目标平台的迁移对象生成、对象推荐方法和装置制造方法及图纸

本申请涉及一种目标平台的迁移对象生成、对象推荐方法、装置、计算机设备和存储介质。其通过获取参考平台在进行对象推荐时采用的参考向量，根据参考向量和对应的反推语义训练预设编码模型，得到向量生成模型，将目标平台提供的各个平台对象输入向量生成模型得到各个平台对象分别对应的目标向量，再将各个目标向量确定为目标平台的迁移对象，供目标平台的推荐系统进行对象推荐，使目标平台在上线初期可以实现该平台所提供的商品和/或服务等平台对象的精准推荐，解决目标平台面临的冷启动问题，使目标平台的推荐系统在冷启动阶段进行准确有效的实时性推荐，从而完美过渡冷启动阶段，能够提升目标平台带来的用户体验。

【技术实现步骤摘要】
目标平台的迁移对象生成、对象推荐方法和装置
本申请涉及数据处理
，特别是涉及一种目标平台的迁移对象生成、对象推荐方法、装置、计算机设备和可读存储介质。
技术介绍
推荐系统的推荐模型繁多，但是都面临冷启动的问题，即在某平台上线初期，用户对商品等对象没有任何的行为交互的时候，其中推荐系统由于不知道用户偏好，并不知道如何在改平台中给用户进行相应推荐。此时，传统方案往往是给用户进行一些热点推荐，或者事先询问用户的偏好，让用户选择自己的标签，然后根据标签组对用户进行推荐。在积累了一定数量的用户行为，推荐系统会基于用户行为进行建模，实现更精准的用户推荐。这个积累过程需要一段时间，有时甚至长达数月，在这一积累过程中，新平台的推荐系统往往难以进行精准推荐，使所推荐对象的针对性差，准确性低，较为影响用户体验。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够在相关网上平台上线初期进行精准推荐的目标平台的迁移对象生成、对象推荐方法、装置、计算机设备和可读存储介质。一种目标平台的迁移对象生成方法，所述方法包括：获取参考平台在进行对象推荐时采用的各个参考向量；其中，所述参考向量为参考平台的推荐系统在参考平台运行期间根据用户行为生成的低维稠密向量；根据所述各个参考向量和各个参考向量对应的反推语义训练预设编码模型，得到向量生成模型；其中，所述预设编码模型用于生成所输入对象的低维稠密向量；所述反推语义为依据相应参考向量反向推导得到的语义；将目标平台提供的各个平台对象输入所述向量生成模型得到各个平台对象分别对应的目标向量，将各个目标向量确定为目标平台的迁移对象，以供所述目标平台的推荐系统进行对象推荐；其中，所述目标平台与所述参考平台的类型相同。在其中一个实施例中，所述根据所述各个参考向量和各个参考向量对应的语义训练预设编码模型，得到向量生成模型包括：将各个反推语义输入所述预设编码模型，获取所述预设编码模型针对各个反推语义分别得到的输出向量；在所述预设编码模型得到输出向量的过程达到预设的训练标准时，根据所述预设编码模型当前的模型参数确定所述向量生成模型。作为一个实施例，所述预设编码模型包括双向编码表征模型和全连接层；所述将各个反推语义输入所述预设编码模型，获取所述预设编码模型针对各个反推语义分别得到的输出向量包括：将各个反推语义输入所述双向编码表征模型，获取所述双向编码表征模型针对各个反推语义分别输出的编码向量；将所述编码向量输入全连接层进行拟合，得到输出向量；其中，所述输出向量的维数与所述参考向量的维数相同。具体地，所述全连接层包括第一全连接层和第二全连接层；所述将所述编码向量输入全连接层进行拟合，得到输出向量包括：将所述编码向量输入第一全连接层进行第一次拟合，得到初始拟合向量；将所述初始拟合向量输入所述第二全连接层进行第二次拟合，得到输出向量，使所述输出向量的维数等于所述参考向量的维数。