资源推荐模型的训练方法、资源推荐方法、装置及设备制造方法及图纸

本申请公开了一种资源推荐模型的训练方法、资源推荐方法、装置及设备，属于互联网技术领域。方法包括：神经网络模型包括基础网络和多个初始网络，从多个初始网络中确定与任一个样本集的样本混淆信息相关的关联网络，通过基础网络和关联网络获取基于任一个样本集的样本对象的信息和样本资源的信息确定的任一个样本集中的样本资源被推荐的预测结果；基于多个样本集中的样本资源被推荐的预测结果，对神经网络模型进行训练，得到资源推荐模型。本申请实现了利用与样本集中样本混淆信息相关的网络来针对性地确定该样本集中的样本资源被推荐的预测结果，从而提高了该预测结果的准确性，进而提高了资源推荐模型的准确性，提高资源推荐效果。源推荐效果。源推荐效果。

【技术实现步骤摘要】
资源推荐模型的训练方法、资源推荐方法、装置及设备


[0001]本申请实施例涉及互联网
，特别涉及一种资源推荐模型的训练方法、资源推荐方法、装置及设备。

技术介绍

[0002]随着互联网技术的不断发展，很多应用程序通过资源推荐模型向人们推荐其感兴趣的资源，使得应用程序具有个性化和智能化。
[0003]在训练得到资源推荐模型的过程中，可以获取样本对象的对象信息和样本资源的资源信息。基于对象信息和资源信息，利用神经网络模型确定出样本资源被推荐的预测结果，基于该预测结果对神经网络模型进行训练，得到资源推荐模型。
[0004]上述技术中，样本资源被推荐的预测结果的准确性较差，导致资源推荐模型的准确性不高，影响了资源推荐效果。

