[发明专利]推荐模型训练方法、基于推荐模型的预测方法及装置

说明书

本申请提供了推荐模型训练方法、基于推荐模型的预测方法及装置，该方法包括：获取至少一个样本数据，根据所述每一个样本数据的特征集合获取至少一个特征子集；根据每一个特征子集的属性来确定条件集合中每一个特征子集对应的条件；其中，条件集合包括至少两个条件，至少两个条件分别指示特征子集不同的属性，每一个特征子集的属性与每一个特征子集对应的条件所指示的属性一致；利用每一个特征子集以及每一个特征子集对应的标签，分别训练模型集合中每一个特征子集对应的条件所对应的推荐模型。实施本发明实施例有利于训练出更好的推荐模型，提高推荐内容的预测的准确性。

技术领域

本发明涉及内容推荐技术领域，尤其涉及推荐模型训练方法、基于推荐模型的预测方法及装置。

背景技术

随着互联网技术的发展，信息快速增长，如何对信息进行快速有效地筛选，从而将适合用户的个性化内容(如商品、广告、新闻资讯、APP等等)准确地推荐推荐给用户，是当前一个重要研究课题。为了解决这个问题，基于特征工程(Feature Engineering)的推荐系统应运而生。推荐系统可以根据已有的用户信息进行机器学习，进而向用户推荐其可能会感兴趣的个性化内容。其中，已有的用户信息包括用户特征(如性别、年龄、城市、爱好等)、产品特征(如产品类型、内容、展示位置、推荐时间等)等等。为了提高机器学习应用的准确性和效率，通常需要将一些不同的特征进行组合，现有的特征组合方式有两种，一种是人工特征组合方式，这种方式依赖于工程师选择特征子集进行组合，然而，这种方式需要花费大量的人力、物力去寻找有意义的特征组合，成本较高且容易漏掉潜在有价值的特征组合。另一种方式是采用推荐模型的算法来学习较佳的特征组合，该方式能够基于大量的训练样本来自动学习大量的特征组合，验证不同特征组合的有效性，所以特征组合是特征工程的一种重要策略。然而，目前推荐模型众多，不同推荐模型解决问题的能力各有差异，选择怎样的推荐模型来解决当前产品的特征组合问题，以进一步提升个性化内容推荐的准确性，仍然是一个具有挑战性的难题。

发明内容

本发明提供了推荐模型训练方法、基于推荐模型的预测方法及装置，能够自动合理选择特征组合过程中的推荐模型，进一步提升内容推荐的准确性。