产品推荐模型的训练方法、装置、电子设备及存储介质.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CN114282101A(43)申请公布日2022.04.05(21)申请号202111566779.X(22)申请日2021.12.20(71)申请人北京百度网讯科技有限公司地址100085北京市海淀区上地十街10号百度大厦2层(72)发明人王超祝恒书秦川熊辉(74)专利代理机构北京品源专利代理有限公司11332代理人李彩玲(51)Int.Cl.G06F16/9535(2019.01)G06Q30/06(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书4页说明书12页附图5页(54)发明名称产品推荐模型的训练方法、装置、电子设备及存储介质(57)摘要本公开提供了一种产品推荐模型的训练方法、装置、电子设备及存储介质，涉及人工智能领域，尤其涉及深度学习领域。该方案为：在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；将当前用户对应的训练向量和当前产品对应的训练向量分别输入至待训练的产品推荐模型中，得到当前用户的需求隐向量和当前产品的属性隐向量；重复上述操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量；基于各个用户的需求隐向量和各个产品的属性隐向量以及优化目标函数，对待序训练的产品推荐模型进行训练。本申请实施例可以同时适用于显式反馈和隐式反馈的应用场景，并且可以有效地提高推荐精确度，为用户提供更加准确的推荐结果。CN114282101ACN114282101A权利要求书1/4页1.一种产品推荐模型的训练方法，所述方法包括：在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；其中，所述用户集合和所述产品集合分别包括N个用户和M个产品；N和M均为大于1的自然数；将所述当前用户对应的训练向量和所述当前产品对应的训练向量分别输入至所述待训练的产品推荐模型中，通过所述待训练的产品推荐模型得到所述当前用户的需求隐向量和所述当前产品的属性隐向量；重复执行上述提取所述当前用户和所述当前产品的操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量；基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对所述待序训练的产品推荐模型进行训练；其中，所述优化目标函数包括：隐式优化目标函数和显式优化目标函数。2.根据权利要求1所述的方法，其中，所述将所述当前用户对应的训练向量和所述当前产品对应的训练向量分别输入至所述待训练的产品推荐模型中，通过所述待训练的产品推荐模型得到所述当前用户的需求隐向量和所述当前产品的属性隐向量，包括：将所述当前用户对应的训练向量输入至所述待训练的产品推荐模型中的用户解析网络，通过所述用户解析网络得到所述当前用户的需求隐向量；将所述当前产品对应的训练向量输入至所述待训练的产品推荐模型中的产品解析网络，通过所述产品解析网络得到所述当前产品的属性隐向量。3.根据权利要求1所述的方法，其中，所述基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对所述待序训练的产品推荐模型进行训练，包括：若各个用户针对各个产品的反馈数据为隐式反馈数据，则基于各个用户的需求隐向量和各个产品的属性隐向量以及所述隐式优化目标函数，对所述待序训练的产品推荐模型进行训练；若各个用户针对各个产品的反馈数据为显式反馈数据，则基于各个用户的需求隐向量和各个产品的属性隐向量以及所述显式优化目标函数，对所述待序训练的产品推荐模型进行训练。4.根据权利要求2所述的方法，其中，所述基于各个用户的需求隐向量和各个产品的属性隐向量以及所述隐式优化目标函数，对所述待序训练的产品推荐模型进行训练，包括：针对各个用户将所述产品集合划分为有交互记录的产品集合和无交互记录的产品集合；计算各个用户的需求隐向量与所述有交互记录的产品集合中的各个产品的属性隐向量的乘积，以及各个用户的需求隐向量与所述无交互记录的产品集合中的各个产品的属性隐向量的乘积；基于各个用户的需求隐向量与所述有交互记录的产品集合中的各个产品的属性隐向量的乘积，以及各个用户的需求隐向量与所述无交互记录的产品集合中的各个产品的属性隐向量的乘积，通过所述隐式优化目标函数计算所述用户集合和所述产品集合对应的隐式优化目标函数值；基于所述用户集合和所述产品集合对应的隐式优化目标函数值对待序训练的产品推荐模型进行训练。5.根据权利要求2所述的方法，其中，所述基于各个用户的需求隐向量和各个产品的属2CN114282101A权利要求书2/4页性隐向量以及所述显式优化目标函数，对所述待序训练的产品推荐模型进行训练，包括：针对各个用户将所述产品集合划分为评分级别等于预定级别的产品集合和评分级别小于所述预定级别的产品集合；计算各个用户的需