本公开提供了一种兴趣模型训练方法、兴趣点推荐方法、装置和设备。本公开涉及数据处理技术领域，尤其涉及人工智能、深度学习和地图领域，具体方案包括：从历史行为数据中，获取历史兴趣点；利用历史兴趣点的词向量和场景需求的向量，训练建立兴趣模型。利用该兴趣模型确定的用户兴趣推荐兴趣点，可以满足用户个性化需求，提升用户体验和查找效率。提升用户体验和查找效率。提升用户体验和查找效率。
【技术实现步骤摘要】
兴趣模型训练方法、兴趣点推荐方法、装置和设备
[0001]本公开涉及数据处理
，尤其涉及深度学习等人工智能领域。
技术介绍
[0002]随着社会的高速发展，地图作为出行类工具，用户使用的频率越来越高，越来越多用户通过地图的检索和发现周边，来寻找美食和景点等兴趣点。然而，现有的地图应用中，检索和发现周边的推荐结果是对兴趣点的热度和质量进行排序的固定结果。
技术实现思路
[0003]本公开提供了一种兴趣模型训练方法、兴趣点推荐方法、装置和设备。
[0004]根据本公开的一方面，提供了一种兴趣模型训练方法，包括：
[0005]从历史行为数据中，获取历史兴趣点；
[0006]利用历史兴趣点的词向量和场景需求的向量，训练兴趣模型。
[0007]根据本公开的另一方面，提供了一种兴趣点推荐方法，包括：
[0008]将历史行为数据输入至第一类兴趣模型，得到第一类兴趣信息；
[0009]将历史行为数据输入第二类兴趣模型，得到第二类兴趣信息，第二类兴趣模型是采用本公开的兴趣模型训练方法训练的；
[0010]基于场景需求、第一类兴趣信息和第二类兴趣信息进行召回和排序，得到推荐的兴趣点。
[0011]根据本公开的另一方面，提供了一种兴趣模型训练装置，包括：
[0012]历史兴趣点获取模块，用于从历史行为数据中，获取历史兴趣点；
[0013]兴趣模型训练模块，用于利用历史兴趣点的词向量和场景需求的向量，训练兴趣模型。
[0014]根据本公开的另一方面，提供了一种兴趣点推荐装置，包括：
[0015]第一类兴趣信息获取模块，用于将历史行为数据输入至第一类兴趣模型，得到第一类兴趣信息；
[0016]第二类兴趣信息获取模块，用于将历史行为数据输入第二类兴趣模型，得到第二类兴趣信息，第二类兴趣模型是兴趣模型训练装置训练的；
[0017]推荐兴趣点确定模块，用于基于场景需求、第一类兴趣信息和第二类兴趣信息进行召回和排序，得到推荐的兴趣点。
[0018]根据本公开的另一方面，提供了一种电子设备，包括：
[0019]至少一个处理器；以及
[0020]与该至少一个处理器通信连接的存储器；其中，
[0021]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的兴趣模型训练方法或兴趣点推荐方法。
[0022]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的兴趣模型训练方法或兴趣点推荐方法。
[0023]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的兴趣模型训练方法或兴趣点推荐方法。
[0024]根据本公开的技术，综合兴趣点的词向量和场景需求的向量训练兴趣模型，使得训练后的兴趣模型可以得到与场景需求匹配的用户兴趣向量。利用该兴趣向量召回兴趣点，可以推荐满足用户个性化需求的兴趣点，提升用户体验和查找效率。
[0025]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0026]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0027]图1是本公开一实施例的兴趣模型训练方法的流程示意图意图；
[0028]图2是根据本公开另一实施例的兴趣模型训练方法的流程图；
[0029]图3是根据本公开一实施例的兴趣点推荐方法的流程图；
[0030]图4是根据本公开另一实施例的兴趣点推荐方法的流程图；
[0031]图5是根据本公开另一实施例的兴趣点推荐方法的流程图；
[0032]图6是根据本公开另一实施例中实现兴趣点推荐方法的系统示意图；
[0033]图7是根据本公开另一实施例中完成训练的注意力序列到序列模型效果的示意图；
[0034]图8是根据本公开另一实施例中长期兴趣应用模块的应用示意图；
[0035]图9a是地图应用中检索框输入泛需求词的场景示例；
[0036]图9b是相关技术的检索框输入泛需求词场景的推荐结果示例图；
[0037]图10a是地图应用中点击发现周边的场景示例；
[0038]图10b是相关技术的点击发现周边的推荐结果示例图；
[0039]图11a是相关技术的推荐效果示例图一；
[0040]图11b是根据本公开实施例针对与图11a同一用户行为的推荐效果示例图二；
