CN117056589A - 一种物品推荐方法及其相关设备 - Google Patents
一种物品推荐方法及其相关设备 Download PDFInfo
- Publication number
- CN117056589A CN117056589A CN202310884863.9A CN202310884863A CN117056589A CN 117056589 A CN117056589 A CN 117056589A CN 202310884863 A CN202310884863 A CN 202310884863A CN 117056589 A CN117056589 A CN 117056589A
- Authority
- CN
- China
- Prior art keywords
- user
- historical
- items
- processing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 164
- 238000012545 processing Methods 0.000 claims abstract description 205
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 119
- 230000008569 process Effects 0.000 claims description 81
- 230000015654 memory Effects 0.000 claims description 80
- 230000007246 mechanism Effects 0.000 claims description 41
- 238000010606 normalization Methods 0.000 claims description 37
- 230000006399 behavior Effects 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 description 48
- 230000006870 function Effects 0.000 description 35
- 238000013528 artificial neural network Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 30
- 239000013598 vector Substances 0.000 description 29
- 238000003062 neural network model Methods 0.000 description 17
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000005065 mining Methods 0.000 description 12
- 230000009466 transformation Effects 0.000 description 11
- 230000004913 activation Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000001537 neural effect Effects 0.000 description 8
- 238000013500 data storage Methods 0.000 description 7
- MHABMANUFPZXEB-UHFFFAOYSA-N O-demethyl-aloesaponarin I Natural products O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=C(O)C(C(O)=O)=C2C MHABMANUFPZXEB-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 230000010365 information processing Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- YUXIIBHHAPNFCQ-UHFFFAOYSA-N 1,1,2,2,3,3,4,4,5,5,6,6,7,7,8,8,9,9,10,10,10-henicosafluorodecane-1-sulfonamide Chemical compound FC(C(C(C(C(C(C(C(C(C(F)(F)F)(F)F)(F)F)(F)F)(F)F)(F)F)(F)F)(F)F)(F)F)(S(=O)(=O)N)F YUXIIBHHAPNFCQ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种物品推荐方法及其相关设备,可将正确的物品推荐给用户,从而提高用户体验。本申请的方法包括:可先获取与用户相关联的信息,该信息用于描述与用户的历史行为相关联的多个历史物品,并将该信息输入至目标模型。那么,目标模型可先对该信息进行特征提取,从而得到多个历史物品的特征。接着,目标模型可对多个历史物品的特征进行聚类,从而得到多个类别,其中,每一个类别包含至少一个历史物品的特征。然后,目标模型可对多个类别进行基于注意力机制的处理,从而得到并输出用户的特征。最后,可将用户的特征用于与多个候选物品的特征进行匹配,并基于匹配结果在多个候选物品中,确定可推荐给用户的物品。
Description
技术领域
本申请实施例涉及人工智能(artificial intelligence,AI)技术,尤其涉及一种物品推荐方法及其相关设备。
背景技术
推荐系统可根据与用户相关联的信息,来判断用户感兴趣的物品(item),并将这些物品推荐给用户观看和使用。在推荐系统中,可通过AI技术中的神经网络模型来完成物品推荐,从而满足用户的需求。
在相关技术中,当需要为用户推荐物品时,可先获取与用户相关联的信息(用于描述用户曾经操作过的多个历史物品),并将与用户相关联的信息输入至具备物品推荐功能的神经网络模型,神经网络模型主要基于tranformer模型构建,故神经网络模型可对该信息进行基于注意力机制的处理,从而得到并输出用户的特征。那么,可计算用户的特征与多个候选物品的特征之间的匹配结果,再利用匹配结果从多个候选物品中挑选出可推荐的物品,并将这些物品推荐给用户。
上述过程中,由于神经网络模型主要基于tranformer模型构建,这样会约束神经网络模型的关注点,即在物品推荐过程中,神经网络模型会过多关注常见的历史物品,而几乎不关注小众的历史物品,导致模型输出的用户的特征不够准确,这样会从多个候选物品中挑选出错误的物品,并将错误的物品推荐给用户,导致用户体验不高。
发明内容
本申请实施例提供了一种物品推荐方法及其相关设备,可将正确的物品推荐给用户,从而提高用户体验。
本申请实施例的第一方面提供了一种物品推荐方法,该方法通过目标模型实现,该方法包括:
当需要针对用户进行物品推荐时,可先获取与用户相关联的信息,与用户相关联的信息用于描述与用户的历史行为相关联的多个历史物品,与用户的历史行为相关联的多个历史物品也可以理解为用户曾经交互(操作)过的多个历史物品。
得到与用户相关联的信息后,可将与用户相关联的信息输入至目标模型中。那么,目标模型可对与用户相关联的信息进行特征提取,从而得到多个历史物品的特征。接着,目标模型可利用某种聚类算法,将多个历史物品的特征划分为多个类别,多个类别中的每一个类别包含至少一个历史物品的特征,这多个类别也可以视为用户针对多个历史物品的兴趣分布。然后,目标模型可对多个类别至少进行基于注意力机制的处理,得到并对外输出用户的特征,用户的特征可用于指示用户对多个历史物品的感兴趣程度。
得到用户的特征后,可获取多个候选物品的特征,并计算用户的特征与多个候选物品的特征之间的匹配值,再将匹配值最高的若干个物品确定为可推荐给用户的物品,并推荐给用户。至此,则成功针对用户完成了物品推荐。
从上述方法可以看出:目标模型在得到多个历史物品的特征后,可将多个历史物品的特征划分为多个类别(相当于将多个历史物品划分为多个类别),再基于这多个类别获取用户的特征。由于这多个类别代表着用户在多个历史物品上的整体兴趣分布,故目标模型在获取用户的特征的过程中,会均衡考虑各类历史物品,也就是说,目标模型不仅可以关注到常见的历史物品,还可关注到小众的历史物品,这样可以使得目标模型输出的用户的特征具备足够的准确度,进而可将正确的物品推荐给用户,从而提高用户体验。
在一种可能实现的方式中,对信息进行特征提取,得到多个历史物品的特征包括:对信息进行编码,得到多个历史物品的第一特征;对多个历史物品的第一特征进行增强,得到多个历史物品的第二特征;对多个历史物品的第二特征进行投影,得到多个历史物品的第三特征,多个历史物品的第三特征作为多个历史物品的特征。前述实现方式中,得到与用户相关联的信息后,目标模型可对与用户相关联的信息进行编码,从而得到多个历史物品的第一特征。得到多个历史物品的第一特征,目标模型可通过某种方式,对多个历史物品的第一特征进行数据增强,从而得到多个历史物品的第二特征。得到多个历史物品的第二特征,目标模型可将多个历史物品的第二特征进行投影至一个空间,并对投影得到的特征进行额外的处理,从而准确得到多个历史物品的第三特征,相当于准确得到多个历史物品的特征。
在一种可能实现的方式中,对多个历史物品的特征进行聚类,得到多个类别包括:获取预置的多个聚类中心;将多个历史物品的特征划分至多个聚类中心中的若干个聚类中心,并将多个聚类中心中除若干个聚类中心之外的其余聚类中心剔除,得到多个类别。前述实现方式中,得到多个历史物品的第三特征后,目标模型可先获取预置的多个聚类中心。需要说明的是,多个聚类中心为提前利用聚类算法对训练数据集(包含与各个用户相关联的信息)进行处理得到的,并设置在目标模型中。得到多聚类中心后,对于多个聚类中心而言,目标模型可将其中一部分聚类中心确定为有效的聚类中心,并将多个历史物品的第三特征划分至这些聚类中心,以得到多个类别,并将其余聚类中心确定为无效的聚类中心,并剔除这部分聚类中心。由此可见,目标模型可将多个历史物品的第三特征划分至多个聚类中心中的若干个聚类中心,并将除若干个聚类中心之外的其余聚类中心剔除,以成功得到多个类别,也就相当于成功得到了用户针对多个历史物品的整体兴趣分布。
在一种可能实现的方式中,对多个类别进行基于注意力机制的处理,得到用户的特征包括:对多个历史物品的第三特征进行第一处理,得到多个历史物品的第四特征,第一处理包含基于注意力机制的处理;对多个历史物品的第四特征以及多个类别进行第二处理,得到用户的特征,第二处理包含基于注意力机制的处理。前述实现方式中,得到多个历史物品的第三特征后,目标模型可对多个历史物品的第三特征进行第一处理,从而得到多个历史物品的第四特征。其中,目标模型所执行的第一处理至少包含基于注意力机制的处理。得到多个历史物品的第四特征以及多个类别后,目标模型可对多个历史物品的第四特征以及多个类别进行第二处理,得到用户的特征。其中,目标模型所执行的第二处理至少包含基于注意力机制的处理。
