推荐模型训练方法、推荐方法和相关设备技术

本公开提供一种推荐模型训练方法、推荐方法和相关设备，该方法包括：获取历史推荐样本信息、历史推荐对象的历史兴趣信息和样本标签；通过嵌入层对历史推荐样本信息和历史兴趣信息分别进行向量化处理，以生成历史推荐样本隐向量和历史兴趣隐向量；通过第一神经网络结构对历史推荐样本隐向量和历史兴趣隐向量进行特征信息的提取和融合，以确定主损失函数的值；通过第二神经网络结构对历史推荐样本隐向量和历史兴趣隐向量进行相似度确定处理，以确定历史推荐对象与历史推荐样本信息的相关性，以根据相关性和样本标签确定辅助损失函数的值；根据主损失函数的值和辅助损失函数的值将推荐模型训练为目标推荐模型。

【技术实现步骤摘要】
推荐模型训练方法、推荐方法和相关设备
本公开涉及人工智能
，尤其涉及一种推荐模型训练方法、推荐方法、装置、电子设备和计算机可读存储介质。
技术介绍
随着互联网技术的飞速发展，互联网能够给用户提供丰富的信息资源。获取用户历史兴趣，然后基于训练完成的推荐模型对用户历史兴趣进行分析以预测可以向用户推荐的信息，成为信息推荐的一种主要形式。但是相关技术中提供的训练完成的推荐模型预测精度较低，会向用户推荐用户自身并不感兴趣的信息等，导致用户体验较差。针对上述情况，本公开提供了一种可以提高推荐模型预测准确率的推荐模型训练方法。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解。
技术实现思路
本公开的目的在于提供一种推荐模型训练方法、装置、电子设备以及和计算机可读存储介质，能够通过由历史推荐对象和历史推荐样本信息的相关性确定的辅助损失函数的值对推荐模型训练进行指导，从而提高推荐模型预测推荐概率的准确性。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而本文档来自技高网...

【技术保护点】
1.一种推荐模型训练方法，其特征在于，所述推荐模型包括第一神经网络结构和第二神经网络结构；其中，所述方法包括：/n获取历史推荐样本信息、历史推荐对象的历史兴趣信息、以及所述历史推荐对象针对所述历史推荐样本信息的样本标签；/n通过所述第一神经网络结构对所述历史推荐样本信息和所述历史兴趣信息进行特征信息的提取和融合，以确定向所述历史推荐对象推荐所述历史推荐样本信息的样本推荐概率，以便根据所述样本推荐概率和所述样本标签确定主损失函数的值；/n通过所述第二神经网络结构对所述历史推荐样本信息和所述历史兴趣信息进行内容相似度确定处理，以确定所述历史推荐对象与所述历史推荐样本信息的相关性，以根据所述相关性和...

【技术特征摘要】
1.一种推荐模型训练方法，其特征在于，所述推荐模型包括第一神经网络结构和第二神经网络结构；其中，所述方法包括：
获取历史推荐样本信息、历史推荐对象的历史兴趣信息、以及所述历史推荐对象针对所述历史推荐样本信息的样本标签；
通过所述第一神经网络结构对所述历史推荐样本信息和所述历史兴趣信息进行特征信息的提取和融合，以确定向所述历史推荐对象推荐所述历史推荐样本信息的样本推荐概率，以便根据所述样本推荐概率和所述样本标签确定主损失函数的值；
通过所述第二神经网络结构对所述历史推荐样本信息和所述历史兴趣信息进行内容相似度确定处理，以确定所述历史推荐对象与所述历史推荐样本信息的相关性，以根据所述相关性和所述样本标签确定辅助损失函数的值；
根据所述主损失函数的值和所述辅助损失函数的值将所述推荐模型训练为目标推荐模型。


