[發明專利]基于人工智能的對象推薦方法、裝置及電子設備

有效

• 申請號: 201911360645.5
• 申請日: 2019-12-25
• 公開（公告）號: CN111125420B
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 繆暢宇
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/635
• 分類號: G06F16/635;G06N20/00;G06Q20/38
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 趙翠萍;張穎玲

1.一種基于人工智能的對象推薦方法，其特征在于，包括：

獲取交互樣本；

其中，所述交互樣本包括被推薦對象的對象特征、交互用戶的領域外特征、所述交互用戶的領域內特征及所述交互用戶針對所述被推薦對象的交互行為；

其中，所述交互用戶是針對所述被推薦對象實施交互行為的用戶，所述領域外特征是與所述交互用戶相關的、且與所述交互行為無關的特征；所述領域內特征是與所述交互行為相關的特征；

對所述交互樣本中的領域內特征進行弱化處理；

通過第一機器學習模型接收所述被推薦對象的對象特征、所述交互用戶的領域外特征及弱化處理后的所述領域內特征，并進行預測處理，得到待對比的行為預測結果；

根據所述待對比的行為預測結果和所述交互樣本中的交互行為，更新所述第一機器學習模型的權重參數，以

強化所述交互用戶的領域外特征與所述被推薦對象的對象特征之間的關聯關系；

根據強化后的所述關聯關系，確定無交互用戶針對待推薦對象的行為預測結果；其中，所述無交互用戶是針對所述待推薦對象未實施交互行為的用戶；

當所述行為預測結果符合推薦條件時，執行向所述無交互用戶推薦所述待推薦對象的操作。

2.根據權利要求1所述的對象推薦方法，其特征在于，所述根據強化后的所述關聯關系，確定無交互用戶針對待推薦對象的行為預測結果，包括：

通過更新后的所述第一機器學習模型接收所述待推薦對象的對象特征和所述無交互用戶的領域外特征，并進行預測處理，得到至少一個初始行為預測結果及對應的結果概率；

將數值最大的結果概率對應的所述初始行為預測結果，確定為所述無交互用戶針對所述待推薦對象的行為預測結果；

其中，所述被推薦對象的對象特征與所述待推薦對象的對象特征屬于相同的特征種類。

3.根據權利要求2所述的對象推薦方法，其特征在于，

所述更新所述第一機器學習模型的權重參數之后，還包括：

生成包括公鑰和私鑰的密鑰對；

根據所述公鑰對更新后的所述第一機器學習模型進行加密處理，并將加密后的所述第一機器學習模型發送至區塊鏈網絡，以使

所述區塊鏈網絡的節點將加密后的所述第一機器學習模型填充至新區塊，并將所述新區塊追加至區塊鏈的尾部；

所述通過更新后的所述第一機器學習模型接收所述待推薦對象的對象特征和所述無交互用戶的領域外特征之前，還包括：

向所述區塊鏈網絡發送模型請求，以獲取所述區塊鏈存儲的加密后的所述第一機器學習模型；

根據所述私鑰對加密后的所述第一機器學習模型進行解密處理。

4.根據權利要求1所述的對象推薦方法，其特征在于，所述對所述交互樣本中的領域內特征進行弱化處理，包括：

確定所述交互樣本中領域內特征對應的特征種類總數；

將丟棄參數與所述特征種類總數進行乘積處理，得到丟棄種類數量；其中，所述丟棄種類數量為大于0的整數；

對所述交互樣本中任意的、且數量符合所述丟棄種類數量的所述領域內特征進行丟棄處理；

對丟棄處理后的所述領域內特征進行池化處理。

5.根據權利要求1所述的對象推薦方法，其特征在于，所述根據所述待對比的行為預測結果和所述交互樣本中的交互行為，更新所述第一機器學習模型的權重參數，包括：

根據所述待對比的行為預測結果與所述交互樣本中的交互行為之間的差異，確定第一損失值；

將所述交互樣本中的領域外特征與弱化處理后的所述領域內特征之間的信息散度，確定為第二損失值；

將所述第一損失值與所述第二損失值進行加權處理，得到加權損失值；

根據所述加權損失值在所述第一機器學習模型中進行反向傳播，并在反向傳播的過程中，沿梯度下降方向更新所述第一機器學習模型的權重參數。