在一种可能实现的方式中,第一处理还包含以下至少一项:相加、归一化以及基于前馈网络的处理。前述实现方式中,目标模型所执行的第一处理还可包含相加、归一化以及基于前馈网络的处理中的一种或多种。也就是说,得到多个历史物品的第三特征后,目标模型可对多个历史物品的第三特征进行基于注意力机制的处理,从而得到多个历史物品的第五特征。接着,目标模型可对多个历史物品的第五特征进行相加以归一化,从而得到多个历史物品的第六特征。然后,目标模型可对多个历史物品的第六特征进行基于前馈网络的处理,从而得到多个历史物品的第七特征。随后,目标模型可对多个历史物品的第七特征进行相加以归一化,从而得到多个历史物品的第四特征。
在一种可能实现的方式中,第二处理还包含以下至少一项:相加、归一化、基于前馈网络的处理以及池化。前述实现方式中,目标模型所执行的第二处理还可包含相加、归一化、基于前馈网络的处理以及池化中的一种或多种。也就是说,得到多个类别后,目标模型可对多个类别进行基于注意力机制的处理,从而得到多个历史物品的第八特征。接着,目标模型可对多个历史物品的第八特征进行相加以归一化,从而得到多个历史物品的第九特征。然后,目标模型可对多个历史物品的第九特征以及多个历史物品的第四特征进行基于注意力机制的处理,从而得到多个历史物品的第十特征。随后,目标模型可对多个历史物品的第十特征进行相加以归一化,从而得到多个历史物品的第十一特征。随后,目标模型可对多个历史物品的第十一特征进行基于前馈网络的处理,从而得到多个历史物品的第十二特征。随后,目标模型可对多个历史物品的第十二特征进行相加以归一化,从而得到多个历史物品的第十三特征。最后,目标模型可对多个历史物品的第十三特征进行池化,从而得到并对外输出用户的特征。
在一种可能实现的方式中,与用户相关联的信息可以是多模态信息,即该信息可包含以下至少一种:多个历史物品的文本、多个历史物品的图像、多个历史物品的视频以及多个历史物品的音频。
本申请实施例的第二方面提供了一种模型训练方法,该方法包括:获取与第一用户相关联的信息,与第一用户相关联的信息用于描述与第一用户的历史行为相关联的多个历史物品;通过待训练模型对与第一用户相关联的信息进行处理,得到第一用户的特征,待训练模型用于:对与第一用户相关联的信息进行特征提取,得到多个历史物品的特征;对多个历史物品的特征进行聚类,得到多个类别,一个类别包含至少一个历史物品的特征;对多个类别进行基于注意力机制的处理,得到第一用户的特征;基于第一用户的特征,对待训练模型进行训练,得到目标模型。
上述方法训练得到的目标模型,具备物品推荐功能。具体地,当需要针对用户进行物品推荐时,可先获取与用户相关联的信息,该信息用于描述与用户的历史行为相关联的多个历史物品,并将该信息输入至目标模型。那么,目标模型可先对该信息进行特征提取,从而得到多个历史物品的特征。接着,目标模型可对多个历史物品的特征进行聚类,从而得到多个类别,其中,每一个类别包含至少一个历史物品的特征。然后,目标模型可对多个类别进行基于注意力机制的处理,从而得到并输出用户的特征。最后,可将用户的特征用于与多个候选物品的特征进行匹配,并基于匹配结果在多个候选物品中,确定可推荐给用户的物品。至此,则成功针对用户完成了物品推荐。前述过程中,目标模型在得到多个历史物品的特征后,可将多个历史物品的特征划分为多个类别(相当于将多个历史物品划分为多个类别),再基于这多个类别获取用户的特征。由于这多个类别代表着用户在多个历史物品上的整体兴趣分布,故目标模型在获取用户的特征的过程中,会均衡考虑各类历史物品,也就是说,目标模型不仅可以关注到常见的历史物品,还可关注到小众的历史物品,这样可以使得目标模型输出的用户的特征具备足够的准确度,进而可将正确的物品推荐给用户,从而提高用户体验。
在一种可能实现的方式中,基于第一用户的特征,对待训练模型进行训练,得到目标模型包括:通过待训练模型对与第一用户相关联的信息进行二次处理,得到第一用户的新特征;通过待训练模型对与第二用户相关联的信息进行处理,得到第二用户的特征;通过待训练模型对多个第一候选物品的信息进行处理,得到多个第一候选物品的特征;基于第一用户的特征、第一用户的新特征、第二用户的特征以及多个第一候选物品的特征,对待训练模型进行预训练,得到预训练模型;通过预训练模型对与第三用户相关联的信息进行处理,得到第三用户的特征;通过预训练模型对多个第二候选物品的信息进行处理,得到多个第二候选物品的特征;基于第三用户的特征以及多个第二候选物品的特征,对预训练模型进行微调,得到目标模型。
在一种可能实现的方式中,待训练模型,用于:对与第一用户相关联的信息进行编码,得到多个历史物品的第一特征;对多个历史物品的第一特征进行增强,得到多个历史物品的第二特征;对多个历史物品的第二特征进行投影,得到多个历史物品的第三特征,多个历史物品的第三特征作为多个历史物品的特征。
在一种可能实现的方式中,待训练模型,用于:获取预置的多个聚类中心;将多个历史物品的特征划分至多个聚类中心中的若干个聚类中心,并将多个聚类中心中除若干个聚类中心之外的其余聚类中心剔除,得到多个类别。
在一种可能实现的方式中,待训练模型,用于:对多个历史物品的第三特征进行第一处理,得到多个历史物品的第四特征,第一处理包含基于注意力机制的处理;对多个历史物品的第四特征以及多个类别进行第二处理,得到第一用户的特征,第二处理包含基于注意力机制的处理。
在一种可能实现的方式中,第一处理还包含以下至少一项:相加、归一化以及基于前馈网络的处理。
在一种可能实现的方式中,第二处理还包含以下至少一项:相加、归一化、基于前馈网络的处理以及池化。
在一种可能实现的方式中,与第一用户相关联的信息包含以下至少一种:多个历史物品的文本、多个历史物品的图像、多个历史物品的视频以及多个历史物品的音频。
本申请实施例的第三方面提供了一种物品推荐装置,该装置包含目标模型,该装置包括:获取模块,用于获取与用户相关联的信息,信息用于描述与用户的历史行为相关联的多个历史物品;提取模块,用于对信息进行特征提取,得到多个历史物品的特征;聚类模块,用于对多个历史物品的特征进行聚类,得到多个类别,一个类别包含至少一个历史物品的特征;处理模块,用于对多个类别进行基于注意力机制的处理,得到用户的特征,用户的特征用于与多个候选物品的特征进行匹配,得到匹配结果,匹配结果用于在多个候选物品中,确定可推荐给用户的物品。
从上述装置可以看出:当需要针对用户进行物品推荐时,可先获取与用户相关联的信息,该信息用于描述与用户的历史行为相关联的多个历史物品,并将该信息输入至目标模型。那么,目标模型可先对该信息进行特征提取,从而得到多个历史物品的特征。接着,目标模型可对多个历史物品的特征进行聚类,从而得到多个类别,其中,每一个类别包含至少一个历史物品的特征。然后,目标模型可对多个类别进行基于注意力机制的处理,从而得到并输出用户的特征。最后,可将用户的特征用于与多个候选物品的特征进行匹配,并基于匹配结果在多个候选物品中,确定可推荐给用户的物品。至此,则成功针对用户完成了物品推荐。前述过程中,目标模型在得到多个历史物品的特征后,可将多个历史物品的特征划分为多个类别(相当于将多个历史物品划分为多个类别),再基于这多个类别获取用户的特征。由于这多个类别代表着用户在多个历史物品上的整体兴趣分布,故目标模型在获取用户的特征的过程中,会均衡考虑各类历史物品,也就是说,目标模型不仅可以关注到常见的历史物品,还可关注到小众的历史物品,这样可以使得目标模型输出的用户的特征具备足够的准确度,进而可将正确的物品推荐给用户,从而提高用户体验。
在一种可能实现的方式中,提取模块,用于:对信息进行编码,得到多个历史物品的第一特征;对多个历史物品的第一特征进行增强,得到多个历史物品的第二特征;对多个历史物品的第二特征进行投影,得到多个历史物品的第三特征,多个历史物品的第三特征作为多个历史物品的特征。
在一种可能实现的方式中,聚类模块,用于:获取预置的多个聚类中心;将多个历史物品的特征划分至多个聚类中心中的若干个聚类中心,并将多个聚类中心中除若干个聚类中心之外的其余聚类中心剔除,得到多个类别。
在一种可能实现的方式中,处理模块,用于:对多个历史物品的第三特征进行第一处理,得到多个历史物品的第四特征,第一处理包含基于注意力机制的处理;对多个历史物品的第四特征以及多个类别进行第二处理,得到用户的特征,第二处理包含基于注意力机制的处理。
在一种可能实现的方式中,第一处理还包含以下至少一项:相加、归一化以及基于前馈网络的处理。
在一种可能实现的方式中,第二处理还包含以下至少一项:相加、归一化、基于前馈网络的处理以及池化。
在一种可能实现的方式中,信息包含多个历史物品的文本、多个历史物品的图像、多个历史物品的视频以及多个历史物品的音频。
本申请实施例的第四方面提供了一种模型训练装置,该装置包括:获取模块,用于获取与第一用户相关联的信息,与第一用户相关联的信息用于描述与第一用户的历史行为相关联的多个历史物品;处理模块,用于通过待训练模型对与第一用户相关联的信息进行处理,得到第一用户的特征,待训练模型用于:对与第一用户相关联的信息进行特征提取,得到多个历史物品的特征;对多个历史物品的特征进行聚类,得到多个类别,一个类别包含至少一个历史物品的特征;对多个类别进行基于注意力机制的处理,得到第一用户的特征;训练模块,用于基于第一用户的特征,对待训练模型进行训练,得到目标模型。
上述装置训练得到的目标模型,具备物品推荐功能。具体地,当需要针对用户进行物品推荐时,可先获取与用户相关联的信息,该信息用于描述与用户的历史行为相关联的多个历史物品,并将该信息输入至目标模型。那么,目标模型可先对该信息进行特征提取,从而得到多个历史物品的特征。接着,目标模型可对多个历史物品的特征进行聚类,从而得到多个类别,其中,每一个类别包含至少一个历史物品的特征。然后,目标模型可对多个类别进行基于注意力机制的处理,从而得到并输出用户的特征。最后,可将用户的特征用于与多个候选物品的特征进行匹配,并基于匹配结果在多个候选物品中,确定可推荐给用户的物品。至此,则成功针对用户完成了物品推荐。前述过程中,目标模型在得到多个历史物品的特征后,可将多个历史物品的特征划分为多个类别(相当于将多个历史物品划分为多个类别),再基于这多个类别获取用户的特征。由于这多个类别代表着用户在多个历史物品上的整体兴趣分布,故目标模型在获取用户的特征的过程中,会均衡考虑各类历史物品,也就是说,目标模型不仅可以关注到常见的历史物品,还可关注到小众的历史物品,这样可以使得目标模型输出的用户的特征具备足够的准确度,进而可将正确的物品推荐给用户,从而提高用户体验。
在一种可能实现的方式中,训练模块,用于:通过待训练模型对与第一用户相关联的信息进行二次处理,得到第一用户的新特征;通过待训练模型对与第二用户相关联的信息进行处理,得到第二用户的特征;通过待训练模型对多个第一候选物品的信息进行处理,得到多个第一候选物品的特征;基于第一用户的特征、第一用户的新特征、第二用户的特征以及多个第一候选物品的特征,对待训练模型进行预训练,得到预训练模型;通过预训练模型对与第三用户相关联的信息进行处理,得到第三用户的特征;通过预训练模型对多个第二候选物品的信息进行处理,得到多个第二候选物品的特征;基于第三用户的特征以及多个第二候选物品的特征,对预训练模型进行微调,得到目标模型。
在一种可能实现的方式中,待训练模型,用于:对与第一用户相关联的信息进行编码,得到多个历史物品的第一特征;对多个历史物品的第一特征进行增强,得到多个历史物品的第二特征;对多个历史物品的第二特征进行投影,得到多个历史物品的第三特征,多个历史物品的第三特征作为多个历史物品的特征。
在一种可能实现的方式中,待训练模型,用于:获取预置的多个聚类中心;将多个历史物品的特征划分至多个聚类中心中的若干个聚类中心,并将多个聚类中心中除若干个聚类中心之外的其余聚类中心剔除,得到多个类别。
