推荐概率的输出方法及装置、存储介质、电子设备制造方法及图纸

本发明专利技术公开了一种推荐概率的输出方法及装置、存储介质、电子设备，属于人工智能领域。其中，该方法包括：获取候选物料的物料信息，其中，所述物料信息包括结构化格式的第一数据和多模态格式的第二数据；对所述第一数据进行映射编码，得到第一维度的第一特征数据；对所述第二数据进行全连接变换，得到所述第一维度的第二特征数据；根据所述第一特征数据和所述第二特征数据基于推荐模型输出向目标用户推荐所述候选物料的推荐概率。通过本发明专利技术，解决了相关技术中的推荐模型推荐不准确的技术问题，增加了推荐模型的业务范围，提高了推荐模型的推荐效果。推荐效果。推荐效果。

【技术实现步骤摘要】
推荐概率的输出方法及装置、存储介质、电子设备


[0001]本专利技术涉及人工智能领域，具体而言，涉及一种推荐概率的输出方法及装置、存储介质、电子设备。

技术介绍

[0002]相关技术中，推荐系统可利用用户信息、商品信息以及用户对商品的反馈来训练模型，根据模型的预测结果排序进行推荐。
[0003]因子分解机(Factorization Machine，FM)是相关技术中的一种通用预测方法，在即使数据非常稀疏的情况下，依然能估计出可靠的参数进行预测。与传统的简单线性模型不同的是，因子分解机考虑了特征间的交叉，对所有嵌套变量交互进行建模。推荐系统中类别属性比较多，每一类别属性经过onehot处理之后产生了大量的0特征，导致样本稀疏。FM本质上是一个简单的线性模型，与深度学习模型相比，拟合能力不强；而且FM主要能力在于处理id类型的特征，对于连续型特征需要做分箱处理后再作为模型输入，对于多模态的输入没办法处理。
[0004]DeepFM是相关技术中一个结合了FM和深度神经网络(Deep Neural Networks,DNN)的深度模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐概率的输出方法，其特征在于，包括：获取候选物料的物料信息，其中，所述物料信息包括结构化格式的第一数据和多模态格式的第二数据；对所述第一数据进行映射编码，得到第一维度的第一特征数据；对所述第二数据进行全连接变换，得到所述第一维度的第二特征数据；根据所述第一特征数据和所述第二特征数据基于推荐模型输出向目标用户推荐所述候选物料的推荐概率。2.根据权利要求1所述的方法，其特征在于，对所述第二数据进行全连接变换，得到所述第一维度的第二特征数据包括：按照数据类型将所述第二数据分为多份子数据，其中，每个数据类型对应一种非结构化的模态格式，所述模态格式包括：表格、文本、图像、视频、音频；针对所述多份子数据的每一份子数据，采用对应的预训练模型提取子数据的特征，汇总得到第二维度的多模态特征数据；确定所述第一特征数据的映射尺寸，并将所述推荐模型的全连接层的变换尺寸设置为所述映射尺寸，其中，所述映射尺寸与所述第一维度对应；将所述多模态特征数据输入所述全连接层，输出所述第一维度的第二特征数据。3.根据权利要求1所述的方法，其特征在于，根据所述第一特征数据和所述第二特征数据基于推荐模型输出所述候选物料的推荐概率包括：拼接第一特征数据和所述第二特征数据，得到第三特征数据；对所述第三特征数据进行特征交叉和特征降维处理，得到第四特征数据；将所述第四特征数据和所述第二特征数据输入推荐模型的全连接层，输出所述候选物料的推荐概率。4.根据权利要求1所述的方法，其特征在于，对所述第一数据进行映射编码，得到第一维度的第一特征数据包括：提取所述第一数据中的多个ID数据，其中，所述多个ID数据中的每个ID数据对应所述候选物料的一个物料属性；对所述多个ID数据进行映射编码，得到第一维度的第一特征数据。5.根据权利要求1所述的方法，其特征在于，在获取候选物料的物料信息之后，所述方法还包括：提取所述候选物料的关联物料序列；按照所述候选物料的用户ID对所述关联物料序列进行列聚类，得到物料ID数据；采用随机游走算法在第...

【专利技术属性】
技术研发人员：楼马晶，
申请(专利权)人：北京明略软件系统有限公司，
类型：发明
国别省市：