【技术实现步骤摘要】
本专利技术涉及人工智能，特别是涉及多任务推荐模型。
技术介绍
1、推荐系统在各种在线应用程序中发挥着关键作用，如电子商务平台和流媒体网站。随着现代推荐系统的规模不断增长，真实世界场景中用户反馈和用户-项目交互的复杂性显著增加。在现代推荐系统领域，借助深度学习网络对单个任务(点击率预测，转化率预测)进行建模已经遇到了瓶颈。为了更好地捕捉用户兴趣并提高用户满意度，人们对将多任务学习应用于现代推荐系统越来越感兴趣。
2、在单任务学习中，每个任务都由一个单独的深度学习网络处理，多任务学习允许在单个深度学习模型中同时优化多个任务，学习不同任务之间的相同之处和不同之处，从而增强学习的效果。通过在推荐系统中引入多任务学习，每个任务都可以从其他相关任务中提取有价值的信息，从而产生更全面、更有效的模型，给用户更好的体验。
3、多任务学习现有的方法大多是基于不同任务间参数共享或者信息共享的方法，考虑到共享模式和不同的共享级别，现有的多任务学习推荐模型可以进一步分为四种不同的类型：
4、(a)硬共享：这种方法包括共享底层网...
【技术保护点】
1.一种基于参数解耦和图卷积网络的多任务推荐方法，其特征在于：所述方法包括：
2.根据权利要求1所述的基于参数解耦和图卷积网络的多任务推荐方法，其特征在于：所述输入到用于处理多任务的多个专家混合模型中的每个任务的单个权重解耦成共享权重和任务独享权重包括：
3.根据权利要求2所述的基于参数解耦和图卷积网络的多任务推荐方法，其特征在于：所述每个任务的单个权重表示为：
4.根据权利要求1所述的基于参数解耦和图卷积网络的多任务推荐方法，其特征在于：所述专家混合模型的输出TIt表示为：
5.根据权利要求1所述的基于参数解耦和图卷积...
【技术特征摘要】
1.一种基于参数解耦和图卷积网络的多任务推荐方法，其特征在于：所述方法包括：
2.根据权利要求1所述的基于参数解耦和图卷积网络的多任务推荐方法，其特征在于：所述输入到用于处理多任务的多个专家混合模型中的每个任务的单个权重解耦成共享权重和任务独享权重包括：
3.根据权利要求2所述的基于参数解耦和图卷积网络的多任务推荐方法，其特征在于：所述每个任务的单个权重表示为：
4.根据权利要求1所述的基于参数解耦和图卷积网络的多任务推荐方法，其特征在于：所述专家混合模型的输出tit表示为：
5.根据权利要求1所述的基于参数解耦和图卷积网络的多任务推荐方法，其特征在于：构建所述关系图时，具有值范围从0到1的激活函数的附加线性层作为图构建层，以预测各所述专家混合模型之...
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。