[发明专利]推荐模型的训练方法、预测选择概率的方法及装置

说明书

本申请公开了人工智能领域中的一种推荐模型的训练方法、预测选择概率的方法及装置，该训练方法包括：获取训练样本，该训练样本包括样本用户行为日志，样本推荐对象的位置信息以及样本标签；通过以该样本用户行为日志与该样本推荐对象的位置信息为输入数据，以该样本标签为目标输出值对位置偏置模型和推荐模型进行联合训练，以得到训练后的推荐模型，其中，该位置偏置模型用于预测目标推荐对象在不同位置时，用户关注到该目标推荐对象的概率，该推荐模型用于在该用户关注到该目标推荐对象的情况下，预测该用户选择该目标推荐对象的概率。本申请的技术方案能够消除位置信息对推荐模型引入的误差，提高推荐模型的准确性。

技术领域

本申请涉及人工智能领域，并且更具体地，涉及一种推荐模型的训练方法、预测选择概率的方法及装置。

背景技术

选择率预测是指预测用户在特定环境下对某个商品的选择概率。例如，应用商店、在线广告等应用的推荐系统中，选择率预测起到关键作用；通过选择率预测可以实现最大化企业的收益和提升用户满意度，推荐系统需同时考虑用户对商品的选择率和商品竞价，其中，选择率为推荐系统根据用户历史行为预测得到，而商品竞价代表该商品被选择/下载后系统的收益。例如，可以通过构建一个函数，该函数可以根据预测的用户选择率和商品竞价计算得到一个函数值，推荐系统按照该函数值对商品进行降序排列。

在推荐系统中，推荐模型可以基于用户-商品交互信息(即用户隐式反馈数据)学习模型参数得到的。然而，用户隐式反馈数据受到了推荐对象(例如，推荐商品)展示位置的影响，例如，推荐商品处于推荐排序中的第一位的选择率与推荐商品处于推荐排序中的第五位的选择率不同。换而言之，用户选择某个推荐商品源于两方面因素，一方面是由于用户喜欢推荐商品；另一方面是由于推荐商品被推荐到了更容易被关注的位置。即用于训练模型参数的用户隐式反馈数据不能真实反映用户的兴趣爱好，用户隐式反馈数据中存在由于位置信息引入的偏差，即用户隐式反馈数据受到推荐位置的影响。因此，若直接基于用户隐式反馈数据训练模型参数，则得到的选择率预测模型的准确性较低。

因此，如何提高推荐模型的准确性成为一个亟需解决的问题。

发明内容

本申请提供一种推荐模型的训练方法、预测选择概率的方法以及装置，能够消除位置信息对推荐的影响，提高推荐模型的准确性。

第一方面，提供了一种推荐模型的训练方法，包括：获取训练样本，所述训练样本包括样本用户行为日志，样本推荐对象的位置信息以及样本标签，所述样本标签用于表示用户是否选择所述样本推荐对象；通过以所述样本用户行为日志与所述样本推荐对象的位置信息为输入数据，以所述样本标签为目标输出值对位置偏置模型和推荐模型进行联合训练，以得到训练后的推荐模型，其中，所述位置偏置模型用于预测目标推荐对象在不同位置时，用户关注到所述目标推荐对象的概率，所述推荐模型用于在所述用户关注到所述目标推荐对象的情况下，预测所述用户选择所述目标推荐对象的概率。

应理解，上述用户选择目标推荐的概率可以是指用户点击目标对象的概率，比如，可以是指用户下载目标对象的概率，或者，用户浏览目标对象的概率；用户选择目标对象的概率还可以是指用户对目标对象进行用户操作的概率。

其中，推荐对象可以是终端设备的应用市场中的推荐应用程序；或者，在浏览器中推荐对象可以是推荐网址或者可以是推荐新闻。在本申请的实施例中，推荐对象可以是推荐系统为用户进行推荐的信息，对于推荐对象的具体实现方式本申请不作任何限定。

在本申请实施例中，可以根据位置偏置模型预测在不同位置用户关注到目标推荐对象的概率，根据推荐模型预测在目标推荐对象已经被看到的情况下，用户选择目标推荐对象的概率，即用户根据自身兴趣爱好选择目标推荐对象的概率；通过以样本用户行为日志与样本推荐对象的位置信息为输入数据，以样本标签为目标输出值对位置偏置模型与推荐模型进行联合训练，从而消除位置信息对推荐模型的影响，得到基于用户兴趣爱好的推荐模型，从而提高推荐模型的准确性。