推荐对象的排序方法、模型训练方法、装置及电子设备制造方法及图纸

本申请提供一种推荐对象的排序方法、模型训练方法、装置及电子设备，该推荐对象的排序方法包括：获取目标用户的用户标识，以及目标用户对应的多个待推荐对象的对象标识；将用户标识和对象标识输入目标网络模型，得到对象标识对应的排序序号，目标网络模型用于确定为目标用户推荐待推荐对象时待推荐对象的排序序号；根据排序序号，对待推荐对象进行排序。在本申请实施例中通过目标网络模型对目标用户对应的待推荐对象进行排序，能够降低待推荐对象排序的繁琐程度，进而提高待推荐对象排序的效率。率。率。

【技术实现步骤摘要】
推荐对象的排序方法、模型训练方法、装置及电子设备


[0001]本申请涉及计算机
，尤其涉及一种推荐对象的排序方法、模型训练方法、装置及电子设备及电子设备。

技术介绍

[0002]在推荐系统中，给当前用户推荐对象时，通常会确定多个候选对象，对这多个候选对象进行排序，以确定这些候选对象的优先程度，将优先程度比较高的候选对象推荐给该当前用户，从而提高用户的体验。
[0003]目前，较常用的排序方法是成对方法（pairwise），即将排序问题转换为序列分类或回归问题，例如输入为(a,b,c,d)，则需要构造(a,b)、(b,c)、(a,c)、
……
、(c,d)等所有组队，通过算法判断上述组队中排序是否正确，正确则为1，不正确则为0。但这种组队排序方法存在计算过程繁琐，效率低的问题。

