CN117251487A - 一种项目推荐方法及其相关设备 - Google Patents

一种项目推荐方法及其相关设备 Download PDF

Info

Publication number
CN117251487A
CN117251487A CN202210641372.7A CN202210641372A CN117251487A CN 117251487 A CN117251487 A CN 117251487A CN 202210641372 A CN202210641372 A CN 202210641372A CN 117251487 A CN117251487 A CN 117251487A
Authority
CN
China
Prior art keywords
information
model
interaction unit
user
item
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
CN202210641372.7A
Other languages
English (en)
Inventor
贾庆林
朱杰明
蔡国豪
唐睿明
董振华
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 CN202210641372.7A priority Critical patent/CN117251487A/zh
Priority to PCT/CN2023/098289 priority patent/WO2023236900A1/zh
Publication of CN117251487A publication Critical patent/CN117251487A/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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请公开了一种项目推荐方法及其相关设备，既可准确预测一些频繁出现的项目以及一些几乎未曾出现的项目被用户点击之间的概率，还可准确预测除这两类项目之外的其余项目被用户点击的概率，从而提高模型的整体预测精度。本申请的方法包括：获取第一信息，第一信息包含用户的属性信息以及项目的属性信息；通过第一模型对第一信息进行处理，得到第一处理结果，第一处理结果用于确定推荐给用户的项目，第一模型用于：对第一信息进行线性运算，得到第二信息；对第二信息进行非线性运算，得到第三信息；基于第三信息，获取第一处理结果。

