用于帖子推荐的方法、电子设备和存储介质技术

本公开的实施例涉及用于帖子推荐的方法、电子设备和计算机存储介质，涉及信息处理领域。根据该方法，获取与多个神经网络模型相关联的多个第一模型参数集；基于多个第一模型参数集，经由随机丢弃层，生成多个第二模型参数集；基于多个第二模型参数集，经由混合专家层，生成目标模型参数集；基于目标模型参数集以及与目标场景中的多个用户相关联的用户属性数据和帖子点击数据，训练目标神经网络模型，以生成经训练的目标神经网络模型和多个用户特征表示；以及基于多个用户特征表示，经由经训练的目标神经网络模型，预测关于用户针对帖子的点击概率，以用于推荐帖子。由此，能够实现多个场景的模型参数迁移到目标场景，提高了模型训练速度。训练速度。训练速度。

【技术实现步骤摘要】
用于帖子推荐的方法、电子设备和存储介质


[0001]本公开的实施例总体涉及信息处理领域，具体涉及用于帖子推荐的方法、电子设备和计算机存储介质。

技术介绍

[0002]随着技术的发展，利用大量数据来训练模型，以进行诸如个性化推荐，也变得比较流行。但是对于某些场景，其数据量可能并不多，基于这些场景下的少量数据训练的模型的使用效果不佳。

技术实现思路

[0003]提供了一种用于帖子推荐的方法、电子设备以及计算机存储介质，能够实现多个场景的模型参数迁移到目标场景，提高了目标场景中的模型训练速度和帖子推荐准确度。
[0004]根据本公开的第一方面，提供了一种用于数据项推荐的方法。该方法包括：获取与多个神经网络模型相关联的多个第一模型参数集，多个神经网络模型应用于多个场景；基于多个第一模型参数集，经由随机丢弃层，生成多个第二模型参数集；基于多个第二模型参数集，经由混合专家层，生成目标模型参数集；基于目标模型参数集以及与目标场景中的多个用户相关联的用户属性数据和帖子点击数据，训练目标神经网络模型，以生成经训练的目标神经网络模型和与多个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于帖子推荐的方法，包括：获取与多个神经网络模型相关联的多个第一模型参数集，所述多个神经网络模型应用于多个场景；基于所述多个第一模型参数集，经由随机丢弃层，生成多个第二模型参数集；基于多个第二模型参数集，经由混合专家层，生成目标模型参数集；基于所述目标模型参数集以及与目标场景中的多个用户相关联的用户属性数据和帖子点击数据，训练目标神经网络模型，以生成经训练的目标神经网络模型和与所述多个用户相关联的多个用户特征表示；以及基于所述多个用户特征表示，经由经训练的目标神经网络模型，预测关于所述目标场景中用户针对帖子的点击概率，以用于在所述目标场景中基于所述点击概率向用户推荐帖子。2.根据权利要求1所述的方法，其中获取与多个神经网络模型相关联的多个第一模型参数集包括：对于与所述多个神经网络模型中的每个神经网络模型，执行以下步骤：获取所述神经网络模型在多个时刻的多个第三模型参数集；对于所述多个时刻中的每个时刻，按照时间先后顺序，迭代执行以下步骤：基于与所述时刻的前一时刻相关联的先前隐含状态和与所述时刻相关联的第三模型参数集，经由两个门控层，生成第一门控状态和第二门控状态；基于所述第一门控状态和所述先前隐含状态，生成经更新的先前隐含状态；基于经更新的先前隐含状态和所述当前第三模型参数集，生成候选隐含状态；以及基于所述先前隐含状态、所述候选隐含状态和所述第二门控状态，生成与所述时刻相关联的隐含状态；以及基于与所述多个时刻中的最后时刻相关联的隐含状态，经由输出层，生成与所述神经网络模型相关联的第一模型参数集。3.根据权利要求1所述的方法，其中生成所述目标模型参数集包括：基于所述多个第二模型参数集，经由门控网络，生成多个门控值，所述多个门控值中包括预定数量个非零门控值；基于所述多个第二模型参数集中与所述预定数量个非零门控值相对应的预定数量个第二模型参数集，经由所述预定数量个专家层，生成预定数量个预测模型参数集；以及基于所述预定数量个非零门控值和所述预定数量个预测模型参数集，生成所述目标模型参数集。4.根据权利要求3所述的方法，其中生成所述多个门控值包括：基于所述多个第二模型参数集和门控权重矩阵，生成多个第...

【专利技术属性】
技术研发人员：顾茂杰，彭飞，唐文斌，
申请(专利权)人：上海任意门科技有限公司，
类型：发明
国别省市：