CN116861070A - 推荐模型的处理方法、装置、计算机设备和存储介质 - Google Patents
推荐模型的处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116861070A CN116861070A CN202310609709.0A CN202310609709A CN116861070A CN 116861070 A CN116861070 A CN 116861070A CN 202310609709 A CN202310609709 A CN 202310609709A CN 116861070 A CN116861070 A CN 116861070A
- Authority
- CN
- China
- Prior art keywords
- equipment
- model
- recommendation model
- user identifier
- target
- 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
- 238000003672 processing method Methods 0.000 title abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 81
- 238000004590 computer program Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013507 mapping Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 24
- 238000013145 classification model Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 abstract description 9
- 230000003993 interaction Effects 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种推荐模型的处方法、装置、计算机设备、存储介质和计算机程序产品。推荐模型的处理方法包括:获取用户标识的设备信息,通过各设备的设备信息确定设备算力等级,并确定与设备算力等级相匹配的目标推荐模型,终端设备基于下发的目标推荐模型确定目标推荐产品。在上述过程中,一方面,由于目标推荐模型在终端,无需与服务端交互即可在终端实现进行推荐,避免了在推荐过程中与服务端交互产生的延时,提高了推荐功能的实时性。另一方面,通过为设备确定与设备算力等级匹配的目标推荐模型,能够避免终端运行目标推荐模型导致的系统卡顿,保证推荐的实时性。
Description
技术领域
本申请涉及推荐系统领域,特别是涉及一种推荐模型的处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
推荐系统是一种基于机器学习的信息过滤系统,通过学习用户的历史行为,来预测用户的偏好,并据此向用户推荐合适的项目。目前,推荐系统在电子商务、在线观影和社交网络等许多领域中得到了广泛的应用。例如,各大银行打造以客户为中心的手机银行,致力于为其提供千人千面个性化服务。
然而,手机银行在实际使用中却常常存在这样的问题:无论是为用户推荐的常用功能菜单、理财产品、热门问题,还是搜索热词、热点新闻、短视频,无法实时抓住用户需求且无法实时推荐给用户所需的产品,即手机银行系统反馈延迟和用户感知延迟,存在实时性差的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高推荐实时性的推荐模型的处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种推荐模型的处理方法。所述方法包括:
获取用户标识对应的设备信息;
根据所述用户标识确定目标推荐模型,其中,所述用户标识的所述目标推荐模型基于所述用户标识的所述设备信息的设备算力等级确定;
将所述目标推荐模型下发至所述用户标识对应的终端设备,所述终端设备基于所述目标推荐模型确定目标推荐产品。
在其中一个实施例中,所述根据所述设备算力等级匹配训练好的目标推荐模型,包括:
基于所述用户标识的所述设备信息确定设备算力等级;
基于映射关系表,确定所述设备算力等级对应的目标推荐模型;
存储所述用户标识对应的所述目标推荐模型。
在其中一个实施例中,所述根据所述设备信息确定目标推荐模型,包括:
当未查找到存储的所述用户标识对应的设备信息,或接收到的所述用户标识的所述设备信息与存储的所述用户标识的所述设备信息不一致时,基于所述用户标识的所述设备信息确定设备算力等级;
基于映射关系表,确定所述设备算力等级对应的目标推荐模型;
存储所述用户标识对应的所述目标推荐模型。
在其中一个实施例中,所述基于映射关系表,确定所述设备算力等级对应的目标推荐模型,包括:
基于所述设备算力等级与模型类别的映射关系,确定所述设备算力等级匹配的目标模型类别;所述目标模型类别包括至少两个推荐模型;
获取终端设备请求的业务类型,从所述目标模型类别中匹配所述业务类型对应的目标推荐模型。
