[發明專利]商品排序神經網絡模型訓練方法、裝置、電子設備

在審

• 申請號: 201910656545.0
• 申請日: 2019-07-19
• 公開（公告）號: CN110503186A
• 公開（公告）日: 2019-11-26
• 發明（設計）人: 蘇義偉
• 申請（專利權）人: 北京三快在線科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q30/02
• 代理公司: 11319 北京潤澤恒知識產權代理有限公司
• 代理人: 任亞娟<國際申請>=<國際公布>=<進入

1.一種商品排序神經網絡模型訓練方法，其特征在于，所述商品排序神經網絡模型包括并行設置的第一網絡和第二網絡，所述第一網絡的網絡結構與商家排序神經網絡模型匹配，所述方法包括：

將預先訓練的商家排序神經網絡模型的部分模型參數遷移至商品排序神經網絡模型，以根據所述部分模型參數初始化所述商品排序神經網絡模型的第一網絡中部分隱層的參數，以及，隨機初始化所述商品排序神經網絡模型中除所述部分隱層之外的各隱層的參數；

分別獲取各商品訓練樣本的商家維度特征和商品維度特征，構造相應商品訓練樣本的樣本數據；

對于每個所述商品訓練樣本，將所述商品訓練樣本的商家維度特征作為所述第一網絡的輸入，并將所述商品訓練樣本的所述商品維度特征作為所述第二網絡的輸入，訓練所述商品排序神經網絡模型。

2.根據權利要求1所述的方法，其特征在于，所述將所述商品訓練樣本的商家維度特征作為所述第一網絡的輸入，并將所述商品訓練樣本的所述商品維度特征作為所述第二網絡的輸入，訓練所述商品排序神經網絡模型的步驟，包括：

通過所述第一網絡對輸入的商家維度特征進行特征變換，得到用戶對商家的偏好向量；以及，通過所述第二網絡對輸入的商品維度特征進行特征變換，得到用戶對商品的偏好向量；

對所述用戶對商家的偏好向量和所述用戶對商品的偏好向量進行拼接；

將拼接得到的向量作為所述商品排序神經網絡模型的激活函數的輸入，以所述激活函數的輸出與所述商品訓練樣本對應的樣本標簽的差異最小為目標，調整所述第一網絡和所述第二網絡中各隱層的參數直至達到所述目標，則所述商品排序神經網絡模型訓練完成，其中，所述樣本標簽用于指示所述樣本數據對應的商品是否下單。

3.根據權利要求2所述的方法，其特征在于，所述第二網絡還包括離散特征向量化網絡結構、連續特征歸一化網絡結構，所述離散特征向量化網絡結構用于將所述商品維度特征中的離散特征進行向量表示，得到第一商品維度特征向量，所述連續特征歸一化網絡結構用于將所述商品維度特征中的連續特征進行歸一化處理，得到第二商品維度特征向量；所述第一商品維度特征向量和所述第二商品維度特征向量經過拼接后，輸入至所述第二網絡的隱層。

4.根據權利要求1至3任一項所述的方法，其特征在于，所述根據所述部分模型參數初始化所述商品排序神經網絡模型的第一網絡中部分隱層的參數的步驟，包括：

根據所述商家排序神經網絡模型的所述部分模型參數，初始化商品排序神經網絡模型中第一網絡中靠近輸入側的部分隱層的參數。

5.根據權利要求1至3任一項所述的方法，其特征在于，所述第一網絡包括一個第二隱層和至少一個第一隱層，所述至少一個第一隱層依次連接在所述商品排序神經網絡模型的輸入側，所述第二隱層與所述商品排序神經網絡模型的輸出側連接，所述第二隱層用于對所述至少一個第一隱層的輸出進行變換處理后輸出用戶對商家的偏好向量，所述根據所述部分模型參數初始化所述商品排序神經網絡模型的第一網絡中部分隱層的參數，以及，隨機初始化所述商品排序神經網絡模型中除所述部分隱層之外的各隱層的參數的步驟，包括：

根據所述商家排序神經網絡模型的所述部分模型參數對所述至少一個第一隱層的參數進行初始化，以及，對所述第二隱層的參數進行隨機初始化；以及，對所述第二網絡的參數進行隨機初始化。

6.根據權利要求1至3任一項所述的方法，其特征在于，所述商家維度特征包括：用戶特征、商家特征、場景特征、用戶和商家交互特征中的任意一項或多項，所述商品維度特征包括用戶特征、標準化產品單元特征、場景特征、用戶和標準化產品單元交互特征中的任意一項或多項。