[发明专利]推荐模型训练方法、推荐方法、装置及计算机设备

说明书

本发明实施例涉及文本处理技术领域，公开了一种推荐模型训练方法，该方法包括：获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型。通过上述方式，本发明实施例能够实现向用户对内容的准确推荐。

技术领域

本发明实施例涉及文本处理技术领域，具体涉及一种推荐模型训练方法、推荐方法、推荐模型训练装置、推荐装置、计算机设备及计算机可读存储介质。

背景技术

目前，对于内容推荐，一般通过协同过滤(CF)和基于内容的方法(CBM)，来进行内容推荐。CF通过类似用户的选择推荐物品，而CBM则利用内容之间的相似性。

然而本申请的发明人发现，现有技术中以用户为中心或以内容为中心进行内容推荐，仅采用片面的信息进行片面的用户偏好建模，缺乏根据用户的全面的信息进行内容推荐的分析，进而导致推荐的结果不贴合用户的偏好，使得内容推荐准确率低。

发明内容

鉴于上述问题，本发明实施例提供了一种推荐模型训练方法、推荐方法、推荐模型训练装置、推荐装置、计算机设备及计算机可读存储介质，用于解决现有技术中存在的内容推荐准确率低的问题。

根据本发明实施例的一个方面，提供了一种推荐模型训练方法，所述方法包括：

获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；

根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；

根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；

将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型。

在一种可选的方式中，第二类用户行为数据为用户行为内容；所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征之前，所述方法还包括：将所述用户行为内容进行one-hot编码处理，得到所述用户行为内容对应的编码矩阵。

在一种可选的方式中，所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征，包括：

将所述编码矩阵输入所述多指针协同注意力网络的门控机制中，筛选出用户层面的行为内容特征和内容层面的行为特征；

根据所述用户层面的行为内容特征和所述内容层面的行为特征之间的相似度矩阵，计算得到标准协同注意力机制；

通过重参数化算法及所述标准协同注意力机制，分别计算用户层面的行为内容特征的内容指针，以及内容层面的行为特征的内容指针，以得到用户层面特征向量和内容层面特征向量；

根据所述用户层面特征向量和所述内容层面特征向量的相似度矩阵，确定用户层面特征向量的平均池化及所述内容层面特征向量的平均池化；

重复执行上述步骤，得到多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化；

对多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化进行聚合处理，得到文本重要性特征。

在一种可选的方式中，所述第一类用户行为数据为用户行为次数；所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征，包括：