[发明专利]推荐模型的训练方法、装置、计算设备及介质

权利要求书

1.一种推荐模型的训练方法，其特征在于，所述方法包括：

获取多个样本对象的样本特征信息以及各个样本对象所对应的样本推荐得分；

将各个样本对象所对应的样本特征信息分别输入初始推荐模型的多个初始特征提取网络，得到各个初始特征提取网络输出的多个样本第一特征；

基于所述多个初始特征提取网络输出的多个样本第一特征，通过所述初始推荐模型的目标任务网络，确定各个样本对象在各个预测目标下的第一推荐得分，并基于所述多个样本第一特征，通过所述初始推荐模型的多个初始任务网络，确定各个样本对象在各个预测目标下的第二推荐得分；其中，所述目标任务网络所包括的隐层的数量不超过第一设定阈值，和/或，所述目标任务网络中各个隐层所包括的神经元数量不超过第二设定阈值；

基于各个样本对象所对应的所述样本推荐得分、所述第一推荐得分和所述第二推荐得分，训练所述初始推荐模型。

2.根据权利要求1所述的方法，其特征在于，所述基于所述多个初始特征提取网络输出的多个样本第一特征，通过所述初始推荐模型的目标任务网络，确定各个样本对象在各个预测目标下的第一推荐得分，包括：

对于任一样本对象，确定所述样本对象所对应的多个样本第一特征的均值特征；

将所述均值特征输入所述目标任务网络，得到所述样本对象在各个预测目标下的第一推荐得分。

3.根据权利要求1所述的方法，其特征在于，每个初始任务网络对应于一个初始门控网络；

所述基于所述多个样本第一特征，通过所述初始推荐模型的多个初始任务网络，确定各个样本对象在各个预测目标下的第二推荐得分，包括：

对于任一样本对象，通过所述初始推荐模型的多个初始门控网络，对所述多个样本第一特征进行加权求和，得到各个初始任务网络所对应的样本第二特征；

将各个样本第二特征分别输入对应的初始任务网络，得到所述样本对象在各个预测目标下的第二推荐得分；

其中，所述初始任务网络的数量与所述预测目标的数量匹配。

4.根据权利要求1所述的方法，其特征在于，所述获取多个样本对象所对应的样本特征信息，包括：

基于所述多个样本对象对应的样本数据，获取多个样本数据特征；

对于任一样本对象，对所述样本对象所对应的多个样本数据特征进行拼接，得到所述样本对象的样本特征信息。

5.根据权利要求1所述的方法，其特征在于，所述将各个样本对象所对应的样本特征信息分别输入初始推荐模型的多个初始特征提取网络，得到各个初始特征提取网络输出的样本第一特征，包括：

对于任一样本对象，将所述样本对象所对应的样本特征信息分别输入所述多个初始特征提取网络，通过所述多个初始特征提取网络所包括的隐层，输出各个初始特征提取网络所对应的样本第一特征。

6.根据权利要求1所述的方法，其特征在于，所述基于各个样本对象所对应的所述样本推荐得分、所述第一推荐得分和所述第二推荐得分，训练所述初始推荐模型，包括：

基于各个样本对象在各个预测目标下的第一推荐得分，以及各个样本对象在各个预测目标下的第二推荐得分，确定各个样本对象所对应的预测推荐得分；

基于指示所述样本推荐得分和所述预测推荐得分之间的差异的损失函数，训练所述初始推荐模型。

7.根据权利要求1所述的方法，其特征在于，所述基于各个样本对象所对应的所述样本推荐得分、所述第一推荐得分和所述第二推荐得分，训练所述初始推荐模型之后，所述方法还包括：

基于训练好的初始推荐模型，确定目标推荐模型，所述目标推荐模型包括多个特征提取网络、多个门控网络和多个任务网络。