在其中一个实施例中,所述设备算力等级包括算力能力依次增加的第一等级、第二等级和第三等级;所述推荐模型包括模型参数和网络层次依次增大的第一类推荐模型、第二类推荐模型和第三类推荐模型;
所述设备算力等级的第一等级,对应第一类推荐模型;
所述设备算力等级的第二等级时,对应第二类推荐模型;
所述设备算力等级的第三等级时,对应第三类推荐模型。
在其中一个实施例中,所述基于所述用户标识的所述设备信息确定设备算力等级,包括:
将各用户标识的所述设备信息输入训练好的分类模型,得到所述分类模型预测的所述用户标识的所述设备信息的设备算力等级。
第二方面,本申请还提供了一种推荐模型的处理装置。所述装置包括:
信息获取模块,用于获取用户标识对应的设备信息;
模型确定模块,用于根据所述用户标识确定目标推荐模型,其中,所述用户标识的所述目标推荐模型基于所述用户标识的所述设备信息的设备算力等级确定;
产品确定模块,用于将所述目标推荐模型下发至所述用户标识对应的终端设备,所述终端设备基于所述目标推荐模型确定目标推荐产品。第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取用户标识对应的设备信息;
根据所述用户标识确定目标推荐模型,其中,所述用户标识的所述目标推荐模型基于所述用户标识的所述设备信息的设备算力等级确定;
将所述目标推荐模型下发至所述用户标识对应的终端设备,所述终端设备基于所述目标推荐模型确定目标推荐产品。
第四方面,本申请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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取用户标识对应的设备信息;
根据所述用户标识确定目标推荐模型,其中,所述用户标识的所述目标推荐模型基于所述用户标识的所述设备信息的设备算力等级确定;
将所述目标推荐模型下发至所述用户标识对应的终端设备,所述终端设备基于所述目标推荐模型确定目标推荐产品。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取用户标识对应的设备信息;
根据所述用户标识确定目标推荐模型,其中,所述用户标识的所述目标推荐模型基于所述用户标识的所述设备信息的设备算力等级确定;
将所述目标推荐模型下发至所述用户标识对应的终端设备,所述终端设备基于所述目标推荐模型确定目标推荐产品。
上述推荐模型的处理方法、装置、计算机设备、存储介质和计算机程序产品,获取用户标识的设备信息后,通过各设备的设备信息确定设备算力等级,并确定与设备算力等级相匹配的目标推荐模型,终端设备基于下发的目标推荐模型确定目标推荐产品。在上述过程中,一方面,由于目标推荐模型在终端,无需与服务端交互即可在终端实现进行推荐,避免了在推荐过程中与服务端交互产生的延时,提高了推荐功能的实时性。另一方面,通过为设备确定与设备算力等级匹配的目标推荐模型,能够避免终端运行目标推荐模型导致的系统卡顿,保证推荐的实时性。
附图说明
图1为一个实施例中推荐模型的处理方法的应用环境图;
图2为一个实施例中推荐模型的处理方法的流程示意图;
图3为另一个实施例中推荐模型的处理方法的流程示意图;
图4为一个实施例中推荐模型的处理装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的推荐模型的处理方法,可以应用于如图1所示的应用环境中。其中,终端设备104通过网络与云服务器102进行通信。数据存储系统可以存储云服务器102需要处理的数据。数据存储系统可以集成在服务器102上,也可以放在云上或其他网络服务器上。云服务器102获取用户标识对应的设备信息;据用户标识确定目标推荐模型,其中,用户标识的目标推荐模型基于用户标识的设备信息的设备算力等级确定,云服务器102将目标推荐模型下发至用户标识对应的终端设备104,终端设备104基于目标推荐模型确定目标推荐产品。其中,终端设备104可以但不限于是各种智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。云服务器102可以用独立的云服务器或者是多个云服务器组成的云服务器集群来实现。
在一个实施例中,如图2所示,提供了一种推荐模型的处理方法,该方法应用于图1中的云服务器,包括以下步骤:
步骤202,获取用户标识对应的设备信息。
其中,用户标识是用户的唯一识别标识,可以为用户ID。设备信息包括设备型号、设备运行的内存参数、处理器的参数信息等。
具体地,获取用户标识对应的各设备的设备型号、设备运行的内存参数、处理器的参数信息等。可以理解的是,不同设备的设备计算能力不同,而设备的计算能力可以根据设备信息确定。
步骤204,根据用户标识确定目标推荐模型,其中,用户标识的目标推荐模型基于用户标识的设备信息的设备算力等级确定。
其中,目标推荐模型为与设备算力等级相匹配的一个推荐模型。设备算力等级是根据设备的计算能力,确定的不同设备的算力级别。其中,设备的计算能力可以根据设备信息确定,通过各设备对应的设备信息可以确定各设备的计算能力,从而确定各设备对应的设备算力等级,得到每一用户标识对应的设备算力等级。