Description

一种项目推荐方法及其相关设备
技术领域
本申请实施例涉及人工智能(artificial intelligence，AI)技术，尤其涉及一种项目推荐方法及其相关设备。
背景技术
随着计算机技术的快速发展，为了满足用户的上网需求，开发商越来越倾向于在应用的页面上展现用户感兴趣的内容。基于此，针对于某个应用的页面，往往需要预测用户会点击该页面上所展示的哪个或哪些项目(item)，即预测用户针对该页面的行为，进而修改该页面上所需呈现的项目，以为用户推荐其感兴趣的项目。
目前，可利用AI技术的神经网络模型来预测应用页面上的项目被用户点击的概率。具体地，相关技术提供的神经网络模型可包含两个分支，可将第一个分支称为第一模型，将第二个分支称为第二模型，第一模型可对输入的信息(包含用户的属性信息以及项目的属性信息等等)进行线性运算，第二模型可对输入的信息进行非线性运算，基于这两个模型运算的结果，可得到各个项目被用户点击的概率，故可将概率较大的项目确定为推荐给用户的项目。
然而，第一模型在线性运算的过程中，主要注意到一些频繁出现的项目与用户之间的关系，第二模型在非线性运算的过程中，主要注意到一些几乎未曾出现的项目与用户之间的关系，忽略了这两类项目之外的其余项目与用户之间的关系，虽然神经网络模型能够较为准确预测地这两类项目被用户点击的概率，但无法准确地预测其余项目被用户点击的概率，以致于神经网络模型的整体预测精度不高。
发明内容
本申请实施例提供了一种项目推荐方法及其相关设备，既可准确预测一些频繁出现的项目以及一些几乎未曾出现的项目被用户点击之间的概率，还可准确预测除这两类项目之外的其余项目被用户点击的概率，从而提高模型的整体预测精度。
本申请实施例的第一方面提供了一种项目推荐方法，该方法包括：
当用户在使用某个应用时，为了预测用户在该应用的页面上的行为，可先获取与用户相关联的第一信息，第一信息至少包含用户的属性信息以及该应用的页面上可呈现的项目的属性信息，其中，用户的属性信息可包含用户的姓名、年龄、性别以及工作等信息，项目的属性信息可包含项目的名称、类型、功能以及价格等信息。
得到第一信息后，可获取第一模型(已训练好的神经网络模型)，并将第一信息输入至第一模型，以使得第一模型对第一信息进行处理，得到第一处理结果，第一处理结果可用于获取该应用的页面上可呈现的项目被用户点击的概率，而这些概率可用于确定推荐给用户的项目(例如，在该应用的页面上可呈现的项目中，将概率较大的项目确定为推荐给用户的项目)。其中，第一模型处理第一信息的过程包括：首先，第一模型对第一信息进行线性运算，得到第二信息。然后，第一模型对第二信息进行非线性运算，得到第三信息。最后，第一模型基于第三信息，获取第一处理结果。
需要说明的是，此处所涉及的线性运算，通常指仅包含加法以及数量乘法的运算，例如，y＝wx+b，其中，x为输入的信息(向量)，y为计算后的信息，w为权重，b为常数。此处所涉及的非线性运算，通常指在线性运算的基础上，添加非线性激活函数的运算，非线性激活函数的函数特点是在函数空间上存在不连续可导的点。例如，常见的非线性激活函数有ReLu,Sigmoid,tanh等等。
从上述方法可以看出：在获取包含用户的属性信息以及项目的属性信息的第一信息后，可将第一信息输入至第一模型进行处理，从而得到第一处理结果，第一处理结果可用于确定项目被用户点击的概率。在处理第一信息时，第一模型先对第一信息进行线性运算，得到第二信息，再对第一信息和第二信息进行非线性运算，得到第三信息，最后基于第二信息以及第三信息，获取第一处理结果。由此可见，第一模型在线性运算的基础上实现了非线性运算，令线性运算和非线性运算之间产生了联系，在这个运算过程中，第一模型不仅可实现信息之间的显式交互以及隐式交互，还可实现信息之间的半显式交互，也就是说，在这个运算过程中，第一模型不仅可以注意到一些频繁出现的项目与用户之间的关系以及一些几乎未曾出现的项目与用户之间的关系，还可注意到除这两类项目之外的其余项目与用户之间的关系，故第一模型既可准确地预测这两类项目被用户点击的概率，也可准确地预测其余项目被用户点击的概率，从而提高模型的整体预测精度。
在一种可能的实现方式中，第一模型用于：对第一信息进行线性运算，得到第二信息；对第一信息和第二信息进行非线性运算，得到第三信息；对第二信息以及第三信息进行融合，得到第四信息；基于第四信息，获取第一处理结果。前述实现方式中，设第一模型中仅包含一个交互单元，该交互单元可包含一个线性层、一个非线性层以及一个融合层，其中，线性层的输入端即为该交互单元的输入端，非线性层的第一输入端即为该交互单元的输入端，线性层的第一输出端与非线性层的第二输入端连接，线性层的第二输出端与融合层的输入端连接，非线性层的输出端与融合层的输入端连接，融合层的输出端即为该交互单元的输出端。那么，将第一信息输入至第一模型中的该交互单元，该交互单元中的线性层和该交互单元中的非线性层均可接收到第一信息。接着，线性层可对第一信息进行线性运算，得到线性层的线性运算结果(即前述的第二信息)，并将线性层的线性运算结果输入至非线性层以及融合层。然后，非线性层可对第一信息以及线性层的线性运算结果进行非线性运算，得到非线性层的非线性运算结果(即前述的第三信息)，并将非线性层的非线性运算结果输入至融合层。最后，融合层可将线性层的线性运算结果以及非线性层的非线性运算结果进行融合，融合结果(即前述的第四信息)可直接作为该交互单元的输出，也就是第一模型的输出，即第一模型针对第一信息的第一处理结果。
在一种可能的实现方式中，该方法还包括：通过第二模型对第一信息进行处理，得到第二处理结果，第二模型为以下至少一种：多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与第一模型相同的模型；通过第三模型对第一处理结果以及第二处理结果进行融合，得到的融合后的结果用于确定推荐给用户的项目。前述实现方式提供了一个目标模型，目标模型包含第一模型、第二模型以及第三模型，这三个模型均为已训练的神经网络模型。其中，第一模型和第二模型作为并行的两个分支，且第一模型的输出端和第二模型的输出端均和第三模型的输入端连接，第一模型的输入端和第二模型输入端可用于接收第一信息，第三模型的输出端可输出该应用的页面上可呈现的项目被用户点击的概率。那么，在将第一信息输入至第一模型的同时，还可将第一信息输入至第二模型，以使得第二模型对第一信息进行处理，得到第二处理结果。第一模型得到第一处理结果以及第二模型得到第二处理结果后，第一模型可将第一处理结果发送至第三模型，第二模型可将第二处理结果发送至第三模型，以使得第三模型将第一处理结果和第二处理结果进行融合，得到的融合后的结果即为该应用的页面上可呈现的项目被用户点击的概率，故这些概率可用于确定推荐给用户的项目(例如，在该应用的页面上可呈现的项目中，将概率较大的项目确定为推荐给用户的项目)。由于第二模型可以为多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与第一模型相同的模型中的至少一种，故目标模型中的第一模型和第二模型可构成多种类型的模型组合，有利于目标模型为更多业务场景提供服务，具备较高的泛化性能。
在一种可能的实现方式中，第一模型包含N个交互单元，第i个交互单元的输入为第i-1个交互单元的输出，N≥1，i＝1,...,N，通过第一模型对第一信息进行处理，得到第一处理结果包括：通过第i个交互单元对第i个交互单元的输入进行线性运算，得到第i个交互单元的线性运算结果；通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的线性运算结果进行非线性运算，得到第i个交互单元的非线性运算结果；通过第i个交互单元对第i个交互单元的线性运算结果以及第i个交互单元的非线性运算结果进行融合，得到第i个交互单元的输出；其中，第1个交互单元的输入为第一信息，第1个交互模型的线性运算结果为第二信息，第1个交互模型的非线性运算结果为第三信息，第1个交互模型的输出为第四信息，第N个交互模型的输出为第一处理结果。前述实现方式中，设第一模型中包含串联的N个交互单元，对于这N个交互单元中的任意一个交互单元而言，即对于第i个交互单元而言(i＝1,...,N)，第i个交互单元可包含一个线性层、一个非线性层以及一个融合层，其中，第i个交互单元的线性层的输入端即为第i个交互单元的输入端，第i个交互单元的非线性层的第一输入端即为第i个交互单元的输入端，第i个交互单元的线性层的第一输出端与第i个交互单元的非线性层的第二输入端连接，第i个交互单元的线性层的第二输出端与第i个交互单元的融合层的输入端连接，第i个交互单元的非线性层的输出端与第i个交互单元的融合层的输入端连接，第i个交互单元的融合层的输出端即为第i个交互单元的输出端。对于除第i个交互单元之外的其余交互单元而言，其余交互单元内部的结构也是如此，此处不再赘述。那么，第i个交互单元接收到第i个交互单元的输入(即第i-1个交互单元的输出)后，可对第i个交互单元的输入执行以下操作：第i个交互单元的线性层可对第i个交互单元的输入进行线性运算，得到第i个交互单元的线性层的线性运算结果，并将第i个交互单元的线性层的线性运算结果输入至第i个交互单元的非线性层以及第i个交互单元的融合层。然后，第i个交互单元的非线性层可对第i个交互单元的输入以及第i个交互单元的线性层的线性运算结果进行非线性运算，得到第i个交互单元的非线性层的非线性运算结果，并将第i个交互单元的非线性层的非线性运算结果输入至第i个交互单元的融合层。随后，第i个交互单元的融合层可将第i个交互单元的线性层的线性运算结果以及第i个交互单元的非线性层的非线性运算结果进行融合，第i个交互单元的融合层的融合结果可直接作为第i个交互单元的输出，并输入至第i+1个交互单元。需要说明的是，第1个交互单元的输入为第一信息，第N个交互单元的输出为第一处理结果。由此可见，第一模型中可包含N个交互单元，每个交互单元可包含一个线性层和一个非线性层，且这N个交互单元之间呈串联关系，使用这N个交互单元对第一信息进行处理，可对第一信息实现一定数量级次数的线性运算和非线性运算，所得到的第一处理结果为一个高阶的信息(即2^N阶的信息)，基于此信息来作为或确定最终的预测结果，即各个项目被用户点击的概率，具备较高的准确度。
在一种可能的实现方式中，通过第一模型对第一信息进行处理，得到第一处理结果还包括：通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的非线性运算结果进行非线性运算，得到第i个交互单元的新的非线性运算结果；通过第i个交互单元对第i个交互单元的线性运算结果以及第i个交互单元的非线性运算结果进行融合，得到第i个交互单元的输出包括：通过第i个交互单元对第i个交互单元的线性运算结果、第i个交互单元的非线性运算结果以及第i个交互单元的新的非线性运算结果进行融合，得到第i个交互单元的输出。前述实现方式中，设第一模型中包含串联的N个交互单元，对于这N个交互单元中的任意一个交互单元而言，即对于第i个交互单元而言(i＝1,...,N)，第i个交互单元可包含一个线性层、K-1个非线性层(K为大于或等于3的正整数)以及一个融合层，其中，第i个交互单元的线性层的输入端即为第i个交互单元的输入端，第i个交互单元的K-1个非线性层的第一输入端均为第i个交互单元的输入端，第i个交互单元的线性层的第一输出端与第i个交互单元的第1个非线性层的第二输入端连接，第i个交互单元的第1个非线性层的第一输出端与第i个交互单元的第2个非线性层的第二输入端连接，...，第i个交互单元的第K-2个非线性层的第一输出端与第i个交互单元的第K-1个非线性层的第二输入端连接，第i个交互单元的线性层的第二输出端与第i个交互单元的融合层的输入端连接，第i个交互单元的K-1个非线性层的第二输出端均与第i个交互单元的融合层的输入端连接，第i个交互单元的融合层的输出端即为第i个交互单元的输出端。对于除第i个交互单元之外的其余交互单元而言，其余交互单元内部的结构也是如此，此处不再赘述。那么，第i个交互单元接收到第i个交互单元的输入(即第i-1个交互单元的输出)后，可对第i个交互单元的输入执行以下操作：第i个交互单元的线性层可对第i个交互单元的输入进行线性运算，得到第i个交互单元的线性层的线性运算结果，并将第i个交互单元的线性层的线性运算结果输入至第i个交互单元的第1个非线性层以及第i个交互单元的融合层。然后，第i个交互单元的第1个非线性层可对第i个交互单元的输入以及第i个交互单元的线性层的线性运算结果进行非线性运算，得到第i个交互单元的第1个非线性层的非线性运算结果，并将第i个交互单元的第1个非线性层的非线性运算结果输入至第i个交互单元的第2个非线性层以及融合层。随后，第i个交互单元的第2个非线性层可对第i个交互单元的输入以及第i个交互单元的第1个非线性层的非线性运算结果进行非线性运算，得到第i个交互单元的第2个非线性层的非线性运算结果，并将第i个交互单元的第2个非线性层的非线性运算结果输入至第i个交互单元的第3个非线性层以及融合层，...，第i个交互单元的第K-1个非线性层可对第i个交互单元的输入以及第i个交互单元的第K-2个非线性层的非线性运算结果进行非线性运算，得到第i个交互单元的第K-1个非线性层的非线性运算结果，并将第i个交互单元的第K-1个非线性层的非线性运算结果输入至第i个交互单元的融合层。随后，第i个交互单元的融合层可将第i个交互单元的线性层的线性运算结果以及第i个交互单元的K-1个非线性层的非线性运算结果进行融合，第i个交互单元的融合层的融合结果可直接作为第i个交互单元的输出，并输入至第i+1个交互单元。需要说明的是，第1个交互单元的输入为第一信息，第N个交互单元的输出为第一处理结果。由此可见，第一模型中可包含N个交互单元，每个交互单元可包含一个线性层和多个非线性层，且这N个交互单元之间呈串联关系，使用这N个交互单元对第一信息进行处理，可对第一信息实现一定数量级次数的线性运算和非线性运算，所得到的第一处理结果为一个高阶的信息(即K^N阶的信息)，基于此信息来作为或确定最终的预测结果，即各个项目被用户点击的概率，具备较高的准确度。
在一种可能的实现方式中，第一信息还包含：用户对应用的操作信息以及应用的属性信息，应用用于为用户提供项目。
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：获取第一信息，第一信息包含用户的属性信息以及项目的属性信息；通过第一待训练模型对第一信息进行处理，得到第一处理结果，第一处理结果用于确定项目被用户点击的概率，项目被用户点击的概率用于确定推荐给用户的项目，第一待训练模型用于：对第一信息进行线性运算，得到第二信息；对第二信息进行线性运算，得到第三信息；基于第三信息，获取第一处理结果；基于项目被用户点击的概率以及项目被用户点击的真实概率，获取目标损失，目标损失用于指示项目被用户点击的概率以及项目被用户点击的真实概率之间的差异；基于目标损失，对第一待训练模型的参数进行更新，直至满足模型训练条件，得到第一模型。
上述方法训练得到的第一模型，具备对用户行为进行预测的能力。具体地，在获取包含用户的属性信息以及项目的属性信息的第一信息后，可将第一信息输入至第一模型进行处理，从而得到第一处理结果，第一处理结果可用于确定项目被用户点击的概率。在处理第一信息时，第一模型先对第一信息进行线性运算，得到第二信息，再对第一信息和第二信息进行非线性运算，得到第三信息，最后基于第二信息以及第三信息，获取第一处理结果。由此可见，第一模型在线性运算的基础上实现了非线性运算，令线性运算和非线性运算之间产生了联系，在这个运算过程中，第一模型不仅可实现信息之间的显式交互以及隐式交互，还可实现信息之间的半显式交互，也就是说，在这个运算过程中，第一模型不仅可以注意到一些频繁出现的项目与用户之间的关系以及一些几乎未曾出现的项目与用户之间的关系，还可注意到除这两类项目之外的其余项目与用户之间的关系，故第一模型既可准确地预测这两类项目被用户点击的概率，也可准确地预测其余项目被用户点击的概率，从而提高模型的整体预测精度。
在一种可能的实现方式中，基于第二信息以及第三信息，获取第一处理结果包括：对第二信息以及第三信息进行融合，得到第四信息；基于第四信息，获取第一处理结果。
在一种可能的实现方式中，该方法还包括：通过第二待训练模型对第一信息进行处理，得到第二处理结果，第二待训练模型为以下至少一种：多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与第一待训练模型相同的模型；通过第三待训练模型对第一处理结果以及第二处理结果进行融合，得到的融合后的结果为项目被用户点击的概率。