在一种可能实现的方式中,待训练模型,用于:对多个历史物品的第三特征进行第一处理,得到多个历史物品的第四特征,第一处理包含基于注意力机制的处理;对多个历史物品的第四特征以及多个类别进行第二处理,得到第一用户的特征,第二处理包含基于注意力机制的处理。
在一种可能实现的方式中,第一处理还包含以下至少一项:相加、归一化以及基于前馈网络的处理。
在一种可能实现的方式中,第二处理还包含以下至少一项:相加、归一化、基于前馈网络的处理以及池化。
在一种可能实现的方式中,与第一用户相关联的信息包含以下至少一种:多个历史物品的文本、多个历史物品的图像、多个历史物品的视频以及多个历史物品的音频。
本申请实施例的第五方面提供了一种物品推荐装置,该装置包括存储器和处理器;存储器存储有代码,处理器被配置为执行代码,当代码被执行时,物品推荐装置执行如第一方面或第一方面中任意一种可能的实现方式所述的方法。
本申请实施例的第六方面提供了一种模型训练装置,该装置包括存储器和处理器;存储器存储有代码,处理器被配置为执行代码,当代码被执行时,模型训练装置执行如第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第七方面提供了一种电路系统,该电路系统包括处理电路,该处理电路配置为执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第八方面提供了一种芯片系统,该芯片系统包括处理器,用于调用存储器中存储的计算机程序或计算机指令,以使得该处理器执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
在一种可能的实现方式中,该处理器通过接口与存储器耦合。
在一种可能的实现方式中,该芯片系统还包括存储器,该存储器中存储有计算机程序或计算机指令。
本申请实施例的第九方面提供了一种计算机存储介质,该计算机存储介质存储有计算机程序,该程序在由计算机执行时,使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第十方面提供了一种计算机程序产品,该计算机程序产品存储有指令,该指令在由计算机执行时,使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例中,当需要针对用户进行物品推荐时,可先获取与用户相关联的信息,该信息用于描述与用户的历史行为相关联的多个历史物品,并将该信息输入至目标模型。那么,目标模型可先对该信息进行特征提取,从而得到多个历史物品的特征。接着,目标模型可对多个历史物品的特征进行聚类,从而得到多个类别,其中,每一个类别包含至少一个历史物品的特征。然后,目标模型可对多个类别进行基于注意力机制的处理,从而得到并输出用户的特征。最后,可将用户的特征用于与多个候选物品的特征进行匹配,并基于匹配结果在多个候选物品中,确定可推荐给用户的物品。至此,则成功针对用户完成了物品推荐。前述过程中,目标模型在得到多个历史物品的特征后,可将多个历史物品的特征划分为多个类别(相当于将多个历史物品划分为多个类别),再基于这多个类别获取用户的特征。由于这多个类别代表着用户在多个历史物品上的整体兴趣分布,故目标模型在获取用户的特征的过程中,会均衡考虑各类历史物品,也就是说,目标模型不仅可以关注到常见的历史物品,还可关注到小众的历史物品,这样可以使得目标模型输出的用户的特征具备足够的准确度,进而可将正确的物品推荐给用户,从而提高用户体验。
附图说明
图1为人工智能主体框架的一种结构示意图;
图2a为本申请实施例提供的物品推荐系统的一个结构示意图;
图2b为本申请实施例提供的物品推荐系统的另一结构示意图;
图2c为本申请实施例提供的物品推荐的相关设备的一个示意图;
图3为本申请实施例提供的系统100架构的一个示意图;
图4为本申请实施例提供的目标模型的一个结构示意图;
图5为本申请实施例提供的物品推荐方法的一个流程示意图;
图6为本申请实施例提供的特征获取模块的一个结构示意图;
图7为本申请实施例提供的兴趣挖掘模块的一个结构示意图;
图8为本申请实施例提供的基于transformer的编码器的一个结构示意图;
图9为本申请实施例提供的基于transformer的解码器的一个结构示意图;
图10为本申请实施例提供的模型训练方法的一个流程示意图;
图11为本申请实施例提供的物品推荐装置的一个结构示意图;
图12为本申请实施例提供的模型训练装置的一个结构示意图;
图13为本申请实施例提供的执行设备的一个结构示意图;
图14为本申请实施例提供的训练设备的一个结构示意图;
图15为本申请实施例提供的芯片的一个结构示意图。
具体实施方式
本申请实施例提供了一种物品推荐方法及其相关设备,可将正确的物品推荐给用户,从而提高用户体验。
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。
推荐系统可根据与用户相关联的信息,来判断用户感兴趣的物品,并将这些物品推荐给用户观看和使用。在推荐系统中,可通过AI技术中的神经网络模型来完成物品推荐,从而满足用户的需求。
在相关技术中,当需要为用户推荐物品时,可先获取与用户相关联的信息,该信息用于描述用户曾经操作过的多个历史物品(比如,用户曾经点击过的历史物品、用户曾经浏览过的历史物品、用户曾经购买过的历史物品等等),并将与用户相关联的信息输入至具备物品推荐功能的神经网络模型,神经网络模型主要基于tranformer模型构建,故神经网络模型可对该信息进行基于注意力机制的处理(比如,基于自注意力机制(self attention)的处理以及基于交叉注意力机制(cross attention)的处理等等),从而得到并输出用户的特征,该特征用于指示用户对多个历史物品的感兴趣程度。那么,可计算用户的特征与多个候选物品的特征之间的匹配值,再将匹配值较高的候选物品作为可推荐的物品,并将这些物品推荐给用户。
上述过程中,由于神经网络模型主要基于tranformer模型构建,这样会约束神经网络模型的关注点,即在物品推荐过程中,神经网络模型会过多关注常见的历史物品,而几乎不关注小众的历史物品,导致模型输出的用户的特征不够准确,这样会从多个候选物品中挑选出错误的物品,并将错误的物品推荐给用户,导致用户体验不高。
为了解决上述问题,本申请实施例提供了一种物品推荐方法,该方法可结合人工智能(artificial intelligence,AI)技术实现。AI技术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的技术学科,AI技术通过感知环境、获取知识并使用知识获得最佳结果。换句话说,人工智能技术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做出反应的智能机器。利用人工智能进行数据处理是人工智能常见的一个应用方式。
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。
接下来介绍几种本申请的应用场景。
图2a为本申请实施例提供的物品推荐系统的一个结构示意图,该物品推荐系统包括用户设备以及数据处理设备。其中,用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为物品推荐的发起端,作为物品推荐请求的发起方,通常由用户通过用户设备发起请求。
上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的文本处理请求,再通过存储数据的存储器以及数据处理的处理器环节进行机器学习,深度学习,搜索,推理,决策等方式的文本处理。数据处理设备中的存储器可以是一个统称,包括本地存储以及存储历史数据的数据库,数据库可以在数据处理设备上,也可以在其它网络服务器上。
在图2a所示的物品推荐系统中,用户设备可以接收用户的指令,例如用户设备可以采集与用户相关联的信息,然后向数据处理设备发起请求,使得数据处理设备针对用户设备得到的该信息执行信息处理应用,从而得到该信息的对应的处理结果。示例性的,用户设备可以采集与用户相关联的信息(用于描述与用户的历史行为相关联的多个历史物品),然后向数据处理设备发起针对该信息的处理请求,使得数据处理设备对该信息进行一系列的处理,从而得到可推荐给用户的物品,并将这些物品返回至用户设备,以推荐给用户观看和使用。
在图2a中,数据处理设备可以执行本申请实施例的物品推荐方法。
图2b为本申请实施例提供的物品推荐系统的另一结构示意图,在图2b中,用户设备直接作为数据处理设备,该用户设备能够直接获取来自用户的输入并直接由用户设备本身的硬件进行处理,具体过程与图2a相似,可参考上面的描述,在此不再赘述。
在图2b所示的物品推荐系统中,用户设备可以采集与用户相关联的信息(用于描述与用户的历史行为相关联的多个历史物品),然后对该信息进行一系列的处理,从而得到可推荐给用户的物品,并将这些物品推荐给用户观看和使用。
在图2b中,用户设备自身就可以执行本申请实施例的物品推荐方法。
图2c为本申请实施例提供的物品推荐的相关设备的一个示意图。
上述图2a和图2b中的用户设备具体可以是图2c中的本地设备301或者本地设备302,图2a中的数据处理设备具体可以是图2c中的执行设备210,其中,数据存储系统250可以存储执行设备210的待处理数据,数据存储系统250可以集成在执行设备210上,也可以设置在云上或其它网络服务器上。
图2a和图2b中的处理器可以通过神经网络模型或者其它模型(例如,基于支持向量机的模型)进行数据训练/机器学习/深度学习,并利用数据最终训练或者学习得到的模型针对信息执行信息处理应用,从而得到相应的处理结果。
图3为本申请实施例提供的系统100架构的一个示意图,在图3中,执行设备110配置输入/输出(input/output,I/O)接口112,用于与外部设备进行数据交互,用户可以通过客户设备140向I/O接口112输入数据,所述输入数据在本申请实施例中可以包括:各个待调度任务、可调用资源以及其他参数。
在执行设备110对输入数据进行预处理,或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本申请中神经网络的功能实现)过程中,执行设备110可以调用数据存储系统150中的数据、代码等以用于相应的处理,也可以将相应处理得到的数据、指令等存入数据存储系统150中。
最后,I/O接口112将处理结果返回给客户设备140,从而提供给用户。
值得说明的是,训练设备120可以针对不同的目标或称不同的任务,基于不同的训练数据生成相应的目标模型/规则,该相应的目标模型/规则即可以用于实现上述目标或完成上述任务,从而为用户提供所需的结果。其中,训练数据可以存储在数据库130中,且来自于数据采集设备160采集的训练样本。
在图3中所示情况下,用户可以手动给定输入数据,该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下,客户设备140可以自动地向I/O接口112发送输入数据,如果要求客户设备140自动发送输入数据需要获得用户的授权,则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端,采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据,并存入数据库130。当然,也可以不经过客户设备140进行采集,而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果,作为新的样本数据存入数据库130。
