本公开实施例提供了一种多目标推荐方法、装置、计算设备以及介质。该方法包括：从用户的用户信息以及待推荐对象的对象信息中提取输入特征；基于输入特征，通过多目标推荐模型确定针对待推荐对象的多个业务目标中各个业务目标的目标得分；基于各个业务目标对应的权重对各个业务目标的目标得分进行加权处理，并基于加权处理的结果确定待推荐对象的推荐得分，权重根据待推荐对象在当前业务场景下的各个业务目标的期望得分确定；基于待推荐对象的推荐得分向用户推荐待推荐对象。根据本公开实施例的技术方案，能够同时对多个业务目标进行优化，并且能够对各个业务目标的收益进行平衡调整。整。整。
【技术实现步骤摘要】
多目标推荐方法、装置、计算设备以及介质
[0001]本公开的实施方式涉及人工智能
，更具体地，本公开的实施方式涉及多目标推荐方法、多目标推荐装置、计算设备以及介质。
技术介绍
[0002]本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]随着互联网技术的发展，信息量呈指数级增长。推荐作为解决信息过载和挖掘用户潜在需求的技术手段，在诸多领域中发挥着重要作用，例如：电子商务、新闻资讯、电影推荐等领域。
[0004]在相关技术方案中，采用基于深度学习的推荐排序模型，利用用户的历史行为数据作为样本来训练模型，在预测阶段对召回的待推荐对象例如商品、资讯进行打分排序，选取其中得分前N个待推荐对象进行展示，完成推荐过程。
技术实现思路
[0005]但是，上述技术方案中的推荐排序模型，一般仅以点击率作为优化业务目标，而在真实的业务场景下，往往需要优化多个业务目标例如，资讯类的停留时长指标、电商类的点击购买率指标等，上述技术方案难以优化多个业务目标，无法平衡各个业务目标的收益。
[0006]为此，非常需要一种改进的多目标推荐方法，以使能够优化多个业务目标，并且能够平衡各个业务目标的收益。
[0007]在本公开实施例的第一方面中，提供了一种多目标推荐方法，包括：从用户的用户信息以及待推荐对象的对象信息中提取输入特征，所述输入特征包括：用户特征以及对象特征；基于所述输入特征，通过多目标推荐模型确定针对所述待推荐对象的多个业务目标中各个业务目标的目标得分，所述多目标推荐模型为确定所述待推荐对象的各个业务目标的目标得分的神经网络模型；基于各个所述业务目标对应的权重对各个所述业务目标的所述目标得分进行加权处理，并基于加权处理的结果确定所述待推荐对象的推荐得分，所述权重根据所述待推荐对象在当前业务场景下的各个业务目标的期望得分确定；基于所述待推荐对象的推荐得分向所述用户推荐所述待推荐对象。
[0008]在本公开的一些示例实施例中，所述方法还包括：初始化各个所述业务目标对应的所述权重；按照步进式的方式调整各个所述业务目标对应的所述权重，每次调整后得到一组权重；确定与权重调整后的每组权重对应的推荐得分；确定所述推荐得分与期望推荐得分之间的差值，所述期望推荐得分为所述待推荐对象在所述当前业务场景下的期望得分；将所述差值小于预定阈值的推荐得分对应的至少一组权重作为所述待推荐对象的各个所述业务目标的权重。
[0009]在本公开的一些示例实施例中，所述多目标推荐模型的输入层包含第一网络层和第二网络层，所述输入特征还包含交叉特征，所述从用户的用户信息以及待推荐对象的对
象信息中提取输入特征，包括：通过所述第一网络层从用户的用户信息以及待推荐对象的对象信息中获取原始特征，所述原始特征包括所述用户特征以及所述对象特征；通过所述第二网络层从用户的用户信息以及待推荐对象的对象信息中获取所述交叉特征；对所述原始特征以及所述交叉特征进行拼接处理，生成所述输入特征。
[0010]在本公开的一些示例实施例中，所述第一网络层为多层感知机网络，所述第二网络层为基于内积的神经网络IPNN层，所述通过所述第二网络层从用户的用户信息以及待推荐对象的对象信息中获取交叉特征，包括：通过所述IPNN层，从所述用户的用户信息以及所述待推荐对象的对象信息中获取用户特征和对象特征；对所述用户特征和/或所述对象特征进行内积处理，生成交叉特征。
[0011]在本公开的一些示例实施例中，所述多目标推荐模型的隐含层包含多个子网络和多个门控层，所述通过多目标推荐模型确定针对所述待推荐对象的多个业务目标中各个业务目标的目标得分，包括：通过各个所述子网络，确定所述输入特征中与所述子网络对应的子特征；通过所述业务目标对应的所述门控层，确定与所述业务目标对应的各个所述子特征的权重；基于所述子特征的权重对各个所述子特征进行加权处理，得到与所述业务目标对应的目标特征；基于各个所述业务目标对应的目标特征，确定各个业务目标的目标得分。
[0012]在本公开的一些示例实施例中，所述子网络包括第一交叉特征提取网络与第二交叉特征提取网络，所述通过各个所述子网络，确定所述输入特征中与所述子网络对应的子特征，包括：通过所述第一交叉特征提取网络提取所述输入特征中与所述子网络对应的高阶交叉特征；通过所述第二交叉特征提取网络提取所述输入特征中与所述子网络对应的二阶交叉特征，其中，所述高阶交叉特征的阶数大于所述二阶交叉特征的阶数；对所述高阶交叉特征以及所述二阶交叉特征进行拼接处理，生成与所述子网络对应的子特征。
