[發(fā)明專(zhuān)利]基于交友場(chǎng)景的推薦模型的訓(xùn)練方法、裝置、電子設(shè)備和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110409062.8
• 申請(qǐng)日: 2021-04-16
• 公開(kāi)（公告）號(hào): CN113051486A
• 公開(kāi)（公告）日: 2021-06-29
• 發(fā)明（設(shè)計(jì)）人: 蔡成加
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳市珍愛(ài)捷云信息技術(shù)有限公司
• 主分類(lèi)號(hào): G06F16/9536
• 分類(lèi)號(hào): G06F16/9536;G06F16/9535
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于交友場(chǎng)景的推薦模型的訓(xùn)練方法，其特征在于，包括：

獲取預(yù)設(shè)時(shí)間內(nèi)目標(biāo)應(yīng)用程序的交友推薦頁(yè)的用戶(hù)行為數(shù)據(jù)集；

從所述用戶(hù)行為數(shù)據(jù)集中篩選第一樣本集訓(xùn)練預(yù)設(shè)的點(diǎn)擊率預(yù)估模型，得到所述點(diǎn)擊率預(yù)估模型，其中，所述點(diǎn)擊率預(yù)估模型輸出針對(duì)所述用戶(hù)行為數(shù)據(jù)集執(zhí)行極大似然計(jì)算得到的點(diǎn)擊概率參數(shù)；

基于所述點(diǎn)擊概率參數(shù)對(duì)待訓(xùn)練的推薦模型執(zhí)行初始化，得到初始化推薦模型；

基于用戶(hù)行為數(shù)據(jù)集構(gòu)建第二樣本集，將所述第二樣本集代入所述初始化推薦模型進(jìn)行訓(xùn)練，得到所述推薦模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述點(diǎn)擊率預(yù)估模型采用邏輯回歸LR模型結(jié)構(gòu)。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述推薦模型采用SVMRank模型結(jié)構(gòu)。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于用戶(hù)行為數(shù)據(jù)集構(gòu)建第二樣本集，包括：

從所述用戶(hù)行為數(shù)據(jù)集中提取多個(gè)用戶(hù)對(duì)，所述多個(gè)用戶(hù)對(duì)中每一所述用戶(hù)對(duì)包括：主動(dòng)用戶(hù)和被動(dòng)用戶(hù)；

確定所述多個(gè)用戶(hù)對(duì)的多個(gè)樣本目標(biāo)等級(jí)，基于所述多個(gè)用戶(hù)對(duì)和所述多個(gè)樣本目標(biāo)等級(jí)構(gòu)建多個(gè)訓(xùn)練樣本對(duì)；

針對(duì)所述多個(gè)用戶(hù)對(duì)中任意一個(gè)主動(dòng)用戶(hù)，從預(yù)設(shè)推薦用戶(hù)列表中隨機(jī)選取多個(gè)隨機(jī)用戶(hù)與所述任意一個(gè)主動(dòng)用戶(hù)構(gòu)建多個(gè)隨機(jī)用戶(hù)對(duì)，所述多個(gè)隨機(jī)用戶(hù)對(duì)的樣本目標(biāo)等級(jí)為第一等級(jí)；

基于所述隨機(jī)用戶(hù)對(duì)所述第一等級(jí)構(gòu)建多個(gè)隨機(jī)樣本對(duì)；

所述多個(gè)訓(xùn)練樣本對(duì)和所述多個(gè)隨機(jī)樣本對(duì)構(gòu)成所述第二樣本集。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述確定所述多個(gè)用戶(hù)對(duì)的樣本目標(biāo)等級(jí)，包括：

針對(duì)所述多個(gè)用戶(hù)對(duì)中每一所述用戶(hù)對(duì)，獲取所述用戶(hù)對(duì)的用戶(hù)行為數(shù)據(jù)；

