[發明專利]推薦系統模型評測結果的評測方法及電子設備

有效

• 申請號: 202110384899.1
• 申請日: 2021-04-09
• 公開（公告）號: CN113112148B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 李凱元;馮志超;陳昱碩;侯宇蓬;王鵬飛;趙鑫
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q30/06;G06F16/951;G06F16/9535
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 鄭穎穎

本公開提供一種推薦系統模型評測結果的評測方法及電子設備。應用于PyTorch推薦系統框架，通過獲取單個批次內每個用戶對候選商品的一維分數張量，根據評測方式進行對應重排處理，得到正樣本張量均位于負樣本張量之前的二維分數張量；生成二維分數張量的列索引的亂序排列，得到重排二維分數張量；并行計算單個批次內每個用戶的top?k商品的原始索引張量；循環前述步驟得到所有用戶的top?k商品的原始索引；計算所有正樣本張量與所有用戶的top?k商品的交集在所有用戶的top?k商品的原始索引中的布爾索引張量；對布爾索引張量和所有正樣本張量進行計算，得到所有相關top?k指標的值。測評準確，且兼顧運行速度和空間。

技術領域

本公開涉及智能推薦技術領域，尤其涉及一種推薦系統模型評測結果的評測方法及電子設備。

背景技術

現如今個性化推薦系統已經成為在各種場景中連接用戶和物品的不可或缺的和普遍存在的系統，如多媒體推薦，新聞推薦，商品推薦等。現有的推薦系統算法主要包含兩類，一類是基于規則的非深度學習算法，一類是基于神經網絡的深度學習算法。PyTorch為深度學習框架，在個性化推薦系統中占據了主要的地位，但目前的PyTorch推薦系統框架存在評測結果失效的風險，因此對PyTorch推薦系統框架評測結果進行評測十分必要。而目前的評測階段的效率不夠高，評估過程十分耗時。因此，亟需一套行之有效的適用PyTorch的推薦系統模型評測結果的評測方法。

發明內容

有鑒于此，本公開的目的在于提出一種推薦系統模型評測結果的評測方法及電子設備。

基于上述目的，本公開提供了一種推薦系統模型評測結果的評測方法，應用于PyTorch推薦系統框架，所述方法包括：

S100,獲取推薦系統模型評測結果，得到單個批次內每個用戶對候選商品的一維分數張量，根據評測方式進行對應重排處理，得到二維分數張量；所述二維分數張量中，每個用戶的正樣本張量均位于負樣本張量之前；

S200,生成所述二維分數張量的列索引的亂序排列，并利用所述列索引的亂序排列將二維分數張量的列重排，得到重排二維分數張量；

S300,根據重排二維分數張量，并行計算每個用戶的top-k商品對應的索引，并利用所述索引對所述列索引的亂序排列進行索引，得到單個批次內每個用戶的top-k商品的原始索引張量；

S400,循環所述步驟S100至步驟S300，得到所有批次內每個用戶的top-k商品的原始索引，按行拼接，得到所有用戶的top-k商品的原始索引；計算所有正樣本張量與所有用戶的top-k商品的交集在所有用戶的top-k商品的原始索引中的布爾索引張量；

S500，對所述布爾索引張量和所有正樣本張量，進行計算，得到所有相關top-k指標的值。

在一些實施例中，所述根據評測方式進行對應重排處理，得到二維分數張量具體包括:

若評測方式為負采樣，則進行負采樣重排；

若測評方式為全排序，則進行全排序重排。

在一些實施例中，所述負采樣重排包括：

依據每個用戶的候選商品數，對單個批次內每個用戶對候選商品的一維分數張量進行劃分；

填充劃分所得結果，得到二維分數張量。

在一些實施例中，所述全排序重排包括：

填充候選商品中歷史交互過的商品的分數；

對一維分數張量進行重組，得到二維分數張量。

在一些實施例中，所述得到重排二維分數張量具體包括：

將二維分數張量隨機生成雙射表，包括列索引和列索引的隨機排列；