【技术实现步骤摘要】
实现对象推荐的模型训练方法及对象推荐方法及相关装置
[0001]本专利技术涉及对象推荐领域，具体涉及一种实现对象推荐的模型训练方法以及装置；本申请同时涉及一种对象推荐方法以及装置。本申请还涉及相关的电子设备和存储介质。
技术介绍
[0002]随着当今技术的飞速发展，数据量也与日俱增，人们越来越感觉在海量数据面前束手无策。为了解决信息过载的问题，人们提出了推荐系统。推荐系统通过用户的历史行为、兴趣偏好或者人口统计学特征来提供给推荐算法，然后运用推荐算法来产生用户可能感兴趣的项目列表。推荐系统广泛存在于商品推荐、小说推荐、视频推荐等各类网站中，作为一个应用为用户提供个性化的推荐。
[0003]业内常用的推荐算法大多数基于双塔模型。双塔模型并不是一个固定不变的网络，而是一种模型构造思路：即把模型分成用户模型和物品模型两部分，然后用互操作层把这两部分联合起来，产生最后的预测得分。双塔模型最大的特点就是用户和物品是独立的两个子网络，这两个塔的参数不共享，他们分别输出用户嵌入特征和物品嵌入特征，然后将2个嵌入特征作为互操作层的输入，计算它们的相似度，然后基于用户和物品的相似度进行推荐。
[0004]上述的双塔模型在建模时需要同时获得用户和物品的历史数据，即该模型十分依赖用户个人(即推荐系统所服务的主体)的背景信息，在当前隐私保护意识越来越强烈的大背景下，如果失去主体背景信息，因而缺少建模所足够的用户偏好的历史数据量时，此类模型便无法进行精准的训练和推荐，甚至无法工作。此外，双塔模型由于仅仅只会根据已访问对象猜测用...
【技术保护点】
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取会话样本，所述会话样本是以会话过程的访问对象为节点的节点转移记录；将所述会话样本建模为节点转移图；将所述节点转移图提供给待训练的机器学习模型，获得表示目标会话样本的目标会话向量；根据所述目标会话向量与关联节点的节点向量的相似度情况，对所述机器学习模型进行性能评估；根据性能评估结果，对所述机器学习模型进行调整。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标会话向量与关联节点的节点向量的相似度情况，对所述机器学习模型进行性能评估，包括：将所述目标会话向量与各个可选择节点的节点向量比较，获得彼此之间的相似度评估；根据所述相似度评估，以及目标会话向量的目标节点，确定各个所述节点相对于所述目标节点的第一损失函数；采用所述第一损失函数，对所述机器学习模型进行性能评估。3.根据权利要求2所述的方法，其特征在于，所述将所述目标会话向量与各个可选择节点的节点向量比较，包括：采用所述目标会话向量与各个可选择节点的节点向量进行向量乘法，获得向量乘法的乘积；使用所述向量乘法的乘积，比较所述目标会话向量与具体的可选择节点的节点向量之间的相似度。4.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括第一机器学习模型和第二机器学习模型，所述将所述节点转移图提供给待训练的机器学习模型，获得表示所述会话样本的会话向量，包括：将所述节点转移图提供给第一机器学习模型；所述第一机器学习模型将所述节点转移图与预生成或者学习获得的各个节点的节点向量结合，更新各个节点的节点向量的表达方式；将更新后的节点向量提供给第二机器学习模型读取；所述第二机器学习模型根据更新后的节点向量，生成针对所述目标会话样本的目标会话向量。5.根据权利要求1
‑
4任意一项所述的方法，其特征在于，包括：根据所获得的会话样本包含的节点，构造全局节点图；在所述全局节点图中，根据目标会话样本，获得所述目标会话样本的正样本节点、负样本节点，所述正样本节点、负样本节点，作为所述目标会话向量的关联节点；所述根据所述目标会话向量与关联节点的节点向量的相似度情况，对所述机器学习模型进行性能评估，包括：根据正样本节点、负样本节点，获得正样本节点向量、负样本节点向量；使用所述正样本节点向量、负样本节点向量与所述目标会话向量比较，分别获得正样本比较分值、负样本比较分值；
根据所述正样本比较分值、负样本比较分值，生成第二损失函数；采用所述第二损失函数，对所述机器学习模型进行性能评估。6.根据权利要求5所述的方法，其特征在于，包括：使用目标节点向量与所述目标会话向量比较，获得目标节点比较分值；根据所述目标节点比较分值与所述负样本比较分值，生成第三损失函数；采用所述第三损失函数，对所述机器学习模型进行性能评估。7.根据权利要求6所述的方法，其特征在于，包括：根据所获得的会话样本包含的节点，构造全局节点图；在所述全局节点图中，根据目标会话样本，获得所述目标会话样本的正样...
【专利技术属性】
技术研发人员：尹智卓，朱熹，赵子威，王鹏梓，李学英，余钰，
申请(专利权)人：阿里巴巴中国有限公司，
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。