[发明专利]使用深度学习模型来生成推荐

说明书

在一个实施例中，确定选自多个实体的一组实体中的每个实体的嵌入。每个嵌入对应于嵌入空间中的点，该嵌入空间包括对应于实体的嵌入的点。使用深度学习模型来确定实体的嵌入。确定一组实体属性中的每个实体属性的嵌入。该组中的每个实体属性具有实体属性类型，并且与至少一个实体相关联。使用深度学习模型来精化实体属性嵌入。基于与相应实体相关联的实体属性嵌入来修改在该组实体中的实体的嵌入，以获得在该组中的每个实体的已更新的嵌入。已更新的嵌入包括关于与相应实体相关联的实体属性的信息。

技术领域

本公开总体上涉及训练深度学习模型。

背景

深度学习是可以涉及在监督或无监督环境中训练模型的一种类型的机器学习。可以训练深度学习模型来学习数据的表示。作为示例而不是作为限制，深度学习模型可以将数据表示为强度值的向量。强度值的向量可以对应于在嵌入空间(embedding space)中的点。深度学习模型可以用于生成嵌入(embedding)，这些嵌入在嵌入空间中以有意义的方式压缩异构数据。

特定实施例的概述

在特定实施例中，系统可以使用深度学习模型来识别与所输入的内容项目相似的一个或更多个内容项目。深度学习模型可以被训练来将实体映射到多维嵌入空间中的嵌入。每个嵌入可以对应于在嵌入空间中的点的坐标。深度学习模型可以被训练来生成合并实体的属性的实体的嵌入。因此，可以经由实体的嵌入在同一嵌入空间中表示不同的变量(即，不同类型的实体属性)。

合并实体属性的实体的嵌入可以用于完成任何数量的合适任务。被嵌入的实体可以包括被有意义地压缩以便可以对实体的相应向量表示执行向量运算(即，向量加法和减法)的属性的实体。系统可以使用搜索算法来将实体的一个或更多个嵌入识别为接近嵌入空间中的点，其中该点使用向量代数来被确定。作为示例而不是作为限制，系统可以响应于由用户在客户端系统处输入的接收到的搜索查询来识别实体的嵌入。用户可以输入问题，并且系统可以将该问题转变成向量运算。向量运算可以应用于嵌入空间，并且一个或更多个实体可以响应于该问题被识别。所识别的实体可以在客户端系统上运行的应用(例如，消息收发平台、与社交网络系统相关联的应用或任何其他合适的应用)的界面上作为建议被显示给用户。作为另一示例而不是作为限制，系统可以使用向量运算来在嵌入空间中识别作为对特定实体的补充的实体的嵌入。作为另一示例而不是作为限制，实体可以是社交网络系统的页面，并且系统可以通过基于用户的上下文变化(例如，在社交网络系统上的用户简档(user profile)中的上下文变化)采用向量运算来为用户生成上下文页面推荐。

如本文描述的本发明以新颖的方式实现深度学习模型以生成在嵌入空间中以有意义的方式压缩异构数据的嵌入，并因此提供对几乎任何类型的数据(特别是异构数据)的编目和索引的技术问题的解决方案，使在该数据集内以后的计算和搜索成为可能。所提出的解决方案是有利的，因为添加到大型数据库(例如社交网络系统)中并存在于大型数据库中的数据容易超出对数据对象进行编目和索引的已知传统解决方案的能力。尤其是在社交网络系统中，存在对于将异构数据整合到它的数据库(包括例如社交图(social graph)的结构)中的需要，以及相反地也存在对于不断增强数据库或社交图本身的结构以反映该数据的需要。

在根据本发明的实施例中，一种方法包括：

由一个或更多个计算设备确定在第一组实体中的每个实体的嵌入，其中：

第一组实体选自多个实体，

每个嵌入对应于嵌入空间中的点，

嵌入空间包括对应于多个实体的嵌入的多个点，以及

使用深度学习模型来确定实体的嵌入；

由一个或更多个计算设备确定在第一组实体属性中的每个实体属性的嵌入，其中：

在第一组实体属性中的每个实体属性具有实体属性类型，