在一种可能的实现方式中，基于项目被用户点击的概率以及项目被用户点击的真实概率，获取目标损失，目标损失用于指示项目被用户点击的概率以及项目被用户点击的真实概率之间的差异包括：基于项目被用户点击的概率、项目被用户点击的真实概率、第一处理结果以及第二处理结果，获取目标损失，目标损失用于指示项目被用户点击的概率以及项目被用户点击的真实概率之间的差异，第一处理结果与项目被用户点击的概率之间的差异，第二处理结果与项目被用户点击的概率之间的差异；基于目标损失，对第一待训练模型的参数进行更新，直至满足模型训练条件，得到第一模型包括：基于目标损失，对第一待训练模型的参数、第二待训练模型的参数以及第三待训练模型的参数进行更新，直至满足模型训练条件，对应得到第一模型、第二模型以及第三模型。前述实现方式提供了一种新的模型训练方式，不仅可针对待训练模型计算整体的损失，还可针对待训练模型中的不同分支模型计算相应的损失，从而基于这些损失，有针对性地指导模型中不同分支的参数进行更新，从而提高训练得到的神经网络模型的性能。
在一种可能的实现方式中，第一待训练模型包含N个交互单元，第i个交互单元的输入为第i-1个交互单元的输出，N≥1，i＝1,...,N，通过第一待训练模型对第一信息进行处理，得到第一处理结果包括：通过第i个交互单元对第i个交互单元的输入进行线性运算，得到第i个交互单元的线性运算结果；通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的线性运算结果进行非线性运算，得到第i个交互单元的非线性运算结果；通过第i个交互单元对第i个交互单元的线性运算结果以及第i个交互单元的非线性运算结果进行融合，得到第i个交互单元的输出；其中，第1个交互模型的输入为第一信息，第1个交互模型的线性运算结果为第二信息，第1个交互模型的非线性运算结果为第三信息，第1个交互模型的输出为第四信息，第N个交互模型的输出为第一处理结果。
在一种可能的实现方式中，通过第一待训练模型对第一信息进行处理，得到第一处理结果还包括：通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的非线性运算结果进行非线性运算，得到第i个交互单元的新的非线性运算结果；通过第i个交互单元对第i个交互单元的线性运算结果以及第i个交互单元的非线性运算结果进行融合，得到第i个交互单元的输出包括：通过第i个交互单元对第i个交互单元的线性运算结果、第i个交互单元的非线性运算结果以及第i个交互单元的新的非线性运算结果进行融合，得到第i个交互单元的输出。
在一种可能的实现方式中，第一信息还包含：用户对应用的操作信息以及应用的属性信息，应用用于为用户提供项目。
本申请实施例的第三方面提供了一种项目推荐装置，该装置包括：获取模块，用于获取第一信息，第一信息包含用户的属性信息以及项目的属性信息；第一处理模块，用于通过第一模型对第一信息进行处理，得到第一处理结果，第一处理结果用于确定项目被用户点击的概率，第一模型用于：对第一信息进行线性运算，得到第二信息；对第二信息进行非线性运算，得到第三信息；基于第三信息，获取第一处理结果。
从上述装置可以看出：在获取包含用户的属性信息以及项目的属性信息的第一信息后，可将第一信息输入至第一模型进行处理，从而得到第一处理结果，第一处理结果可用于确定项目被用户点击的概率。在处理第一信息时，第一模型先对第一信息进行线性运算，得到第二信息，再对第一信息和第二信息进行非线性运算，得到第三信息，最后基于第二信息以及第三信息，获取第一处理结果。由此可见，第一模型在线性运算的基础上实现了非线性运算，令线性运算和非线性运算之间产生了联系，在这个运算过程中，第一模型不仅可实现信息之间的显式交互以及隐式交互，还可实现信息之间的半显式交互，也就是说，在这个运算过程中，第一模型不仅可以注意到一些频繁出现的项目与用户之间的关系以及一些几乎未曾出现的项目与用户之间的关系，还可注意到除这两类项目之外的其余项目与用户之间的关系，故第一模型既可准确地预测这两类项目被用户点击的概率，也可准确地预测其余项目被用户点击的概率，从而提高模型的整体预测精度。
在一种可能的实现方式中，第一模型，用于：对第一信息进行线性运算，得到第二信息；对第一信息和第二信息进行非线性运算，得到第三信息；对第二信息以及第三信息进行融合，得到第四信息；基于第四信息，获取第一处理结果。
在一种可能的实现方式中，该装置还包括：第二处理模块，用于通过第二模型对第一信息进行处理，得到第二处理结果，第二模型为以下至少一种：多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与第一模型相同的模型；第三处理模块，用于通过第三模型对第一处理结果以及第二处理结果进行融合，得到的融合后的结果用于确定推荐给所述用户的项目。
在一种可能的实现方式中，第一模型包含N个交互单元，第i个交互单元的输入为第i-1个交互单元的输出，N≥1，i＝1,...,N，第一处理模块，用于：通过第i个交互单元对第i个交互单元的输入进行线性运算，得到第i个交互单元的线性运算结果；通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的线性运算结果进行非线性运算，得到第i个交互单元的非线性运算结果；通过第i个交互单元对第i个交互单元的线性运算结果以及第i个交互单元的非线性运算结果进行融合，得到第i个交互单元的输出；其中，第1个交互单元的输入为第一信息，第1个交互模型的线性运算结果为第二信息，第1个交互模型的非线性运算结果为第三信息，第1个交互模型的输出为第四信息，第N个交互模型的输出为第一处理结果。
在一种可能的实现方式中，第一处理模块，还用于通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的非线性运算结果进行非线性运算，得到第i个交互单元的新的非线性运算结果；第一处理模块，用于通过第i个交互单元对第i个交互单元的线性运算结果、第i个交互单元的非线性运算结果以及第i个交互单元的新的非线性运算结果进行融合，得到第i个交互单元的输出。
在一种可能的实现方式中，第一信息还包含：用户对应用的操作信息以及应用的属性信息，应用用于为用户提供项目。
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：第一获取模块，用于获取第一信息，第一信息包含用户的属性信息以及项目的属性信息；第一处理模块，用于通过第一待训练模型对第一信息进行处理，得到第一处理结果，第一处理结果用于确定项目被用户点击的概率，所述项目被用户点击的概率用于确定推荐给用户的项目，第一待训练模型用于：对第一信息进行线性运算，得到第二信息；对第二信息进行线性运算，得到第三信息；基于第三信息，获取第一处理结果；第二获取模块，用于基于项目被用户点击的概率以及项目被用户点击的真实概率，获取目标损失，目标损失用于指示项目被用户点击的概率以及项目被用户点击的真实概率之间的差异；更新模块，用于基于目标损失，对第一待训练模型的参数进行更新，直至满足模型训练条件，得到第一模型。
上述装置训练得到的第一模型，具备对用户行为进行预测的能力。具体地，在获取包含用户的属性信息以及项目的属性信息的第一信息后，可将第一信息输入至第一模型进行处理，从而得到第一处理结果，第一处理结果可用于确定项目被用户点击的概率。在处理第一信息时，第一模型先对第一信息进行线性运算，得到第二信息，再对第一信息和第二信息进行非线性运算，得到第三信息，最后基于第二信息以及第三信息，获取第一处理结果。由此可见，第一模型在线性运算的基础上实现了非线性运算，令线性运算和非线性运算之间产生了联系，在这个运算过程中，第一模型不仅可实现信息之间的显式交互以及隐式交互，还可实现信息之间的半显式交互，也就是说，在这个运算过程中，第一模型不仅可以注意到一些频繁出现的项目与用户之间的关系以及一些几乎未曾出现的项目与用户之间的关系，还可注意到除这两类项目之外的其余项目与用户之间的关系，故第一模型既可准确地预测这两类项目被用户点击的概率，也可准确地预测其余项目被用户点击的概率，从而提高模型的整体预测精度。
在一种可能的实现方式中，该装置还包括：第二处理模块，用于通过第二待训练模型对第一信息进行处理，得到第二处理结果，第二待训练模型为以下至少一种：多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与第一待训练模型相同的模型；第三处理模块，用于通过第三待训练模型对第一处理结果以及第二处理结果进行融合，得到的融合后的结果为项目被用户点击的概率。
在一种可能的实现方式中，第二获取模块，用于基于项目被用户点击的概率、项目被用户点击的真实概率、第一处理结果以及第二处理结果，获取目标损失，目标损失用于指示项目被用户点击的概率以及项目被用户点击的真实概率之间的差异，第一处理结果与项目被用户点击的概率之间的差异，第二处理结果与项目被用户点击的概率之间的差异；更新模块，用于基于目标损失，对第一待训练模型的参数、第二待训练模型的参数以及第三待训练模型的参数进行更新，直至满足模型训练条件，对应得到第一模型、第二模型以及第三模型。
在一种可能的实现方式中，第一待训练模型，用于：对第二信息以及第三信息进行融合，得到第四信息；基于第四信息，获取第一处理结果。
在一种可能的实现方式中，第一待训练模型包含N个交互单元，第i个交互单元的输入为第i-1个交互单元的输出，N≥1，i＝1,...,N，第一处理模块1302，用于：通过第i个交互单元对第i个交互单元的输入进行线性运算，得到第i个交互单元的线性运算结果；通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的线性运算结果进行非线性运算，得到第i个交互单元的非线性运算结果；通过第i个交互单元对第i个交互单元的线性运算结果以及第i个交互单元的非线性运算结果进行融合，得到第i个交互单元的输出；其中，第1个交互模型的输入为第一信息，第1个交互模型的线性运算结果为第二信息，第1个交互模型的非线性运算结果为第三信息，第1个交互模型的输出为第四信息，第N个交互模型的输出为第一处理结果。
在一种可能的实现方式中，第一处理模块，还用于：通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的非线性运算结果进行非线性运算，得到第i个交互单元的新的非线性运算结果；第一处理模块，用于通过第i个交互单元对第i个交互单元的线性运算结果、第i个交互单元的非线性运算结果以及第i个交互单元的新的非线性运算结果进行融合，得到第i个交互单元的输出。
在一种可能的实现方式中，第一信息还包含：用户对应用的操作信息以及应用的属性信息，应用用于为用户提供项目。
本申请实施例的第五方面提供了一种项目推荐装置，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，项目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、第一方面中的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、第一方面中的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、第一方面中的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、第一方面中的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，在获取包含用户的属性信息以及项目的属性信息的第一信息后，可将第一信息输入至第一模型进行处理，从而得到第一处理结果，第一处理结果可用于确定项目被用户点击的概率。在处理第一信息时，第一模型先对第一信息进行线性运算，得到第二信息，再对第一信息和第二信息进行非线性运算，得到第三信息，最后基于第二信息以及第三信息，获取第一处理结果。由此可见，第一模型在线性运算的基础上实现了非线性运算，令线性运算和非线性运算之间产生了联系，在这个运算过程中，第一模型不仅可实现信息之间的显式交互以及隐式交互，还可实现信息之间的半显式交互，也就是说，在这个运算过程中，第一模型不仅可以注意到一些频繁出现的项目与用户之间的关系以及一些几乎未曾出现的项目与用户之间的关系，还可注意到除这两类项目之外的其余项目与用户之间的关系，故第一模型既可准确地预测这两类项目被用户点击的概率，也可准确地预测其余项目被用户点击的概率，从而提高模型的整体预测精度。
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项目推荐系统的一个结构示意图；
图2b为本申请实施例提供的项目推荐系统的另一结构示意图；
图2c为本申请实施例提供的项目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项目推荐方法的一个流程示意图；
图5为本申请实施例提供的第一模型的一个结构示意图；
图6为本申请实施例提供的第一模型的另一结构示意图；
图7为本申请实施例提供的第一模型的另一结构示意图
图8为本申请实施例提供的第一模型的另一结构示意图
图9为本申请实施例提供的项目推荐方法的另一流程示意图；
图10为本申请实施例提供的目标模型的一个结构示意图；
图11为本申请实施例中的模型训练方法的一个流程示意图；
图12为本申请实施例提供的项目推荐装置的一个结构示意图；
图13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14为本申请实施例提供的执行设备的一个结构示意图；
图15为本申请实施例提供的训练设备的一个结构示意图；
图16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项目推荐方法及其相关设备，既可准确预测一些频繁出现的项目以及一些几乎未曾出现的项目被用户点击之间的概率，还可准确预测除这两类项目之外的其余项目被用户点击的概率，从而提高模型的整体预测精度。
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。
随着计算机技术的快速发展，为了满足用户的上网需求，开发商越来越倾向于在应用的页面上展现用户感兴趣的内容。基于此，针对于某个应用的页面，往往需要预测用户会点击该页面上所展示的哪个或哪些项目(例如，预测某个男性用户会点击操作系统页面中的哪些软件，又如，预测某个学生会点击购物软件页面中的哪个商品等等)，即预测用户针对该页面的行为，进而修改该页面上所需呈现的项目，以为用户推荐其感兴趣的项目。
目前，可利用AI技术的神经网络模型来预测应用页面上的项目被用户点击的概率。具体地，相关技术提供的神经网络模型可包含两个分支，可将第一个分支称为第一模型，将第二个分支称为第二模型。那么，当需要通过该神经网络模型预测用户行为时，可将用户的属性信息((例如，某个学生的姓名、年龄以及性别等等)以及项目的属性信息(例如，某些商品的类型、价格以及功能等等)等信息作为模型的输入，以使得第一模型可对输入的信息进行线性运算，第二模型可对输入的信息进行非线性运算，那么，基于这两个模型运算的结果，可得到各个项目被用户点击的概率。
在线性运算的过程中，第一模型可实现输入的信息(特征)之间的显式交互，第一模型会“记住”一些常见的信息(特征)组合(即第一模型在非线性运算的过程中，主要注意到一些频繁出现的项目与用户之间的关系)，在非线性运算的过程中，第二模型可实现输入的信息(特征)之间的隐式交互，第二模型会寻找到一些少见或未曾见过的信息组合(即第二模型在线性运算的过程中，主要注意到一些几乎未曾出现的项目与用户之间的关系)。因此，相关技术的神经网络模型以此种方式来实现信息之间的交互，效率往往较为低下，即模型对除这两类项目之外的其余项目与用户之间的关系不够关注，虽然神经网络模型能够较为准确地预测这两类项目被用户点击的概率，但无法准确地预测其余项目被用户点击的概率，以致于神经网络模型的整体预测精度不高。
