[發(fā)明專(zhuān)利]一種多目標(biāo)推薦方法、多目標(biāo)推薦模型生成方法以及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201811614101.2
• 申請(qǐng)日: 2018-12-27
• 公開(kāi)（公告）號(hào): CN109408731B
• 公開(kāi)（公告）日: 2021-03-16
• 發(fā)明（設(shè)計(jì)）人: 王振軍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 網(wǎng)易（杭州）網(wǎng)絡(luò)有限公司
• 主分類(lèi)號(hào): G06F16/9535
• 分類(lèi)號(hào): G06F16/9535
• 代理公司: 北京潤(rùn)澤恒知識(shí)產(chǎn)權(quán)代理有限公司 11319
• 代理人: 莎日娜

1.一種多目標(biāo)推薦方法，其特征在于，包括：

獲取待推薦對(duì)象信息和用戶信息；

將所述待推薦對(duì)象信息和所述用戶信息輸入預(yù)設(shè)的多目標(biāo)推薦模型；其中，所述多目標(biāo)推薦模型具有多個(gè)輸出節(jié)點(diǎn)；

獲取所述多目標(biāo)推薦模型的多個(gè)輸出節(jié)點(diǎn)輸出的多個(gè)預(yù)測(cè)值；

根據(jù)所述多個(gè)預(yù)測(cè)值將所述待推薦對(duì)象推薦至用戶；

其中，所述多目標(biāo)推薦模型通過(guò)如下方式生成：

獲取樣本數(shù)據(jù)以及初始多目標(biāo)推薦模型；其中，所述樣本數(shù)據(jù)包括推薦對(duì)象信息和用戶信息；所述用戶信息包含點(diǎn)擊率特征信息和瀏覽時(shí)長(zhǎng)特征信息；

采用所述樣本數(shù)據(jù)生成特征向量；

采用所述特征向量以及所述初始多目標(biāo)推薦模型進(jìn)行訓(xùn)練，并計(jì)算訓(xùn)練之后的多目標(biāo)推薦模型的多個(gè)損失函數(shù)；所述多個(gè)損失函數(shù)包括基于點(diǎn)擊率特征信息的損失函數(shù)以及基于瀏覽時(shí)長(zhǎng)特征信息的損失函數(shù)；

當(dāng)訓(xùn)練之后的多目標(biāo)推薦模型的多個(gè)損失函數(shù)都最小化時(shí)，停止訓(xùn)練所述多目標(biāo)推薦模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多目標(biāo)推薦模型還具有預(yù)設(shè)數(shù)目的隱藏層，以及與最后一層隱藏層連接的全連接層，所述全連接層分別與所述多個(gè)輸出節(jié)點(diǎn)連接；所述全連接層用于將所述最后一層隱藏層的輸出結(jié)果拆分，并將拆分的輸出結(jié)果分別輸入到所述多個(gè)輸出節(jié)點(diǎn)。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述待推薦對(duì)象信息和所述用戶信息輸入預(yù)設(shè)的多目標(biāo)推薦模型，包括：

對(duì)所述待推薦對(duì)象信息和所述用戶信息進(jìn)行向量化處理，生成待推薦特征向量信息；

將所述待推薦特征向量信息輸入所述預(yù)設(shè)的多目標(biāo)推薦模型。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述多個(gè)預(yù)測(cè)值將待推薦對(duì)象推薦至用戶，包括：

根據(jù)所述多個(gè)預(yù)測(cè)值從待推薦對(duì)象中，確定目標(biāo)待推薦對(duì)象；

獲取分別針對(duì)所述多個(gè)預(yù)測(cè)值的權(quán)重參數(shù)；

根據(jù)所述權(quán)重參數(shù)，對(duì)所述目標(biāo)待推薦對(duì)象進(jìn)行排序；

按照排序結(jié)果，將所述目標(biāo)待推薦對(duì)象推薦至用戶。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，每個(gè)所述預(yù)測(cè)值包含用戶針對(duì)各個(gè)待推薦對(duì)象的期望概率值；所述根據(jù)所述多個(gè)預(yù)測(cè)值從所述待推薦對(duì)象中，確定目標(biāo)待推薦對(duì)象，包括：

將所述多個(gè)預(yù)測(cè)值中針對(duì)相同待推薦對(duì)象的期望概率值相加，得到目標(biāo)概率值；

根據(jù)針對(duì)各個(gè)所述待推薦對(duì)象的目標(biāo)概率值，從所述待推薦對(duì)象中確定目標(biāo)待推薦對(duì)象。

6.一種多目標(biāo)推薦模型生成方法，其特征在于，包括：

獲取樣本數(shù)據(jù)以及初始多目標(biāo)推薦模型；其中，所述樣本數(shù)據(jù)包括推薦對(duì)象信息和用戶信息，所述用戶信息包含點(diǎn)擊率特征信息和瀏覽時(shí)長(zhǎng)特征信息；

采用所述樣本數(shù)據(jù)生成特征向量信息；

采用所述特征向量以及所述初始多目標(biāo)推薦模型進(jìn)行訓(xùn)練，并計(jì)算訓(xùn)練之后的多目標(biāo)推薦模型的多個(gè)損失函數(shù)；所述多個(gè)損失函數(shù)包括基于點(diǎn)擊率特征信息的損失函數(shù)以及基于瀏覽時(shí)長(zhǎng)特征信息的損失函數(shù)；

當(dāng)訓(xùn)練之后的多目標(biāo)推薦模型的多個(gè)損失函數(shù)都最小化時(shí)，停止訓(xùn)練所述多目標(biāo)推薦模型。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，在所述采用所述樣本數(shù)據(jù)生成特征向量信息之后，還包括：

對(duì)所述特征向量信息進(jìn)行預(yù)處理；其中，所述預(yù)處理包括：等頻歸一化處理和低頻過(guò)濾。

8.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述多目標(biāo)推薦模型具有預(yù)設(shè)數(shù)目的隱藏層、與最后一層隱藏層連接的全連接層，以及分別與所述全連接層連接的多個(gè)輸出節(jié)點(diǎn)；所述全連接層用于將所述最后一層隱藏層的輸出結(jié)果拆分，并將拆分的輸出結(jié)果分別輸入到所述多個(gè)輸出節(jié)點(diǎn)；每一隱藏層的神經(jīng)元具有一相應(yīng)的激活函數(shù)。