基于人工智能的推荐模型的训练方法、装置及存储介质制造方法及图纸

本发明专利技术提供了一种基于人工智能的推荐模型的训练方法、装置、电子设备及存储介质；方法包括：通过特征提取模型，分别对媒体信息样本的用户数据、内容数据及推广对象样本的对象数据进行特征提取，得到用户特征、内容特征及对象特征；基于用户特征及内容特征，通过预测模型进行点击数据预测，得到对应媒体信息样本的第一预测点击数据；并基于用户特征、内容特征及对象特征，通过预测模型进行点击数据预测，得到对应推广对象样本的第二预测点击数据；基于第一目标点击数据与第一预测点击数据之间的第一差异，及第二目标点击数据与第二预测点击数据之间的第二差异，更新推荐模型的模型参数；通过本发明专利技术，能够提高推荐模型的推荐准确性，提升用户体验。

Training method, device and storage medium of recommendation model based on Artificial Intelligence

【技术实现步骤摘要】
基于人工智能的推荐模型的训练方法、装置及存储介质
本专利技术涉及人工智能
，尤其涉及一种基于人工智能的推荐模型的训练方法、基于人工智能的内容推荐方法、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。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。推荐系统是人工智能的重要应用分支，其中在对推广对象(商品、APP等)进行推荐时，通常将推广对象嵌入到软文、资讯等媒体信息中进行推荐，以提高用户的接受度与好感度，从而引导用户对推广对象进行购买或者下载。相关技术中，通常采用单任务学习的方式，针对媒体信息、和推广对象分别构建推荐模型并训练，得到两个推荐模型。但是，由于推广对象是植入在媒体信息中的，用本文档来自技高网...

【技术保护点】
1.一种基于人工智能的推荐模型的训练方法，其特征在于，所述推荐模型包括：特征提取模型及预测模型，所述方法包括：/n获取媒体信息样本的用户数据、内容数据、及所述媒体信息样本中植入的推广对象样本的对象数据；/n其中，所述媒体信息样本标注有第一目标点击数据，所述推广对象样本标注有第二目标点击数据；/n通过所述特征提取模型，分别对所述用户数据、内容数据及所述对象数据进行特征提取，得到所述媒体信息样本的用户特征、内容特征、及所述推广对象样本的对象特征；/n基于所述用户特征及内容特征，通过所述预测模型进行点击数据预测，得到对应所述媒体信息样本的第一预测点击数据；并/n基于所述用户特征、内容特征及所述对象特...

【技术特征摘要】
1.一种基于人工智能的推荐模型的训练方法，其特征在于，所述推荐模型包括：特征提取模型及预测模型，所述方法包括：
获取媒体信息样本的用户数据、内容数据、及所述媒体信息样本中植入的推广对象样本的对象数据；
其中，所述媒体信息样本标注有第一目标点击数据，所述推广对象样本标注有第二目标点击数据；
通过所述特征提取模型，分别对所述用户数据、内容数据及所述对象数据进行特征提取，得到所述媒体信息样本的用户特征、内容特征、及所述推广对象样本的对象特征；
基于所述用户特征及内容特征，通过所述预测模型进行点击数据预测，得到对应所述媒体信息样本的第一预测点击数据；并
基于所述用户特征、内容特征及所述对象特征，通过所述预测模型进行点击数据预测，得到对应所述推广对象样本的第二预测点击数据；
其中，所述第二预测点击数据，用于供结合所述第一预测点击数据对所述媒体信息样本或所述推广对象样本进行推荐；
获取所述第一目标点击数据与所述第一预测点击数据之间的第一差异，及所述第二目标点击数据与所述第二预测点击数据之间的第二差异；
基于所述第一差异及所述第二差异，更新所述推荐模型的模型参数。


2.如权利要求1所述的方法，其特征在于，所述特征提取模型包括：用户特征子模型、内容特征子模型及对象特征子模型；
所述通过所述特征提取模型，分别对所述用户数据、内容数据及所述对象数据进行特征提取，得到所述媒体信息样本的用户特征、内容特征、及所述推广对象样本的对象特征，包括：
通过所述用户特征子模型，对所述用户数据进行特征提取，得到所述媒体信息样本的用户特征；
通过所述内容特征子模型，对所述内容数据进行特征提取，得到所述媒体信息样本的内容特征；
通过所述对象特征子模型，对所述对象数据进行特征提取，得到所述推广对象样本的对象特征。


3.如权利要求2所述的方法，其特征在于，所述用户特征子模型、内容特征子模型及对象特征子模型的模型结构相同；
所述用户特征子模型包括：特征映射层、特征拼接层、标准化处理层及特征提取层；
所述通过所述用户特征子模型，对所述用户数据进行特征提取，得到所述媒体信息样本的用户特征，包括：
当所述用户数据包括离散型数据、连续型数据及文本型数据中至少两种类型的数据时，通过所述特征映射层，分别对所述至少两种类型的数据进行映射处理，得到对应每种类型数据的向量；
通过所述特征拼接层，对所述对应每种类型数据的向量进行向量拼接，得到拼接向量；
通过所述标准化处理层，对所述拼接向量进行标准化处理，得到目标维度的标准化向量；
通过所述特征提取层，对所述标准化向量进行特征提取，得到所述媒体信息样本的用户特征。


4.如权利要求1所述的方法，其特征在于，所述基于所述用户特征及内容特征，通过所述预测模型进行点击数据预测，得到对应所述媒体信息样本的第一预测点击数据，包括：
通过所述预测模型，分别对所述用户特征及内容特征进行映射处理，得到对应所述用户特征的第一向量及对应所述内容特征的第二向量，所述第一向量与所述第二向量的向量维度相同；
基于所述第一向量及所述第二向量，通过所述预测模型，调用激活函数进行点击数据预测，得到对应所述媒体信息样本的第一预测点击数据。


5.如权利要求4所述的方法，其特征在于，所述基于所述第一向量及所述第二向量，通过所述预测模型，调用激活函数进行点击数据预测，得到对应所述媒体信息样本的第一预测点击数据，包括：
对所述第一向量及所述第二向量进行内积处理，得到内积处理结果；
基于所述内积处理结果，调用第一激活函数进行点击概率预测，得到对应所述媒体信息样本的点击概率。


6.如权利要求4所述的方法，其特征在于，所述基于所述第一向量及所述第二向量，通过所述预测模型，调用激活函数进行点击数据预测，得到对应所述媒体信息样本的第一预测点击数据，包括：
对所述第一向量及所述第二向量进行内积处理，得到内积处理结果；
基于所述内积处理结果，调用第二激活函数进行分类预测，得到用于表征是否点击所述媒体信息样本的分类结果。


7.如权利要求1所述的方法，其特征在于，所述推荐模型还包括权重获取模型；所述方法还包括：
将所述用户特征、内容特征及所述对象特征输入所述权重获取模型，通过所述权重获取模型确定所述用户特征对应的第一权重、所述内容特征对应的第二权重、及所述对象特征对应的第三权重，以结合所述第一权重、所述第二权重及所述第三权重中至少两个进行点击数据预测。


8.如权利要求7所述的方法，其特征在于，所述权重获取模型包括用户特征权重子模型、内容特征权重子模型及对象特征权重子模型；
所述将所述用户特征、内容特征及所述对象特征输入所述权重获取模型，通过所述权重获取模型确定所述用户特征对应的第一权重、所述内容特征对应的第二权重、及所述对象特征对应的第三权重，包括：
将所述用户特征、内容特...

【专利技术属性】
技术研发人员：魏望，彭顺风，徐澜，
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