技术实现思路

[0005]本申请提供了一种资源推荐模型的训练方法、资源推荐方法、装置及设备，可用于解决相关技术中资源推荐模型的准确性不高的问题，所述技术方案包括如下内容。
[0006]一方面，提供了一种资源推荐模型的训练方法，所述方法包括：
[0007]获取多个样本集，所述样本集包括样本混淆信息、样本对象的信息和样本资源的信息，所述样本混淆信息是影响所述样本对象点击所述样本资源的信息；
[0008]获取神经网络模型，所述神经网络模型包括基础网络和多个初始网络；
[0009]对于任一个样本集，从所述多个初始网络中确定与所述任一个样本集的样本混淆信息相关的关联网络，通过所述基础网络和所述关联网络获取所述任一个样本集中的样本资源被推荐的预测结果，所述预测结果由所述基础网络和所述关联网络基于所述任一个样本集的样本对象的信息和样本资源的信息确定；
[0010]基于所述多个样本集中的样本资源被推荐的预测结果，对所述神经网络模型进行训练，得到资源推荐模型。
[0011]另一方面，提供了一种资源推荐方法，所述方法包括：
[0012]获取目标对象的信息和目标资源的信息；
[0013]获取资源推荐模型，所述资源推荐模型包括主干网络和多个目标网络，所述资源推荐模型是根据上述任一项所述的资源推荐模型的训练方法训练得到的；
[0014]对于任一个目标网络，获取所述主干网络和所述任一个目标网络根据所述目标对象的信息和所述目标资源的信息确定的目标资源被推荐的预测结果；
[0015]基于所述主干网络和各个目标网络分别确定的目标资源被推荐的预测结果，确定所述目标资源的推荐结果。
[0016]另一方面，提供了一种资源推荐模型的训练装置，所述装置包括：
[0017]获取模块，用于获取多个样本集，所述样本集包括样本混淆信息、样本对象的信息
和样本资源的信息，所述样本混淆信息是影响所述样本对象点击所述样本资源的信息；
[0018]所述获取模块，还用于获取神经网络模型，所述神经网络模型包括基础网络和多个初始网络；
[0019]确定模块，用于对于任一个样本集，从所述多个初始网络中确定与所述任一个样本集的样本混淆信息相关的关联网络，通过所述基础网络和所述关联网络获取所述任一个样本集中的样本资源被推荐的预测结果，所述预测结果由所述基础网络和所述关联网络基于所述任一个样本集的样本对象的信息和样本资源的信息确定；
[0020]训练模块，用于基于所述多个样本集中的样本资源被推荐的预测结果，对所述神经网络模型进行训练，得到资源推荐模型。
[0021]在一种可能的实现方式中，所述确定模块，用于对所述任一个样本集的样本混淆信息进行特征提取，得到所述任一个样本集的混淆特征，所述任一个样本集的混淆特征包括多个特征位，且所述多个特征位中存在一个特征位为非零数据；基于所述任一个样本集的混淆特征中非零数据在所述多个特征位的位置信息，从所述多个初始网络中确定与所述任一个样本集的样本混淆信息相关的关联网络。
[0022]在一种可能的实现方式中，所述确定模块，用于通过所述基础网络对所述任一个样本集中的样本对象的信息和样本资源的信息分别进行特征提取，得到所述任一个样本集的样本对象特征和样本资源特征；通过所述基础网络对所述任一个样本集的样本对象特征和样本资源特征进行特征融合，得到所述任一个样本集的融合特征；通过所述关联网络获取根据所述任一个样本集的融合特征确定的所述任一个样本集中的样本资源被推荐的预测结果。
[0023]在一种可能的实现方式中，所述任一个样本集的样本对象特征包括至少一个第一维度的子特征，所述任一个样本集的样本资源特征包括至少一个第二维度的子特征；
[0024]所述确定模块，用于将所述至少一个第一维度的子特征分别和所述至少一个第二维度的子特征进行融合，得到各个第一维度与各个第二维度之间的子特征融合块；基于所述各个第一维度与所述各个第二维度之间的子特征融合块，确定所述任一个样本集的融合特征。
[0025]在一种可能的实现方式中，所述训练模块，用于对于任一个初始网络，从所述多个样本集中的样本资源被推荐的预测结果中选择所述任一个初始网络确定的目标样本集中的样本资源被推荐的预测结果；根据所述目标样本集中的样本资源被推荐的预测结果，对所述任一个初始网络进行训练，得到所述任一个初始网络对应的目标网络；基于所述多个样本集中的样本资源被推荐的预测结果，对所述基础网络进行训练，得到主干网络；基于所述主干网络和所述多个初始网络对应的目标网络，确定资源推荐模型。
[0026]在一种可能的实现方式中，所述训练模块，用于获取所述目标样本集中的样本资源被推荐的标注结果；根据所述目标样本集中的样本资源被推荐的预测结果和标注结果，对所述任一个初始网络进行训练，得到所述任一个初始网络对应的目标网络。
[0027]另一方面，提供了一种资源推荐装置，所述装置包括：
[0028]获取模块，用于获取目标对象的信息和目标资源的信息；
[0029]所述获取模块，还用于获取资源推荐模型，所述资源推荐模型包括主干网络和多个目标网络，所述资源推荐模型是根据上述任一项所述的资源推荐模型的训练方法训练得
到的；
[0030]所述获取模块，还用于对于任一个目标网络，获取所述主干网络和所述任一个目标网络根据所述目标对象的信息和所述目标资源的信息确定的目标资源被推荐的预测结果；