进一步地，相关技术提供的神经网络模型中，受限于第一模型自身的结构，第一模型无法充分实现信息之间的交互，交互最终所得到的信息的阶数往往不够高(例如，第一模型通常设置有串联的3个线性层，可先后实现3次线性运算，最终得到的信息的阶数通常为3阶)，由于将该信息往往可确定模型最终的预测结果，即模型输出的某些项目被用户点击的概率，会导致这些预测结果的准确度不够高。
更进一步地，相关技术提供的神经网络模型中，第一模型和第二模型通常为特定类型的模型，仅服务于某些特定的业务场景，模型的泛化性能不够。
更进一步地，相关技术提供的神经网络模型是基于常规的模型训练方式进行训练得到的，即从整体上指导整个模型的参数更新，而无法针对模型中不同分支的参数进行更新，导致训练得到的神经网络模型的性能较差。
为了解决上述问题，本申请实施例提供了一种项目推荐方法，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项目推荐系统的一个结构示意图，该项目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。用户设备为项目推荐的发起端，作为项目推荐请求的发起方，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项目推荐请求，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，决策等方式的信息处理。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所示的项目推荐系统中，用户设备可以接收用户的指令，例如用户设备可以获取用户输入/选择的一个信息，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项目推荐应用，从而得到针对该信息的处理结果。示例性的，用户设备可以获取用户输入的一个信息(可包含用户的属性信息、项目的属性信息、用于呈现项目的应用的属性信息等等)，然后向数据处理设备发起信息的处理请求，使得数据处理设备对该信息进行基于项目推荐的处理，从而得到该信息的处理结果，即项目被用户点击的概率，这些概率可用于确定哪些项目可最终推荐给用户(例如，将概率较大的一部分项目作为推荐给用户的项目)。
在图2a中，数据处理设备可以执行本申请实施例的项目推荐方法。
图2b为本申请实施例提供的项目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所示的项目推荐系统中，用户设备可以接收用户的指令，例如用户设备可以获取用户在用户设备中所选择的一个信息，然后再由用户设备自身针对该信息执行基于项目推荐的处理，从而得到针对该信息的处理结果，即项目被用户点击的概率，这些概率可用于确定哪些项目可最终推荐给用户(例如，将概率较大的一部分项目作为推荐给用户的项目)。
在图2b中，用户设备自身就可以执行本申请实施例的项目推荐方法。
图2c为本申请实施例提供的项目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图像执行图像处理应用，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，将本申请实施例提供的模型训练方法的第一信息)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(如本申请实施例提供的模型训练方法的第一模型、第二模型以及第三模型)；并且，本申请实施例提供的项目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，将本申请实施例提供的项目推荐方法的第一信息)输入到所述训练好的神经网络中，得到输出数据(如本申请实施例提供的户行为预测方法的项目被用户点击的概率等等)。需要说明的是，本申请实施例提供的模型训练方法和项目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。
图4为本申请实施例提供的项目推荐方法的一个流程示意图，如图4所示，该方法包括：
401、获取第一信息，第一信息包含用户的属性信息以及项目的属性信息。
本实施例中，当用户在使用某个应用(例如，某个操作系统或某个软件等等)时，为了预测用户在该应用的页面上的行为，可先获取与用户相关联的第一信息(也可以称为与用户相关联的原始特征)，第一信息至少包含用户的属性信息以及该应用的页面上可呈现的项目的属性信息，其中，用户的属性信息可包含用户的姓名、年龄、性别以及工作等信息，项目的属性信息可包含项目的名称、类型、功能以及价格等信息。需要说明的是，用户的属性信息也可以理解为用户的原始特征，项目的属性信息可理解为项目的原始特征。
此外，第一信息还可包含用户对该应用的操作信息以及该应用的属性信息，该应用的页面用于为用户提供(呈现)一个或多个项目(例如，商品、软件等等)。其中，用户对该应用的操作信息可包含用户在该应用的页面上所输入的请求等等，该应用的属性信息可包含该应用的名称、类型、功能以及大小等等。需要说明的是，用户对该应用的操作信息以及该应用的属性信息均可理解为上下文的原始特征。
402、通过第一模型对第一信息进行处理，得到第一处理结果，第一处理结果作为项目被用户点击的概率，第一模型用于：对第一信息进行线性运算，得到第二信息；对第一信息和第二信息进行非线性运算，得到第三信息；基于第二信息以及第三信息，获取第一处理结果。
得到第一信息后，可获取第一模型(已训练好的神经网络模型)，并将第一信息输入至第一模型，以使得第一模型对第一信息进行处理，得到第一处理结果。
具体地，第一模型可包含至少一个交互单元，那么，第一模型可通过多种方式来对第一信息进行处理，从而获取第一处理结果：
(1)如图5所示(图5为本申请实施例提供的第一模型的一个结构示意图)，设第一模型中仅包含一个交互单元，该交互单元可包含一个线性层、一个非线性层以及一个融合层，其中，线性层的输入端即为该交互单元的输入端，非线性层的第一输入端即为该交互单元的输入端，线性层的第一输出端与非线性层的第二输入端连接，线性层的第二输出端与融合层的输入端连接，非线性层的输出端与融合层的输入端连接，融合层的输出端即为该交互单元的输出端。
那么，将第一信息输入至第一模型中的该交互单元，该交互单元中的线性层和该交互单元中的非线性层均可接收到第一信息。接着，线性层可对第一信息进行线性运算，得到线性层的线性运算结果(即前述的第二信息)，并将线性层的线性运算结果输入至非线性层以及融合层。其中，线性运算的过程如以下公式所示：
ho＝w0xl+b0 (2)
上式中，xl为第一信息，w0和b0为线性层的参数(即线性层的权重和偏置)，ho为线性层的线性运算结果。
然后，非线性层可对第一信息以及线性层的线性运算结果进行非线性运算，得到非线性层的非线性运算结果(即前述的第三信息)，并将非线性层的非线性运算结果输入至融合层。其中，非线性运算的过程如以下公式所示：
h1＝ho*σ(w1xl+b1) (3)
上式中，w1和b1为非线性层的参数(即线性层的权重和偏置)，σ为特定层中(包含非线性层和融合层)的激活函数(例如，ReLU、tanh、PReLu等)，h1为非线性层的非线性运算结果。
最后，融合层可将线性层的线性运算结果以及非线性层的非线性运算结果进行融合，融合结果(即前述的第四信息)可直接作为该交互单元的输出，也就是第一模型的输出，即第一模型针对第一信息的第一处理结果。其中，融合的过程如以下公式所示：
上式中，和/>为融合层的参数(即融合层中用于实现加权求和的权重)，xl+1为该交互单元的输出，即第一模型输出的第一处理结果。需要说明的是，该交互单元可以视为一个2阶的交互单元，将第一信息视为1阶的信息(1阶的特征)，则第一模型输出的第一处理结果为2阶的信息(2阶的特征)。
(2)如图6所示(图6为本申请实施例提供的第一模型的另一结构示意图)，设第一模型中仅包含一个交互单元，该交互单元可包含一个线性层、K-1个非线性层(K为大于或等于3的正整数)以及一个融合层，其中，线性层的输入端即为该交互单元的输入端，K-1个非线性层的第一输入端均为该交互单元的输入端，线性层的第一输出端与第1个非线性层的第二输入端连接，第1个非线性层的第一输出端与第2个非线性层的第二输入端连接，...，第K-2个非线性层的第一输出端与第K-1个非线性层的第二输入端连接，线性层的第二输出端与融合层的输入端连接，K-1个非线性层的第二输出端均与融合层的输入端连接，融合层的输出端即为该交互单元的输出端。
那么，将第一信息输入至第一模型中的该交互单元，该交互单元中的线性层和该交互单元中的K-1个非线性层均可接收到第一信息。接着，线性层可对第一信息进行线性运算，得到线性层的线性运算结果(即前述的第二信息)，并将线性层的线性运算结果输入至第1个非线性层以及融合层。其中，线性运算的过程如公式(2)所示，此处不再赘述。
然后，第1个非线性层可对第一信息以及线性层的线性运算结果进行非线性运算，得到第1个非线性层的非线性运算结果(即前述的第三信息)，并将第1个非线性层的非线性运算结果输入至第2个非线性层以及融合层。随后，第2个非线性层可对第一信息以及第1个非线性层的非线性运算结果进行非线性运算，得到第2个非线性层的非线性运算结果，并将第2个非线性层的非线性运算结果输入至第3个非线性层以及融合层，...，第K-1个非线性层可对第一信息以及第K-2个非线性层的非线性运算结果进行非线性运算，得到第K-1个非线性层的非线性运算结果，并将第K-1个非线性层的非线性运算结果输入至融合层。其中，K-1个非线性层的非线性运算的过程如以下公式所示：
h1＝ho*σ(w1xl+b1)
...
hj＝hj-1*σ(wjxl+bj)
...
hK-1＝hK-2*σ(wK-1xl+bK-1) (5)
上式中，hj-1为第j-1个非线性层的非线性运算结果，hj为第j个非线性层的非线性运算结果，wj和bj为第j个非线性层的参数，j＝1，...，K-1。
最后，融合层可将线性层的线性运算结果以及K-1个非线性层的非线性运算结果进行融合，融合结果可直接作为该交互单元的输出，也就是第一模型的输出，即第一模型针对第一信息的第一处理结果。其中，融合的过程如以下公式所示：
上式中，和/>为融合层的参数(即融合层中用于实现加权求和的权重)，xl+1为该交互单元的输出，即第一模型输出的第一处理结果。需要说明的是，该交互单元可以视为一个K阶的交互单元，将第一信息视为1阶的信息(1阶的特征)，则第一模型输出的第一处理结果为K阶的信息(K阶的特征)。
(3)如图7所示(图7为本申请实施例提供的第一模型的另一结构示意图)，设第一模型中包含串联的N个交互单元(N为大于或等于2的正整数)，对于这N个交互单元中的任意一个交互单元而言，即对于第i个交互单元而言(i＝1,...,N)，第i个交互单元可包含一个线性层、一个非线性层以及一个融合层，其中，第i个交互单元的线性层的输入端即为第i个交互单元的输入端，第i个交互单元的非线性层的第一输入端即为第i个交互单元的输入端，第i个交互单元的线性层的第一输出端与第i个交互单元的非线性层的第二输入端连接，第i个交互单元的线性层的第二输出端与第i个交互单元的融合层的输入端连接，第i个交互单元的非线性层的输出端与第i个交互单元的融合层的输入端连接，第i个交互单元的融合层的输出端即为第i个交互单元的输出端。对于除第i个交互单元之外的其余交互单元而言，其余交互单元内部的结构也是如此，此处不再赘述。
那么，将第一信息输入至第一模型中的第1个交互单元，下文将第一信息称为第1个交互单元的输入。第1个交互单元接收到第1个交互单元的输入后，可对第1个交互单元的输入执行以下操作：第1个交互单元的线性层可对第1个交互单元的输入进行线性运算，得到第1个交互单元的线性层的线性运算结果(即前述的第二信息)，并将第1个交互单元的线性层的线性运算结果输入至第1个交互单元的非线性层以及第1个交互单元的融合层。其中，第1个交互单元进行线性运算的过程如公式(2)所示，此处不再赘述。
然后，第1个交互单元的非线性层可对第1个交互单元的输入以及第1个交互单元的线性层的线性运算结果进行非线性运算，得到第1个交互单元的非线性层的非线性运算结果(即前述的第三信息)，并将第1个交互单元的非线性层的非线性运算结果输入至第1个交互单元的融合层。其中，第1个交互单元进行非线性运算的过程如公式(3)所示，此处不再赘述。
随后，第1个交互单元的融合层可将第1个交互单元的线性层的线性运算结果以及第1个交互单元的非线性层的非线性运算结果进行融合，第1个交互单元的融合层的融合结果(即前述的第四信息)可直接作为第1个交互单元的输出，并输入至第2个交互单元，即作为第2个交互单元的输入。其中，第1个交互单元进行融合的过程如公式(4)所示，此处不再赘述。
接收到第2个交互单元的输入后，第2个交互单元对第2个交互单元的输入所执行的操作，与前述第1个交互单元对第1个交互单元的输入所执行的操作是类似的，此处不再赘述。同样地，第3个交互单元对第3个交互单元的输入所执行的操作，...，第N个交互单元对第N个交互单元的输入所执行的操作，均与前述第1个交互单元对第1个交互单元的输入所执行的操作是类似的，此处也不赘述。可以理解的是，第N个交互单元的融合层所得到的融合结果，也就是第N个交互单元的输出，可作为第一模型的输出，即第一模型针对第一信息的第一处理结果。
需要说明的是，对于N个交互单元中每个交互单元可以视为2阶的交互单元，将第一信息视为1阶的信息(1阶的特征)，则第一模型输出的第一处理结果为2^N阶的信息(2^N阶的特征)。
(4)如图8所示(图8为本申请实施例提供的第一模型的另一结构示意图)，设第一模型中包含串联的N个交互单元(N为大于或等于2的正整数)，对于这N个交互单元中的任意一个交互单元而言，即对于第i个交互单元而言(i＝1,...,N)，第i个交互单元可包含一个线性层、K-1个非线性层(K为大于或等于3的正整数)以及一个融合层，其中，第i个交互单元的线性层的输入端即为第i个交互单元的输入端，第i个交互单元的K-1个非线性层的第一输入端均为第i个交互单元的输入端，第i个交互单元的线性层的第一输出端与第i个交互单元的第1个非线性层的第二输入端连接，第i个交互单元的第1个非线性层的第一输出端与第i个交互单元的第2个非线性层的第二输入端连接，...，第i个交互单元的第K-2个非线性层的第一输出端与第i个交互单元的第K-1个非线性层的第二输入端连接，第i个交互单元的线性层的第二输出端与第i个交互单元的融合层的输入端连接，第i个交互单元的K-1个非线性层的第二输出端均与第i个交互单元的融合层的输入端连接，第i个交互单元的融合层的输出端即为第i个交互单元的输出端。对于除第i个交互单元之外的其余交互单元而言，其余交互单元内部的结构也是如此，此处不再赘述。
那么，将第一信息输入至第一模型中的第1个交互单元，下文将第一信息称为第1个交互单元的输入。第1个交互单元接收到第1个交互单元的输入后，可对第1个交互单元的输入执行以下操作：第1个交互单元的线性层可对第1个交互单元的输入进行线性运算，得到第1个交互单元的线性层的线性运算结果(即前述的第二信息)，并将第1个交互单元的线性层的线性运算结果输入至第1个交互单元的第1个非线性层以及第1个交互单元的融合层。其中，第1个交互单元进行线性运算的过程如公式(2)所示，此处不再赘述。
然后，第1个交互单元的第1个非线性层可对第1个交互单元的输入以及第1个交互单元的线性层的线性运算结果进行非线性运算，得到第1个交互单元的第1个非线性层的非线性运算结果(即前述的第三信息)，并将第1个交互单元的第1个非线性层的非线性运算结果输入至第1个交互单元的第2个非线性层以及融合层。随后，第1个交互单元的第2个非线性层可对第1个交互单元的输入以及第1个交互单元的第1个非线性层的非线性运算结果进行非线性运算，得到第1个交互单元的第2个非线性层的非线性运算结果，并将第1个交互单元的第2个非线性层的非线性运算结果输入至第1个交互单元的第3个非线性层以及融合层，...，第1个交互单元的第K-1个非线性层可对第1个交互单元的输入以及第1个交互单元的第K-2个非线性层的非线性运算结果进行非线性运算，得到第1个交互单元的第K-1个非线性层的非线性运算结果，并将第1个交互单元的第K-1个非线性层的非线性运算结果输入至第1个交互单元的融合层。其中，第1个交互单元进行非线性运算的过程如公式(5)所示，此处不再赘述。
随后，第1个交互单元的融合层可将第1个交互单元的线性层的线性运算结果以及第1个交互单元的K-1个非线性层的非线性运算结果进行融合，第1个交互单元的融合层的融合结果可直接作为第1个交互单元的输出，并输入至第2个交互单元，即作为第2个交互单元的输入。其中，第1个交互单元进行融合的过程如公式(6)所示，此处不再赘述。
