微调后的协同模型；在所述预测操作信息满足预设条件时，对所述第三用户进行所述第三物品的推荐。
在一种可能的实现中，在对用户进行信息推荐时，可以计算得到用户(例如第三用户)对多个物品(包括第三物品)进行选择的概率，并基于用户对多个物品进行选择的概率来确定各个物品的对于该用户的推荐指数。
在得到各个物品的对于该用户的推荐指数之后，可以对推荐指数进行排序，并向用户推荐推荐指数最大的M个物品。
在一种可能的实现中，还可以选择可以设置一个概率阈值，当用户对多个物品(包括物品)进行选择的概率大于上述概率阈值，就可以向所述用户推荐。
在进行信息推荐时，可以以列表页的形式将推荐信息推荐给用户，以期望用户进行行为动作。
本申请实施例中，虽然在训练时使用了自然语言处理模型，但是在实际线上推理时并不使用自然语言处理模型，而是使用协同模型(其中融入了自然语言处理模型的处理能力)，在提升协同模型效果的同时保证了模型的低时延特性。
知识推荐场景是机器学习应用中的一种典型场景，其主要结构如图8B所示，包括推荐列表、离线训练模块、线上预测模块，召回模块，排序模块等。本申请实施例得到的协同模型可以应用在排序模块中。
接下来结合实验介绍本申请的有益效果：
在三个公开数据集以及一个公司数据集上进行了离线实验。其中，表1是三个公开数据集上的实验结果：
表1
表2是在私有内部数据集上的结果：
表2
表3是本申请实施例的参数量和推理效率的示意：
表3
经过实验，从模型的性能表现可以看出，本申请实施例得到的模型的准确率高于大部分的现有的排序模型。并且在训练和推理效率上，本申请实施例得到的模型的训练和推理效率和协同模型接近，并且和语言模型相比，显著的减少了推理时延。
参照图9，图9为本申请实施例提供的一种数据处理装置900的结构示意，所述装置900包括：
获取模块901，用于获取第一数据；所述第一数据包括用户或物品在多个维度上的属性信息；
关于获取模块901的具体描述可以参照上述实施例中步骤501的描述，这里不再赘述。
处理模块902，用于根据所述第一数据，生成第二数据，所述第二数据为用于描述所述属性信息的自然语言文本；
根据所述第一数据，通过嵌入网络，得到第一特征表示，所述第一特征表示包括多个嵌入向量，每个嵌入向量对应于一个维度；
根据所述第二数据，通过自然语言处理模型，得到第二特征表示，所述第二特征表示包含所述第二数据的语义特征；
根据所述第二特征表示和所述第一特征表示之间的差异，更新所述嵌入网络，得到更新后的所述嵌入网络。
关于处理模块902的具体描述可以参照上述实施例中步骤502、步骤503、步骤504以及步骤505的描述，这里不再赘述。
在一种可能的实现中，所述第二数据包括多个字符单元，所述自然语言处理模型在处理每个所述字符单元时参考每个所述字符单元以及每个所述字符单元在所述第二数据中的上下文。
在一种可能的实现中，所述第二数据包括所述维度的字符、所述属性信息的字符以及表示所述维度和所述属性信息之间关联的字符。
在一种可能的实现中，所述第二数据还包括指示不同维度的属性信息之间的分隔的字符。
在一种可能的实现中，所述第一数据包括用户和物品在多个维度上的属性信息，所述第二数据还包括指示用户的属性信息和物品的属性信息之间的分隔的字符。
在一种可能的实现中，所述第一数据为表格数据。
在一种可能的实现中，所述处理模块，还用于：
将所述第一特征表示和所述第二特征表示映射到相同的维度；
所述处理模块，具体用于：
根据映射后的所述第二特征表示和映射后的所述第一特征表示之间的差异。
在一种可能的实现中，所述处理模块，还用于：
根据所述第二特征表示和所述第一特征表示之间的差异，更新所述自然语言处理模型，得到更新后的所述自然语言处理模型。
本申请实施例还提供了一种数据处理装置，所述装置包括：
获取模块，用于获取第二用户和第二物品的属性信息、以及所述第二用户对所述第二物品的操作日志；
处理模块，用于根据所述第二用户和第二物品的属性信息，通过推荐模型，得到所述第二用户对所述第二物品的预测操作信息，所述推荐模型包括根据图5描述的实施例得到的更新后的嵌入网络；
根据所述操作日志和所述预测操作信息，对所述推荐模型进行微调。
本申请实施例还提供了一种数据处理装置，所述装置包括：
获取模块，用于获取第三用户和第三物品的属性信息；
处理模块，用于根据所述第三用户和第三物品的属性信息，通过推荐模型，得到所述第二用户对所述第二物品的预测操作信息，所述推荐模型包括根据图5描述的实施例得到的更新后的嵌入网络、或者上述实施例中介绍的微调后的推荐模型；
在所述预测操作信息满足预设条件时，对所述第三用户进行所述第三物品的推荐。
接下来介绍本申请实施例提供的一种执行设备，请参阅图10，图10为本申请实施例提供的执行设备的一种结构示意图，执行设备1000具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等，此处不做限定。具体的，执行设备1000包括：接收器1001、发射器1002、处理器1003和存储器1004(其中执行设备1000中的处理器1003的数量可以一个或多个)，其中，处理器1003可以包括应用处理器10031和通信处理器10032。在本申请的一些实施例中，接收器1001、发射器1002、处理器1003和存储器1004可通过总线或其它方式连接。
存储器1004可以包括只读存储器和随机存取存储器，并向处理器1003提供指令和数据。存储器1004的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。存储器1004存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。
处理器1003控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器1003中，或者由处理器1003实现。处理器1003可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1003中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1003可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器、以及视觉处理器(vision processing unit，VPU)、张量处理器(tensorprocessing unit，TPU)等适用于AI运算的处理器，还可进一步包括专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate 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。该处理器1003可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1004，处理器1003读取存储器1004中的信息，结合其硬件来运行基于上述实施例中步骤501至步骤504的步骤训练得到的推荐模型。
