[發明專利]信息推薦模型訓練方法、信息推薦方法及存儲介質

在審

• 申請號: 202110335635.7
• 申請日: 2021-03-29
• 公開（公告）號: CN113129053A
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 溫肖謙;吳駿宇;徐通
• 申請（專利權）人: 北京沃東天駿信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q30/06;G06F16/2458;G06N3/04
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 周麗莎;張穎玲

1.一種信息推薦模型訓練方法，其特征在于，所述方法包括：

將至少一個商品數據樣本和一個店鋪數據樣本輸入至信息推薦模型，得到所述至少一個商品數據樣本對應的第一預測結果和所述一個店鋪數據樣本對應的第二預測結果；

基于所述第一預測結果與所述第二預測結果中每個預測結果與對應的標定結果之間的差值，確定所述信息推薦模型的總損失值；

根據所述總損失值更新所述信息推薦模型的權重參數；

其中，所述至少一個商品數據樣本和所述一個店鋪數據樣本從同一用戶對商品頁面和店鋪頁面的訪問數據中提取得到。

2.根據權利要求1所述的信息推薦模型訓練方法，其特征在于，所述信息推薦模型包括串聯的至少兩個隱藏層；所述將至少一個商品數據樣本和一個店鋪數據樣本輸入至信息推薦模型之后，所述方法包括：

將所述至少一個商品數據樣本、所述一個店鋪數據樣本和所述用戶的用戶特征輸入至所述信息推薦模型，得到所述至少一個商品數據樣本對應的特征向量和所述一個店鋪數據樣本對應的特征向量；

將得到的兩個特征向量中的任一特征向量在相鄰的兩個隱藏層之間傳遞時，所述方法包括：

在同一隱藏層中，將兩個特征向量中的第一特征向量與第二特征向量進行疊加處理，得到用于輸入至下一隱藏層的第一特征向量。

3.根據權利要求2所述的信息推薦模型訓練方法，其特征在于，所述將所述至少一個商品數據樣本、所述一個店鋪數據樣本和所述用戶的用戶特征輸入至所述信息推薦模型，包括：

將所述至少一個商品數據樣本和所述用戶特征輸入至所述嵌入層，得到所述至少一個商品數據樣本對應的特征向量；

將所述一個店鋪數據樣本和所述用戶特征輸入至所述嵌入層，得到所述一個店鋪數據樣本對應的特征向量。

4.根據權利要求1所述的信息推薦模型訓練方法，其特征在于，所述確定所述信息推薦模型的總損失值，包括：

基于所述第一預測結果與對應的標定結果之間的差值，計算第一損失值；

基于所述第二預測結果與對應的標定結果之間的差值，計算第二損失值；

對所述第一損失值和所述第二損失值進行加權處理，計算所述信息推薦模型的總損失值。

5.根據權利要求1至4任一項所述的信息推薦模型訓練方法，其特征在于，所述方法還包括：

從樣本庫中確定至少兩個批次的樣本；所述至少兩個批次中的每個批次的樣本包括至少一個商品數據樣本和一個店鋪數據樣本；每個批次的所有樣本從同一用戶在同一設定時間段產生的訪問數據中提取得到。

6.一種信息推薦方法，其特征在于，所述方法包括：

將至少一個商品數據和一個店鋪數據輸入至信息推薦模型，得到所述至少一個商品數據對應的第三預測結果和所述一個店鋪數據對應的第四預測結果；

對所述第三預測結果和所述第四預測結果進行加權處理，得到所述一個店鋪數據對應的總預測結果；

基于得到的總預測結果進行店鋪信息推薦；

其中，所述信息推薦模型采用如權利要求1至5任一項所述的信息推薦模型訓練方法訓練得到；所述至少一個商品數據和所述一個店鋪數據從同一用戶對商品頁面和店鋪頁面的訪問數據中提取得到。

7.一種信息推薦模型訓練裝置，其特征在于，包括：

預測單元，用于將至少一個商品數據樣本和一個店鋪數據樣本輸入至信息推薦模型，得到所述至少一個商品數據樣本對應的第一預測結果和所述一個店鋪數據樣本對應的第二預測結果；

第一確定單元，用于基于所述第一預測結果與所述第二預測結果中每個預測結果與對應的標定結果之間的差值，確定所述信息推薦模型的總損失值；

更新單元，用于根據所述總損失值更新所述信息推薦模型的權重參數；

其中，所述至少一個商品數據樣本和所述一個店鋪數據樣本從同一用戶對商品頁面和店鋪頁面的訪問數據中提取得到。