[发明专利]基于人工智能的迁移模型的训练方法、装置及存储介质

说明书

本发明提供了一种基于人工智能的迁移模型的训练方法、装置及存储介质；方法包括：获取第一推荐领域的第一推荐对象样本的用户数据向量和内容数据向量；通过映射模型，对内容数据向量进行映射处理，得到对应的映射向量，映射向量用于表征第二推荐领域的第二推荐对象样本的内容数据向量；通过内容特征提取层，对映射向量进行内容特征提取，得到相应的映射特征；通过用户特征提取层，对用户数据向量进行用户特征提取，得到对应的用户特征；通过特征预测层，基于映射特征及用户特征，进行交互特征预测，得到第一推荐对象样本的交互特征；获取目标交互特征与第一推荐对象样本的交互特征的差异，并基于差异，更新迁移模型的模型参数。

技术领域

本发明涉及人工智能的自然语言处理技术，尤其涉及一种基于人工智能的迁移模型的训练方法、人工智能的特征预测方法、装置及存储介质。

背景技术

自然语言处理(Nature Language Processing，NLP)是计算机科学领域与人工智能领域中的一个重要方向，能够实现人与计算机之间用自然语言进行有效通信，通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。推荐系统是自然语言处理领域的重要应用之一，可以自动联系用户和推荐对象，能够在信息过载的环境中帮助用户发现可能令他们感兴趣的信息，也能将信息推送给对它们感兴趣的用户。

冷启动在推荐系统中主要指对于没有交互行为的新用户或新推荐对象作相关推荐，常用于产品的拉新、增加日活、增加留存，在推荐初期扮演重要作用。然而在实际应用中，对于新领域的推荐系统，往往没有或存在少量的用户交互数据，致使相关技术仅结合新领域的待推荐对象的内容数据和用户数据，或结合待推荐对象的内容数据、用户数据及少量的用户交互数据，所进行的内容推荐的准确度低。

发明内容

本发明实施例提供一种基于人工智能的迁移模型的训练方法、装置及存储介质，通过将一个成熟领域的预测模型迁移至另一个没有用户交互行为的新领域，能够预测得到新领域中推荐对象的交互特征。

本发明实施例提供一种基于人工智能的迁移模型的训练方法，所述迁移模型包括：预测模型、映射模型，所述预测模型包括：用户特征提取层、内容特征提取层和特征预测层，所述方法包括：

获取第一推荐领域的第一推荐对象样本的用户数据向量和内容数据向量；

通过所述映射模型，对所述内容数据向量进行映射处理，得到对应的映射向量，所述映射向量用于表征第二推荐领域的第二推荐对象样本的内容数据向量，所述第二推荐对象样本标注有用于表征所述第二推荐对象样本的目标交互特征；

通过所述内容特征提取层，对所述映射向量进行内容特征提取，得到相应的映射特征；

通过所述用户特征提取层，对所述用户数据向量进行用户特征提取，得到对应的用户特征；

通过所述特征预测层，基于所述映射特征及所述用户特征，进行交互特征预测，得到对应所述第一推荐对象样本的交互特征，所述交互特征用于供结合所述第一推荐对象样本的内容特征进行内容推荐；

获取所述目标交互特征与所述第一推荐对象样本的交互特征的差异，并基于获取的所述差异，更新所述迁移模型的模型参数。

本发明实施例还提供一种基于人工智能的迁移模型的训练装置，所述迁移模型包括：预测模型、映射模型，所述预测模型包括：用户特征提取层、内容特征提取层和特征预测层，所述装置包括：

第一获取模块，用于获取第一推荐领域的第一推荐对象样本的用户数据向量和内容数据向量；

第一映射模块，用于通过所述映射模型，对所述内容数据向量进行映射处理，得到对应的映射向量，所述映射向量用于表征第二推荐领域的第二推荐对象样本的内容数据向量，所述第二推荐对象样本标注有用于表征所述第二推荐对象样本的目标交互特征；