[发明专利]一种基于迁移学习的模型训练方法、信息推荐方法及装置

说明书

本说明书公开了一种基于迁移学习的模型训练方法、信息推荐方法及装置，在接收到用户终端发送的信息推荐请求时，可根据该信息推荐请求中的用户标识，确定用户在目标域中的历史行为数据，以及在源域中的聚合样本数据。之后，根据该用户在目标域中的历史行为数据、在源域的聚合样本数据以及候选商品的商品信息，确定该用户对应于候选商品的融合样本数据。最后，基于该融合样本数据，通过点击预测模型确定该用户对候选商品的预测点击率，以基于该用户对各候选商品的预测点击率，向该用户进行商品推荐。将用户在源域中的聚合样本数据，与在目标域的样本数据进行融合，扩充了样本数据的丰富度，使模型预测结果更准确，提升了信息推荐的命中率。

技术领域

本申请涉及机器学习技术领域，尤其涉及一种基于迁移学习的模型训练方法、信息推荐方法及装置。

背景技术

随着信息技术的发展，越来越多的电商平台通过推荐系统向用户推荐商品，以提升用户的决策体验。

目前，在向用户进行商品推荐时，可基于该用户在电商平台中的历史行为特征，以及各候选商品的商品特征，通过点击预测模型预测该用户对各候选商品的点击率，以根据预测的用户对各候选商品的点击率，向该用户推荐商品。

但是，对于电商平台中交互行为较少的用户，由于无法获取丰富的用户历史行为数据，导致模型学习不充分，预测结果不准确，信息推荐的命中率较低。

发明内容

本说明书实施例提供一种基于迁移学习的模型训练方法、信息推荐方法及装置，用于部分解决现有技术中的问题。

本说明书实施例采用下述技术方案：

本说明书提供的一种基于迁移学习的模型训练方法，包括：

获取若干用户在目标域中的各样本数据，以及所述各用户在源域中的各样本数据，所述样本数据中至少包括用户的历史行为数据以及商品信息；

针对所述每个用户，根据该用户在所述源域中的各样本数据，确定该用户在所述源域中的聚合样本数据；

针对该用户在所述目标域中的每个样本数据，根据该样本数据以及该用户在所述源域中的聚合样本数据，确定该用户的融合样本数据，作为第一训练样本，并根据该样本数据对应在所述目标域的业务执行结果，对所述第一训练样本进行标注；

分别将各第一训练样本输入待训练的点击预测模型中，确定各第一训练样本对应的预测点击率；

根据各第一训练样本对应的预测点击率与各第一训练样本的标注，确定损失函数，并以最小化所述损失函数为目标，调整所述点击预测模型中的模型参数；

其中，所述点击预测模型用于进行信息推荐。

可选地，根据该样本数据以及该用户在所述源域中的聚合样本数据，确定该用户的融合样本数据，具体包括：

确定该用户在所述源域中的若干关联用户；

根据各关联用户在所述源域中的各样本数据，确定各关联用户在所述源域中的聚合样本数据；

根据该样本数据、该用户在所述源域中的聚合样本数据，以及各关联用户在所述源域中的聚合样本数据，确定该用户的融合样本数据。

可选地，确定该用户在所述源域中的若干关联用户，具体包括：

根据该用户在所述源域中的用户标识，以及预先构建的用户索引，确定该用户在所述源域中的若干关联用户。

可选地，构建用户索引，具体包括：

确定所述源域中各用户的用户特征；

针对所述源域中的每个用户，根据该用户的用户特征以及所述源域中各其他用户的用户特征，确定该用户与各其他用户的相似度；