用于商品推荐的样本训练方法、商品排序方法、装置制造方法及图纸

本申请提供用于商品推荐的样本训练方法、商品排序方法、装置、电子设备及计算机存储介质，在用于商品推荐的样本训练方法中，由于构造了原始节点图，实际上是将用户信息、商品信息及商品标签信息三个维度的信息以及节点之间的联系作为样本，使训练样本更全面；由于数据样本集包括多搜索场景的数据样本集，使得获得的用户目标特征与商品标签目标特征适用于多搜索场景下的商品推荐适用于多搜索场景；由于对原始节点图中的节点特征进行了高斯分布表示处理，获得处理后的节点特征，并在处理后的节点特征中进行采样，获得采样后的节点特征，进而使得采用后的节点特征的表示更加丰富，进而能够更全面地训练以准确地捕捉用户与商品标签之间的联系。商品标签之间的联系。商品标签之间的联系。

【技术实现步骤摘要】
用于商品推荐的样本训练方法、商品排序方法、装置


[0001]本申请涉及计算机
，具体涉及用于商品推荐的样本训练方法、商品排序方法、装置、电子设备以及计算机存储介质。

技术介绍

[0002]随着电商平台的迅速发展，商品推荐在电商平台中变得越来越重要。在具体商品推荐的场景中，可以基于商品标签向用户推荐商品，例如，用户输入的搜索词为连衣裙时，作为商品标签，可以如：法式连衣裙、纯色连衣裙以及雪纺连衣裙等，在向用户展示推荐的连衣裙时，可以将法式连衣裙对应的一些连衣裙商品作为一批商品推荐给用户，这样推荐商品的方式实际上是基于商品标签实现的捆绑推荐。
[0003]在这种基于捆绑推荐的方式中，实际上是基于用户对商品标签的偏好程度实现的商品推荐；在现有的确定用户对商品标签的偏好程度的方式中，主要是基于学习用户的特征与商品标签的特征的向量之间的距离实现的。因而如何对用户的特征以及商品标签的特征进行学习成为当前亟需解决的技术问题。