接收到第2个交互单元的输入后，第2个交互单元对第2个交互单元的输入所执行的操作，与前述第1个交互单元对第1个交互单元的输入所执行的操作是类似的，此处不再赘述。同样地，第3个交互单元对第3个交互单元的输入所执行的操作，...，第N个交互单元对第N个交互单元的输入所执行的操作，均与前述第1个交互单元对第1个交互单元的输入所执行的操作是类似的，此处也不赘述。可以理解的是，第N个交互单元的融合层所得到的融合结果，也就是第N个交互单元的输出，可作为第一模型的输出，即第一模型针对第一信息的第一处理结果。
需要说明的是，对于N个交互单元中每个交互单元可以视为K阶的交互单元，将第一信息视为1阶的信息(1阶的特征)，则第一模型输出的第一处理结果为K^N阶的信息(K^N阶的特征)。
得到第一模型输出的第一处理结果后，第一处理结果即可直接作为该应用的页面上可呈现的项目被用户点击的概率，那么，这些概率可用于确定推荐给用户的项目。
应理解，对于前述的情况(1)和情况(3)，对于任意一个交互单元而言，即对于第i个交互单元而言，第i个交互单元的线性层的线性运算结果可视为前述的“第i个交互单元的线性运算结果”，第i个交互单元的非线性层的线性运算结果可视为前述的“第i个交互单元的非线性运算结果”。
还应理解，对于前述的情况(2)和情况(4)，对于任意一个交互单元而言，即对于第i个交互单元而言，第i个交互单元的线性层的线性运算结果可视为前述的“第i个交互单元的线性运算结果”，第i个交互单元的第1个非线性层的线性运算结果至第i个交互单元的第K-2个非线性层的线性运算结果可视为前述的“第i个交互单元的非线性运算结果”，第i个交互单元的第2个非线性层的线性运算结果至第i个交互单元的第K-1个非线性层的线性运算结果可视为前述的“第i个交互单元的新的非线性运算结果”。
还应理解，前述的情况(3)和情况(4)中，仅以N个交互单元中均包含相同数量的非线性层进行示意性介绍，在实际应用中，在这N个交互单元中，不同的交互单元既可以包含相同数量的非线性层，也可以包含不同数量的非线性层。
本申请实施例中，在获取包含用户的属性信息以及项目的属性信息的第一信息后，可将第一信息输入至第一模型进行处理，从而得到第一处理结果，第一处理结果可用于确定项目被用户点击的概率。在处理第一信息时，第一模型先对第一信息进行线性运算，得到第二信息，再对第一信息和第二信息进行非线性运算，得到第三信息，最后基于第二信息以及第三信息，获取第一处理结果。由此可见，第一模型在线性运算的基础上实现了非线性运算，令线性运算和非线性运算之间产生了联系，在这个运算过程中，第一模型不仅可实现信息之间的显式交互以及隐式交互，还可实现信息之间的半显式交互，也就是说，在这个运算过程中，第一模型不仅可以注意到一些频繁出现的项目与用户之间的关系以及一些几乎未曾出现的项目与用户之间的关系，还可注意到除这两类项目之外的其余项目与用户之间的关系，故第一模型既可准确地预测这两类项目被用户点击的概率，也可准确地预测其余项目被用户点击的概率，从而提高模型的整体预测精度。
进一步地，第一模型中可包含N个交互单元，每个交互单元可包含一个线性层和至少一个非线性层，且这N个交互单元之间呈串联关系，使用这N个交互单元对第一信息进行处理，可对第一信息实现一定数量级次数的线性运算和非线性运算，所得到的第一处理结果为一个高阶的信息(即2^N阶的信息或K^N的信息)，基于此信息来作为或确定最终的预测结果，即各个项目被用户点击的概率，具备较高的准确度。
图9为本申请实施例提供的项目推荐方法的另一流程示意图，如图9所示，该方法包括：
901、获取第一信息，第一信息包含用户的属性信息以及项目的属性信息。
902、通过第一模型对第一信息进行处理，得到第一处理结果，第一模型用于：对第一信息进行线性运算，得到第二信息；对第一信息和第二信息进行非线性运算，得到第三信息；基于第二信息以及第三信息，获取第一处理结果。
本实施例中，提供了一个目标模型，如图10所示(图10为本申请实施例提供的目标模型的一个结构示意图)目标模型包含第一模型(可以是图5、图6、图7或图8中所示的第一模型)、第二模型以及第三模型，这三个模型均为已训练的神经网络模型。其中，第一模型和第二模型作为并行的两个分支，且第一模型的输出端和第二模型的输出端均和第三模型的输入端连接，第一模型的输入端和第二模型输入端可用于接收第一信息，第三模型的输出端可输出某个应用的页面上可呈现的项目被用户点击的概率。
关于步骤901至步骤902的介绍，可参考图4所示实施例中步骤401至步骤402的相关说明部分，需要说明的是，步骤902与步骤402的区别在于，步骤402中的第一处理结果可直接作为该应用的页面上可呈现的项目被用户点击的概率，步骤902中的第一处理结果可用于间接地得到该应用的页面上可呈现的项目被用户点击的概率。
903、通过第二模型对第一息进行处理，得到第二处理结果。
得到第一信息后，在将第一信息输入至第一模型的同时，还可将第一信息输入至第二模型，以使得第二模型对第一信息进行处理，得到第二处理结果。其中，第二模型可以为以下至少一种：多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与第一模型相同的模型。信
904、通过第三模型对第一处理结果以及第二处理结果进行融合，得到项目被用户点击的概率。
第一模型得到第一处理结果以及第二模型得到第二处理结果后，第一模型可将第一处理结果发送至第三模型，第二模型可将第二处理结果发送至第三模型，以使得第三模型将第一处理结果和第二处理结果进行融合(例如，进行加权求和等等)，得到融合后的结果即为该应用的页面上可呈现的项目被用户点击的概率，那么，这些概率可用于确定推荐给用户的项目。
应理解，本实施例中，仅以目标模型包含两个分支(第一模型和第二模型)进行示意性介绍，并不对本申请中目标模型中包含的分支的数量构成限制。
此外，还可将本申请实施例提供的神经网络模型与相关技术提供的神经网络模型在多个数据集上展示的性能进行比较，比较结果如表1所示：
表1
模型 数据集一 数据集二 数据集三 数据集四
相关技术一 0.8022 0.7613 0.9434 0.9671
相关技术二 0.8060 0.7625 0.9522 0.9788
相关技术三 0.8056 0.7603 0.9465 0.9749
相关技术四 0.8136 0.7646 0.9673 0.9835
相关技术五 0.8137 0.7630 0.9699 0.9841
相关技术六 0.8138 0.7657 0.9685 0.9842
相关技术七 0.8139 0.7647 0.9687 0.9839
相关技术八 0.8141 0.7649 0.9691 0.9845
本申请实施例一 0.8155 0.7667 0.9720 0.9895
本申请实施例二 0.8145 0.7664 0.9711 0.9883
需要说明的是，表1中“本申请实施例一”提供的模型为前述的目标模型，“本申请实施例二”提供的模型仅为前述的第一模型。从表1中可以看出，本申请实施例提供的模型可以取得最好的性能，显示了本申请实施例的优越性。其中，目标模型取得了最好的效果，第一模型取得了次优的效果，这表明本申请实施例提供的第一模型和目标模型均可以提高点击率预估的准确性。
进一步地，本申请实施例提供的目标模型，可适用于各种业务场景，且能取得明显效果，获得业务认可，其线上效果如表2所示：
表2
本申请实施例中，在获取包含用户的属性信息以及项目的属性信息的第一信息后，可将第一信息输入至第一模型进行处理，从而得到第一处理结果，第一处理结果可用于确定项目被用户点击的概率。在处理第一信息时，第一模型先对第一信息进行线性运算，得到第二信息，再对第一信息和第二信息进行非线性运算，得到第三信息，最后基于第二信息以及第三信息，获取第一处理结果。由此可见，第一模型在线性运算的基础上实现了非线性运算，令线性运算和非线性运算之间产生了联系，在这个运算过程中，第一模型不仅可实现信息之间的显式交互以及隐式交互，还可实现信息之间的半显式交互，也就是说，在这个运算过程中，第一模型不仅可以注意到一些频繁出现的项目与用户之间的关系以及一些几乎未曾出现的项目与用户之间的关系，还可注意到除这两类项目之外的其余项目与用户之间的关系，故第一模型既可准确地预测这两类项目被用户点击的概率，也可准确地预测其余项目被用户点击的概率，从而提高模型的整体预测精度。
进一步地，第一模型中可包含N个交互单元，每个交互单元可包含一个线性层和多个非线性层，且这N个交互单元之间呈串联关系，使用这N个交互单元对第一信息进行处理，可对第一信息实现一定数量级次数的线性运算和非线性运算，所得到的第一处理结果为一个高阶的信息(即2^N阶的信息或K^N的信息)，基于此信息来作为或确定最终的预测结果，即各个项目被用户点击的概率，具备较高的准确度。
更进一步地，目标模型中的第一模型和第二模型可构成多种类型的模型组合，有利于目标模型为更多业务场景提供服务，具备较高的泛化性能。
以上是对本申请实施例提供的项目推荐方法所进行详细说明，以下将对本申请实施例提供的模型训练方法进行介绍。图11为本申请实施例中的模型训练方法的一个流程示意图，如图11所示，该方法包括：
1101、获取第一信息，第一信息包含用户的属性信息以及项目的属性信息。
本实施例中，当需要对待训练模型(至少包含第一待训练模型)进行训练时，可先获取一批训练数据，该批训练数据包含第一信息，第一信息包含用户的属性信息以及某个应用的页面上可呈现的项目的属性信息。需要说明的是，该应用的页面上可呈现的项目被用户点击的真实概率是已知的(下文称为项目被用户点击的真实概率)，这些概率用于确定推荐给用户的真实项目。
在一种可能的实现方式中，第一信息还包含：用户对应用的操作信息以及应用的属性信息，应用用于为用户提供项目。
1102、通过第一待训练模型对第一信息进行处理，得到第一处理结果，第一处理结果用于确定项目被用户点击的概率，第一待训练模型用于：对第一信息进行线性运算，得到第二信息；对第一信息和第二信息进行线性运算，得到第三信息；基于第二信息以及第三信息，获取第一处理结果。
得到第一信息后，可将第一信息输入至第一待训练模型，以使得第一待训练模型对第一信息进行处理，得到第一处理结果，第一处理结果用于获取该应用的页面上可呈现的项目被用户点击的预测概率(下文称为项目被用户点击的预测概率)，这些概率可用于确定推荐给用户的(预测)项目。其中，第一待训练模型所进行处理包括：对第一信息进行线性运算，得到第二信息；对第一信息和第二信息进行线性运算，得到第三信息；基于第二信息以及第三信息，获取第一处理结果。
在一种可能的实现方式中，若前述的待训练模型不仅包含第一待训练模型，还包含第二待训练模型以及第三待训练模型，故还可将第一信息输入至第二待训练模型，以使得第二待训练模型对第一信息进行处理，得到第二处理结果，第二待训练模型为以下至少一种：多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与第一待训练模型相同的模型。然后，通过第三待训练模型对第一处理结果以及第二处理结果进行融合，得到的融合后的结果即为项目被用户点击的预测概率。
在一种可能的实现方式中，基于第二信息以及第三信息，获取第一处理结果包括：对第二信息以及第三信息进行融合，得到第四信息；基于第四信息，获取第一处理结果。
在一种可能的实现方式中，第一待训练模型包含N个交互单元，第i个交互单元的输入为第i-1个交互单元的输出，N≥1，i＝1,...,N，通过第一待训练模型对第一信息进行处理，得到第一处理结果包括：通过第i个交互单元对第i个交互单元的输入进行线性运算，得到第i个交互单元的线性运算结果；通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的线性运算结果进行非线性运算，得到第i个交互单元的非线性运算结果；通过第i个交互单元对第i个交互单元的线性运算结果以及第i个交互单元的非线性运算结果进行融合，得到第i个交互单元的输出；其中，第1个交互模型的输入为第一信息，第1个交互模型的线性运算结果为第二信息，第1个交互模型的非线性运算结果为第三信息，第1个交互模型的输出为第四信息，第N个交互模型的输出为第一处理结果。
在一种可能的实现方式中，通过第一待训练模型对第一信息进行处理，得到第一处理结果还包括：通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的非线性运算结果进行非线性运算，得到第i个交互单元的新的非线性运算结果；通过第i个交互单元对第i个交互单元的线性运算结果以及第i个交互单元的非线性运算结果进行融合，得到第i个交互单元的输出包括：通过第i个交互单元对第i个交互单元的线性运算结果、第i个交互单元的非线性运算结果以及第i个交互单元的新的非线性运算结果进行融合，得到第i个交互单元的输出。
1103、基于项目被用户点击的概率以及项目被用户点击的真实概率，获取目标损失，目标损失用于指示项目被用户点击的概率以及项目被用户点击的真实概率之间的差异。
得到项目被用户点击的预测概率后，可通过预置的第一损失函数对项目被用户点击的预测概率以及项目被用户点击的真实概率进行计算，得到第一损失，第一损失用于指示项目被用户点击的概率以及项目被用户点击的真实概率之间的差异。那么，若前述的待训练模型仅包含第一待训练模型，可将第一损失直接作为目标损失。
在一种可能的实现方式中，若前述的待训练模型不仅包含第一待训练模型，还包含第二待训练模型以及第三待训练模型，在计算第一损失的同时，还可通过预置的第二损失函数对项目被用户点击的预测概率以及第一处理结果进行计算，得到第二损失，并通过预置的第二损失函数对项目被用户点击的预测概率以及第二处理结果进行计算，得到第三损失。其中，第二损失用于指示项目被用户点击的预测概率以及第一处理结果之间的差异，第三损失用于指示项目被用户点击的预测概率以及第二处理结果之间的差异。那么，可基于第一损失、第二损失和第三损失构建目标损失(例如，将第一损失、第二损失和第三损失进行相加等等)，故目标损失可用于指示项目被用户点击的概率以及项目被用户点击的真实概率之间的差异，第一处理结果与项目被用户点击的预测概率之间的差异，第二处理结果与项目被用户点击的预测概率之间的差异。
1104、基于目标损失，对第一待训练模型的参数进行更新，直至满足模型训练条件，得到第一模型。
若前述的待训练模型仅包含第一待训练模型，可基于仅由第一损失构建的目标损失，对第一待训练模型的参数进行更新，并利用下一批训练数据继续对更新参数后的第一待训练模型进行训练，直至满足模型训练条件(例如，目标损失达到收敛等等)，得到图4所示实施例中的第一模型。
在一种可能的实现方式中，若前述的待训练模型不仅包含第一待训练模型，还包含第二待训练模型以及第三待训练模型，可基于由第一损失、第二损失以及第三损失构建的目标损失，对对第一待训练模型的参数、第二待训练模型的参数以及第三待训练模型的参数进行更新，并利用下一批训练数据继续对更新参数后的第一待训练模型、更新参数后的第二待训练模型、更新参数后的第三待训练模型进行训练，直至满足模型训练条件，对应得到图9所示实施例中的第一模型、第二模型以及第三模型，即图9所示实施例中的目标模型。
本申请实施例训练得到的第一模型，具备对用户行为进行预测的能力。具体地，在获取包含用户的属性信息以及项目的属性信息的第一信息后，可将第一信息输入至第一模型进行处理，从而得到第一处理结果，第一处理结果可用于确定项目被用户点击的概率。在处理第一信息时，第一模型先对第一信息进行线性运算，得到第二信息，再对第一信息和第二信息进行非线性运算，得到第三信息，最后基于第二信息以及第三信息，获取第一处理结果。由此可见，第一模型在线性运算的基础上实现了非线性运算，令线性运算和非线性运算之间产生了联系，在这个运算过程中，第一模型不仅可实现信息之间的显式交互以及隐式交互，还可实现信息之间的半显式交互，也就是说，在这个运算过程中，第一模型不仅可以注意到一些频繁出现的项目与用户之间的关系以及一些几乎未曾出现的项目与用户之间的关系，还可注意到除这两类项目之外的其余项目与用户之间的关系，故第一模型既可准确地预测这两类项目被用户点击的概率，也可准确地预测其余项目被用户点击的概率，从而提高模型的整体预测精度。
