推荐方法技术

本申请实施例公开了一种推荐方法

【技术实现步骤摘要】
推荐方法、装置、设备及存储介质


[0001]本申请涉及但不限于人工智能
，尤其涉及一种推荐方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]当前的社会和商业环境中，信息过载问题越来越严重
。
用户每天面临大量的信息和选择，如何帮助用户快速
、
准确地找到他们感兴趣的信息或商品成为了重要的挑战
。
推荐系统作为一种帮助用户快速
、
准确地找到感兴趣信息或商品的技术，已经被广泛应用于各种领域，如电商
、
新闻
、
音乐
、
电影
、
社交等
。
[0003]传统的推荐系统对所有的用户都采用相同的推荐策略
。
这种做法忽略了不同用户之间的差异性和复杂性，因此推荐的准确性和个性化程度都有待提高
。

技术实现思路

[0004]有鉴于此，本申请实施例至少提供一种推荐方法
、
装置
、
设备
、
存储介质
。
[0005]本申请实施例的技术方案是这样实现的：
[0006]一方面，本申请实施例提供一种推荐方法，所述方法包括：获取当前用户对第一对象的第一交互数据和第一标签数据，并获取第一其他用户对所述第一对象的第一评论信息；基于所述当前用户对第一对象的第一交互数据和第一标签数据
、
所述第一其他用户对所述第一对象的第一评论信息对公共推荐模型的参数进行调整，得到所述当前用户对应的个性化推荐模型；利用所述当前用户对应的个性化推荐模型，基于多个待推荐对象中各所述待推荐对象的对象信息
、
第二其他用户对各所述待推荐对象的第二评论信息和所述当前用户的用户信息，生成各所述待推荐对象对应的推荐分数；所述推荐分数表征所述当前用户对所述待推荐对象的感兴趣程度；基于各所述待推荐对象对应的推荐分数，在所述多个待推荐对象中确定目标推荐对象
。
[0007]在一些实施例中，所述第一交互数据包括所述当前用户的用户信息
、
所述第一对象的对象信息和所述当前用户针对所述第一对象的第一评论信息；所述基于所述当前用户对第一对象的第一交互数据和第一标签数据
、
所述第一其他用户对所述第一对象的第一评论信息对公共推荐模型的参数进行调整，得到所述当前用户对应的个性化推荐模型，包括：基于所述当前用户针对所述第一对象的第一评论信息
、
所述第一其他用户对所述第一对象的第一评论信息和所述当前用户的用户信息，确定第一一致性偏差；基于第一初始评分和所述第一一致性偏差，确定所述当前用户对所述第一对象的第一预测数据；所述第一初始评分基于所述当前用户的用户信息和所述第一对象的对象信息确定的；通过所述当前用户对第一对象的第一标签数据和所述第一预测数据确定的第一梯度信息，对所述公共推荐模型进行参数调整，得到所述当前用户对应的个性化推荐模型
。
[0008]在一些实施例中，所述基于所述第一其他用户对所述第一对象的第一评论信息和所述当前用户的用户信息，确定第一一致性偏差，包括：对所述当前用户针对所述第一对象
的第一评论信息
、
所述第一其他用户对所述第一对象的第一评论信息进行聚类，得到至少一个第一聚类表征；基于每一所述第一聚类表征和所述当前用户的用户信息，确定每一所述第一聚类表征对应的第一偏差；基于每一所述第一聚类表征对应的第一偏差，确定所述第一一致性偏差
。
[0009]在一些实施例中，所述方法还包括：基于所述第一对象的对象信息确定所述第一对象的对象表征；基于所述当前用户的用户信息确定所述当前用户的用户表征；基于所述当前用户的用户表征和所述第一对象的对象表征，确定第一初始评分
。
[0010]在一些实施例中，所述利用所述当前用户对应的个性化推荐模型，基于所述待推荐对象的对象信息
、
第二其他用户对所述待推荐对象的第二评论信息和所述当前用户的用户信息，生成推荐分数，包括：利用所述当前用户对应的个性化推荐模型，基于所述第二其他用户对所述待推荐对象的第二评论信息和所述当前用户的用户信息，确定第二一致性偏差；将基于第二初始评分和所述第二一致性偏差确定的第二预测数据，作为所述推荐分数；所述第二初始评分基于所述当前用户的用户信息和所述待推荐对象的对象信息确定的
。
[0011]在一些实施例中，所述公共推荐模型的训练方法，包括：获取至少一个第一样本用户中每一所述第一样本用户的训练支持集和每一所述第一样本用户的训练查询集；所述训练支持集包括所述第一样本用户对第一样本对象的第一样本交互数据和第一样本标签数据，所述训练查询集包括所述第一样本用户对第二样本对象的第二样本交互数据和第二样本标签数据；基于每一所述第一样本用户对第一样本对象的第一样本交互数据和第一样本标签数据进行内优化训练，得到每一所述第一样本用户的样本用户推荐模型；基于每一第一样本用户的样本用户推荐模型
、
每一所述第一样本用户对第二样本对象的第二样本交互数据和第二样本标签数据进行外优化训练，得到公共推荐模型
。
[0012]在一些实施例中，所述第一样本交互数据包括所述第一样本用户的用户信息
、
