向用户推荐目标对象的方法和装置制造方法及图纸

技术编号:24888970 阅读:37 留言:0更新日期:2020-07-14 18:16
本说明书提供一种向用户推荐目标对象的方法,包括:根据目标对象的对象控制特征和对象随机特征中的至少一个生成所述目标对象的对象特征;所述对象控制特征和对象随机特征在对控制匹配模型和随机匹配模型进行多任务交替训练后得到;在多任务交替训练中将控制样本作为控制匹配模型的输入样本,将随机样本作为随机匹配模型的输入样本,通过修改控制样本中目标对象的对象控制特征或修改随机样本中目标对象的对象随机特征的值来达到优化目标;所述优化目标包括使同一目标对象的对象控制特征和对象随机特征之间的差异尽可能大;将用户特征和目标对象的对象特征输入匹配模型,根据匹配模型输出的用户特征与对象特征的匹配程度确定向用户推荐的目标对象。

【技术实现步骤摘要】
向用户推荐目标对象的方法和装置
本说明书涉及数据处理
,尤其涉及一种向用户推荐目标对象的方法和装置。
技术介绍
数据挖掘的一个重要应用是利用历史数据对未来做出预测。例如,通过过去若干年的气象数据来预测明天的天气,通过用户之前看过的电影预测他可能感兴趣的新电影等等。推荐系统通常以用户的历史行为为依据,来预测用户与目标对象的匹配程度,以便将匹配程度高的目标对象推荐给用户。在采用推荐系统的预测结果向用户推荐目标对象后,用户的行为会发生变化。用户对推荐系统的输出结果做出的反馈,会与用户对随机推荐的目标对象做出的反馈有所不同;换言之,基于推荐策略的用户行为(即在推荐系统控制下发生的用户受控行为,即用户在面对推荐系统的输出结果时发生的行为)不同于用户自然行为(或称基于随机策略的用户行为,即用户在没有推荐系统或推荐系统为随机推荐的情形下发生的行为)。这样,当推荐系统持续使用基于推荐策略的用户行为数据来做出预测时,被推荐系统改变的行为数据会难以避免的使推荐系统的预测产生偏差,从而降低推荐系统预测的准确程度,对用户的时间精力造成浪费。...

【技术保护点】
1.一种向用户推荐目标对象的方法,包括:/n根据目标对象的对象控制特征和对象随机特征中的至少一个生成所述目标对象的对象特征;所述对象控制特征和对象随机特征在对控制匹配模型和随机匹配模型进行多任务交替训练后得到;其中,控制匹配模型是输入项包括对象控制特征的匹配模型,随机匹配模型是输入项包括对象随机特征的匹配模型;在多任务交替训练中将控制样本作为控制匹配模型的输入样本,将随机样本作为随机匹配模型的输入样本,通过修改控制样本中目标对象的对象控制特征、或修改随机样本中目标对象的对象随机特征的值来达到优化目标;所述优化目标包括使同一目标对象的对象控制特征和对象随机特征之间的差异尽可能大;/n将用户特征和...

【技术特征摘要】
1.一种向用户推荐目标对象的方法,包括:
根据目标对象的对象控制特征和对象随机特征中的至少一个生成所述目标对象的对象特征;所述对象控制特征和对象随机特征在对控制匹配模型和随机匹配模型进行多任务交替训练后得到;其中,控制匹配模型是输入项包括对象控制特征的匹配模型,随机匹配模型是输入项包括对象随机特征的匹配模型;在多任务交替训练中将控制样本作为控制匹配模型的输入样本,将随机样本作为随机匹配模型的输入样本,通过修改控制样本中目标对象的对象控制特征、或修改随机样本中目标对象的对象随机特征的值来达到优化目标;所述优化目标包括使同一目标对象的对象控制特征和对象随机特征之间的差异尽可能大;
将用户特征和目标对象的对象特征输入匹配模型,根据匹配模型输出的用户特征与对象特征的匹配程度,确定向用户推荐的目标对象。


2.根据权利要求1所述的方法,所述优化目标还包括:使控制匹配模型的损失尽可能小,以及,使随机匹配模型的损失尽可能小;所述控制匹配模型的损失由控制匹配模型的输出与控制样本的标记值之间的差异确定;所述随机匹配模型的损失由随机匹配模型的输出与随机样本的标记值之间的差异确定。


3.根据权利要求1所述的方法,所述同一目标对象的对象控制特征和对象随机特征之间的差异,根据所述目标对象的控制样本对于控制匹配模型的损失、与所述目标对象的随机样本对于随机匹配模型的损失的加权和,以及所述目标对象的对象控制特征的正则和所述目标对象的对象随机特征的正则来确定。


4.根据权利要求3所述的方法,所述根据目标对象的对象控制特征和对象随机特征中的至少一个生成所述目标对象的对象特征,包括:将目标对象的对象控制特征和对象随机特征的加权和作为所述目标对象的对象特征,加权的权值与多任务交替训练中用来计算控制样本对于控制匹配模型的损失与随机样本对于随机匹配模型的损失的加权和时所采用的权值相同。


5.根据权利要求1所述的方法,所述方法还包括以下至少一项:将目标对象的对象原始特征输入控制嵌入模型得到所述目标对象的对象控制特征、将目标对象的对象原始特征输入随机嵌入模型得到所述目标对象的对象随机特征;所述控制嵌入模型在多任务交替训练中通过修改模型参数的值来修改输出的对象控制特征,所述随机嵌入模型在多任务交替训练中通过修改模型参数的值来修改输出的对象随机特征。


6.根据权利要求1所述的方法,所述匹配模型为因子分解机FM模型。


7.根据权利要求1所述的方法,所述多任务交替训练中使用的随机样本来源于由基于推荐策略的用户行为数据构成的行为样本,在每个目标对象的行为样本中抽取数量对应于该目标对象权重的行为样本作为随机样本,剩余的行为样本作为控制样本;所述目标对象权重根据所述目标对象在行为样本中的出现次数和其他目标对象的出现次数确定,出现次数更少的目标对象具有更高的目标对象权重。


8.根据权利要求1所述的方法,所述目标对象权重由下式确定:其中i为自然数,p为目标对象权重的预定上限值,N为所有目标对象在行为样本中出现次数的集合,Ni为第i个目标对象在行为样本中的出现次数。


9.一种向用户推荐目标对象的装置,包括:
对象特征生成单元,用于根据目标对象的对象控制特征和对象随机特征中的至少一个生成所述目标对象的对象特征;所述对象控制...

【专利技术属性】
技术研发人员:林文芳杨林郭晓波
申请(专利权)人:支付宝杭州信息技术有限公司
类型:发明
国别省市:浙江;33

网友询问留言 已有0条评论
  • 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。

1