值得注意的是,图3仅是本申请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,在图3中,数据存储系统150相对执行设备110是外部存储器,在其它情况下,也可以将数据存储系统150置于执行设备110中。如图3所示,可以根据训练设备120训练得到神经网络。
本申请实施例还提供的一种芯片,该芯片包括神经网络处理器NPU。该芯片可以被设置在如图3所示的执行设备110中,用以完成计算模块111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中,用以完成训练设备120的训练工作并输出目标模型/规则。
神经网络处理器NPU,NPU作为协处理器挂载到主中央处理器(centralprocessing unit,CPU)(host CPU)上,由主CPU分配任务。NPU的核心部分为运算电路,控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。
在一些实现中,运算电路内部包括多个处理单元(process engine,PE)。在一些实现中,运算电路是二维脉动阵列。运算电路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)中。
向量计算单元可以对运算电路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。例如,向量计算单元可以用于神经网络中非卷积/非FC层的网络计算,如池化(pooling),批归一化(batch normalization),局部响应归一化(localresponse normalization)等。
在一些实现种,向量计算单元能将经处理的输出的向量存储到统一缓存器。例如,向量计算单元可以将非线性函数应用到运算电路的输出,例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元生成归一化的值、合并值,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的激活输入,例如用于在神经网络中的后续层中的使用。
统一存储器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)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器,以及将统一存储器中的数据存入外部存储器。
总线接口单元(bus interface unit,BIU),用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。
与控制器连接的取指存储器(instruction fetch buffer),用于存储控制器使用的指令;
控制器,用于调用指存储器中缓存的指令,实现控制该运算加速器的工作过程。
一般地,统一存储器,输入存储器,权重存储器以及取指存储器均为片上(On-Chip)存储器,外部存储器为该NPU外部的存储器,该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random access memory,DDRSDRAM)、高带宽存储器(high bandwidth memory,HBM)或其他可读可写的存储器。
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)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。神经网络是将许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。
神经网络中的每一层的工作可以用数学表达式y=a(Wx+b)来描述:从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作,完成输入空间到输出空间的变换(即矩阵的行空间到列空间),这五种操作包括:1、升维/降维;2、放大/缩小;3、旋转;4、平移;5、“弯曲”。其中1、2、3的操作由Wx完成,4的操作由+b完成,5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物,而是一类事物,空间是指这类事物所有个体的集合。其中,W是权重向量,该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换,即每一层的权重W控制着如何变换空间。训练神经网络的目的,也就是最终得到训练好的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)。因此,神经网络的训练过程本质上就是学习控制空间变换的方式,更具体的就是学习权重矩阵。
因为希望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,直到神经网络能够预测出真正想要的目标值。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,那么神经网络的训练就变成了尽可能缩小这个loss的过程。
(2)反向传播算法
神经网络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的神经网络模型中参数的大小,使得神经网络模型的重建误差损失越来越小。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的神经网络模型中参数,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,旨在得到最优的神经网络模型的参数,例如权重矩阵。
下面从神经网络的训练侧和神经网络的应用侧对本申请提供的方法进行描述。
本申请实施例提供的模型训练方法,涉及数据序列的处理,具体可以应用于数据训练、机器学习、深度学习等方法,对训练数据(例如,将本申请中的与第一用户相关联的信息、与第二用户相关联的信息以及与第三用户相关联的信息)进行符号化和形式化的智能信息建模、抽取、预处理、训练等,最终得到训练好的神经网络(如本申请中的目标模型);并且,本申请实施例提供的物品推荐方法可以运用上述训练好的神经网络,将输入数据(例如,将本申请中的与用户相关的信息)输入到所述训练好的神经网络中,得到输出数据(如本申请中的用户的特征等等,用户的特征可用于获取可推荐给用户的物品)。需要说明的是,本申请实施例提供的模型训练方法和物品推荐方法是基于同一个构思产生的发明,也可以理解为一个系统中的两个部分,或一个整体流程的两个阶段:如模型训练阶段和模型应用阶段。
下文先对本申请实施例提供的物品推荐方法进行介绍。本申请实施例提供的物品推荐方法可通过目标模型实现,图4为本申请实施例提供的目标模型的一个结构示意图,如图4所示,目标模型包括:特征获取模块、兴趣挖掘模块、基于transformer的编码器以及基于transformer的解码器,其中,特征获取模块的输入端作为整个目标模型的输入端,特征获取模块的输出端分别与兴趣挖掘模型的输入端、编码器的输入端连接,兴趣挖掘模型的输出端与解码器的第一输入端连接,编码器的输出端与解码器的第二输入端连接,解码器的输出端作为整个目标模型的输出端。为了进一步了解目标模型的工作流程,下文对该工作流程进行进一步的介绍,图5为本申请实施例提供的物品推荐方法的一个流程示意图,如图5所示,该方法包括:
501、获取与用户相关联的信息,信息用于描述与用户的历史行为相关联的多个历史物品。
本实施例中,当需要针对用户进行物品推荐时,可先获取与用户相关联的信息,与用户相关联的信息用于描述与用户的历史行为相关联的多个历史物品,其中,用户的历史行为可包含用户已进行的点击、浏览以及购买等各种行为,故与用户的历史行为相关联的多个历史物品可包含用户曾经点击过的至少一个历史物品、用户曾经浏览过的至少一个历史物品以及用户曾经购买过的至少一个历史物品等等。
具体地,与用户相关联的信息通常为多模态的信息。那么,与用户相关联的信息可包含以下至少一项:与用户的历史行为相关联的多个历史物品的文本、这多个历史物品的图像、这多个历史物品的视频以及这多个历史物品的音频等等。
例如,当需要为某个用户推荐物品时,可采集与该用户相关联的信息,该信息包含该用户曾经交互过(比如,购买等等)过的T个历史物品的文本和图像,该信息可描述为{I1,I2,…,IT},其中,IT为用户曾经交互过的第t个历史物品的文本和图像,t=1,…,T(T≥1)。
502、对信息进行特征提取,得到多个历史物品的特征。
得到与用户相关联的信息后,可将与用户相关联的信息输入至目标模型中。那么,目标模型可对与用户相关联的信息进行特征提取,从而得到与用户的历史行为相关联的多个历史物品的特征。
具体地,目标模型可通过以下方式获取多个历史物品的特征:
(1)得到与用户相关联的信息后,目标模型的特征获取模块可对与用户相关联的信息进行编码,从而得到多个历史物品的第一特征。
依旧如上述例子,如图6所示(图6为本申请实施例提供的特征获取模块的一个结构示意图),目标模型的特征获取模块包含文本特征提取器(比如,BERT等等)、图像特征提取器(比如,ViT等等)、数据增强层、文本特征投影层以及图像特征投影层。在将{I1,I2,…,IT}输入至目标模型的特征获取模块后,文本特征提取器可对{I1,I2,…,IT}进行编码,从而得到T个历史物品的文本特征df为文本特征的维数,并发送至数据增强层。与此同时,图片特征提取器可对{I1,I2,…,IT}进行编码,从而得到T个历史物品的图像特征/>df为图像特征的维数,并发送至数据增强层。
(2)得到多个历史物品的第一特征,特征获取模块可通过某种方式(例如,dropout方式),对多个历史物品的第一特征进行数据增强,从而得到多个历史物品的第二特征。
依旧如上述例子,得到Ft和Fv(前述的第一特征)后,数据增强层可使用dropout处理Ft和Fv,从而得到T个历史物品的增强后的文本特征以及T个历史物品的增强后的图像特征/>并分别发送至文本特征投影层以及图像特征投影层。
(3)得到多个历史物品的第二特征,特征获取模块可将多个历史物品的第二特征进行投影至一个空间,并对投影得到的特征进行额外的处理(拼接以及位置标记等等),从而得到多个历史物品的第三特征,那么,特征获取模块可将多个历史物品的第三特征发送至兴趣挖掘模型以及基于transformer的编码器。
需要说明的是,多个历史物品的第三特征也就是前述的多个历史物品的特征。
依旧如上述例子,得到Gt以及Gv(前述的第二特征)后,文本特征投影层可将Gt投影至某一空间,图像特征投影层可将Gv投影至同一空间,以使得二者模态对齐,得到T个历史物品的投影后的文本特征以及T个历史物品的投影后的图像特征/>dx代表投影后的文本特征或图像特征的维数。
此外,特征获取层还可包括一个处理层,处理层可将Xt以及Xv拼接,从而得到T个历史物品的特征拼接结果再给加上位置编码矩阵/>(包含T个投影后的文本特征以及T个投影后的图像特征在X中的位置信息),得到T个历史物品的特征处理结果并将X′(前述的第三特征)发送至兴趣挖掘模型以及基于transformer的编码器。
