【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种基于排序目标的推荐方法、装置、计算机设备和存储介质。
技术介绍
1、随着互联网技术的发展，越来越多的用户通过电子商务、流媒体、社交网络等网络平台进行各种活动，推荐系统旨在向用户进行个性化推荐，在网络平台中起到核心作用。
2、现有的基于图神经网络的推荐模型将用户和物品建模为图中的节点，将交互建模为边，利用图结构能充分利用推荐系统中的协作信息。然而，目前的图神经网络的优化目标本质是使有边相连的节点之间的特征尽量光滑，即促使相邻的节点具有相似的表征，而推荐场景的最终目标是提供排序后物品序列，现有推荐模型的优化目标和推荐场景的目标并不适配，导致推荐模型的效果不佳。
3、针对相关技术中存在现有推荐模型的优化目标和推荐场景的目标不适配的问题，目前还没有提出有效的解决方案。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够适配推荐场景的基于排序目标的推荐方法、装置、计算机设备和存储介质。
2、第一个方面，在本实施例中提供了一种基于排序目标的推荐方法，包括：
3、获取训练样本；所述训练样本包括多个样本用户与相应物品的历史交互数据；
4、基于推荐场景下的auc指标，构建初始推荐模型的优化目标；
5、基于所述优化目标、所述训练样本以及预设损失函数，对所述初始推荐模型训练得到物品推荐模型；
6、根据所述物品推荐模型输出的用户表征和物品表征，预测用户与推荐物品的兴趣得分，以根
7、在其中的一些实施例中，所述基于推荐场景下的auc指标，构建初始推荐模型的优化目标，包括：
8、基于图transformer架构，构建所述初始推荐模型；
9、在所述初始推荐模型中，以最大化所述auc指标为优化目标。
10、在其中的一些实施例中，所述优化目标为：
11、argmaxze(z；δ)
12、
13、其中，u表示用户，表示用户集合；三元组集合中的每个元素(u,i,j)表示用户u曾交互过物品i，未交互过物品j；表示与用户u具有交互的物品集合；和分别表示预测用户u和物品i、物品j的兴趣得分；δ(·)表示激活函数；z为表征，其中包括用户表征和物品表征；表示期望；为正则项，λ为正则化系数。
14、在其中的一些实施例中，所述基于所述优化目标、所述训练样本以及预设损失函数，对所述初始推荐模型训练得到物品推荐模型，包括：
15、在所述初始推荐模型中迭代的rankformer层中，以所述优化目标对用户初始表征和物品初始表征进行编码，得到所述初始推荐模型输出的预测表征；
16、根据所述预测表征，确定所述初始推荐模型的预测兴趣得分；
17、基于所述预设损失函数，计算所述预测兴趣得分和所述训练样本中真实兴趣得分之间的推荐损失，以根据所述推荐损失训练得到所述物品推荐模型。
18、在其中的一些实施例中，每个所述rankformer层的计算如下：
19、
20、其中，z(l)和z(l-1)分别表示当前层l和上一层(l-1)输出的每层预测表征；τ表示rankformer层的温度系数；表示当前层l的目标权重，由权重和经过归一化计算得到：
21、
22、其中，u表示用户，表示用户集合；对于每个用户已被观察到与用户u有交互的物品集合为du表示物品集合的大小；m表示物品集合的大小；对于每个物品已被观察到与物品i有交互的用户集合为和表示注意力权重；和分别表示用户u对物品i，以及物品i对用户u的权重；j表示与用户u未交互过的物品。
23、在其中的一些实施例中，还包括：
24、在每个所述rankformer层的计算中，对用户表征和物品表征进行线性化展开计算。
25、在其中的一些实施例中，所述根据所述物品推荐模型输出的用户表征和物品表征，预测用户与推荐物品的兴趣得分，以根据所述兴趣得分得到所述推荐物品的推荐排序结果，包括：
26、基于所述物品推荐模型，得到预测的用户表征和物品表征；
27、根据所述用户表征和所述物品表征，确定所述兴趣得分；
28、根据所述兴趣得分对所述推荐物品进行排序，得到所述推荐排序结果。
29、第二个方面，在本实施例中提供了一种基于排序目标的推荐装置，包括：
