推荐方法、装置、介质、装置和计算设备制造方法及图纸

本公开的实施方式提供了一种推荐方法、装置、介质、装置和计算设备。将推荐相关对象在至少两个业务场景下对应的场景共有特征输入目标模型，还将这至少两个业务场景分别对应的场景独有特征输入目标模型。如此，目标模型可以参考推荐相关对象与至少两个不同业务场景之间的关系，对推荐相关对象进行分析，输出的推荐度更加准确。荐度更加准确。荐度更加准确。

【技术实现步骤摘要】
推荐方法、装置、介质、装置和计算设备


[0001]本公开的实施方式涉及信息
，更具体地，本公开的实施方式涉及一种推荐方法、装置、介质、装置和计算设备。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]目前，利用根据人工智能算法训练得到的模型进行推荐业务，比较常见。通常，需要将推荐相关对象的特征输入到模型中，模型分析推荐相关对象的特征之后，输出用于表征推荐相关对象对应的推荐权重的推荐度。
[0004]基于此，如何获取更加准确的推荐度，是亟待解决的技术问题。

技术实现思路

[0005]本公开的实施方式期望提供一种推荐方法、装置、介质、装置和计算设备，以便基于更准确的推荐度进行推荐。
[0006]在本公开实施方式的第一方面中，提供了一种推荐方法，包括：
[0007]获取推荐相关数据；所述推荐相关数据包括：推荐相关对象在N个业务场景对应的场景共有特征，与所述N个业务场景分别对应的场景独有特征；其中，N＞1，所述N个业务场景分别对应的场景独有特征，用于对所述N个业务场景进行区分；
[0008]将所述推荐相关数据输入到目标模型，输出所述推荐相关对象对应的推荐度；
[0009]根据所述目标模型输出的推荐度，进行推荐。
[0010]在本公开的一个实施方式中，所述推荐相关对象，包括：
[0011]第一用户与用于推荐给所述第一用户的至少一个第二用户；r/>[0012]所述推荐相关对象在N个业务场景对应的场景共有特征，包括：
[0013]所述第一用户的用户画像特征；
[0014]所述第一用户在所述N个业务场景下的统计特征；
[0015]每个第二用户在所述N个业务场景下的统计特征。
[0016]在本公开的另一实施方式中，所述推荐相关对象在N个业务场景对应的场景共有特征，还包括：
[0017]每个第二用户的用户画像特征。
[0018]在本公开的又一个实施方式中，所述目标模型包括：输入层、专家网络层、权重网络层、加权计算层、输出层；
[0019]将所述推荐相关数据输入到目标模型，输出所述推荐相关对象对应的推荐度，包括：
[0020]将所述推荐相关数据输入到输入层，输出第一类特征向量；所述输入层包括映射子层，用于将高纬度稀疏特征向量映射成低纬度稠密特征向量；
[0021]将所述第一类特征向量输入所述专家网络层，输出Q个第二类特征向量；Q＞0；
[0022]将所述第一类特征向量输入所述权重网络层，输出与S个预测任务一一对应的S个权重值集合；每个权重值集合包括与Q个第二类特征向量一一对应的Q个权重值；S＞1；
[0023]将Q个第二类特征向量与S个权重值集合输入所述加权计算层，输出与S个预测任务一一对应的S个第三类特征向量；所述加权计算层用于针对每个预测任务，根据该预测任务对应的权重值集合与Q个第二类特征向量，进行加权计算；
[0024]将S个第三类特征向量输入所述输出层，输出关于S个预测任务的推荐度；所述输出层包括全连接子层。
[0025]在本公开的再一个实施方式中，所述输入层还包括：特征向量裁剪Dropout子层，用于将映射子层输出的特征向量进行裁剪，得到第一类特征向量。
[0026]在本公开的又一实施方式中，所述输出层还包括：深度神经网络子层，用于利用深度神经网络，将S个第三类特征向量进一步进行特征提取，得到S个第四类特征向量；
[0027]所述全连接子层，用于将S个第四类特征向量映射成推荐度。
[0028]在本公开的一个实施方式中，根据所述目标模型输出的推荐度，进行推荐，包括：
[0029]依据推荐场景将在S个预测任务上分别预测的推荐度进行筛选计算得到最终推荐度，根据最终推荐度，向所述第一用户推荐预设数量的第二用户。
[0030]在本公开实施方式的第二方面中，提供一种模型训练方法，包括：
[0031]根据N个业务场景与可适用于每个业务场景的M个基本预测任务，定义S个由业务场景与基本预测任务组合出的具体预测任务，S＝M*N；N＞1，M＞0；
[0032]构建用于实现所述S个具体预测任务的待训练模型；
[0033]以所述N个业务场景为数据源，获取多个推荐相关对象分别对应的数据样本；每个数据样本包括：N个业务场景对应的场景共有特征，与所述N个业务场景分别对应的场景独有特征；其中，所述共有特征包括该数据样本对应的推荐相关对象在N个业务场景下对应的对象特征；所述N个业务场景分别对应的场景独有特征，用于对所述N个业务场景进行区分；
