【技术实现步骤摘要】
基于人工智能的对象推荐方法、装置及电子设备
本专利技术涉及人工智能技术,尤其涉及一种基于人工智能的对象推荐方法、装置、电子设备及存储介质。
技术介绍
人工智能(AI,ArtificialIntelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,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。对象推荐是人工智能的一个重要应用方向,具体如商品推荐及音乐推荐等。在对象推荐中往往存在冷启动问题,即需要在用户未进行过交互行为的情况下向用户推荐合适的对象,对于该问题,在相关技术提供的方案中,通常是由人工配置冷启动阶段的推荐对象,但是,用户有较大可能对推荐的对象不感兴趣,对象推荐的准确性差。
技术实现思路
本专利技术实施例提供一种基于人工智能的对象推荐方法、装置、电子设备及存储介质,能够提升对象推荐的准确性。本专利技术实施例的技术方案是这样实现的:本专利技术实施例提供一种基于人工智能的对象推荐方法,包括:获取交互用户的领域外特征;其中,所述交互用户是针对被推荐对象实施交互行为的用户,所述领域外特征是与所述用户相关的、且与所述交互行为无关的特征;确定所述领域外特征与所述被推荐对象之间的关联关系;根据所述关联关系,确定无交互用户针对待推荐对象的行为预测结果;其中,所述无交互用户是针
【技术保护点】
1.一种基于人工智能的对象推荐方法,其特征在于,包括:/n获取交互用户的领域外特征;/n其中,所述交互用户是针对被推荐对象实施交互行为的用户,所述领域外特征是与所述用户相关的、且与所述交互行为无关的特征;/n确定所述领域外特征与所述被推荐对象之间的关联关系;/n根据所述关联关系,确定无交互用户针对待推荐对象的行为预测结果;其中,所述无交互用户是针对所述待推荐对象未实施交互行为的用户;/n当所述行为预测结果符合推荐条件时,执行向所述无交互用户推荐所述待推荐对象的操作。/n
【技术特征摘要】
1.一种基于人工智能的对象推荐方法,其特征在于,包括:
获取交互用户的领域外特征;
其中,所述交互用户是针对被推荐对象实施交互行为的用户,所述领域外特征是与所述用户相关的、且与所述交互行为无关的特征;
确定所述领域外特征与所述被推荐对象之间的关联关系;
根据所述关联关系,确定无交互用户针对待推荐对象的行为预测结果;其中,所述无交互用户是针对所述待推荐对象未实施交互行为的用户;
当所述行为预测结果符合推荐条件时,执行向所述无交互用户推荐所述待推荐对象的操作。
2.根据权利要求1所述的对象推荐方法,其特征在于,
所述获取交互用户的领域外特征,包括:
获取交互样本;其中,所述交互样本包括所述被推荐对象的对象特征、所述交互用户的领域外特征、所述交互用户的领域内特征及所述交互用户针对所述被推荐对象的交互行为;所述领域内特征是与所述交互用户的交互行为相关的特征;
所述确定所述领域外特征与所述被推荐对象之间的关联关系,包括:
对所述交互样本中的领域内特征进行弱化处理;
通过第一机器学习模型接收所述被推荐对象的对象特征、所述交互用户的领域外特征及弱化处理后的所述领域内特征,并进行预测处理,得到待对比的行为预测结果;
根据所述待对比的行为预测结果和所述交互样本中的交互行为,更新所述第一机器学习模型的权重参数,以
强化所述交互用户的领域外特征与所述被推荐对象的对象特征之间的关联关系。
3.根据权利要求2所述的对象推荐方法,其特征在于,所述根据所述关联关系,确定无交互用户针对待推荐对象的行为预测结果,包括:
通过更新后的所述第一机器学习模型接收所述待推荐对象的对象特征和所述无交互用户的领域外特征,并进行预测处理,得到至少一个初始行为预测结果及对应的结果概率;
将数值最大的结果概率对应的所述初始行为预测结果,确定为所述无交互用户针对所述待推荐对象的行为预测结果;
其中,所述被推荐对象的对象特征与所述待推荐对象的对象特征属于相同的特征种类。
4.根据权利要求2所述的对象推荐方法,其特征在于,所述对所述交互样本中的领域内特征进行弱化处理,包括:
确定所述交互样本中领域内特征对应的特征种类总数;
将丢弃参数与所述特征种类总数进行乘积处理,得到丢弃种类数量;其中,所述丢弃种类数量为大于0的整数;
对所述交互样本中任意的、且数量符合所述丢弃种类数量的所述领域内特征进行丢弃处理;
对丢弃处理后的所述领域内特征进行池化处理。
5.根据权利要求2所述的对象推荐方法,其特征在于,所述根据所述待对比的行为预测结果和所述交互样本中的交互行为,更新所述第一机器学习模型的权重参数,包括:
根据所述待对比的行为预测结果与所述交互样本中的交互行为之间的差异,确定第一损失值;
将所述交互样本中的领域外特征与弱化处理后的所述领域内特征之间的信息散度,确定为第二损失值;
将所述第一损失值与所述第二损失值进行加权处理,得到加权损失值;
根据所述加权损失值在所述第一机器学习模型中进行反向传播,并在反向传播的过程中,沿梯度下降方向更新所述第一机器学习模型的权重参数。
6.根据权利要求5所述的对象推荐方法,其特征在于,
所述将所述交互样本中的领域外特征与弱化处理后的所述领域内特征之间的信息散度,确定为第二损失值,包括:
确定所述交互样本中的每个领域外特征与弱化处理后的所述领域内特征之间的子信息散度;
对所有所述子信息散度进行累积处理,得到第二损失值;
所述将所述第一损失值与所述第二损失值进行加权处理,得到加权损失值,包括:
获取与所述第一损失值对应的第一损失权重,获取与所述第二损失值对应的第二损失权重;其中,所述第一损失权重大于所述第二损失权重;
根据所述第一损失权重和所述第二损失权重,对所述第一损失值和所述第二损失值进行加权求和处理,得到加权损失值。
7.根据权利要求2所述的对象推荐方法,其特征在于,所述获取交互样本之后,还包括:
通过第二机器学习模型接收所述被推荐对象的对象特征、所述交互用户的领域外特征及所述交互用户的领域内特征,并进行预测处理,得到待对比的行为预测结果;
根据所述待对比的行为预测结果和所述交互样本中的交互行为,更新所述第二机器学习模型的权重参数;
通过更新后的所述第二机器学习模型接收所述待推荐对象的对象特征、所述交互用户的领域外...
【专利技术属性】
技术研发人员:缪畅宇,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。