[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

本申請公開了一種信息推薦模型訓練方法、信息推薦方法、裝置、電子設備及存儲介質，其中，信息推薦模型訓練方法包括：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。

技術領域

本申請涉及人工智能的信息處理技術領域，尤其涉及一種信息推薦方法、裝置、電子設備及存儲介質。

背景技術

推薦系統根據用戶對某一領域的興趣特點，向用戶推薦用戶感興趣的信息。相關技術中，使用神經網絡模型如深度神經網絡(DNN，Deep Neural Networks)來學習用戶瀏覽和偏好店鋪之間的關系。由于店鋪推薦場景下，用戶瀏覽店鋪的行為數據稀疏，推薦結果不夠精確。

發明內容

有鑒于此，本申請實施例提供一種信息推薦模型訓練方法、信息推薦方法、裝置、電子設備及存儲介質，以至少解決相關技術推薦結果不精確的問題。

本申請實施例的技術方案是這樣實現的：

本申請實施例提供了一種信息推薦方法，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。

其中，上述方案中，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。

上述方案中，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。

上述方案中，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。

上述方案中，所述方法還包括：