【技术实现步骤摘要】
本公开的实施例涉及计算机，具体涉及模型训练方法、对象推荐方法、装置、设备、介质和产品。
技术介绍
1、目前，随着人工智能的不断发展，基于人工智能的个性化推荐的应用也越来越广泛。个性化推荐可以为用户推荐出用户感兴趣的对象，以提高用户的使用体验。对于用户的推荐，通常采用的方式为：通过深度召回模型，实现用户的对象推荐。
2、然而，专利技术人发现，当采用上述方式来进行用户的物品推荐，经常会存在如下技术问题：
3、没有对用户对应的至少一个用户兴趣点进行更为深层次的考虑，导致根据至少一个用户兴趣点进行对象推荐，存在推荐对象不够精准的问题。
4、该
技术介绍
部分中所公开的以上信息仅用于增强对本专利技术构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
2、本公开的一些实施例提出了模型训练方法、对象推荐方法、装置、设备、介质和产品，来解决以上
技术介绍
部分提到的技术问题。
3、第一方面，本公开的一些实施例提供了一种模型训练方法，包括：获取目标训练样本，其中，上述目标训练样本包括：推荐对象特征信息、用户行为特征信息和对象点击标签；将上述用户行为特征信息输入至初始用户兴趣信息生成模型，以生成
4、可选地，上述根据上述推荐对象特征信息和上述初始用户兴趣信息，生成初始对象点击信息，包括：将上述推荐对象特征信息输入至初始推荐对象特征编码模型，以生成对象特征编码信息；根据上述对象特征编码信息和上述初始用户兴趣信息，生成上述初始对象点击信息；以及上述根据上述初始兴趣强度信息、上述初始对象点击信息和上述对象点击标签，对上述初始用户兴趣信息生成模型和上述初始兴趣强度信息生成模型进行模型训练，以生成用户兴趣信息生成模型和兴趣强度信息生成模型，包括：根据上述初始兴趣强度信息、上述初始对象点击信息和上述对象点击标签，对上述初始用户兴趣信息生成模型、上述初始兴趣强度信息生成模型和上述初始推荐对象特征编码模型进行模型训练，以生成用户兴趣信息生成模型、初始兴趣强度信息生成模型和推荐对象特征编码模型。
5、可选地，利用上述初始用户兴趣信息生成模型，将上述至少一个行为特征信息序列中的每个行为特征信息进行向量转化，以生成行为向量，得到至少一个行为向量序列；对于上述至少一个行为类型中的每个行为类型，利用上述初始用户兴趣信息生成模型，生成上述行为类型对应的关键行为向量；根据所得到的至少一个关键行为向量，生成上述初始用户兴趣信息。
6、可选地，上述生成上述行为类型对应的关键行为向量，包括：响应于确定上述行为类型为点击行为类型，对上述行为类型对应的行为向量序列进行聚类处理，以生成行为向量簇集；根据上述行为向量簇集中的行为向量簇中心集，生成上述点击行为类型对应的关键行为向量；响应于确定上述行为类型为价值添加行为类型，确定与目标时间之间时间间隔满足预设时间间隔条件的至少一个第一行为向量；将上述至少一个第一行为向量进行组合，以生成上述价值添加行为类型对应的关键行为向量；响应于确定上述行为类型为物品流入类型，确定对应物品流入次数满足预设次数条件的至少一个第二行为向量；上述至少一个第二行为向量进行组合，以生成物品流入类型对应的关键行为向量。
7、可选地，上述用户行为特征信息还包括：针对上述至少一个行为类型的行为内容特征信息序列；以及上述根据所得到的至少一个关键行为向量，生成上述初始用户兴趣信息，包括：对上述行为内容特征信息序列中的行为内容特征信息进行编码处理，以生成行为内容向量序列；对上述至少一个关键行为向量进行向量融合，以生成针对上述至少一个行为类型的关键行为矩阵；将上述关键行为矩阵与上述行为内容向量序列输入至初始注意力机制模型，以生成相似度矩阵，其中，上述相似度矩阵表征关键行为与行为内容之间的关联强度，上述初始用户兴趣信息生成模型包括：初始注意力机制模型；根据上述相似度矩阵，生成上述初始用户兴趣信息。
8、可选地，上述用户行为特征信息还包括：针对上述至少一个行为类型的第一行为类别特征信息序列；以及上述根据上述相似度矩阵，生成上述初始用户兴趣信息，包括：对上述第一行为类别特征信息序列中的第一行为类别特征信息进行编码处理，以生成行为类别向量序列；对上述相似度矩阵中的元素进行掩码处理，以生成掩码矩阵；根据上述掩码矩阵和上述行为内容向量序列，生成兴趣点衍化内容信息；将上述掩码矩阵和上述行为类别向量序列，生成兴趣点衍化类别信息；根据上述兴趣点衍化内容信息和上述兴趣点衍化类别信息，生成上述初始用户兴趣信息。
