本说明书实施例提供序列推荐模型的训练方法及装置，其中所述序列推荐模型的训练方法包括：获取关联对象推荐业务的历史行为序列，根据历史行为序列中包含的历史对象生成原始兴趣表征；根据每个历史对象在至少一个维度中的注意力影响参数，计算每个历史对象与基准偏好对象之间的对象相似度；基于对象相似度在历史行为序列中确定目标历史对象，并根据目标历史对象生成反事实兴趣表征；根据原始兴趣表征、基准偏好对象对应的基准偏好表征、反事实兴趣表征生成优化参数对，并根据优化参数对训练关联对象推荐业务的序列推荐模型。通过本说明书提供的序列推荐模型，能够基于对行为序列稀疏用户进行准确地用户兴趣预测，挖掘用户兴趣，提高用户使用体验。提高用户使用体验。提高用户使用体验。
【技术实现步骤摘要】
序列推荐模型的训练方法及装置
[0001]本说明书实施例涉及序列推荐
，特别涉及序列推荐模型的训练方法、对象推荐方法。
技术介绍
[0002]随着计算机、人工智能等技术的快速发展，面向用户的推荐系统为用户带来便捷的服务体验，推荐系统可以基于用户的兴趣特点和历史购买行为，向用户推荐其感兴趣的商品信息。在推荐系统中的序列推荐系统十分重要，序列推荐系统可以通过分析用户的历史浏览序列，对用户进行精准推荐，从而序列推荐系统的稳定性是目前研究的主要问题。目前序列推荐系统主要存在因用户浏览序列的数据稀疏、有噪声导致推荐结果不准确的问题。因此，如何为用户提供准确的推荐结果是目前亟需准确的问题。
技术实现思路
[0003]有鉴于此，本说明书实施例提供了一种序列推荐模型的训练方法、对象推荐方法。本说明书一个或者多个实施例同时涉及序列推荐模型的训练装置、对象推荐装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
[0004]根据本说明书实施例的第一方面，提供了一种序列推荐模型的训练方法，包括：
[0005]获取关联对象推荐业务的历史行为序列，根据所述历史行为序列中包含的历史对象生成原始兴趣表征；
[0006]根据每个历史对象在至少一个维度中的注意力影响参数，计算每个历史对象与基准偏好对象之间的对象相似度；
[0007]基于对象相似度在所述历史行为序列中确定目标历史对象，并根据所述目标历史对象生成反事实兴趣表征；
[0008]根据所述原始兴趣表征、所述基准偏好对象对应的基准偏好表征、所述反事实兴趣表征生成优化参数对，并根据所述优化参数对训练关联所述对象推荐业务的序列推荐模型。
[0009]根据本说明书实施例的第二方面，提供了一种对象推荐方法，包括：
[0010]将目标用户关联目标业务的历史行为序列输入至序列推荐模型，其中，所述序列推荐模型为通过本说明书提供的序列推荐模型的训练方法训练获得的模型；
[0011]获得所述序列推荐模型输出的推荐结果，其中，所述推荐结果包括关联所述目标业务的业务对象。
[0012]根据本说明书实施例的第三方面，提供了一种对象推荐方法，包括：
[0013]接收目标用户针对目标业务的参与请求；
[0014]根据所述参与请求确定所述目标用户的历史行为序列；
[0015]将所述历史行为序列输入至序列推荐模型，其中，所述序列推荐模型为通过本说
明书提供的序列推荐模型的训练方法训练获得的模型；
[0016]获得所述序列推荐模型输出的推荐结果，其中，所述推荐结果包括关联所述目标业务的业务对象。
[0017]根据本说明书实施例的第四方面，提供了一种序列推荐模型的训练装置，包括：
[0018]第一生成模块，被配置为获取关联对象推荐业务的历史行为序列，根据所述历史行为序列中包含的历史对象生成原始兴趣表征；
[0019]计算模块，被配置为根据每个历史对象在至少一个维度中的注意力影响参数，计算每个历史对象与基准偏好对象之间的对象相似度；
[0020]第二生成模块，被配置为基于对象相似度在所述历史行为序列中确定目标历史对象，并根据所述目标历史对象生成反事实兴趣表征；
[0021]训练模块，被配置为根据所述原始兴趣表征、所述基准偏好对象对应的基准偏好表征、所述反事实兴趣表征生成优化参数对，并根据所述优化参数对训练关联所述对象推荐业务的序列推荐模型。
[0022]根据本说明书实施例的第五方面，提供了一种对象推荐装置，包括：
[0023]输入模块，被配置为将目标用户关联目标业务的历史行为序列输入至序列推荐模型，其中，所述序列推荐模型为通过本说明书提供的序列推荐模型的训练方法训练获得的模型；
[0024]获得模块，被配置为获得所述序列推荐模型输出的推荐结果，其中，所述推荐结果包括关联所述目标业务的业务对象。
[0025]根据本说明书实施例的第六方面，提供了一种对象推荐装置，包括：
[0026]接收模块，被配置为接收目标用户针对目标业务的参与请求；
[0027]确定模块，被配置为根据所述参与请求确定所述目标用户的历史行为序列；
[0028]输入模块，被配置为将所述历史行为序列输入至序列推荐模型，其中，所述序列推荐模型为通过本说明书提供的序列推荐模型的训练方法训练获得的模型；
[0029]获得模块，被配置为获得所述序列推荐模型输出的推荐结果，其中，所述推荐结果包括关联所述目标业务的业务对象。
