[發(fā)明專利]超參數(shù)學(xué)習(xí)、智能推薦、關(guān)鍵詞和多媒體推薦方法及裝置

在審

• 申請?zhí)枺?/td>: 202011060539.8
• 申請日: 2020-09-30
• 公開（公告）號: CN114329167A
• 公開（公告）日: 2022-04-12
• 發(fā)明（設(shè)計）人: 劉家豪;彭藝;謝淼;肖非
• 申請（專利權(quán)）人: 阿里巴巴集團控股有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/435;G06N20/00;G06Q30/06
• 代理公司: 北京思格頌知識產(chǎn)權(quán)代理有限公司 11635
• 代理人: 潘珺

本發(fā)明公開了一種超參數(shù)的學(xué)習(xí)、智能推薦、關(guān)鍵詞推薦方法及裝置。所述機器學(xué)習(xí)模型超參數(shù)的學(xué)習(xí)方法包括：獲取機器學(xué)習(xí)模型的用戶反饋行為數(shù)據(jù)；根據(jù)所述用戶行為反饋數(shù)據(jù)，從預(yù)設(shè)的超參數(shù)連續(xù)區(qū)間中，確定所述機器學(xué)習(xí)模型的超參數(shù)組合所在的最優(yōu)超參數(shù)子區(qū)間；在所述最優(yōu)超參數(shù)子區(qū)間中，選取出最優(yōu)超參數(shù)組合作為所述機器學(xué)習(xí)模型的超參數(shù)組合。本發(fā)明實現(xiàn)了對推薦系統(tǒng)的超參數(shù)組合的自主學(xué)習(xí)，使得推薦系統(tǒng)能夠?qū)崟r地追蹤用戶的需求和興趣，從而保證了推薦系統(tǒng)具有較好的推薦效果。

技術(shù)領(lǐng)域

本發(fā)明涉及機器學(xué)習(xí)技術(shù)領(lǐng)域，特別涉及一種超參數(shù)的學(xué)習(xí)、智能推薦、 關(guān)鍵詞和多媒體推薦方法及裝置。

背景技術(shù)

隨著互聯(lián)網(wǎng)的飛速發(fā)展，尤其是移動互聯(lián)網(wǎng)的發(fā)展，基于各種場景下的推 薦系統(tǒng)發(fā)揮著越來越重要的作用。

近年來，推薦系統(tǒng)的核心所要解決的問題在于，如何實時準確地捕獲用戶 個性化興趣從而實現(xiàn)精準的推薦服務(wù)，例如基于用戶的偏好，向用戶推薦他/她 可能感興趣的商品、多媒體、廣告和產(chǎn)品功能等等。

為了解決個性化推薦的問題，推薦系統(tǒng)往往會采用機器學(xué)習(xí)算法來刻畫用 戶的興趣愛好，例如各種線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型等等。而刻畫這些模型 本身屬性的超參數(shù)，往往在學(xué)習(xí)過程之前由系統(tǒng)構(gòu)建者人為指定，這種方式會 加大模型構(gòu)建者的工作量，更重要的是，僅僅依靠人為自行設(shè)定模型超參數(shù)的 方式，如果這種超參數(shù)設(shè)置不合理，會導(dǎo)致推薦模型本身的不合理，推薦系統(tǒng) 自然也就無法達到較優(yōu)的推薦效果。

發(fā)明內(nèi)容

鑒于上述問題，提出了本發(fā)明以便提供一種克服上述問題或者至少部分地 解決上述問題的一種超參數(shù)的學(xué)習(xí)、智能推薦、關(guān)鍵詞推薦方法及裝置。

第一方面，本發(fā)明實施例提供一種機器學(xué)習(xí)模型超參數(shù)的學(xué)習(xí)方法，包括：

獲取機器學(xué)習(xí)模型的用戶反饋行為數(shù)據(jù)；

根據(jù)所述用戶行為反饋數(shù)據(jù)，從預(yù)設(shè)的超參數(shù)連續(xù)區(qū)間中，確定所述機器 學(xué)習(xí)模型的超參數(shù)組合所在的最優(yōu)超參數(shù)子區(qū)間；

在所述最優(yōu)超參數(shù)子區(qū)間中，選取出最優(yōu)超參數(shù)組合作為所述機器學(xué)習(xí)模 型的超參數(shù)組合。

在一個實施例中，根據(jù)所述用戶反饋行為數(shù)據(jù)，確定超參數(shù)組合所在的最 優(yōu)超參數(shù)子區(qū)間，包括：

將用戶反饋行為數(shù)據(jù)輸入所述機器學(xué)習(xí)模型；

利用所述用戶反饋行為數(shù)據(jù)，遍歷預(yù)設(shè)的所述連續(xù)區(qū)間中范圍逐步縮小的 子區(qū)間，直至確定出所述機器學(xué)習(xí)模型的超參數(shù)組合所在的最優(yōu)超參數(shù)子區(qū)間。

在一個實施例中，預(yù)設(shè)的超參數(shù)連續(xù)區(qū)間采用樹結(jié)構(gòu)；所述樹結(jié)構(gòu)的根節(jié) 點為所述連續(xù)區(qū)間，且孩子節(jié)點為父節(jié)點對應(yīng)區(qū)間的子區(qū)間；

利用所述用戶反饋行為數(shù)據(jù)，遍歷預(yù)設(shè)的所述連續(xù)區(qū)間中范圍逐步縮小的 子區(qū)間，直至確定出所述機器學(xué)習(xí)模型的超參數(shù)組合所在的最優(yōu)超參數(shù)子區(qū)間， 具體包括：

對于樹結(jié)構(gòu)中的各個節(jié)點，從根節(jié)點開始，利用所述用戶反饋行為數(shù)據(jù)， 對同層的每個節(jié)點的收益預(yù)估值進行評估，并根據(jù)評估結(jié)果，選擇將遍歷的下 一個節(jié)點，重復(fù)上述步驟，直至到達葉子節(jié)點；

將所述葉子節(jié)點作為所述機器學(xué)習(xí)模型的超參數(shù)組合所在的最優(yōu)超參數(shù)子 區(qū)間。

在一個實施例中，在所述最優(yōu)超參數(shù)子區(qū)間中，選取出最優(yōu)超參數(shù)組合之 后，還包括：

在所述樹結(jié)構(gòu)中，根據(jù)所述葉子節(jié)點對應(yīng)子區(qū)間的開始端和結(jié)束端以及所 述最優(yōu)超參數(shù)組合，將所述葉子節(jié)點分裂為至少兩個子節(jié)點；

從分裂后得到的子節(jié)點開始，回溯遍歷整個樹結(jié)構(gòu)，更新每個節(jié)點對應(yīng)的 子區(qū)間的收益預(yù)估值。

在一個實施例中，在所述最優(yōu)超參數(shù)子區(qū)間中，選取出最優(yōu)超參數(shù)組合， 具體包括：