[發明專利]推薦系統的排序方法、裝置、設備及可讀存儲介質

在審

• 申請號: 202211549152.8
• 申請日: 2022-12-05
• 公開（公告）號: CN115757973A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 孫玉龍;張志勇;蔣兵兵;龍明康
• 申請（專利權）人: 科大訊飛股份有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/0464;G06N3/048;G06N3/08;G06F18/24;G06F18/23
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 李婉

1.一種推薦系統的排序方法，其特征在于，所述方法包括：

確定特征數據，所述特征數據包括用戶的特征數據，以及與所述用戶對應的多個待推薦對象的特征數據；

基于所述特征數據，構建特征數據對，每個特征數據對中包括所述用戶的特征數據和一個所述待推薦對象的特征數據，所述特征數據對的數量與所述待推薦對象的數量相同；

針對每個特征數據對，對所述特征數據對進行多尺度局部鄰域非線性聚合得到聚合后的特征數據，并對所述聚合后的特征數據進行處理得到所述特征數據對的置信度得分；

基于各特征數據對的置信度得分對所述多個待推薦對象進行排序。

2.根據權利要求1所述的方法，其特征在于，所述確定特征數據，包括：

獲取畫像數據，所述畫像數據包括所述用戶的畫像數據，以及，與所述用戶對應的多個待推薦對象的畫像數據；所述畫像數據包括連續型數據、單值離散型數據和多值離散型數據；

對所述畫像數據中的連續型數據進行去長尾處理，得到去長尾處理后的連續型數據，并對所述去長尾處理后的連續型數據進行歸一化處理，得到歸一化處理后的連續型數據；

對所述歸一化處理后的連續型數據、所述單值離散型數據和所述多值離散型數據分別進行標準化處理，得到所述特征數據。

3.根據權利要求2所述的方法，其特征在于，所述對所述畫像數據中的連續型數據進行去長尾處理，得到去長尾處理后的連續型數據，包括：

對所述畫像數據中的連續型數據進行開n次冪或取對數處理，得到去長尾處理后的連續型數據，所述n為大于等于2的整數。

4.根據權利要求1所述的方法，其特征在于，所述對所述特征數據對進行多尺度局部鄰域非線性聚合得到聚合后的特征數據，并對所述聚合后的特征數據進行處理得到所述特征數據對的置信度得分，包括：

將所述特征數據對輸入預先訓練的排序模型，所述排序模型對所述特征數據對進行多尺度局部鄰域非線性聚合得到聚合后的特征數據，并對所述聚合后的特征數據進行處理得到所述特征數據對的置信度得分；所述排序模型是以訓練用特征數據對為訓練樣本，以訓練用特征數據對的標簽為樣本標簽，訓練得到的。

5.根據權利要求4所述的方法，其特征在于，所述排序模型包括特征拼接模塊、多尺度局部鄰域非線性聚合模塊和置信度打分模塊；

所述特征拼接模塊將所述特征數據對中的用戶的特征數據和一個所述待推薦對象的特征數據進行拼接，得到拼接后的特征數據；

所述多尺度局部鄰域非線性聚合模塊對所述拼接后的特征數據進行多尺度局部鄰域非線性聚合，得到聚合后的特征數據；

所述置信度打分模塊對所述聚合后的特征數據進行置信度打分，得到所述特征數據對的置信度得分。

6.根據權利要求5所述的方法，其特征在于，所述多尺度局部鄰域非線性聚合模塊包括：依次級聯的多個多尺度隨機組合式卷積層；

每個多尺度隨機組合式卷積層中包括多個卷積核，所述多個卷積核中，最小尺度為2，其余卷積核的尺度是從預設尺度列表中等間距選擇確定的，所述預設尺度列表中每個尺度均為奇數，最小尺度為3，最大尺度為2int(N/4)-1，N為所述拼接后的特征數據的長度；

每個多尺度隨機組合式卷積層的深度是基于N確定的。

7.根據權利要求6所述的方法，其特征在于，每個卷積核在特征數據上遍歷時，以預設概率保持正常卷積，其他情況進行隨機卷積，所述正常卷積即為從特征數據的開始位置到結束位置順序滑動卷積窗口，所述隨機卷積即為每次中心特征不變，從中心特征以外的特征中隨機選擇其他特征。

8.根據權利要求6所述的方法，其特征在于，所述置信度打分模塊包括池化層和激活層，所述池化層與最后一個所述多尺度隨機組合式卷積層連接，所述激活層與所述池化層連接。