进一步地，本申请实施例训练得到的第一模型中可包含N个交互单元，每个交互单元可包含一个线性层和多个非线性层，且这N个交互单元之间呈串联关系，使用这N个交互单元对第一信息进行处理，可对第一信息实现一定数量级次数的线性运算和非线性运算，所得到的第一处理结果为一个高阶的信息(即2^N阶的信息或K^N的信息)，基于此信息来作为或确定最终的预测结果，即各个项目被用户点击的概率，具备较高的准确度。
更进一步地，本申请实施例训练得到的目标模型中的第一模型和第二模型可构成多种类型的模型组合，有利于目标模型为更多业务场景提供服务，具备较高的泛化性能
进一步地，本申请实施例提供了一种新的模型训练方式，不仅可针对待训练模型计算整体的损失，还可针对待训练模型中的不同分支模型计算相应的损失，从而基于这些损失，有针对性地指导模型中不同分支的参数进行更新，从而提高训练得到的神经网络模型的性能。
以上是对本申请实施例提供的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项目推荐装置以及模型训练装置进行介绍。图12为本申请实施例提供的项目推荐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，用于获取第一信息，第一信息包含用户的属性信息以及项目的属性信息；
第一处理模块1202，用于通过第一模型对第一信息进行处理，得到第一处理结果，第一处理结果用于确定推荐给所述用户的项目，第一模型用于：对第一信息进行线性运算，得到第二信息；对第二信息进行非线性运算，得到第三信息；基于第三信息，获取第一处理结果。
本申请实施例中，在获取包含用户的属性信息以及项目的属性信息的第一信息后，可将第一信息输入至第一模型进行处理，从而得到第一处理结果，第一处理结果可用于确定项目被用户点击的概率。在处理第一信息时，第一模型先对第一信息进行线性运算，得到第二信息，再对第一信息和第二信息进行非线性运算，得到第三信息，最后基于第二信息以及第三信息，获取第一处理结果。由此可见，第一模型在线性运算的基础上实现了非线性运算，令线性运算和非线性运算之间产生了联系，在这个运算过程中，第一模型不仅可实现信息之间的显式交互以及隐式交互，还可实现信息之间的半显式交互，也就是说，在这个运算过程中，第一模型不仅可以注意到一些频繁出现的项目与用户之间的关系以及一些几乎未曾出现的项目与用户之间的关系，还可注意到除这两类项目之外的其余项目与用户之间的关系，故第一模型既可准确地预测这两类项目被用户点击的概率，也可准确地预测其余项目被用户点击的概率，从而提高模型的整体预测精度。
在一种可能的实现方式中，第一模型，用于：对第一信息进行线性运算，得到第二信息；对第一信息和第二信息进行非线性运算，得到第三信息；对第二信息以及第三信息进行融合，得到第四信息；基于第四信息，获取第一处理结果。
在一种可能的实现方式中，该装置还包括：第二处理模块，用于通过第二模型对第一信息进行处理，得到第二处理结果，第二模型为以下至少一种：多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与第一模型相同的模型；第三处理模块，用于通过第三模型对第一处理结果以及第二处理结果进行融合，得到的融合后的结果用于确定推荐给用户的项目。
在一种可能的实现方式中，第一模型包含N个交互单元，第i个交互单元的输入为第i-1个交互单元的输出，N≥1，i＝1,...,N，第一处理模块，用于：通过第i个交互单元对第i个交互单元的输入进行线性运算，得到第i个交互单元的线性运算结果；通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的线性运算结果进行非线性运算，得到第i个交互单元的非线性运算结果；通过第i个交互单元对第i个交互单元的线性运算结果以及第i个交互单元的非线性运算结果进行融合，得到第i个交互单元的输出；其中，第1个交互单元的输入为第一信息，第1个交互模型的线性运算结果为第二信息，第1个交互模型的非线性运算结果为第三信息，第1个交互模型的输出为第四信息，第N个交互模型的输出为第一处理结果。
在一种可能的实现方式中，第一处理模块，还用于通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的非线性运算结果进行非线性运算，得到第i个交互单元的新的非线性运算结果；第一处理模块，用于通过第i个交互单元对第i个交互单元的线性运算结果、第i个交互单元的非线性运算结果以及第i个交互单元的新的非线性运算结果进行融合，得到第i个交互单元的输出。
在一种可能的实现方式中，第一信息还包含：用户对应用的操作信息以及应用的属性信息，应用用于为用户提供项目。
图13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13所示，该装置包括：
第一获取模块1301，用于获取第一信息，第一信息包含用户的属性信息以及项目的属性信息；
第一处理模块1302，用于通过第一待训练模型对第一信息进行处理，得到第一处理结果，第一处理结果用于确定项目被用户点击的概率，项目被用户点击的概率用于确定推荐给用户的项目，第一待训练模型用于：对第一信息进行线性运算，得到第二信息；对第二信息进行线性运算，得到第三信息；基于第三信息，获取第一处理结果；
第二获取模块1303，用于基于项目被用户点击的概率以及项目被用户点击的真实概率，获取目标损失，目标损失用于指示项目被用户点击的概率以及项目被用户点击的真实概率之间的差异；
更新模块1304，用于基于目标损失，对第一待训练模型的参数进行更新，直至满足模型训练条件，得到第一模型。
本申请实施例训练得到的第一模型，具备对用户行为进行预测的能力。具体地，在获取包含用户的属性信息以及项目的属性信息的第一信息后，可将第一信息输入至第一模型进行处理，从而得到第一处理结果，第一处理结果可用于确定项目被用户点击的概率。在处理第一信息时，第一模型先对第一信息进行线性运算，得到第二信息，再对第一信息和第二信息进行非线性运算，得到第三信息，最后基于第二信息以及第三信息，获取第一处理结果。由此可见，第一模型在线性运算的基础上实现了非线性运算，令线性运算和非线性运算之间产生了联系，在这个运算过程中，第一模型不仅可实现信息之间的显式交互以及隐式交互，还可实现信息之间的半显式交互，也就是说，在这个运算过程中，第一模型不仅可以注意到一些频繁出现的项目与用户之间的关系以及一些几乎未曾出现的项目与用户之间的关系，还可注意到除这两类项目之外的其余项目与用户之间的关系，故第一模型既可准确地预测这两类项目被用户点击的概率，也可准确地预测其余项目被用户点击的概率，从而提高模型的整体预测精度。
在一种可能的实现方式中，该装置还包括：第二处理模块，用于通过第二待训练模型对第一信息进行处理，得到第二处理结果，第二待训练模型为以下至少一种：多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与第一待训练模型相同的模型；第三处理模块，用于通过第三待训练模型对第一处理结果以及第二处理结果进行融合，得到的融合后的结果为项目被用户点击的概率。
在一种可能的实现方式中，第二获取模块，用于基于项目被用户点击的概率、项目被用户点击的真实概率、第一处理结果以及第二处理结果，获取目标损失，目标损失用于指示项目被用户点击的概率以及项目被用户点击的真实概率之间的差异，第一处理结果与项目被用户点击的概率之间的差异，第二处理结果与项目被用户点击的概率之间的差异；更新模块，用于基于目标损失，对第一待训练模型的参数、第二待训练模型的参数以及第三待训练模型的参数进行更新，直至满足模型训练条件，对应得到第一模型、第二模型以及第三模型。
在一种可能的实现方式中，第一待训练模型，用于：对第二信息以及第三信息进行融合，得到第四信息；基于第四信息，获取第一处理结果。
在一种可能的实现方式中，第一待训练模型包含N个交互单元，第i个交互单元的输入为第i-1个交互单元的输出，N≥1，i＝1,...,N，第一处理模块1302，用于：通过第i个交互单元对第i个交互单元的输入进行线性运算，得到第i个交互单元的线性运算结果；通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的线性运算结果进行非线性运算，得到第i个交互单元的非线性运算结果；通过第i个交互单元对第i个交互单元的线性运算结果以及第i个交互单元的非线性运算结果进行融合，得到第i个交互单元的输出；其中，第1个交互模型的输入为第一信息，第1个交互模型的线性运算结果为第二信息，第1个交互模型的非线性运算结果为第三信息，第1个交互模型的输出为第四信息，第N个交互模型的输出为第一处理结果。
在一种可能的实现方式中，第一处理模块1302，还用于：通过第i个交互单元对第i个交互单元的输入以及第i个交互单元的非线性运算结果进行非线性运算，得到第i个交互单元的新的非线性运算结果；第一处理模块1302，用于通过第i个交互单元对第i个交互单元的线性运算结果、第i个交互单元的非线性运算结果以及第i个交互单元的新的非线性运算结果进行融合，得到第i个交互单元的输出。
在一种可能的实现方式中，第一信息还包含：用户对应用的操作信息以及应用的属性信息，应用用于为用户提供项目。
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14为本申请实施例提供的执行设备的一个结构示意图。如图14所示，执行设备1400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1400上可部署有图12对应实施例中所描述的项目推荐装置，用于实现图4或图9对应实施例中项目推荐的功能。具体的，执行设备1400包括：接收器1401、发射器1402、处理器1403和存储器1404(其中执行设备1400中的处理器1403的数量可以一个或多个，图14中以一个处理器为例)，其中，处理器1403可以包括应用处理器14031和通信处理器14032。在本申请的一些实施例中，接收器1401、发射器1402、处理器1403和存储器1404可通过总线或其它方式连接。
存储器1404可以包括只读存储器和随机存取存储器，并向处理器1403提供指令和数据。存储器1404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1404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1403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1403中，或者由处理器1403实现。处理器1403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1403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1403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1403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1404，处理器1403读取存储器1404中的信息，结合其硬件完成上述方法的步骤。
接收器1401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1402可用于通过第一接口输出数字或字符信息；发射器1402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1402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1403，用于通过图4对应实施例中的第一模型或图9对应实施例中的目标模型，对与用户相关联的信息进行项目推荐。
本申请实施例还涉及一种训练设备，图15为本申请实施例提供的训练设备的一个结构示意图。如图15所示，训练设备1500由一个或多个服务器实现，训练设备1500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)1514(例如，一个或一个以上处理器)和存储器1532，一个或一个以上存储应用程序1542或数据1544的存储介质1530(例如一个或一个以上海量存储设备)。其中，存储器1532和存储介质1530可以是短暂存储或持久存储。存储在存储介质1530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1514可以设置为与存储介质1530通信，在训练设备1500上执行存储介质1530中的一系列指令操作。
训练设备1500还可以包括一个或一个以上电源1526，一个或一个以上有线或无线网络接口1550，一个或一个以上输入输出接口1558；或，一个或一个以上操作系统1541，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
具体的，训练设备可以执行图11对应实施例中的模型训练方法。
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16，图16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 1600，NPU 1600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1603，通过控制器1604控制运算电路1603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1603内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路1603是二维脉动阵列。运算电路1603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1603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1602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1601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)1608中。
统一存储器1606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)1605，DMAC被搬运到权重存储器1602中。输入数据也通过DMAC被搬运到统一存储器1606中。
BIU为Bus Interface Unit即，总线接口单元1613，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)1609的交互。
总线接口单元1613(Bus Interface Unit，简称BIU)，用于取指存储器1609从外部存储器获取指令，还用于存储单元访问控制器1605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1606或将权重数据搬运到权重存储器1602中或将输入数据数据搬运到输入存储器1601中。
向量计算单元1607包括多个运算处理单元，在需要的情况下，对运算电路1603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1607能将经处理的输出的向量存储到统一存储器1606。例如，向量计算单元1607可以将线性函数；或，非线性函数应用到运算电路1603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1607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1603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1604连接的取指存储器(instruction fetch buffer)1609，用于存储控制器1604使用的指令；
统一存储器1606，输入存储器1601，权重存储器1602以及取指存储器1609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 (21)