可以理解的是,不同设备对应的设备算力等级不同,具体地,在本实施例中,可以将设备算力等级分为高算力等级、中等算力等级和低算力等级。对于复杂度高的推荐算法,其推荐的准确性较高,而复杂度低的推荐算法,其推荐的准确性较低。在低算力等级的设备上执行复杂度高的推荐算法,往往出现设备发热、计算缓慢等问题,或者在高算力等级的终端设备上执行复杂度低的推荐算法,往往会牺牲设备的推荐准确率。因此,不同算力等级的设备应该匹配不同复杂程度的推荐模型,即高算力等级的设备应该匹配复杂度高的推荐模型,中等算力等级的设备应该匹配复杂度中等的推荐模型,低算力等级的设备应该匹配复杂度低的推荐模型。使得在算力许可的情况下,在保证推荐的准确率的同时,兼顾模型运行的流畅性以避免系统卡顿。
综上所述,需要根据设备的计算能力来匹配与其计算能力相适应的推荐模型,即目标推荐模型。当设备通过与其计算能力相适应的目标推荐模型进行计算时,可以保证模型运行的流畅性,避免模型运行过程中系统卡顿,从而保证推荐的实时性,提高用户的体验。
此外,目标推荐模型的训练可以在云服务器上进行,这是因为设备的算力是有限的。对于海量数据的训练,在云服务器上训练不会占用设备的算力。在确定用户的设备算力等级后,根据设备算力等级匹配训练好的目标推荐模型。
步骤206,将目标推荐模型下发至用户标识对应的终端设备,终端设备基于目标推荐模型确定目标推荐产品。
在传统业务模式中,推荐模型被部署在云服务器上,对移动端提供推理服务接口。这种模式下,由于云服务往往距离客户手机端较远,因此存在时延问题,且该存模式下还存在在资源消耗过大、安全隐私等问题。端智能则是将推理服务以SDK形式下发到移动端,供端侧直接调用,可有效解决传统业务模式的困扰。
在本实施例中,将在云服务器上训练好的目标推荐模型下发至终端设备,从而不需要终端向云服务器发送用户数据和请求推荐数据,避免了终端和云服务器见得数据交互过程导致的时延,终端的终端设备接收目标推荐模型后,可以根据终端设备上实时的用户行为,确定目标推荐模型推荐的目标推荐产品。当用户的偏好发生改变或者用户的意图变化时,用户侧的推荐模型可以及时根据用户的行为,实时给出目标推荐产品,从而能够减少时延。
在本实施例中,获取用户标识的设备信息后,通过各设备的设备信息确定设备算力等级,并确定与设备算力等级相匹配的目标推荐模型,终端设备基于下发的目标推荐模型确定目标推荐产品。在上述过程中,一方面,由于目标推荐模型在终端,无需与服务端交互即可在终端实现进行推荐,避免了在推荐过程中与服务端交互产生的延时,提高了推荐功能的实时性。另一方面,通过为设备确定与设备算力等级匹配的目标推荐模型,能够避免终端运行目标推荐模型导致的系统卡顿,保证推荐的实时性。
在一个实施例中,根据设备算力等级匹配训练好的目标推荐模型,包括:基于用户标识的设备信息确定设备算力等级;基于映射关系表,确定设备算力等级对应的目标推荐模型;存储用户标识对应的目标推荐模型。可以理解的是,不同的终端设备的计算能力不同,因此不同算力等级的终端设备应该匹配不同复杂程度的推荐模型,从而在算力许可的情况下,能够保证推荐实时性和准确性。
其中,映射关系表为设备算力等级与推荐模型的映射关系。不同的设备算力等级预先设置了与运算能力匹配的推荐模型,比如,可以将算力等级划分为高算力等级、中等算力等级和低算力等级三种。推荐模型的复杂程度也分为高复杂度、中等复杂度和低复杂度三种。基于不同算力等级的设备应该匹配不同复杂程度的推荐模型,高算力等级的设备应该匹配复杂度高的推荐模型,中等算力等级的设备应该匹配复杂度中等的推荐模型,低算力等级的设备应该匹配复杂度低的推荐模型。从而,在算力许可的情况下,保证推荐的准确率,并兼顾模型运行的流畅性以提高实时性。
具体地,设备的计算能力可以根据设备信息确定,通过各设备对应的设备信息可以确定各设备的计算能力,从而确定各设备对应的设备算力等级。
具体地,在本实施例中一个优选的匹配设备算力等级与推荐模型的方式为,根据设备算力等级与推荐模型的映射关系表,来确定不同设备算力等级对应的推荐模型。其中,设备算力等级与推荐模型的映射关系表可以根据各不同算力的设备使用不同复杂程度推荐模型的效果,进行设备算力等级与推荐模型的匹配,从而形成的一个映射关系表。从而,基于设备算力等级与推荐模型的映射关系表,确定各终端设备的对应的推荐模型为目标推荐模型,并存储用户标识对应的目标推荐模型。
在本实施例中,通过用户标识的设备信息确定设备算力等级,基于设备算力等级与推荐模型的映射关系表,根据设备算力等级确定不同的终端设备对应的推荐模型,将设备算力等级对应的推荐模型确定为目标推荐模型后,存储用户标识对应的目标推荐模型,以使后续终端设备可以根据用户标识直接确定其对应的目标推荐模型。
在一个实施例中,根据设备信息确定目标推荐模型,包括:当未查找到存储的用户标识对应的设备信息,或接收到的用户标识的设备信息与存储的用户标识的设备信息不一致时,基于用户标识的设备信息确定设备算力等级;基于映射关系表,确定设备算力等级对应的目标推荐模型;存储用户标识对应的目标推荐模型。
可以理解的是,终端设备可能会出现变更的情况,使得存储的用户标识的设备信息与接收到的用户标识的设备信息不一致,此时,需要通过接收到的用户标识的设备信息来确定设备算力等级。还有可能存在查找不到存储的用户标识对应的设备信息的情况,在未查找到存储的用户标识对应的设备信息的情况下,需要重新确定用户标识的设备信息确定设备算力等级。在上述两种情况下,都需要基于用户标识的设备信息确定设备算力等级。
