[發明專利]用于向用戶推薦項目的方法、裝置和存儲介質

有效

• 申請號: 202010107608.X
• 申請日: 2020-02-21
• 公開（公告）號: CN111242748B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 潘穎吉
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06Q30/0601
• 分類號: G06Q30/0601;G06F18/2411;G06Q30/0251
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 孫之剛;陳嵐

本發明涉及用于向用戶推薦項目的方法、裝置和存儲介質。本發明提出了一種用于向用戶推薦項目的推薦模型訓練方法。該方法包括：獲取多個樣本，多個樣本中的每一個包括用戶特征、項目組和與項目組相對應的標簽，項目組包括二個或更多個項目，標簽指示用戶是否選中項目組；為項目組中的每個項目生成各自的項目嵌入向量；對生成的多個項目嵌入向量進行加權平均以得到項目組的綜合嵌入向量；基于用戶特征生成用戶的用戶嵌入向量；以及使用得到的綜合嵌入向量、用戶的用戶嵌入向量和與項目組相對應的標簽來訓練用以向用戶推薦項目的推薦模型。該推薦模型能夠實現項目的精準推薦。

技術領域

本發明涉及人工智能和機器學習的技術領域，特別是涉及向用戶推薦項目的方法、裝置和存儲介質。

背景技術

動態商品廣告（Dynamic?Product?Ads）DPA是可以根據用戶的喜好和興趣采用推薦算法向用戶展示感興趣商品的廣告，其本質上是一種項目與用戶的匹配過程。現有的商品推薦算法是基于神經網絡的算法，其將用戶特征和商品特征輸入神經網絡中，并輸出0~1之間的數字以表示該商品被該用戶點擊的概率。對于一條廣告僅展示一個商品的情況，可以直接確定該商品被點擊的概率。然而，在多商品廣告，即一條廣告展示多個商品的情況下，現有技術中隨機選擇多個商品中的一個作為訓練樣本，這傳遞了錯誤信息給推薦模型，使推薦模型的效果變差；或將多個商品拆分成多條樣本，這樣不僅使得數據量變多，推薦模型訓練速度變慢，還可能產生假陽性樣本。因此，現有方法不能在不丟失輸入信息的前提下保證輸入推薦模型的訓練數據的準確性。

發明內容

本發明的實施例至少部分地解決上面提及的問題。

根據本發明的第一方面，提出了一種用于向用戶推薦項目的推薦模型訓練方法。該方法包括：獲取多個樣本，多個樣本中的每一個包括用戶特征、項目組和與項目組相對應的標簽，項目組包括二個或更多個項目，標簽指示用戶是否選中項目組；為項目組中的每個項目生成各自的項目嵌入向量；對生成的多個項目嵌入向量進行加權平均以得到項目組的綜合嵌入向量；基于用戶特征生成用戶的用戶嵌入向量；以及使用得到的綜合嵌入向量、用戶的用戶嵌入向量和與項目組相對應的標簽來訓練用以向用戶推薦項目的推薦模型。

在一些實施例中，為項目組中的每個項目生成各自的項目嵌入向量包括：針對每個項目的特征進行編碼得到每個項目的項目特征嵌入向量，和基于項目特征嵌入向量生成每個項目各自的項目嵌入向量。

在一些實施例中，針對每個項目的特征進行編碼得到每個項目的項目特征嵌入向量包括：針對各個項目基于相同的編碼詞表來針對每個項目的特征進行編碼得到每個項目的項目特征嵌入向量。

在一些實施例中，推薦模型包括針對用戶的第一神經網絡結構，第一神經網絡結構包括一個或多個激活函數層。

在一些實施例中，推薦模型包括針對項目組中的每個項目的相應第二神經網絡結構，每個第二神經網絡結構包括一個或多個激活函數層。

在一些實施例中，對生成的多個項目嵌入向量進行加權平均以得到項目組的綜合嵌入向量包括：對生成的多個項目嵌入向量進行算數平均以得到項目組的綜合嵌入向量。

在一些實施例中，對生成的多個項目嵌入向量進行加權平均以得到項目組的綜合嵌入向量包括：以經訓練得到的權重作為各個項目嵌入向量的權重，對生成的多個項目嵌入向量進行加權平均以得到項目組的綜合嵌入向量。

在一些實施例中，使用得到的綜合嵌入向量、用戶的用戶嵌入向量和與項目組相對應的標簽來訓練推薦模型包括：對綜合嵌入向量和用戶的用戶嵌入向量進行點積運算得到點積結果；基于點積結果與項目組相對應的標簽計算損失函數；以及對推薦模型中的參數進行調整以使損失函數收斂。

在一些實施例中，基于點積結果與項目組相對應的標簽計算損失函數包括：對點積結果進行歸一化，和基于經歸一化的點積結果與項目組相對應的標簽計算損失函數。

在一些實施例中，項目包括商品、電影和文章。