基于人工智能的对象推荐方法、装置及电子设备制造方法及图纸

本申请提供了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；方法包括：根据多个候选对象构建树结构；其中，树结构包括多个层，多个层分别对应一个对象推荐模型，且多个层中的每一层包括至少一个节点；根据训练对象与多个候选对象之间的相似关系对树结构中的多个节点进行筛选处理，并根据训练对象以及筛选出的节点构建训练样本；根据训练样本对对象推荐模型以及树结构进行交替训练；其中，训练后的对象推荐模型以及训练后的树结构用于确定多个候选对象中的待推荐对象。通过本申请，能够提升对对象推荐模型及树结构的训练效果，从而提升对象推荐的精度，例如提升推荐多媒体数据的精度。如提升推荐多媒体数据的精度。如提升推荐多媒体数据的精度。

【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。
[0006]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：根据目标对象以及基于多个候选对象构建的树结构中的节点构建预测样本；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；通过关联对象推荐模型对所述预测样本的关联样本进行预测处理及关联处理，得到所述预测样本对应的预测相似度；其中，所述关联样本中的节点与所述预测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；根据所述预测相似度对多个所述预测样本进行筛选处理，并将筛选出的预测样本中的节点对应的候选对象作为待推荐对象；
执行针对所述待推荐对象的推荐操作。
[0007]本申请实施例提供一种基于人工智能的对象推荐装置，包括：构建模块，用于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；所述构建模块，还用于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；训练模块，用于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。
[0008]本申请实施例提供一种基于人工智能的对象推荐装置，包括：构建模块，用于根据目标对象以及基于多个候选对象构建的树结构中的节点构建预测样本；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；预测模块，用于通过关联对象推荐模型对所述预测样本的关联样本进行预测处理及关联处理，得到所述预测样本对应的预测相似度；其中，所述关联样本中的节点与所述预测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；筛选模块，用于根据所述预测相似度对多个所述预测样本进行筛选处理，并将筛选出的预测样本中的节点对应的候选对象作为待推荐对象；推荐模块，用于执行针对所述待推荐对象的推荐操作。
[0009]本申请实施例提供一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的基于人工智能的对象推荐方法。
[0010]本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的基于人工智能的对象推荐方法。
[0011]本申请实施例具有以下有益效果：根据多个候选对象构建层次化的树结构，并根据训练对象与多个候选对象之间的相似关系来构建训练样本，以对对象推荐模型以及树结构进行交替训练，如此，能够基于层次化机制提升对象推荐模型以及树结构的训练效果，并提升训练后的对象推荐模型与训练后的树结构中对应的层之间的适配程度；在需要进行对象推荐时，通过关联对象推荐模型对预测样本的关联样本进行预测处理及关联处理，并根据得到的预测相似度从多个候选对象中筛选出待推荐对象，如此，能够根据树结构中与对象推荐存在关联性的信息来提升对象推荐的准确性。
附图说明
[0012]图1是本申请实施例提供的基于人工智能的对象推荐系统的架构示意图；图2A是本申请实施例提供的终端设备的第一架构示意图；
图2B是本申请实施例提供的终端设备的第二架构示意图；图3A是本申请实施例提供的基于人工智能的对象推荐方法的第一流程示意图；图3B是本申请实施例提供的基于人工智能的对象推荐方法的第二流程示意图；图3C是本申请实施例提供的基于人工智能的对象推荐方法的第三流程示意图；图3D是本申请实施例提供的基于人工智能的对象推荐方法的第四流程示意图；图4A是本申请实施例提供的基于人工智能的对象推荐方法的第五流程示意图；图4B是本申请实施例提供的基于人工智能的对象推荐方法的第六流程示意图；图5是本申请实施例提供的树结构的示意图；图6是本申请实施例提供的文本推荐的流程示意图。
具体实施方式
[0013]为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0014]在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
[0015]在以下的描述中，所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。在以下的描述中，所涉及的术语“多个”是指至少两个。
[0016]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。...

【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：