可以理解的是,未查找到存储的用户标识对应的设备信息中的一种可能的情况是应用程序的重新安装,因为应用程序的重新安装会删除一些历史数据,从而释放一些存储空间,在一定程度上会影响设备的计算能力,因此,设备上的应用程序重新安装后,需要基于用户标识的设备信息确定设备算力等级。即当未查找到存储的用户标识对应的设备信息时,则用户标识的设备信息确定设备算力等级,以准确确定设备的设备算力等级,从而匹配到适合设备的推荐模型。
在本实施例中,在未查找到存储的用户标识对应的设备信息,或接收到的用户标识的设备信息与存储的用户标识的设备信息不一致这两种情况下,通过用户标识的设备信息确定设备算力等级,并基于映射关系表,为不同设备算力等级的终端设备确定对应的目标推荐模型,并将存储用户标识对应的目标推荐模型。
在一个实施例中,基于映射关系表,确定设备算力等级对应的目标推荐模型,包括:
基于设备算力等级与模型类别的映射关系,确定设备算力等级匹配的目标模型类别;目标模型类别包括至少两个推荐模型;
获取终端设备请求的业务类型,从目标模型类别中匹配业务类型对应的目标推荐模型。
可以理解的是,在实际应用场景中,终端的业务类型非常多,因此,终端用户选择的业务类型也不尽相同。比如手机银行应用程序中有推荐的常用功能菜单、理财产品、热门问题、热点新闻、短视频等。由于不同的推荐模型适用的业务场景不同,比如,FFM模型适用于理财产品的推荐场景,WDL适用于热点问题和热点新闻的推荐场景,xDeepFM模型适用于短视频推荐的场景,即不同的业务所需要的推荐模型也不同,因此,可以根据终端选择的业务类型,对各类模型进行选择。具体地,可以先通过设备算力等级匹配目标模型类别,然后再根据预先设置的业务类型对应的目标模型类别下的不同推荐模型,确定目标推荐模型。也可以对各业务类型进行分类,比如第一分类和第二分类,其中第一分类的业务类型对应于一个推荐模型,第二分类对应于一个推荐模型。
综上所述,根据设备算力等级匹配相对应的目标推荐模型,首先是根据设备算力等级匹配目标模型类别,在根据其中终端设备请求的业务类型,从目标模型类别对应的多个推荐模型中匹配业务类型对应的目标推荐模型。其中,模型类别为对推荐模型进行分类所依据的类别。目标推荐模型为根据设备算力等级和终端设备请求的业务类型确定的推荐模型。
在本实施例中,通过设备算力等级与模型类别的映射关系,确定设备算力等级匹配的目标模型类别,在根据终端设备请求的业务类型,确定每类目标模型类别中与业务类型对应的推荐模型为目标推荐模型,使得目标推荐模型是最适合终端设备的推荐模型,可以保证设备的准确率和实时性,即可以及时地确定目标推荐产品,并将目标推荐产品及时反馈给终端。
在一个实施例中,设备算力等级包括算力能力依次增加的第一等级、第二等级和第三等级;推荐模型包括模型参数和网络层次依次增大的第一类推荐模型、第二类推荐模型和第三类推荐模型;设备算力等级的第一等级,对应第一类推荐模型;设备算力等级的第二等级时,对应第二类推荐模型;设备算力等级的第三等级时,对应第三类推荐模型。
本实施例中,设备算力等级分为三级,分别为第一等级、第二等级和第三等级。其中,第三等级的设备算力最强,第二等级的设备算力次之,第一等级的设备算力最弱。推荐模型也分为三类,分别为第一类模型、第二类模型和第三类模型。其中第三类模型的模型参数和网络层次最多,需要占用的运算资源也最大,第二类模型的模型参数和网络层次次之,第一类模型的模型参数和网络层次最少,只需要占用较少的运算资源。对应的模型参数和网络层次越多,模型的准确率越高,对终端设备的算力要求也越高。
可以理解的是,最强的设备算力应该匹配模型参数和网络层次最多的模型,即第三等级的设备算力与第三类模型相匹配;同样地,最弱的设备算力应该匹配模型参数和网络层次最少的模型,即第一等级的设备算力与第一类模型相匹配;同理,第二等级的设备算力与第二类模型相匹配。
推荐模型有许多,在本实施例中仅给出一种对应于三种不同设备算力的模型。本实施例所给的三类模型仅供参考,在实际应用场景中,可以根据实际的终端设备选择不同的第一类模型、第二类模型和第三类模型。第一类模型主要对应于轻量级的推荐模型,网络层数比较少。在本实施例中,提供一种选择各类模型的方式,其中,第一类模型可以为基于Item2Vec的双塔推荐模型。对于第二类模型,其模型参数量相较第一类模型有所增加,第二类模型可以为长短时记忆单元搭建的推荐模型,融合行为序列信息。第三类模型的模型参数量相较于第二类模型又有所增加,第三类模型可以为由transformer模型搭建的推荐模型,融入注意力机制。一般地,网络层数多、参数大的推荐模型会提高推荐的准确率,而网络层数少、参数小的推荐模型会降低推荐的准确率,因此,选择与终端设备相匹配的推荐模型是重要的,选择合适的目标推荐模型,可以保证模型的准确率和实时性。
在本实施例中,通过将设备算力等级依次分为算力最弱的第一等级、算力一般的第二等级和算力最强的第三等级,根据设备算力等级和设备算力等级与推荐模型的映射关系表,确定各设备算力等级对应的推荐模型,保证模型的准确率。具体地,第一等级的设备对应的推荐模型为第一类模型;第二等级的设备对应的推荐模型为第二类模型;第三等级的设备对应的推荐模型为第三类模型。