2.根据权利要求1所述方法，其特征在于，所述推荐模型还包括嵌入层；其中，所述方法还包括：
通过所述嵌入层对所述历史推荐样本信息和所述历史兴趣信息分别进行向量化处理，以生成历史推荐样本隐向量和历史兴趣隐向量；
其中，通过所述第一神经网络结构对所述历史推荐样本信息和所述历史兴趣信息进行特征信息的提取和融合，以确定向所述历史推荐对象推荐所述历史推荐样本信息的样本推荐概率，包括：
通过所述第一神经网络结构对所述历史推荐样本隐向量和所述历史兴趣隐向量进行特征信息的提取和融合，以确定向所述历史推荐对象推荐所述历史推荐样本信息的样本推荐概率；
其中，通过所述第二神经网络结构对所述历史推荐样本信息和所述历史兴趣信息进行内容相似度确定处理，包括：
通过所述第二神经网络结构对所述历史推荐样本隐向量和所述历史兴趣隐向量进行相似度确定处理，以确定所述历史推荐对象与所述历史推荐样本信息的相关性。


3.根据权利要求2所述方法，其特征在于，通过所述第二神经网络结构对所述历史推荐样本隐向量和所述历史兴趣隐向量进行相似度确定处理，以确定所述历史推荐对象与所述历史推荐样本信息的相关性，包括：
对所述历史推荐样本隐向量进行浅层特征提取处理，以生成历史推荐样本浅层特征；
对所述历史兴趣隐向量进行浅层特征提取处理，以生成历史兴趣浅层特征；
对所述历史推荐样本浅层特征和所述历史兴趣浅层特征进行激活处理，以获得历史推荐样本浅层激活特征和历史兴趣浅层激活特征；
根据所述历史推荐样本浅层激活特征和所述历史兴趣浅层激活特征，确定所述历史推荐对象与所述历史推荐样本信息的相关性。


4.根据权利要求3所述方法，其特征在于，确定所述历史推荐对象与所述历史推荐样本信息的相关性，包括：
将所述历史推荐样本浅层激活特征和所述历史兴趣浅层激活特征进行内积求取处理，以确定激活特征内积值；
将所述激活特征内积值进行求和处理，以获得所述历史推荐对象与所述历史推荐样本信息的相关性指标，其中所述相关性指标用来衡量所述历史推荐对象与所述历史推荐样本信息的相关性。


5.根据权利要求3所述方法，其特征在于，所述历史推荐对象包括至少一个历史兴趣信息，所述历史兴趣浅层特征包括至少一个历史兴趣浅层特征，所述至少一个历史兴趣浅层特征与所述至少一个历史兴趣信息一一对应；其中，确定所述历史推荐对象与所述历史推荐样本信息的相关性，包括：
对所述历史兴趣浅层特征进行卷积处理，以获得至少一个历史兴趣浅层卷积特征；
确定各个历史兴趣浅层卷积特征与所述历史推荐样本浅层特征之间的相似度，以生成至少一个兴趣相似度特征；
对各个兴趣相似度特征进行融合分类处理，以确定各个历史兴趣浅层卷积特征与所述历史推荐样本浅层特征的相关度；
根据各个历史兴趣浅层卷积特征与所述历史推荐样本浅层特征的相关度对各个历史兴趣浅层卷积特征进行加和池化处理，以获得所述历史推荐对象的历史兴趣特征；
根据所述历史推荐对象的历史兴趣特征和所述历史推荐样本浅层特征，获得所述历史推荐对象与所述历史推荐样本信息的相关性指标，其中所述相关性指标用来衡量所述历史推荐对象与所述历史推荐样本信息的相关性。


6.根据权利要求3所述方法，其特征在于，对所述历史推荐样本浅层特征进行激活处理，以获得历史推荐样本浅层激活特征，包括：
对所述历史推荐样本浅层特征进行非线性激活处理，以获得非线性激活特征；
对所述历史推荐样本浅层特征进行归一化激活处理，以获得归一化激活特征；
通过所述归一化激活特征对所述非线性激活特征进行门限控制处理，以生成所述历史推荐样本浅层特征。


7.根据权利要求2所述方法，其特征在于，通过所述第二神经网络结构对所述历史推荐样本隐向量和所述历史兴趣隐向量进行相似度确定...

【专利技术属性】
技术研发人员：张黄斌，赵冲，王丹磊，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44