【技术实现步骤摘要】
本专利技术涉及深度学习，尤其涉及网络模型的训练方法、物品推荐的方法和装置。
技术介绍
1、双塔模型用于从大量候选物品中向用户推荐感兴趣的物品。在训练双塔模型时，通常需要根据用户表征向量和物品表征向量确定相似度，基于相似度对双塔模型进行参数权重更新。在使用双塔模型推荐物品时，同样需要根据用户表征向量和物品表征向量确定相似度，基于相似度确定用户感兴趣的物品并推荐给用户。其中，用户表征向量和物品表征向量均是经过归一化处理的，在归一化处理时需要进行多次超参数调整，以使双塔模型对训练样本和实际数据的敏感度适中。
2、在实现本专利技术的过程中，专利技术人发现现有技术至少存在如下问题：
3、超参数调整次数过多，消耗大量人力物力，模型训练效率较低。
技术实现思路
1、有鉴于此，本专利技术实施例提供网络模型的训练方法、物品推荐的方法和装置，能够在减少训练步骤的情况下，保持模型对训练样本的敏感度，提高模型训练效率，降低人力成本，节省系统资源。
2、为实现上述目的，根据本专利...
【技术保护点】
1.一种网络模型的训练方法，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，根据预先设置的第一神经网络，生成所述用户信息对应的用户表征向量，根据预先设置的第二神经网络，生成所述物品信息对应的物品表征向量，包括：
3.根据权利要求2所述的方法，其特征在于，所述第二神经网络包括：特征提取层和归一化层；根据包括归一化层的第二神经网络，对所述物品信息进行特征提取，得到经过归一化处理的物品表征向量，包括：
4.根据权利要求1所述的方法，其特征在于，根据预先设置的第一神经网络，生成所述用户信息对应的用户表征向量，根据预先设置的第二...
【技术特征摘要】
1.一种网络模型的训练方法，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，根据预先设置的第一神经网络，生成所述用户信息对应的用户表征向量，根据预先设置的第二神经网络，生成所述物品信息对应的物品表征向量，包括：
3.根据权利要求2所述的方法，其特征在于，所述第二神经网络包括：特征提取层和归一化层；根据包括归一化层的第二神经网络，对所述物品信息进行特征提取，得到经过归一化处理的物品表征向量，包括：
4.根据权利要求1所述的方法，其特征在于，根据预先设置的第一神经网络，生成所述用户信息对应的用户表征向量，根据预先设置的第二神经网络，生成所述物品信息对应的物品表征向量，包括：
5.根据权利要求4所述的方法，其特征在于，所述第一神经网络包括：特征提取层和归一化层；根据包括归一化层的第一神经网络，对所述用户信息进行特征提取，得到经...
【专利技术属性】
技术研发人员：张昱，范聪，安伟亭，
申请(专利权)人：北京沃东天骏信息技术有限公司，
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。