兴趣特征提取模型的训练方法、装置和电子设备制造方法及图纸

本公开公开了一种兴趣特征提取模型的训练方法、装置和电子设备，涉及智能推荐中的排序技术领域。具体实现方案为：在获取用户兴趣偏好特征时，可以先获取多个训练样本对；并将各训练样本对和全量用户与兴趣点之间的访问关系，输入至初始兴趣特征提取模型，得到各训练样本对对应的兴趣特征向量；再根据各训练样本对对应的兴趣特征向量，更新初始兴趣特征提取模型的网络参数。鉴于全量用户与兴趣点之间的访问关系可以在一定程度上较好地体现用户对兴趣点的兴趣偏好，使得结合全量用户与兴趣点之间的访问关系训练得到的兴趣特征提取模型，可以准确地提取用于描述用户兴趣偏好的兴趣特征向量，从而提高了获取到的用户兴趣偏好特征的准确度。特征的准确度。特征的准确度。

【技术实现步骤摘要】
兴趣特征提取模型的训练方法、装置和电子设备


[0001]本公开涉及数据处理
，尤其涉及一种兴趣特征提取模型的训练方法、装置和电子设备，具体涉及智能推荐中的排序技术。

技术介绍

[0002]在兴趣点(point of interest，poi)推荐场景中，为用户准确推荐兴趣点，是有效提升用户体验的重要操作。
[0003]相关技术中，考虑到用户在选择兴趣点时，通常是基于其兴趣偏好，选择兴趣点。因此，为了提高推荐结果的准确度，可以考虑结合用户的兴趣偏好进行兴趣点推荐。
[0004]在该种场景下，如何获取用户的兴趣偏好，是本领域技术人员亟待解决的问题。