[0030]根据本说明书实施例的第七方面，提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述计算机指令时实现所述序列推荐模型的训练方法、对象推荐方法的步骤。
[0031]根据本说明书实施例的第八方面，提供了一种计算机可读存储介质，其存储有计算机指令，该计算机指令被处理器执行时实现所述列推荐模型的训练方法、对象推荐方法的步骤。
[0032]根据本说明书实施例的第九方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述列推荐模型的训练方法、对象推荐方法的步骤。
[0033]本说明书提供的序列推荐模型的训练方法，包括获取关联对象推荐业务的历史行为序列，根据所述历史行为序列中包含的历史对象生成原始兴趣表征；根据每个历史对象在至少一个维度中的注意力影响参数，计算每个历史对象与基准偏好对象之间的对象相似度；基于对象相似度在所述历史行为序列中确定目标历史对象，并根据所述目标历史对象生成反事实兴趣表征；根据所述原始兴趣表征、所述基准偏好对象对应的基准偏好表征、所
述反事实兴趣表征生成优化参数对，并根据所述优化参数对训练关联所述对象推荐业务的序列推荐模型。
[0034]本说明书一实施例实现了根据历史行为序列中包含的历史对象生成原始兴趣表征，根据每个历史对象的注意力影响参数，计算每个历史对象与基准偏好对象之间的对象相似度，从而能够基于反事实增强方式生成准确性更高的反事实兴趣表征，通过原始兴趣表征、基准偏好表征、反事实兴趣表征对序列推荐模型进行训练，从而获得训练完毕的序列推荐模型，解决了由于序列稀疏、序列存在噪声，无法准确预测用户感兴趣的对象，后续能够基于训练完毕的序列推荐模型，行为序列稀疏、行为序列存在噪声的用户进行准确地用户兴趣预测，挖掘用户兴趣，提高用户使用体验。
附图说明
[0035]图1是根据本说明书一个实施例提供的一种序列推荐模型的模型框架示意图；
[0036]图2是本说明书一个实施例提供的一种序列推荐模型的训练方法的流程图；
[0037]图3是本说明书一个实施例提供的一种序列推荐模型的训练方法的处理过程流程图；
[0038]图4是本说明书一个实施例提供的一种对象推荐方法的流程图；
[0039]图5是本说明书一个实施例提供的另一种对象推荐方法的流程图；本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种序列推荐模型的训练方法，包括：获取关联对象推荐业务的历史行为序列，根据所述历史行为序列中包含的历史对象生成原始兴趣表征；根据每个历史对象在至少一个维度中的注意力影响参数，计算每个历史对象与基准偏好对象之间的对象相似度；基于对象相似度在所述历史行为序列中确定目标历史对象，并根据所述目标历史对象生成反事实兴趣表征；根据所述原始兴趣表征、所述基准偏好对象对应的基准偏好表征、所述反事实兴趣表征生成优化参数对，并根据所述优化参数对训练关联所述对象推荐业务的序列推荐模型。2.如权利要求1所述的训练方法，根据所述历史行为序列中包含的历史对象生成原始兴趣表征，包括：确定所述历史行为序列对应的目标用户，以及所述目标用户对应的关联用户；确定所述关联用户的相似对象，并基于所述历史行为序列中包含的历史对象和所述相似对象构建所述目标用户的用户行为关系图；在所述用户行为关系图中提取所述目标用户的原始兴趣表征。3.如权利要求1所述的训练方法，在至少一个维度的时间维度中，计算每个历史对象与基准偏好对象之间的对象相似度，包括：确定所述历史行为序列对应的目标用户，并确定所述目标用户对应的基准偏好对象；确定每个历史对象在时间维度中的注意力影响参数；根据所述注意力影响参数计算每个历史对象与所述基准偏好对象之间的对象相似度。4.如权利要求1所述的训练方法，基于对象相似度在所述历史行为序列中确定目标历史对象，包括：基于对象相似度按照从高到低的顺序对所述历史行为序列中的历史对象进行排序；根据排序结果确定预设数量的正序历史对象，以及预设数量的反序历史对象；将所述正序历史对象和所述反序历史对象作为目标历史对象。5.如权利要求4所述的训练方法，根据所述目标历史对象生成反事实兴趣表征，包括：基于预设序列构建策略对所述正序历史对象进行序列构建处理，根据处理结果生成反事实反向兴趣序列，其中所述预设序列构建策略包括对历史对象进行重构处理的子策略；基于所述预设序列构建策略对所述反序历史对象进行序列构建处理，根据处理结果生成反事实正向兴趣序列；根据所述反事实反向兴趣序列和所述反事实正向兴趣序列生成反事实兴趣表征。6.如权利要求5所述的训练方法，根据所述反事实反向兴趣序列和所述反事实正向兴趣序列生成兴趣表征，包括：对所述反事实反向兴趣序列进行池化处理，获得反事实反向兴趣表征；对所述反事实正向兴趣序列进行池化处理，获得反事实正向兴趣表征；根据所述反事实反向兴趣表征和所述反事实正向...
【专利技术属性】
技术研发人员：林文芳，马琼旭，程红伟，赵云安，郭晓波，
申请(专利权)人：浙江网商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。