物品推荐模型的训练方法和装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了一种物品推荐模型的训练方法和装置、电子设备及存储介质，属于人工智能技术领域，通过对样本对象信息和物品基本信息进行数据整合处理得到目标样本对，将目标样本对中的第一样本对和第二样本对输入至神经网络模型，基于第一神经网络对第一样本对和第二样本对进行意图预测处理得到样本意图预测数据，基于第二神经网络对第一样本对和第二样本对进行行为预测处理得到样本行为预测数据，基于第三神经网络对第一样本对和第二样本对进行物品预测处理得到样本物品预测数据，根据样本意图预测数据、样本行为预测数据、样本物品预测数据和物品标签信息对神经网络模型进行参数优化，得到物品推荐模型，能够提高物品推荐模型推荐的准确率。物品推荐模型推荐的准确率。物品推荐模型推荐的准确率。

【技术实现步骤摘要】
物品推荐模型的训练方法和装置、电子设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及一种物品推荐模型的训练方法和装置、电子设备及存储介质。

技术介绍

[0002]相关技术中，推荐模型的训练大多需要依赖于用户对物品的历史反馈数据，但是不同类型的反馈数据的获取难度和可信等级会存在一定的差异。目前的模型训练方法常常选择将获取难度低或者可信等级高的历史反馈数据作为训练数据，这会导致训练数据的数据种类偏少，影响模型的训练效果，会降低推荐模型推荐的准确率。

