CN117786209A - 资源推荐方法、推荐模型的训练方法及装置 - Google Patents
资源推荐方法、推荐模型的训练方法及装置 Download PDFInfo
- Publication number
- CN117786209A CN117786209A CN202311772930.4A CN202311772930A CN117786209A CN 117786209 A CN117786209 A CN 117786209A CN 202311772930 A CN202311772930 A CN 202311772930A CN 117786209 A CN117786209 A CN 117786209A
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- task
- shared
- user
- 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 76
- 238000012549 training Methods 0.000 title claims abstract description 56
- 238000000605 extraction Methods 0.000 claims description 71
- 238000012545 processing Methods 0.000 claims description 36
- 230000006399 behavior Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了资源推荐方法、推荐模型的训练方法及装置,涉及计算机技术领域,尤其涉及深度学习等人工智能领域。具体实现方案为:获取待推荐资源的资源信息和用户的用户信息,并对资源信息和用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征;对第一共享特征进行特征提取,得到第二共享特征;基于第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征;根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果;根据多个目标分别对应的预测结果向用户进行资源推荐。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及深度学习等人工智能领域,具体涉及一种资源推荐方法、推荐模型的训练方法及装置。
背景技术
随着互联网技术的发展,信息量呈指数级增长,资源推荐是解决信息过载和挖掘用户潜在需求的技术手段,在诸多领域中发挥着重要作用,例如电子商务、新闻资讯、电影推荐等领域。
发明内容
本申请提供了一种资源推荐方法、推荐模型的训练方法及装置。具体方案如下:
根据本申请的一方面,提供了一种资源推荐方法,包括:
获取待推荐资源的资源信息和用户的用户信息,并对资源信息和用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征;
对第一共享特征进行特征提取,得到第二共享特征;
基于第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征;
根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果;
根据多个目标分别对应的预测结果向用户进行资源推荐。
根据本申请的另一方面,提供了一种推荐模型的训练方法,包括:
获取训练样本,并对训练样本中样本资源的资源信息和用户的用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征;
采用初始推荐模型对第一共享特征进行特征提取,得到第二共享特征;
采用初始推荐模型,基于第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征;
采用初始推荐模型,根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果;
根据每个目标对应的预测结果与训练样本标注的每个目标对应的标注结果之间的差异,对初始推荐模型进行训练,得到推荐模型。
根据本申请的另一方面,提供了一种资源推荐装置,包括:
获取模块,用于获取待推荐资源的资源信息和用户的用户信息,并对资源信息和用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征;
第一特征提取模块,用于对第一共享特征进行特征提取,得到第二共享特征;
第二特征提取模块,用于基于第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征;
预测模块,用于根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果;
推荐模块,用于根据多个目标分别对应的预测结果向用户进行资源推荐。
根据本申请的另一方面,提供了一种推荐模型的训练装置,包括:
获取模块,用于获取训练样本,并对训练样本中样本资源的资源信息和用户的用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征;
第一特征提取模块,用于采用初始推荐模型对第一共享特征进行特征提取,得到第二共享特征;
第二特征提取模块,用于采用初始推荐模型,基于第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征;
预测模块,用于采用初始推荐模型,根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果;
训练模块,用于根据每个目标对应的预测结果与训练样本标注的每个目标对应的标注结果之间的差异,对初始推荐模型进行训练,得到推荐模型。
根据本申请的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述实施例所述的方法。
根据本申请的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述实施例所述的方法。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述实施例所述方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请一实施例提供的资源推荐方法的流程示意图;
图2为本申请另一实施例提供的资源推荐方法的流程示意图;
图3为本申请另一实施例提供的资源推荐方法的流程示意图;
图4为本申请实施例提供的一种推荐模型的结构示意图;
图5为本申请一实施例提供的资推荐模型的训练方法的流程示意图;
图6为本申请一实施例提供的资源推荐装置的结构示意图;
图7为本申请一实施例提供的推荐模型的训练装置的结构示意图;
图8是用来实现本申请实施例的资源推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,本申请的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
下面参考附图描述本申请实施例的资源推荐方法、推荐模型的训练方法、装置、电子设备和存储介质。
图1为本申请一实施例提供的资源推荐方法的流程示意图。