在一个实施例中,基于用户标识的设备信息确定设备算力等级,包括:将各用户标识的设备信息输入训练好的分类模型,得到分类模型预测的用户标识的设备信息的设备算力等级。
其中,设备信息包括设备的型号,备运行内存参数、处理器参数信息等。分类模型用于对终端设备进行分类,每一类终端设备对应于一种设备算力等级。
在本实施例中,分类模型可以但不限于神经网络或者机器学习算法,比如线性回归、支持向量机等。通过将采集的各用户标识的设备信息,输入分类模型进行有效监督训练,得到训练好的分类模型。在分类模型训练好之后,便可以将获取的用户标识对应的设备信息输入训练好的分类模型中,从而得到终端设备对应的设备算力等级。
在本实施例中,通过将采集的设备信息,输入分类模型进行有效监督训练,得到训练好的分类模型,从而基于训练好的分类模型和终端设备的设备信息,准确得到终端设备的设备算力等级,为匹配到与设备算力相适应的推荐模型提供条件。
在一个实施例中,如图3所示,本申请提供了一个推荐模型的处理方法,包括以下步骤:
步骤302,获取用户标识对应的设备信息。
步骤304,是否查找到存储的用户标识对应的设备信息。若未查找到,则执行步骤308。
步骤306,判断接收到的用户标识的设备信息与存储的用户标识的设备信息是否一致。若不一致,则执行步骤308,。若一致,则执行步骤312。
步骤308,基于用户标识的设备信息确定设备算力等级。
步骤310,基于映射关系表,确定设备算力等级对应的目标推荐模型,存储用户标识对应的目标推荐模型。
映射关系表为设备算力等级与推荐模型的映射关系。不同的设备算力等级预先设置了与运算能力匹配的推荐模型,比如,可以将算力等级划分为高算力等级、中等算力等级和低算力等级三种。推荐模型的复杂程度也分为高复杂度、中等复杂度和低复杂度三种。基于不同算力等级的设备应该匹配不同复杂程度的推荐模型,高算力等级的设备应该匹配复杂度高的推荐模型,中等算力等级的设备应该匹配复杂度中等的推荐模型,低算力等级的设备应该匹配复杂度低的推荐模型。具体地,推荐模型可以为复杂程度依次增加的双塔推荐模型、长短时记忆单元搭建的推荐模型和由transformer模型搭建的推荐模型。从而,根据设备算力等级匹配与其计算能力相适应的推荐模型,使得在算力许可的情况下,保证推荐的准确率,并兼顾模型运行的流畅性以提高实时性。
确定设备算力等级对应的目标推荐模型,可以将用户标识对应的目标推荐模型进行存储,以方便后续用户设备可以直接读取储存的用户标识对应的目标推荐模型,进行模型计算,提高推荐的实时性。
步骤312,读取储存的用户标识对应的目标推荐模型。
步骤314,将目标推荐模型下发至用户标识对应的终端设备,终端设备基于目标推荐模型确定目标推荐产品。
本申请提供的推荐模型的处理方法,通过设备算力等级确定终端设备的目标推荐模型,为每一终端设备匹配了一个算力合适的推荐模型,可以有效解决用户端因设备种类复杂而导致的推荐模型无法适配的问题。在此基础上,通过将目标推荐模型下发至用户端,使得推荐模型在推理和预测时,能够基于用户的意图和偏好,及时地给出目标推荐产品,从而减少时延,提高产品推荐实时性。应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的推荐模型的处理方法的推荐模型的处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个推荐模型的处理装置实施例中的具体限定可以参见上文中对于推荐模型的处理方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种推荐模型的处理装置,包括:信息获取模块402、模型确定模块404和产品确定模块406,其中:
信息获取模块402,用于获取用户标识对应的设备信息。
模型确定模块404,用于根据用户标识确定目标推荐模型,其中,用户标识的目标推荐模型基于用户标识的设备信息的设备算力等级确定。
产品确定模块406,用于将目标推荐模型下发至用户标识对应的终端设备,终端设备基于目标推荐模型确定目标推荐产品。在一个实施例中,模型确定模块,用于基于用户标识的设备信息确定设备算力等级;基于映射关系表,确定设备算力等级对应的目标推荐模型;存储用户标识对应的目标推荐模型。
在一个实施例中,推荐模型的处理装置包括查找模块,用于当未查找到存储的用户标识对应的设备信息,或接收到的用户标识的设备信息与存储的用户标识的设备信息不一致时,基于用户标识的设备信息确定设备算力等级;基于映射关系表,确定设备算力等级对应的目标推荐模型;存储用户标识对应的目标推荐模型。
在一个实施例中,推荐模型的处理装置包括映射模块,用于基于设备算力等级与模型类别的映射关系,确定设备算力等级匹配的目标模型类别;目标模型类别包括至少两个推荐模型;获取终端设备请求的业务类型,从目标模型类别中匹配业务类型对应的目标推荐模型。
在一个实施例中,映射模块,用于设备算力等级包括算力能力依次增加的第一等级、第二等级和第三等级;推荐模型包括模型参数和网络层次依次增大的第一类推荐模型、第二类推荐模型和第三类推荐模型;设备算力等级的第一等级,对应第一类推荐模型;设备算力等级的第二等级时,对应第二类推荐模型;设备算力等级的第三等级时,对应第三类推荐模型。
在一个实施例中,推荐模型的处理装置包括算力确定模块,用于将各用户标识的设备信息输入训练好的分类模型,得到分类模型预测的用户标识的设备信息的设备算力等级。
