对象推荐方法、装置、电子设备和存储介质制造方法及图纸

本公开关于对象推荐方法、装置、电子设备和存储介质，所述方法包括：响应于针对目标账号的对象推荐请求，分别确定使用目标账号的账号特征参数计算得到的账号特征向量和使用备选对象的对象特征参数计算得到的对象特征向量；调用预先经过训练并部署在FPGA中的匹配模型对账号特征向量和对象特征向量进行前向计算，并将计算得到的匹配度提供至对象推荐系统，以使对象推荐系统根据该匹配度向目标账号推荐备选对象，其中，上述匹配度用于表征备选对象与目标账号之间的匹配程度。

【技术实现步骤摘要】
对象推荐方法、装置、电子设备和存储介质
本公开涉及对象推荐领域，尤其涉及对象推荐方法、装置、电子设备和存储介质。
技术介绍
在线推理等对象推荐系统通常基于Tensorflow、Caffe或PyTorch等开源软件对应的软件架构训练的神经网络模型完成相关推荐任务。在相关技术中，主要利用FPGA(Field-ProgrammableGateArray，现场可编程门阵列)适应神经网络模型的模型算子，并通过计算上述模型算子实现对待推荐对象的推荐。但由于利用FPGA全面支持模型算子的开发难度较大，且需要在FPGA中部署支持模型算子的复杂编程逻辑，导致对象推荐系统的整体开发效率较低且维护成本高，特别是难以适用于计算需求或集群规模较小的场景。
技术实现思路
本公开提供了对象推荐方法、装置、电子设备和存储介质，以至少解决相关技术中的技术问题。本公开的技术方案如下：根据本公开实施例的第一方面，提出一种对象推荐方法，包括：响应于针对目标账号的对象推荐请求，分别确定使用所述目标账号的账号特征参数计算得到的账号特征向量和使用本文档来自技高网...

【技术保护点】
1.一种对象推荐方法，其特征在于，包括：/n响应于针对目标账号的对象推荐请求，分别确定使用所述目标账号的账号特征参数计算得到的账号特征向量和使用备选对象的对象特征参数计算得到的对象特征向量；/n调用预先经过训练并部署在现场可编程逻辑门阵列FPGA中的匹配模型对所述账号特征向量和所述对象特征向量进行前向计算，并将计算得到的匹配度提供至对象推荐系统，以使所述对象推荐系统根据所述匹配度向所述目标账号推荐所述备选对象，其中，所述匹配度用于表征所述备选对象与所述目标账号之间的匹配程度。/n

【技术特征摘要】
1.一种对象推荐方法，其特征在于，包括：
响应于针对目标账号的对象推荐请求，分别确定使用所述目标账号的账号特征参数计算得到的账号特征向量和使用备选对象的对象特征参数计算得到的对象特征向量；
调用预先经过训练并部署在现场可编程逻辑门阵列FPGA中的匹配模型对所述账号特征向量和所述对象特征向量进行前向计算，并将计算得到的匹配度提供至对象推荐系统，以使所述对象推荐系统根据所述匹配度向所述目标账号推荐所述备选对象，其中，所述匹配度用于表征所述备选对象与所述目标账号之间的匹配程度。


2.根据权利要求1所述的方法，其特征在于，确定所述账号特征向量，包括：
解析所述对象推荐请求并提取所述目标账号的账号特征向量；或者，
根据本地预存的所述目标账号的账号信息或者所述对象推荐请求中携带的所述目标账号的账号信息，计算所述目标账号的账号特征向量。


3.根据权利要求1所述的方法，其特征在于，确定所述对象特征向量，包括：
提取所述对象推荐请求中携带的所述备选对象的对象特征参数；
若匹配计算服务器对应的缓存中存在匹配于所述对象特征参数的特征向量，则将该特征向量确定为所述备选对象的对象特征向量；
若所述缓存中不存在匹配于所述对象特征参数的特征向量，则使用所述对象特征参数计算所述备选对象的对象特征向量，并将所述对象特征向量保存在所述缓存中。


4.根据权利要求1所述的方法，其特征在于，所述匹配模型包括基于深度学习的神经网络模型。


5.根据权利要求4所述的方法，其特征在于，在所述FPGA中部署匹配模型，包括：
在所述FPGA中部署所述神经网络模型的权重、偏置和从所述神经网络模型的计算图中提取的结构参数。


6.一种对象推荐系统，其特征在于，包括：
模型训练子系统，用于训练匹配模型，并将经过训练的所述匹配模型提供至FGGA硬件子系统；
模型计算子系统，用于响应于针对目标账号的对...

【专利技术属性】
技术研发人员：江子豪，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：北京;11