本申请实施例的资源推荐方法,可以由本申请实施例的资源推荐装置执行,该装置可以配置于电子设备中,以实现资源多目标推荐功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑、移动终端、服务器等,移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该资源推荐方法包括:
步骤101,获取待推荐资源的资源信息和用户的用户信息,并对资源信息和用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征。
本申请中,待推荐资源可以是视频、文章、广告、商品等中的任一种,还可以是其他资源,本申请对此不作限定。
本申请中,用户的用户信息可以包括但不限于用户的标识、性别、年龄、年龄段、喜好、用户对资源的历史行为信息等。以视频为例,用户对资源的历史行为信息可以包括但不限于用户在过去7天内浏览过的视频的数量、浏览过的视频的类别、点赞过的视频数量等。
本申请中,可以询问用户是否允许获取用户信息,在用户允许的情况下可以获取用户信息。示例性的,展示询问提示信息,以询问用户是否可以获取用户的用户信息,如果检测到用户触发“同意”控件,那么可以获取用户信息。示例性的,检测用户信息获取控件是否打开,如果该控件被打开,那么可以获取用户信息。
本申请中,可以对资源信息和用户信息进行特征抽取,得到资源特征和用户特征,并根据资源特征和用户特征,得到多个目标共用的第一共享特征及每个目标的第一任务特征。
示例性的,可以将资源特征及用户特征中多个目标可以共用的特征,作为第一共享特征,可以将用户特征中与每个目标关联的特征,作为每个目标的第一任务特征。
其中,待推荐资源类型不同,目标也不相同。
比如,待推荐资源为视频,目标可以为视频的完成率、是否为长播视频、是否为完播视频、是否为快滑视频、视频的播放时长等。其中,完成率可以是指观看视频时长与视频时长的比值;长播视频可以是指按照视频的物理时长进行分桶后,针对每个桶中用户观看视频时长按照从大到小进行排序,属于排序在前的预设比例的视频(比如前20%的视频);完播视频可以是指完成率大于预设值的视频;快滑视频可以是指用户观看视频的时长小于预设时长的视频;播放时长可以是指原始播放时长,也可以是指按照视频时长等频分组后,将原始播放时时长数据转换为桶内播放时长分位数。
又如,待推荐资源为商品,目标可以为对商品的点击率、点击购买率、页面停留时长等。
本申请中,第一共享特征可以是多个目标共用的特征,第一任务特征是每个目标独有的特征。
比如,待推荐资源为视频,对用户的属性信息比如用户的标识、性别、年龄、年龄段、喜好等编码得到的特征及对待推荐视频的视频标识、作者、类型等编码得到的特征,可以认为是多个目标共用的第一共享特征,对于目标完播,对用户过去2天内完播的视频数量、视频的类型等进行编码得到特征,可以认为是完播的第一任务特征。
步骤102,对第一共享特征进行特征提取,得到第二共享特征。
本申请中,可以利用预先训练得到推荐模型向用户推荐待推荐资源,其中,推荐模型可以是多目标学习得到的模型。
本申请中,可以利用推荐模型对第一共享特征进行特征提取,得到第二共享特征。
示例性的,推荐模型可以包括共享网络,也可以称为共享专家网络,可以将第一共享特征输入共享网络,利用共享网络对第一共享特征进行特征提取,得到第二共享特征。由此,通过共享网络学习到不同目标之间的相关性,从而可以提高模型预测结果的准确性。
步骤103,基于第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征。
本申请中,可以对第一共享特征和每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征。
示例性的,推荐模型可以包括多个任务网络,每个目标对应一个或多个任务网络,可以将第一共享特征和每个目标的第一任务特征输入每个目标对应的任务网络,利用每个目标对应的任务网络,对第一共享特征和每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征。
由此,通过每个目标对应的任务网络,学习目标之间的差异性,从而可以提高模型预测结果的准确性。
步骤104,根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果。
本申请中,针对每个目标,可以将第二共享特征与每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征,并根据每个目标对应的第三任务特征进行预测,得到每个目标对应的预测结果。
比如,目标为完成率,那么该目标对应的预测结果为待推荐视频的预测完成率,目标为长播,该目标对应的预测结果为待推荐视频为长播视频的概率。
由此,通过利用多个目标共用的第二共享特征和每个目标独有的第二任务特征融合得到的特征进行预测,可以提高每个目标的预测结果的准确性。
示例性的,针对每个目标,可以获取第二共享特征的第一权重与每个目标对应的第二任务特征的第二权重,根据第一权重和每个目标对应的第二任务特征的第二权重,对第二共享特征和每个目标对应的第二任务特征进行加权,得到每个目标对应的第三任务特征,再对第三任务特征进行特征提取,得到每个目标对应的第四任务特征,对每个目标对应的第四任务特征进行预测,得到每个目标对应的预测结果。
由此,针对每个目标,通过对第二共享特征和每个目标对应第二任务特征进行加权融合,基于融合得到的特征进行预测,提高了每个目标的预测结果的准确性。
示例性的,推荐模型包括每个目标对应的门控网络,可以利用每个目标对应的门控网络对第一共享特征进行处理,得到第二共享特征的第一权重和每个目标对应的第二任务特征的第二权重。
由此,针对每个目标设置相应的门控网络,通过每个目标对应的门控网络,确定第二共享特征和每个目标对应的第二任务特征的权重,提高了每个目标的预测结果的准确性。
需要说明的是,针对每个目标,第二共享特征具有相应的第一权重,目标不同,第二共享特征的第一权重可能相同,也可能不同。
步骤105,根据多个目标分别对应的预测结果向用户进行资源推荐。
本申请中,针对每个待推荐资源,可以根据多个目标分别对应的预测结果,确定每个待推荐资源的得分,再按照得分从大到小的顺序,对待推荐资源进行排序,根据排序结果向用户推荐资源。比如,可以将排序在前的预设数量的待推荐资源推荐给用户。
示例性的,针对每个待推荐资源,可以获取每个目标的权重,根据每个目标的权重,对多个目标对应的预测结果进行加权,得到每个待推荐资源的得分。
本申请实施例中,对待推荐资源的资源信息和用户的用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征,并对第一共享特征进行特征提取,得到第二共享特征,基于第一共享特征对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征,再根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果,根据多个目标分别对应的预测结果向用户进行资源推荐。由此,通过基于多个目标共用的第一共享特征,对每个目标独有的第一任务特征进行特征提取,能够避免目标之间的耦合,缓解多个目标共享底部特征出现的负迁移问题,从而可以提高每个目标的预测准确性,并且对第一共享特征进行特征提取,以及基于第一共享特征对每个目标的第一任务特征进行特征提取,相比从所有底部特征中提取多个目标的共享特征及每个目标独有的任务特征,可以减少计算量,提高了预测效率。
图2为本申请另一实施例提供的资源推荐方法的流程示意图。
