【技术实现步骤摘要】
序列生成模型的训练方法、装置、电子设备和存储介质
[0001]本申请涉及数据处理
，尤其涉及一种序列生成模型的训练方法
、
装置
、
电子设备和存储介质
。
技术介绍
[0002]目前推荐系统中的一个重要模块为打散环节，主要解决推荐物品相似度过高
、
过于集中的问题
。
而现有的打散技术的出发点均为将相似的物品“间隔”开，无法验证扩散结果是否符合点击率最优化
。
且技术方案中存在较多人为干预因素，影响推荐系统的客观性
。
技术实现思路
[0003]本申请提供一种序列生成模型的训练方法
、
装置
、
电子设备
、
计算机可读存储介质及计算机程序产品，以解决推荐系统无法以点击率作为参考，且推荐系统主观因素过多的问题
。
本申请的技术方案如下：
[0004]根据本申请实施例的第一方面，提供一种序列生成模型的训练方法，包括：获取样本物料序列，所述...
【技术保护点】
【技术特征摘要】
1.
一种序列生成模型的训练方法，其特征在于，包括：获取样本物料序列，所述样本物料序列中包括按照按序排列的已推荐过的
K
个样本物料，其中，
K
为大于1的整数；获取所述样本序列中每个样本物料的第一向量表示，并基于所述样本序列中前
K
‑1个样本物料的第一向量表示，得到第一向量序列；将所述第一向量序列输入序列生成模型中，输出所述样本序列中第
K
个样本物料的第二向量表示；基于所述第
K
个样本物料的所述第一向量表示和所述第二向量表示，对所述序列生成模型进行修正，直至训练结束得到目标序列生成模型
。2.
根据权利要求1所述的方法，其特征在于，所述序列生成模型包括编码层和池化层，其中，所述将所述第一向量序列输入序列生成模型中，输出所述样本序列中第
K
个样本物料的第二向量表示，包括：由所述编码层对所述第一向量序列进行双向信息抽取，得到第二向量序列，其中所述第二向量序列包括所述前
K
‑1个样本物料各自的第三向量表示；由所述池化层对所述第二向量序列进行池化操作，得到所述第
K
个样本物料的第二向量表示
。3.
根据权利要求2所述的方法，其特征在于，所述由所述池化层对所述第二向量序列进行池化操作，得到所述第
K
个样本物料的第二向量表示，包括：确定所述序列生成模型的注意力向量和空间变换矩阵；基于所述注意力向量
、
所述空间变换矩阵和所述第二向量序列，得到所述
K
个样本物料的第二向量表示
。4.
根据权利要求3所述的方法，其特征在于，所述基于所述注意力向量
、
所述空间变换矩阵和所述第二向量序列，得到所述
K
个样本物料的第二向量表示，包括：基于所述注意力向量
、
所述空间变换矩阵和所述前
K
‑1个样本物料各自的第三向量表示，分别得到所述前
K
‑1个样本物料各自的注意力权重；针对所述前
K
‑1个样本物料中每个样本物料，基于所述样本物料的注意力权重，对所述样本物料的第三向量表示进行加权，得到所述样本物料的第四向量表示；对所述前
K
‑1个样本物料的所述第四向量表示求和，得到所述
K
个样本物料的第二向量表示
。5.
根据权利要求1所述的方法，其特征在于，所述获取所述样本序列中每个样本物料的第一向量表示，包括：获取所述样本物料的属性特征和预测点击率，其中，所述属性特征包括物料标识
、
物料类型和物料品牌中一个或多个特征信息；对所述样本物料的属性特征和所述预测点击率进行编码，得到所述样本物料的第一向量表示
。6.
根据权利要求1‑5中任一项所述的方法，其特征在于，所述基于所述第
K
个样本物料的所述第一向量表示和所述第二向量表示，对所述序列生成模型进行修正，直至训练结束得到目标序列生成模型，包括：对所述第
K
个样本物料的所述第一向量表示和所述第二向量表示做向量内积，得到所
述样本物料序列被预测为正样本的概率；基于所述样本物料序列的所述概率和样本标签，对所述序列生成模型的模型参数进行修正，直至训练结束得到目标序列生成模型
。7.
根据权利要求6所述的方法，其特征在于，所述基于所述样本物料序列的所述概率和样本标签，对所述序列生成模型的模型参数进行修正，包括：基于所述样本物料序列的所述概率和所述样本标签，确定所述样本物料序列对应的损失值，并基于所述损失函数，对所述序列生成模型的模型参数进行修正
。8.
根据权利要求6所述的方法，其特征在于，所述基于所述样本物料序列的所述概率和样本标签，对所述序列生成模型的模型参数进行修正，包括：在采用批量样本物料序列对所述序列生成模型进行训练的情况下，针对当前批次内的每个所述样本物料序列，基于所述样本物料序列的所述概率和所述样本标签，确定所述样本物料序列对应的损失值；对当前批次内所述样本物料序列的所述损失值进行求平均，得到所...
【专利技术属性】
技术研发人员：吴跃，
申请(专利权)人：京东科技信息技术有限公司，
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。