技术实现思路

[0004]本申请提供一种用于商品推荐的样本训练方法，以解决如何对用户的特征以及商品标签的特征进行学习的技术问题，本申请还提供商品排序方法、与用于商品推荐的样本训练方法、商品排序方法对应的装置、电子设备以及计算机存储介质。
[0005]本申请提供一种用于商品推荐的样本训练方法，包括：
[0006]根据用于商品推荐的数据样本集，构建原始节点图，所述原始节点图中的节点包括用户节点、商品节点以及商品标签节点；其中，所述数据样本集包括多搜索场景下的数据样本集；
[0007]对所述原始节点图中的节点的特征进行高斯分布表示处理，获得处理后的节点特征；
[0008]在所述处理后的节点特征中采样，获得采样后的节点特征；
[0009]采用所述采样后的节点特征与预设的损失函数，对采样后的用户特征与采样后的商品标签特征进行训练，获得用户目标特征与商品标签目标特征，所述用户目标特征与所述商品标签目标特征用于获得用户对商品标签的偏好程度。
[0010]可选的，所述采用所述采样后的节点特征与预设的损失函数，对采样后的用户特征与采样后的商品标签特征进行训练，获得用户目标特征与商品标签目标特征，包括：
[0011]采用所述采样后的节点特征与预设的第一损失函数，对采样后的用户特征与采样后的商品标签特征进行训练，获得用户初始特征与商品标签初始特征；
[0012]采用所述采样后的节点特征、所述用户初始特征、所述商品标签初始特征与预设的第二损失函数，对所述用户初始特征与所述商品标签初始特征进行训练，获得用户目标特征与商品标签目标特征。
[0013]可选的，所述采用所述采样后的节点特征与预设的第一损失函数，对采样后的用户特征与采样后的商品标签特征进行训练，包括：
[0014]获得用于对采样后的节点进行分配的各个模式向量；
[0015]针对用户节点与商品标签节点，根据所述采样后的节点特征与所述各个模式向量，确定对采样后的节点进行分配的分配矩阵；
[0016]基于所述采样后的节点特征、所述各个模式向量、所述分配矩阵与预设的第一损失函数，采用第一对比学习方式与分配学习方式对采样后的用户特征与采样后的商品标签特征进行训练。
[0017]可选的，所述根据所述采样后的节点特征与所述各个模式向量，确定对采样后的节点进行分配的分配矩阵，包括：
[0018]根据所述采样后的节点特征，获得用于对所述采样后的节点特征进行向量化的采样后节点特征向量；
[0019]根据所述采样后节点特征向量与所述各个模式向量，将所述采样后的节点分配至各个模式向量对应的模式中，确定对采样后的节点进行分配的分配矩阵。
[0020]可选的，所述根据所述采样后节点特征向量与所述各个模式向量，将所述采样后的节点分配至各个模式向量对应的模式中，确定对采样后的节点进行分配的分配矩阵，包括：
[0021]根据所述采样后节点特征向量与所述各个模式向量，获得用于表示所述采样后节点特征向量与所述模式向量之间相似度的相似度向量；
[0022]根据所述相似度向量，将所述采样后的节点分配至各个模式向量对应的模式中，确定对采样后的节点进行分配的分配矩阵。
[0023]可选的，所述基于所述采样后的节点特征、所述各个模式向量、所述分配矩阵与预设的第一损失函数，采用第一对比学习方式与分配学习方式对采样后的用户特征与采样后的商品标签特征进行训练，包括：
[0024]针对用户节点与商品标签节点，分别基于所述采样后的节点特征、所述各个模式向量与预设的第一对比学习损失函数，采用第一对比学习方式对采样后的用户特征与采样后的商品标签特征进行训练；
[0025]针对用户节点与商品标签节点，分别基于所述采样后的节点特征、所述分配矩阵与预设的分配损失函数，采用分配学习方式对采样后的用户特征与采样后的商品标签特征进行训练。
[0026]可选的，所述采用所述采样后的节点特征、所述用户初始特征、所述商品标签初始特征与预设的第二损失函数，对所述用户初始特征与所述商品标签初始特征进行训练，获得用户目标特征与商品标签目标特征，包括：
[0027]根据所述用户初始特征、所述商品标签初始特征，获得商品标签视图下的第一用户初始子特征与第一商品标签初始子特征；
[0028]根据采样后的商品节点特征、所述用户初始特征、所述商品标签初始特征，获得商品视图下的第二用户初始子特征与第二商品标签初始子特征；
[0029]基于所述第一用户初始子特征、所述第一商品标签初始子特征、所述第二用户初始子特征、所述第二商品标签初始子特征与预设的第二损失函数，采用第二对比学习方式
对所述用户初始特征与所述商品标签初始特征进行训练，获得用户目标特征与商品标签目标特征。
[0030]可选的，所述基于所述第一用户初始子特征、所述第一商品标签初始子特征、所述第二用户初始子特征、所述第二商品标签初始子特征与预设的第二损失函数，采用第二对比学习方式对所述用户初始特征与所述商品标签初始特征进行训练，包括：
[0031]针对用户节点，基于所述第一用户初始子特征、所述第二用户初始子特征与预设的第二对比学习损失函数，采用第二对比学习方式对所述用户初始特征进行训练；
[0032]针对商品标签节点，基于所述第一商品标签初始子特征、所述第二商品标签初始子特征与预设的第二对比学习损失函数，采用第二对比学习方式对所述商品标签初始特征进行训练。
