[发明专利]一种信息推荐模型的训练方法、装置及设备

说明书

本申请实施例公开了一种信息推荐模型的训练方法、装置和设备，将至少两条样本数据输入信息推荐模型，得到第一、第二特征数据。根据同一样本数据的第一特征数据与第二特征数据之间的差距，以及不同样本数据的第一特征数据之间的差距或第二特征数据之间的差距，计算损失值。利用损失值调整信息推荐模型的模型参数。达到停止条件时，获得信息推荐模型的初始化模型参数。利用训练数据在初始化模型参数的基础上调整信息推荐模型的模型参数，最终获取训练完成的信息推荐模型。在不平衡的样本数据中进行自监督预训练，获取与标签无关的初始化模型参数，其使得在模型训练时，信息推荐模型对训练数据的特征表示更泛化，提高了信息推荐模型的准确性。

技术领域

本申请涉及数据处理技术领域，具体涉及一种信息推荐模型的训练方法、装置及设备。

背景技术

随着互联网技术的不断发展，各种信息快速生成并不断增长，例如广告信息、商品信息等。在信息爆炸的阶段，用户需要花费大量的时间才能找到感兴趣的信息。基于此，推荐系统应运而生，快速发展。推荐系统可以从海量的数据信息中确定用户感兴趣的信息并推荐给用户，以节省用户浏览无关信息所花费的大量时间。

在实际应用中，需要先收集大量的样本数据，例如用户行为数据和推荐对象数据。样本数据对应有推荐标签，利用样本数据和推荐标签对推荐系统进行训练。样本数据对应的推荐标签可以根据用户是否与推荐对象产生交互行为确定。但是，用户通常只对推荐对象中的一部分感兴趣，即用户只与少部分推荐对象产生交互行为，使得样本数据的标签分布不均衡。推荐系统基于标签分布不均衡的样本数据进行训练，会造成推荐系统的泛化性能较差。

发明内容

有鉴于此，本申请实施例提供一种信息推荐模型的训练方法、装置及设备，利用获取的信息推荐模型的初始化模型参数提高信息推荐模型的泛化能力。

为解决上述问题，本申请实施例提供的技术方案如下：

第一方面，本申请实施例提供一种信息推荐模型的训练方法，所述方法包括：

将至少两条样本数据输入信息推荐模型，进行第一数据特征提取，得到所述至少两条样本数据的第一特征数据；所述样本数据包括用户行为数据以及推荐对象数据；

将所述至少两条样本数据输入所述信息推荐模型，进行第二数据特征提取，得到所述至少两条样本数据的第二特征数据；

根据同一样本数据的第一特征数据与第二特征数据之间的差距，以及不同样本数据的第一特征数据之间的差距或者第二特征数据之间的差距，计算损失值；

利用所述损失值调整所述信息推荐模型的模型参数，重复执行所述将至少两条样本数据输入信息推荐模型，进行第一数据特征提取以及后续步骤，直到达到停止条件，获得所述信息推荐模型的初始化模型参数；

利用训练数据在所述信息推荐模型的初始化模型参数的基础上调整所述信息推荐模型的模型参数，得到训练完成的信息推荐模型。

第二方面，本申请实施例提供一种信息推荐模型的训练装置，所述装置包括：

第一特征提取单元，用于将至少两条样本数据输入信息推荐模型，进行第一数据特征提取，得到所述至少两条样本数据的第一特征数据；所述样本数据包括用户行为数据以及推荐对象数据；

第二特征提取单元，用于将所述至少两条样本数据输入所述信息推荐模型，进行第二数据特征提取，得到所述至少两条样本数据的第二特征数据；

计算单元，用于根据同一样本数据的第一特征数据与第二特征数据之间的差距，以及不同样本数据的第一特征数据之间的差距或者第二特征数据之间的差距，计算损失值；

执行单元，用于利用所述损失值调整所述信息推荐模型的模型参数，重复执行所述将至少两条样本数据输入信息推荐模型，进行第一数据特征提取以及后续步骤，直到达到停止条件，获得所述信息推荐模型的初始化模型参数；