[發明專利]序列推薦模型的訓練方法、信息推薦方法及相關裝置

在審

• 申請號: 202011459776.1
• 申請日: 2020-12-11
• 公開（公告）號: CN112559861A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 王佳純;原發杰;吳慶耀;楊敏;李成明;姜青山
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/04
• 代理公司: 深圳市威世博知識產權代理事務所(普通合伙) 44280
• 代理人: 黎堅怡

1.一種序列推薦模型的訓練方法，其特征在于，所述方法包括：

獲取第一序列推薦模型；

對所述第一序列推薦模型進行塊復制和堆疊，得到第二序列推薦模型；

對所述第二序列推薦模型進行訓練；

將訓練后的所述第二序列推薦模型作為新的所述第一序列推薦模型，并再次執行上述步驟，直至訓練后的所述第二序列推薦模型滿足預設要求。

2.根據權利要求1所述的方法，其特征在于，

所述對所述第一序列推薦模型進行塊復制和堆疊，得到第二序列推薦模型，包括：

對所述第一序列推薦模型中的多個初始塊進行復制，得到多個復制塊；

將所述多個復制塊與所述多個初始塊進行堆疊，得到第二序列推薦模型。

3.根據權利要求2所述的方法，其特征在于，

所述將所述多個復制塊與所述多個初始塊進行堆疊，包括：

將每一復制塊堆疊至對應的初始塊上，以使對應的初始塊和復制塊相鄰設置。

4.根據權利要求2所述的方法，其特征在于，

所述將所述多個復制塊與所述多個初始塊進行堆疊，包括：

將所述多個復制塊整體堆疊至所述多個初始塊上，以使所述多個復制塊和所述多個初始塊首尾相鄰。

5.根據權利要求1所述的方法，其特征在于，

所述獲取第一序列推薦模型，包括：

獲取初始序列推薦模型和第一訓練樣本；

利用所述第一訓練樣本對所述初始序列推薦模型進行訓練，直至所述初始序列推薦模型收斂，得到第一序列推薦模型；

所述對所述第二序列推薦模型進行訓練，包括：

獲取第二訓練樣本；

利用所述第二訓練樣本對所述第二序列推薦模型進行訓練，直至所述第二序列推薦模型收斂；

其中，所述第二訓練樣本包含所述第一訓練樣本。

6.根據權利要求5所述的方法，其特征在于，

所述將訓練后的所述第二序列推薦模型作為新的所述第一序列推薦模型，并再次執行上述步驟，直至訓練后的所述第二序列推薦模型滿足預設要求，包括：

將訓練后的所述第二序列推薦模型作為新的所述第一序列推薦模型，并再次對模型進行塊復制和堆疊，以得到新的所述第二序列推薦模型；

獲取第三訓練樣本，并利用所述第三訓練樣本對新的所述第二序列推薦模型進行訓練，直至新的所述第二序列推薦模型收斂，并在新的所述第二序列推薦模型未獲取到新的訓練樣本時，完成所述序列推薦模型的訓練；其中，所述第三訓練樣本包含所述第二訓練樣本。

7.根據權利要求1所述的方法，其特征在于，

所述獲取第一序列推薦模型，包括：

獲取初始序列推薦模型和第四訓練樣本；

利用所述第四訓練樣本對所述初始序列推薦模型進行訓練，直至所述初始序列推薦模型的訓練步數滿足第一預設步數，得到第一序列推薦模型；

所述對所述第二序列推薦模型進行訓練，包括：

利用所述第四訓練樣本對所述第二序列推薦模型進行訓練，直至所述第二序列推薦模型的訓練步數滿足第二預設步數；

其中，所述第二預設步數大于所述第一預設步數。

8.根據權利要求7所述的方法，其特征在于，

所述將訓練后的所述第二序列推薦模型作為新的所述第一序列推薦模型，并再次執行上述步驟，直至訓練后的所述第二序列推薦模型滿足預設要求，包括：

將訓練后的所述第二序列推薦模型作為新的所述第一序列推薦模型，并再次對模型進行塊復制和堆疊，以得到新的所述第二序列推薦模型；

利用所述第四訓練樣本對新的所述第二序列推薦模型進行訓練，直至新的所述第二序列推薦模型的訓練步數滿足第三預設步數，并在新的所述第二序列推薦模型中殘差塊的數量滿足預設期望塊數時，完成所述序列推薦模型的訓練；其中，所述第三預設步數大于所述第二預設步數。