[發明專利]推薦模型的生成、內容推薦方法、裝置、設備和介質

有效

• 申請號: 202010529738.2
• 申請日: 2020-06-11
• 公開（公告）號: CN111738414B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 王雅晴;熊輝
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;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

1.一種內容推薦方法，包括：

獲取目標用戶關系矩陣以及目標推薦內容關系矩陣；

將所述目標用戶關系矩陣以及目標內容關系矩陣輸入至預先訓練的推薦模型中，獲取所述推薦模型輸出的目標用戶和推薦內容聯合關系矩陣；

在目標用戶和推薦內容聯合關系矩陣中，獲取與各用戶分別對應的權重最高的推薦內容作為目標推薦內容；

將各所述目標推薦內容分別推薦給對應的用戶；

其中，在將所述目標用戶關系矩陣以及目標內容關系矩陣輸入至預先訓練的推薦模型中之前，還包括：

獲取圖訓練樣本集，圖訓練樣本包括：用戶關系矩陣、推薦內容關系矩陣，以及用戶和推薦內容聯合關系矩陣；

將圖訓練樣本集輸入至設定機器學習模型中，對機器學習模型進行訓練，機器學習模型包括至少一個低秩圖卷積網絡，低秩圖卷積網絡包括由第一低秩矩陣和第二低秩矩陣構成的完整權重矩陣；

其中，低秩圖卷積網絡的訓練目標包括：第一低秩矩陣參數項、第二低秩矩陣參數項和非凸低秩項，所述非凸低秩項能夠分解為第一低秩矩陣和第二低秩矩陣的組合，且所述非凸低秩項為所述完整權重矩陣的核范式與F范式的差值矩陣；

在檢測到滿足訓練結束條件時，將當前訓練的機器學習模型，確定為與所述圖訓練樣本集匹配的推薦模型。

2.根據權利要求1所述的方法，其中，低秩圖卷積網絡的訓練目標包括：

其中，Θ_r為第一低秩矩陣參數項，Θ_c為第二低秩矩陣參數項，‖·‖_F為矩陣的F范數，λ為超參數，為機器學習模型中的損失函數；為在參數項Θ_r下的第一低秩矩陣，為在參數項Θ_c下的第二低秩矩陣；X_Θ為在全部參數項Θ下的權重矩陣，Y為輸入至低秩圖卷積網絡的已知信息。

3.根據權利要求2所述的方法，其中，所述損失函數為：

其中，Ω為Y中存在觀測數據的位置。

4.根據權利要求1所述的方法，其中，在對機器學習模型進行訓練的過程中，使用隨機梯度下降法對各低秩圖卷積網絡中的第一低秩矩陣參數項以及第二低秩矩陣參數項進行學習。

5.一種內容推薦裝置，包括：

輸入矩陣獲取模塊，用于獲取目標用戶關系矩陣以及目標推薦內容關系矩陣；

聯合關系矩陣獲取模塊，用于將所述目標用戶關系矩陣以及目標內容關系矩陣輸入至預先訓練的推薦模型中，獲取所述推薦模型輸出的目標用戶和推薦內容聯合關系矩陣；

目標推薦內容獲取模塊，用于在目標用戶和推薦內容聯合關系矩陣中，獲取與各用戶分別對應的權重最高的推薦內容作為目標推薦內容；

用戶推薦模塊，用于將各所述目標推薦內容分別推薦給對應的用戶；

其中，所述裝置還包括：

圖訓練樣本集獲取模塊，用于在將所述目標用戶關系矩陣以及目標內容關系矩陣輸入至預先訓練的推薦模型中之前，獲取圖訓練樣本集，圖訓練樣本包括：用戶關系矩陣、推薦內容關系矩陣，以及用戶和推薦內容聯合關系矩陣；

推薦模型訓練模塊，用于將圖訓練樣本集輸入至設定機器學習模型中，對機器學習模型進行訓練，機器學習模型包括至少一個低秩圖卷積網絡，低秩圖卷積網絡包括由第一低秩矩陣和第二低秩矩陣構成的完整權重矩陣；

其中，低秩圖卷積網絡的訓練目標包括：第一低秩矩陣參數項、第二低秩矩陣參數項和非凸低秩項，所述非凸低秩項能夠分解為第一低秩矩陣和第二低秩矩陣的組合，且所述非凸低秩項為所述完整權重矩陣的核范式與F范式的差值矩陣；

推薦模型生成模塊，用于在檢測到滿足訓練結束條件時，將當前訓練的機器學習模型，確定為與所述圖訓練樣本集匹配的推薦模型。