接收器1001可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1002可用于通过第一接口输出数字或字符信息；发射器1002还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1002还可以包括显示屏等显示设备。
本申请实施例还提供了一种训练设备，请参阅图11，图11是本申请实施例提供的训练设备一种结构示意图，具体的，训练设备1100由一个或多个服务器实现，训练设备1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)1111(例如，一个或一个以上处理器)和存储器1132，一个或一个以上存储应用程序1142或数据1144的存储介质1130(例如一个或一个以上海量存储设备)。其中，存储器1132和存储介质1130可以是短暂存储或持久存储。存储在存储介质1130的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对训练设备中的一系列指令操作。更进一步地，中央处理器1111可以设置为与存储介质1130通信，在训练设备1100上执行存储介质1130中的一系列指令操作。
训练设备1100还可以包括一个或一个以上电源1126，一个或一个以上有线或无线网络接口1150，一个或一个以上输入输出接口1158；或，一个或一个以上操作系统1141，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
具体的，训练设备可以进行上述实施例中步骤501至步骤504的步骤。
本申请实施例中还提供一种包括计算机程序产品，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。
本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。
具体的，请参阅图12，图12为本申请实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器NPU1200，NPU 1200作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路1203，通过控制器1204控制运算电路1203提取存储器中的矩阵数据并进行乘法运算。
NPU 1200可以通过内部的各个器件之间的相互配合，来实现图5所描述的实施例中提供的数据处理方法。
更具体的，在一些实现中，NPU 1200中的运算电路1203内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路1203是二维脉动阵列。运算电路1203还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1203是通用的矩阵处理器。
举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器1202中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器1201中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1208中。
统一存储器1206用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)1205，DMAC被搬运到权重存储器1202中。输入数据也通过DMAC被搬运到统一存储器1206中。
BIU为Bus Interface Unit即，总线接口单元1210，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)1209的交互。
总线接口单元1210(Bus Interface Unit，简称BIU)，用于取指存储器1209从外部存储器获取指令，还用于存储单元访问控制器1205从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1206或将权重数据搬运到权重存储器1202中或将输入数据数据搬运到输入存储器1201中。
向量计算单元1207包括多个运算处理单元，在需要的情况下，对运算电路1203的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对特征平面进行上采样等。
在一些实现中，向量计算单元1207能将经处理的输出的向量存储到统一存储器1206。例如，向量计算单元1207可以将线性函数；或，非线性函数应用到运算电路1203的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1207生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1203的激活输入，例如用于在神经网络中的后续层中的使用。
控制器1204连接的取指存储器(instruction fetch buffer)1209，用于存储控制器1204使用的指令；
统一存储器1206，输入存储器1201，权重存储器1202以及取指存储器1209均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，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，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (23)