如图2所示,该资源推荐方法包括:
步骤201,获取待推荐资源的资源信息和用户的用户信息,并对资源信息和用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征。
步骤202,对第一共享特征进行特征提取,得到第二共享特征。
步骤203,基于第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征。
本申请中,步骤201-步骤203可以参见本申请其他实施例中记载的内容,故在此不再赘述。
步骤204,对第一共享特征和每个目标对应的第一任务特征进行因子分解处理,得到每个目标对应的二阶交叉特征。
在实际应用中,随着深度学习层数越深,模型的泛化性越好,但是会伴随一些遗忘。基于此,本申请中,可以对第一共享特征和每个目标对应的第一任务特征进行因子分解处理,捕捉到特征之间的二阶交互关系,从而得到每个目标对应的二阶交叉特征。
示例性的,推荐模型可以包括多个因子分解机网络,每个目标对应一个或多个因子分解机网络,可以将第一共享特征和每个目标对应的第一任务特征输入每个目标对应的因子分解机网络进行处理,得到每个目标对应的二阶交叉特征。
如果每个目标对应多个因子分解机网络,可以将第一共享特征和每个目标对应的第一任务特征输入每个因子分解机网络进行处理,将多个因子分解机网络的处理结果进行融合,得到每个目标对应的二阶交叉特征。
步骤205,根据第二共享特征、每个目标对应的第二任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
本申请中,可以将第二共享特征、每个目标对应的第二任务特征和每个目标对应的二阶交叉特征进行融合,并对融合后的特征进行预测,得到每个目标对应的预测结果。
可选地,可以对第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征,并根据每个目标对应的第三任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。由此,基于第二共享特征和每个目标对应的第二任务特征融合得到的第三任务特征及每个目标对应的二阶交叉特征进行预测,可以提高预测结果准确性。
可选地,推荐模型可以包括多个门控网络,每个目标对应一个门控网络,可以利用每个目标对应的门控网络对第一共享特征进行处理,得到第二共享特征的第一权重和每个目标对应的第二任务特征的第二权重,根据第一权重和每个目标对应的第二任务特征的第二权重,对第二共享特征和每个目标对应的第二任务特征进行加权,得到每个目标对应的第三任务特征。
由此,针对每个目标设置相应的门控网络,通过每个目标对应的门控网络,确定第二共享特征和每个目标对应的第二任务特征的权重,基于权重进行融合,提高了每个目标的预测结果的准确性。
需要说明的是,针对每个目标,第二共享特征具有相应的第一权重,目标不同,第二共享特征的第一权重可能相同,也可能不同。
可选地,可以对每个目标对应的第三任务特征进行特征提取,得到每个目标对应的第四任务特征,并对每个目标对应的第四任务特征和每个目标对应的二阶交叉特征进行融合,得到每个目标对应的第五任务特征,再对每个目标对应的第五任务特征进行预测,得到每个目标对应的预测结果。
示例性的,推荐模型包括多个塔网络,每个目标对应一个或多个塔网络,可以将每个目标对应的第三任务特征输入每个目标对应的塔网络中进行特征提取,得到每个目标对应的第四任务特征。
如果每个目标对应多个塔网络,可以将每个目标对应的第三任务特征输入每个塔网络中进行特征提取,将多个塔网络提取的特征进行融合,得到每个目标对应的第四任务特征。
示例性的,可以将每个目标对应的第四任务特征和每个目标对应的二阶交叉特征进行拼接,得到每个目标对应的第五任务特征。
由此,通过对每个目标对应的第三任务特征继续特征提取,基于提取到的第四任务特征和二阶交叉特征进行预测,可以提高每个目标预测结果的准确性。
步骤206,根据多个目标分别对应的预测结果向用户进行资源推荐。
本申请中,步骤206可以参见本申请其他实施例中记载的内容,故在此不再赘述。
本申请实施例中,通过对第一共享特征和每个目标对应的第一任务特征进行因子分解处理,得到每个目标对应的二阶交叉特征,并根据第二共享特征、每个目标对应的第二任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。由此,针对每个目标,通过对第一共享特征和每个目标对应的第一任务特征进行因子分解处理,得到每个目标对应的二阶交叉特征,基于二阶交叉特征进行预测,可以在确保模型具有较好泛化性的同时兼顾在每个目标上的记忆性,从而可以进一步提升模型预测结果的准确性。
图3为本申请另一实施例提供的资源推荐方法的流程示意图。
如图3所示,该资源推荐方法包括:
步骤301,获取待推荐资源的资源信息和用户的用户信息。
本申请中,资源信息的解释说明可以参见其他实施例,故在此不再赘述。
本申请中,用户的用户信息可以包括用户属性信息、用户历史行为信息、用户请求信息等。
其中,用户属性信息可以包括用户的标识、性别、年龄、年龄段、喜好等;用户历史行为信息可以是用户对资源的历史行为信息,以视频为例,用户历史行为信息可以包括但不限于用户在过去7天内浏览过的视频的数量、浏览过的视频的类别、点赞过的视频数量等;用户请求信息可以包括请求次数、网络状态信息、资源加载方向,其中,网络状态信息可以是指网络类型、网络速度等,资源加载方向可以是指显示资源时终端设备的方向,比如横屏或竖屏。
步骤302,对用户属性信息和资源信息分别进行特征抽取,以获取用户属性特征及资源特征。
本申请中,可以对用户属性信息和资源信息分别进行编码,以获取用户属性特征和资源特征。
步骤303,根据用户属性特征和资源特征,确定第一共享特征。
本申请中,可以将用户属性特征、资源特征等,作为第一共享特征。
可选地,用户信息中还可以包括用户请求信息,对用户请求信息进行编码,可以得到用户请求特征,可以将用户属性特征、资源特征、用户请求特征等,作为第一共享特征。
可选地,可以将用户属性特征与资源特征进行交叉处理,得到属性资源交叉特征,将属性资源交叉特征、用户属性特征、资源特征,确定为第一共享特征。
示例性的,将用户属性特征与资源特征进行交叉处理,得到属性资源交叉特征,包括以下任一项:
将用户属性特征与资源特征进行拼接,得到属性资源交叉特征;
将用户属性特征与资源特征相加,得到属性资源交叉特征;
将用户属性特征与资源特征进行加权,得到属性资源交叉特征;
计算用户属性特征与资源特征的相似度,根据相似度,确定属性资源交叉特征。
可选地,可以将用户请求特征与资源特征进行交叉处理,得到请求资源交叉特征,将请求资源交叉特征、用户请求特征、资源特征,确定为第一共享特征。
可选地,可以将用户属性特征与用户请求特征进行交叉处理,得到属性请求交叉特征,将属性请求交叉特征、用户属性特征、用户请求特征,确定为第一共享特征。
可选地,可以将用户属性特征、资源特征、用户请求特征、属性资源交叉特征、请求资源交叉特征、属性请求交叉特征中的一项或多项,确定为第一共享特征。
步骤304,根据每个目标对用户历史行为信息进行特征抽取,以获取每个目标的第一任务特征。
本申请中,可以用户历史行为信息中确定出每个目标的关联信息,并对每个目标的关联信息进行特征抽取,确定每个目标对应的关联特征,可以将每个目标对应的关联特征,作为每个目标的第一任务特征。
其中,每个目标的关联信息可以是指与每个目标相关的信息。比如,待推荐资源为视频,目标为完成率,那么该目标的关联信息可以包括用户过去预设时长内浏览过的每个视频的完成率、标识、类型等信息,目标为是否为完播视频,该目标的关联信息为可以包括用户过去预设时长内观看过的完播视频、完播视频的标识、完播视频的类型等信息。
