本申请公开一种基于多任务处理的搜索推荐方法、装置、设备及存储介质，属于人工智能技术领域。获取搜索推荐指令对应的待处理数据，将待处理数据导入预设的多任务推荐模型，其中，多任务推荐模型包括特征处理层、多任务特征学习层、自注意力层和输出层，通过特征处理层对待处理数据进行特征提取，得到待处理数据的特征表示，获取多任务特征学习层输出的多任务特征，通过自注意力层对多任务特征进行加权处理，通输出层对加权特征进行特征融合，基于融合特征生成搜索推荐结果。此外，本申请还涉及区块链技术，待处理数据可存储于区块链中。本申请通过结合了多任务学习和注意力机制，训练多任务推荐模型，提高了搜索推荐模型的泛化能力和表现。能力和表现。能力和表现。
【技术实现步骤摘要】
基于多任务处理的搜索推荐方法、装置、设备及存储介质
[0001]本申请属于人工智能
，具体涉及一种基于多任务处理的搜索推荐方法、装置、设备及存储介质。
技术介绍
[0002]近年来，车主服务应用程序引入了搜索发现功能，以个性化的方式为用户提供搜索推荐。基于车主历史行车轨迹、查询记录等数据，搜索推荐系统可以推荐新的搜索词或搜索项，不同的车主服务应用程序根据使用场景的不同，推送的重点也不同。例如，车辆维修应用程序更偏向于推荐用户附近的维修站点和维修服务，而车载娱乐应用程序可能会推送热门景点、美食、旅游路线等。
[0003]目前，用户需求和搜索内容变得越来越复杂化和多样化。例如，用户可能在同一次搜索中想要查找最近的汽车修理门店，了解最新的汽车活动，并同时查找与汽车相关的文章。这使得搜索推荐技术方案的难度更大，因为它需要同时考虑多种不同类型的内容，并在搜索结果中提供最佳的匹配，以满足用户的需求。此外，用户的搜索行为和需求也可能随时间而变化，需要动态调整搜索推荐方案，以适应不断变化的需求。
技术实现思路
[0004]本申请实施例的目的在于提出一种基于多任务处理的搜索推荐方法、装置、计算机设备及存储介质，以便更加高效和智能的多任务处理搜索发现推荐，以满足用户日益复杂和多样化的搜索需求。
[0005]为了解决上述技术问题，本申请实施例提供一种基于多任务处理的搜索推荐方法，采用了如下所述的技术方案：
[0006]一种基于多任务处理的搜索推荐方法，包括：
[0007]接收搜索推荐指令，获取所述搜索推荐指令对应的待处理数据，其中，所述待处理数据包括用户输入数据和用户基础数据；
[0008]将所述待处理数据导入预设的多任务推荐模型，其中，所述多任务推荐模型包括特征处理层、多任务特征学习层、自注意力层和输出层；
[0009]通过所述特征处理层对所述待处理数据进行特征提取，得到所述待处理数据的特征表示；
[0010]将所述待处理数据的特征表示作为所述多任务特征学习层的输入，获取所述多任务特征学习层输出的多任务特征；
[0011]通过所述自注意力层对所述多任务特征进行加权处理，得到第一加权特征；
[0012]通所述输出层对所述第一加权特征进行特征融合，得到第一融合特征，基于所述第一融合特征生成搜索推荐结果，并输出所述搜索推荐结果。
[0013]进一步地，在所述将所述待处理数据导入预设的多任务推荐模型之前，还包括：
[0014]构建初始推荐模型，其中，所述初始推荐模型包括特征处理网络、特征学习网络、
自注意力网络和输出网络；
[0015]获取训练数据，其中，所述训练数据包括用户历史数据和搜索推荐历史数据；
[0016]将所述训练数据对所述初始推荐模型进行训练，并利用反向传播算法对所述初始推荐模型进行迭代更新，得到所述多任务推荐模型。
[0017]进一步地，所述将所述训练数据对所述初始推荐模型进行训练，并利用反向传播算法对所述初始推荐模型进行迭代更新，得到所述多任务推荐模型，具体包括：
[0018]通过所述特征处理网络对所述训练数据进行特征提取，得到所述训练数据的特征表示；
[0019]将所述训练数据的特征表示作为所述特征学习网络的输入，获取所述特征学习网络输出的所述训练数据对应的若干个子任务特征；
[0020]通过所述自注意力网络对所述训练数据对应的若干个子任务特征进行加权处理，得到第二加权特征；
[0021]通所述输出网络对所述第二加权特征进行特征融合，得到第二融合特征，基于所述第二融合特征生成推荐预测结果；
[0022]基于所述推荐预测结果利用反向传播算法对所述初始推荐模型进行迭代更新，得到所述多任务推荐模型。
[0023]进一步地，所述基于所述推荐预测结果利用反向传播算法对所述初始推荐模型进行迭代更新，得到所述多任务推荐模型，具体包括：
[0024]构建所述特征处理网络、所述特征学习网络、所述自注意力网络和所述输出网络的联合损失函数；
[0025]基于所述联合损失函数计算所述推荐预测结果和所述搜索推荐历史数据之间的误差，得到预测误差；
[0026]基于所述预测误差和所述反向传播算法对所述初始推荐模型进行迭代更新，直至模型拟合，得到所述多任务推荐模型。
[0027]进一步地，所述初始推荐模型还包括门控网络，在所述通过所述特征处理网络对所述训练数据进行特征提取，得到所述训练数据的特征表示之后，还包括：
[0028]通过所述门控网络对所述训练数据的特征表示进行自适应加权，得到所述训练数据的加权特征表示；
