模型训练方法及召回方法技术

本公开提供了一种模型训练方法及召回方法，涉及人工智能技术领域，所述方法包括：将样本用户的用户特征输入用户侧模型中以得到第一特征向量；将样本物料的物料特征输入物料侧模型中以得到第二特征向量；确定第一特征向量和第二特征向量的第一相似度；根据第一相似度、样本用户针对样本物料的标签和预设损失函数确定损失函数值；在损失函数值不满足预设收敛条件的情况下调整用户侧模型中的第一神经网络和物料侧模型中的第二神经网络中至少一个的网络参数；在样本用户属于新用户的情况下用户特征仅包括除样本用户的用户标识之外的其他用户特征；和/或在样本物料属于新物料的情况下物料特征仅包括除样本物料的物料标识之外的其他物料特征。之外的其他物料特征。之外的其他物料特征。

【技术实现步骤摘要】
模型训练方法及召回方法


[0001]本公开涉及人工智能
，尤其是一种模型训练方法及召回方法。

技术介绍

[0002]随着人工智能技术的发展，推荐系统被广泛应用于各种场景中，实现了用户与信息的匹配。例如，在电商推荐系统中，推荐系统可以从海量的物品中选取部分物品展现给用户，为用户提供个性化的推荐服务。

技术实现思路

[0003]根据本公开实施例的一方面，提供一种模型训练方法，包括：将样本用户的用户特征输入用户侧模型中，以得到所述样本用户的第一特征向量；将样本物料的物料特征输入物料侧模型中，以得到所述样本物料的第二特征向量；确定所述第一特征向量和所述第二特征向量的第一相似度；根据所述第一相似度、所述样本用户针对所述样本物料的标签和预设损失函数，确定损失函数值；在所述损失函数值不满足预设收敛条件的情况下，调整所述用户侧模型中的第一神经网络和所述物料侧模型中的第二神经网络中至少一个神经网络的网络参数；其中，在所述样本用户属于新用户的情况下，所述用户特征仅包括除所述样本用户的用户标识之外的其他用户特征；和/或，在所述样本物料属于新物料的情况下，所述物料特征仅包括除所述样本物料的物料标识之外的其他物料特征。
[0004]在一些实施例中，在所述样本用户属于老用户的情况下，所述用户特征包括所述样本用户的用户标识；和/或在所述样本物料属于老物料的情况下，所述物料特征包括所述样本物料的物料标识。
[0005]在一些实施例中，在所述样本用户属于新用户的情况下和在所述样本用户属于老用户的情况下，所述用户特征均输所述第一神经网络。
[0006]在一些实施例中，在所述样本物料属于新物料的情况下和在所述样本物料属于老物料的情况下，所述物料特征均输入所述第二神经网络。
[0007]在一些实施例中，所述新用户的注册时长低于或等于预设时长，所述老用户的注册时长高于预设时长；所述新物料的曝光量低于或等于预设阈值，所述老物料的曝光量高于所述预设阈值。
[0008]在一些实施例中，所述其他用户特征包括所述样本用户的年龄、性别、所属地域和消费能力中的至少一个。
[0009]在一些实施例中，所述其他物料特征包括所述样本物料的文本内容、图片内容以及发布者的用户特征中的至少一个，所述发布者的用户特征包括除所述发布者的用户标识之外的其他用户特征。
[0010]根据本公开实施例的另一方面，提供一种召回方法，包括：将用户的用户特征输入用户侧模型中，以得到所述用户的用户特征向量；将物料的物料特征输入物料侧模型中，以得到所述物料的物料特征向量；根据所述用户特征向量和所述物料特征向量的第一相似
度，从物料库中召回满足第一预设推荐条件的第一预设数量的物料、或从用户库中召回满足第二预设推荐条件的第二预设数量的用户；其中，在所述用户属于新用户的情况下，所述用户特征仅包括除所述用户的用户标识之外的其他用户特征；和/或，在所述物料属于新物料的情况下，所述物料特征仅包括除所述物料的物料标识之外的其他物料特征。
[0011]在一些实施例中，在所述用户属于老用户的情况下，所述用户特征包括所述用户的用户标识；和/或在所述物料属于老物料的情况下，所述物料特征包括所述物料的物料标识。
[0012]在一些实施例中，从物料库中召回满足预设推荐条件的预设数量的物料包括：对所述物料库中多个物料的物料特征向量进行聚类，以确定多个类；确定所述用户特征向量和所述多个类中每个类的聚类中心向量的第二相似度；从所述多个类中筛选出所述第二相似度大于预设相似度的部分类；按照所述第一相似度从高到低的顺序，从所述部分类中召回所述第一相似度满足所述第一预设推荐条件的物料，直到召回的物料的数量达到所述第一预设数量。