技术实现思路

[0005]本公开提供了一种兴趣特征提取模型的训练方法、装置和电子设备。
[0006]根据本公开的第一方面，提供了一种兴趣特征提取模型的训练方法，该兴趣特征提取模型的训练方法可以包括：
[0007]获取多个训练样本对；其中，各训练样本对包括用户的特征、所述用户对应的正样本兴趣点的特征和负样本兴趣点的特征；其中，所述正样本兴趣点为用户访问本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种兴趣特征提取模型的训练方法，包括：获取多个训练样本对；其中，各训练样本对包括用户的特征、所述用户对应的正样本兴趣点的特征和负样本兴趣点的特征；其中，所述正样本兴趣点为用户访问过的兴趣点，所述负样本兴趣点为所述用户未访问过的兴趣点；将所述各训练样本对和全量用户与兴趣点之间的访问关系，输入至初始兴趣特征提取模型，得到所述各训练样本对对应的兴趣特征向量；根据所述各训练样本对对应的兴趣特征向量，更新所述初始兴趣特征提取模型的网络参数。2.根据权利要求1所述的方法，其中，所述将所述各训练样本对和全量用户与兴趣点之间的访问关系，输入至初始兴趣特征提取模型，得到所述各训练样本对对应的兴趣特征向量，包括：将所述各训练样本对和全量用户与兴趣点之间的访问关系，输入至初始兴趣特征提取模型，基于所述初始兴趣特征提取模型中的第一迭代网络，得到所述全量用户与兴趣点之间的访问关系中所有用户和所有兴趣点各自对应的初始特征向量；基于所述初始兴趣特征提取模型中的第二迭代网络，根据所述各训练样本对、所述全量用户与兴趣点之间的访问关系、及所述所有用户和所有兴趣点各自对应的初始特征向量，确定所述各训练样本对对应的兴趣特征向量。3.根据权利要求2所述的方法，所述访问关系包括所述全量用户中各用户对应的所有正样本兴趣点，及所述各用户与对应的各正样本兴趣点之间的指示值，所述指示值用于表征用户访问所述正样本兴趣点的次数；其中，所述基于所述初始兴趣特征提取模型中的第二迭代网络，根据所述各训练样本对、所述全量用户与兴趣点之间的访问关系、及所述所有用户和所有兴趣点各自对应的初始特征向量，确定所述各训练样本对对应的兴趣特征向量，包括：针对所述各训练样本对，基于所述第二迭代网络，从所述所有用户和所有兴趣点各自对应的初始特征向量中，分别确定所述训练样本对中所述用户对应的初始特征向量、和所述用户对应的各正样本兴趣点各对应的初始特征向量；并根据所述用户对应的初始特征向量、所述各正样本兴趣点各对应的初始特征向量、以及所述用户与所述各正样本兴趣点之间的指示值，确定所述用户对应的兴趣特征向量；基于所述第二迭代网络，从所述所有用户和所有兴趣点各自对应的初始特征向量中，分别确定所述训练样本对中所述正样本兴趣点对应的初始特征向量、和访问过所述正样本兴趣点的各用户对应的初始特征向量；并根据所述正样本兴趣点对应的初始特征向量、所述访问过所述正样本兴趣点的各用户对应的初始特征向量、以及所述各用户与所述正样本兴趣点之间的指示值，确定所述正样本兴趣点对应的兴趣特征向量；基于所述第二迭代网络，从所述所有用户和所有兴趣点各自对应的初始特征向量中，分别确定所述训练样本对中所述负样本兴趣点对应的初始特征向量、和访问过所述负样本兴趣点的各用户对应的初始特征向量；并根据所述负样本兴趣点对应的初始特征向量、所述访问过所述负样本兴趣点的各用户对应的初始特征向量、以及所述各用户与所述负样本兴趣点之间的指示值，确定所述负样本兴趣点对应的兴趣特征向量。4.根据权利要求3所述的方法，其中，所述方法还包括：
确定用户访问所述正样本兴趣点的次数，以及所述用户访问过的所有正样本兴趣点的次数和；根据所述用户访问所述正样本兴趣点的次数，与所述次数和的比值，确定所述用户与所述正样本兴趣点之间的指示值。5.根据权利要求1
‑
4任一项所述的方法，其中，所述根据所述各训练样本对对应的兴趣特征向量，更新所述初始兴趣特征提取模型的网络参数，包括：根据所述各训练样本对对应的兴趣特征向量，构造所述各训练样本对对应的损失函数；根据所述各训练样本对对应的损失函数，更新所述初始兴趣特征提取模型的网络参数。6.根据权利要求5所述的方法，其中，所述根据所述各训练样本对对应的兴趣特征向量，构造所述各训练样本对对应的损失函数，包括：针对所述各训练样本对，根据所述训练样本对中，所述用户对应的兴趣特征向量，和所述正样本兴趣点对应的兴趣特征向量，确定第一余弦相似度；根据所述训练样本对中，所述用户对应的兴趣特征向量，和所述负样本兴趣点对应的兴趣特征向量，确定第二余弦相似度；根据所述第一余弦相似度和所述第二余弦相似度的差值，构造所述各训练样本对对应的损失函数。7.根据权利要求5或6所述的方法，其中，所述根据所述各训练样本对对应的损失函数，更新所述初始兴趣特征提取模型的网络参数，包括：根据所述各训练样本对对应的损失函数，确定所述多个训练样本对对应的平均损失函数；根据所述平均损失函数，更新所述初始兴趣特征提取模型的网络参数。8.一种兴趣点的推送方法，包括：获取目标用户预设范围内的多个兴趣点；将所述目标用户的特征、各兴趣点的特征以及全量用户与兴趣点之间的访问关系，输入至兴趣特征提取模型，得到所述目标用户对应的兴趣特征向量和所述各兴趣点对应的兴趣特征向量；根据所述目标用户对应的兴趣特征向量和所述各兴趣点对应的兴趣特征向量，从所述多个兴趣点中确定目标兴趣点，并进行推送。9.根据权利要求8所述的方法，其中，所述根据所述目标用户对应的兴趣特征向量和所述各兴趣点对应的兴趣特征向量，从所述多个兴趣点中确定目标兴趣点，包括：分别确定所述目标用户对应的兴趣特征向量，与所述各兴趣点对应的兴趣特征向量之间的兴趣度；根据各兴趣度从所述多个兴趣点中，确定兴趣度最大的M个兴趣点，M为正整数；根据所述M个兴趣点，确定所述目标兴趣点。10.根据权利要求9所述的方法，其中，所述根据所述M个兴趣点，确定所述目标兴趣点，包括：获取按照其它推荐参数的参数值，从所述多个兴趣点中确定N个兴趣点，N为正整数；
从所述M个兴趣点和所述N个兴趣点中选择目标兴趣点。11.根据权利要求10所述的方法，其中，所述从所述M个兴趣点和所述N个兴趣点中选择目标兴趣点，包括：确定所述M个兴趣点和所述N个兴趣点的并集；将所述并集中各兴趣点对应的兴趣度和所述其它推荐参数的参数值，输入至排序模型中，得到所述并集中各兴趣点对应的得分；根据所述并集中各兴趣点对应的得分，从所述并集中确定所述目标兴趣点。12.一种兴趣特征提取模型的训练装置，包括：获取单元，用于获取多个训练样本对；其中，各训练样本对包括用户的特征、所述用户对应的正样本兴趣点的特征和负样本兴趣点的特征；其中，所述正样本兴趣点为用户访问过的兴趣点，所述负样本兴趣点为所述用户未访问过的兴趣点；处理单元，用于将所述各训练样本对和全量用户与兴趣点之间的访问关系，输入至初始兴趣特征提取模型，得到所述各训练样本对对应的兴趣特征向量；更新单元，用于根据所述各训练样本对对应的兴趣特征向量，更新所述初始兴趣特征提取模型的网络参数。13.根据权利要求12所述的装置，其中，所述处理单元包括第一处理模块和第二处理模块；所述第一处理模块，用于将所述...

【专利技术属性】
技术研发人员：张澍，陈浩，黄际洲，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：