[發(fā)明專(zhuān)利]向用戶(hù)推薦目標(biāo)對(duì)象的方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010135533.6
• 申請(qǐng)日: 2020-03-02
• 公開(kāi)（公告）號(hào): CN111414535B
• 公開(kāi)（公告）日: 2023-05-05
• 發(fā)明（設(shè)計(jì)）人: 林文芳;楊林;郭曉波
• 申請(qǐng)（專(zhuān)利權(quán)）人: 支付寶（杭州）信息技術(shù)有限公司
• 主分類(lèi)號(hào): G06F16/9535
• 分類(lèi)號(hào): G06F16/9535;G06Q30/0202;G06Q30/0601
• 代理公司: 北京博思佳知識(shí)產(chǎn)權(quán)代理有限公司 11415
• 代理人: 周嗣勇

1.一種向用戶(hù)推薦目標(biāo)對(duì)象的方法，包括：

根據(jù)目標(biāo)對(duì)象的對(duì)象控制特征和對(duì)象隨機(jī)特征中的至少一個(gè)生成所述目標(biāo)對(duì)象的對(duì)象特征；所述對(duì)象控制特征和對(duì)象隨機(jī)特征在對(duì)控制匹配模型和隨機(jī)匹配模型進(jìn)行多任務(wù)交替訓(xùn)練后得到；其中，控制匹配模型是輸入項(xiàng)包括對(duì)象控制特征的匹配模型，隨機(jī)匹配模型是輸入項(xiàng)包括對(duì)象隨機(jī)特征的匹配模型；在多任務(wù)交替訓(xùn)練中將控制樣本作為控制匹配模型的輸入樣本，將隨機(jī)樣本作為隨機(jī)匹配模型的輸入樣本，通過(guò)修改控制樣本中目標(biāo)對(duì)象的對(duì)象控制特征、或修改隨機(jī)樣本中目標(biāo)對(duì)象的對(duì)象隨機(jī)特征的值來(lái)達(dá)到優(yōu)化目標(biāo)；所述優(yōu)化目標(biāo)包括使同一目標(biāo)對(duì)象的對(duì)象控制特征和對(duì)象隨機(jī)特征之間的差異盡可能大；

將用戶(hù)特征和目標(biāo)對(duì)象的對(duì)象特征輸入匹配模型，根據(jù)匹配模型輸出的用戶(hù)特征與對(duì)象特征的匹配程度，確定向用戶(hù)推薦的目標(biāo)對(duì)象。

2.根據(jù)權(quán)利要求1所述的方法，所述優(yōu)化目標(biāo)還包括：使控制匹配模型的損失盡可能小，以及，使隨機(jī)匹配模型的損失盡可能小；所述控制匹配模型的損失由控制匹配模型的輸出與控制樣本的標(biāo)記值之間的差異確定；所述隨機(jī)匹配模型的損失由隨機(jī)匹配模型的輸出與隨機(jī)樣本的標(biāo)記值之間的差異確定。

3.根據(jù)權(quán)利要求1所述的方法，所述同一目標(biāo)對(duì)象的對(duì)象控制特征和對(duì)象隨機(jī)特征之間的差異，根據(jù)所述目標(biāo)對(duì)象的控制樣本對(duì)于控制匹配模型的損失、與所述目標(biāo)對(duì)象的隨機(jī)樣本對(duì)于隨機(jī)匹配模型的損失的加權(quán)和，以及所述目標(biāo)對(duì)象的對(duì)象控制特征的正則和所述目標(biāo)對(duì)象的對(duì)象隨機(jī)特征的正則來(lái)確定。

4.根據(jù)權(quán)利要求3所述的方法，所述根據(jù)目標(biāo)對(duì)象的對(duì)象控制特征和對(duì)象隨機(jī)特征中的至少一個(gè)生成所述目標(biāo)對(duì)象的對(duì)象特征，包括：將目標(biāo)對(duì)象的對(duì)象控制特征和對(duì)象隨機(jī)特征的加權(quán)和作為所述目標(biāo)對(duì)象的對(duì)象特征，加權(quán)的權(quán)值與多任務(wù)交替訓(xùn)練中用來(lái)計(jì)算控制樣本對(duì)于控制匹配模型的損失與隨機(jī)樣本對(duì)于隨機(jī)匹配模型的損失的加權(quán)和時(shí)所采用的權(quán)值相同。

