推荐模型训练、推荐方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种推荐模型训练、推荐方法、装置、电子设备及存储介质，推荐模型训练方法，包括：获取包括待推荐对象多属性维度信息的待推荐对象样本数据和当前对象的当前对象数据；对待推荐对象样本数据和所述当前对象数据进行语义嵌入处理，得到综合语义嵌入特征；其中，综合语义嵌入特征由多个单属性的基础属性语义嵌入特征和属性交叉语义嵌入特征组成；根据综合语义嵌入特征生成样本数据的语义嵌入特征矩阵，其中，样本数据由待推荐对象样本数据和当前对象样本数据拼接组成；将语义嵌入特征作为训练数据输入至推荐模型进行训练。本发明专利技术实施例技术方案提高了推荐模型的精准性，保证了推荐结果的全面性，同时也提高了推荐结果的整体效果。推荐结果的整体效果。推荐结果的整体效果。

【技术实现步骤摘要】
推荐模型训练、推荐方法、装置、电子设备及存储介质


[0001]本专利技术实施例涉及推荐
，尤其涉及一种推荐模型训练、推荐方法、装置、电子设备及存储介质。

技术介绍

[0002]随着信息技术的快速发展以及移动互联网的兴起，人们已经进入海量数据时代。当每天面对琳琅满目并且种类繁杂的商品、电影、歌曲、视频以及快讯等各种服务时，会出现无法快速找到感兴趣的信息的情况。智能推荐技术能够通过算法模型的形式，基于用户当前正在浏览的对象，来推荐一些与其内容比较相似或者相关的推荐对象。
[0003]目前，技术人员在进行智能推荐时，通常采用基于文本内容匹配的推荐方法、基于文本向量计算相似度的方法以及基于文本特征计算相关性的匹配方法。
[0004]专利技术人在实现本专利技术的过程中，发现现有技术存在如下问题：基于文本内容匹配的推荐方法虽然能保证推荐内容的高相关性，但是由于内容高度匹配，导致推荐结果的惊喜度较差，而且对新用户不能提供可靠的推荐结果，同时，对稀疏数据、复杂属性的处理等问题的推荐结果不够理想。基于文本向量计算相似度的方法，通常是基于主题本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐模型训练方法，其特征在于，包括：获取包括待推荐对象多属性维度信息的待推荐对象样本数据和当前对象的当前对象数据；对所述待推荐对象样本数据和所述当前对象数据进行语义嵌入处理，得到综合语义嵌入特征；其中，所述综合语义嵌入特征由多个单属性的基础属性语义嵌入特征和属性交叉语义嵌入特征组成；根据所述综合语义嵌入特征生成样本数据的语义嵌入特征矩阵，其中，所述样本数据由所述待推荐对象样本数据和所述当前对象样本数据拼接组成；将所述语义嵌入特征作为训练数据输入至推荐模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述获取包括待推荐对象多属性维度信息的待推荐对象样本数据，包括：将待推荐对象的推荐日志数据、用户点击行为数据和待推荐对象基础属性数据作为原始样本数据；对所述原始样本数据进行数据预处理，得到预处理原始样本数据；根据所述预处理原始样本数据提取关键样本数据，得到所述待推荐对象样本数据。3.根据权利要求1所述的方法，其特征在于，所述对所述待推荐对象样本数据和所述当前对象数据进行语义嵌入处理，得到综合语义嵌入特征，包括：对所述待推荐对象样本数据的各个属性维度的单属性对象样本数据进行语义嵌入处理，得到所述待推荐对象的多个单属性的基础属性语义嵌入特征；对所述当前对象数据的各个属性维度的单属性对象数据进行语义嵌入处理，得到所述当前对象的多个单属性的基础属性语义嵌入特征；根据所述待推荐对象的各所述基础属性语义嵌入特征和所述当前对象的各基础属性语义嵌入特征计算属性交叉语义嵌入特征；将所述属性交叉语义嵌入特征和所述当前对象的基础属性语义嵌入特征，输入至自注意力网络进行权重学习，得到所述当前对象的综合语义嵌入特征；将所述属性交叉语义嵌入特征和所述待推荐对象的基础属性语义嵌入特征，输入至自注意力网络进行权重学习，得到所述待推荐对象的综合语义嵌入特征；其中，所述基础属性语义嵌入特征包括标题属性语义嵌入特征、标签属性语义嵌入特征、正文属性语义嵌入特征、图片属性语义嵌入特征、视频属性语义嵌入特征以及关联属性语义嵌入特征中的至少一项。4.根据权利要求1
‑
3任一所述的方法，其特征在于，所述待推荐对象包括待推荐物品。5.一种推荐方法，其特征在于，包括：获取当前对象的当前对象关联数据和备选推荐对象的备选对象关联数据；将所述当前对象的当前对象关联数据和所述备选推荐对象的备选对象关联数据输入至推荐模型，得到各所述备选推荐对象与所述当前对象的相似度；根据各所述备选推荐对象与所述当前对象的相似度...

【专利技术属性】
技术研发人员：于敬，陈运文，刘文海，石京京，李文聪，熊凡，纪达麒，
申请(专利权)人：达观数据苏州有限公司，
类型：发明
国别省市：