作为一个实施例，所述在所述预设编码模型得到输出向量的过程达到预设的训练标准时，根据所述预设编码模型当前的模型参数确定所述向量生成模型之前，所述方法还包括：将所述各个参考向量和各个参考向量对应的反推语义划分为训练集和验证集；采用所述训练集训练所述预设编码模型，得到初始编码模型，获取所述初始编码模型的损失函数，得到训练损失函数；将所述验证集的反推语义输入所述初始编码模型进行向量输出的过程中，获取当前的损失函数，得到验证损失函数；在所述训练损失函数收敛后，所述验证损失函数和所述训练损失函数取到相等值时，判定所述预设编码模型得到输出向量的过程达到预设的训练标准。在其中一个实施例中，所述获取参考平台在进行对象推荐时采用的各个参考向量之前，所述方法还包括：读取参考平台设定时间段内检测到的各个用户行为，生成行为序列；其中所述行为序列记录各个用户在参考平台的操作对象以及各个操作对象之间的关联性；将所述行为序列输入向量编码模型，得到所述参考平台的推荐系统进行对象推荐时采用的参考向量。具体地，所述向量编码模型为item2vec模型。一种目标平台的迁移对象生成装置，所述装置包括：获取模块，用于获取参考平台在进行对象推荐时采用的各个参考向量；其中，所述参考向量为参考平台的推荐系统在参考平台运行期间根据用户行为生成的低维稠密向量；训练模块，用于根据所述各个参考向量和各个参考向量对应的反推语义训练预设编码模型，得到向量生成模型；其中，所述预设编码模型用于生成所输入对象的低维稠密向量；所述反推语义为依据相应参考向量反向推导得到的语义；确定模块，用于将目标平台提供的各个平台对象输入所述向量生成模型得到各个平台对象分别对应的目标向量，将各个目标向量确定为目标平台的迁移对象，以供所述目标平台的推荐系统进行对象推荐。一种目标平台的对象推荐方法，所述方法包括：采用上述任一实施例所述的目标平台的迁移对象生成方法生成目标平台的迁移对象；将所述迁移对象导入目标推荐系统，使所述目标推荐系统在所述目标平台进行对象推荐；其中，所述目标推荐系统为目标平台的推荐系统。在其中一个实施例中，所述将所述迁移对象导入目标推荐系统，使所述目标推荐系统在所述目标平台进行对象推荐包括：将所述迁移对象导入目标推荐系统，使所述目标推荐系统读取各个目标向量；获取目标平台当前接收的用户选择对象，采用所述目标推荐系统生成所述用户选择对象的当前操作向量；其中，所述当前操作向量为所述目标推荐系统针对所述用户选择对象生成的低维稠密向量；在所述目标推荐系统中，根据所述当前操作向量和所述目标向量中确定推荐对象。具体地，所述根据所述当前操作向量和所述目标向量中确定推荐对象包括：在所述目标向量中查找与所述当前操作向量之间的欧氏距离小于设定距离的向量，得到推荐向量；将所述推荐向量对应的平台对象确定为所述推荐对象。具体地，所述将所述推荐向量对应的平台对象确定为所述推荐对象之后，所述方法还包括：若所述推荐向量为多个，分别获取各个推荐向量至所述当前操作向量之间的欧氏距离；按照各个推荐向量至所述当前操作向量之间的欧氏距离从小至大，对各个推荐向量分别对应的推荐对象进行排序；按照各个推荐对象的排列顺序在所述目标平台推荐所述各个推荐对象。一种目标平台的对象推荐装置，所述装置包括：迁移对象生成模块，用于上述任一实施例所述的目标平台的迁移对象生成装置生成目标平台的迁移对象；对象推荐模块，用于将所述迁移对象导入目标推荐系统，使所述目标推荐系统在所述目标平台进行对象推荐；其中，所述目标推荐系统为目标平台的推荐系统。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中目标平台的迁移对象生成方法，或者上述任一实施例中目标平台的对象推荐方法。一种计算本文档来自技高网...