上述推荐模型的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储终端设备数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种推荐模型的处理方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取用户标识对应的设备信息;
根据用户标识确定目标推荐模型,其中,用户标识的目标推荐模型基于用户标识的设备信息的设备算力等级确定;
将目标推荐模型下发至用户标识对应的终端设备,终端设备基于目标推荐模型确定目标推荐产品。在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于用户标识的设备信息确定设备算力等级;基于映射关系表,确定设备算力等级对应的目标推荐模型;存储用户标识对应的目标推荐模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当未查找到存储的用户标识对应的设备信息,或接收到的用户标识的设备信息与存储的用户标识的设备信息不一致时,基于用户标识的设备信息确定设备算力等级;基于映射关系表,确定设备算力等级对应的目标推荐模型;存储用户标识对应的目标推荐模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于设备算力等级与模型类别的映射关系,确定设备算力等级匹配的目标模型类别;目标模型类别包括至少两个推荐模型;获取终端设备请求的业务类型,从目标模型类别中匹配业务类型对应的目标推荐模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
设备算力等级的第一等级,对应第一类推荐模型;设备算力等级的第二等级时,对应第二类推荐模型;设备算力等级的第三等级时,对应第三类推荐模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将各用户标识的设备信息输入训练好的分类模型,得到分类模型预测的用户标识的设备信息的设备算力等级。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取用户标识对应的设备信息;
根据用户标识确定目标推荐模型,其中,用户标识的目标推荐模型基于用户标识的设备信息的设备算力等级确定;
将目标推荐模型下发至用户标识对应的终端设备,终端设备基于目标推荐模型确定目标推荐产品。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于用户标识的设备信息确定设备算力等级;基于映射关系表,确定设备算力等级对应的目标推荐模型;存储用户标识对应的目标推荐模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当未查找到存储的用户标识对应的设备信息,或接收到的用户标识的设备信息与存储的用户标识的设备信息不一致时,基于用户标识的设备信息确定设备算力等级;基于映射关系表,确定设备算力等级对应的目标推荐模型;存储用户标识对应的目标推荐模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于设备算力等级与模型类别的映射关系,确定设备算力等级匹配的目标模型类别;目标模型类别包括至少两个推荐模型;获取终端设备请求的业务类型,从目标模型类别中匹配业务类型对应的目标推荐模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
设备算力等级的第一等级,对应第一类推荐模型;设备算力等级的第二等级时,对应第二类推荐模型;设备算力等级的第三等级时,对应第三类推荐模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各用户标识的设备信息输入训练好的分类模型,得到分类模型预测的用户标识的设备信息的设备算力等级。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取用户标识对应的设备信息;
根据用户标识确定目标推荐模型,其中,用户标识的目标推荐模型基于用户标识的设备信息的设备算力等级确定;
将目标推荐模型下发至用户标识对应的终端设备,终端设备基于目标推荐模型确定目标推荐产品。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于用户标识的设备信息确定设备算力等级;基于映射关系表,确定设备算力等级对应的目标推荐模型;存储用户标识对应的目标推荐模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当未查找到存储的用户标识对应的设备信息,或接收到的用户标识的设备信息与存储的用户标识的设备信息不一致时,基于用户标识的设备信息确定设备算力等级;基于映射关系表,确定设备算力等级对应的目标推荐模型;存储用户标识对应的目标推荐模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于设备算力等级与模型类别的映射关系,确定设备算力等级匹配的目标模型类别;目标模型类别包括至少两个推荐模型;获取终端设备请求的业务类型,从目标模型类别中匹配业务类型对应的目标推荐模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