1.一种数据处理方法，其特征在于，所述方法包括：
获取第一数据；所述第一数据包括用户或物品在多个维度上的属性信息；
根据所述第一数据，生成第二数据，所述第二数据为用于描述所述属性信息的自然语言文本；
根据所述第一数据，通过嵌入网络，得到第一特征表示，所述第一特征表示包括多个嵌入向量，每个嵌入向量对应于一个维度；
根据所述第二数据，通过自然语言处理模型，得到第二特征表示，所述第二特征表示包含所述第二数据的语义特征；
根据所述第二特征表示和所述第一特征表示之间的差异，更新所述嵌入网络，得到更新后的所述嵌入网络。
2.根据权利要求1所述的方法，其特征在于，所述第二数据包括多个字符单元，所述自然语言处理模型在处理每个所述字符单元时参考每个所述字符单元以及每个所述字符单元在所述第二数据中的上下文。
3.根据权利要求1或2所述的方法，其特征在于，所述第二数据包括：
所述维度的字符、所述属性信息的字符以及表示所述维度和所述属性信息之间关联的字符。
4.根据权利要求3所述的方法，其特征在于，所述第二数据还包括指示不同维度的属性信息之间的分隔的字符。
5.根据权利要求3或4所述的方法，其特征在于，所述第一数据包括用户和物品在多个维度上的属性信息，所述第二数据还包括指示用户的属性信息和物品的属性信息之间的分隔的字符。
6.根据权利要求1至5任一所述的方法，其特征在于，所述第一数据为表格数据。
7.根据权利要求1至6任一所述的方法，其特征在于，所述方法还包括：
将所述第一特征表示和所述第二特征表示映射到相同的维度；
所述根据所述第二特征表示和所述第一特征表示之间的差异，包括：
根据映射后的所述第二特征表示和映射后的所述第一特征表示之间的差异。
8.根据权利要求1至7任一所述的方法，其特征在于，所述方法还包括：
根据所述第二特征表示和所述第一特征表示之间的差异，更新所述自然语言处理模型，得到更新后的所述自然语言处理模型。
9.一种数据处理方法，其特征在于，所述方法包括：
获取第二用户和第二物品的属性信息、以及所述第二用户对所述第二物品的操作日志；
根据所述第二用户和第二物品的属性信息，通过推荐模型，得到所述第二用户对所述第二物品的预测操作信息，所述推荐模型包括如权利要求1至8任一所述的更新后的嵌入网络；
根据所述操作日志和所述预测操作信息，对所述推荐模型进行微调。
10.一种数据处理方法，其特征在于，所述方法包括：
获取第三用户和第三物品的属性信息；
根据所述第三用户和第三物品的属性信息，通过推荐模型，得到所述第二用户对所述第二物品的预测操作信息，所述推荐模型包括如权利要求1至8任一所述的更新后的嵌入网络、或者如权利要求9所述的微调后的推荐模型；
在所述预测操作信息满足预设条件时，对所述第三用户进行所述第三物品的推荐。
11.一种数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取第一数据；所述第一数据包括用户或物品在多个维度上的属性信息；
处理模块，用于根据所述第一数据，生成第二数据，所述第二数据为用于描述所述属性信息的自然语言文本；
根据所述第一数据，通过嵌入网络，得到第一特征表示，所述第一特征表示包括多个嵌入向量，每个嵌入向量对应于一个维度；
根据所述第二数据，通过自然语言处理模型，得到第二特征表示，所述第二特征表示包含所述第二数据的语义特征；
根据所述第二特征表示和所述第一特征表示之间的差异，更新所述嵌入网络，得到更新后的所述嵌入网络。
12.根据权利要求11所述的装置，其特征在于，所述第二数据包括多个字符单元，所述自然语言处理模型在处理每个所述字符单元时参考每个所述字符单元以及每个所述字符单元在所述第二数据中的上下文。
13.根据权利要求11或12所述的装置，其特征在于，所述第二数据包括所述维度的字符、所述属性信息的字符以及表示所述维度和所述属性信息之间关联的字符。
14.根据权利要求13所述的装置，其特征在于，所述第二数据还包括指示不同维度的属性信息之间的分隔的字符。
15.根据权利要求13或14所述的装置，其特征在于，所述第一数据包括用户和物品在多个维度上的属性信息，所述第二数据还包括指示用户的属性信息和物品的属性信息之间的分隔的字符。
16.根据权利要求11至15任一所述的装置，其特征在于，所述第一数据为表格数据。
17.根据权利要求11至16任一所述的装置，其特征在于，所述处理模块，还用于：
将所述第一特征表示和所述第二特征表示映射到相同的维度；
所述处理模块，具体用于：
根据映射后的所述第二特征表示和映射后的所述第一特征表示之间的差异。
18.根据权利要求11至17任一所述的装置，其特征在于，所述处理模块，还用于：
根据所述第二特征表示和所述第一特征表示之间的差异，更新所述自然语言处理模型，得到更新后的所述自然语言处理模型。
19.一种数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取第二用户和第二物品的属性信息、以及所述第二用户对所述第二物品的操作日志；
处理模块，用于根据所述第二用户和第二物品的属性信息，通过推荐模型，得到所述第二用户对所述第二物品的预测操作信息，所述推荐模型包括如权利要求1至8任一所述的更新后的嵌入网络；
根据所述操作日志和所述预测操作信息，对所述推荐模型进行微调。
20.一种数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取第三用户和第三物品的属性信息；
处理模块，用于根据所述第三用户和第三物品的属性信息，通过推荐模型，得到所述第二用户对所述第二物品的预测操作信息，所述推荐模型包括如权利要求1至8任一所述的更新后的嵌入网络、或者如权利要求9所述的微调后的推荐模型；
在所述预测操作信息满足预设条件时，对所述第三用户进行所述第三物品的推荐。
21.一种计算设备，其特征在于，所述计算设备包括存储器和处理器；所述存储器存储有代码，所述处理器被配置为获取所述代码，并执行如权利要求1至10任一所述的方法。
22.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或多个指令，所述指令在由一个或多个计算机执行时使得所述一个或多个计算机实施权利要求1至10任一所述的方法。
23.一种计算机程序产品，包括代码，其特征在于，在所述代码被执行时用于实现如权利要求1至10任一所述的方法。
CN202310528802.9A 2023-05-10 2023-05-10 一种数据处理方法及相关装置 Pending CN116595252A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310528802.9A CN116595252A (zh) 2023-05-10 2023-05-10 一种数据处理方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310528802.9A CN116595252A (zh) 2023-05-10 2023-05-10 一种数据处理方法及相关装置

