[发明专利]特征数据处理方法、装置、计算机可读介质及电子设备

权利要求书

1.一种基于领域的特征数据处理方法，其特征在于，包括：

获取用户在源领域中交互过的各个对象的对象特征向量；

根据所述各个对象的对象特征向量，计算所述用户对应的偏好向量；

基于所述用户对应的偏好向量，生成所述用户对应的向量映射函数；

基于所述用户对应的向量映射函数，将所述用户在所述源领域中的用户特征向量映射到目标领域中，得到所述用户在所述目标领域中的用户特征向量。

2.根据权利要求1所述的特征数据处理方法，其特征在于，根据所述各个对象的对象特征向量，计算所述用户对应的偏好向量，包括：

基于所述各个对象的对象特征向量，计算所述各个对象的对象特征向量所对应的权重；

根据所述各个对象的对象特征向量所对应的权重，对所述各个对象的对象特征向量进行加权求和，得到所述用户对应的偏好向量。

3.根据权利要求2所述的特征数据处理方法，其特征在于，基于所述各个对象的对象特征向量，计算所述各个对象的对象特征向量所对应的权重，包括：

通过第一神经网络模型对所述各个对象的对象特征向量进行映射处理，得到所述各个对象的对象特征向量所对应的映射结果；

对所述各个对象的对象特征向量所对应的映射结果进行归一化处理，得到所述各个对象的对象特征向量所对应的权重。

4.根据权利要求1所述的特征数据处理方法，其特征在于，基于所述用户对应的偏好向量，生成所述用户对应的向量映射函数，包括：

通过第二神经网络模型对所述用户对应的偏好向量进行映射处理，得到所述用户对应的偏好向量的映射结果；

以所述用户对应的偏好向量的映射结果作为参数，生成所述用户对应的向量映射函数。

5.根据权利要求1所述的特征数据处理方法，其特征在于，通过机器学习模型计算所述用户对应的偏好向量，并生成所述用户对应的向量映射函数，以及将所述用户在所述源领域中的用户特征向量映射到所述目标领域中；所述机器学习模型包括偏好编码器和元网络，所述偏好编码器用于计算所述用户对应的偏好向量，所述元网络用于生成所述用户对应的向量映射函数。

6.根据权利要求5所述的特征数据处理方法，其特征在于，所述特征数据处理方法还包括：

获取样本数据，所述样本数据包括用户样本在所述源领域中交互过的对象样本的对象特征向量、所述用户样本在所述源领域中的用户特征向量、所述用户样本在所述目标领域中交互过的对象样本所对应的对象特征向量、所述用户样本在所述目标领域中的评分矩阵，所述用户样本是同时处于所述源领域和所述目标领域中的用户；

基于所述样本数据对所述机器学习模型进行训练，以使所述机器学习模型的损失函数最小。

7.根据权利要求6所述的特征数据处理方法，其特征在于，所述特征数据处理方法还包括：

计算所述用户样本在所述目标领域中交互过的各个对象样本所对应的对象特征向量与所述机器学习模型映射得到的用户特征向量之间的乘积，所述映射得到的用户特征向量是将所述用户样本在所述源领域中的用户特征向量映射到所述目标领域中得到的；

计算所述乘积与所述评分矩阵中对应的评分值之间的差值，得到所述各个对象样本对应的损失值；

基于所述各个对象样本对应的损失值，生成所述损失函数。

8.根据权利要求7所述的特征数据处理方法，其特征在于，基于所述各个对象样本对应的损失值，生成所述损失函数，包括：

计算所述各个对象样本对应的损失值的绝对值之和，根据所述绝对值之和生成所述损失函数；或者

计算所述各个对象样本对应的损失值的平方和，根据所述平方和生成所述损失函数。

9.根据权利要求1至8中任一项所述的特征数据处理方法，其特征在于，所述特征数据处理方法还包括：

基于所述用户在所述目标领域中的用户特征向量，向所述用户推荐所述目标领域中的内容。