技术实现思路

[0003]本申请实施例的主要目的在于提出一种物品推荐模型的训练方法和装置、电子设备及存储介质，旨在提高推荐模型推荐的准确率。
[0004]为实现上述目的，本申请实施例的第一方面提出了一种物品推荐模型的训练方法，所述方法包括：
[0005]获取训练样本对象的样本对象信息和样本物品信息；其中，所述样本物品信息包括物品基本信息和物品标签信息，所述物品标签信息用于指示所述训练样本对象的样本对象意图和样本对象行为；
[0006]对所述样本对象信息和所述物品基本信息进行数据整合处理，得到每一所述训练样本对象的至少两个目标样本对；
[0007]将所述至少两个目标样本对中的第一样本对和第二样本对输入至预设的神经网络模型；其中，所述神经网络模型包括第一神经网络、第二神经网络和第三神经网络；
[0008]基于所述第一神经网络对所述第一样本对和所述第二样本对进行意图预测处理，得到样本意图预测数据；
[0009]基于所述第二神经网络对所述第一样本对和所述第二样本对进行行为预测处理，得到样本行为预测数据；
[0010]基于所述第三神经网络对所述第一样本对和所述第二样本对进行物品预测处理，得到样本物品预测数据；
[0011]根据所述样本意图预测数据、所述样本行为预测数据、所述样本物品预测数据和所述物品标签信息对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到物品推荐模型。
[0012]在一些实施例，所述对所述样本对象信息和所述物品基本信息进行数据整合处理，得到每一所述训练样本对象的至少两个目标样本对，包括：
[0013]对所述样本对象信息进行编码处理，得到样本对象特征向量；
[0014]对所述物品基本信息进行编码处理，得到样本物品特征向量；
[0015]对所述样本对象特征向量和所述样本物品特征向量进行合并处理，得到所述目标
样本对。
[0016]在一些实施例，所述第一神经网络包括第一编码层和第一线性层，所述样本意图预测数据包括第一样本意图预测数据和第二样本意图预测数据，所述基于所述第一神经网络对所述第一样本对和所述第二样本对进行意图预测处理，得到样本意图预测数据，包括：
[0017]通过所述第一编码层对所述第一样本对进行编码处理，得到第一样本编码向量，并通过所述第一编码层对所述第二样本对进行编码处理，得到第二样本编码向量；
[0018]通过所述第一线性层和预设的参考意图标签对所述第一样本编码向量进行标签概率计算，得到所述第一样本意图预测数据，并通过所述第一线性层和所述参考意图标签对所述第二样本编码向量进行标签概率计算，得到所述第二样本意图预测数据。
[0019]在一些实施例，所述第二神经网络包括第二编码层和第二线性层，所述样本行为预测数据包括第一样本行为预测数据和第二样本行为预测数据，所述基于所述第二神经网络对所述第一样本对和所述第二样本对进行行为预测处理，得到样本行为预测数据，包括：
[0020]通过所述第二编码层对所述第一样本对进行编码处理，得到第三样本编码向量，并通过所述第二编码层对所述第二样本对进行编码处理，得到第四样本编码向量；
[0021]通过所述第二线性层和预设的参考行为标签对所述第三样本编码向量进行标签概率计算，得到所述第一样本行为预测数据，并通过所述第二线性层和所述参考行为标签对所述第四样本编码向量进行标签概率计算，得到所述第二样本行为预测数据。
[0022]在一些实施例，所述第三神经网络包括第三编码层和第三线性层，所述样本物品预测数据包括第一样本物品预测数据和第二样本物品预测数据，所述基于所述第三神经网络对所述第一样本对和所述第二样本对进行物品预测处理，得到样本物品预测数据，包括：
[0023]通过所述第三编码层对所述第一样本对进行编码处理，得到第五样本编码向量，并通过所述第三编码层对所述第二样本对进行编码处理，得到第六样本编码向量；
[0024]通过所述第三线性层和预设的参考物品标签对所述第五样本编码向量进行标签概率计算，得到所述第一样本物品预测数据，并通过所述第三线性层和所述参考物品标签对所述第六样本编码向量进行标签概率计算，得到所述第二样本物品预测数据。
[0025]在一些实施例，所述根据所述样本意图预测数据、所述样本行为预测数据、所述样本物品预测数据和所述物品标签信息对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到物品推荐模型，包括：
[0026]对所述第一样本编码向量和所述第五样本编码向量进行相似度计算，得到第一相似值；
[0027]对所述第二样本编码向量和所述第六样本编码向量进行相似度计算，得到第二相似值；
[0028]对所述第三样本编码向量和所述第五样本编码向量进行相似度计算，得到第三相似值；
[0029]对所述第四样本编码向量和所述第六样本编码向量进行相似度计算，得到第四相似值；
[0030]根据所述样本意图预测数据和所述物品标签信息中的样本对象意图特征进行损失计算，得到第一损失值；
[0031]根据所述样本行为预测数据和所述物品标签信息中的样本对象行为特征进行损
失计算，得到第二损失值；
[0032]根据所述样本物品预测数据和所述物品标签信息进行损失计算，得到第三损失值；
[0033]对所述第一损失值、所述第二损失值、所述第三损失值、所述第一相似值、所述第二相似值、所述第三相似值和所述第四相似值进行加权计算，得到目标损失值；
[0034]根据所述目标损失值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到所述物品推荐模型。
[0035]为实现上述目的，本申请实施例的第二方面提出了一种物品推荐方法，所述物品推荐方法包括：
[0036]获取目标对象的目标对象信息和目标物品的目标物品信息；
[0037]将所述目标对象信息和所述目标物品信息输入至物品推荐模型进行推荐处理，得到物品推荐列表；所述物品推荐模型根据如第一方面所述的物品推荐模型的训练方法训练得到；
[0038]根据所述物品推荐列表将所述目标物品推送给所述目标对象。
[0039]为实现上述目的，本申请实施例的第三方面提出了一种物品推荐模型的训练装置，所述训练装置包括：
[0040]样本获取模块，用于获取训练样本对象的样本对象信息和样本物品信息；其中，所述样本物品信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.物品推荐模型的训练方法，其特征在于，所述训练方法包括：获取训练样本对象的样本对象信息和样本物品信息；其中，所述样本物品信息包括物品基本信息和物品标签信息，所述物品标签信息用于指示所述训练样本对象的样本对象意图和样本对象行为；对所述样本对象信息和所述物品基本信息进行数据整合处理，得到每一所述训练样本对象的至少两个目标样本对；将所述至少两个目标样本对中的第一样本对和第二样本对输入至预设的神经网络模型；其中，所述神经网络模型包括第一神经网络、第二神经网络和第三神经网络；基于所述第一神经网络对所述第一样本对和所述第二样本对进行意图预测处理，得到样本意图预测数据；基于所述第二神经网络对所述第一样本对和所述第二样本对进行行为预测处理，得到样本行为预测数据；基于所述第三神经网络对所述第一样本对和所述第二样本对进行物品预测处理，得到样本物品预测数据；根据所述样本意图预测数据、所述样本行为预测数据、所述样本物品预测数据和所述物品标签信息对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到物品推荐模型。2.根据权利要求1所述的训练方法，其特征在于，所述对所述样本对象信息和所述物品基本信息进行数据整合处理，得到每一所述训练样本对象的至少两个目标样本对，包括：对所述样本对象信息进行编码处理，得到样本对象特征向量；对所述物品基本信息进行编码处理，得到样本物品特征向量；对所述样本对象特征向量和所述样本物品特征向量进行合并处理，得到所述目标样本对。3.根据权利要求1或2所述的训练方法，其特征在于，所述第一神经网络包括第一编码层和第一线性层，所述样本意图预测数据包括第一样本意图预测数据和第二样本意图预测数据，所述基于所述第一神经网络对所述第一样本对和所述第二样本对进行意图预测处理，得到样本意图预测数据，包括：通过所述第一编码层对所述第一样本对进行编码处理，得到第一样本编码向量，并通过所述第一编码层对所述第二样本对进行编码处理，得到第二样本编码向量；通过所述第一线性层和预设的参考意图标签对所述第一样本编码向量进行标签概率计算，得到所述第一样本意图预测数据，并通过所述第一线性层和所述参考意图标签对所述第二样本编码向量进行标签概率计算，得到所述第二样本意图预测数据。4.根据权利要求3所述的训练方法，其特征在于，所述第二神经网络包括第二编码层和第二线性层，所述样本行为预测数据包括第一样本行为预测数据和第二样本行为预测数据，所述基于所述第二神经网络对所述第一样本对和所述第二样本对进行行为预测处理，得到样本行为预测数据，包括：通过所述第二编码层对所述第一样本对进行编码处理，得到第三样本编码向量，并通过所述第二编码层对所述第二样本对进行编码处理，得到第四样本编码向量；通过所述第二线性层和预设的参考行为标签对所述第三样本编码向量进行标签概率
计算，得到所述第一样本行为预测数据，并通过所述第二线性层和所述参考行为标签对所述第四样本编码向量进行标签概率计算，得到所述第二样本行为预测数据。5.根据权利要求4所述的训练方法，其特征在于，所述第三神经网络包括第三编码层和第三线性层，所述样本物品预测数据包括第一样本物品预测数据和第二样本物品预测数据，所述基于所述第三神经网络对所述第一样本对和所述第二样本对进行物品预测处理，得到样本物品预测数据，包括：通过所述第三编码层对所述第一样本对进行编码处理，得到第五样本编码向量，并通过所述第三编码层对所述第二样本对进行编码处理，得到第六样本编码向量；通过所述第三线性层和预设的参考物品标签对所述第五样本编码向...

【专利技术属性】
技术研发人员：李泽远，王健宗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：