[發明專利]基于零次學習的清單推薦方法、系統、設備及存儲介質

在審

• 申請號: 202110481796.7
• 申請日: 2021-04-30
• 公開（公告）號: CN113139127A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 黃雪;董彬
• 申請（專利權）人: 北京大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06K9/62;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王毅

1.一種基于零次學習的清單推薦方法，其特征在于，包括：

獲取待創建清單的基本信息屬性；

將所述基本信息屬性輸入至預先訓練好的零次學習模型中，得到所述零次學習模型輸出的預測樣例特征；其中，所述零次學習模型是基于訓練清單以及訓練樣例之間的映射訓練得到的；

將所述預測樣例特征與真實樣例特征進行相似度匹配，并將匹配成功的真實樣例特征對應的樣例推薦至待創建清單中構建清單。

2.根據權利要求1所述的基于零次學習的清單推薦方法，其特征在于，所述將所述預測樣例特征與真實樣例特征進行相似度匹配，并將匹配成功的真實樣例特征對應的樣例推薦至待創建清單中構建清單，包括：

選取與所述預測樣例特征最鄰近的真實樣例特征；

將選取的最鄰近的真實樣例特征作為推薦樣例，推薦至待創建清單中進行清單構建。

3.根據權利要求2所述的基于零次學習的清單推薦方法，其特征在于，當與所述預測樣例特征進行相似度匹配的真實樣例特征屬于同一真實清單時，尋找與所述預測樣例特征最鄰近的真實樣例特征，包括：

計算所述預測樣例特征與真實樣例特征之間的歐式距離或余弦相似度；

根據距離大小對所述歐式距離進行排序，或根據相似度大小對所述余弦相似度進行排序；

根據所述排序，選取對應歐式距離最小或余弦相似度最大的真實樣例特征作為與所述預測樣例特征最鄰近的真實樣例特征。

4.根據權利要求2所述的基于零次學習的清單推薦方法，其特征在于，當與所述預測樣例特征進行相似度匹配的真實樣例特征屬于不同真實清單時，尋找與所述預測樣例特征最鄰近的真實樣例特征，包括：

計算所述預測樣例特征與真實樣例特征之間的歐式距離或余弦相似度；

根據距離大小對所述歐式距離進行排序，或根據相似度大小對所述余弦相似度進行排序；

根據排序，統計對應歐式距離最小或余弦相似度最大的多個真實樣例特征中相同真實樣例特征的出現次數，并將出現次數最多的真實樣例特征作為與所述預測樣例特征最鄰近的真實樣例特征。

5.根據權利要求1所述的基于零次學習的清單推薦方法，其特征在于，所述獲取待創建清單的基本信息屬性，包括：

根據用戶需求或偏好確定待創建清單的基本信息；

基于所述基本信息進行特征提取，并將提取的特征轉換為向量；

將轉換后的向量進行拼接形成基本信息屬性。

6.根據權利要求1所述的基于零次學習的清單推薦方法，其特征在于，訓練所述零次學習模型包括：

從預先構建的訓練數據庫內提取訓練清單屬性和訓練樣例特征；

利用所述訓練清單屬性與所述訓練樣例特征對所述零次學習模型進行映射訓練，并輸出預測映射標簽；

基于訓練清單屬性與訓練樣例特征之間的映射計算損失函數；

若所述損失函數收斂，則停止訓練；否則，繼續訓練所述損失函數。

7.根據權利要求6所述的基于零次學習的清單推薦方法，其特征在于，所述基于訓練清單屬性與訓練樣例特征之間的映射計算損失函數，包括：

計算所述訓練清單屬性映射至所述訓練樣例特征后與真實樣例特征之間的距離，作為第一距離損失；

計算所述訓練樣例特征映射至所述訓練清單屬性后與真實清單屬性特征之間的距離，作為第二距離損失；

計算從所述訓練清單屬性至所述訓練樣例特征的映射與所述訓練樣例特征至所述訓練清單屬性的映射之間的距離，記作映射損失；

計算映射過程中的正則化損失；

并基于所述第一距離損失、所述第二距離損失、所述映射損失和所述正則化損失求和，記作損失函數。