模型训练、伪负例的处理方法、装置、设备及存储介质制造方法及图纸

本申请提供一种模型训练、伪负例的处理方法、装置、设备及存储介质，涉及数据处理技术领域。该方法包括：根据多个历史行为序列，构建对象节点转移图；其中，每个所述历史行为序列中包括：一个用户针对多个对象的历史行为数据；所述对象节点转移图包括：多个对象节点以及所述对象节点之间的关联关系，每个所述对象节点对应一个对象；根据所述对象节点转移图以及预设节点模板图，确定各所述历史行为序列的特征信息；根据所述多个历史行为序列的特征信息和所述多个历史行为序列，进行模型训练，得到伪负例判别器。相对于现有技术，避免了将伪负例作为负例使用，对模型的效果带来影响的问题。对模型的效果带来影响的问题。对模型的效果带来影响的问题。

【技术实现步骤摘要】
模型训练、伪负例的处理方法、装置、设备及存储介质


[0001]本申请涉及数据处理
，具体而言，涉及一种模型训练、伪负例的处理方法、装置、设备及存储介质。

技术介绍

[0002]序列推荐是一种基于用户历史行为序列的推荐技术，旨在为用户提供个性化的推荐列表。具体而言，对于某个用户序列，我们期望能够基于该用户序列预测出接下来该用户的兴趣，兴趣可能是某个商品、某个话题，或者某个操作。序列推荐技术通过对用户历史行为序列的分析和建模，可以更准确地预测用户的兴趣演化趋势，从而提高推荐准确度和用户体验。该技术在电商、视频、音乐等领域得到广泛应用，成为了推荐系统领域的研究热点。
[0003]序列推荐的过程中常用到对比学习模型，对比学习模型一般通过序列
‑
序列对比学习的方式来确定各序列为正样本序列还是负样本序列，一般对比学习的过程中对于整个批内的某个正样本，会匹配少量正样本对，或是利用数据增强的方式构造少量正样本对，负样本则会选取整个批内其它的所有数据作为负样本。
[0004]但是这样的数据构建策略，被选作负样本的样例中，往本文档来自技高网...

【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：根据多个历史行为序列，构建对象节点转移图；其中，每个所述历史行为序列中包括：一个用户针对多个对象的历史行为数据；所述对象节点转移图包括：多个对象节点以及所述对象节点之间的关联关系，每个所述对象节点对应一个对象；根据所述对象节点转移图以及预设节点模板图，确定各所述历史行为序列的特征信息；根据所述多个历史行为序列的特征信息和所述多个历史行为序列，进行模型训练，得到伪负例判别器。2.如权利要求1所述的方法，其特征在于，所述根据所述多个历史行为序列的特征信息和所述多个历史行为序列，进行模型训练，得到伪负例判别器，包括：在所述对象节点转移图上确定预设的正例行为序列对应的预设个数的待判别负例行为序列；根据所述预设个数的待判别负例行为的特征信息，对所述预设个数的待判别负例行为进行拼接，得到样本行为序列；以所述正例行为序列为参照，根据所述样本行为序列，进行模型训练，得到所述伪负例判别器。3.如权利要求1所述的方法，其特征在于，所述根据所述对象节点转移图以及预设节点模板图，确定各所述历史行为序列的特征信息，包括：确定所述对象节点转移图中的各所述历史行为序列与所述预设节点模板的重合特征；根据所述重合特征，确定各所述历史行为序列的特征信息。4.如权利要求3所述的方法，其特征在于，所述确定所述对象节点转移图中的各所述历史行为序列与所述预设节点模板的重合特征，包括：确定所述对象节点转移图中的各所述历史行为序列中目标对象节点与所述预设节点模板的同构数向量；所述根据所述重合特征，确定各所述历史行为序列的特征信息，包括：根据所述历史行为序列中每个所述目标对象节点与所述预设节点模板的同构数向量，确定各所述历史行为序列的特征信息。5.如权利要求4所述的方法，其特征在于，所述根据所述历史行为序列中每个所述目标对象节点与所述预设节点模板的同构数向量，确定各所述历史行为序列的特征信息，包括：将所述历史行为序列中每个所述目标对象节点的同构数向量进行归一化；根据所述历史行为序列中每个所述目标对象节点的归一化后的同构数向量，确定各所述历史行为序列的特征信息。6.如权利要求1所述的方法，其特征在于，所述根据多个历史行为序列，构建对象节点转移图，包括：基于所述多个历史行为序列中目标用户的历史行为数据，确定对象节点之间的行为距离；根据所述对象节点之间的行为距离，在所述对象节点之间构建连边；基于多个历史行为序列和多个历史行为序列对应的连边构建结果，构建所述对象...

【专利技术属性】
技术研发人员：范璐，浦嘉澍，张荣升，吕唐杰，范长杰，胡志鹏，
申请(专利权)人：网易杭州网络有限公司，
类型：发明
国别省市：