所述第一样本对象的对象信息和所述第一样本用户针对所述第一样本对象的第一样本评论信息；所述基于每一所述第一样本用户对第一样本对象的第一样本交互数据和第一样本标签数据进行内优化训练，得到每一所述第一样本用户的样本用户推荐模型，包括：针对所述至少一个第一样本用户中的目标用户，基于每一第一样本用户针对所述第一样本对象的第一样本评论信息和所述目标用户的用户信息，确定第三一致性偏差；第三一致性偏差表征每一所述第一样本用户针对所述第一样本对象的第一样本评论信息对所述目标用户对所述第一样本对象的感兴趣程度的影响；基于第三初始评分和所述第三一致性偏差，确定所述目标用户对所述第一样本对象的第三预测数据；所述第三初始评分基于所述目标用户的用户信息和所述第一样本对象的对象信息确定的；通过所述目标用户对所述第一样本对象的第一样本标签数据和所述第三预测数据确定的第二梯度信息，对所述目标用户的样本用户推荐模型进行参数调整，直至满足第一预设收敛条件，输出所述目标用户的样本用户推荐模型
。
[0013]在一些实施例中，所述基于每一第一样本用户的样本用户推荐模型
、
每一所述第一样本用户对第二样本对象的第二样本交互数据和第二样本标签数据进行外优化训练，得到公共推荐模型，包括：利用每一第一样本用户的样本用户推荐模型，基于每一第一样本用户对第二样本对象的第二样本交互数据，生成每一所述第一样本用户对第二样本对象的第四预测数据；基于每一所述第一样本用户对第二样本对象的第四预测数据和每一所述第一
样本用户对第二样本对象的第二样本标签数据，确定每一所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种推荐方法，包括：获取当前用户对第一对象的第一交互数据和第一标签数据，并获取第一其他用户对所述第一对象的第一评论信息；基于所述当前用户对第一对象的第一交互数据和第一标签数据
、
所述第一其他用户对所述第一对象的第一评论信息对公共推荐模型的参数进行调整，得到所述当前用户对应的个性化推荐模型；利用所述当前用户对应的个性化推荐模型，基于多个待推荐对象中各所述待推荐对象的对象信息
、
第二其他用户对各所述待推荐对象的第二评论信息和所述当前用户的用户信息，生成各所述待推荐对象对应的推荐分数；所述推荐分数表征所述当前用户对所述待推荐对象的感兴趣程度；基于各所述待推荐对象对应的推荐分数，在所述多个待推荐对象中确定目标推荐对象
。2.
根据权利要求1所述的方法，其特征在于，所述第一交互数据包括所述当前用户的用户信息
、
所述第一对象的对象信息和所述当前用户针对所述第一对象的第一评论信息；所述基于所述当前用户对第一对象的第一交互数据和第一标签数据
、
所述第一其他用户对所述第一对象的第一评论信息对公共推荐模型的参数进行调整，得到所述当前用户对应的个性化推荐模型，包括：基于所述当前用户针对所述第一对象的第一评论信息
、
所述第一其他用户对所述第一对象的第一评论信息和所述当前用户的用户信息，确定第一一致性偏差；基于第一初始评分和所述第一一致性偏差，确定所述当前用户对所述第一对象的第一预测数据；所述第一初始评分基于所述当前用户的用户信息和所述第一对象的对象信息确定的；通过所述当前用户对第一对象的第一标签数据和所述第一预测数据确定的第一梯度信息，对所述公共推荐模型进行参数调整，得到所述当前用户对应的个性化推荐模型
。3.
根据权利要求2所述的方法，其特征在于，所述基于所述第一其他用户对所述第一对象的第一评论信息和所述当前用户的用户信息，确定第一一致性偏差，包括：对所述当前用户针对所述第一对象的第一评论信息
、
所述第一其他用户对所述第一对象的第一评论信息进行聚类，得到至少一个第一聚类表征；基于每一所述第一聚类表征和所述当前用户的用户信息，确定每一所述第一聚类表征对应的第一偏差；基于每一所述第一聚类表征对应的第一偏差，确定所述第一一致性偏差
。4.
根据权利要求2所述的方法，所述方法还包括：基于所述第一对象的对象信息确定所述第一对象的对象表征；基于所述当前用户的用户信息确定所述当前用户的用户表征；基于所述当前用户的用户表征和所述第一对象的对象表征，确定第一初始评分
。5.
根据权利要求1所述的方法，所述利用所述当前用户对应的个性化推荐模型，基于所述待推荐对象的对象信息
、
第二其他用户对所述待推荐对象的第二评论信息和所述当前用户的用户信息，生成推荐分数，包括：利用所述当前用户对应的个性化推荐模型，基于所述第二其他用户对所述待推荐对象
的第二评论信息和所述当前用户的用户信息，确定第二一致性偏差；将基于第二初始评分和所述第二一致性偏差确定的第二预测数据，作为所述推荐分数；所述第二初始评分基于所述当前用户的用户信息和所述待推荐对象的对象信息确定的
。6.
根据权利要求1至5任一所述的方法，其特征在于，所述公共推荐模型的训练方法，包括：获取至少一个第一样本用户中每一所述第一样本用户的训练支持集和每一所述第一样本用户的训练查询集；所述训练支持集包括所述第一样本用户对第一样本对象的第一样本交互数据和第一样本标签数据，所述训练查询集包括所述第一样本用户对第二样本对象的第二样本交互数据和第二样本标签数据；基于每一所述第一样本用户对第一样本对象的第一样本交互数据和第一样本标签数据进行内优化训练，得到每一所述第一样本用户的样本用户...

【专利技术属性】
技术研发人员：赵闯，何明，
申请(专利权)人：联想北京有限公司，
类型：发明
国别省市：