【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种用于推荐系统的目标任务预测模型训练方法、执行方法及装置。
技术介绍
1、对于推荐系统，对理解和回答反事实问题的研究至关重要，这涵盖了推荐系统中许多常见的任务。例如，评分预测任务、查看后点击率预测任务、点击后转化率预测任务等。然而，由于用户总是选择自己偏爱的项目进行评分或点击，且推荐系统的曝光机制不是随机的，导致观察到的数据不再是整个人群的代表性样本。一般来说，观察到的事件和未观察到的事件之间存在很大差异，忽略这种差异会产生偏差并导致次优性能。
2、为了消除观察样本和目标总体之间的差异，基本思想是根据观察到某个特定事件的概率(称为倾向性)，对观察样本进行重新加权以适应目标总体，尽管倾向性加权方法具有广泛的应用和理论吸引力，但它们的主要实际困难在于倾向性通常未知，需要从观察到的数据中估计出来。去偏推荐中现有的倾向性估计方法忽略了倾向性的本质，即平衡性质，是要求去偏推荐中现有的倾向性估计方法忽略了倾向性的本质。并且现有技术中通过正则化约束以降低所学习的倾向性或估计器本身方差的形式，会引入额外偏差。...
【技术保护点】
1.一种用于推荐系统的目标任务预测模型训练方法，其特征在于能够易于实现和操作的消除观察样本和目标总体之间的差异，该方法包括以下步骤：
2.根据权利要求1所述的用于推荐系统的目标任务预测模型训练方法，其特征在于不对预测模型引入额外偏差，所述方法还包括：
3.根据权利要求2所述的用于推荐系统的目标任务预测模型训练方法，其特征在于，结合所述倾向性模型进行加权，根据所述预测执行结果与所述真实执行结果之间的预测误差构建损失函数，所述损失函数引入平衡约束，基于逆概率加权估计器构建所述损失函数，计算式为：
4.根据权利要求2所述的用于推荐系统的目...
【技术特征摘要】
1.一种用于推荐系统的目标任务预测模型训练方法，其特征在于能够易于实现和操作的消除观察样本和目标总体之间的差异，该方法包括以下步骤：
2.根据权利要求1所述的用于推荐系统的目标任务预测模型训练方法，其特征在于不对预测模型引入额外偏差，所述方法还包括：
3.根据权利要求2所述的用于推荐系统的目标任务预测模型训练方法，其特征在于，结合所述倾向性模型进行加权，根据所述预测执行结果与所述真实执行结果之间的预测误差构建损失函数，所述损失函数引入平衡约束，基于逆概率加权估计器构建所述损失函数，计算式为：
4.根据权利要求2所述的用于推荐系统的目标任务预测模型训练方法，其特征在于，结合所述倾向性模型进行加权，根据所述预测执行结果与所述真实执行结果之间的预测误差构建损失函数，所述损失函数引入平衡约束，基于双重稳健估计器构建所述损失函数，计算...
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。