[0031]确定模块，用于基于所述主干网络和各个目标网络分别确定的目标资源被推荐的预测结果，确定所述目标资源的推荐结果。
[0032]在一种可能的实现方式中，所述获取模块，用于通过所述主干网络对所述目标对象的信息和所述目标资源的信息分别进行特征提取，得到目标对象特征和目标资源特征；通过所述主干网络对所述目标对象特征和所述目标资源特征进行特征融合，得到目标融合特征；获取所述任一个目标网络根据所述目标融合特征确定的目标资源被推荐的预测结果。
[0033]在一种可能的实现方式中，所述目标对象特征包括至少一个第三维度的子特征，所述目标资源特征包括至少一个第四维度的子特征；
[0034]所述获取模块，用于将所述至少一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种资源推荐模型的训练方法，其特征在于，所述方法包括：获取多个样本集，所述样本集包括样本混淆信息、样本对象的信息和样本资源的信息，所述样本混淆信息是影响所述样本对象点击所述样本资源的信息；获取神经网络模型，所述神经网络模型包括基础网络和多个初始网络；对于任一个样本集，从所述多个初始网络中确定与所述任一个样本集的样本混淆信息相关的关联网络，通过所述基础网络和所述关联网络获取所述任一个样本集中的样本资源被推荐的预测结果，所述预测结果由所述基础网络和所述关联网络基于所述任一个样本集的样本对象的信息和样本资源的信息确定；基于所述多个样本集中的样本资源被推荐的预测结果，对所述神经网络模型进行训练，得到资源推荐模型。2.根据权利要求1所述的方法，其特征在于，所述从所述多个初始网络中确定与所述任一个样本集的样本混淆信息相关的关联网络，包括：对所述任一个样本集的样本混淆信息进行特征提取，得到所述任一个样本集的混淆特征，所述任一个样本集的混淆特征包括多个特征位，且所述多个特征位中存在一个特征位为非零数据；基于所述任一个样本集的混淆特征中非零数据在所述多个特征位的位置信息，从所述多个初始网络中确定与所述任一个样本集的样本混淆信息相关的关联网络。3.根据权利要求1所述的方法，其特征在于，所述通过所述基础网络和所述关联网络获取所述任一个样本集中的样本资源被推荐的预测结果，包括：通过所述基础网络对所述任一个样本集中的样本对象的信息和样本资源的信息分别进行特征提取，得到所述任一个样本集的样本对象特征和样本资源特征；通过所述基础网络对所述任一个样本集的样本对象特征和样本资源特征进行特征融合，得到所述任一个样本集的融合特征；通过所述关联网络获取根据所述任一个样本集的融合特征确定的所述任一个样本集中的样本资源被推荐的预测结果。4.根据权利要求3所述的方法，其特征在于，所述任一个样本集的样本对象特征包括至少一个第一维度的子特征，所述任一个样本集的样本资源特征包括至少一个第二维度的子特征；所述对所述任一个样本集的样本对象特征和样本资源特征进行特征融合，得到所述任一个样本集的融合特征，包括：将所述至少一个第一维度的子特征分别和所述至少一个第二维度的子特征进行融合，得到各个第一维度与各个第二维度之间的子特征融合块；基于所述各个第一维度与所述各个第二维度之间的子特征融合块，确定所述任一个样本集的融合特征。5.根据权利要求1至4任一项所述的方法，其特征在于，所述基于所述多个样本集中的样本资源被推荐的预测结果，对所述神经网络模型进行训练，得到资源推荐模型，包括：对于任一个初始网络，从所述多个样本集中的样本资源被推荐的预测结果中选择所述任一个初始网络确定的目标样本集中的样本资源被推荐的预测结果；根据所述目标样本集中的样本资源被推荐的预测结果，对所述任一个初始网络进行训
练，得到所述任一个初始网络对应的目标网络；基于所述多个样本集中的样本资源被推荐的预测结果，对所述基础网络进行训练，得到主干网络；基于所述主干网络和所述多个初始网络对应的目标网络，确定资源推荐模型。6.根据权利要求5所述的方法，其特征在于，所述根据所述目标样本集中的样本资源被推荐的预测结果，对所述任一个初始网络进行训练，得到所述任一个初始网络对应的目标网络，包括：获取所述目标样本集中的样本资源被推荐的标注结果；根据所述目标样本集中的样本资源被推荐的预测结果和标注结果，对所述任一个初始网络进行训练，得到所述任一个初始网络对应的目标网络。7.一种资源推荐方法，其特征在于，所述方法包括：获取目标对象的信息和目标资源的信息；获取资源推荐模型，所述资源推荐模型包括主干网络和多个目标网络，所述资源推荐模型是根据权利要求1至6任一项所述的资源推荐模型的训练方法训练得到的；对于任一个目标网络，获取所述主干网络和所述任一个目标网络根据所述目标对象的信息和所述目标资源的信息确定的目标资源被推荐的预测结果；基于所述主干网络和各个目标网络分别确定的目标资源被推荐的预测结果，确定所述目标资源的推荐结果。8.根据权利要求7所述的方法，其特征在于，所述获取所述主干网络和所述任一个目标网络根据所述目标对象的信息和所述目标资源的信息确定的目标资源被推荐的预...

【专利技术属性】
技术研发人员：何向南，张洋，冯福利，宋重钢，易玲玲，凌国惠，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：