技术实现思路

[0004]本申请提供一种推荐对象的排序方法、模型训练方法、装置及电子设备。用以解决对目前对候选对象的排序存在过程繁琐、效率低的问题。
[0005]第一方面，本申请实施例提供一种推荐对象的排序方法，包括：获取目标用户的用户标识，以及目标用户对应的多个待推荐对象的对象标识；将用户标识和对象标识输入目标网络模型，得到对象标识对应的排序序号，目标网络模型用于确定为目标用户推荐待推荐对象时待推荐对象的排序序号；根据排序序号，对待推荐对象进行排序。
[0006]在本申请的一个实施例中，目标网络模型包括：预处理层、卷积网络层和后处理层，将用户标识和各对象标识输入目标网络模型，得到各对象标识对应的排序序号，包括：将用户标识和各对象标识经过预处理层进行特征融合处理，得到第一融合向量；将第一融合向量经过卷积网络层进行卷积处理，得到目标特征向量；将目标特征向量经过后处理层进行后处理，得到各对象标识对应的排序序号。
[0007]在本申请的一个实施例中，预处理层包括：输入子层、嵌入子层和第一融合子层，将用户标识和各对象标识经过预处理层进行特征融合处理，得到第一融合向量，包括：将用户标识经过输入子层进行独热编码处理，得到用户标识对应的用户一维向量；将对象标识经过输入子层进行独热编码处理，得到对象标识对应的对象一维向量；将用户一维向量经过嵌入子层进行稠密化处理，得到用户稠密向量；将对象一维向量经过嵌入子层进行稠密化处理，得到对象稠密向量；将各个对象稠密向量进行合并，得到多维稠密向量；将用户稠密向量和多维稠密向量经过第一融合子层融合处理，得到第一融合向量。
[0008]在本申请的一个实施例中，卷积网络层包括激活函数和多种类型的卷积核，每种类型的卷积核具有多个；将第一融合向量经过卷积网络层进行卷积处理，得到目标特征向量，包括：采用不同类型的卷积核，分别对第一融合向量分进行特征提取，得到多个中间特征向量；采用激活函数对多个中间特征向量分别进行非线性处理，得到目标特征向量。
[0009]在本申请的一个实施例中，业务数据信息还包括：全局事件；全局事件包括多个事件信息，模型训练方法还包括：消息订阅模块向引擎服务单元配置全局事件。
[0010]在本申请的一个实施例中，后处理层包括：池化子层，第二融合子层，多个全连接子层和决策层，将目标特征向量经过后处理层进行后处理，得到各对象标识对应的排序序号，包括：采用池化子层对目标特征向量进行池化处理，得到池化向量；采用第二融合子层，对不同类型的卷积核对应的池化向量进行融合处理，得到第二融合向量；采用多个全连接子层对第二融合向量进行概率预估处理，得到待推荐对象对应的结果向量，结果向量用于表示将待推荐对象映射到样本排序序号标记空间；采用决策层对结果向量进行回归处理，得到各个待推荐对象属于各个样本排序序号标记的概率，其中，将每一待推荐对象对应的概率最大的样本标记序号确定为该待推荐对象的排序序号。
[0011]第二方面，本申请实施例提供一种模型训练方法，用于训练第一方面中任一项的目标网络模型，模型训练方法，包括：获取多个训练样本，训练样本包括样本用户标识，和样本用户标识对应的各样本推荐对象的样本对象标识；获取训练样本对应的标签数据，标签数据用于表示样本对象推荐对象对应的实际排序序号；将训练样本输入目标网络模型，得到训练输出排序序号；根据实际排序序号和训练输出排序序号，调整目标网络模型参数，直到实际排序序号与训练输出排序序号的差值小于阈值，得到训练完成的目标网络模型。
[0012]第三方面，本申请实施例提供一种推荐对象的排序装置，包括：获取模块，用于获取目标用户的用户标识，以及目标用户对应的多个待推荐对象的对象标识；输入模块，用于将用户标识和对象标识输入目标网络模型，得到对象标识对应的排序序号，目标网络模型用于确定为目标用户推荐待推荐对象时待推荐对象的排序序号；排序模块，用于根据排序序号，对待推荐对象进行排序。
[0013]第四方面，本申请实施例提供一种模型训练装置，用于训练第三方面的目标网络模型，模型训练装置，包括：第一获取模块，用于获取多个训练样本，训练样本包括样本用户标识，和样本用户标识对应的各样本推荐对象的样本对象标识；第二获取模块，获取训练样本对应的标签数据，标签数据用于表示样本对象推荐对象对应的实际排序序号；输入模块，用于将训练样本输入目标网络模型，得到训练输出排序序号；调整模块，用于根据实际排序序号和训练输出排序序号，调整目标网络模型参数，直到实际排序序号与训练输出排序序号的差值小于阈值，得到训练完成的目标网络模型。
[0014]第五方面，本申请实施例提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使电子设备能够执行本申请第一方面中任一项的推荐对象的排序或第二方面中的模型训练方法。
[0015]第六方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请第一方面中任一项的推荐对象的排序或第二方面
中的模型训练方法。
[0016]本申请实施例提供一种推荐对象的排序方法、模型训练方法、装置及电子设备，该推荐对象的排序方法包括：获取目标用户的用户标识，以及目标用户对应的多个待推荐对象的对象标识；将用户标识和对象标识输入目标网络模型，得到对象标识对应的排序序号，目标网络模型用于确定为目标用户推荐待推荐对象时待推荐对象的排序序号；根据排序序号，对待推荐对象进行排序。在本申请实施例中通过目标网络模型对目标用户对应的待推荐对象进行排序，能够降低待推荐对象排序的繁琐程度，进而提高待推荐对象排序的效率。
附图说明
[0017]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0018]图1为本申请实施例提供的一种推荐对象的排序方法的场景示意图；图2为相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐对象的排序方法，其特征在于，包括：获取目标用户的用户标识，以及所述目标用户对应的多个待推荐对象的对象标识；将所述用户标识和所述对象标识输入目标网络模型，得到所述对象标识对应的排序序号，所述目标网络模型用于确定为所述目标用户推荐所述待推荐对象时所述待推荐对象的排序序号；根据所述排序序号，对所述待推荐对象进行排序。2.根据权利要求1所述的推荐对象的排序方法，其特征在于，所述目标网络模型包括：预处理层、卷积网络层和后处理层，所述将所述用户标识和各所述对象标识输入目标网络模型，得到各所述对象标识对应的排序序号，包括：将所述用户标识和各所述对象标识经过所述预处理层进行特征融合处理，得到第一融合向量；将所述第一融合向量经过所述卷积网络层进行卷积处理，得到目标特征向量；将所述目标特征向量经过所述后处理层进行后处理，得到各所述对象标识对应的排序序号。3.根据权利要求2所述的推荐对象的排序方法，其特征在于，所述预处理层包括：输入子层、嵌入子层和第一融合子层，所述将所述用户标识和各所述对象标识经过所述预处理层进行特征融合处理，得到第一融合向量，包括：将所述用户标识经过所述输入子层进行独热编码处理，得到所述用户标识对应的用户一维向量；将所述对象标识经过所述输入子层进行独热编码处理，得到所述对象标识对应的对象一维向量；将所述用户一维向量经过所述嵌入子层进行稠密化处理，得到用户稠密向量；将所述对象一维向量经过所述嵌入子层进行稠密化处理，得到对象稠密向量；将各个所述对象稠密向量进行合并，得到多维稠密向量；将所述用户稠密向量和所述多维稠密向量经过所述第一融合子层融合处理，得到所述第一融合向量。4.根据权利要求2所述的推荐对象的排序方法，其特征在于，所述卷积网络层包括激活函数和多种类型的卷积核，每种类型的卷积核具有多个；所述将所述第一融合向量经过所述卷积网络层进行卷积处理，得到目标特征向量，包括：采用不同类型的卷积核，分别对所述第一融合向量分进行特征提取，得到多个中间特征向量；采用所述激活函数对所述多个中间特征向量分别进行非线性处理，得到所述目标特征向量。5.根据权利要求4所述的推荐对象的排序方法，其特征在于，所述后处理层包括：池化子层，第二融合子层，多个全连接子层和决策层，所述将所述目标特征向量经过所述后处理层进行后处理，得到各所述对象标识对应的排序序号，包括：采用所述池化子层对所述目标特征向量进行池化处理，得到池化向量；采用所述第二融合子层，对不同类型的卷积核对应的池化向量进行融合处理，得到第二融合向量；
采用所述多个全连接子层对所述第二融合向量进行概率预估处理...

【专利技术属性】
技术研发人员：米良，李林峰，
申请(专利权)人：湖北亿咖通科技有限公司，
类型：发明
国别省市：