[發明專利]推薦概率的輸出方法及裝置、存儲介質、電子設備

在審

• 申請號: 202011320852.0
• 申請日: 2020-11-23
• 公開（公告）號: CN112464087A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 樓馬晶
• 申請（專利權）人: 北京明略軟件系統有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/906;G06Q30/06;G06Q10/06;G06K9/62
• 代理公司: 北京華夏泰和知識產權代理有限公司 11662
• 代理人: 蔡良偉

本發明公開了一種推薦概率的輸出方法及裝置、存儲介質、電子設備，屬于人工智能領域。其中，該方法包括：獲取候選物料的物料信息，其中，所述物料信息包括結構化格式的第一數據和多模態格式的第二數據；對所述第一數據進行映射編碼，得到第一維度的第一特征數據；對所述第二數據進行全連接變換，得到所述第一維度的第二特征數據；根據所述第一特征數據和所述第二特征數據基于推薦模型輸出向目標用戶推薦所述候選物料的推薦概率。通過本發明，解決了相關技術中的推薦模型推薦不準確的技術問題，增加了推薦模型的業務范圍，提高了推薦模型的推薦效果。

技術領域

本發明涉及人工智能領域，具體而言，涉及一種推薦概率的輸出方法及裝置、存儲介質、電子設備。

背景技術

相關技術中，推薦系統可利用用戶信息、商品信息以及用戶對商品的反饋來訓練模型，根據模型的預測結果排序進行推薦。

因子分解機(Factorization Machine，FM)是相關技術中的一種通用預測方法，在即使數據非常稀疏的情況下，依然能估計出可靠的參數進行預測。與傳統的簡單線性模型不同的是，因子分解機考慮了特征間的交叉，對所有嵌套變量交互進行建模。推薦系統中類別屬性比較多，每一類別屬性經過onehot處理之后產生了大量的0特征，導致樣本稀疏。FM本質上是一個簡單的線性模型，與深度學習模型相比，擬合能力不強；而且FM主要能力在于處理id類型的特征，對于連續型特征需要做分箱處理后再作為模型輸入，對于多模態的輸入沒辦法處理。

DeepFM是相關技術中一個結合了FM和深度神經網絡(Deep Neural Networks,DNN)的深度模型。它既可以像FM那樣學習低維的特征交叉，又可以像DNN那樣學習高維的特征交叉。除了初始的輸入特征以外，不需要額外人工進行特征工程。DeepFM結合了FM和DNN的優點，但是，仍然無法處理來自文本、圖像、視頻和音頻等多模態輸入。

申請人發現，在越來越多的場景中，文本、圖像、視頻和音頻中所蘊含的語義特征可以起到優化推薦模型效果的作用，比如物料在頁面中展示給用戶的圖片以及物料標題的文本，這些信息都是該物料給用戶的第一感官印象，在用戶是否會點擊物料起到了非常重要的影響。相關技術中的推薦模型由于不能輸入多模態的非結構化數據，導致相關技術中使用的推薦模型的推薦結果不準確。

針對相關技術中存在的上述問題，目前尚未發現有效的解決方案。

發明內容

本發明實施例提供了一種推薦概率的輸出方法及裝置、存儲介質、電子設備。

根據本申請實施例的一個方面，提供了一種推薦概率的輸出方法，包括：獲取候選物料的物料信息，其中，所述物料信息包括結構化格式的第一數據和多模態格式的第二數據；對所述第一數據進行映射編碼，得到第一維度的第一特征數據；對所述第二數據進行全連接變換，得到所述第一維度的第二特征數據；根據所述第一特征數據和所述第二特征數據基于推薦模型輸出向目標用戶推薦所述候選物料的推薦概率。

進一步，對所述第二數據進行全連接變換，得到所述第一維度的第二特征數據包括：按照數據類型將所述第二數據分為多份子數據，其中，每個數據類型對應一種非結構化的模態格式，所述模態格式包括：表格、文本、圖像、視頻、音頻；針對所述多份子數據的每一份子數據，采用對應的預訓練模型提取子數據的特征，匯總得到第二維度的多模態特征數據；確定所述第一特征數據的映射尺寸，并將所述推薦模型的全連接層的變換尺寸設置為所述映射尺寸，其中，所述映射尺寸與所述第一維度對應；將所述多模態特征數據輸入所述全連接層，輸出所述第一維度的第二特征數據。

進一步，根據所述第一特征數據和所述第二特征數據基于推薦模型輸出所述候選物料的推薦概率包括：拼接第一特征數據和所述第二特征數據，得到第三特征數據；對所述第三特征數據進行特征交叉和特征降維處理，得到第四特征數據；將所述第四特征數據和所述第二特征數據輸入推薦模型的全連接層，輸出所述候選物料的推薦概率。