[發明專利]物品推薦模型的訓練方法、物品篩選方法、裝置和設備

在審

• 申請號: 202111246631.8
• 申請日: 2021-10-26
• 公開（公告）號: CN113850654A
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 汪加林;吳歡歡;丁卓冶
• 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: G06Q30/06
• 分類號: G06Q30/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 張娜;黃健

本申請提供一種物品推薦模型的訓練方法、物品篩選方法、裝置和設備，其中，該方法包括：獲取推薦模型中預設的預測任務，根據輸入至推薦模型的用戶特征和物品特征，得到每個預測任務的用戶向量和物品向量，根據每個預測任務的用戶向量、物品向量和預設樣本標簽，確定每個預測任務的損失函數，根據每個預測任務的損失函數，獲取推薦模型的目標損失函數，根據目標損失函數，獲取訓練完成的推薦模型，訓練完成的推薦模型用于預測用戶對不同物品的偏好度。該技術方案中，能夠使得訓練得到的模型可以對多目標進行建模的情況下，降低模型的粗排耗時，提高模型的粗排效率。

技術領域

本申請涉及機器學習技術領域，尤其涉及一種物品推薦模型的訓練方法、物品篩選方法、裝置和設備。

背景技術

線上購物平臺為了方便用戶購物，會根據用戶的過往行為記錄，為用戶推薦一些用戶可能想要買的物品。這些物品最終推薦給用戶之前，線上平臺一般會先從數十億數量級的商品池中召回上萬數量級的物品，然后通過粗排序將其過濾為上千數量級的物品，再通過精排序將其過濾為上百數量級的物品，最后再通過重排，選取出排序靠前的幾個或幾十個物品推薦給用戶。

現有技術中，在進行粗排序的過程中，主要是采用基于向量內積的深度學習模型，以用戶點擊率作為任務目標，結合用戶的過往行為記錄和物品信息，從上萬數量級的物品中過濾出上千數量級的用戶可能想買的物品。

但是，現有技術的這種方式，只能夠對單個任務目標進行建模，在使用多任務目標時，會提高粗排過程所花費的耗時，降低粗排效率。

發明內容

本申請提供一種物品推薦模型的訓練方法、物品篩選方法、裝置和設備，用于解決現有模型粗排篩選過程耗時長的問題。

第一方面，本申請實施例提供一種物品推薦模型的訓練方法，包括：

獲取推薦模型中預設的預測任務，所述預測任務的數量至少為兩個；

根據輸入至推薦模型的用戶特征和物品特征，得到每個預測任務的用戶向量和物品向量，所述用戶特征用于指示用戶與物品發生的交互行為和用戶信息，所述物品特征用于指示物品的屬性信息；

根據每個預測任務的用戶向量、物品向量和預設樣本標簽，確定每個預測任務的損失函數；

根據每個預測任務的損失函數，獲取所述推薦模型的目標損失函數；

根據所述目標損失函數，獲取訓練完成的推薦模型，所述訓練完成的推薦模型用于預測用戶對不同物品的偏好度。

在第一方面的一種可能設計中，所述根據輸入至推薦模型的用戶特征和物品特征，得到每個預測任務的用戶向量和物品向量，包括：

獲取所述用戶特征的特征域和所述物品特征的特征域；

根據所述用戶特征的特征域和所述物品特征的特征域，將所述用戶特征劃分得到用戶對稱特征和用戶非對稱特征，以及將所述物品特征劃分得到物品對稱特征和物品非對稱特征；

根據所述用戶對稱特征和用戶非對稱特征，得到每個預測任務的用戶對稱向量和用戶非對稱向量，作為所述用戶向量；

根據所述物品對稱特征和所述物品非對稱特征，得到每個預測任務的物品對稱向量和物品非對稱向量，作為物品向量。

在第一方面的另一種可能設計中，所述根據輸入至推薦模型的用戶特征和物品特征，得到每個預測任務的用戶向量和物品向量，包括：

根據預測任務的數量，在所述推薦模型中構建得到目標數量的多層感知機，所述多層感知機用于進行特征建模；

確定每個預測任務的用戶對稱特征、用戶非對稱特征、物品對稱特征和物品非對稱特征分別對應的多層感知機；