推荐方法、装置、设备及存储介质制造方法及图纸

本公开提供一种推荐方法、装置、设备及存储介质，该推荐方法包括获取目标对象；利用推荐模型预测所述目标对象向用户推荐的推荐分；其中，所述推荐模型包括主分类器和辅分类器，所述推荐分是由所述主分类器预测的推荐分和所述辅分类器预测的推荐分确定的；所述推荐模型是利用带有标签的源域数据集、未有标签的目标域数据集，以引入最小化不确定性损失的优化目标训练得到，所述不确定性损失通过如下参数确定得到：在所述源域数据集或所述目标域数据集下，所述主分类器和所述辅分类器分别预测的推荐分之间的差异，和/或，所述主分类器和所述辅分类器分别预测的类别信息之间的差异。辅分类器分别预测的类别信息之间的差异。辅分类器分别预测的类别信息之间的差异。

【技术实现步骤摘要】
推荐方法、装置、设备及存储介质


[0001]本公开涉及推荐
，尤其涉及推荐方法、装置、设备及存储介质。

技术介绍

[0002]作为一项具有挑战性的任务，推荐系统需要对被推荐的对象有深入的理解。随着深度神经网络的兴起，深度神经网络在推荐领域的应用越来越多，为该领域带来了重要进展。然而，由于缺乏可扩展性，在固定数据集上训练的网络往往无法应对未知环境，由于目标域数据集的标签通常是缺失的，需要生成一组额外的带标签数据集来微调网络。为了解决生成标签的时间和成本难以承受的问题，可以收集其他带标签的数据集。但是，带标签的源域数据集和目标域数据集之间通常存在明显的领域差异。因此，在训练期间需要一种有效的机制来关联目标领域(Target Domain)和源领域(Source Domain)。为此，领域自适应，特别是无监督领域自适应推荐方案的提出，能适用于目标领域标签不可用的应用场景。然而，已有的无监督领域自适应推荐方案中推荐模型的表现仍有待提升。