可选地,可以对用户属性特征与每个目标对应的关联特征进行交叉处理,得到每个目标对应的用户交叉特征,可以将每个目标对应的用户交叉特征与每个目标对应的关联特征,确定为每个目标第一任务特征。
示例性的,对用户属性特征与每个目标对应的关联特征进行交叉处理,得到每个目标对应的用户交叉特征,可以包括以下任一项:
将用户属性特征与每个目标对应的关联特征进行拼接,得到每个目标对应的属性交叉特征;
将用户属性特征与每个目标对应的关联特征相加,得到每个目标对应的属性交叉特征;
将用户属性特征与每个目标对应的关联特征进行加权,得到每个目标对应的属性交叉特征;
计算用户属性特征与每个目标对应的关联特征的相似度,根据相似度,确定每个目标对应的属性交叉特征。
由此,通过对用户属性特征与每个目标对应的关联特征进行交叉处理,得到每个目标对应的属性交叉特征,基于属性交叉特征和关联特征,得到第一任务特征,丰富了第一任务特征,提高了预测结果的准确性。
可选地,可以将资源特征与每个目标对应的关联特征进行交叉处理,得到每个目标对应的资源交叉特征,可以将每个对应的资源交叉特征和每个目标对应的关联特征,确定为每个目标的第一任务特征。
可选地,可以将用户请求特征与每个目标对应的关联特征进行交叉处理,得到每个目标对应的请求交叉特征,可以将每个对应的请求交叉特征和每个目标对应的关联特征,确定为每个目标的第一任务特征。
可以理解的是,针对每个目标,可以将属性交叉特征、资源交叉特征、请求交叉特征中的一项或多项及关联特征,确定为第一任务特征。
步骤305,对第一共享特征进行特征提取,得到第二共享特征。
步骤306,基于第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征。
步骤307,根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果。
步骤308,根据多个目标分别对应的预测结果向用户进行资源推荐。
本申请中,步骤305-步骤308可以参见本申请其他实施例中记载的内容,故在此不再赘述。
本申请实施例中,可以对用户属性信息和资源信息分别进行特征抽取,得到用户属性特征及资源特征,并根据用户属性特征和资源特征,确定第一共享特征,根据每个目标对用户历史行为信息进行特征抽取,以获取每个目标的第一任务特征。由此,基于用户属性信息、资源信息、用户历史行为信息等进行多目标预测,可以提高预测结果的准确性。
为了便于理解本申请的方案,下面结合图4进行说明,图4为本申请实施例提供的一种推荐模型的结构示意图。
如图4所示,推荐模型包括一个共享experts网络(同上述共享网络)、n个任务网络(即task-1experts网络、task-2experts网络、……、task-n experts网络)、n个塔网络(即塔网络1、塔网络2、……、塔网络n)、n个门控网络(即门控网络1、门控网络2、……、门控网络n)、n个因子分解机网络(图中只示出了第1个目标对应的因子分解机网络)等;其中,n为目标数量,n为大于1的整数。
在使用模型时,可以利用共享experts网络对第一共享特征进行处理得到第二共享特征,以目标1为例,可以将第一共享特征和目标1对应的任务特征(task-1特征)输入到task-1experts网络进行处理,得到目标1对应的第二任务特征,并利用门控网络1对第一共享特征进行处理,得到第一共享特征的第一权重和目标1对应的第二任务特征的第二权重,利用第一权重和第二权重对第一共享特征和目标1对应的第二任务特征进行加权,得到目标1对应的第三任务特征,并利用目标1对应的因子分解机网络对第一共享特征和task-1特征进行处理,得到目标1对应的二阶交叉特征,利用目标1对应的第三任务特征和二阶交叉特征进行预测,得到目标1的预测结果。
同理,对于目标2、……、目标n,可以采用上述类似的处理方法,可以得到目标2的预测结果、……、目标n的预测结果。由此,针对每个待推荐资源可以得到n个预测结果,利用n个预测结果,确定待推荐资源的得分,基于待推荐资源的得分进行资源推荐。
图5为本申请一实施例提供的资推荐模型的训练方法的流程示意图。
如图5所示,该资源推荐推荐模型的训练方法包括:
步骤501,获取训练样本,并对训练样本中样本资源的资源信息和用户的用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征。
本申请中,训练样本中可以包括样本资源的资源信息、用户的用户信息等。
本申请中,步骤501的解释说明可以参见上述资源推荐方法实施例中记载的内容,故在此不再赘述。
步骤502,采用初始推荐模型对第一共享特征进行特征提取,得到第二共享特征。
本申请中,初始推荐模型可以包括共享网络,也可以称为共享专家网络,可以将第一共享特征输入共享网络,利用共享网络对第一共享特征进行特征提取,得到第二共享特征。由此,通过共享网络学习到不同目标之间的相关性,从而可以增强目标建模的准确度。
步骤503,采用初始推荐模型,基于第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征。
本申请中,初始推荐模型可以包括多个任务网络,每个目标对应一个或多个任务网络,可以将第一共享特征和每个目标的第一任务特征输入每个目标对应的任务网络,利用每个目标对应的任务网络,对第一共享特征和每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征。
由此,通过每个目标对应的任务网络,学习目标之间的差异性,从而可以增强目标建模的准确度。
步骤504,采用初始推荐模型,根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果。
本申请中,步骤504的解释说明可以参见上述资源推荐方法实施例中记载的内容,故在此不再赘述。
步骤505,根据每个目标对应的预测结果与训练样本标注的每个目标对应的标注结果之间的差异,对初始推荐模型进行训练,得到推荐模型。
本申请中,针对训练样本,可以标注每个目标对应的标注结果。比如,样本资源为视频,目标可以为完成率、是否为完播视频、是否为快播视频等,例如某样本视频的各目标的标注结果为完成率为0.8、是完播视频、不是快播视频等。
本申请中,可以根据每个目标对应的预测结果与每个目标对应的标注结果之间的差异,确定每个目标对应的子损失,并根据多个目标分别对应的子损失,确定模型损失,根据模型损失调整初始推荐模型的参数,并对参数调整后的模型继续训练,直至满足训练结束条件,得到推荐模型。
其中,训练结束条件可以是训练次数达到预设次数,或者模型损失小于预设阈值,或者其他条件,本申请对此不作限定。
本申请实施例中,对样本资源的资源信息和用户的用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征,并对第一共享特征进行特征提取,得到第二共享特征,基于第一共享特征对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征,再根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果,根据多个目标分别对应的预测结果向用户进行资源推荐。由此,通过基于多个目标共用的第一共享特征,对每个目标独有的第一任务特征进行特征提取,能够避免目标之间的耦合,缓解多个目标共享底部特征出现的负迁移问题,从而可以提高特定目标的学习精度,并且对第一共享特征进行特征提取,以及基于第一共享特征对每个目标的第一任务特征进行特征提取,相比从所有底部特征中提取多个目标的共享特征及每个目标独有的任务特征,可以减少计算量,提高了训练效率。