503、对多个历史物品的特征进行聚类,得到多个类别,一个类别包含至少一个历史物品的特征。
得到多个历史物品的特征后,目标模型可基于某种算法(例如,KNN算法等等),对多个历史物品的特征进行聚类,从而将多个历史物品的特征划分为多个类别,每一个类别包含至少一个历史物品的特征,这多个类别也可以视为用户针对多个历史物品的兴趣分布(该过程也可以理解为,将多个历史物品划分为多个类别,每一个类别包含至少一个历史物品)
具体地,目标模型可通过以下方式获取多个类别:
(1)得到多个历史物品的第三特征后,兴趣挖掘模块可先获取预置的多个聚类中心。需要说明的是,多个聚类中心为提前利用聚类算法对训练数据集(包含与各个用户相关联的信息)进行处理得到的,并设置在兴趣挖掘模块中。
(2)得到多聚类中心后,对于多个聚类中心的任意一个聚类中心而言,兴趣挖掘模块可判断是否存在某个或某些历史物品的第三特征可划分至该聚类中心,若存在,说明该聚类中心为有效的聚类中心,并将划分至该聚类中心的这些历史物品的第三特征确定为一个类别,若不存在,说明该聚类中心为无效的聚类中心,并剔除该聚类中心。可见,兴趣挖掘模块可将多个历史物品的第三特征划分至多个聚类中心中的若干个聚类中心(有效的聚类中心),并将除若干个聚类中心之外的其余聚类中心(无效的聚类中心)剔除,以成功得到多个类别,并将多个类别发送至基于transformer的解码器。
依旧如上述例子,如图7所示(图7为本申请实施例提供的兴趣挖掘模块的一个结构示意图),得到X′后,兴趣挖掘模块可先获取预置的N个聚类中心(N≥2),由于X′包含T个历史物品的特征处理结果,可将T个历史物品的特征处理结果划分至其中有效的M个聚类中心(N>M≥1),以形成M个类别B=[β1,β2,…,βM],并将剩余无效的N-M个聚类中心剔除。
504、对多个类别进行基于注意力机制的处理,得到用户的特征。
得到多个类别后,目标模型可对多个类别至少进行基于注意力机制的处理,得到并对外输出用户的特征,用户的特征可用于指示用户对多个历史物品的感兴趣程度。
具体地,目标模型可通过以下方式获取用户的特征:
(1)得到多个历史物品的第三特征后,基于transformer的编码器可对多个历史物品的第三特征进行第一处理,从而得到多个历史物品的第四特征(也可以称为多个历史物品的上下文特征)。其中,编码器所执行的第一处理至少包含基于注意力机制的处理(例如,基于多头自注意力机制的处理等等)。
进一步地,编码器所执行的第一处理还可包含相加、归一化以及基于前馈网络的处理中的一种或多种。也就是说,得到多个历史物品的第三特征后,编码器可对多个历史物品的第三特征进行基于注意力机制的处理,从而得到多个历史物品的第五特征。接着,编码器可对多个历史物品的第五特征进行相加以归一化,从而得到多个历史物品的第六特征。然后,编码器可对多个历史物品的第六特征进行基于前馈网络的处理,从而得到多个历史物品的第七特征。随后,编码器可对多个历史物品的第七特征进行相加以归一化,从而得到多个历史物品的第四特征,并将多个历史物品的第四特征发送至基于transformer的解码器。
依旧如上述例子,如图8所示(图8为本申请实施例提供的基于transformer的编码器的一个结构示意图),设编码器可包含依次串联的多头自注意力层、第一个相加与归一化层、前馈网络层以及第二个相加与归一化层。编码器的工作流程包括:
(a)设多头自注意力层包含H个输出头(H≥2),对于第h个输出头(h=1,…,H),得到X′后,第h个输出头可对X′进行以下计算:
首先,计算第h个输出头的Q矩阵、K矩阵以及V矩阵: dh是第h个输出头所得到的Q矩阵(K矩阵或V矩阵)中的向量的维数,/> 分别是第h个输出头的三个参数矩阵。
然后,计算第h个输出头的自注意力:
那么,多头自注意力层可拼接H个输出头的自注意力,并进行线性变换,可得到多头自注意力层的输出(前述的第五特征),WO是线性变换所需的参数矩阵。
(b)第一个相加与归一化层可对X′和XO′进行相加以及归一化,可得到第一个相加与归一化层的输出XO=LayerNorm(XO′+X′)(前述的第六特征)。
(c)前馈网络层以及第二个相加与归一化层可对XO进行处理,可得到Y=LayerNorm(ReLU(XOW(1)+b(1))W(2)+b(2)+XO)(前述的第四特征),ReLU代表前馈网络层的线性激活单元,W(1),b(1)和W(2),b(2)分别是前馈网络层的两个线性变换项和两个偏置项参数。那么,第二个相加与归一化层可将Y发送至基于transformer的解码器。
(2)得到多个历史物品的第四特征以及多个类别后,基于transformer的解码器可对多个历史物品的第四特征以及多个类别进行第二处理,得到用户的特征。其中,解码器所执行的第二处理至少包含基于注意力机制的处理(例如,基于多头自注意力机制的处理以及基于多头交叉注意力机制的处理等等)。
进一步地,解码器所执行的第二处理还可包含相加、归一化、基于前馈网络的处理以及池化中的一种或多种。也就是说,得到多个类别后,解码器可对多个类别进行基于注意力机制的处理,从而得到多个历史物品的第八特征。接着,解码器可对多个历史物品的第八特征进行相加以归一化,从而得到多个历史物品的第九特征。然后,解码器可对多个历史物品的第九特征以及多个历史物品的第四特征进行基于注意力机制的处理,从而得到多个历史物品的第十特征。随后,解码器可对多个历史物品的第十特征进行相加以归一化,从而得到多个历史物品的第十一特征。随后,解码器可对多个历史物品的第十一特征进行基于前馈网络的处理,从而得到多个历史物品的第十二特征。随后,解码器可对多个历史物品的第十二特征进行相加以归一化,从而得到多个历史物品的第十三特征。最后,解码器可对多个历史物品的第十三特征进行池化,从而得到并对外输出用户的特征。
依旧如上述例子,如图9所示(图9为本申请实施例提供的基于transformer的解码器的一个结构示意图),设解码器可包含依次串联的多头自注意力层、第一个相加与归一化层、多头交叉注意力层、第二个相加与归一化层、前馈网络层、第三个相加与归一化层以及池化层。解码器的工作流程包括:
(a)设多头自注意力层包含H个输出头(H≥2),对于第h个输出头(h=1,…,H),得到B后,第h个输出头可对B进行以下计算:
首先,计算第h个输出头的Q矩阵、K矩阵以及V矩阵: dh是第h个输出头所得到的Q矩阵(K矩阵或V矩阵)中的向量的维数,/>分别是第h个输出头的三个参数矩阵。
然后,计算第h个输出头的自注意力:
那么,多头自注意力层可拼接H个输出头的自注意力,并进行线性变换,可得到多头自注意力层的输出(前述的第八特征),WO是线性变换所需的参数矩阵。
(b)第一个相加与归一化层可对B和B′进行相加以及归一化,可得到第一个相加与归一化层的输出B″=LayerNorm(B′+B)(前述的第九特征)。
(c)设多头交叉注意力层包含H个输出头(H≥2),对于第h个输出头(h=1…,H),得到B″以及Y后,第h个输出头可对B″以及Y进行以下计算:
首先,计算第h个输出头的Q矩阵、K矩阵以及V矩阵: dh是第h个输出头所得到的Q矩阵(K矩阵或V矩阵)中的向量的维数,/>分别是第h个输出头的三个参数矩阵。
然后,计算第h个输出头的自注意力:
那么,多头交叉注意力层可拼接H个输出头的自注意力,并进行线性变换,可得到多头自注意力层的输出(前述的第十特征),WO是线性变换所需的参数矩阵。
(d)第二个相加与归一化层可对B″和XU′进行相加以及归一化,可得到第一个相加与归一化层的输出XU=LayerNorm(B″+XU′)(前述的第十一特征)。
(e)前馈网络层以及第三个相加与归一化层可对XU进行处理,可得到U=LayerNorm(ReLU(XUW(1)+b(1))W(2)+b(2)+XU)(前述的第十三特征),ReLU代表前馈网络层的线性激活单元,W(1),b(1)和W(2),b(2)分别是前馈网络层的两个线性变换项和两个偏置项参数。
(f)池化层可对进行平均池化,得到并对外输出用户的特征/>
505、将用户的特征与多个候选物品的特征进行匹配,得到匹配结果,并基于匹配结果在多个候选物品中确定可推荐给用户的物品。
得到用户的特征后,可获取多个候选物品的特征,并计算用户的特征与多个候选物品的特征之间的匹配值(前述的匹配结果),再将匹配值最高的若干个物品确定为可推荐给用户的物品,并推荐给用户。至此,则成功针对用户完成了物品推荐。
需要说明的是,多个候选物品的特征可通过以下方式得到:获取多个候选物品的信息(例如,多个候选物品的文本、多个候选物品的图像等等),并利用目标模型的特征获取模块,对多个候选物品的信息进行处理,从而得到多个候选物品的特征。
此外,还可将本申请实施例提供的目标模型(如表1和表2中的MISSRec)与相关技术提供的模型(如表1和表2中除MISSRec之外的其余模型,比如,SASRec以及FDSA等等)进行比较,比较结果如表1和表2所示:
表1
表2
在表1和表2中,“T”、“V”以及“ID”分别表示模型的输入包含物品的文本、物品的图像以及物品的标识。基于表1和表2可知,在数据集一至数据集五上,本申请实施例提供的目标模型的表现明显优于相关技术提供的模型。
本申请实施例中,当需要针对用户进行物品推荐时,可先获取与用户相关联的信息,该信息用于描述与用户的历史行为相关联的多个历史物品,并将该信息输入至目标模型。那么,目标模型可先对该信息进行特征提取,从而得到多个历史物品的特征。接着,目标模型可对多个历史物品的特征进行聚类,从而得到多个类别,其中,每一个类别包含至少一个历史物品的特征。然后,目标模型可对多个类别进行基于注意力机制的处理,从而得到并输出用户的特征。最后,可将用户的特征用于与多个候选物品的特征进行匹配,并基于匹配结果在多个候选物品中,确定可推荐给用户的物品。至此,则成功针对用户完成了物品推荐。前述过程中,目标模型在得到多个历史物品的特征后,可将多个历史物品的特征划分为多个类别(相当于将多个历史物品划分为多个类别),再基于这多个类别获取用户的特征。由于这多个类别代表着用户在多个历史物品上的整体兴趣分布,故目标模型在获取用户的特征的过程中,会均衡考虑各类历史物品,也就是说,目标模型不仅可以关注到常见的历史物品,还可关注到小众的历史物品,这样可以使得目标模型输出的用户的特征具备足够的准确度,进而可将正确的物品推荐给用户,从而提高用户体验。
以上是对本申请实施例提供的物品推荐方法所进行的详细说明,以下将对本申请实施例提供的模型训练方法进行介绍。图10为本申请实施例提供的模型训练方法的一个流程示意图,如图10所示,该方法包括:
1001、获取与第一用户相关联的信息,与第一用户相关联的信息用于描述与第一用户的历史行为相关联的多个历史物品。
本实施例中,当需要对待训练模型进行训练时,可获取用于对待训练模型进行训练的通用数据集以及目标数据集,通用数据集用于完成模型的预训练阶段,目标数据集用于完成模型的微调阶段。首先,可先从通用数据集中获取一批数据,该批数据包含与第一用户相关联的信息、与第二用户相关联的信息以及多个第一候选物品的信息,与第一用户相关联的信息用于描述与第一用户的历史行为相关联的多个历史物品,与第二用户相关联的信息用于描述与第二用户的历史行为相关联的多个历史物品。
在一种可能实现的方式中,与第一用户相关联的信息包含以下至少一种:这多个历史物品的文本、这多个历史物品的图像、这多个历史物品的视频以及这多个历史物品的音频等等。同理,与第二用户相关联的信息也是如此,此处不再赘述。