[0041]图12a是相关技术的推荐效果示例图三；
[0042]图12b是根据本公开实施例针对与图11a同一用户行为的推荐效果示例图四；
[0043]图13是根据本公开一实施例的兴趣模型训练装置的示意性框图；
[0044]图14是根据本公开一实施例的兴趣模型训练装置的示意性框图；
[0045]图15是根据本公开一实施例的兴趣点推荐装置的示意性框图；
[0046]图16是根据本公开一实施例的兴趣点推荐装置的示意性框图；
[0047]图17是用来实现本公开实施例的兴趣模型训练方法或兴趣点推荐方法的电子设备的框图。
具体实施方式
[0048]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种
细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0049]图1是根据本公开一实施例的兴趣模型训练方法的流程示意图。该方法可以包括：
[0050]S11、从历史行为数据中，获取历史兴趣点。
[0051]S12、利用历史兴趣点的词向量和场景需求的向量，训练兴趣模型。
[0052]本公开实施例根据用户的各种历史行为，获取历史兴趣点，然后对应构建历史兴趣点的向量和场景需求的向量，对兴趣模型进行训练，训练后的兴趣模型能够用于生成用户的兴趣向量。由于历史兴趣点的向量训练兴趣模型，可以得到体现用户长期兴趣习惯的兴趣向量。而且，由于用户历史行为中包含各种类型的兴趣点，并非所有的兴趣点都与当前场景需求相匹配。因此，本公开实施例还综合兴趣点的词向量和场景需求的向量训练兴趣模型，使得训练后的兴趣模型可以得到与场景需求匹配的用户兴趣向量。利用该兴趣向量召回兴趣点，可以得到更加符合用户的场景需求的兴趣点，而不是千人一面的推荐结果。本公开实施例能够在理解用户长期兴趣习惯和当前需求的基础上，推荐尽可能满足用户个性化需求的兴趣点，以提升用户体验和查找效率。
[0053]另外，本公开实施例中，对于历史兴趣点和场景需求，均采用相应的词本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种兴趣模型训练方法，包括：从历史行为数据中，获取历史兴趣点；利用历史兴趣点的词向量和场景需求的向量，训练兴趣模型。2.根据权利要求1所述的方法，其中，所述方法还包括：利用词向量工具对历史兴趣点进行处理，得到历史兴趣点的词向量。3.根据权利要求1所述的方法，其中，利用历史兴趣点的词向量和场景需求的向量，训练兴趣模型，包括：在召回模型中加入注意力模块，所述注意力模块的输入包括场景需求的向量和历史兴趣点的词向量，所述注意力模块的输出包括场景需求与历史兴趣点的相关性权重；对加入注意力模块的召回模型进行端到端训练，得到兴趣模型。4.一种兴趣点推荐方法，包括：将历史行为数据输入至第一类兴趣模型，得到第一类兴趣信息；将所述历史行为数据输入第二类兴趣模型，得到第二类兴趣信息，所述第二类兴趣模型是采用权利要求1至3中任一项所述的方法训练的；基于场景需求、所述第一类兴趣信息和所述第二类兴趣信息进行召回和排序，得到推荐的兴趣点。5.根据权利要求4所述的方法，其中，所述第一类兴趣模型是采用注意力模型训练得到的，所述注意力模型的训练样本包括：第一时间段内历史行为数据和第二时间段内历史行为数据，其中，所述第一时间段在所述第二时间段之前。6.根据权利要求4所述的方法，其中，所述第一类兴趣模型为显式兴趣模型，所述第一类兴趣信息为显式兴趣信息；所述第二类兴趣模型为隐式兴趣模型，所述第二类兴趣信息为隐式兴趣信息。7.根据权利要求4所述的方法，其中，基于场景需求、所述第一类兴趣信息和所述第二类兴趣信息进行召回和排序，得到推荐的兴趣点，包括：基于所述第一类兴趣模型输出的第一类兴趣信息进行召回，得到第一类兴趣点队列，所述第一类兴趣信息包括兴趣标签；基于所述第二类兴趣模型输出的第二类兴趣信息进行召回，得到第二类兴趣点队列，所述第二类兴趣信息包括兴趣向量；将所述第一类兴趣点队列和所述第二类兴趣点队列输入排序模型进行重新排序，得到推荐的兴趣点队列。8.一种兴趣模型训练装置，包括：历史兴趣点获取模块，用于从历史行为数据中，获取历史兴趣点；兴趣模型训练模块，用于利用历史兴趣点的词向量和场景需求的向量，训练兴趣模型。9.根据权利要求8所述的装置，其中，所述装置还包括：词向量获取模块，用于利用词向量工具对历史兴趣点进行处理，得到历史兴趣点的词向量。10.根据权利要求8所述的装置，其中，所述兴趣模型训练模块具体用于：在召回模型中加入注...
【专利技术属性】
技术研发人员：陈浩，张澍，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。