5.根據(jù)權(quán)利要求1所述的方法，所述方法還包括以下至少一項(xiàng)：將目標(biāo)對(duì)象的對(duì)象原始特征輸入控制嵌入模型得到所述目標(biāo)對(duì)象的對(duì)象控制特征、將目標(biāo)對(duì)象的對(duì)象原始特征輸入隨機(jī)嵌入模型得到所述目標(biāo)對(duì)象的對(duì)象隨機(jī)特征；所述控制嵌入模型在多任務(wù)交替訓(xùn)練中通過(guò)修改模型參數(shù)的值來(lái)修改輸出的對(duì)象控制特征，所述隨機(jī)嵌入模型在多任務(wù)交替訓(xùn)練中通過(guò)修改模型參數(shù)的值來(lái)修改輸出的對(duì)象隨機(jī)特征。

6.根據(jù)權(quán)利要求1所述的方法，所述匹配模型為因子分解機(jī)FM模型。

7.根據(jù)權(quán)利要求1所述的方法，所述多任務(wù)交替訓(xùn)練中使用的隨機(jī)樣本來(lái)源于由基于推薦策略的用戶(hù)行為數(shù)據(jù)構(gòu)成的行為樣本，在每個(gè)目標(biāo)對(duì)象的行為樣本中抽取數(shù)量對(duì)應(yīng)于該目標(biāo)對(duì)象權(quán)重的行為樣本作為隨機(jī)樣本，剩余的行為樣本作為控制樣本；所述目標(biāo)對(duì)象權(quán)重根據(jù)所述目標(biāo)對(duì)象在行為樣本中的出現(xiàn)次數(shù)和其他目標(biāo)對(duì)象的出現(xiàn)次數(shù)確定，出現(xiàn)次數(shù)更少的目標(biāo)對(duì)象具有更高的目標(biāo)對(duì)象權(quán)重。

8.根據(jù)權(quán)利要求7所述的方法，所述目標(biāo)對(duì)象權(quán)重由下式確定：；其中為自然數(shù)，為目標(biāo)對(duì)象權(quán)重的預(yù)定上限值，為所有目標(biāo)對(duì)象在行為樣本中出現(xiàn)次數(shù)的集合，為第個(gè)目標(biāo)對(duì)象在行為樣本中的出現(xiàn)次數(shù)。

9.一種向用戶(hù)推薦目標(biāo)對(duì)象的裝置，包括：

對(duì)象特征生成單元，用于根據(jù)目標(biāo)對(duì)象的對(duì)象控制特征和對(duì)象隨機(jī)特征中的至少一個(gè)生成所述目標(biāo)對(duì)象的對(duì)象特征；所述對(duì)象控制特征和對(duì)象隨機(jī)特征在對(duì)控制匹配模型和隨機(jī)匹配模型進(jìn)行多任務(wù)交替訓(xùn)練后得到；其中，控制匹配模型是輸入項(xiàng)包括對(duì)象控制特征的匹配模型，隨機(jī)匹配模型是輸入項(xiàng)包括對(duì)象隨機(jī)特征的匹配模型；在多任務(wù)交替訓(xùn)練中將控制樣本作為控制匹配模型的輸入樣本，將隨機(jī)樣本作為隨機(jī)匹配模型的輸入樣本，通過(guò)修改控制樣本中目標(biāo)對(duì)象的對(duì)象控制特征、或修改隨機(jī)樣本中目標(biāo)對(duì)象的對(duì)象隨機(jī)特征的值來(lái)達(dá)到優(yōu)化目標(biāo)；所述優(yōu)化目標(biāo)包括使同一目標(biāo)對(duì)象的對(duì)象控制特征和對(duì)象隨機(jī)特征之間的差異盡可能大；

匹配程度預(yù)測(cè)單元，用于將用戶(hù)特征和目標(biāo)對(duì)象的對(duì)象特征輸入匹配模型，根據(jù)匹配模型輸出的用戶(hù)特征與對(duì)象特征的匹配程度，確定向用戶(hù)推薦的目標(biāo)對(duì)象。