1002、通过待训练模型对与第一用户相关联的信息进行处理,得到第一用户的特征,待训练模型用于:对与第一用户相关联的信息进行特征提取,得到多个历史物品的特征;对多个历史物品的特征进行聚类,得到多个类别,一个类别包含至少一个历史物品的特征;对多个类别进行基于注意力机制的处理,得到第一用户的特征。
得到与第一用户相关联的信息后,可将与第一用户相关联的信息输入至待训练模型中,以通过待训练模型对与第一用户相关联的信息进行处理,从而得到第一用户的特征。其中,待训练模型可先对与第一用户相关联的信息进行特征提取,从而得到多个历史物品的特征。然后,待训练模型可对多个历史物品的特征进行聚类,从而得到多个类别,一个类别包含至少一个历史物品的特征。最后,待训练模型可对多个类别进行基于注意力机制的处理,从而得到第一用户的特征。
在一种可能实现的方式中,待训练模型,用于:对与第一用户相关联的信息进行编码,得到多个历史物品的第一特征;对多个历史物品的第一特征进行增强,得到多个历史物品的第二特征;对多个历史物品的第二特征进行投影,得到多个历史物品的第三特征,多个历史物品的第三特征作为多个历史物品的特征。
在一种可能实现的方式中,待训练模型,用于:获取预置的多个聚类中心;将多个历史物品的特征划分至多个聚类中心中的若干个聚类中心,并将多个聚类中心中除若干个聚类中心之外的其余聚类中心剔除,得到多个类别。
在一种可能实现的方式中,待训练模型,用于:对多个历史物品的第三特征进行第一处理,得到多个历史物品的第四特征,第一处理包含基于注意力机制的处理;对多个历史物品的第四特征以及多个类别进行第二处理,得到第一用户的特征,第二处理包含基于注意力机制的处理。
在一种可能实现的方式中,第一处理还包含以下至少一项:相加、归一化以及基于前馈网络的处理。
在一种可能实现的方式中,第二处理还包含以下至少一项:相加、归一化、基于前馈网络的处理以及池化。
关于步骤1002的介绍,可参考图5所示实施例中步骤502至步骤504的相关说明部分,此处不再赘述。
1003、基于第一用户的特征,对待训练模型进行训练,得到目标模型。
得到第一用户的特征后,可利用第一用户的特征,对待训练模型进行训练,从而得到图5所示实施例中的目标模型。
具体地,可通过以下方式训练得到目标模型:
(1)预训练阶段:
得到第一用户的特征后,还可将与第一用户相关联的信息再次输入至待训练模型中,以通过待训练模型对与第一用户相关联的信息进行二次处理,从而得到第一用户的新特征(该过程可参考步骤1002的相关说明部分,此处不再赘述)。
得到第一用户的特征后,还可将与第二用户相关联的信息输入至待训练模型中,通过待训练模型对与第二用户相关联的信息进行处理,从而得到第二用户的特征(该过程可参考步骤1002的相关说明部分,此处不再赘述)。
随后,可将多个第一候选物品的信息输入至待训练模型中,以通过待训练模型(的特征获取模块)对多个第一候选物品的信息进行处理,从而得到多个第一候选物品的特征。
那么,可通过预置的第一损失函数对第一用户的特征、第一用户的新特征以及第二用户的特征进行计算,从而得到与第一用户对应的第一损失。例如,第一损失函数如以下公式所示:
上式中,为与第i个用户(前述的第一用户)对应的第一损失,ui为第i个用户的特征,u′i为第i个用户的新特征,uj为第j个用户(前述的第二用户)的特征。
接着,还可通过预置的第二损失函数对第一用户的特征以及多个第一候选物品的特征(也就是多个第一候选物品的文本特征、第一候选物品的图像特征等等,下文以多个第一候选物品的特征仅包含多个第一候选物品的文本特征以及第一候选物品的图像特征为例,进行示意性介绍)进行计算,从而得到与第一用户对应的第二损失。例如,第二损失函数如以下公式所示:
/>
上式中,为与第i个用户对应的第二损失,/>为第i个用户的特征与第k个第一候选物品的特征之间的匹配值,P为第一候选物品的数量,/>为第i个用户的特征与第k个第一候选物品的文本特征之间的匹配值,/>为第i个用户的特征与第k个第一候选物品的图像特征之间的匹配值。
如此一来,可通过预置的第三损失函数对与第一用户对应的第一损失以及与第一用户对应的第二损失进行计算,得到预训练的目标损失。例如,第三损失函数如以下公式所示:
上式中,Lpretrain为预训练的目标损失,Q为该批训练数据中的样本的数量,也就是该批训练数据中的用户的数量。
得到预训练的目标损失后,可基于预训练的目标损失对待训练模型的参数进行更新,得到更新参数后的待训练模型,并从通用数据集中获取下一批训练数据,并利用下一批训练数据对更新参数后的待训练模型继续进行训练,直至满足模型训练条件(例如,达到一定的迭代次数),从而得到预训练模型。
(2)微调阶段:
得到预训练模型后,可从微调数据集中获取一批训练数据,该批训练数据包含与第三用户相关联的信息以及多个第二候选物品的信息。
那么,可将与第三用户相关联的信息输入至预训练模型,以通过预训练模型对与第三用户相关联的信息进行处理,从而得到第三用户的特征(该过程可参考步骤1002的相关说明部分,此处不再赘述)。
接着,还可将多个第二候选物品的信息输入至预训练模型,以通过预训练模型(的特征获取模块)对多个第二候选物品的信息进行处理,得到多个第二候选物品的特征。
然后,可通过预置的第四损失函数对第三用户的特征以及多个第二候选物品的特征进行计算,从而得到微调的目标损失。例如,第四损失函数如以下公式所示:
上式中,Lfinetune为微调的目标损失,为第p个用户(前述的第三用户)对应的第二损失(该损失的计算过程可参考前述的公式(3),此处不再赘述),W为该批训练数据中的样本的数量,也就是该批训练数据中的用户的数量。
得到微调的目标损失后,可基于微调的目标损失对预训练模型中特征获取模块的特征投影层的参数进行更新,得到更新参数后的预训练模型,并从通用数据集中获取下一批训练数据,并利用下一批训练数据对更新参数后的预训练模型继续进行训练,直至满足模型训练条件(例如,达到一定的迭代次数),从而得到图5所示实施例中的目标模型。
本申请实施例训练得到的目标模型,具备物品推荐功能。具体地,当需要针对用户进行物品推荐时,可先获取与用户相关联的信息,该信息用于描述与用户的历史行为相关联的多个历史物品,并将该信息输入至目标模型。那么,目标模型可先对该信息进行特征提取,从而得到多个历史物品的特征。接着,目标模型可对多个历史物品的特征进行聚类,从而得到多个类别,其中,每一个类别包含至少一个历史物品的特征。然后,目标模型可对多个类别进行基于注意力机制的处理,从而得到并输出用户的特征。最后,可将用户的特征用于与多个候选物品的特征进行匹配,并基于匹配结果在多个候选物品中,确定可推荐给用户的物品。至此,则成功针对用户完成了物品推荐。前述过程中,目标模型在得到多个历史物品的特征后,可将多个历史物品的特征划分为多个类别(相当于将多个历史物品划分为多个类别),再基于这多个类别获取用户的特征。由于这多个类别代表着用户在多个历史物品上的整体兴趣分布,故目标模型在获取用户的特征的过程中,会均衡考虑各类历史物品,也就是说,目标模型不仅可以关注到常见的历史物品,还可关注到小众的历史物品,这样可以使得目标模型输出的用户的特征具备足够的准确度,进而可将正确的物品推荐给用户,从而提高用户体验。
以上是对本申请实施例提供的物品推荐方法以及模型训练方法所进行的详细说明,以下将对本申请实施例提供的物品推荐装置以及模型训练装置进行介绍。图11为本申请实施例提供的物品推荐装置的一个结构示意图,如图11所示,该装置包括:
获取模块1101,用于获取与用户相关联的信息,信息用于描述与用户的历史行为相关联的多个历史物品;
提取模块1102,用于对信息进行特征提取,得到多个历史物品的特征;
聚类模块1103,用于对多个历史物品的特征进行聚类,得到多个类别,一个类别包含至少一个历史物品的特征;
处理模块1104,用于对多个类别进行基于注意力机制的处理,得到用户的特征,用户的特征用于与多个候选物品的特征进行匹配,得到匹配结果,匹配结果用于在多个候选物品中,确定可推荐给用户的物品。
本申请实施例中,当需要针对用户进行物品推荐时,可先获取与用户相关联的信息,该信息用于描述与用户的历史行为相关联的多个历史物品,并将该信息输入至目标模型。那么,目标模型可先对该信息进行特征提取,从而得到多个历史物品的特征。接着,目标模型可对多个历史物品的特征进行聚类,从而得到多个类别,其中,每一个类别包含至少一个历史物品的特征。然后,目标模型可对多个类别进行基于注意力机制的处理,从而得到并输出用户的特征。最后,可将用户的特征用于与多个候选物品的特征进行匹配,并基于匹配结果在多个候选物品中,确定可推荐给用户的物品。至此,则成功针对用户完成了物品推荐。前述过程中,目标模型在得到多个历史物品的特征后,可将多个历史物品的特征划分为多个类别(相当于将多个历史物品划分为多个类别),再基于这多个类别获取用户的特征。由于这多个类别代表着用户在多个历史物品上的整体兴趣分布,故目标模型在获取用户的特征的过程中,会均衡考虑各类历史物品,也就是说,目标模型不仅可以关注到常见的历史物品,还可关注到小众的历史物品,这样可以使得目标模型输出的用户的特征具备足够的准确度,进而可将正确的物品推荐给用户,从而提高用户体验。
在一种可能实现的方式中,提取模块1102,用于:对信息进行编码,得到多个历史物品的第一特征;对多个历史物品的第一特征进行增强,得到多个历史物品的第二特征;对多个历史物品的第二特征进行投影,得到多个历史物品的第三特征,多个历史物品的第三特征作为多个历史物品的特征。
在一种可能实现的方式中,聚类模块1103,用于:获取预置的多个聚类中心;将多个历史物品的特征划分至多个聚类中心中的若干个聚类中心,并将多个聚类中心中除若干个聚类中心之外的其余聚类中心剔除,得到多个类别。
在一种可能实现的方式中,处理模块1104,用于:对多个历史物品的第三特征进行第一处理,得到多个历史物品的第四特征,第一处理包含基于注意力机制的处理;对多个历史物品的第四特征以及多个类别进行第二处理,得到用户的特征,第二处理包含基于注意力机制的处理。
在一种可能实现的方式中,第一处理还包含以下至少一项:相加、归一化以及基于前馈网络的处理。
在一种可能实现的方式中,第二处理还包含以下至少一项:相加、归一化、基于前馈网络的处理以及池化。
在一种可能实现的方式中,信息包含以下至少一种:多个历史物品的文本、多个历史物品的图像、多个历史物品的视频以及多个历史物品的音频。
图12为本申请实施例提供的模型训练装置的一个结构示意图,如图12所示,该装置包括:
获取模块1201,用于获取与第一用户相关联的信息,与第一用户相关联的信息用于描述与第一用户的历史行为相关联的多个历史物品;
处理模块1202,用于通过待训练模型对与第一用户相关联的信息进行处理,得到第一用户的特征,待训练模型用于:对与第一用户相关联的信息进行特征提取,得到多个历史物品的特征;对多个历史物品的特征进行聚类,得到多个类别,一个类别包含至少一个历史物品的特征;对多个类别进行基于注意力机制的处理,得到第一用户的特征;
训练模块1203,用于基于第一用户的特征,对待训练模型进行训练,得到目标模型。
