推荐模型的训练方法、推荐方法、装置、设备和介质制造方法及图纸

本申请公开了一种推荐模型的训练方法、推荐方法、装置、设备和介质，涉及NLP、深度学习领域。实现方案为：并根据偏好矩阵生成参考样本，参考样本中包含所述偏好矩阵中对应元素的用户分量和物品分量、表征用户分量所对应用户对象属性的属性向量、表征物品分量所对应物品对象属性的属性向量；对参考样本中的用户分量和/或物品分量的取值置零得到训练样本，采用训练样本对推荐模型进行训练。由此，通过置零用户分量和/或物品分量，并引入了属性向量，使得推荐模型在冷启动场景下依赖属性向量，学习得到用户和/或物品的偏好信息，从而在冷启动场景下，可以提升推荐结果的准确性，提升推荐效果。

【技术实现步骤摘要】
推荐模型的训练方法、推荐方法、装置、设备和介质
本申请涉及NLP(NaturalLanguageProcessing，自然语言处理)、深度学习等AI(ArtificialIntelligence，人工智能)
，具体地，本申请提供了一种推荐模型的训练方法、推荐方法、装置、设备和介质。
技术介绍
目前，推荐系统可以根据用户的兴趣特点和购买行为，向用户推荐感兴趣的信息和物品，从而向用户提供个性化服务。现有技术中，推荐系统主要采用下述两类推荐算法：基于近邻的协同过滤推荐算法和基于模型的协同过滤推荐算法。其中，基于近邻的协同过滤推荐算法包括基于相似用户的推荐算法和基于相似物品的推荐算法，基于模型的协同过滤推荐算法以偏好矩阵分解方法为代表，分解出的矩阵维度压缩，既节省存储空间，又方便线上推荐。但是，大多数的推荐系统都面临着数据稀疏性、冷启动等问题，在冷启动场景下，由于新用户或新物品在推荐系统内无任何交互信息，上述两类推荐算法的推荐效果均不佳。
技术实现思路
本申请提供了一种用于推荐模型的训练方法、推荐方法、装置、设备和介质本文档来自技高网...

【技术保护点】
1.一种推荐模型的训练方法，包括：/n根据偏好矩阵，生成参考样本，其中，所述参考样本中包含所述偏好矩阵中对应元素的用户分量和物品分量，以及表征所述用户分量所对应用户对象属性的属性向量，以及表征所述物品分量所对应物品对象属性的属性向量；/n对所述参考样本中的所述用户分量和/或所述物品分量的取值置零，得到训练样本；/n采用所述训练样本，对推荐模型进行训练。/n

【技术特征摘要】
1.一种推荐模型的训练方法，包括：
根据偏好矩阵，生成参考样本，其中，所述参考样本中包含所述偏好矩阵中对应元素的用户分量和物品分量，以及表征所述用户分量所对应用户对象属性的属性向量，以及表征所述物品分量所对应物品对象属性的属性向量；
对所述参考样本中的所述用户分量和/或所述物品分量的取值置零，得到训练样本；
采用所述训练样本，对推荐模型进行训练。


2.根据权利要求1所述的训练方法，其中，所述采用所述训练样本，对推荐模型进行训练，包括：
将所述训练样本中的用户分量和对应用户对象的属性向量输入所述推荐模型的第一网络分支，得到第一目标向量；
将所述训练样本中的物品分量和对应物品对象的属性向量输入所述推荐模型的第二网络分支，得到第二目标向量；
根据所述第一目标向量和所述第二目标向量之间的相似度，以及根据对应参考样本中的用户分量和物品分量之间的相似度，确定损失函数的取值；
根据所述损失函数的取值，调整所述推荐模型的模型参数，以使所述损失函数取值最小化。


3.根据权利要求2所述的训练方法，其中，所述将所述训练样本中的用户分量和对应用户对象的属性向量输入所述推荐模型的第一网络分支，得到第一目标向量，包括：
将所述用户分量和对应用户对象的属性向量分别输入所述第一网络分支中对应的输入深度神经网络DNN，得到各所述输入DNN输出的中间向量；
将所述第一网络分支中各所述输入DNN输出的中间向量拼接，并输入所述第一网络分支的输出DNN，以得到所述第一目标向量。


4.根据权利要求2所述的训练方法，其中，所述将所述训练样本中的物品分量和对应物品对象的属性向量输入所述推荐模型的第二网络分支，得到所述第二目标向量，包括：
将所述物品分量和对应物品对象的属性向量分别输入所述第二网络分支中对应的输入DNN，得到各所述输入DNN输出的中间向量；
将所述第二网络分支中各所述输入DNN输出的中间向量拼接，并输入所述第二网络分支的输出DNN，以得到所述第二目标向量。


5.一种基于推荐模型的推荐方法，其中，所述推荐模型采用如权利要求1-4任一项所述的训练方法训练得到，所述推荐方法包括：
获取对目标用户待推荐的目标物品；
在偏好矩阵中查询所述目标用户的用户分量，以及所述目标物品的物品分量；
将所述目标用户的用户分量和所述目标物品的物品分量输入推荐模型，以得到表征所述目标用户偏好的第一目标向量，以及表征所述目标物品受众偏好的第二目标向量；
根据所述第一目标向量和所述第二目标向量之间的相似度，对所述目标用户进行物品推荐。


6.根据权利要求5所述的推荐方法，其中，所述根据所述第一目标向量和所述第二目标向量之间的相似度，对所述目标用户进行物品推荐，包括：
在所述第一目标向量和所述第二目标向量之间的相似度大于阈值的情况下，向所述目标用户推荐所述目标物品。


7.根据权利要求5所述的推荐方法，其中，所述根据所述第一目标向量和所述第二目标向量之间的相似度，对所述目标用户进行物品推荐，包括：
在所述第一目标向量和所述第二目标向量之间的相似度小于或等于阈值的情况下，则拒绝向所述目标用户推荐所述目标物品。


8.一种推荐模型的训练装置，包括：
生成模块，用于根据偏好矩阵，生成参考样本，其中，所述参考样本中包含所述偏好矩阵中对应元素的用户分量和物品分量，以及表征所述用户分量所对应用户对象属性的属性向量，以及表征所述物品分量所对应物品对象属性的属性向量；
处理模块，用于对所述参考样本中的所述用户分量和/...

【专利技术属性】
技术研发人员：王文华，刘昊，肖欣延，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11