[發明專利]基于人工智能的推薦模型的訓練方法、裝置及存儲介質

有效

• 申請號: 202010033695.9
• 申請日: 2020-01-13
• 公開（公告）號: CN111274473B
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 魏望;彭順風;徐瀾
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06K9/62;G06Q10/04;G06Q30/06
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 王姍姍;張穎玲

1.一種基于人工智能的推薦模型的訓練方法，其特征在于，所述推薦模型包括：特征提取模型及預測模型，所述方法包括：

獲取媒體信息樣本的用戶數據、內容數據、及所述媒體信息樣本中植入的推廣對象樣本的對象數據；

其中，所述媒體信息樣本標注有第一目標點擊數據，所述推廣對象樣本標注有第二目標點擊數據；

通過所述特征提取模型，分別對所述用戶數據、內容數據及所述對象數據進行特征提取，得到所述媒體信息樣本的用戶特征、內容特征、及所述推廣對象樣本的對象特征；

基于所述用戶特征及內容特征，通過所述預測模型進行點擊數據預測，得到對應所述媒體信息樣本的第一預測點擊數據；并

基于所述用戶特征、內容特征及所述對象特征，通過所述預測模型進行點擊數據預測，得到對應所述推廣對象樣本的第二預測點擊數據；

其中，所述第二預測點擊數據，用于供結合所述第一預測點擊數據對所述媒體信息樣本或所述推廣對象樣本進行推薦；

獲取所述第一目標點擊數據與所述第一預測點擊數據之間的第一差異，及所述第二目標點擊數據與所述第二預測點擊數據之間的第二差異；

基于所述第一差異及所述第二差異，更新所述推薦模型的模型參數。

2.如權利要求1所述的方法，其特征在于，所述特征提取模型包括：用戶特征子模型、內容特征子模型及對象特征子模型；

所述通過所述特征提取模型，分別對所述用戶數據、內容數據及所述對象數據進行特征提取，得到所述媒體信息樣本的用戶特征、內容特征、及所述推廣對象樣本的對象特征，包括：

通過所述用戶特征子模型，對所述用戶數據進行特征提取，得到所述媒體信息樣本的用戶特征；

通過所述內容特征子模型，對所述內容數據進行特征提取，得到所述媒體信息樣本的內容特征；

通過所述對象特征子模型，對所述對象數據進行特征提取，得到所述推廣對象樣本的對象特征。

3.如權利要求2所述的方法，其特征在于，所述用戶特征子模型、內容特征子模型及對象特征子模型的模型結構相同；

所述用戶特征子模型包括：特征映射層、特征拼接層、標準化處理層及特征提取層；

所述通過所述用戶特征子模型，對所述用戶數據進行特征提取，得到所述媒體信息樣本的用戶特征，包括：

當所述用戶數據包括離散型數據、連續型數據及文本型數據中至少兩種類型的數據時，通過所述特征映射層，分別對所述至少兩種類型的數據進行映射處理，得到對應每種類型數據的向量；

通過所述特征拼接層，對所述對應每種類型數據的向量進行向量拼接，得到拼接向量；

通過所述標準化處理層，對所述拼接向量進行標準化處理，得到目標維度的標準化向量；

通過所述特征提取層，對所述標準化向量進行特征提取，得到所述媒體信息樣本的用戶特征。

4.如權利要求1所述的方法，其特征在于，所述基于所述用戶特征及內容特征，通過所述預測模型進行點擊數據預測，得到對應所述媒體信息樣本的第一預測點擊數據，包括：

通過所述預測模型，分別對所述用戶特征及內容特征進行映射處理，得到對應所述用戶特征的第一向量及對應所述內容特征的第二向量，所述第一向量與所述第二向量的向量維度相同；

基于所述第一向量及所述第二向量，通過所述預測模型，調用激活函數進行點擊數據預測，得到對應所述媒體信息樣本的第一預測點擊數據。

5.如權利要求4所述的方法，其特征在于，所述基于所述第一向量及所述第二向量，通過所述預測模型，調用激活函數進行點擊數據預測，得到對應所述媒體信息樣本的第一預測點擊數據，包括：

對所述第一向量及所述第二向量進行內積處理，得到內積處理結果；

基于所述內積處理結果，調用第一激活函數進行點擊概率預測，得到對應所述媒體信息樣本的點擊概率。