[发明专利]一种推荐模型的训练方法及装置

说明书

本公开涉及人工智能技术领域，提供了一种推荐模型的训练方法、装置、计算机设备及计算机可读存储介质。该方法能够充分利用海量的用户历史交互序列，充分挖掘不同历史交互特征信息之间潜在的语义关联，且能规避推荐场景中正负样本比例悬殊的问题，这样，便可以提升推荐模型对于推荐对象、交互结果的预测评估的训练的精度，从而可以进一步提升推荐模型在稀疏推荐场景中的泛化性能，以及，可以提升推荐模型对于推荐对象、交互结果的预测评估的精确度，进而可以提高推荐对象的转化率以及用户体验。

技术领域

本公开涉及人工智能技术领域，尤其涉及一种推荐模型的训练方法及装置。

背景技术

在互联网电子商务业务中，如何根据用户的个性化特征，向用户推荐合适的商品或服务一直是一个重要课题。在某些相对低频场景下，如线上广告、线上租房、买房等，由于正样本数据(比如点击，购买)的稀疏性，基于用户线上行为所构造的序列推荐模型，会由于序列本身的长度较短，且前后关联性差等问题，导致在序列推荐模型的训练过程中，会由于序列的表征特征中的信息不足，出现模型过拟合、泛化能力弱的问题，这样，会使得利用序列推荐模型向用户推荐商品或服务的场景下，给用户所推荐的商品或服务并不是用户真正想要的商品或服务，从而导致用户体验较差，且在提高商品或服务的转化率上有一定的局限性。

发明内容

有鉴于此，本公开实施例提供了一种推荐模型的训练方法、装置、计算机设备及计算机可读存储介质，以解决现有技术中基于用户线上行为所构造的序列推荐模型，会由于序列本身的长度较短，且前后关联性差等问题，导致在序列推荐模型的训练过程中，会由于序列的表征特征中的信息不足，出现模型过拟合、泛化能力弱的问题，这样，会使得利用序列推荐模型向用户推荐商品或服务的场景下，给用户所推荐的商品或服务并不是用户真正想要的商品或服务，从而导致用户体验较差，且在提高商品或服务的转化率上有一定的局限性的问题。

本公开实施例的第一方面，提供了一种推荐模型的训练方法，所述方法包括：

利用推荐模型，得到所述第一交互训练样本中第一历史交互序列对应的预测交互特征信息；其中，所述第一历史交互序列包括若干历史交互特征信息；

根据所述预测交互特征信息，以及所述第一交互训练样本中与所述第一历史交互序列对应的真实交互特征信息，对所述推荐模型的模型参数进行调整，得到调整后的推荐模型；

利用所述调整后的推荐模型，得到所述第二交互训练样本中第二历史交互序列对应的预测交互结果；其中，所述第二历史交互序列包括若干历史交互特征信息；

根据所述预测交互结果，以及所述第二交互训练样本中与所述第二历史交互序列对应的真实交互结果，对所述调整后的推荐模型的模型参数进行调整，得到目标推荐模型。

本公开实施例的第二方面，提供了一种推荐模型的训练装置，所述装置包括：

第一预测单元，用于利用推荐模型，得到所述第一交互训练样本中第一历史交互序列对应的预测交互特征信息；其中，所述第一历史交互序列包括若干历史交互特征信息；

第一调整单元，用于根据所述预测交互特征信息，以及所述第一交互训练样本中与所述第一历史交互序列对应的真实交互特征信息，对所述推荐模型的模型参数进行调整，得到调整后的推荐模型；

第二预测单元，用于利用所述调整后的推荐模型，得到所述第二交互训练样本中第二历史交互序列对应的预测交互结果；其中，所述第二历史交互序列包括若干历史交互特征信息；

第二调整单元，用于根据所述预测交互结果，以及所述第二交互训练样本中与所述第二历史交互序列对应的真实交互结果，对所述调整后的推荐模型的模型参数进行调整，得到目标推荐模型。

本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。