[0013]在本公开的一些示例实施例中，所述第一交叉特征提取网络为多层感知机网络，所述第二交叉特征提取网络为因子分解机网络。
[0014]在本公开的一些示例实施例中，所述方法还包括：获取样本数据，所述样本数据包括样本特征和样本标签，所述样本特征包括样本用户的用户特征以及样本对象的对象特征，所述样本标签包含针对所述样本对象的各个业务目标的实际目标得分；将所述样本数据输入到所述多目标推荐模型中，确定针对所述样本对象的各个业务目标的预测目标得分；基于所述实际目标得分与所述预测目标得分之间的差值，确定所述业务目标对应的损失函数；基于所述损失函数调整所述多目标推荐模型的参数。
[0015]在本公开的一些示例实施例中，所述基于加权处理的结果确定所述待推荐对象的推荐得分，包括：基于加权处理的结果，通过Sigmoid激活函数确定所述待推荐对象的推荐得分。
[0016]在本公开的一些示例实施例中，所述多目标推荐模型为基于软参数共享的神经网络模型。
[0017]在本公开实施例的第二方面中，提供了一种多目标推荐装置，包括：输入特征提取模块，用于从用户的用户信息以及待推荐对象的对象信息中提取输入特征，所述输入特征包括：用户特征以及对象特征；目标得分确定模块，用于基于所述输入特征，通过多目标推荐模型确定针对所述待推荐对象的多个业务目标中各个业务目标的目标得分，所述多目标推荐模型为确定所述待推荐对象的各个业务目标的目标得分的神经网络模型；推荐得分确
定模块，用于基于各个所述业务目标对应的权重对各个所述业务目标的所述目标得分进行加权处理，并基于加权处理的结果确定所述待推荐对象的推荐得分，所述权重根据所述待推荐对象在当前业务场景下的各个业务目标的期望得分确定；推荐模块，用于基于所述待推荐对象的推荐得分向所述用户推荐所述待推荐对象。
[0018]在本公开的一些示例实施例中，所述装置还包括：权重初始化模块，初始化各个所述业务目标对应的所述权重；权重调整模块，按照步进式的方式调整各个所述业务目标对应的所述权重，每次调整后得到一组权重；调整得分确定模块，确定与权重调整后的每组权重对应的推荐得分；差值确定模块，确定所述推荐得分与期望推荐得分之间的差值，所述期望推荐得分为所述待推荐对象在所述当前业务场景下的期望得分；权重选取模块，将所述差值小于预定阈值的推荐得分对应的至少一组权本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多目标推荐方法，其特征在于，包括：从用户的用户信息以及待推荐对象的对象信息中提取输入特征，所述输入特征包括：用户特征以及对象特征；基于所述输入特征，通过多目标推荐模型确定针对所述待推荐对象的多个业务目标中各个业务目标的目标得分，所述多目标推荐模型为确定所述待推荐对象的各个业务目标的目标得分的神经网络模型；基于各个所述业务目标对应的权重对各个所述业务目标的所述目标得分进行加权处理，并基于加权处理的结果确定所述待推荐对象的推荐得分，所述权重根据所述待推荐对象在当前业务场景下的各个业务目标的期望得分确定；基于所述待推荐对象的推荐得分向所述用户推荐所述待推荐对象。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：初始化各个所述业务目标对应的所述权重；按照步进式的方式调整各个所述业务目标对应的所述权重，每次调整后得到一组权重；确定与权重调整后的每组权重对应的推荐得分；确定所述推荐得分与期望推荐得分之间的差值，所述期望推荐得分为所述待推荐对象在所述当前业务场景下的期望得分；将所述差值小于预定阈值的推荐得分对应的至少一组权重作为所述待推荐对象的各个所述业务目标的权重。3.根据权利要求1所述的方法，其特征在于，所述多目标推荐模型的输入层包含第一网络层和第二网络层，所述输入特征还包含交叉特征，所述从用户的用户信息以及待推荐对象的对象信息中提取输入特征，包括：通过所述第一网络层从用户的用户信息以及待推荐对象的对象信息中获取原始特征，所述原始特征包括所述用户特征以及所述对象特征；通过所述第二网络层从用户的用户信息以及待推荐对象的对象信息中获取所述交叉特征；对所述原始特征以及所述交叉特征进行拼接处理，生成所述输入特征。4.根据权利要求3所述的方法，其特征在于，所述第一网络层为多层感知机网络，所述第二网络层为基于内积的神经网络IPNN层，所述通过所述第二网络层从用户的用户信息以及待推荐对象的对象信息中获取交叉特征，包括：通过所述IPNN层，从所述用户的用户信息以及所述待推荐对象的对象信息中获取用户特征和对象特征；对所述用户特征和/或所述对象特征进行内积处理，生成交叉特征。5.根据权利要求1所述的方法，其特征在于，所述多目标推荐模型的隐含层包含多个子网络和多个门控层，所述...
【专利技术属性】
技术研发人员：李炼淳，任重起，丁长林，
申请(专利权)人：网易传媒科技北京有限公司，
类型：发明
国别省市：
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。