在实际应用中,随着深度学习层数越深,模型的泛化性越好,但是会伴随一些遗忘。在本申请的一个实施例中,可以采用初始推荐模型,对第一共享特征和每个目标对应的第一任务特征进行因子分解处理,得到每个目标对应的二阶交叉特征,再采用初始推荐模型,根据第二共享特征、每个目标对应的第二任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。具体解释可以参见上述实施例中资源推荐方法实施例中记载的内容,故在此不再赘述。
由此,针对每个目标,通过对第一共享特征和每个目标对应的第一任务特征进行因子分解处理,得到每个目标对应的二阶交叉特征,基于二阶交叉特征进行预测,可以在确保模型具有较好泛化性的同时兼顾在每个目标上的记忆性,从而可以进一步提升模型建模精度。
在本申请的一个实施例中,可以对第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征,再根据每个目标对应的第三任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。具体解释可以参见上述实施例中资源推荐方法实施例中记载的内容,故在此不再赘述。
由此,基于第二共享特征和每个目标对应的第二任务特征融合得到的第三任务特征及每个目标对应的二阶交叉特征进行预测,可以提高预测结果准确性。
需要说明的是,本申请实施例中推荐模型的训练方法与上述资源推荐方法类似,故在此不再赘述。
为了实现上述实施例,本申请实施例还提出一种资源推荐装置。图6为本申请一实施例提供的资源推荐装置的结构示意图。
如图6所示,该资源推荐装置600包括:
获取模块610,用于获取待推荐资源的资源信息和用户的用户信息,并对资源信息和用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征;
第一特征提取模块620,用于对第一共享特征进行特征提取,得到第二共享特征;
第二特征提取模块630,用于基于第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征;
预测模块640,用于根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果;
推荐模块650,用于根据多个目标分别对应的预测结果向用户进行资源推荐。
在本申请实施例一种可能的实现方式中,预测模块640,用于:
对第一共享特征和每个目标对应的第一任务特征进行因子分解处理,得到每个目标对应的二阶交叉特征;
根据第二共享特征、每个目标对应的第二任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
在本申请实施例一种可能的实现方式中,预测模块640,用于:
对第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征;
根据每个目标对应的第三任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
在本申请实施例一种可能的实现方式中,预测模块640,用于:
利用每个目标对应的门控网络对第一共享特征进行处理,得到第二共享特征的第一权重和每个目标对应的第二任务特征的第二权重;
根据第一权重和每个目标对应的第二任务特征的第二权重,对第二共享特征和每个目标对应的第二任务特征进行加权得到每个目标对应的第三任务特征。
在本申请实施例一种可能的实现方式中,预测模块640,用于:
对每个目标对应的第三任务特征进行特征提取,得到每个目标对应的第四任务特征;
对每个目标对应的第四任务特征和每个目标对应的二阶交叉特征进行融合,得到每个目标对应的第五任务特征;
对每个目标对应的第五任务特征进行预测,得到每个目标对应的预测结果。
在本申请实施例一种可能的实现方式中,预测模块640,用于:
对第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征;
根据每个目标对应的第三任务特征进行预测,得到每个目标对应的预测结果。
在本申请实施例一种可能的实现方式中,第二特征提取模块630,用于:
利用每个目标对应的任务网络,对第一共享特征和每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征。
在本申请实施例一种可能的实现方式中,第一特征提取模块620,用于:
利用共享网络对第一共享特征进行特征提取,得到第二共享特征。
在本申请实施例一种可能的实现方式中,用户信息包括用户属性信息和用户历史行为信息,获取模块610,用于:
对用户属性信息和资源信息分别进行特征抽取,以获取用户属性特征及资源特征;
根据用户属性特征和资源特征,确定第一共享特征;
根据每个目标对用户历史行为信息进行特征抽取,以获取每个目标的第一任务特征。
在本申请实施例一种可能的实现方式中,获取模块610,用于:
从用户历史行为信息中确定出每个目标的关联信息;
对每个目标的关联信息进行特征抽取,确定每个目标对应的关联特征;
对用户属性特征与每个目标对应的关联特征进行交叉处理,得到每个目标对应的属性交叉特征;
根据每个目标对应的属性交叉特征和每个目标对应的关联特征,确定每个目标的第一任务特征。
需要说明的是,前述资源推荐方法实施例的解释说明,也适用于该实施例的资源推荐装置,故在此不再赘述。
本申请实施例中,对待推荐资源的资源信息和用户的用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征,并对第一共享特征进行特征提取,得到第二共享特征,基于第一共享特征对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征,再根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果,根据多个目标分别对应的预测结果向用户进行资源推荐。由此,通过基于多个目标共用的第一共享特征,对每个目标独有的第一任务特征进行特征提取,能够避免目标之间的耦合,缓解多个目标共享底部特征出现的负迁移问题,从而可以提高每个目标的预测准确性,并且对第一共享特征进行特征提取,以及基于第一共享特征对每个目标的第一任务特征进行特征提取,相比从所有底部特征中提取多个目标的共享特征及每个目标独有的任务特征,可以减少计算量,提高了预测效率。
为了实现上述实施例,本申请实施例还提出一种推荐模型的训练装置。图7为本申请一实施例提供的推荐模型的训练装置的结构示意图。
如图7所示,该推荐模型的训练装置700包括:
获取模块710,用于获取训练样本,并对训练样本中样本资源的资源信息和用户的用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征;
第一特征提取模块720,用于采用初始推荐模型对第一共享特征进行特征提取,得到第二共享特征;
第二特征提取模块730,用于采用初始推荐模型,基于第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征;
预测模块740,用于采用初始推荐模型,根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果;
训练模块750,用于根据每个目标对应的预测结果与训练样本标注的每个目标对应的标注结果之间的差异,对初始推荐模型进行训练,得到推荐模型。
