[發(fā)明專利]一種內(nèi)容推薦模型訓(xùn)練方法、系統(tǒng)、裝置與介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202310703354.1
• 申請(qǐng)日: 2023-06-14
• 公開（公告）號(hào): CN116595263A
• 公開（公告）日: 2023-08-15
• 發(fā)明（設(shè)計(jì)）人: 王曉勇
• 申請(qǐng)（專利權(quán)）人: 中國電信股份有限公司
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535;G06F18/214
• 代理公司: 廣州嘉權(quán)專利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 余凱歡

1.一種內(nèi)容推薦模型訓(xùn)練方法，其特征在于，包括以下步驟：

獲取運(yùn)維知識(shí)問答標(biāo)題庫的第一詞匯集合；所述第一詞匯集合用于表征所述運(yùn)維知識(shí)問答標(biāo)題庫中頻率排名處于前若干位的關(guān)鍵詞組成的集合；

根據(jù)所述第一詞匯集合，對(duì)問答知識(shí)內(nèi)容庫進(jìn)行分類，確定所述關(guān)鍵詞對(duì)應(yīng)的第一內(nèi)容集合；

根據(jù)所述第一內(nèi)容集合，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到內(nèi)容推薦模型。

2.根據(jù)權(quán)利要求1所述一種內(nèi)容推薦模型訓(xùn)練方法，其特征在于，所述頻率包括詞頻-逆文本頻率，所述獲取運(yùn)維知識(shí)問答標(biāo)題庫的第一詞匯集合這一步驟，具體包括：

從所述運(yùn)維知識(shí)問答標(biāo)題庫中提取各功能模塊的關(guān)鍵詞；

確定在所述運(yùn)維知識(shí)問答標(biāo)題庫中詞頻-逆文本頻率排名處于前若干個(gè)的所述關(guān)鍵詞為第一詞匯集合。

3.根據(jù)權(quán)利要求1所述一種內(nèi)容推薦模型訓(xùn)練方法，其特征在于，所述根據(jù)所述第一內(nèi)容集合，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到內(nèi)容推薦模型這一步驟，具體包括：

基于用戶與所述第一內(nèi)容集合的交互，獲取所述用戶對(duì)所述第一內(nèi)容集合中每個(gè)內(nèi)容的瀏覽數(shù)據(jù)；

根據(jù)所述瀏覽數(shù)據(jù)，確定所述用戶對(duì)所述每個(gè)內(nèi)容的評(píng)價(jià)數(shù)據(jù)；

根據(jù)所述評(píng)價(jià)數(shù)據(jù)，確定所述用戶的評(píng)價(jià)數(shù)據(jù)矩陣；

根據(jù)所述評(píng)價(jià)數(shù)據(jù)矩陣，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到內(nèi)容推薦模型。

4.根據(jù)權(quán)利要求3所述一種內(nèi)容推薦模型訓(xùn)練方法，其特征在于，所述瀏覽數(shù)據(jù)包括用戶打開內(nèi)容鏈接次數(shù)、用戶瀏覽內(nèi)容次數(shù)、用戶點(diǎn)贊內(nèi)容次數(shù)、用戶點(diǎn)擊收藏次數(shù)、用戶下載內(nèi)容次數(shù)、用戶分享內(nèi)容次數(shù)以及用戶對(duì)內(nèi)容評(píng)價(jià)次數(shù)，所述根據(jù)所述瀏覽數(shù)據(jù)，確定所述用戶對(duì)所述每個(gè)內(nèi)容的評(píng)價(jià)數(shù)據(jù)這一步驟，具體包括：

根據(jù)所述用戶打開內(nèi)容鏈接次數(shù)與第一預(yù)設(shè)權(quán)重，確定第一評(píng)價(jià)數(shù)據(jù)；

根據(jù)所述用戶瀏覽內(nèi)容次數(shù)與第二預(yù)設(shè)權(quán)重，確定第二評(píng)價(jià)數(shù)據(jù)；

根據(jù)所述用戶點(diǎn)贊內(nèi)容次數(shù)與第三預(yù)設(shè)權(quán)重，確定第三評(píng)價(jià)數(shù)據(jù)；

