[發明專利]推薦模型、方法、裝置、設備及存儲介質

有效

• 申請號: 202010364597.3
• 申請日: 2020-04-30
• 公開（公告）號: CN111506820B
• 公開（公告）日: 2023-05-09
• 發明（設計）人: 胡志超
• 申請（專利權）人: 喜大（上海）網絡科技有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06Q30/0601;G06N3/0464;G06N3/08
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

本發明公開了一種推薦模型、方法、裝置、設備及存儲介質，該模型包括：依次連接的輸入層、嵌入層、第一交互層、第一加權向量層、第一拼接層、第一全連接層以及輸出層，輸入層用于接收目標用戶的歷史行為序列數據以及推薦候選物品的ID，歷史行為序列數據包括M個歷史行為對應的M個歷史物品的ID，并且，發生的越早的歷史行為所對應的歷史物品的ID排列越靠前。輸入層接收到的是目標用戶的歷史行為序列數據，而不需要獲取目標用戶的ID，一方面，可以實現向不存在于該推薦模型的訓練集中的目標用戶推薦物品，即該推薦模型具有很強的擴展性；另一方面，該模型在進行訓練時，只用基于部分用戶的歷史行為序列數據進行訓練，節約了計算資源。

技術領域

本發明實施例涉及大數據處理技術領域，尤其涉及一種推薦模型、方法、裝置、設備及存儲介質。

背景技術

在大數據時代，各種信息爆炸式增長，人們獲取信息的方式從主動獲取逐漸變成了被動獲取，推薦就是被動獲取信息最常見的一種方法。在人工智能時代，各種推薦算法和模型層出不窮。典型的代表有谷歌(Google)開源的深度學習框架TensorFlow中的神經協同過濾(Neural?Collaborative?Filter，NCF)模型，它是深度學習在推薦領域的應用。

目前，神經協同過濾模型基于用戶的行為數據，構建用戶、物品、評分數據，通過學習用戶和物品的潛在興趣向量，并進行充分的交互，采用正負樣本采樣的方式學習，來預測用戶對于物品的興趣概率，效果理想。

但是，目前的神經協同過濾模型，在構建訓練數據時，將用戶的編號，即用戶標識(Identity，ID)作為用戶的特征、將物品的編號即物品ID作為物品的特征。其中，將用戶ID作為用戶的特征具有以下缺點：

一方面，模型的可擴展性較差。由于用戶ID具有唯一性，那么只有當用戶具有歷史行為數據，并且在模型的訓練數據中存在，才能在模型預測階段對該用戶進行推薦計算，而對于不存在于訓練數據中的用戶，即使其有歷史行為數據，也無法對其進行推薦計算。

另一方面，模型的計算量很大。當用戶的數量非常多的時候，將所有用戶都納入模型中進行訓練，計算量非常大，非常消耗計算資源，工程實現也很困難。

發明內容

本發明提供一種推薦模型、方法、裝置、設備及存儲介質，以解決目前的推薦模型可擴展性較差及計算量大的技術問題。

第一方面，本發明實施例提供一種推薦模型，包括：依次連接的輸入層、嵌入層、第一交互層、第一加權向量層、第一拼接層、第一全連接層以及輸出層；

其中，所述輸入層用于接收目標用戶的歷史行為序列數據以及推薦候選物品的ID，所述歷史行為序列數據包括M個歷史行為對應的M個歷史物品的ID，并且，發生的越早的歷史行為所對應的歷史物品的ID排列越靠前，M為大于0的整數；

所述嵌入層用于根據推薦候選物品的ID、所述推薦候選物品對應的嵌入向量、每個歷史物品的ID以及每個所述歷史物品對應的嵌入向量，生成推薦候選物品的潛在向量以及每個所述歷史物品的潛在向量；

所述第一交互層用于根據所述推薦候選物品的潛在向量以及每個所述歷史物品的潛在向量，生成每個所述歷史物品的第一交互向量；

所述第一加權向量層用于根據每個所述歷史物品的第一交互向量，生成每個所述歷史物品的第一加權交互向量；

所述第一拼接層用于對所有所述歷史物品的第一加權交互向量進行拼接，生成所有歷史物品的第一拼接向量；

所述輸出層用于根據所述第一全連接層對所述所有歷史物品的第一拼接向量進行全連接計算后的結果，輸出所述目標用戶在所述推薦候選物品上的行為概率。

第二方面，本發明實施例提供一種推薦方法，該方法應用于第一方面提供的推薦模型中，該方法包括：