一种推荐兴趣列表的生成方法、装置及设备制造方法及图纸

本发明专利技术提供一种推荐兴趣列表的生成方法、装置及设备。本发明专利技术的方案通过获取目标用户的历史行为数据；将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值；根据所述贡献度值，生成用户的推荐兴趣列表；解决了不能将用户的不同兴趣点转化为适合目标的问题，更有针对性地解决多目标优化的问题，可平衡不同种类的家庭推荐需求。同种类的家庭推荐需求。同种类的家庭推荐需求。

【技术实现步骤摘要】
一种推荐兴趣列表的生成方法、装置及设备


[0001]本专利技术涉及IT
，特别是指一种推荐兴趣列表的生成方法、装置及设备。

技术介绍

[0002]在电商、广告、新闻、视频等领域蓬勃发展的同时，个性化推荐的应用日新月异，从以前的协同过滤、逻辑回归，进化到因子分解机以及梯度提升树等，初期传统的推荐模型有可解释性强、硬件环境要求低与易于快速训练部署等优势，随着深度卷积神经网络AlexNet的提出，深度学习进入人们视野，推荐领域的应用也紧随其后，之后FNN(Factorisation
‑
machine supported Neural Networks，前馈神经网络)、Wide&Deep、DeepCrossing等深度推荐模型架构被提出，并逐渐成为推荐算法的主流。
[0003]推荐算法落地过程中，常需要同时满足多种业务目标，如点击率、转化率、观影时长、完播率等。有些业务目标存在递进性，如点击和转化，可以通过指定目标优先级，可用learn to rank(排列学习)方式优化推荐列表，或通过全样本空间联合训练、目标相乘来学习这种递进关系；有些业务目标间优化方向会不太一致，如点击率和观影时长，会需要在多种业务目标间折衷trade
‑
off。
[0004]现有多目标训练方式，不同训练任务对应的门控网络可以学习到子任务间的相关性和差异性减轻负迁移现象，却不能将用户历史序列中挖掘的不同兴趣点转化到适合的目标。

