[发明专利]推荐模型的训练方法、推荐方法、装置、服务器及介质

权利要求书

1.一种推荐模型的训练方法，其特征在于，包括：

获取训练样本数据；所述训练样本数据包括样本账户的样本账户特征，样本推荐信息的样本信息特征，以及所述样本账户针对于所述样本推荐信息的实际访问结果；

将所述样本账户特征以及所述样本信息特征输入待训练的推荐模型，得到所述样本账户针对于所述样本推荐信息的预测访问结果；其中，所述推荐模型具有门控结构，所述门控结构对应的门控参数的实际值用于指示将输入至所述推荐模型的样本账户特征以及所述样本信息特征跳跃输入至所述推荐模型中的至少一个指定隐藏层；

基于所述预测访问结果和所述实际访问结果，确定第一损失函数的值，以及，基于所述门控参数的实际值和所述门控参数的期望值，确定第二损失函数的值；基于所述第一损失函数的值和所述第二损失函数的值，确定总损失值；

基于所述总损失值，更新所述推荐模型和所述门控参数，以得到训练完成的推荐模型。

2.根据权利要求1所述的方法，其特征在于，所述样本账户特征以及所述样本信息特征的数量为多个；所述获取训练样本数据之后，还包括：

从所述样本账户特征或者所述样本信息特征中，获取当前样本特征，以及获取所述当前样本特征对应的第一子参数；所述第一子参数用于表征所述当前样本特征的重要程度；

确定所述当前样本特征针对所述推荐模型中指定隐藏层的第二子参数；所述第二子参数用于表征所述当前样本特征跳跃输入至所述推荐模型中指定隐藏层的重要程度；

根据所述第一子参数，以及所述第二子参数，得到所述当前样本特征针对所述推荐模型中指定隐藏层的门控结构对应的门控参数的实际值。

3.根据权利要求2所述的方法，其特征在于，所述将所述样本账户特征以及所述样本信息特征输入待训练的推荐模型，得到所述样本账户针对于所述样本推荐信息的预测访问结果，包括：

根据所述当前样本特征针对所述推荐模型中指定隐藏层的门控结构对应的门控参数的实际值，确定所述当前样本特征针对所述推荐模型中指定隐藏层的输入幅度；

将所述当前样本特征输入至所述推荐模型的输入层，以及按照所述输入幅度对所述当前样本特征进行加权处理，并将加权后的当前样本特征跳跃输入至所述推荐模型中指定隐藏层，得到所述预测访问结果。

4.根据权利要求2所述的方法，其特征在于，所述基于所述总损失值，更新所述推荐模型和所述门控参数，包括：

基于所述总损失值，更新所述当前样本特征对应的第一子参数，以及所述当前样本特征针对所述推荐模型中指定隐藏层的第二子参数，以更新所述当前样本特征针对所述推荐模型中指定隐藏层的门控结构对应的门控参数的实际值。

5.根据权利要求1所述的方法，其特征在于，所述基于所述第一损失函数的值和所述第二损失函数的值，确定总损失值，包括：

获取针对于所述推荐模型的模型训练信息；

根据所述模型训练信息，调整所述第二损失函数的值对所述总损失值的影响比重。

6.根据权利要求5所述的方法，其特征在于，所述模型训练信息包括所述推荐模型的训练步数；

所述根据所述模型训练信息，调整所述第二损失函数的值对所述总损失值的影响比重，包括：

获取与所述第一损失函数对应的第一权重，以及根据所述训练步数，确定所述第二损失函数对应的第二权重；

按照所述第一权重以及所述第二权重，对所述第一损失函数的值和所述第二损失函数的值进行加权求和，得到所述总损失值。

7.根据权利要求6所述的方法，其特征在于，所述根据所述训练步数，确定所述第二损失函数对应的第二权重，包括：

随着所述训练步数的增加，控制所述第二权重的值由初始值逐渐增加，直至所述第二权重的值到达预设阈值；所述初始值为首次对所述推荐模型进行训练时所述第二权重的值。