用于训练模型的方法和装置、用于生成信息的方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112288483A(43)申请公布日2021.01.29(21)申请号202011184577.4(22)申请日2020.10.29(71)申请人北京沃东天骏信息技术有限公司地址100176北京市大兴区经济技术开发区科创十一街18号院2号楼4层A402室申请人北京京东世纪贸易有限公司(72)发明人钟灵(74)专利代理机构北京英赛嘉华知识产权代理有限责任公司11204代理人王达佐马晓亚(51)Int.Cl.G06Q30/02(2012.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书3页说明书13页附图4页(54)发明名称用于训练模型的方法和装置、用于生成信息的方法和装置(57)摘要本申请公开了用于训练模型的方法和装置，以及用于生成信息的方法和装置。该用于训练模型的方法的实现方案为：获取训练样本集，利用机器学习算法，将训练样本集中的训练样本包括的行为特征信息、其他特征信息和对象特征信息作为输入数据，将与输入的行为特征信息对应的用户行为向量、与输入的对象特征信息对应的对象向量和与输入的其他区特征信息、用户行为向量和对象向量对应的用户和各个待预测对象之间的偏好值作为期望输出数据，训练得到向量及用户偏好生成模型。该方案实现了使用一个模型同时进行用户行为嵌入、待预测对象嵌入和用户画像偏好预估，使用户偏好信息的预测具有更高的准确率和更广的覆盖面。CN112288483ACN112288483A权利要求书1/3页1.一种用于训练模型的方法，所述方法包括：获取训练样本集，其中，所述训练样本集中的训练样本包括用户的行为特征信息、所述用户除所述行为特征以外的其他特征信息、待预测对象的对象特征信息、表征所述用户行为特征的用户行为向量、表征对象特征的对象向量和表征所述用户对各个所述待预测对象感兴趣程度的偏好值；利用机器学习算法，将所述训练样本集中的训练样本包括的所述行为特征信息、所述其他特征信息和所述对象特征信息作为输入数据，将与输入的所述行为特征信息对应的用户行为向量、与输入的所述对象特征信息对应的对象向量和与输入的所述其他区特征信息、所述用户行为向量和所述对象向量对应的所述用户和各个所述待预测对象之间的偏好值作为期望输出数据，训练得到向量及用户偏好生成模型，其中，所述向量及用户偏好生成模型包括第一子模型和第二子模型，所述第一子模型用于生成所述用户行为特征信息嵌入后的用户行为向量和所述对象特征信息嵌入后的对象向量，所述第二子模型用于基于所述用户行为向量、所述对象向量和所述其他特征信息对所述用户进行预测，生成所述用户对各个所述待预测对象感兴趣程度的偏好值。2.根据权利要求1所述的方法，其中，所述向量及用户偏好生成模型包括用户行为向量生成子模型、对象向量生成子模型和用户偏好生成子模型，所述用户行为向量生成子模型用于生成所述用户行为特征信息嵌入后的用户行为向量，所述对象向量生成子模型用于生成所述对象特征信息嵌入后的对象向量，所述用户偏好生成子模型用于基于所述用户行为向量、所述对象向量和所述其他特征信息对所述用户进行预测，生成所述用户对各个所述待预测对象感兴趣程度的偏好值。3.根据权利要求1所述的方法，其中，所述第二子模型用于基于所述用户行为向量、所述对象向量、所述其他特征信息和各个所述待预测对象之间的关联性对所述用户进行预测，生成所述用户对各个所述待预测对象感兴趣程度的偏好值。4.根据权利要求2所述的方法，其中，所述行为特征信息以第一行为特征向量表示，所述第一行为特征向量为表征不同时间所述用户和每个待预测对象之间发生的各种行为特征的多维向量，所述用户行为向量生成子模型基于对所述第一行为特征向量进行池化操作，生成于所述第一行为特征向量对应的用户行为向量。5.根据权利要求2或权利要求4所述的方法，其中，所述对象向量生成子模型的模型参数与所述用户行为向量生成子模型的模型参数相一致。6.根据权利要求2所述的方法，其中，所述行为特征信息以第二行为特征向量表示，所述第二行为特征向量为表征所述用户不同时间点的各种行为特征的多维向量，所述各种行为特征在所述第二行为特征向量中顺序排列，所述用户行为向量生成子模型基于双向的时间序列模型而构建，所述用户行为向量生成子模型基于对前向的时间序列模型的输出和后向的时间序列模型的输出进行级联操作生成与所述第二行为特征向量对应的用户行为向量。7.根据权利要求6所述的方法，其中，所述时间序列模型为多层的时间序列模型。8.根据权利要求6所述的方法，其中，所述对象向量生成子模型的模型参数与前向的所述时间序列模型的模型参数相一致；或所述对象向量生成子模型的模型参数与后向的所述时间序列模型的模型参数相一致。2CN112288483A