技术实现思路

[0005]本专利技术提供一种推荐兴趣列表的生成方法、装置及设备。解决了不能将用户的不同兴趣点转化为适合目标的问题，更有针对性地解决多目标优化的问题，可平衡不同种类的家庭推荐需求。为解决上述技术问题，本专利技术的技术方案如下：
[0006]一种推荐兴趣列表的生成方法，所述方法包括：
[0007]获取用户的历史行为数据；
[0008]将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值；
[0009]根据所述贡献度值，生成用户的推荐兴趣列表。
[0010]可选的，对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值，包括：
[0011]根据所述用户的历史行为数据，得到目标兴趣，并通过门控网络，得到所述目标兴趣的权重值；
[0012]对所述权重值和目标兴趣进行加权求和处理，得到用户对不同目标兴趣的中间贡献度值；
[0013]对所述中间贡献度值进行反向传播处理，得到用户对不同目标兴趣的贡献度值。
[0014]可选的，根据所述用户的历史行为数据，得到目标兴趣，并通过门控网络，得到所述目标兴趣的权重值，包括：
[0015]将用户的历史行为数据输入多兴趣表征模型进行兴趣提取处理，得到目标兴趣；
[0016]将用户的历史行为数据输入门控网络，得到所述目标兴趣的权重值。
[0017]可选的，所述多兴趣表征模型对用户的历史行为数据进行以下的兴趣提取处理：
[0018]将所述用户的历史行为数据输入嵌入层，得到用户的兴趣矩阵；
[0019]根据所述用户的兴趣矩阵，通过自注意力机制，得到用户的目标兴趣。
[0020]可选的，根据所述用户的兴趣矩阵，通过自注意力机制，得到用户的目标兴趣，包括：
[0021]通过公式V
u
＝HA计算得到用户的目标兴趣；其中，A为权重向量，H为用户的兴趣矩阵，V
u
为用户的目标兴趣，W1为第一可训练化参数，为第二可训练化参数。
[0022]可选的，对所述权重值和目标兴趣进行加权求和处理，得到用户对不同目标兴趣的中间贡献度值，包括：
[0023]通过公式计算得到用户对不同目标兴趣的中间贡献度值；其中，g
k
(x)＝softmax(W
gk
x)，g
k
(x)表示目标兴趣的权重值，f
i
(x)表示第i个目标兴趣，f
k
(x)表示用户对不同目标兴趣的中间贡献度值，n表示目标兴趣的总个数。
[0024]可选的，对所述中间贡献度值进行反向传播处理，得到用户对不同目标兴趣的贡献度值，包括：
[0025]通过公式y
k
＝h
k
(f
k
(x))对所述中间贡献度值进行反向传播计算，得到用户对不同目标兴趣的贡献度值；其中，y
k
为贡献度值，f
k
(x)表示用户对不同目标兴趣的中间贡献度值，h
k
()是反向传播计算函数。
[0026]本专利技术还提供一种推荐兴趣列表的生成装置，所述装置包括：
[0027]获取模块，用于获取用户的历史行为数据；
[0028]处理模块，用于将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，采用门控网络，得到用户对不同目标兴趣的贡献度值；根据所述贡献度值，生成用户的推荐兴趣列表。
[0029]本专利技术提供一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
[0030]所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的方法对应的操作。
[0031]本专利技术还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上述的方法。
[0032]本专利技术的上述方案至少包括以下有益效果：
[0033]本专利技术的方案通过获取用户的历史行为数据；将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值；
根据所述贡献度值，生成用户的推荐兴趣列表；解决了不能将用户的不同兴趣点转化为适合目标的问题，更有针对性地解决多目标优化的问题，可平衡不同种类的家庭推荐需求。
附图说明
[0034]图1是本专利技术实施例的推荐兴趣列表的生成方法的流程示意图；
[0035]图2是本专利技术实施例的多兴趣表征模型的结构示意图；
[0036]图3是本专利技术实施例的多目标融合模型的结构示意图；
[0037]图4是本专利技术实施例的推荐兴趣列表的生成装置的模块示意图。
具体实施方式
[0038]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐兴趣列表的生成方法，其特征在于，所述方法包括：获取用户的历史行为数据；将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值；根据所述贡献度值，生成用户的推荐兴趣列表。2.根据权利要求1所述的推荐兴趣列表的生成方法，其特征在于，对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值，包括：根据所述用户的历史行为数据，得到目标兴趣，并通过门控网络，得到所述目标兴趣的权重值；对所述权重值和目标兴趣进行加权求和处理，得到用户对不同目标兴趣的中间贡献度值；对所述中间贡献度值进行反向传播处理，得到用户对不同目标兴趣的贡献度值。3.根据权利要求2所述的推荐兴趣列表的生成方法，其特征在于，根据所述用户的历史行为数据，得到目标兴趣，并通过门控网络，得到所述目标兴趣的权重值，包括：将用户的历史行为数据输入多兴趣表征模型进行兴趣提取处理，得到目标兴趣；将用户的历史行为数据输入门控网络，得到所述目标兴趣的权重值。4.根据权利要求3所述的推荐兴趣列表的生成方法，其特征在于，所述多兴趣表征模型对用户的历史行为数据进行以下的兴趣提取处理：将所述用户的历史行为数据输入嵌入层，得到用户的兴趣矩阵；根据所述用户的兴趣矩阵，通过自注意力机制，得到用户的目标兴趣。5.根据权利要求4所述的推荐兴趣列表的生成方法，其特征在于，根据所述用户的兴趣矩阵，通过自注意力机制，得到用户的目标兴趣，包括：通过公式V
u
＝HA计算得到用户的目标兴趣；其中，A为权重向量，H为用户的兴趣矩阵，V
u
为用户的目标兴趣，W1为第一可训练化参数，为第二可训练化参数。6.根据权利要求2所述的推荐兴趣列表的生成方法，其特征在于，对所述权重值和目标兴趣进行加权求和处理，得到用户对不同目...

【专利技术属性】
技术研发人员：孔维莲，李倩，刘彦凯，曾海涛，赵耀红，邓超，冯俊兰，戈扬，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：