1.一种项目推荐方法，其特征在于，所述方法包括：
获取第一信息，所述第一信息包含用户的属性信息以及项目的属性信息；
通过第一模型对所述第一信息进行处理，得到第一处理结果，所述第一处理结果用于确定推荐给所述用户的项目，所述第一模型用于：对所述第一信息进行线性运算，得到第二信息；对所述第二信息进行非线性运算，得到第三信息；基于所述第三信息，获取所述第一处理结果。
2.根据权利要求1所述的方法，其特征在于，所述第一模型用于：
对所述第一信息进行线性运算，得到第二信息；
对所述第一信息和所述第二信息进行非线性运算，得到第三信息；
对所述第二信息以及所述第三信息进行融合，得到第四信息；
基于所述第四信息，获取所述第一处理结果。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
通过第二模型对所述第一信息进行处理，得到第二处理结果，所述第二模型为以下至少一种：多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与所述第一模型相同的模型；
通过第三模型对所述第一处理结果以及所述第二处理结果进行融合，得到的融合后的结果用于确定推荐给所述用户的项目。
4.根据权利要求2所述的方法，其特征在于，所述第一模型包含N个交互单元，第i个交互单元的输入为第i-1个交互单元的输出，N≥1，i＝1,...,N，所述通过第一模型对所述第一信息进行处理，得到所述第一处理结果包括：
通过所述第i个交互单元对所述第i个交互单元的输入进行线性运算，得到所述第i个交互单元的线性运算结果；
通过所述第i个交互单元对所述第i个交互单元的输入以及所述第i个交互单元的线性运算结果进行非线性运算，得到所述第i个交互单元的非线性运算结果；
通过所述第i个交互单元对所述第i个交互单元的线性运算结果以及所述第i个交互单元的非线性运算结果进行融合，得到所述第i个交互单元的输出；
其中，第1个交互单元的输入为所述第一信息，所述第1个交互模型的线性运算结果为所述第二信息，所述第1个交互模型的非线性运算结果为所述第三信息，所述第1个交互模型的输出为所述第四信息，第N个交互模型的输出为所述第一处理结果。
5.根据权利要求4所述的方法，其特征在于，所述通过第一模型对所述第一信息进行处理，得到所述第一处理结果还包括：
通过所述第i个交互单元对所述第i个交互单元的输入以及所述第i个交互单元的非线性运算结果进行非线性运算，得到所述第i个交互单元的新的非线性运算结果；
所述通过所述第i个交互单元对所述第i个交互单元的线性运算结果以及所述第i个交互单元的非线性运算结果进行融合，得到所述第i个交互单元的输出包括：
通过所述第i个交互单元对所述第i个交互单元的线性运算结果、所述第i个交互单元的非线性运算结果以及所述第i个交互单元的新的非线性运算结果进行融合，得到所述第i个交互单元的输出。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述第一信息还包含：所述用户对应用的操作信息以及所述应用的属性信息，所述应用用于为所述用户提供所述项目。
7.一种模型训练方法，其特征在于，所述方法包括：
获取第一信息，所述第一信息包含用户的属性信息以及项目的属性信息；
通过第一待训练模型对所述第一信息进行处理，得到第一处理结果，所述第一处理结果用于确定所述项目被用户点击的概率，所述项目被用户点击的概率用于确定推荐给用户的项目，所述第一待训练模型用于：对所述第一信息进行线性运算，得到第二信息；对所述第二信息进行线性运算，得到第三信息；基于所述第三信息，获取所述第一处理结果；
基于所述项目被用户点击的概率以及所述项目被用户点击的真实概率，获取目标损失，所述目标损失用于指示所述项目被用户点击的概率以及所述项目被用户点击的真实概率之间的差异；
基于所述目标损失，对所述第一待训练模型的参数进行更新，直至满足模型训练条件，得到第一模型。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
通过第二待训练模型对所述第一信息进行处理，得到第二处理结果，所述第二待训练模型为以下至少一种：多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与所述第一待训练模型相同的模型；
通过第三待训练模型对所述第一处理结果以及所述第二处理结果进行融合，得到的融合后的结果为所述项目被用户点击的概率。
9.根据权利要求8所述的方法，其特征在于，所述基于所述项目被用户点击的概率以及所述项目被用户点击的真实概率，获取目标损失，所述目标损失用于指示所述项目被用户点击的概率以及所述项目被用户点击的真实概率之间的差异包括：
基于所述项目被用户点击的概率、所述项目被用户点击的真实概率、所述第一处理结果以及所述第二处理结果，获取目标损失，所述目标损失用于指示所述项目被用户点击的概率以及所述项目被用户点击的真实概率之间的差异，所述第一处理结果与所述项目被用户点击的概率之间的差异，所述第二处理结果与所述项目被用户点击的概率之间的差异；
所述基于所述目标损失，对所述第一待训练模型的参数进行更新，直至满足模型训练条件，得到第一模型包括：
基于所述目标损失，对所述第一待训练模型的参数、所述第二待训练模型的参数以及所述第三待训练模型的参数进行更新，直至满足模型训练条件，对应得到第一模型、第二模型以及第三模型。
10.一种项目推荐装置，其特征在于，所述装置包括：
获取模块，用于获取第一信息，所述第一信息包含用户的属性信息以及项目的属性信息；
第一处理模块，用于通过第一模型对所述第一信息进行处理，得到第一处理结果，所述第一处理结果用于确定推荐给所述用户的项目，所述第一模型用于：对所述第一信息进行线性运算，得到第二信息；对所述第二信息进行非线性运算，得到第三信息；基于所述第三信息，获取所述第一处理结果。
11.根据权利要求10所述的装置，其特征在于，所述第一模型，用于：
对所述第一信息进行线性运算，得到第二信息；
对所述第一信息和所述第二信息进行非线性运算，得到第三信息；
对所述第二信息以及所述第三信息进行融合，得到第四信息；
基于所述第四信息，获取所述第一处理结果。
12.根据权利要求10或11所述的装置，其特征在于，所述装置还包括：
第二处理模块，用于通过第二模型对所述第一信息进行处理，得到第二处理结果，所述第二模型为以下至少一种：多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与所述第一模型相同的模型；
第三处理模块，用于通过第三模型对所述第一处理结果以及所述第二处理结果进行融合，得到的融合后的结果用于确定推荐给所述用户的项目。
13.根据权利要求11所述的装置，其特征在于，所述第一模型包含N个交互单元，第i个交互单元的输入为第i-1个交互单元的输出，N≥1，i＝1,...,N，所述第一处理模块，用于：
通过所述第i个交互单元对所述第i个交互单元的输入进行线性运算，得到所述第i个交互单元的线性运算结果；
通过所述第i个交互单元对所述第i个交互单元的输入以及所述第i个交互单元的线性运算结果进行非线性运算，得到所述第i个交互单元的非线性运算结果；
通过所述第i个交互单元对所述第i个交互单元的线性运算结果以及所述第i个交互单元的非线性运算结果进行融合，得到所述第i个交互单元的输出；
其中，第1个交互单元的输入为所述第一信息，所述第1个交互模型的线性运算结果为所述第二信息，所述第1个交互模型的非线性运算结果为所述第三信息，所述第1个交互模型的输出为所述第四信息，第N个交互模型的输出为所述第一处理结果。
14.根据权利要求13所述的装置，其特征在于，所述第一处理模块，还用于通过所述第i个交互单元对所述第i个交互单元的输入以及所述第i个交互单元的非线性运算结果进行非线性运算，得到所述第i个交互单元的新的非线性运算结果；
所述第一处理模块，用于通过所述第i个交互单元对所述第i个交互单元的线性运算结果、所述第i个交互单元的非线性运算结果以及所述第i个交互单元的新的非线性运算结果进行融合，得到所述第i个交互单元的输出。
15.根据权利要求10至14任意一项所述的装置，其特征在于，所述第一信息还包含：所述用户对应用的操作信息以及所述应用的属性信息，所述应用用于为所述用户提供所述项目。
16.一种模型训练装置，其特征在于，所述装置包括：
第一获取模块，用于获取第一信息，所述第一信息包含用户的属性信息以及项目的属性信息；
第一处理模块，用于通过第一待训练模型对所述第一信息进行处理，得到第一处理结果，所述第一处理结果用于确定所述项目被用户点击的概率，所述项目被用户点击的概率用于确定推荐给用户的项目，所述第一待训练模型用于：对所述第一信息进行线性运算，得到第二信息；对所述第二信息进行线性运算，得到第三信息；基于所述第三信息，获取所述第一处理结果；
第二获取模块，用于基于所述项目被用户点击的概率以及所述项目被用户点击的真实概率，获取目标损失，所述目标损失用于指示所述项目被用户点击的概率以及所述项目被用户点击的真实概率之间的差异；
更新模块，用于基于所述目标损失，对所述第一待训练模型的参数进行更新，直至满足模型训练条件，得到第一模型。
17.根据权利要求16所述的装置，其特征在于，所述装置还包括：
第二处理模块，用于通过第二待训练模型对所述第一信息进行处理，得到第二处理结果，所述第二待训练模型为以下至少一种：多层感知机、卷积网络、注意力网络、Squeeze-and-Excitation网络以及与所述第一待训练模型相同的模型；
第三处理模块，用于通过第三待训练模型对所述第一处理结果以及所述第二处理结果进行融合，得到的融合后的结果为所述项目被用户点击的概率。
18.根据权利要求17所述的装置，其特征在于，所述第二获取模块，用于基于所述项目被用户点击的概率、所述项目被用户点击的真实概率、所述第一处理结果以及所述第二处理结果，获取目标损失，所述目标损失用于指示所述项目被用户点击的概率以及所述项目被用户点击的真实概率之间的差异，所述第一处理结果与所述项目被用户点击的概率之间的差异，所述第二处理结果与所述项目被用户点击的概率之间的差异；
所述更新模块，用于基于所述目标损失，对所述第一待训练模型的参数、所述第二待训练模型的参数以及所述第三待训练模型的参数进行更新，直至满足模型训练条件，对应得到第一模型、第二模型以及第三模型。
19.一种项目推荐装置，其特征在于，所述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，所述项目推荐装置执行如权利要求1至9任意一项所述的方法。
20.一种计算机存储介质，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9任一所述的方法。
21.一种计算机程序产品，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9任意一项所述的方法。
CN202210641372.7A 2022-06-08 2022-06-08 一种项目推荐方法及其相关设备 Pending CN117251487A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210641372.7A CN117251487A (zh) 2022-06-08 2022-06-08 一种项目推荐方法及其相关设备
PCT/CN2023/098289 WO2023236900A1 (zh) 2022-06-08 2023-06-05 一种项目推荐方法及其相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210641372.7A CN117251487A (zh) 2022-06-08 2022-06-08 一种项目推荐方法及其相关设备