[0034]针对每个数据样本，获取该数据样本对应的S个标签，其中第j个标签用于监督该数据样本在第j个具体预测任务上对应的预测结果；j＝1、
……
、S；
[0035]基于每个数据样本与每个数据样本对应的S个标签，训练所述待训练模型，得到目标模型。
[0036]在本公开实施方式的第三方面中，提供一种推荐装置，包括：
[0037]获取模块，获取推荐相关数据；所述推荐相关数据包括：推荐相关对象在N个业务场景对应的场景共有特征，与所述N个业务场景分别对应的场景独有特征；其中，N＞1，所述N个业务场景分别对应的场景独有特征，用于对所述N个业务场景进行区分；
[0038]处理模块，将所述推荐相关数据输入到目标模型，输出所述推荐相关对象对应的推荐度；
[0039]推荐模块，根据所述目标模型输出的推荐度，进行推荐。
[0040]在本公开实施方式的第四方面中，提供一种模型训练装置，包括：
[0041]定义模块，根据N个业务场景与可适用于每个业务场景的M个基本预测任务，定义S个由业务场景与基本预测任务组合出的具体预测任务，S＝M*N；N＞1，M＞0；
[0042]构建模块，构建用于实现所述S个具体预测任务的待训练模型；
[0043]样本获取模块，以所述N个业务场景为数据源，获取多个推荐相关对象分别对应的数据样本；每个数据样本包括：N个业务场景对应的场景共有特征，与所述N个业务场景分别对应的场景独有特征；其中，所述共有特征包括该数据样本对应的推荐相关对象在N个业务场景下对应的对象特征；所述N个业务场景分别对应的场景独有特征，用于对所述N个业务场景进行区分；
[0044]标签获取模块，针对每个数据样本，获取该数据样本对应的S个标签，其中第j个标签用于监督该数据样本在第j个具体预测任务上对应的预测结果；j＝1、
……
、S；
[0045]训练模块，基于每个数据样本与每个数据样本对应的S个标签，训练所述待训练模型，得到目标模型。
[0046]在本公开实施方式的第五方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现推荐方法或模型训练方法。
[0047]在本公开本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐方法，包括：获取推荐相关数据；所述推荐相关数据包括：推荐相关对象在N个业务场景对应的场景共有特征，与所述N个业务场景分别对应的场景独有特征；其中，N＞1，所述N个业务场景分别对应的场景独有特征，用于对所述N个业务场景进行区分；将所述推荐相关数据输入到目标模型，输出所述推荐相关对象对应的推荐度；根据所述目标模型输出的推荐度，进行推荐。2.如权利要求1所述方法，所述推荐相关对象，包括：第一用户与用于推荐给所述第一用户的至少一个第二用户；所述推荐相关对象在N个业务场景对应的场景共有特征，包括：所述第一用户的用户画像特征；所述第一用户在所述N个业务场景下的统计特征；每个第二用户在所述N个业务场景下的统计特征。3.如权利要求2所述方法，所述推荐相关对象在N个业务场景对应的场景共有特征，还包括：每个第二用户的用户画像特征。4.如权利要求2或3所述方法，所述目标模型包括：输入层、专家网络层、权重网络层、加权计算层、输出层；将所述推荐相关数据输入到目标模型，输出所述推荐相关对象对应的推荐度，包括：将所述推荐相关数据输入到输入层，输出第一类特征向量；所述输入层包括映射子层，用于将高维度稀疏特征向量映射成低维度稠密特征向量；将所述第一类特征向量输入所述专家网络层，输出Q个第二类特征向量；Q＞0；将所述第一类特征向量输入所述权重网络层，输出与S个预测任务一一对应的S个权重值集合；每个权重值集合包括与Q个第二类特征向量一一对应的Q个权重值；S＞1；将Q个第二类特征向量与S个权重值集合输入所述加权计算层，输出与S个预测任务一一对应的S个第三类特征向量；所述加权计算层用于针对每个预测任务，根据该预测任务对应的权重值集合与Q个第二类特征向量，进行加权计算；将S个第三类特征向量输入所述输出层，输出关于S个预测任务的推荐度；所述输出层包括全连接子层。5.如权利要求4所述方法，所述输入层还包括：特征向量裁剪Dropout子层，用于将映射子层输出的特征向量进行裁剪，得到第一类特征向量。6.一种模型训练方法，包括：根据N个业务场景与可适用于每个业务场景的M个基本预测任务，定义S个由业务场景与基本预测任务组合出的具体预测任务，S＝M*N；N＞1，M＞0；构建用于实现所述S个具体预测任务的待训练模型；以所述N个业务场景为数据源，获取多个推荐相关对象分别对应的数据样本；每个数据...

【专利技术属性】
技术研发人员：张钊，陈鸿翔，鲁沛瑶，
申请(专利权)人：杭州网易云音乐科技有限公司，
类型：发明
国别省市：