30、样本获取模块，用于获取训练样本；所述训练样本包括多个样本用户与相应物品的历史交互数据；
31、模型构建模块，用于基于推荐场景下的auc指标，构建初始推荐模型的优化目标；
32、模型训练模块，用于基于所述优化目标、所述训练样本以及预设损失函数，对所述初始推荐模型训练得到物品推荐模型；
33、物品推荐模块，用于根据所述物品推荐模型输出的用户表征和物品表征，预测用户与推荐物品的兴趣得分，以根据所述兴趣得分得到所述推荐物品的推荐排序结果。
34、第三个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的基于排序目标的推荐方法。
35、第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的基于排序目标的推荐方法。
36、与相关技术相比，在本实施例中提供的基于排序目标的推荐方法、装置、计算机设备和存储介质，通过获取训练样本；所述训练样本包括多个样本用户与相应物品的历史交互数据；
37、基于推荐场景下的auc指标，构建初始推荐模型的优化目标；基于所述优化目标、所述训练样本以及预设损失函数，对所述初始推荐模型训练得到物品推荐模型；根据所述物品推荐模型输出的用户表征和物品表征，预测用户与推荐物品的兴趣得分，以根据所述兴趣得分得到所述推荐物品的推荐排序结果。通过本实施例中，能够基于推荐场景下的auc指标，构建初始推荐模型的优化目标，使得优化目标和推荐场景下的排序目标更加统一和适配，从而提高了推荐模型的排序效果。
38、本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
本文档来自技高网...【技术保护点】
1.一种基于排序目标的推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于排序目标的推荐方法，其特征在于，所述基于推荐场景下的AUC指标，构建初始推荐模型的优化目标，包括：
3.根据权利要求2所述的基于排序目标的推荐方法，其特征在于，所述优化目标为：
4.根据权利要求1所述的基于排序目标的推荐方法，其特征在于，所述基于所述优化目标、所述训练样本以及预设损失函数，对所述初始推荐模型训练得到物品推荐模型，包括：
5.根据权利要求4所述的基于排序目标的推荐方法，其特征在于，每个所述Rankformer层的计算如下：
6.根据权利要求4所述的基于排序目标的推荐方法，其特征在于，还包括：
7.根据权利要求1所述的基于排序目标的推荐方法，其特征在于，所述根据所述物品推荐模型输出的用户表征和物品表征，预测用户与推荐物品的兴趣得分，以根据所述兴趣得分得到所述推荐物品的推荐排序结果，包括：
8.一种基于排序目标的推荐装置，其特征在于，包括：
9.一种计算机设备，包括存储器和处理器，其特征在于，所述
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于排序目标的推荐方法的步骤。
...【技术特征摘要】
1.一种基于排序目标的推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于排序目标的推荐方法，其特征在于，所述基于推荐场景下的auc指标，构建初始推荐模型的优化目标，包括：
3.根据权利要求2所述的基于排序目标的推荐方法，其特征在于，所述优化目标为：
4.根据权利要求1所述的基于排序目标的推荐方法，其特征在于，所述基于所述优化目标、所述训练样本以及预设损失函数，对所述初始推荐模型训练得到物品推荐模型，包括：
5.根据权利要求4所述的基于排序目标的推荐方法，其特征在于，每个所述rankformer层的计算如下：
6.根据权利要求4所述的基于排序目标的推荐方法，其特征在于，...
【专利技术属性】
技术研发人员：陈思睿，陈佳伟，韩申，王灿，冯雁，罗进开，
申请(专利权)人：杭州高新区滨江区块链与数据安全研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。