基于建模偶然不确定性的物品推荐方法、装置和设备制造方法及图纸

本发明专利技术提供了一种基于建模偶然不确定性的物品推荐方法、装置和设备，该方法包括：响应于物品推荐请求，获取目标用户的历史行为数据；将目标用户的历史行为数据输入至推荐模型中，输出目标用户

【技术实现步骤摘要】
基于建模偶然不确定性的物品推荐方法、装置和设备


[0001]本专利技术涉及机器学习
和数据挖掘
，具体地涉及一种基于建模偶然不确定性的物品推荐方法、装置和设备。

技术介绍

[0002]在推荐物品的过程中，一般根据用户点击过的物品进行推荐，对于大多数未推荐的物品，并不能获取用户对这些物品的真实反馈，根据这些不能获取真实反馈的物品得到的数据可以称为负样本数据。在实现本专利技术构思的过程中，专利技术人发现相关技术中至少存在如下问题：在负样本数据中通常会存在部分被误标注的正样本数据，例如在未推荐的物品中有部分物品是用户感兴趣的物品，但由于未推荐给客户，导致用户并未能与该物品进行交互，进而导致大部分物品和用户的有效数据缺失，尤其是在尾部物品（尾部物品是指需求不频繁，或需求变动大的物品）中，交互数据更为缺失。利用这些包括正样本数据的负样本数据对物品推荐模型进行训练，会降低物品推荐的准确率，尤其降低尾部物品推荐的准确率。