Publications (1)

Publication Number Publication Date
CN116595252A true CN116595252A (zh) 2023-08-15

Family

ID=87594875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310528802.9A Pending CN116595252A (zh) 2023-05-10 2023-05-10 一种数据处理方法及相关装置

Country Status (1)

Country Link
CN (1) CN116595252A (zh)

Similar Documents

Publication Publication Date Title
US11314806B2 (en) Method for making music recommendations and related computing device, and medium thereof
CN111931062B (zh) 一种信息推荐模型的训练方法和相关装置
WO2023065211A1 (zh) 一种信息获取方法以及装置
WO2022016556A1 (zh) 一种神经网络蒸馏方法以及装置
WO2024041483A1 (zh) 一种推荐方法及相关装置
WO2024002167A1 (zh) 一种操作预测方法及相关装置
WO2023185925A1 (zh) 一种数据处理方法及相关装置
CN113656563A (zh) 一种神经网络搜索方法及相关设备
CN117009650A (zh) 一种推荐方法以及装置
WO2024067779A1 (zh) 一种数据处理方法及相关装置
WO2024012360A1 (zh) 一种数据处理方法及相关装置
CN116910357A (zh) 一种数据处理方法及相关装置
CN117251619A (zh) 一种数据处理方法及相关装置
CN117057855A (zh) 一种数据处理方法及相关装置
CN116910201A (zh) 一种对话数据生成方法及其相关设备
CN116204709A (zh) 一种数据处理方法及相关装置
CN116843022A (zh) 一种数据处理方法及相关装置
CN116308640A (zh) 一种推荐方法及相关装置
CN115879508A (zh) 一种数据处理方法及相关装置
WO2023050143A1 (zh) 一种推荐模型训练方法及装置
CN115545738A (zh) 一种推荐方法及相关装置
CN114707070A (zh) 一种用户行为预测方法及其相关设备
CN116595252A (zh) 一种数据处理方法及相关装置
WO2023051678A1 (zh) 一种推荐方法及相关装置
CN117009648A (zh) 一种数据处理方法及相关装置

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