[0029]将所述训练数据的加权特征表示作为所述特征学习网络的输入，将所述训练数据的加权特征表示输入到所述特征学习网络中。
[0030]进一步地，所述多任务推荐模型还包括门控层，所述通过所述特征处理层对所述待处理数据进行特征提取，得到所述待处理数据的特征表示之后，还包括：
[0031]通过所述门控层对所述待处理数据的特征表示进行自适应加权，得到所述待处理数据的加权特征表示；
[0032]将所述待处理数据的加权特征表示作为所述多任务特征学习层的输入，将所述待处理数据的加权特征表示输入到所述多任务特征学习层中。
[0033]进一步地，所述通所述输出层对所述第一加权特征进行特征融合，得到第一融合特征，基于所述第一融合特征生成搜索推荐结果，并输出所述搜索推荐结果，具体包括：
[0034]通所述输出层对所述第一加权特征进行特征融合，得到所述第一融合特征；
[0035]将所述多任务特征导入所述输出层，通过所述输出层对所述多任务特征进行融合，得到第三融合特征；
[0036]对所述第一融合特征和所述第三融合特征进行拟合，得到拟合特征；
[0037]调用输出层的激活函数，基于所述激活函数将所述拟合特征转化为搜索推荐结果，并输出所述搜索推荐结果。
[0038]为了解决上述技术问题，本申请实施例还提供一种基于多任务处理的搜索推荐装置，采用了如下所述的技术方案：
[0039]一种基于多任务处理的搜索推荐装置，包括：
[0040]指令触发模块，用于接收搜索推荐指令，获取所述搜索推荐指令对应的待处理数据，其中，所述待处理数据包括用户输入数据和用户基础数据。
[0041]数据导入模块，用于将所述待处理数据导入预设的多任务推荐模型，其中，所述多任务推荐模型包括特征处理层、多任务特征学习层、自注意力层和输出层；
[0042]特征提取模块，用于通过所述特征处理层对所述待处理数据进行特征提取，得到所述待处理数据的特征表示；
[0043]多任务学习模块，用于将所述待处理数据的特征表示作为所述多任务特征学习层的输入，获取所述多任务特征学习层输出的多任务特征；
[0044]自注意力模块，用于通过所述自注意力层对所述多任务特征进行加权处理，得到第一加权特征；
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多任务处理的搜索推荐方法，其特征在于，包括：接收搜索推荐指令，获取所述搜索推荐指令对应的待处理数据，其中，所述待处理数据包括用户输入数据和用户基础数据；将所述待处理数据导入预设的多任务推荐模型，其中，所述多任务推荐模型包括特征处理层、多任务特征学习层、自注意力层和输出层；通过所述特征处理层对所述待处理数据进行特征提取，得到所述待处理数据的特征表示；将所述待处理数据的特征表示作为所述多任务特征学习层的输入，获取所述多任务特征学习层输出的多任务特征；通过所述自注意力层对所述多任务特征进行加权处理，得到第一加权特征；通所述输出层对所述第一加权特征进行特征融合，得到第一融合特征，基于所述第一融合特征生成搜索推荐结果，并输出所述搜索推荐结果。2.如权利要求1所述的基于多任务处理的搜索推荐方法，其特征在于，在所述将所述待处理数据导入预设的多任务推荐模型之前，还包括：构建初始推荐模型，其中，所述初始推荐模型包括特征处理网络、特征学习网络、自注意力网络和输出网络；获取训练数据，其中，所述训练数据包括用户历史数据和搜索推荐历史数据；将所述训练数据对所述初始推荐模型进行训练，并利用反向传播算法对所述初始推荐模型进行迭代更新，得到所述多任务推荐模型。3.如权利要求2所述的基于多任务处理的搜索推荐方法，其特征在于，所述将所述训练数据对所述初始推荐模型进行训练，并利用反向传播算法对所述初始推荐模型进行迭代更新，得到所述多任务推荐模型，具体包括：通过所述特征处理网络对所述训练数据进行特征提取，得到所述训练数据的特征表示；将所述训练数据的特征表示作为所述特征学习网络的输入，获取所述特征学习网络输出的所述训练数据对应的若干个子任务特征；通过所述自注意力网络对所述训练数据对应的若干个子任务特征进行加权处理，得到第二加权特征；通所述输出网络对所述第二加权特征进行特征融合，得到第二融合特征，基于所述第二融合特征生成推荐预测结果；基于所述推荐预测结果利用反向传播算法对所述初始推荐模型进行迭代更新，得到所述多任务推荐模型。4.如权利要求3所述的基于多任务处理的搜索推荐方法，其特征在于，所述基于所述推荐预测结果利用反向传播算法对所述初始推荐模型进行迭代更新，得到所述多任务推荐模型，具体包括：构建所述特征处理网络、所述特征学习网络、所述自注意力网络和所述输出网络的联合损失函数；基于所述联合损失函数计算所述推荐预测结果和所述搜索推荐历史数据之间的误差，得到预测误差；
基于所述预测误差和所述反向传播算法对所述初始推荐模型进行迭代更新，直至模型拟合，得到所述多任务推荐模型。5.如权利要求3所述的基于多任务处理的搜索推荐方法，其特征在于，所述初始推荐模型还包括门控网络，在所述通过所述特征处理网络对所述训练数据进行特征提取，...
【专利技术属性】
技术研发人员：宋锦，
申请(专利权)人：平安科技深圳有限公司，
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。