基于双塔模型的对象推荐方法及装置制造方法及图纸

本公开涉及人工智能技术领域，提供了一种基于双塔模型的对象推荐方法及装置。该方法包括：获取第一候选集合和目标用户对应的历史对话记录；利用第一双塔模型中的第一左塔模型提取历史对话记录的第一特征向量，利用第一双塔模型中的第一右塔模型提取第一候选集合中每个对象的第二特征向量，其中，第一双塔模型已通过训练，使得第一左塔模型学习并保存有历史对话记录和第一特征向量之间的对应关系，使得第一右塔模型学习并保存有对象和第二特征向量之间的对应关系；计算第一特征向量与每个第二特征向量之间的相似度，并根据第一特征向量与每个第二特征向量之间的相似度，从第一候选集合中确定出子集合；基于子集合向目标用户进行对象推荐操作。行对象推荐操作。行对象推荐操作。

【技术实现步骤摘要】
基于双塔模型的对象推荐方法及装置


[0001]本公开涉及人工智能
，尤其涉及一种基于双塔模型的对象推荐方法及装置。

技术介绍

[0002]在电商等领域需要根据客户的聊天记录，向客户推荐合适的物品，比如根据客户的聊天记录中的关键词，确定客户想要的物品等。此类方法只能向客户推荐直接和客户的聊天记录中的关键词相关的物品，如果客户的聊天记录较为复杂，那么推荐物品的准确率较低，同时对于存在大量客户或者聊天记录内容较多的情况下，此类方法也存在效率低的问题。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：推荐物品的准确率低和效率低的问题。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种基于双塔模型的对象推荐方法及装置，以解决现有技术中，推荐物品的准确率低和效率低的问题。
[0005]本公开实施例的第一方面，提供了一种基于第一双塔模型的对象推荐方法，包括：获取第一候选集合和目标用户对应的历史对话记录，其中，第一候选集合包括多个对象；利用第一双塔模型中的第一左塔模型提取历史对话记录的第一特征向量，利用第一双塔模型中的第一右塔模型提取第一候选集合中每个对象的第二特征向量，其中，第一双塔模型已通过训练，使得第一左塔模型学习并保存有历史对话记录和第一特征向量之间的对应关系，使得第一右塔模型学习并保存有对象和第二特征向量之间的对应关系；计算第一特征向量与每个第二特征向量之间的相似度，并根据第一特征向量与每个第二特征向量之间的相似度，从第一候选集合中确定出子集合，其中，子集合包括一个或多个对象；基于子集合向目标用户进行对象推荐操作。
[0006]本公开实施例的第二方面，提供了一种基于第一双塔模型的对象推荐装置，包括：获取模块，被配置为获取第一候选集合和目标用户对应的历史对话记录，其中，第一候选集合包括多个对象；提取模块，被配置为利用第一双塔模型中的第一左塔模型提取历史对话记录的第一特征向量，利用第一双塔模型中的第一右塔模型提取第一候选集合中每个对象的第二特征向量，其中，第一双塔模型已通过训练，使得第一左塔模型学习并保存有历史对话记录和第一特征向量之间的对应关系，使得第一右塔模型学习并保存有对象和第二特征向量之间的对应关系；计算模块，被配置为计算第一特征向量与每个第二特征向量之间的相似度，并根据第一特征向量与每个第二特征向量之间的相似度，从第一候选集合中确定出子集合，其中，子集合包括一个或多个对象；推荐模块，被配置为基于子集合向目标用户进行对象推荐操作。
[0007]本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在
存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0008]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0009]本公开实施例与现有技术相比存在的有益效果是：因为本公开实施例获取第一候选集合和目标用户对应的历史对话记录，其中，第一候选集合包括多个对象；利用第一双塔模型中的第一左塔模型提取历史对话记录的第一特征向量，利用第一双塔模型中的第一右塔模型提取第一候选集合中每个对象的第二特征向量，其中，第一双塔模型已通过训练，使得第一左塔模型学习并保存有历史对话记录和第一特征向量之间的对应关系，使得第一右塔模型学习并保存有对象和第二特征向量之间的对应关系；计算第一特征向量与每个第二特征向量之间的相似度，并根据第一特征向量与每个第二特征向量之间的相似度，从第一候选集合中确定出子集合，其中，子集合包括一个或多个对象；基于子集合向目标用户进行对象推荐操作，因此，采用上述技术手段，可以解决现有技术中，推荐物品的准确率低和效率低的问题。进而提高推荐物品的准确率和效率。
附图说明
[0010]为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0011]图1是本公开实施例的应用场景的场景示意图；
[0012]图2是本公开实施例提供的一种基于第一双塔模型的对象推荐方法的流程示意图；
[0013]图3是本公开实施例提供的一种基于第一双塔模型的对象推荐装置的结构示意图；
[0014]图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
[0015]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0016]下面将结合附图详细说明根据本公开实施例的一种基于第一双塔模型的对象推荐方法和装置。