在本申请实施例一种可能的实现方式中,预测模块740,用于:
采用初始推荐模型,对第一共享特征和每个目标对应的第一任务特征进行因子分解处理,得到每个目标对应的二阶交叉特征;
采用初始推荐模型,根据第二共享特征、每个目标对应的第二任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
在本申请实施例一种可能的实现方式中,预测模块740,用于:
对第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征;
根据每个目标对应的第三任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
在本申请实施例一种可能的实现方式中,预测模块740,用于:
利用每个目标对应的门控网络对第一共享特征进行处理,得到第二共享特征的第一权重和每个目标对应的第二任务特征的第二权重;
根据第一权重和每个目标对应的第二任务特征的第二权重,对第二共享特征和每个目标对应的第二任务特征进行加权得到每个目标对应的第三任务特征。
在本申请实施例一种可能的实现方式中,预测模块740,用于:
对每个目标对应的第三任务特征进行特征提取,得到每个目标对应的第四任务特征;
对每个目标对应的第四任务特征和每个目标对应的二阶交叉特征进行融合,得到每个目标对应的第五任务特征;
对每个目标对应的第五任务特征进行预测,得到每个目标对应的预测结果。
在本申请实施例一种可能的实现方式中,预测模块740,用于:
采用初始推荐模型,对第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征;
采用初始推荐模型,根据每个目标对应的第三任务特征进行预测,得到每个目标对应的预测结果。
在本申请实施例一种可能的实现方式中,第二特征提取模块730,用于:
利用初始推荐模型中每个目标对应的任务网络,对第一共享特征和每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征。
在本申请实施例一种可能的实现方式中,第一特征提取模块720,用于:
利用初始推荐模型中共享网络对第一共享特征进行特征提取,得到第二共享特征。
在本申请实施例一种可能的实现方式中,用户信息包括用户属性信息和用户历史行为信息,获取模块710,用于:
对用户属性信息和资源信息分别进行特征抽取,以获取用户属性特征及资源特征;
根据用户属性特征和资源特征,确定第一共享特征;
根据每个目标对用户历史行为信息进行特征抽取,以获取每个目标的第一任务特征。
在本申请实施例一种可能的实现方式中,获取模块710,用于:
从用户历史行为信息中确定出每个目标的关联信息;
对每个目标的关联信息进行特征抽取,确定每个目标对应的关联特征;
对用户属性特征与每个目标对应的关联特征进行交叉处理,得到每个目标对应的属性交叉特征;
根据每个目标对应的属性交叉特征和每个目标对应的关联特征,确定每个目标的第一任务特征。
需要说明的是,前述推荐模型的训练方法实施例的解释说明,也适用于该实施例的推荐模型的训练装置,故在此不再赘述。
本申请实施例中,对样本资源的资源信息和用户的用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征,并对第一共享特征进行特征提取,得到第二共享特征,基于第一共享特征对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征,再根据第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果,根据多个目标分别对应的预测结果向用户进行资源推荐。由此,通过基于多个目标共用的第一共享特征,对每个目标独有的第一任务特征进行特征提取,能够避免目标之间的耦合,缓解多个目标共享底部特征出现的负迁移问题,从而可以提高特定目标的学习精度,并且对第一共享特征进行特征提取,以及基于第一共享特征对每个目标的第一任务特征进行特征提取,相比从所有底部特征中提取多个目标的共享特征及每个目标独有的任务特征,可以减少计算量,提高了训练效率。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)802中的计算机程序或者从存储单元808加载到RAM(Random AccessMemory,随机访问/存取存储器)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。I/O(Input/Output,输入/输出)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如资源推荐方法。例如,在一些实施例中,资源推荐方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的资源推荐方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行资源推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(VirtualPrivate Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
需要说明的是,用来实施本申请的推荐模型的训练方法的电子设备的结构与上述电子设备的结构类似,故不再赘述。
根据本申请的实施例,本申请还提供了一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行本申请上述实施例提出的资源推荐方法或者推荐模型的训练方法。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (29)
1.一种资源推荐方法,包括:
获取待推荐资源的资源信息和用户的用户信息,并对所述资源信息和所述用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征;
对所述第一共享特征进行特征提取,得到第二共享特征;
基于所述第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征;
根据所述第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果;
根据所述多个目标分别对应的预测结果向所述用户进行资源推荐。
2.如权利要求1所述的方法,其中,所述根据所述第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果,包括:
对所述第一共享特征和每个目标对应的第一任务特征进行因子分解处理,得到每个目标对应的二阶交叉特征;
根据所述第二共享特征、每个目标对应的第二任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
3.如权利要求2所述的方法,其中,所述根据所述第二共享特征、每个目标对应的第二任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果,包括:
对所述第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征;
根据每个目标对应的第三任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