[0033]可选的，还包括：
[0034]基于所述第一用户初始子特征、所述第二用户初始子特征、所述第一商品标签初始子特征、所述第二商品标签初始子特征与预设的排序损失函数，采用排序学习方式对所述商品标签初始特征进行训练。
[0035]可选的，所述对所述原始节点图中的节点的特征进行高斯分布表示处理，获得处理后的节点特征，包括：
[0036]根据所述原始节点特征，获得用于对所述原始节点特征向量进行高斯分布表示处理的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于商品推荐的样本训练方法，其特征在于，包括：根据用于商品推荐的数据样本集，构建原始节点图，所述原始节点图中的节点包括用户节点、商品节点以及商品标签节点；其中，所述数据样本集包括多搜索场景下的数据样本集；对所述原始节点图中的节点的特征进行高斯分布表示处理，获得处理后的节点特征；在所述处理后的节点特征中采样，获得采样后的节点特征；采用所述采样后的节点特征与预设的损失函数，对采样后的用户特征与采样后的商品标签特征进行训练，获得用户目标特征与商品标签目标特征，所述用户目标特征与所述商品标签目标特征用于获得用户对商品标签的偏好程度。2.根据权利要求1所述的方法，其特征在于，所述采用所述采样后的节点特征与预设的损失函数，对采样后的用户特征与采样后的商品标签特征进行训练，获得用户目标特征与商品标签目标特征，包括：采用所述采样后的节点特征与预设的第一损失函数，对采样后的用户特征与采样后的商品标签特征进行训练，获得用户初始特征与商品标签初始特征；采用所述采样后的节点特征、所述用户初始特征、所述商品标签初始特征与预设的第二损失函数，对所述用户初始特征与所述商品标签初始特征进行训练，获得用户目标特征与商品标签目标特征。3.根据权利要求2所述的方法，其特征在于，所述采用所述采样后的节点特征与预设的第一损失函数，对采样后的用户特征与采样后的商品标签特征进行训练，包括：获得用于对采样后的节点进行分配的各个模式向量；针对用户节点与商品标签节点，根据所述采样后的节点特征与所述各个模式向量，确定对采样后的节点进行分配的分配矩阵；基于所述采样后的节点特征、所述各个模式向量、所述分配矩阵与预设的第一损失函数，采用第一对比学习方式与分配学习方式对采样后的用户特征与采样后的商品标签特征进行训练。4.根据权利要求3所述的方法，其特征在于，所述根据所述采样后的节点特征与所述各个模式向量，确定对采样后的节点进行分配的分配矩阵，包括：根据所述采样后的节点特征，获得用于对所述采样后的节点特征进行向量化的采样后节点特征向量；根据所述采样后节点特征向量与所述各个模式向量，将所述采样后的节点分配至各个模式向量对应的模式中，确定对采样后的节点进行分配的分配矩阵。5.根据权利要求4所述的方法，其特征在于，所述根据所述采样后节点特征向量与所述各个模式向量，将所述采样后的节点分配至各个模式向量对应的模式中，确定对采样后的节点进行分配的分配矩阵，包括：根据所述采样后节点特征向量与所述各个模式向量，获得用于表示所述采样后节点特征向量与所述模式向量之间相似度的相似度向量；根据所述相似度向量，将所述采样后的节点分配至各个模式向量对应的模式中，确定对采样后的节点进行分配的分配矩阵。6.根据权利要求5所述的方法，其特征在于，所述基于所述采样后的节点特征、所述各
个模式向量、所述分配矩阵与预设的第一损失函数，采用第一对比学习方式与分配学习方式对采样后的用户特征与采样后的商品标签特征进行训练，包括：针对用户节点与商品标签节点，分别基于所述采样后的节点特征、所述各个模式向量与预设的第一对比学习损失函数，采用第一对比学习方式对采样后的用户特征与采样后的商品标签特征进行训练；针对用户节点与商品标签节点，分别基于所述采样后的节点特征、所述分配矩阵与预设的分配损失函数，采用分配学习方式对采样后的用户特征与采样后的商品标签特征进行训练。7.根据权利要求2所述的方法，其特征在于，所述采用所述采样后的节点特征、所述用户初始特征、所述商品标签初始特征与预设的第二损失函数，对所述用户初始特征与所述商品标签初始特征进行训练，获得用户目标特征与商品标签目标特征，包括：根据所述用户初始特征、所述商品标签初始特征，获得商品标签视图下的第一用户初始子特征与第一商品标签初始子特征；根据采样后的商品节点特征、所述用户初始特征、所述商品标签初始特征，获得商品视图下的第二用户初始子特征与第二商品标签初始子特征；基于所述第一用户初始子特征、所述第一商品标签初始子特征、所述第二用户初始子特征、所述第二商品标签初始子特征与预设的第二损失函数，采用第二对比学习方式对所述用户初始特征与所述商品标签初始特征进行训练，获得用户目标特征与商品标签目标特征。8.根据权利要求7所述的方法，其特征在于，所述基于所述第一用户初始子特征、所述第一商品标签初始子特征、所述第二用户初始子特征、所...

【专利技术属性】
技术研发人员：刘朝阳，孙刘诚，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：