[发明专利]一种基于无监督学习的推荐方法及系统

权利要求书

1.一种基于无监督学习的推荐方法，其特征在于，包括以下步骤：

获取第一训练数据，所述第一训练数据第一次输入bert模型，得到第二训练数据，所述第一训练数据第二次输入bert模型，得到第三训练数据；

所述第二训练数据和所述第三训练数据构成正样本对和负样本对，所述正样本对和所述负样本输入loss函数，得到损失值；

判断损失值是否在预设阈值内，若否，重复运行获取第一训练数据，所述第一训练数据第一次输入bert模型以及之后的步骤；若是，得到精准bert模型；

获取用户数据，将处理后的所述用户数据输入精准bert模型，计算所述用户数据和待推荐数据的相似度分数，根据所述相似度分数对用户进行推荐。

2.如权利要求1所述的一种基于无监督学习的推荐方法，其特征在于，所述第一训练数据第一次输入bert模型，得到第二训练数据，所述第一训练数据第二次输入bert模型，得到第三训练数据，具体包括以下步骤：

设置bert模型中dropout层的预设参数不为0，每个输出节点以所述预设参数的概率置0；

所述第一训练数据第一次输入bert模型，得到第二训练数据，所述第一训练数据第二次输入bert模型，得到第三训练数据，其中，所述第二训练数据和所述第三训练数据不相同。

3.如权利要求1所述的一种基于无监督学习的推荐方法，其特征在于，所述第二训练数据和所述第三训练数据构成正样本对和负样本对，具体包括以下步骤：

所述第二训练数据和所述第三训练数据基于相同的输入数据构成正样本对；

所述第二训练数据和所述第三训练数据基于不同的输入数据构成负样本对。

4.如权利要求1所述的一种基于无监督学习的推荐方法，其特征在于，获取用户数据，将处理后的所述用户数据输入精准bert模型，具体包括以下步骤：

对所述用户数据进行增强，所述增强方法包括回译和词对互换；

将增强后的用户数据输入精准bert模型，得到用户的embedding特征向量。

5.如权利要求1所述的一种基于无监督学习的推荐方法，其特征在于，还包括步骤：

定时获取线上的更新训练数据，所述更新训练数据输入精准bert模型，根据所述更新训练数据对所述精准bert模型进行进一步训练。

6.如权利要求1所述的一种基于无监督学习的推荐方法，其特征在于，所述第二训练数据为embedding特征向量，所述第三训练数据为embedding特征向量，所述第二训练数据和所述第三训练数据均为待推荐数据。

7.如权利要求4所述的一种基于无监督学习的推荐方法，其特征在于，所述第二训练数据、所述第三训练数据和所述用户的embedding特征向量均存储在数据库中。

8.如权利要求1所述的一种基于无监督学习的推荐方法，其特征在于，计算所述用户数据和待推荐数据的相似度分数，根据所述相似度分数对用户进行推荐具体包括以下步骤：

根据余弦相似度算法计算所述用户数据和待推荐数据的相似度分数；

根据所述相似度分数进行排序，得到相似排序列表，根据所述相似排序列表对用户进行推荐。

9.一种基于无监督学习的推荐系统，其特征在于，包括：

第一训练模块，用于获取第一训练数据，所述第一训练数据第一次输入bert模型，得到第二训练数据，所述第一训练数据第二次输入bert模型，得到第三训练数据；

第二训练模块，用于所述第二训练数据和所述第三训练数据构成正样本对和负样本对，所述正样本对和所述负样本输入loss函数，得到损失值。

判断模块，用于判断损失值是否在预设阈值内，若否，重复运行获取第一训练数据，所述第一训练数据第一次输入bert模型以及之后的步骤；若是，得到精准bert模型；

推荐模块，获取用户数据，将处理后的所述用户数据输入精准bert模型，计算所述用户数据和待推荐数据的相似度分数，根据所述相似度分数对用户进行推荐。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令被处理器执行时实现如权利要求1至8中任一项所述的基于无监督学习的推荐方法的步骤。