4.如权利要求3所述的方法,其中,所述对所述第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征,包括:
利用每个目标对应的门控网络对所述第一共享特征进行处理,得到所述第二共享特征的第一权重和每个目标对应的第二任务特征的第二权重;
根据所述第一权重和每个目标对应的第二任务特征的第二权重,对所述第二共享特征和所述每个目标对应的第二任务特征进行加权得到每个目标对应的第三任务特征。
5.如权利要求3所述的方法,其中,所述根据每个目标对应的第三任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果,包括:
对每个目标对应的第三任务特征进行特征提取,得到每个目标对应的第四任务特征;
对每个目标对应的第四任务特征和每个目标对应的二阶交叉特征进行融合,得到每个目标对应的第五任务特征;
对每个目标对应的第五任务特征进行预测,得到每个目标对应的预测结果。
6.如权利要求1所述的方法,其中,所述根据所述第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果,包括:
对所述第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征;
根据每个目标对应的第三任务特征进行预测,得到每个目标对应的预测结果。
7.如权利要求1所述的方法,其中,所述基于所述第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征,包括:
利用每个目标对应的任务网络,对所述第一共享特征和每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征。
8.如权利要求1所述的方法,其中,所述对所述第一共享特征进行特征提取,得到第二共享特征,包括:
利用共享网络对第一共享特征进行特征提取,得到所述第二共享特征。
9.如权利要求1所述的方法,其中,所述用户信息包括用户属性信息和用户历史行为信息,所述对所述资源信息和所述用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征,包括:
对所述用户属性信息和所述资源信息分别进行特征抽取,以获取用户属性特征及资源特征;
根据所述用户属性特征和资源特征,确定所述第一共享特征;
根据每个目标对所述用户历史行为信息进行特征抽取,以获取每个目标的第一任务特征。
10.如权利要求9所述的方法,其中,所述根据每个目标对所述用户历史行为信息进行特征抽取,以得到每个目标的第一任务特征,包括:
从所述用户历史行为信息中确定出每个目标的关联信息;
对每个目标的关联信息进行特征抽取,确定每个目标对应的关联特征;
对所述用户属性特征与每个目标对应的关联特征进行交叉处理,得到每个目标对应的属性交叉特征;
根据每个目标对应的属性交叉特征和每个目标对应的关联特征,确定每个目标的第一任务特征。
11.一种推荐模型的训练方法,包括:
获取训练样本,并对所述训练样本中样本资源的资源信息和用户的用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征;
采用初始推荐模型对所述第一共享特征进行特征提取,得到第二共享特征;
采用所述初始推荐模型,基于所述第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征;
采用所述初始推荐模型,根据所述第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果;
根据每个目标对应的预测结果与所述训练样本标注的每个目标对应的标注结果之间的差异,对所述初始推荐模型进行训练,得到推荐模型。
12.如权利要求11所述的方法,其中,所述采用所述初始推荐模型,根据所述第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果,包括:
采用所述初始推荐模型,对所述第一共享特征和每个目标对应的第一任务特征进行因子分解处理,得到每个目标对应的二阶交叉特征;
采用所述初始推荐模型,根据所述第二共享特征、每个目标对应的第二任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
13.如权利要求12所述的方法,其中,所述根据所述第二共享特征、每个目标对应的第二任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果,包括:
对所述第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征;
根据每个目标对应的第三任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
14.一种资源推荐装置,包括:
获取模块,用于获取待推荐资源的资源信息和用户的用户信息,并对所述资源信息和所述用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征;
第一特征提取模块,用于对所述第一共享特征进行特征提取,得到第二共享特征;
第二特征提取模块,用于基于所述第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征;
预测模块,用于根据所述第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果;
推荐模块,用于根据所述多个目标分别对应的预测结果向所述用户进行资源推荐。
15.如权利要求14所述的装置,其中,所述预测模块,用于:
对所述第一共享特征和每个目标对应的第一任务特征进行因子分解处理,得到每个目标对应的二阶交叉特征;
根据所述第二共享特征、每个目标对应的第二任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
16.如权利要求15所述的装置,其中,所述预测模块,用于:
对所述第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征;
根据每个目标对应的第三任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
17.如权利要求16所述的装置,其中,所述预测模块,用于:
利用每个目标对应的门控网络对所述第一共享特征进行处理,得到所述第二共享特征的第一权重和每个目标对应的第二任务特征的第二权重;
根据所述第一权重和每个目标对应的第二任务特征的第二权重,对所述第二共享特征和所述每个目标对应的第二任务特征进行加权得到每个目标对应的第三任务特征。
18.如权利要求16所述的装置,其中,所述预测模块,用于:
对每个目标对应的第三任务特征进行特征提取,得到每个目标对应的第四任务特征;
对每个目标对应的第四任务特征和每个目标对应的二阶交叉特征进行融合,得到每个目标对应的第五任务特征;
对每个目标对应的第五任务特征进行预测,得到每个目标对应的预测结果。
19.如权利要求14所述的装置,其中,所述预测模块,用于:
对所述第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征;
根据每个目标对应的第三任务特征进行预测,得到每个目标对应的预测结果。
20.如权利要求14所述的装置,其中,所述第二特征提取模块,用于:
利用每个目标对应的任务网络,对所述第一共享特征和每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征。