本申请实施例训练得到的目标模型,具备物品推荐功能。具体地,当需要针对用户进行物品推荐时,可先获取与用户相关联的信息,该信息用于描述与用户的历史行为相关联的多个历史物品,并将该信息输入至目标模型。那么,目标模型可先对该信息进行特征提取,从而得到多个历史物品的特征。接着,目标模型可对多个历史物品的特征进行聚类,从而得到多个类别,其中,每一个类别包含至少一个历史物品的特征。然后,目标模型可对多个类别进行基于注意力机制的处理,从而得到并输出用户的特征。最后,可将用户的特征用于与多个候选物品的特征进行匹配,并基于匹配结果在多个候选物品中,确定可推荐给用户的物品。至此,则成功针对用户完成了物品推荐。前述过程中,目标模型在得到多个历史物品的特征后,可将多个历史物品的特征划分为多个类别(相当于将多个历史物品划分为多个类别),再基于这多个类别获取用户的特征。由于这多个类别代表着用户在多个历史物品上的整体兴趣分布,故目标模型在获取用户的特征的过程中,会均衡考虑各类历史物品,也就是说,目标模型不仅可以关注到常见的历史物品,还可关注到小众的历史物品,这样可以使得目标模型输出的用户的特征具备足够的准确度,进而可将正确的物品推荐给用户,从而提高用户体验。
在一种可能实现的方式中,训练模块1203,用于:通过待训练模型对与第一用户相关联的信息进行二次处理,得到第一用户的新特征;通过待训练模型对与第二用户相关联的信息进行处理,得到第二用户的特征;通过待训练模型对多个第一候选物品的信息进行处理,得到多个第一候选物品的特征;基于第一用户的特征、第一用户的新特征、第二用户的特征以及多个第一候选物品的特征,对待训练模型进行预训练,得到预训练模型;通过预训练模型对与第三用户相关联的信息进行处理,得到第三用户的特征;通过预训练模型对多个第二候选物品的信息进行处理,得到多个第二候选物品的特征;基于第三用户的特征以及多个第二候选物品的特征,对预训练模型进行微调,得到目标模型。
在一种可能实现的方式中,待训练模型,用于:对与第一用户相关联的信息进行编码,得到多个历史物品的第一特征;对多个历史物品的第一特征进行增强,得到多个历史物品的第二特征;对多个历史物品的第二特征进行投影,得到多个历史物品的第三特征,多个历史物品的第三特征作为多个历史物品的特征。
在一种可能实现的方式中,待训练模型,用于:获取预置的多个聚类中心;将多个历史物品的特征划分至多个聚类中心中的若干个聚类中心,并将多个聚类中心中除若干个聚类中心之外的其余聚类中心剔除,得到多个类别。
在一种可能实现的方式中,待训练模型,用于:对多个历史物品的第三特征进行第一处理,得到多个历史物品的第四特征,第一处理包含基于注意力机制的处理;对多个历史物品的第四特征以及多个类别进行第二处理,得到第一用户的特征,第二处理包含基于注意力机制的处理。
在一种可能实现的方式中,第一处理还包含以下至少一项:相加、归一化以及基于前馈网络的处理。
在一种可能实现的方式中,第二处理还包含以下至少一项:相加、归一化、基于前馈网络的处理以及池化。
在一种可能实现的方式中,与第一用户相关联的信息包含以下至少一种:多个历史物品的文本、多个历史物品的图像、多个历史物品的视频以及多个历史物品的音频。
需要说明的是,上述装置各模块/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参考本申请实施例前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例还涉及一种执行设备,图13为本申请实施例提供的执行设备的一个结构示意图。如图13所示,执行设备1300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。其中,执行设备1300上可部署有图11对应实施例中所描述的物品推荐装置,用于实现图5对应实施例中物品推荐的功能。具体的,执行设备1300包括:接收器1301、发射器1302、处理器1303和存储器1304(其中执行设备1300中的处理器1303的数量可以一个或多个,图13中以一个处理器为例),其中,处理器1303可以包括应用处理器13031和通信处理器13032。在本申请的一些实施例中,接收器1301、发射器1302、处理器1303和存储器1304可通过总线或其它方式连接。
存储器1304可以包括只读存储器和随机存取存储器,并向处理器1303提供指令和数据。存储器1304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1304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1303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1303中,或者由处理器1303实现。处理器1303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1303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1303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,还可进一步包括专用集成电路(application specific integratedcircuit,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1303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1304,处理器1303读取存储器1304中的信息,结合其硬件完成上述方法的步骤。
接收器1301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1302可用于通过第一接口输出数字或字符信息;发射器1302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1302还可以包括显示屏等显示设备。
本申请实施例中,在一种情况下,处理器1303,用于通过图5对应实施例中的目标模型,为用户进行物品推荐。
本申请实施例还涉及一种训练设备,图14为本申请实施例提供的训练设备的一个结构示意图。如图14所示,训练设备1400由一个或多个服务器实现,训练设备1400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)1414(例如,一个或一个以上处理器)和存储器1432,一个或一个以上存储应用程序1442或数据1444的存储介质1430(例如一个或一个以上海量存储设备)。其中,存储器1432和存储介质1430可以是短暂存储或持久存储。存储在存储介质1430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1414可以设置为与存储介质1430通信,在训练设备1400上执行存储介质1430中的一系列指令操作。
训练设备1400还可以包括一个或一个以上电源1426,一个或一个以上有线或无线网络接口1450,一个或一个以上输入输出接口1458;或,一个或一个以上操作系统1441,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
具体的,训练设备可以执行图10对应实施例中的模型训练方法,从而得到目标模型。
本申请实施例还涉及一种计算机存储介质,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。
本申请实施例还涉及一种计算机程序产品,该计算机程序产品存储有指令,该指令在由计算机执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15,图15为本申请实施例提供的芯片的一个结构示意图,所述芯片可以表现为神经网络处理器NPU 1500,NPU 1500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1503,通过控制器1504控制运算电路1503提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路1503内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1503是二维脉动阵列。运算电路1503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1503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1502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1501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)1508中。
统一存储器1506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)1505,DMAC被搬运到权重存储器1502中。输入数据也通过DMAC被搬运到统一存储器1506中。
BIU为Bus Interface Unit即,总线接口单元1513,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1509的交互。
总线接口单元1513(Bus Interface Unit,简称BIU),用于取指存储器1509从外部存储器获取指令,还用于存储单元访问控制器1505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1506或将权重数据搬运到权重存储器1502中或将输入数据数据搬运到输入存储器1501中。
向量计算单元1507包括多个运算处理单元,在需要的情况下,对运算电路1503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,对预测标签平面进行上采样等。
在一些实现中,向量计算单元1507能将经处理的输出的向量存储到统一存储器1506。例如,向量计算单元1507可以将线性函数;或,非线性函数应用到运算电路1503的输出,例如对卷积层提取的预测标签平面进行线性插值,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1507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1503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1504连接的取指存储器(instruction fetch buffer)1509,用于存储控制器1504使用的指令;
统一存储器1506,输入存储器1501,权重存储器1502以及取指存储器1509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 (20)
1.一种物品推荐方法,其特征在于,所述方法通过目标模型实现,所述方法包括:
获取与用户相关联的信息,所述信息用于描述与所述用户的历史行为相关联的多个历史物品;
对所述信息进行特征提取,得到所述多个历史物品的特征;
对所述多个历史物品的特征进行聚类,得到多个类别,一个类别包含至少一个历史物品的特征;
对所述多个类别进行基于注意力机制的处理,得到所述用户的特征,所述用户的特征用于与多个候选物品的特征进行匹配,得到匹配结果,所述匹配结果用于在所述多个候选物品中,确定可推荐给所述用户的物品。
2.根据权利要求1所述的方法,其特征在于,所述对所述信息进行特征提取,得到所述多个历史物品的特征包括:
对所述信息进行编码,得到所述多个历史物品的第一特征;
对所述多个历史物品的第一特征进行增强,得到所述多个历史物品的第二特征;
对所述多个历史物品的第二特征进行投影,得到所述多个历史物品的第三特征,所述多个历史物品的第三特征作为所述多个历史物品的特征。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述多个历史物品的特征进行聚类,得到多个类别包括:
获取预置的多个聚类中心;
将所述多个历史物品的特征划分至所述多个聚类中心中的若干个聚类中心,并将所述多个聚类中心中除所述若干个聚类中心之外的其余聚类中心剔除,得到多个类别。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述对所述多个类别进行基于注意力机制的处理,得到所述用户的特征包括:
对所述多个历史物品的第三特征进行第一处理,得到所述多个历史物品的第四特征,所述第一处理包含基于注意力机制的处理;
对所述多个历史物品的第四特征以及所述多个类别进行第二处理,得到所述用户的特征,所述第二处理包含基于注意力机制的处理。
5.根据权利要求4所述的方法,其特征在于,所述第一处理还包含以下至少一项:相加、归一化以及基于前馈网络的处理。
6.根据权利要求4所述的方法,其特征在于,所述第二处理还包含以下至少一项:相加、归一化、基于前馈网络的处理以及池化。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述信息包含以下至少一种:所述多个历史物品的文本、所述多个历史物品的图像、所述多个历史物品的视频以及所述多个历史物品的音频。
8.一种模型训练方法,其特征在于,所述方法包括:
获取与第一用户相关联的信息,所述与第一用户相关联的信息用于描述与所述第一用户的历史行为相关联的多个历史物品;
通过待训练模型对所述与第一用户相关联的信息进行处理,得到所述第一用户的特征,所述待训练模型用于:对所述与第一用户相关联的信息进行特征提取,得到所述多个历史物品的特征;对所述多个历史物品的特征进行聚类,得到多个类别,一个类别包含至少一个历史物品的特征;对所述多个类别进行基于注意力机制的处理,得到所述第一用户的特征;
基于所述第一用户的特征,对所述待训练模型进行训练,得到目标模型。
9.根据权利要求8所述的方法,其特征在于,所述基于所述第一用户的特征,对所述待训练模型进行训练,得到目标模型包括:
通过所述待训练模型对与第一用户相关联的信息进行二次处理,得到所述第一用户的新特征;
通过所述待训练模型对与第二用户相关联的信息进行处理,得到所述第二用户的特征;
通过所述待训练模型对多个第一候选物品的信息进行处理,得到所述多个第一候选物品的特征;
基于所述第一用户的特征、所述第一用户的新特征、所述第二用户的特征以及所述多个第一候选物品的特征,对所述待训练模型进行预训练,得到预训练模型;
通过所述预训练模型对与第三用户相关联的信息进行处理,得到所述第三用户的特征;
通过所述预训练模型对多个第二候选物品的信息进行处理,得到所述多个第二候选物品的特征;
基于所述第三用户的特征以及所述多个第二候选物品的特征,对所述预训练模型进行微调,得到目标模型。
10.根据权利要求8或9所述的方法,其特征在于,所述待训练模型,用于:
对所述与第一用户相关联的信息进行编码,得到所述多个历史物品的第一特征;
对所述多个历史物品的第一特征进行增强,得到所述多个历史物品的第二特征;
对所述多个历史物品的第二特征进行投影,得到所述多个历史物品的第三特征,所述多个历史物品的第三特征作为所述多个历史物品的特征。
11.根据权利要求8至10任意一项所述的方法,其特征在于,所述待训练模型,用于:
获取预置的多个聚类中心;
将所述多个历史物品的特征划分至所述多个聚类中心中的若干个聚类中心,并将所述多个聚类中心中除所述若干个聚类中心之外的其余聚类中心剔除,得到多个类别。
12.根据权利要求8至11任意一项所述的方法,其特征在于,所述待训练模型,用于:
对所述多个历史物品的第三特征进行第一处理,得到所述多个历史物品的第四特征,所述第一处理包含基于注意力机制的处理;
对所述多个历史物品的第四特征以及所述多个类别进行第二处理,得到所述第一用户的特征,所述第二处理包含基于注意力机制的处理。
13.根据权利要求12所述的方法,其特征在于,所述第一处理还包含以下至少一项:相加、归一化以及基于前馈网络的处理。
14.根据权利要求12所述的方法,其特征在于,所述第二处理还包含以下至少一项:相加、归一化、基于前馈网络的处理以及池化。
15.根据权利要求8至14任意一项所述的方法,其特征在于,所述与第一用户相关联的信息包含以下至少一种:所述多个历史物品的文本、所述多个历史物品的图像、所述多个历史物品的视频以及所述多个历史物品的音频。
16.一种物品推荐装置,其特征在于,所述装置包含目标模型,所述装置包括:
获取模块,用于获取与用户相关联的信息,所述信息用于描述与所述用户的历史行为相关联的多个历史物品;
提取模块,用于对所述信息进行特征提取,得到所述多个历史物品的特征;
聚类模块,用于对所述多个历史物品的特征进行聚类,得到多个类别,一个类别包含至少一个历史物品的特征;
处理模块,用于对所述多个类别进行基于注意力机制的处理,得到所述用户的特征,所述用户的特征用于与多个候选物品的特征进行匹配,得到匹配结果,所述匹配结果用于在所述多个候选物品中,确定可推荐给所述用户的物品。
17.一种模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取与第一用户相关联的信息,所述与第一用户相关联的信息用于描述与所述第一用户的历史行为相关联的多个历史物品;
处理模块,用于通过待训练模型对所述与第一用户相关联的信息进行处理,得到所述第一用户的特征,所述待训练模型用于:对所述与第一用户相关联的信息进行特征提取,得到所述多个历史物品的特征;对所述多个历史物品的特征进行聚类,得到多个类别,一个类别包含至少一个历史物品的特征;对所述多个类别进行基于注意力机制的处理,得到所述第一用户的特征;
训练模块,用于基于所述第一用户的特征,对所述待训练模型进行训练,得到目标模型。
18.一种物品推荐装置,其特征在于,所述物品推荐装置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执行所述代码,当所述代码被执行时,所述物品推荐装置执行如权利要求1至15任意一项所述的方法。
19.一种计算机存储介质,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15任一所述的方法。
20.一种计算机程序产品,其特征在于,所述计算机程序产品存储有指令,所述指令在由计算机执行时,使得所述计算机实施权利要求1至15任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310884863.9A CN117056589A (zh) | 2023-07-18 | 2023-07-18 | 一种物品推荐方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310884863.9A CN117056589A (zh) | 2023-07-18 | 2023-07-18 | 一种物品推荐方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117056589A true CN117056589A (zh) | 2023-11-14 |
Family
ID=88659846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310884863.9A Pending CN117056589A (zh) | 2023-07-18 | 2023-07-18 | 一种物品推荐方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056589A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037198A (zh) * | 2024-04-11 | 2024-05-14 | 杭州威灿科技有限公司 | 事件关联物品管理方法、装置、设备及介质 |
-
2023
- 2023-07-18 CN CN202310884863.9A patent/CN117056589A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037198A (zh) * | 2024-04-11 | 2024-05-14 | 杭州威灿科技有限公司 | 事件关联物品管理方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022068623A1 (zh) | 一种模型训练方法及相关设备 | |
CN114997412A (zh) | 一种推荐方法、训练方法以及装置 | |
WO2023185925A1 (zh) | 一种数据处理方法及相关装置 | |
CN113065633A (zh) | 一种模型训练方法及其相关联设备 | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
CN117056589A (zh) | 一种物品推荐方法及其相关设备 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
CN114169393A (zh) | 一种图像分类方法及其相关设备 | |
WO2023246735A1 (zh) | 一种项目推荐方法及其相关设备 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
CN117251619A (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 | |
CN116843022A (zh) | 一种数据处理方法及相关装置 | |
WO2023045949A1 (zh) | 一种模型训练方法及其相关设备 | |
CN115618950A (zh) | 一种数据处理方法及相关装置 | |
CN114707070A (zh) | 一种用户行为预测方法及其相关设备 | |
CN114707643A (zh) | 一种模型切分方法及其相关设备 | |
CN113065638A (zh) | 一种神经网络压缩方法及其相关设备 | |
CN116611861A (zh) | 一种消费预测方法及其相关设备 | |
CN116882472A (zh) | 一种训练数据评估方法及其相关设备 | |
CN117251487A (zh) | 一种项目推荐方法及其相关设备 | |
CN117852603A (zh) | 一种任务信息获取方法以及相关设备 | |
CN117746047A (zh) | 一种图像处理方法及其相关设备 | |
CN116681596A (zh) | 一种物体模型旋转方法及其相关设备 | |
CN116881542A (zh) | 一种物品推荐方法及其相关设备 |
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 |