技术实现思路

[0003]鉴于上述问题，本专利技术提供了一种可以提高物品推荐准确率的基于建模偶然不确定性的物品推荐方法、装置、设备和介质。
[0004]本专利技术的一个方面提供了一种基于建模偶然不确定性的物品推荐方法，包括：响应于物品推荐请求，获取目标用户的历史行为数据；将上述目标用户的历史行为数据输入至推荐模型中，输出目标用户
‑
物品对的预测分值；将上述目标用户的历史行为数据输入至不确定性估计器模型中，输出目标用户
‑
物品对的偶然不确定性数值；根据上述目标用户
‑
物品对的预测分值和上述目标用户
‑
物品对的偶然不确定性数值，确定目标推荐结果。
[0005]可选地，上述方法还包括：根据上述目标推荐结果，确定待推荐物品的分值；基于预设排序规则对上述分值进行排序，生成待推荐物品列表；根据上述待推荐物品列表，确定上述目标推荐物品。
[0006]可选地，上述将上述目标用户的历史行为数据输入至不确定性估计器模型中，输出目标用户
‑
物品对的偶然不确定性数值包括：根据上述目标用户的历史行为数据，生成历史操作列表，其中，上述历史操作列表中包括多个历史选择物品，上述历史选择物品配置有预设参数；根据上述预设参数，确定上述目标用户
‑
物品对的偶然不确定性数值。
[0007]可选地，上述推荐模型是通过如下训练方式得到的：获取训练样本数据集，其中，上述训练样本数据集包括样本用户的样本历史行为数据和样本用户的标签信息；将上述样本用户的样本历史行为数据输入至初始推荐模型中，输出第一训练结果；将上述第一训练结果和上述标签信息输入至第一损失函数中，得到第一损失结果；根据上述第一损失结果调整上述初始推荐模型的模型参数，直至上述第一损失函数收敛；将上述第一损失函数收敛时得到的模型作为上述推荐模型。
[0008]可选地，上述训练样本数据集还包括正样本数据和负样本数据；其中，上述将上述样本用户的样本历史行为数据输入至上述初始推荐模型中，输出第一训练结果包括：从上述负样本数据中提取预设比例的训练样本数据，得到目标负样本数据；以及将上述正样本数据和上述目标负样本数据输入至上述初始推荐模型中，输出上述第一训练结果。
[0009]可选地，上述不确定性估计器模型是通过如下训练方式得到的：将上述样本用户的样本历史行为数据输入至初始不确定性估计器模型中，输出样本用户
‑
物品对的偶然不确定性数值；将上述样本用户的偶然不确定性数值、上述第一训练结果、上述样本用户的样本历史行为数据和上述标签信息输入至第二损失函数中，得到第二损失结果；根据上述第二损失结果调整上述初始不确定性估计器模型的模型参数，直至上述第二损失函数收敛；将上述第二损失函数收敛时得到的模型作为上述不确定性估计器模型。
[0010]可选地，上述将上述样本用户的样本历史行为数据输入至初始不确定性估计器模型中，输出样本用户
‑
物品对的偶然不确定性数值包括：根据上述样本用户的历史行为数据，生成历史操作样本列表，其中，上述历史操作样本列表中包括多个历史选择样本物品，上述历史选择样本物品配置有预设参数；根据上述预设参数，确定上述样本用户
‑
物品对的偶然不确定性数值。
[0011]本专利技术的另一个方面还提供了一种基于建模偶然不确定性的物品推荐装置，包括：第一获取模块，用于响应于物品推荐请求，获取目标用户的历史行为数据；第一输入模块，用于将上述目标用户的历史行为数据输入至推荐模型中，输出目标用户
‑
物品对的预测分值；第二输入模块，用于将上述目标用户的历史行为数据输入至不确定性估计器模型中，输出目标用户
‑
物品对的偶然不确定性数值；第一确定模块，用于根据上述目标用户
‑
物品对的预测分值和上述目标用户
‑
物品对的偶然不确定性数值，确定目标推荐结果。
[0012]本专利技术的另一个方面还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述基于建模偶然不确定性的物品推荐方法。
[0013]本专利技术的另一方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述基于建模偶然不确定性的物品推荐方法。
[0014]根据本专利技术的实施例，通过将目标用户的历史行为数据输入至不确定性估计器模型中，输出目标用户
‑
物品对的偶然不确定性数值，在偶然不确定性数值较大的情况下，可以表明历史行为数据中存在被误标注为不感兴趣的行为数据的情况，进一步地，可以在由推荐模型输出的目标用户
‑
物品对的预测分值的基础上结合偶然不确定性数值，向目标用户推荐物品，可以在基于推荐模型得到的未进行推荐的物品中，挖掘到被误标注为不感兴趣的物品，并将该物品推荐给目标用户，至少部分地克服了相关技术中物品推荐准确率低、以及尾部物品推荐准确率低的问题。
附图说明
[0015]通过以下参照附图对本专利技术实施例的描述，本专利技术的上述内容以及其他目的、特征和优点将更为清楚，在附图中：图1示意性示出了根据本专利技术实施例的基于建模偶然不确定性的物品推荐方法、装置的系统架构图；
图2示意性示出了根据本专利技术实施例的基于建模偶然不确定性的物品推荐方法的流程图；图3示意性示出了根据本专利技术实施例的基于建模偶然不确定性的物品推荐装置的结构框图；以及图4示意性示出了根据本专利技术实施例的适于实现基于建模偶然不确定性的物品推荐方法的电子设备的方框图。
具体实施方式
[0016]以下，将参照附图来描述本专利技术的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本专利技术实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于建模偶然不确定性的物品推荐方法，包括：响应于物品推荐请求，获取目标用户的历史行为数据；将所述目标用户的历史行为数据输入至推荐模型中，输出目标用户
‑
物品对的预测分值；将所述目标用户的历史行为数据输入至不确定性估计器模型中，输出目标用户
‑
物品对的偶然不确定性数值；根据所述目标用户
‑
物品对的预测分值和所述目标用户
‑
物品对的偶然不确定性数值，确定目标推荐结果。2.根据权利要求1所述的方法，还包括：根据所述目标推荐结果，确定待推荐物品的分值；基于预设排序规则对所述分值进行排序，生成待推荐物品列表；根据所述待推荐物品列表，确定所述目标推荐物品。3.根据权利要求1所述的方法，其中，所述将所述目标用户的历史行为数据输入至不确定性估计器模型中，输出目标用户
‑
物品对的偶然不确定性数值包括：根据所述目标用户的历史行为数据，生成历史操作列表，其中，所述历史操作列表中包括多个历史选择物品，所述历史选择物品配置有预设参数；根据所述预设参数，确定所述目标用户
‑
物品对的偶然不确定性数值。4.根据权利要求1所述的方法，其中，所述推荐模型是通过如下训练方式得到的：获取训练样本数据集，其中，所述训练样本数据集包括样本用户的样本历史行为数据和样本用户的标签信息；将所述样本用户的样本历史行为数据输入至初始推荐模型中，输出第一训练结果；将所述第一训练结果和所述标签信息输入至第一损失函数中，得到第一损失结果；根据所述第一损失结果调整所述初始推荐模型的模型参数，直至所述第一损失函数收敛；将所述第一损失函数收敛时得到的模型作为所述推荐模型。5.根据权利要求4所述的方法，其中，所述训练样本数据集还包括正样本数据和负样本数据；其中，所述将所述样本用户的样本历史行为数据输入至所述初始推荐模型中，输出第一训练结果包括：从所述负样本数据中提取预设比例的训练样本数据，得到目标负样本数据；以及将所述正样本数据和所述目标负样本数据输入至所述初始推荐模型中，输出所述第一训练...

【专利技术属性】
技术研发人员：何向南，王晨旭，冯福利，张洋，张勇东，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：