[0013]根据本公开实施例的又一方面，提供一种模型训练装置，包括：输入模块，被配置为将样本用户的用户特征输入用户侧模型中，以得到所述样本用户的第一特征向量；并将样本物料的物料特征输入物料侧模型中，以得到所述样本物料的第二特征向量；确定模块，被配置为确定所述第一特征向量和所述第二特征向量的第一相似度；并根据所述第一相似度、所述样本用户针对所述样本物料的标签和预设损失函数，确定损失函数值；调整模块，被配置为在所述损失函数值不满足预设收敛条件的情况下，调整所述用户侧模型中的第一神经网络和所述物料侧模型中的第二神经网络中至少一个神经网络的网络参数；其中，在所述样本用户属于新用户的情况下，所述用户特征仅包括除所述样本用户的用户标识之外的其他用户特征；和/或，在所述样本物料属于新物料的情况下，所述物料特征仅包括除所述样本物料的物料标识之外的其他物料特征。
[0014]根据本公开实施例的再一方面，提供一种召回装置，包括：输入模块，被配置为将用户的用户特征输入用户侧模型中，以得到所述用户的用户特征向量；并将物料的物料特征输入物料侧模型中，以得到所述物料的物料特征向量；召回模块，被配置为根据所述用户特征向量和所述物料特征向量的第一相似度，从物料库中召回满足第一预设推荐条件的第一预设数量的物料、或从用户库中召回满足第二预设推荐条件的第二预设数量的用户；其中，在所述用户属于新用户的情况下，所述用户特征仅包括除所述用户的用户标识之外的其他用户特征；和/或，在所述物料属于新物料的情况下，所述物料特征仅包括除所述物料的物料标识之外的其他物料特征。
[0015]根据本公开实施例的还一方面，提供一种电子设备，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行上述任意一个实施例所述的方法。
[0016]根据本公开实施例的还一方面，提供一种推荐系统，包括上述任意一个实施例所述的召回装置。
[0017]根据本公开实施例的还一方面，提供一种计算机可读存储介质，包括计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述任意一个实施例所述的方法。
[0018]根据本公开实施例的还一方面，提供一种计算机程序产品，包括计算机程序，其
中，所述计算机程序被处理器执行时实现上述任意一个实施例所述的方法。
[0019]本公开实施例中，针对新样本用户是仅将除样本用户的用户标识之外的其他用户特征输入用户侧模型，和/或针对新样本物料是仅将除样本物料的物料标识之外的其他物料特征输入物料侧模型，以进行模型的训练。如此，由于针对新样本用户和/或新样本物料，均是仅将除标识之外的其他特征输入对应的模型中进行训练，故减小了样本用户的数量对新样本用户的特征学习的影响和样本物料的数量对新样本物料的特征学习的影响中的至少一个，提高了新样本用户和新样本物料中的至少一个的特征学习的准确性，从而有效地提高了模型的预测准确性。
[0020]下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
[0021]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，包括：将样本用户的用户特征输入用户侧模型中，以得到所述样本用户的第一特征向量；将样本物料的物料特征输入物料侧模型中，以得到所述样本物料的第二特征向量；确定所述第一特征向量和所述第二特征向量的第一相似度；根据所述第一相似度、所述样本用户针对所述样本物料的标签和预设损失函数，确定损失函数值；在所述损失函数值不满足预设收敛条件的情况下，调整所述用户侧模型中的第一神经网络和所述物料侧模型中的第二神经网络中至少一个神经网络的网络参数；其中，在所述样本用户属于新用户的情况下，所述用户特征仅包括除所述样本用户的用户标识之外的其他用户特征；和/或，在所述样本物料属于新物料的情况下，所述物料特征仅包括除所述样本物料的物料标识之外的其他物料特征。2.根据权利要求1所述的方法，其中：在所述样本用户属于老用户的情况下，所述用户特征包括所述样本用户的用户标识；和/或在所述样本物料属于老物料的情况下，所述物料特征包括所述样本物料的物料标识。3.根据权利要求1所述的方法，其中，在所述样本用户属于新用户的情况下和在所述样本用户属于老用户的情况下，所述用户特征均输入至所述第一神经网络。4.根据权利要求1所述的方法，其中，在所述样本物料属于新物料的情况下和在所述样本物料属于老物料的情况下，所述物料特征均输入至所述第二神经网络。5.根据权利要求2所述的方法，其中：所述新用户的注册时长低于或等于预设时长，所述老用户的注册时长高于预设时长；所述新物料的曝光量低于或等于预设阈值，所述老物料的曝光量高于所述预设阈值。6.根据权利要求1
‑
5任意一项所述的方法，其中，所述其他用户特征包括所...

【专利技术属性】
技术研发人员：李璐，顾茂杰，方琨，陈炜鹏，张璐，陶明，
申请(专利权)人：上海任意门科技有限公司，
类型：发明
国别省市：