【技术实现步骤摘要】
推荐系统模型评测结果的评测方法及电子设备
本公开涉及智能推荐
,尤其涉及一种推荐系统模型评测结果的评测方法及电子设备。
技术介绍
现如今个性化推荐系统已经成为在各种场景中连接用户和物品的不可或缺的和普遍存在的系统,如多媒体推荐,新闻推荐,商品推荐等。现有的推荐系统算法主要包含两类,一类是基于规则的非深度学习算法,一类是基于神经网络的深度学习算法。PyTorch为深度学习框架,在个性化推荐系统中占据了主要的地位,但目前的PyTorch推荐系统框架存在评测结果失效的风险,因此对PyTorch推荐系统框架评测结果进行评测十分必要。而目前的评测阶段的效率不够高,评估过程十分耗时。因此,亟需一套行之有效的适用PyTorch的推荐系统模型评测结果的评测方法。
技术实现思路
有鉴于此,本公开的目的在于提出一种推荐系统模型评测结果的评测方法及电子设备。基于上述目的,本公开提供了一种推荐系统模型评测结果的评测方法,应用于PyTorch推荐系统框架,所述方法包括:S100,获取推荐系统模型评测结果,得到单个批次内每个用户对候选商品的一维分数张量,根据评测方式进行对应重排处理,得到二维分数张量;所述二维分数张量中,每个用户的正样本张量均位于负样本张量之前;S200,生成所述二维分数张量的列索引的乱序排列,并利用所述列索引的乱序排列将二维分数张量的列重排,得到重排二维分数张量;S300,根据重排二维分数张量,并行计算每个用户的top-k商品对应的索引,并利用所述索引对所述列索引的乱序 ...
【技术保护点】
1.一种推荐系统模型评测结果的评测方法,应用于PyTorch推荐系统框架,其特征在于,所述方法包括:/nS100,获取推荐系统模型评测结果,得到单个批次内每个用户对候选商品的一维分数张量,根据评测方式进行对应重排处理,得到二维分数张量;所述二维分数张量中,每个用户的正样本张量均位于负样本张量之前;/nS200,生成所述二维分数张量的列索引的乱序排列,并利用所述列索引的乱序排列将二维分数张量的列重排,得到重排二维分数张量;/nS300,根据重排二维分数张量,并行计算每个用户的top-k商品对应的索引,并利用所述索引对所述列索引的乱序排列进行索引,得到单个批次内每个用户的top-k商品的原始索引张量;/nS400,循环步骤S100至步骤S300,得到所有批次内每个用户的top-k商品的原始索引,按行拼接,得到所有用户的top-k商品的原始索引;计算所有正样本张量与所有用户的top-k商品的交集在所有用户的top-k商品的原始索引中的布尔索引张量;/nS500,对所述布尔索引张量和所有正样本张量,进行计算,得到所有相关top-k指标的值。/n
【技术特征摘要】
1.一种推荐系统模型评测结果的评测方法,应用于PyTorch推荐系统框架,其特征在于,所述方法包括:
S100,获取推荐系统模型评测结果,得到单个批次内每个用户对候选商品的一维分数张量,根据评测方式进行对应重排处理,得到二维分数张量;所述二维分数张量中,每个用户的正样本张量均位于负样本张量之前;
S200,生成所述二维分数张量的列索引的乱序排列,并利用所述列索引的乱序排列将二维分数张量的列重排,得到重排二维分数张量;
S300,根据重排二维分数张量,并行计算每个用户的top-k商品对应的索引,并利用所述索引对所述列索引的乱序排列进行索引,得到单个批次内每个用户的top-k商品的原始索引张量;
S400,循环步骤S100至步骤S300,得到所有批次内每个用户的top-k商品的原始索引,按行拼接,得到所有用户的top-k商品的原始索引;计算所有正样本张量与所有用户的top-k商品的交集在所有用户的top-k商品的原始索引中的布尔索引张量;
S500,对所述布尔索引张量和所有正样本张量,进行计算,得到所有相关top-k指标的值。
2.根据权利要求1所述的评测方法,其特征在于,所述根据评测方式进行对应重排处理,得到二维分数张量具体包括:
若评测方式为负采样,则进行负采样重排;
若测评方式为全排序,则进行全排序重排。
3.根据权利要求2所述的评测方法,其特征在于,所述负采样重排包括:
依据每个用户的候选商品数,对单个批次内每个用户对候选商品的一维分数张量进行划分;
填充划分所得结果,得到二维分数张量。
4.根据权利要求2所述的评测方法,其特征在于,所述全排序重排包括:
填充候选商品中历史交互过的商品的分数;
对一维分数张量进行重组,得到二维分数张量。
5.根据权利要求1所述的评测方法,其特征在于,所述得到重排二维分数张量具体包括:
...
【专利技术属性】
技术研发人员:李凯元,冯志超,陈昱硕,侯宇蓬,王鹏飞,赵鑫,
申请(专利权)人:北京邮电大学,
类型:发明
国别省市:北京;11
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。