21.如权利要求14所述的装置,其中,所述第一特征提取模块,用于:
利用共享网络对第一共享特征进行特征提取,得到所述第二共享特征。
22.如权利要求14所述的装置,其中,所述用户信息包括用户属性信息和用户历史行为信息,所述获取模块,用于:
对所述用户属性信息和所述资源信息分别进行特征抽取,以获取用户属性特征及资源特征;
根据所述用户属性特征和资源特征,确定所述第一共享特征;
根据每个目标对所述用户历史行为信息进行特征抽取,以获取每个目标的第一任务特征。
23.如权利要求22所述的装置,其中,所述获取模块,用于:
从所述用户历史行为信息中确定出每个目标的关联信息;
对每个目标的关联信息进行特征抽取,确定每个目标对应的关联特征;
对所述用户属性特征与每个目标对应的关联特征进行交叉处理,得到每个目标对应的属性交叉特征;
根据每个目标对应的属性交叉特征和每个目标对应的关联特征,确定每个目标的第一任务特征。
24.一种推荐模型的训练装置,包括:
获取模块,用于获取训练样本,并对所述训练样本中样本资源的资源信息和用户的用户信息进行特征抽取,得到多个目标共用的第一共享特征及每个目标的第一任务特征;
第一特征提取模块,用于采用初始推荐模型对所述第一共享特征进行特征提取,得到第二共享特征;
第二特征提取模块,用于采用所述初始推荐模型,基于所述第一共享特征,对每个目标的第一任务特征进行特征提取,得到每个目标对应的第二任务特征;
预测模块,用于采用所述初始推荐模型,根据所述第二共享特征及每个目标对应的第二任务特征进行预测,得到每个目标对应的预测结果;
训练模块,用于根据每个目标对应的预测结果与所述训练样本标注的每个目标对应的标注结果之间的差异,对所述初始推荐模型进行训练,得到推荐模型。
25.如权利要求24所述的装置,其中,所述预测模块,用于:
采用所述初始推荐模型,对所述第一共享特征和每个目标对应的第一任务特征进行因子分解处理,得到每个目标对应的二阶交叉特征;
采用所述初始推荐模型,根据所述第二共享特征、每个目标对应的第二任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
26.如权利要求25所述的装置,其中,所述预测模块,用于:
对所述第二共享特征和每个目标对应的第二任务特征进行融合,得到每个目标对应的第三任务特征;
根据每个目标对应的第三任务特征和每个目标对应的二阶交叉特征进行预测,得到每个目标对应的预测结果。
27.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法,或者能够执行权利要求11-13中任一项所述的方法。
28.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法,或者执行根据权利要求11-13中任一项所述的方法。
29.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现权利要求1-10中任一项所述方法的步骤,或者实现权利要求11-13中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311772930.4A CN117786209A (zh) | 2023-12-20 | 2023-12-20 | 资源推荐方法、推荐模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311772930.4A CN117786209A (zh) | 2023-12-20 | 2023-12-20 | 资源推荐方法、推荐模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117786209A true CN117786209A (zh) | 2024-03-29 |
Family
ID=90388279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311772930.4A Pending CN117786209A (zh) | 2023-12-20 | 2023-12-20 | 资源推荐方法、推荐模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786209A (zh) |
-
2023
- 2023-12-20 CN CN202311772930.4A patent/CN117786209A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
US20220284067A1 (en) | Method for pushing information, electronic device | |
CN112765452B (zh) | 搜索推荐方法、装置及电子设备 | |
CN114154013A (zh) | 视频推荐方法、装置、设备及存储介质 | |
CN112989146A (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN114461919A (zh) | 信息推荐的模型训练方法及装置 | |
CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
CN117633356A (zh) | 基于大语言模型的资源处理方法、装置、电子设备及介质 | |
CN117235371A (zh) | 视频推荐方法、模型训练方法及装置 | |
CN116955817A (zh) | 内容推荐方法、装置、电子设备以及存储介质 | |
CN114627556B (zh) | 动作检测方法、动作检测装置、电子设备以及存储介质 | |
CN114491249B (zh) | 一种对象推荐方法、装置、设备以及存储介质 | |
CN112905885B (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN115168732A (zh) | 资源推荐方法、装置、设备以及存储介质 | |
CN114357242A (zh) | 基于召回模型的训练评估方法及装置、设备、存储介质 | |
CN117786209A (zh) | 资源推荐方法、推荐模型的训练方法及装置 | |
CN113987260A (zh) | 一种视频推送方法、装置、电子设备及存储介质 | |
CN113515701A (zh) | 信息推荐方法及装置 | |
EP4123999B1 (en) | Method and apparatus for pushing a resource, and storage medium | |
CN114547417A (zh) | 一种媒体资源排序方法及电子设备 | |
CN117651167A (zh) | 资源推荐方法、装置、设备以及存储介质 | |
CN116150502A (zh) | 信息推荐方法、装置、设备及介质 | |
CN115456085A (zh) | 模型训练方法、资源预估方法、装置、电子设备和介质 | |
CN117611282A (zh) | 训练点击率预测模型和点击率预测的方法和装置 | |
CN114817716A (zh) | 预测用户转化行为及训练模型的方法、装置、设备及介质 |
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 |