9、可选地，上述根据上述兴趣点衍化内容信息和上述兴趣点衍化类别信息，生成上述初始用户兴趣信息，包括：将上述兴趣点衍化内容信息和上述兴趣点衍化类别信息输入至初始兴趣信息提取模型，以生成上述初始用户兴趣信息，其中，上述初始用户兴趣信息生成模型包括：上述初始兴趣信息提取模型。
10、可选地，上述利用初始兴趣强度信息生成模型，生成上述至少一个用户兴趣点对应的初始兴趣强度信息，包括：生成针对上述关键行为矩阵的第二行为类别特征信息序列；将上述第二行为类别特征信息序列输入至上述初始兴趣强度信息生成模型，以生成上述初始兴趣强度信息。
11、可选地，上述根据上述初始兴趣强度信息、上述初始对象点击信息和上述对象点击标签，对上述初始用户兴趣信息生成模型、上述初始兴趣强度信息生成模型和上述初始推荐对象特征编码模型进行模型训练，以生成用户兴趣信息生成模型、初始兴趣强度信息生成模型和推荐对象特征编码模型，包括：根据上述推荐对象特征信息和上述初始用户兴趣信息，生成初始兴趣强度标签；生成针对上述初始兴趣强度标签和上述初始兴趣强度信息的兴趣强度损失信息；生成针对上述初始对象点击信息和上述对象点击标签的点击损失信息；根据上述兴趣强度损失信息和上述点击损失信息，对上述初始用户兴趣信息生成模型、上述初始兴趣强度信息生成模型和上述初始推荐对象特征编码模型进行模型训练，以生成用户兴趣信息生成模型、初始兴趣强度信息生成模型和推荐对象特征编码模型。
12、第二方面，本公开的一些实施例提供了一种模型训练装置，包括：第一获取单元，被配置成获取目标训练样本，其中，上述目标训练样本包括：推荐对象特征信息、用户本文档来自技高网...
【技术保护点】
1.一种模型训练方法，包括：
2.根据权利要求1所述的方法，其中，所述根据所述推荐对象特征信息和所述初始用户兴趣信息，生成初始对象点击信息，包括：
3.根据权利要求2所述的方法，其中，所述用户行为特征信息包括：至少一个行为类型对应的至少一个行为特征信息序列；以及
4.根据权利要求3所述的方法，其中，所述生成所述行为类型对应的关键行为向量，包括：
5.根据权利要求3所述的方法，其中，所述用户行为特征信息还包括：针对所述至少一个行为类型的行为内容特征信息序列；以及
6.根据权利要求5所述的方法，其中，所述用户行为特征信息还包括：针对所述至少一个行为类型的第一行为类别特征信息序列；以及
7.根据权利要求6所述的方法，其中，所述根据所述兴趣点衍化内容信息和所述兴趣点衍化类别信息，生成所述初始用户兴趣信息，包括：
8.根据权利要求5所述的方法，其中，所述利用初始兴趣强度信息生成模型，生成所述至少一个用户兴趣点对应的初始兴趣强度信息，包括：
9.根据权利要求1所述的方法，其中，所述根据所述初始兴趣
10.一种对象推荐方法，包括：
11.根据权利要求10所述的方法，其中，所述根据所述兴趣强度信息，从所述初始推荐对象信息集中筛选出推荐对象信息集，包括：
12.根据权利要求11所述的方法，其中，所述方法还包括：
13.一种模型训练装置，包括：
14.一种对象推荐装置，包括：
15.一种电子设备，包括：
16.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-12中任一所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。
...【技术特征摘要】
1.一种模型训练方法，包括：
2.根据权利要求1所述的方法，其中，所述根据所述推荐对象特征信息和所述初始用户兴趣信息，生成初始对象点击信息，包括：
3.根据权利要求2所述的方法，其中，所述用户行为特征信息包括：至少一个行为类型对应的至少一个行为特征信息序列；以及
4.根据权利要求3所述的方法，其中，所述生成所述行为类型对应的关键行为向量，包括：
5.根据权利要求3所述的方法，其中，所述用户行为特征信息还包括：针对所述至少一个行为类型的行为内容特征信息序列；以及
6.根据权利要求5所述的方法，其中，所述用户行为特征信息还包括：针对所述至少一个行为类型的第一行为类别特征信息序列；以及
7.根据权利要求6所述的方法，其中，所述根据所述兴趣点衍化内容信息和所述兴趣点衍化类别信息，生成所述初始用户兴趣信息，包括：
8.根据权利要求5所述的方法，其中，所述利用初始兴趣强度信息生成模型，生成所述至少一个用户兴趣点对应的初始兴趣...
【专利技术属性】
技术研发人员：傅有，胡伊洋，高润，黄薇，李鹏，
申请(专利权)人：北京沃东天骏信息技术有限公司，
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。