根據(jù)所述用戶點(diǎn)擊收藏次數(shù)與第四預(yù)設(shè)權(quán)重，確定第四評(píng)價(jià)數(shù)據(jù)；

根據(jù)所述用戶下載內(nèi)容次數(shù)與第五預(yù)設(shè)權(quán)重、確定第五評(píng)價(jià)數(shù)據(jù)；

根據(jù)所述用戶分享內(nèi)容次數(shù)與第六預(yù)設(shè)權(quán)重，確定第六評(píng)價(jià)數(shù)據(jù)；

根據(jù)所述用戶對(duì)內(nèi)容評(píng)價(jià)次數(shù)與第七預(yù)設(shè)權(quán)重，確定第七評(píng)價(jià)數(shù)據(jù)；

以所述第一評(píng)價(jià)數(shù)據(jù)、所述第二評(píng)價(jià)數(shù)據(jù)、所述第三評(píng)價(jià)數(shù)據(jù)、所述第四評(píng)價(jià)數(shù)據(jù)、所述第五評(píng)價(jià)數(shù)據(jù)、所述第六評(píng)價(jià)數(shù)據(jù)以及所述第七評(píng)價(jià)數(shù)據(jù)的總和為所述用戶對(duì)所述每個(gè)內(nèi)容的評(píng)價(jià)數(shù)據(jù)。

5.根據(jù)權(quán)利要求3所述一種內(nèi)容推薦模型訓(xùn)練方法，其特征在于，所述根據(jù)所述評(píng)價(jià)數(shù)據(jù)，確定所述用戶的評(píng)價(jià)數(shù)據(jù)矩陣這一步驟，具體包括：

對(duì)所述評(píng)價(jià)數(shù)據(jù)作歸一化處理，得到歸一化評(píng)價(jià)數(shù)據(jù)；

對(duì)所述用戶進(jìn)行排序，以排序后的所述用戶的序號(hào)作為所述評(píng)價(jià)數(shù)據(jù)矩陣的行，以所述用戶對(duì)應(yīng)的所述歸一化評(píng)價(jià)數(shù)據(jù)作為所述評(píng)價(jià)數(shù)據(jù)矩陣的列，得到所述用戶的評(píng)價(jià)數(shù)據(jù)矩陣。

6.根據(jù)權(quán)利要求3所述一種內(nèi)容推薦模型訓(xùn)練方法，其特征在于，所述根據(jù)所述評(píng)價(jià)數(shù)據(jù)矩陣，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到內(nèi)容推薦模型這一步驟，具體包括：

將所述評(píng)價(jià)數(shù)據(jù)矩陣進(jìn)行向量變換，得到用戶向量和內(nèi)容向量；

將所述用戶向量以及所述內(nèi)容向量進(jìn)行聯(lián)接操作，得到聯(lián)合向量；

將所述聯(lián)合向量輸入所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至所述神經(jīng)網(wǎng)絡(luò)模型的損失值為最小，得到內(nèi)容推薦模型。

7.根據(jù)權(quán)利要求1所述一種內(nèi)容推薦模型訓(xùn)練方法，其特征在于，所述根據(jù)所述第一詞匯集合，對(duì)問答知識(shí)內(nèi)容庫進(jìn)行分類，確定所述關(guān)鍵詞對(duì)應(yīng)的第一內(nèi)容集合這一步驟，具體包括：

以第一詞匯集合的所有詞匯作為若干個(gè)內(nèi)容分類，將所述問答知識(shí)內(nèi)容庫中任意一個(gè)內(nèi)容以及所述若干個(gè)內(nèi)容分類輸入分類公式，確定所述任意一個(gè)內(nèi)容所對(duì)應(yīng)的若干個(gè)內(nèi)容分類的概率集合；

以所述概率集合中最大概率值對(duì)應(yīng)的一個(gè)所述內(nèi)容分類作為所述任意一個(gè)詞匯對(duì)應(yīng)的內(nèi)容分類。