[發明專利]用于推薦目標對象的方法、計算設備和計算機存儲介質

有效

• 申請號: 202010638994.5
• 申請日: 2020-07-06
• 公開（公告）號: CN111523044B
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 胡強;王德龍
• 申請（專利權）人: 南京夢餉網絡科技有限公司;上海眾旦信息科技有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/04;G06N3/08
• 代理公司: 北京市金杜律師事務所 11256
• 代理人: 王茂華

本公開涉及一種用于推薦目標對象的方法、計算設備和計算機存儲介質。該方法包括：生成輸入數據，輸入數據至少包括用戶針對目標對象的點擊特征、瀏覽特征和購買特征和目標對象特征；將輸入數據平均分片成多個子輸入數據；經由第一神經網絡模型預測用戶的點擊概率；經由第二神經網絡模型預測關于目標對象的轉化概率，第二神經網絡模型和第一神經網絡模型至少共享嵌入層；以及基于用戶的點擊概率、關于目標對象的轉換概率和第三損失函數，預測關于目標對象的推薦概率。本公開能夠避免因采樣的用戶行為特征稀疏而導致的過擬合的不足，并且同時兼顧與推薦目標對象相關聯的多個目標的優化。

技術領域

本公開總體上涉及機器學習，并且具體地，涉及用于推薦目標對象的方法、計算設備和計算機存儲介質。

背景技術

傳統的推薦目標對象方案，例如，在用于推薦商品或者內容的推薦系統中，通常基于預估點擊率ctr來進行商品或者內容的推薦。然而，在ctr預測模型的實際使用中，要預測的數據與訓練數據存在偏差，并且用戶行為特征稀疏，使得ctr預測模型的泛化能力面臨挑戰、容易過擬合；另外，預估轉化率ctr一定程度反映用戶的點擊偏好與瀏覽偏好之間的“行為關系”，僅基于ctr評估最優無法從實質上解決電商平臺的場景商品交易最優、用戶體驗最優等多目標優化的問題。

綜上，傳統的推薦目標對象方案難以解決因采樣的用戶行為特征稀疏而導致的過擬合等方面的不足，而且無法同時兼顧與推薦目標對象相關聯的多個目標的優化。

發明內容

本公開提供一種用于推薦目標對象方法、計算設備和計算機存儲介質，能夠避免因采樣的用戶行為特征稀疏而導致的過擬合的不足，并且同時兼顧與推薦目標對象相關聯的多個目標的優化。

根據本公開的第一方面，提供了一種用于推薦目標對象的方法。該方法包括：基于所獲取的、預定時間間隔中的用戶行為信息、目標對象信息和環境信息，生成輸入數據，輸入數據至少包括用戶針對目標對象的點擊特征、瀏覽特征和購買特征和目標對象特征；基于多個GPU的數量，將輸入數據平均分片成多個子輸入數據，以便至少用于被配置在多個GPU上的第一神經網絡模型和第二神經網絡模型的訓練；經由第一神經網絡模型，提取子輸入數據的特征，以預測用戶的點擊概率，第一神經網絡模型是基于第一損失函數而優化的；經由第二神經網絡模型，提取子輸入數據的特征，以預測關于目標對象的轉化概率，第二神經網絡模型是基于第二損失函數而優化的，第二神經網絡模型和第一神經網絡模型至少共享嵌入層（embedding）；以及基于用戶的點擊概率、關于目標對象的轉化概率和第三損失函數，預測關于目標對象的推薦概率，第三損失函數是基于第一損失函數、第一預定權重、第二損失函數和第二預定權重而確定的。

根據本發明的第二方面，還提供了一種計算設備，該設備包括：至少一個處理單元；至少一個存儲器，至少一個存儲器被耦合到至少一個處理單元并且存儲用于由至少一個處理單元執行的指令，指令當由至少一個處理單元執行時，使得設備執行本公開的第一方面的方法。

根據本公開的第三方面，還提供了一種計算機可讀存儲介質。該計算機可讀存儲介質上存儲有計算機程序，計算機程序被機器執行時執行本公開的第一方面的方法。

在一些實施例中，用于推薦目標對象的方法還包括：在CPU處，獲取來自多個GPU中的每一個GPU的用于訓練第一神經網絡模型和第二神經網絡模型的梯度；針對梯度進行合并，已生成更新梯度；以及將更新梯度傳播至每一個GPU，以便每一個GPU所配置的第一神經網絡模型和第二神經網絡模型基于更新梯度進行訓練。