设备算力等级的第一等级,对应第一类推荐模型;设备算力等级的第二等级时,对应第二类推荐模型;设备算力等级的第三等级时,对应第三类推荐模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各用户标识的设备信息输入训练好的分类模型,得到分类模型预测的用户标识的设备信息的设备算力等级。
需要说明的是,本申请所涉及的用户信息(包括但不限于终端设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种推荐模型的处理方法,其特征在于,所述方法包括:
获取用户标识对应的设备信息;
根据所述用户标识确定目标推荐模型,其中,所述用户标识的所述目标推荐模型基于所述用户标识的所述设备信息的设备算力等级确定;
将所述目标推荐模型下发至所述用户标识对应的终端设备,所述终端设备基于所述目标推荐模型确定目标推荐产品。
2.根据权利要求1所述的方法,其特征在于,所述根据所述设备算力等级匹配训练好的目标推荐模型,包括:
基于所述用户标识的所述设备信息确定设备算力等级;
基于映射关系表,确定所述设备算力等级对应的目标推荐模型;
存储所述用户标识对应的所述目标推荐模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述设备信息确定目标推荐模型,包括:
当未查找到存储的所述用户标识对应的设备信息,或接收到的所述用户标识的所述设备信息与存储的所述用户标识的所述设备信息不一致时,基于所述用户标识的所述设备信息确定设备算力等级;
基于映射关系表,确定所述设备算力等级对应的目标推荐模型;
存储所述用户标识对应的所述目标推荐模型。
4.根据权利要求2或3所述的方法,其特征在于,所述基于映射关系表,确定所述设备算力等级对应的目标推荐模型,包括:
基于所述设备算力等级与模型类别的映射关系,确定所述设备算力等级匹配的目标模型类别;所述目标模型类别包括至少两个推荐模型;
获取终端设备请求的业务类型,从所述目标模型类别中匹配所述业务类型对应的目标推荐模型。
5.根据权利要求4所述的方法,其特征在于,所述设备算力等级包括算力能力依次增加的第一等级、第二等级和第三等级;所述推荐模型包括模型参数和网络层次依次增大的第一类推荐模型、第二类推荐模型和第三类推荐模型;
所述设备算力等级的第一等级,对应第一类推荐模型;
所述设备算力等级的第二等级时,对应第二类推荐模型;
所述设备算力等级的第三等级时,对应第三类推荐模型。
6.根据权利要求2或3所述的方法,其特征在于,所述基于所述用户标识的所述设备信息确定设备算力等级,包括:
将各用户标识的所述设备信息输入训练好的分类模型,得到所述分类模型预测的所述用户标识的所述设备信息的设备算力等级。
7.一种推荐模型的处理装置,其特征在于,所述装置包括:
信息获取模块,用于获取用户标识对应的设备信息;
模型确定模块,用于根据所述用户标识确定目标推荐模型,其中,所述用户标识的所述目标推荐模型基于所述用户标识的所述设备信息的设备算力等级确定;
产品确定模块,用于将所述目标推荐模型下发至所述用户标识对应的终端设备,所述终端设备基于所述目标推荐模型确定目标推荐产品。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609709.0A CN116861070A (zh) | 2023-05-26 | 2023-05-26 | 推荐模型的处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609709.0A CN116861070A (zh) | 2023-05-26 | 2023-05-26 | 推荐模型的处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861070A true CN116861070A (zh) | 2023-10-10 |
Family
ID=88234770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310609709.0A Pending CN116861070A (zh) | 2023-05-26 | 2023-05-26 | 推荐模型的处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861070A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435354A (zh) * | 2023-12-20 | 2024-01-23 | 腾讯科技(深圳)有限公司 | 算法模型的运行方法、装置、系统、电子设备及存储介质 |
-
2023
- 2023-05-26 CN CN202310609709.0A patent/CN116861070A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435354A (zh) * | 2023-12-20 | 2024-01-23 | 腾讯科技(深圳)有限公司 | 算法模型的运行方法、装置、系统、电子设备及存储介质 |
