【技术实现步骤摘要】
本公开涉及点击预测，尤其涉及一种推荐模型训练方法及装置。
技术介绍
1、目前常用的点击预测算法是通过计算用户信息和用户历史点击信息与待推荐对象信息之间的特征距离，判断是否将对象推荐给用户。该算法无法捕捉用户的兴趣变化。实际上用户的兴趣总是在变化，现有点击预测算法因为无法从现有数据中捕捉到用户兴趣变化，导致现有点击预测算法准确率低。
技术实现思路
1、有鉴于此，本公开实施例提供了一种推荐模型训练方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，点击预测算法无法捕捉用户的兴趣变化，导致点击预测准确率低的问题。
2、本公开实施例的第一方面，提供了一种推荐模型训练方法，包括：构建次序特征提取网络、兴趣跟踪网络、兴趣增强网络和相关性计算网络，利用次序特征提取网络、兴趣跟踪网络、兴趣增强网络和相关性计算网络构建推荐模型；获取第一数据集和第二数据集，其中，第一数据集是用户点击过的多个第一对象的数据，第二数据集是用户点击或者浏览过的多个第二对象的数据；将各个第一对象的数据和各个第二对象的数据输入推荐模型：利用次序特征提取网络分别处理各个第一对象的数据和各个第二对象的数据，得到各个第一对象的第一次序特征和各个第二对象的第二次序特征；利用兴趣跟踪网络处理所有的第一次序特征，得到能表示用户点击多个第一对象的兴趣的第一总序列特征；利用兴趣增强网络处理第一总序列特征，得到能表示用户点击多个第一对象的兴趣变化趋势的第二总序列特征；利用相关性计算网络计算第二总序列特征和各个第二对象的第二次
3、本公开实施例的第二方面，提供了一种推荐模型训练装置，包括：构建模块，被配置为构建次序特征提取网络、兴趣跟踪网络、兴趣增强网络和相关性计算网络，利用次序特征提取网络、兴趣跟踪网络、兴趣增强网络和相关性计算网络构建推荐模型；获取模块，被配置为获取第一数据集和第二数据集，其中，第一数据集是用户点击过的多个第一对象的数据，第二数据集是用户点击或者浏览过的多个第二对象的数据；提取模块，被配置为将各个第一对象的数据和各个第二对象的数据输入推荐模型：利用次序特征提取网络分别处理各个第一对象的数据和各个第二对象的数据，得到各个第一对象的第一次序特征和各个第二对象的第二次序特征；第一处理模块，被配置为利用兴趣跟踪网络处理所有的第一次序特征，得到能表示用户点击多个第一对象的兴趣的第一总序列特征；第二处理模块，被配置为利用兴趣增强网络处理第一总序列特征，得到能表示用户点击多个第一对象的兴趣变化趋势的第二总序列特征；计算模块，被配置为利用相关性计算网络计算第二总序列特征和各个第二对象的第二次序特征之间的相关分数；优化模块，被配置为基于各个第二对象对应的相关分数计算损失，依据损失优化推荐模型。
4、本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
5、本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
6、本公开实施例与现有技术相比存在的有益效果是：因为本公开实施例通过构建次序特征提取网络、兴趣跟踪网络、兴趣增强网络和相关性计算网络，利用次序特征提取网络、兴趣跟踪网络、兴趣增强网络和相关性计算网络构建推荐模型；获取第一数据集和第二数据集，其中，第一数据集是用户点击过的多个第一对象的数据，第二数据集是用户点击或者浏览过的多个第二对象的数据；将各个第一对象的数据和各个第二对象的数据输入推荐模型：利用次序特征提取网络分别处理各个第一对象的数据和各个第二对象的数据，得到各个第一对象的第一次序特征和各个第二对象的第二次序特征；利用兴趣跟踪网络处理所有的第一次序特征，得到能表示用户点击多个第一对象的兴趣的第一总序列特征；利用兴趣增强网络处理第一总序列特征，得到能表示用户点击多个第一对象的兴趣变化趋势的第二总序列特征；利用相关性计算网络计算第二总序列特征和各个第二对象的第二次序特征之间的相关分数；基于各个第二对象对应的相关分数计算损失，依据损失优化推荐模型。采用上述技术手段，可以解决现有技术中，点击预测算法无法捕捉用户的兴趣变化，导致点击预测准确率低的问题，进而提高点击预测的准确率。
本文档来自技高网...【技术保护点】
1.一种推荐模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，利用所述次序特征提取网络分别处理各个第一对象的数据和各个第二对象的数据，得到各个第一对象的第一次序特征和各个第二对象的第二次序特征，包括：
3.根据权利要求1所述的方法，其特征在于，利用所述兴趣跟踪网络处理所有的第一次序特征，得到能表示所述用户点击多个第一对象的兴趣的第一总序列特征，包括：
4.根据权利要求1所述的方法，其特征在于，利用所述兴趣增强网络处理所述第一总序列特征，得到能表示所述用户点击多个第一对象的兴趣变化趋势的第二总序列特征，包括：
5.根据权利要求1所述的方法，其特征在于，利用所述相关性计算网络计算所述第二总序列特征和各个第二对象的第二次序特征之间的相关分数，包括：
6.根据权利要求1所述的方法，其特征在于，基于各个第二对象对应的相关分数计算损失S，包括：
7.根据权利要求1所述的方法，其特征在于，基于各个第二对象对应的相关分数计算损失，依据所述损失优化所述推荐模型之后，所述方法还包括：
8.一
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种推荐模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，利用所述次序特征提取网络分别处理各个第一对象的数据和各个第二对象的数据，得到各个第一对象的第一次序特征和各个第二对象的第二次序特征，包括：
3.根据权利要求1所述的方法，其特征在于，利用所述兴趣跟踪网络处理所有的第一次序特征，得到能表示所述用户点击多个第一对象的兴趣的第一总序列特征，包括：
4.根据权利要求1所述的方法，其特征在于，利用所述兴趣增强网络处理所述第一总序列特征，得到能表示所述用户点击多个第一对象的兴趣变化趋势的第二总序列特征，包括：
5.根据权利要求1所述的方法，其特征在于，利用所述相关性计算网络计算所述第二总序列特征和各个第二对象的第二次序...
【专利技术属性】
技术研发人员：徐琳，董辉，孙若愚，
申请(专利权)人：深圳须弥云图空间科技有限公司，
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。