[发明专利]数据推荐方法、装置、计算机设备和存储介质

权利要求书

1.一种数据推荐方法，所述方法包括：

获取各用户标识各自对应的用户数据与用户标识初始集；

通过第一迭代处理生成与各所述用户标识各自对应的用户特征，且在每次迭代时，基于所述用户数据调整前次迭代时调整所得到的用户特征，直到满足第一迭代停止条件时停止迭代；

以所述用户标识初始集作为前次迭代时调整所得到的推荐用户标识集；

以前次迭代时调整所得到的推荐用户标识集作为循环调整前的推荐用户标识集，对循环调整前的推荐用户标识集进行调整，得到循环调整后的推荐用户标识集，根据各所述用户特征确定循环调整后的推荐用户标识集对应的推荐效果累积值；

以循环调整后的推荐用户标识集作为循环调整前的推荐用户标识集进行调整，返回对循环调整前的推荐用户标识集进行调整，得到循环调整后的推荐用户标识集，根据各所述用户特征确定循环调整后的推荐用户标识集对应的推荐效果累积值步骤继续循环调整，直至满足循环停止条件时停止循环调整，得到循环调整后的各推荐用户标识集对应的推荐效果累积值；

从循环调整后的各推荐用户标识集中，选取最大推荐效果累积值对应的推荐用户标识集作为当前推荐用户标识集；

按照确定的推荐用户标识集进行数据推荐。

2.根据权利要求1所述的方法，其特征在于，所述通过第一迭代处理生成与各所述用户标识各自对应的用户特征，且在每次迭代时，基于所述用户数据调整前次迭代时调整所得到的用户特征，直到满足第一迭代停止条件时停止迭代包括：

随机生成各所述用户标识各自对应的用户随机特征；

以所述用户随机特征作为前次迭代调整所得到的用户特征；

根据前次迭代调整所得到的用户特征和所述用户数据，生成当前用户特征；

以当前用户特征作为前次迭代调整所得到的用户特征，返回根据前次迭代调整所得到的用户特征和所述用户数据，确定当前用户特征继续执行，直至满足第一迭代停止条件时，生成各所述用户标识各自对应的用户特征。

3.根据权利要求2所述的方法，其特征在于，所述用户特征根据以下公式计算得到：

其中，表示迭代第t次得到的用户i的用户特征，/表示迭代第t-1次得到的用户i的用户特征，e_i,j＝1表示用户i与用户j为好友关系，/表示迭代第t-1次得到的与用户i为好友关系的用户j的用户特征，f表示用户特征生成模型，而ω₀、ω₁、ω₂和ω₃为用户特征生成模型f中的第一模型参数，p_i表示用户数据中用户i的行为数据，q_i,j表示用户数据中用户i对好友用户j的行为影响数据。

4.根据权利要求1所述的方法，其特征在于，所述推荐用户标识集通过以下公式确定：

其中，σ表示用户推荐模型，k表示用户推荐模型σ输出的推荐用户标识集，Q(k)表示推荐用户标识集k对应的推荐效果累积值，h_i为推荐用户标识集k中的用户i的用户特征，e_i,j＝1表示用户i与用户j为好友关系，h_j表示与用户i为好友关系的用户j的用户特征，θ₁和θ₂为用户推荐模型σ的第二模型参数。

5.一种数据模型训练方法，所述方法包括：

获取各样本用户标识各自对应的样本用户数据；

通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征，且在每次迭代时，基于所述样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征，直到满足第一训练停止条件时停止训练；

以所述第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数；

通过所述用户推荐模型根据所述样本用户数据，迭代调整样本推荐用户集并确定相应的推荐效果值，直到满足第二迭代训练停止条件；

根据各推荐效果值生成推荐效果累积函数，通过生成的推荐效果累积函数确定最大推荐效果累积值，基于最大推荐效果累积值构建推荐效果损失函数，根据所述推荐效果损失函数对前次迭代时调整得到的模型参数进行梯度调整，得到所述用户推荐模型的第二模型参数。