一种物料推荐方法、装置、设备及计算机可读存储介质制造方法及图纸

本申请提供了一种物料推荐方法，应用于推荐系统中，包括：获得来自M个深度模型对候选物料的第一预估数据组合，第一预估数据组合包括以下至少之二：预估点击率、预估互动率和预估消费时长，M为大于或者等于2的整数；基于预估数据组合与融合分值的映射关系，确定与第一预估数据组合相对应的第一融合分值，第一融合分值用于表示目标用户对候选物料的感兴趣程度；根据第一融合分值，向目标用户进行物料推荐。通过本申请，能够缩短周期，节省线上流量。节省线上流量。节省线上流量。

【技术实现步骤摘要】
一种物料推荐方法、装置、设备及计算机可读存储介质


[0001]本申请涉及计算机处理
，尤其涉及一种物料推荐方法、装置、设备及计算机可读存储介质。

技术介绍

[0002]目前，在推荐系统中，单一的衡量指标(点击率、互动率、消费时长中的任一种)已不能满足需求，推荐系统逐渐从单一任务学习模型转到多任务学习模型，多任务学习模型需要对多个深度学习模型的打分进行多目标融合，融合分越高推荐给用户的概率也越高。但是，随着深度学习模型的优化目标越来越多、不同的深度学习模型的线上效果受到目标融合参数的影响以及一系列手动迭代的过程，使得现有的多目标融合方法处理起来较为棘手、试验周期较长、会占据线上的流量、并且有较大概率出现离线指标和线上效果不匹配的情况。
[0003]所以，需要一种处理更简单、周期更短、离线指标和线上效果的匹配效果好的多目标融合方法。

技术实现思路

[0004]本申请提供一种物料推荐方法、装置、设备及计算机可读存储介质，能够缩短周期，节省线上流量。
[0005]本申请的技术方案是这样实现的：<br/>[0006]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物料推荐方法，应用于推荐系统中，其特征在于，包括：获得来自M个深度模型对候选物料的第一预估数据组合，所述第一预估数据组合包括以下至少之二：预估点击率、预估互动率和预估消费时长，M为大于或者等于2的整数；基于预估数据组合与融合分值的映射关系，确定与所述第一预估数据组合相对应的第一融合分值，所述第一融合分值用于表示目标用户对所述候选物料的感兴趣程度；根据所述第一融合分值，向所述目标用户进行物料推荐。2.根据权利要求1所述的物料推荐方法，其特征在于，所述基于预估数据组合与融合分值的映射关系，确定与所述第一预估数据组合相对应的第一融合分值，包括：根据预设的预估数据组合与组合信息值的第一映射关系，确定所述第一预估数据组合对应的第一组合信息值；根据预设的组合信息值与融合分值的第二映射关系，确定所述第一组合信息值对应的所述第一融合分值。3.根据权利要求2所述的物料推荐方法，其特征在于，所述根据预设的组合信息值与融合分值的第二映射关系，确定所述第一组合信息值对应的所述第一融合分值，包括：根据所述第一预估数据组合，确定与所述第一预估数据组合的数据区间相邻的第二预估数据组合的第二组合信息值；计算所述第一预估数据组合与所述第二预估数据组合之间的距离；根据预设的融合分函数、所述第一组合信息值、所述第二组合信息值和所述距离计算所述第一融合分值。4.一种训练方法，其特征在于，用于得到如权利要求1至3任一项所述的预估数据组合与融合分值的映射关系，所述方法包括：获得M个深度模型对样本候选物料的预估数据组合、以及与所述预估数据组合相对应的预设用户对所述样本候选物料的用户行为组合，M为大于或者等于2的整数；根据所述预估数据组合以及对应的所述用户行为组合，确定所述预估数据组合与融合分值的映射关系。5.根据权利要求4所述的训练方法，其特征在于，当2≤M≤3时，所述获得M个深度模型对样本候选物料的预估数据组合，包括：确定所述M个深度模型对所述样本候选物料的预估数据对应的取值范围；将所述预估数据对应的取值范围均分为N个数据区间，N为大于或者等于2的整数；将所述M个深度模型对应的预估数据的N个数据区间进行组合，得到N
M
个预估数据组合。6.根据权利要求5所述的训练方法，其特征在于，所述根据所述预估数据组合以及对应的所述用户行为组合，确定所述预估数据组合与融合分值的映射关系，包括：根据与所述N
M
个预估数据组合中的第三预估数据组合相对应的第一用户行为组合，确定第三组合信息值；所述第三预估数据组合为所述N
M
个预估数据组合中的任一预估数据组合；根据所述第三预估数据组合和所述第三组合信息值，确定所述预估数据组合与融合分值的...

【专利技术属性】
技术研发人员：王宗浩，李亚辉，高家华，
申请(专利权)人：微梦创科网络科技中国有限公司，
类型：发明
国别省市：