针对目标对象的向量构建方法、装置和计算机设备制造方法及图纸

本申请涉及一种针对目标对象的向量构建方法、装置、计算机设备、存储介质和计算机程序产品，其中该方法通过对目标对象的历史选择数据进行稀疏编码处理，以将该目标对象的历史选择数据中的选择目标映射为稀疏向量；根据选择目标对应的稀疏向量，构建目标对象对应的向量。本申请通过将目标对象历史选择数据中的选择目标转化为稀疏向量，再构建从目标对象对应的向量，从而实现目标对象向量各个维度的解耦，避免在针对目标对象的向量聚合过程中由于各个维度相互影响导致结果错误，从而能够有效保证针对对象目标的向量构建准确率。保证针对对象目标的向量构建准确率。保证针对对象目标的向量构建准确率。

【技术实现步骤摘要】
针对目标对象的向量构建方法、装置和计算机设备


[0001]本申请涉及计算机
，特别是涉及一种针对目标对象的向量构建方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着人工智能与大数据技术的发展，出现了用户画像技术，用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。而在用户画像时，使用向量来刻画用户兴趣变得越来越普遍。而将用户作为目标对象进行向量化是刻画用户的一种重要手段，通过向量化可以有效量化用户的可解释信息(如兴趣、习惯等)和一些非可解释信息。
[0003]目前在对目标对象进行向量化时，一般都是先生成物品向量，然后以某种形式组合目标对象所点击过的物品得到目标对象对应的向量。简单的方式是求均值或加权求和，复杂的方式则是通过一个网络拟合，使得学到的向量能平衡其到各个点击过的物品的距离。然而这种方法在构建向量时容易导致维度干扰，使得平衡后的向量距离一个目标对象不感兴趣的商品更近，生成错误的向量。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够保证向量构建准确率的针对目标对象的向量构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种针对目标对象的向量构建方法。所述方法包括：
[0006]获取目标对象的历史选择数据；
[0007]通过稀疏编码将所述历史选择数据中的选择目标映射为稀疏向量；
[0008]根据所述选择目标对应的稀疏向量，构建所述目标对象对应的向量。
[0009]第二方面，本申请还提供了一种针对目标对象的向量构建装置。所述装置包括：
[0010]数据获取模块，用于获取目标对象的历史选择数据；
[0011]向量映射模块，用于通过稀疏编码将所述历史选择数据中的选择目标映射为稀疏向量；
[0012]向量构建模块，用于根据选择目标对应的稀疏向量构建所述目标对象对应的向量。
[0013]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0014]获取目标对象的历史选择数据；
[0015]通过稀疏编码将所述历史选择数据中的选择目标映射为稀疏向量；
[0016]根据所述选择目标对应的稀疏向量，构建所述目标对象对应的向量。
[0017]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0018]获取目标对象的历史选择数据；
[0019]通过稀疏编码将所述历史选择数据中的选择目标映射为稀疏向量；
[0020]根据所述选择目标对应的稀疏向量，构建所述目标对象对应的向量。
[0021]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0022]获取目标对象的历史选择数据；
[0023]通过稀疏编码将所述历史选择数据中的选择目标映射为稀疏向量；
[0024]根据所述选择目标对应的稀疏向量，构建所述目标对象对应的向量。
[0025]上述针对目标对象的向量构建方法、装置、计算机设备、存储介质和计算机程序产品，其中方法通过获取目标对象的历史选择数据；通过稀疏编码将历史选择数据中的选择目标映射为稀疏向量；根据选择目标对应的稀疏向量，构建目标对象对应的向量。本申请通过将目标对象的历史选择数据中的选择目标转化为稀疏向量，再构建目标对象对应的向量，从而实现向量各个维度的解耦，避免在向量的聚合过程中由于各个维度相互影响导致结果错误，从而能够有效保证向量的构建准确率。
附图说明
[0026]图1为一个实施例中针对目标对象的向量构建方法的应用环境图；
[0027]图2为一个实施例中针对目标对象的向量构建方法的流程示意图；
[0028]图3为一个实施例中获取选择目标对应的稀疏向量步骤流程示意图；
[0029]图4为一个实施例中获取选择目标对应的物品向量步骤流程示意图；
[0030]图5为一个实施例中获取模型训练向量对应的交叉熵误差以及均方误差步骤流程示意图；
[0031]图6为一个实施例中基于平方操作获取训练编码向量步骤流程示意图；
[0032]图7为一个实施例中一轮完整的模型训练过程的流程示意图；
[0033]图8为一个实施例中构建目标对象对应的向量步骤流程示意图；
[0034]图9为另一个实施例中针对目标对象的向量构建方法的流程示意图；
[0035]图10为一个实施例中针对目标对象的向量构建装置的结构框图；
[0036]图11为一个实施例中计算机设备的内部结构图。
具体实施方式
[0037]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0038]人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
[0039]人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层
面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0040]本申请实施例提供的方案涉及人工智能的机器学习(Machine Learning,ML)领域，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。本申请的方案具体涉及机器学习中的深度学习部分，深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。本申请主要通过深度学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对目标对象的向量构建方法，其特征在于，所述方法包括：获取目标对象的历史选择数据；通过稀疏编码将所述历史选择数据中的选择目标映射为稀疏向量；根据所述选择目标对应的稀疏向量，构建所述目标对象对应的向量。2.根据权利要求1所述的方法，其特征在于，所述通过稀疏编码将所述历史选择数据中的选择目标映射为稀疏向量包括：获取所述历史选择数据中的选择目标所对应的物品向量；通过预设稀疏编码网络对所述物品向量进行稀疏编码，获取所述选择目标对应的稀疏向量。3.根据权利要求2所述的方法，其特征在于，所述获取所述历史选择数据中的选择目标所对应的物品向量包括：获取所述历史选择数据中的选择目标所对应的物品特征；根据所述物品特征对应的特征类型，对选择目标所对应的物品特征进行分组；根据分组内物品特征的向量编码构建分组向量；基于各个分组的分组向量获取所述选择目标所对应的物品向量。4.根据权利要求2所述的方法，其特征在于，所述通过预设稀疏编码网络对所述物品向量进行稀疏编码，获取所述选择目标对应的稀疏向量之前，还包括：获取模型训练向量；分批将所述模型训练向量输入初始稀疏编码网络，获取所述模型训练向量对应的交叉熵误差以及均方误差；根据所述交叉熵误差以及所述均方误差确定总误差；当所述总误差不小于预设误差阈值时，根据所述交叉熵误差以及所述均方误差对所述初始稀疏编码网络的目标函数进行调整，以更新所述初始稀疏编码网络，返回获取模型训练向量，分批将所述模型训练向量输入初始稀疏编码网络的步骤；当所述总误差小于所述预设误差阈值时，将当前的初始稀疏编码网络作为预设稀疏编码网络。5.根据权利要求4所述的方法，其特征在于，所述获取所述模型训练向量对应的交叉熵误差以及均方误差包括：通过激活函数对当前批次的模型训练向量进行激活处理，获取激活后当前批次的模型训练向量对应的均值向量；将所述均...

【专利技术属性】
技术研发人员：李钊，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：