CN117435354B (zh) * | 2023-12-20 | 2024-04-09 | 腾讯科技(深圳)有限公司 | 算法模型的运行方法、装置、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | An L 1-and-L 2-norm-oriented latent factor model for recommender systems | |
US11227013B2 (en) | Generating neighborhood convolutions within a large network | |
Yin et al. | Collaborative QoS prediction for mobile service with data filtering and SlopeOne model | |
CN112800342B (zh) | 基于异质信息的推荐方法、系统、计算机设备和存储介质 | |
Zhang et al. | Neighbor selection for user-based collaborative filtering using covering-based rough sets | |
Gasimov et al. | Separation via polyhedral conic functions | |
Wang et al. | Trust-aware collaborative filtering with a denoising autoencoder | |
Xu et al. | Redundancy avoidance for big data in data centers: A conventional neural network approach | |
Nguyen et al. | Extendable neural matrix completion | |
WO2023087914A1 (zh) | 推荐内容的选择方法、装置、设备、存储介质及程序产品 | |
Wang et al. | A BP neural network based recommender framework with attention mechanism | |
Alhamdani et al. | Recommender system for global terrorist database based on deep learning | |
Wang et al. | A new approach for advertising CTR prediction based on deep neural network via attention mechanism | |
CN114297509A (zh) | 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 | |
CN116861070A (zh) | 推荐模型的处理方法、装置、计算机设备和存储介质 | |
Tiwari et al. | An approach for recommender system by combining collaborative filtering with user demographics and items genres | |
Yang et al. | Memory-aware gated factorization machine for top-N recommendation | |
CN115964568A (zh) | 一种基于边缘缓存的个性化推荐方法 | |
Guan et al. | Enhanced SVD for collaborative filtering | |
Zhang et al. | Extreme learning machines’ ensemble selection with GRASP | |
Wang et al. | Recommender systems and their security concerns | |
Lu et al. | Computational creativity based video recommendation | |
CN115222177A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
Cai et al. | Represent items by items: An enhanced representation of the target item for recommendation | |
Lak et al. | The impact of basic matrix factorization refinements on recommendation accuracy |
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 |