[發明專利]用戶推薦模型訓練方法、裝置、計算機設備和存儲介質

有效

• 申請號: 201910162915.5
• 申請日: 2019-03-06
• 公開（公告）號: CN109902753B
• 公開（公告）日: 2023-01-13
• 發明（設計）人: 蔡成加
• 申請（專利權）人: 深圳市珍愛捷云信息技術有限公司
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06F18/24;G06F16/9535
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種用戶推薦模型訓練方法，所述方法包括：

從數據庫中獲取多個用戶對作為訓練樣本；

根據所述用戶對的互動類型確定每個訓練樣本的樣本目標值以及所述樣本目標值的目標等級；

對所述訓練樣本的樣本特征進行提取，得到對應的樣本特征；

將所述樣本特征輸入至推薦模型，所述推薦模型通過所述樣本特征確定各個訓練樣本的排序；

當各個訓練樣本的排序與所述目標等級的匹配率達到預設準確度時，得到訓練好的推薦模型。

2.根據權利要求1所述的方法，其特征在于，所述根據所述用戶對的互動類型確定每個訓練樣本的樣本目標值以及所述樣本目標值的目標等級，包括：

當所述訓練樣本至少符合兩種互動類型時，將所述訓練樣本確定為等級最高的目標等級。

3.根據權利要求1所述的方法，其特征在于，所述將所述樣本特征輸入至推薦模型，所述推薦模型通過所述樣本特征確定各個訓練樣本的排序，包括：

所述推薦模型對每個訓練樣本的樣本特征值進行加權求和，計算得到每個訓練樣本對應的樣本分值；

所述推薦模型按照從大到小的順序對所述樣本分值進行排序，得到所述訓練樣本的預測排名。

4.根據權利要求3所述的方法，其特征在于，所述當各個訓練樣本的排序與所述目標等級的匹配率達到預設準確度時，得到訓練好的推薦模型，包括：

將所述訓練樣本的預測排名與目標等級進行匹配比對；

根據比對結果確定所述推薦模型的匹配率；

當所述匹配率達到預設準確度時，得到訓練好的推薦模型。

5.根據權利要求1所述的方法，其特征在于，在所述對所述訓練樣本的樣本特征進行提取，得到對應的樣本特征之前，還包括：

根據所述訓練樣本的目標等級對所述訓練樣本進行樣本加權處理，將所述訓練樣本的數量按照預設比例進行復制增加。

6.根據權利要求1所述的方法，其特征在于，在所述得到訓練好的推薦模型之后，還包括：

獲取待推薦用戶的主動方的用戶特征與擇友信息；

根據所述擇友信息從數據庫中篩選出預設篩選數量的用戶作為被動方；

將所述主動方分別與每個被動方組成對應的推薦用戶對；

提取每個推薦用戶對的用戶特征，得到多個用戶特征；

將所述用戶特征輸入至訓練好的推薦模型中，所述訓練好的推薦模型通過所述用戶特征確定各個推薦用戶對的排序；

選取預設數量的排名靠前的推薦用戶對中的被動方作為所述主動方的推薦用戶。

7.一種用戶推薦模型訓練裝置，其特征在于，所述裝置包括：

訓練樣本選取模塊，用于從數據庫中獲取多個用戶對作為訓練樣本；

訓練目標確定模塊，用于根據所述用戶對的互動類型確定每個訓練樣本的樣本目標值以及所述樣本目標值的目標等級；對所述訓練樣本的樣本特征進行提取，得到對應的樣本特征；

模型訓練模塊，用于將所述樣本特征輸入至推薦模型，所述推薦模型通過所述樣本特征確定各個訓練樣本的排序；當各個訓練樣本的排序與所述目標等級的匹配率達到預設準確度時，得到訓練好的推薦模型。

8.根據權利要求7所述的裝置，其特征在于，所述訓練目標確定模塊還用于當所述訓練樣本至少符合兩種互動類型時，將所述訓練樣本確定為等級最高的目標等級。

9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至6中任一項所述方法的步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至6中任一項所述的方法的步驟。