技术实现思路

[0003]为克服相关技术中存在的问题，本公开提供了推荐方法、装置、设备及存储介质。
[0004]根据本说明书实施例的第一方面，提供一种推荐方法，所述方法包括：
[0005]获取目标对象；
[0006]利用推荐模型预测所述目标对象向用户推荐的推荐分；
[0007]其中，所述推荐模型包括主分类器和辅分类器，所述推荐分是由所述主分类器预测的推荐分和所述辅分类器预测的推荐分确定的；
[0008]所述推荐模型是利用带有标签的源域数据集、未有标签的目标域数据集，以引入最小化不确定性损失的优化目标训练得到，所述不确定性损失通过如下参数确定得到：在所述源域数据集或所述目标域数据集下，所述主分类器和所述辅分类器分别预测的推荐分之间的差异，和/或，所述主分类器和所述辅分类器分别预测的类别信息之间的差异。
[0009]在一些例子中，在所述源域数据集或所述目标域数据集下，所述主分类器和所述辅分类器分别预测的推荐分之间的差异，通过如下方式确定：
[0010]获取所述主分类器预测的Kullback
‑
Leibler散度以及所述辅分类器预测的Kullback
‑
Leibler散度；
[0011]对所述主分类器的Kullback
‑
Leibler散度和所述辅分类器的Kullback
‑
Leibler散度分别利用权重进行加权，得到Kullback
‑
Leibler散度损失；其中，所述Kullback
‑
Leibler散度损失表示所述主分类器和所述辅分类器分别预测的推荐分之间的差异，所述权重包括量化的可转移性权重。
[0012]在一些例子中，在训练过程中，对于目标域数据集中目标数据的类别未属于聚类类别的情况，所述量化的可转移性权重用于降低所述未属于聚类类别的目标数据的比例。
[0013]在一些例子中，在所述源域数据集或所述目标域数据集下，所述主分类器和所述
辅分类器分别预测的类别信息之间的差异，通过如下方式确定：
[0014]获取所述主分类器对目标域数据集中目标数据的第一类别级预测信息以及所述辅分类器对所述目标域数据集中目标数据的第二类别级预测信息；
[0015]对所述第一类别级预测信息和第二类别级预测信息分别利用权重加权，得到类级别损失；其中，针对所述第一类别级预测信息的权重和所述第二类别级预测信息的权重，是基于类别聚类权重确定的，不同类别具有不同的类别聚类权重。
[0016]在一些例子中，所述推荐模型还包括特征提取器，所述特征提取器用于对输入数据进行特征提取，并将提取的特征分别输入至所述主分类器和所述辅分类器。
[0017]在一些例子中，所述推荐模型还包括生成器和判别器，所述特征提取器用于将提取的特征输入至所述生成器和所述判别器；
[0018]所述生成器用于将源域数据的特征转换为目标域数据的特征，并将转换的特征传递给所述判别器；
[0019]所述判别器用于利用输入的特征区分所述源域数据集和所述目标域数据集的特征分布，以区分输入数据是属于源域数据集或所述目标域数据集。
[0020]在一些例子中，所述优化目标还包括：最小化对抗性损失；
[0021]所述对抗性损失是根据所述生成器转换的特征与目标域数据的特征的距离确定的。
[0022]在一些例子中，所述优化目标还包括：最小化所述源域数据集的交叉熵损失；
[0023]所述源域的交叉熵损失是通过对源域数据集中源域数据的类别预测与所述源域数据的标签的差异确定的。
[0024]在一些例子中，所述目标域数据集，是利用所述源域数据集中的数据组合得到的。
[0025]根据本说明书实施例的第二方面，提供一种推荐装置，所述装置包括：
[0026]获取模块，用于：获取目标对象；
[0027]预测模块，用于：利用推荐模型预测所述目标对象向用户推荐的推荐分；
[0028]其中，所述推荐模型包括主分类器和辅分类器，所述推荐分是由所述主分类器预测的推荐分和所述辅分类器预测的推荐分确定的；
[0029]所述推荐模型是利用带有标签的源域数据集、未有标签的目标域数据集，以引入最小化不确定性损失的优化目标训练得到，所述不确定性损失通过如下参数确定得到：在所述源域数据集或所述目标域数据集下，所述主分类器和所述辅分类器分别预测的推荐分之间的差异，和/或，所述主分类器和所述辅分类器分别预测的类别信息之间的差异。
[0030]根据本说明书实施例的第三方面，提供一种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前述第一方面所述方法实施例的步骤。
[0031]根据本说明书实施例的第四方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现前述第一方面所述方法实施例的步骤。
[0032]本说明书的实施例提供的技术方案可以包括以下有益效果：
[0033]本说明书实施例中，针对无监督领域自适应推荐方案中推荐模型，在主分类器的基础上还设计了辅分类器，在训练过程中推荐模型的训练数据是带有标签的源域数据集和未有标签的目标域数据集，对模型的优化目标引入了最小化不确定性损失，不确定性损失
通过如下参数确定得到：在源域数据集或目标域数据集下，主分类器和辅分类器分别预测的推荐分之间的差异，和/或，主分类器和辅分类器分别预测的类别信息之间的差异，使得模型可以利用两个分类器之间的预测差异来关注到源域和目标域的域内差异，最终训练得到预测更准确的推荐模型。
[0034]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0035]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐方法，所述方法包括：获取目标对象；利用推荐模型预测所述目标对象向用户推荐的推荐分；其中，所述推荐模型包括主分类器和辅分类器，所述推荐分是由所述主分类器预测的推荐分和所述辅分类器预测的推荐分确定的；所述推荐模型是利用带有标签的源域数据集、未有标签的目标域数据集，以引入最小化不确定性损失的优化目标训练得到，所述不确定性损失通过如下参数确定得到：在所述源域数据集或所述目标域数据集下，所述主分类器和所述辅分类器分别预测的推荐分之间的差异，和/或，所述主分类器和所述辅分类器分别预测的类别信息之间的差异。2.根据权利要求1所述的方法，在所述源域数据集或所述目标域数据集下，所述主分类器和所述辅分类器分别预测的推荐分之间的差异，通过如下方式确定：获取所述主分类器预测的Kullback
‑
Leibler散度以及所述辅分类器预测的Kullback
‑
Leibler散度；对所述主分类器的Kullback
‑
Leibler散度和所述辅分类器的Kullback
‑
Leibler散度分别利用权重进行加权，得到Kullback
‑
Leibler散度损失；其中，所述Kullback
‑
Leibler散度损失表示所述主分类器和所述辅分类器分别预测的推荐分之间的差异，所述权重包括量化的可转移性权重。3.根据权利要求2所述的方法，在训练过程中，对于目标域数据集中目标数据的类别未属于聚类类别的情况，所述量化的可转移性权重用于降低所述未属于聚类类别的目标数据的比例。4.根据权利要求1所述的方法，在所述源域数据集或所述目标域数据集下，所述主分类器和所述辅分类器分别预测的类别信息之间的差异，通过如下方式确定：获取所述主分类器对目标域数据集中目标数据的第一类别级预测信息以及所述辅分类器对所述目标域数据集中目标数据的第二类别级预测信息；对...

【专利技术属性】
技术研发人员：陈成镐，肖杰，刘金，张杰，郏夹，胡宁，
申请(专利权)人：拉扎斯网络科技上海有限公司，
类型：发明
国别省市：