Publications (1)

Publication Number Publication Date
CN117251487A true CN117251487A (zh) 2023-12-19

Family

ID=89117533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210641372.7A Pending CN117251487A (zh) 2022-06-08 2022-06-08 一种项目推荐方法及其相关设备

Country Status (2)

Country Link
CN (1) CN117251487A (zh)
WO (1) WO2023236900A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100926878B1 (ko) * 2007-06-01 2009-11-16 엔에이치엔비즈니스플랫폼 주식회사 광고를 제공하는 방법 및 시스템, 그리고 광고 제공에 대한학습 데이터 수집 방법 및 시스템
CN110033342A (zh) * 2019-01-30 2019-07-19 阿里巴巴集团控股有限公司 一种推荐模型的训练方法及装置、一种推荐方法及装置
EP3862893A4 (en) * 2019-10-31 2021-12-01 Huawei Technologies Co., Ltd. RECOMMENDATION MODEL LEARNING PROCESS, RECOMMENDATION PROCESS, DEVICE, AND COMPUTER READABLE MEDIA
CN110851713B (zh) * 2019-11-06 2023-05-30 腾讯科技（北京）有限公司 信息处理方法、推荐方法及相关设备
CN114117216A (zh) * 2021-11-23 2022-03-01 广州博冠信息科技有限公司 推荐概率预测方法及装置、计算机存储介质和电子设备

Also Published As

Publication number Publication date
WO2023236900A1 (zh) 2023-12-14

Similar Documents

Publication Publication Date Title
WO2022068623A1 (zh) 一种模型训练方法及相关设备
CN111797589B (zh) 一种文本处理网络、神经网络训练的方法以及相关设备
CN113065633B (zh) 一种模型训练方法及其相关联设备
WO2023050143A1 (zh) 一种推荐模型训练方法及装置
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
CN113627422A (zh) 一种图像分类方法及其相关设备
CN116312489A (zh) 一种模型训练方法及其相关设备
CN117251619A (zh) 一种数据处理方法及相关装置
CN115879508A (zh) 一种数据处理方法及相关装置
WO2023246735A1 (zh) 一种项目推荐方法及其相关设备
CN117056589A (zh) 一种物品推荐方法及其相关设备
CN116611861A (zh) 一种消费预测方法及其相关设备
CN116739154A (zh) 一种故障预测方法及其相关设备
CN116910357A (zh) 一种数据处理方法及相关装置
CN116343004A (zh) 一种图像处理方法及其相关设备
CN116259311A (zh) 一种语音处理方法及其相关设备
CN116310677A (zh) 一种图像处理方法及其相关设备
CN117746047A (zh) 一种图像处理方法及其相关设备
CN114707070A (zh) 一种用户行为预测方法及其相关设备
CN116309226A (zh) 一种图像处理方法及其相关设备
CN115795025A (zh) 一种摘要生成方法及其相关设备
CN115623242A (zh) 一种视频处理方法及其相关设备
CN114841361A (zh) 一种模型训练方法及其相关设备
CN114707643A (zh) 一种模型切分方法及其相关设备
CN115879524A (zh) 一种模型训练方法及其相关设备

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