[发明专利]物品信息推荐方法、装置和电子设备

说明书

本公开提供一种物品信息推荐方法、装置和电子设备，方法包括：获取多个待推荐物品信息；将用户信息和多个所述待推荐物品信息输入推荐模型，输出物品分数；根据所述物品分数确定目标推荐物品信息；其中，所述推荐模型是根据初始推荐模型的第一损失值和基于所述初始推荐模型的自监督任务的第二损失值对所述初始推荐模型进行优化得到；所述初始推荐模型包括预训练语言模型和物品深度神经网络，所述初始推荐模型的自监督任务包括通过训练样本集合对所述预训练语言模型和所述物品深度神经网络进行自监督学习。实现通过推荐模型较好地理解用户在对话中提出的偏好和长尾物品的信息，进行精准推荐。

技术领域

本公开涉及信息处理技术领域，尤其涉及一种物品信息推荐方法、装置和电子设备。

背景技术

商品推荐在电商平台的应用十分广泛。商品推荐通常分为两个阶段，召回阶段根据用户特征和商品特征，从海量商品库里快速找回用户潜在感兴趣的物品；排序阶段融入更多特征，使用复杂模型，输出排序靠前的个性化推荐。

目前的传统点击率预估模型，结构简单拟合能力较差，同时需要耗费大量人工进行特征提取；现有的深度点击率预估模型，更侧重基于用户历史行为、用户画像进行推荐，语义理解能力很差，难以理解对话中用户的表述。现有推荐模型在长尾商品中，数据分布不均衡导致模型训练过程中被热门商品主导，模型对稀疏的长尾商品理解不够充分。

因此，解决点击率预估模型的上下文语义理解能力较差，以及对长尾商品理解较差的问题是当前亟待解决的问题。

发明内容

本公开提供一种物品信息推荐方法、装置和电子设备，用以解决现有技术中解决点击率预估模型的上下文语义理解能力较差，以及对长尾商品理解较差的缺陷，实现通过推荐模型较好地理解用户在对话中提出的偏好和长尾物品的信息，进行精准推荐。

本公开提供一种物品信息推荐方法，包括：

获取多个待推荐物品信息；

将用户信息和多个所述待推荐物品信息输入推荐模型，输出物品分数；

根据所述物品分数确定目标推荐物品信息；

其中，所述推荐模型是根据初始推荐模型的第一损失值和基于所述初始推荐模型的自监督任务的第二损失值对所述初始推荐模型进行优化得到；

所述初始推荐模型包括预训练语言模型和物品深度神经网络，所述初始推荐模型的自监督任务包括通过训练样本集合对所述预训练语言模型和所述物品深度神经网络进行自监督学习。

根据本公开提供的一种物品信息推荐方法，所述初始推荐模型由双塔结构和二分类网络组成，所述双塔结构的左塔包括用户深度神经网络和预训练语言模型，所述双塔结构的右塔包括所述预训练语言模型和物品深度神经网络；

所述根据初始推荐模型的第一损失值和基于所述初始推荐模型的自监督任务的第二损失值对所述初始推荐模型进行优化，包括：

根据所述第一损失值和所述第二损失值，计算第三损失值；

在所述第三损失值未达到预设阈值时，调整所述用户深度神经网络、所述预训练语言模型、所述物品深度神经网络和所述二分类网络的模型参数，并继续执行得到第一损失值和第二损失值的步骤；

在所述第三损失值达到预设阈值时，确定所述初始推荐模型为所述推荐模型。

根据本公开提供的一种物品信息推荐方法，所述初始推荐模型的第一损失值是通过如下步骤得到，包括：

构建主任务数据集，所述主任务数据集的主任务数据均具有主任务数据标签，所述主任务数据包括用户特征数据、用户查询数据、物品标题数据和物品特征数据；