從所述用戶(hù)行為數(shù)據(jù)中提取所述用戶(hù)對(duì)的主動(dòng)行為數(shù)和被動(dòng)行為數(shù)；

判斷所述被動(dòng)行為數(shù)是否為零，若不為零，則確定所述樣本目標(biāo)等級(jí)為第四等級(jí)；

若所述被動(dòng)行為數(shù)為零，則判斷所述主動(dòng)行為數(shù)是否大于預(yù)設(shè)閾值，若大于，則確定所述樣本目標(biāo)等級(jí)為第三等級(jí)；

若所述主動(dòng)行為數(shù)不大于所述預(yù)設(shè)閾值，則確定所述樣本目標(biāo)等級(jí)為第二等級(jí)。

6.根據(jù)權(quán)利1-5任一項(xiàng)所述的方法，其特征在于，所述將所述第二樣本集代入所述初始化推薦模型進(jìn)行訓(xùn)練，包括：

提取所述樣本目標(biāo)等級(jí)對(duì)應(yīng)的樣本權(quán)重對(duì)所述第二樣本集進(jìn)行加權(quán)，得到訓(xùn)練樣本集；

針對(duì)所述訓(xùn)練樣本集執(zhí)行特征提取操作，得到所述訓(xùn)練樣本集對(duì)應(yīng)的訓(xùn)練樣本特征集；

對(duì)所述訓(xùn)練樣本特征集執(zhí)行歸一化處理得到歸一化后的訓(xùn)練樣本特征集；

將所述歸一化后的訓(xùn)練樣本特征集代入所述初始化推薦模型進(jìn)行訓(xùn)練。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述從所述用戶(hù)行為數(shù)據(jù)集中篩選第一樣本集訓(xùn)練預(yù)設(shè)的點(diǎn)擊率預(yù)估模型，包括：

基于所述用戶(hù)行為數(shù)據(jù)集篩選正樣本子集和負(fù)樣本子集，所述正樣本子集和所述負(fù)樣本子集構(gòu)成所述第一樣本集，其中所述正樣本子集的正樣本為用戶(hù)針對(duì)所述交友推薦頁(yè)執(zhí)行點(diǎn)擊操作的行為數(shù)據(jù)，所述負(fù)樣本子集的負(fù)樣本為所述用戶(hù)針對(duì)所述交友推薦頁(yè)未執(zhí)行點(diǎn)擊操作的行為數(shù)據(jù)；

對(duì)所述正樣本子集和所述負(fù)樣本子集執(zhí)行特征提取操作，得到正樣本特征集和負(fù)樣本特征集；

通過(guò)所述正樣本特征集和所述負(fù)樣本特征集訓(xùn)練所述預(yù)設(shè)的點(diǎn)擊率預(yù)估模型。

8.一種基于交友場(chǎng)景的推薦模型的訓(xùn)練裝置，其特征在于，包括：

獲取單元，用于獲取預(yù)設(shè)時(shí)間內(nèi)目標(biāo)應(yīng)用程序的交友推薦頁(yè)的用戶(hù)行為數(shù)據(jù)集；

第一訓(xùn)練單元，用于從所述用戶(hù)行為數(shù)據(jù)集中篩選第一樣本集訓(xùn)練預(yù)設(shè)的點(diǎn)擊率預(yù)估模型，得到所述點(diǎn)擊率預(yù)估模型，其中，所述點(diǎn)擊率預(yù)估模型輸出針對(duì)所述用戶(hù)行為數(shù)據(jù)集執(zhí)行極大似然計(jì)算得到的點(diǎn)擊概率參數(shù)；

初始化單元，用于基于所述點(diǎn)擊概率參數(shù)對(duì)待訓(xùn)練的推薦模型執(zhí)行初始化，得到初始化推薦模型；

第二訓(xùn)練單元，用于基于用戶(hù)行為數(shù)據(jù)集構(gòu)建第二樣本集，將所述第二樣本集代入所述初始化推薦模型進(jìn)行訓(xùn)練，得到所述推薦模型。