【技术保护点】
1.一种目标平台的迁移对象生成方法，其特征在于，包括：/n获取参考平台在进行对象推荐时采用的各个参考向量；其中，所述参考向量为参考平台的推荐系统在参考平台运行期间根据用户行为生成的低维稠密向量；/n根据所述各个参考向量和各个参考向量对应的反推语义训练预设编码模型，得到向量生成模型；其中，所述预设编码模型用于生成所输入对象的低维稠密向量；所述反推语义为依据相应参考向量反向推导得到的语义；/n将目标平台提供的各个平台对象输入所述向量生成模型得到各个平台对象分别对应的目标向量，将各个目标向量确定为目标平台的迁移对象，以供所述目标平台的推荐系统进行对象推荐；其中，所述目标平台与所述参考平台的类型相同。/n

【技术特征摘要】
1.一种目标平台的迁移对象生成方法，其特征在于，包括：
获取参考平台在进行对象推荐时采用的各个参考向量；其中，所述参考向量为参考平台的推荐系统在参考平台运行期间根据用户行为生成的低维稠密向量；
根据所述各个参考向量和各个参考向量对应的反推语义训练预设编码模型，得到向量生成模型；其中，所述预设编码模型用于生成所输入对象的低维稠密向量；所述反推语义为依据相应参考向量反向推导得到的语义；
将目标平台提供的各个平台对象输入所述向量生成模型得到各个平台对象分别对应的目标向量，将各个目标向量确定为目标平台的迁移对象，以供所述目标平台的推荐系统进行对象推荐；其中，所述目标平台与所述参考平台的类型相同。


2.根据权利要求1所述的方法，其特征在于，所述根据所述各个参考向量和各个参考向量对应的语义训练预设编码模型，得到向量生成模型包括：
将各个反推语义输入所述预设编码模型，获取所述预设编码模型针对各个反推语义分别得到的输出向量；
在所述预设编码模型得到输出向量的过程达到预设的训练标准时，根据所述预设编码模型当前的模型参数确定所述向量生成模型。


3.根据权利要求2所述的方法，其特征在于，所述预设编码模型包括双向编码表征模型和全连接层；所述将各个反推语义输入所述预设编码模型，获取所述预设编码模型针对各个反推语义分别得到的输出向量包括：
将各个反推语义输入所述双向编码表征模型，获取所述双向编码表征模型针对各个反推语义分别输出的编码向量；
将所述编码向量输入全连接层进行拟合，得到输出向量；其中，所述输出向量的维数与所述参考向量的维数相同。


4.根据权利要求3所述的方法，其特征在于，所述全连接层包括第一全连接层和第二全连接层；所述将所述编码向量输入全连接层进行拟合，得到输出向量包括：
将所述编码向量输入第一全连接层进行第一次拟合，得到初始拟合向量；
将所述初始拟合向量输入所述第二全连接层进行第二次拟合，得到输出向量，使所述输出向量的维数等于所述参考向量的维数。


5.根据权利要求2所述的方法，其特征在于，所述在所述预设编码模型得到输出向量的过程达到预设的训练标准时，根据所述预设编码模型当前的模型参数确定所述向量生成模型之前，还包括：
将所述各个参考向量和各个参考向量对应的反推语义划分为训练集和验证集；
采用所述训练集训练所述预设编码模型，得到初始编码模型，获取所述初始编码模型的损失函数，得到训练损失函数；
将所述验证集的反推语义输入所述初始编码模型进行向量输出的过程中，获取当前的损失函数，得到验证损失函数；
在所述训练损失函数收敛后，所述验证损失函数和所述训练损失函数取到相等值时，判定所述预设编码模型得到输出向量的过程达到预设的训练标准。


6.根据权利要求1至5任一项所述的方法，其特征在于，所述获取参考平台在进行对象推荐时采用的各个参考向量之前，还包括：
读取参考平台设定时间段内检测到的各个用户行为，生成行为序列；其中所述行为序列记录各个用户在参考平台的操作对象以及各个操作对象之间的关联性；
将所述行为序列输入向量编码模型，得到所述参考平台的推荐系统进行对象推荐时采用的参考向量。


7.根据权利要求6所述的方法，其特征在于，所述向量编码模型为item2vec模型。
...

【专利技术属性】
技术研发人员：聂砂，郑江，白彧斐，贾国琛，罗奕康，崔震，
申请(专利权)人：中国建设银行股份有限公司，
类型：发明
国别省市：北京;11