【技术实现步骤摘要】
基于人工智能的对象推荐方法、装置及电子设备
[0001]本申请涉及人工智能技术,尤其涉及一种基于人工智能的对象推荐方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。机器学习(Machine Learning,ML)是人工智能的核心,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
[0003]个性化推荐是机器学习的一个重要应用,个性化推荐的目标是向用户推荐感兴趣的对象。在相关技术提供的方案中,通常是确定对象的向量表示,并根据两个对象的向量表示之间的余弦相似度来进行对象推荐。然而,向量表示的表达能力非常局限,导致得到的余弦相似度与实际相似度之间存在较大差异,进一步导致对象推荐的精度低。
技术实现思路
[0004]本申请实施例提供一种基于人工智能的对象推荐方法、装置、电子设备及计算机可读存储介质,能够提升确定出的待推荐对象的准确性,即提升对象推荐的精度。
[0005]本申请实施例的技术方案是这样实现的:本申请实施例提供一种基于人工智能的对象推荐方法,包括:根据多个候选对象构建树结构;其中,所述树结构包括多个层,所述多个层分别对应一个对象推荐模型,且所述多个层中的每一层包括至少一个节点;根据训练对象与所述多个候选对象
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的对象推荐方法,其特征在于,所述方法包括:根据多个候选对象构建树结构;其中,所述树结构包括多个层,所述多个层分别对应一个对象推荐模型,且所述多个层中的每一层包括至少一个节点;根据训练对象与所述多个候选对象之间的相似关系对所述树结构中的多个节点进行筛选处理,并根据所述训练对象以及筛选出的节点构建训练样本;根据所述训练样本对所述对象推荐模型以及所述树结构进行交替训练;其中,训练后的所述对象推荐模型以及训练后的所述树结构用于确定所述多个候选对象中的待推荐对象。2.根据权利要求1所述的方法,其特征在于,所述根据所述训练样本对所述对象推荐模型以及所述树结构进行交替训练,包括:执行多轮以下的迭代处理,直至满足收敛条件:通过关联对象推荐模型对所述训练样本的关联样本进行预测处理及关联处理,得到所述训练样本对应的第一预测相似度;其中,所述关联样本中的节点与所述训练样本中的节点存在关联关系,且所述关联对象推荐模型与所述关联样本中的节点所在的层对应;根据所述第一预测相似度以及所述训练样本对应的相似度标签进行损失计算处理,并根据得到的模型损失值对所述树结构对应的对象推荐模型进行训练;通过训练后的所述关联对象推荐模型再次对所述关联样本进行预测处理及关联处理,得到所述训练样本对应的第二预测相似度;对多个所述训练样本分别对应的第二预测相似度进行相似度累积处理,得到结构损失值,并根据所述结构损失值对所述树结构进行训练。3.根据权利要求2所述的方法,其特征在于,所述关联关系表示所述关联样本中的节点为所述训练样本中的节点的子节点,且所述关联样本的数量包括多个;所述通过关联对象推荐模型对所述训练样本的关联样本进行预测处理及关联处理,得到所述训练样本对应的第一预测相似度,包括:通过所述关联对象推荐模型对多个所述关联样本分别进行预测处理,得到多个所述关联样本分别对应的关联预测相似度;对多个所述关联样本分别对应的关联预测相似度进行关联处理,得到所述训练样本对应的第一预测相似度。4.根据权利要求2所述的方法,其特征在于,所述对多个所述训练样本分别对应的第二预测相似度进行相似度累积处理,得到结构损失值,并根据所述结构损失值对所述树结构进行训练,包括:从所述树结构中的根节点所在的层开始遍历所述多个层,并针对遍历到的层执行以下处理:将包括所述遍历到的层中的节点的训练样本作为层训练样本;对多个所述层训练样本分别对应的第二预测相似度进行相似度累积处理,得到结构损失值;根据所述结构损失值对所述遍历到的层进行优化处理;其中,所述优化处理的目标包括以下至少之一:所述遍历到的层中的节点的数量;所述遍历到的层中的节点对应的候选对象。
5.根据权利要求2所述的方法,其特征在于,所述对多个所述训练样本分别对应的第二预测相似度进行相似度累积处理,得到结构损失值,包括:执行以下任意一种处理:对多个相似训练样本分别对应的第二预测相似度进行负相关的相似度累积处理,得到结构损失值;其中,所述结构损失值与所述相似训练样本对应的第二预测相似度负相关;对多个非相似训练样本分别对应的第二预测相似度进行正相关的相似度累积处理,得到结构损失值;其中,所述结构损失值与所述非相似训练样本对应的第二预测相似度正相关;对多个相似训练样本分别对应的第二预测相似度进行负相关的相似度累积处理,得到第一累积结果,对多个非相似训练样本分别对应的第二预测相似度进行正相关的相似度累积处理,得到第二累积结果,并将所述第一累积结果以及所述第二累积结果进行结果融合处理,得到结构损失值;其中,所述结构损失值与所述相似训练样本对应的第二预测相似度负相关,且与所述非相似训练样本对应的第二预测相似度正相关。6.根据权利要求1至5任一项所述的方法,其特征在于,所述根据多个候选对象构建树结构,包括:将所述多个候选对象分配至在所述树结构中创建的根节点;确定所述多个候选对象分别属于的类别;以所述根节点为起点执行针对所述候选对象的至少一轮类别递归分配,直至在最新一轮类别递归分配的过程中创建的节点被分配的所有候选对象属于相同类别;针对对应的所有候选对象属于相同类别的任意一个节点,以所述任意一个节点为起点执行针对所述候选对象的至少一轮数量递归分配,直至在最新一轮数量递归分配的过程中创建的节点被分配的候选对象的数量为一。7.根据权利要求6所述的方法,其特征在于,所述以所述根节点为起点执行针对所述候选对象的至少一轮类别递归分配,包括:在任意一轮类别递归分配的过程中,执行以下处理:在参与节点所在的层的下一层中创建多个子节点;其中,所述参与节点表示参与所述任意一轮类别递归分配的节点;根据参与节点对应的多个待分配的候选对象分别属于的类别,将所述多个待分配的候选对象分别分配至所述多个子节点;当所述子节点被分配的所有候选对象属于相同类别时,停止进行下一轮类别递归分配;当所述子节点被分配的不同候选对象分别属于不同类别时,将所述子节点作为下一轮类别递归分配的参与节点,并执行所述下一轮类别递归分配。8.根据权利要求7所述的方法,其特征在于,所述根据参与节点对应的多个待分配的候选对象分别属于的类别,将所述多个待分配的候选对象分别分配至所述多个子节点,包括:对所述参与节点对应的多个待分配的候选对象分别属于的类别进行类别排序处理,得到类别顺序;根据所述类别顺序将所述多个待分配的候选对象依次分配至所述多个子节点。
9.根据权利要求6所述的方法,其特征在于,所述确定所述多个候选对象分别属于的类别,包括:针对任意一个候选对象执行以下处理:获取所述任意一个候选对象属于的候选类别;当所述候选类别的数量为一个时,将所述候选类别作为所述任...
【专利技术属性】
技术研发人员:石志林,
申请(专利权)人:腾讯科技深圳有限公司,
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。