[0017]图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备101、102和103、服务器104以及网络105。
[0018]终端设备101、102和103可以是硬件，也可以是软件。当终端设备101、102和103为硬件时，其可以是具有显示屏且支持与服务器104通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备101、102和103为软件时，
其可以安装在如上的电子设备中。终端设备101、102和103可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备101、102和103上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
[0019]服务器104可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器104可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。
[0020]需要说明的是，服务器104可以是硬件，也可以是软件。当服务器104为硬件时，其可以是为终端设备101、102和103提供各种服务的各种电子设备。当服务器104为软件时，其可以是为终端设备101、102和103提供各种服务的多个软件或软件模块，也可以是为终端设备101、102和103提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。
[0021]网络105可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near Field Communication，NFC本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于第一双塔模型的对象推荐方法，其特征在于，包括：获取第一候选集合和目标用户对应的历史对话记录，其中，所述第一候选集合包括多个对象；利用第一双塔模型中的第一左塔模型提取所述历史对话记录的第一特征向量，利用所述第一双塔模型中的第一右塔模型提取所述第一候选集合中每个对象的第二特征向量，其中，所述第一双塔模型已通过训练，使得所述第一左塔模型学习并保存有所述历史对话记录和所述第一特征向量之间的对应关系，使得所述第一右塔模型学习并保存有所述对象和所述第二特征向量之间的对应关系；计算所述第一特征向量与每个所述第二特征向量之间的相似度，并根据所述第一特征向量与每个所述第二特征向量之间的相似度，从所述第一候选集合中确定出子集合，其中，所述子集合包括一个或多个对象；基于所述子集合向所述目标用户进行对象推荐操作。2.根据权利要求1所述的方法，其特征在于，所述利用第一双塔模型中的第一左塔模型提取所述历史对话记录的第一特征向量，利用所述第一双塔模型中的第一右塔模型提取所述第一候选集合中每个对象的第二特征向量之前，所述方法还包括：获取第二候选集合和历史对话记录集合，其中，所述第二候选集合包括多个对象，所述历史对话记录集合包括多个用户的历史对话记录；对所述第二候选集合和所述历史对话记录集合进行标注处理；利用经过所述标注处理之后的第二候选集合训练编码模型；将训练后的编码模型同时作为所述第一双塔模型中的第一左塔模型和第一右塔模型，冻结所述第一双塔模型中的第一右塔模型的模型参数，利用经过所述标注处理之后的历史对话记录集合训练所述第一双塔模型中的第一左塔模型。3.根据权利要求2所述的方法，其特征在于，所述利用经过所述标注处理之后的第二候选集合训练编码模型，包括：将编码模型同时作为第二双塔模型中的第二左塔模型和第二右塔模型，将所述第二候选集合中的目标对象输入所述第二双塔模型中的第二左塔模型，输出所述目标对象的第三特征向量，将所述第二候选集合中每个对象输入所述第二双塔模型中的第二右塔模型，输出每个对象的第四特征向量；计算所述第三特征向量与每个对象的所述第四特征向量之间的相似度；根据所述第三特征向量与每个对象的所述第四特征向量之间的相似度，从所述第二候选集合中确定出多个与所述目标对象最相似的对象。4.根据权利要求3所述的方法，其特征在于，所述根据所述第三特征向量与每个对象的所述第四特征向量之间的相似度，从所述第二候选集合中确定出多个与所述目标对象最相似的对象之后，所述方法还包括：根据从所述第二候选集合中确定出的多个与所述目标对象最相似的对象，对训练后的编码模型进行模型质量评价，得到模型质量评分；当所述模型质量评分低于预设阈值，基于所述模型质量评分和所述预设阈值确定训练总轮次，并循环执行如下步骤对训练后的编码模型进行再训练：将训练轮次加一，其中，所述训练轮次用于表示当前所述再训练对应的次数，所述训练
轮次初始值为零；利用经过所述标注处理之后的第二候选集合训练编码模型；当所述训练轮次等于所述训练总轮次时，结束所述再训练，当所述训练轮次小于所述训练总轮次时，继续所述再训练。5.根据权利要求4所述的方法，其特征在于，所述根据从所述第二候选集合中确定出的多个与所述目标对象最相似的对象，对训练后的编码模型进行模型质量评价，得到模型质量评分之后，所...

【专利技术属性】
技术研发人员：武文杰，袁子涵，
申请(专利权)人：深圳集智数字科技有限公司，
类型：发明
国别省市：