[发明专利]一种商品推荐模型的训练方法、装置及系统有效
申请号: | 201911337899.5 | 申请日: | 2019-12-23 |
公开(公告)号: | CN111179031B | 公开(公告)日: | 2023-09-26 |
发明(设计)人: | 刘正夫 | 申请(专利权)人: | 第四范式(北京)技术有限公司 |
主分类号: | G06Q30/0601 | 分类号: | G06Q30/0601;G06N3/04;G06N3/08 |
代理公司: | 北京博雅睿泉专利代理事务所(特殊普通合伙) 11442 | 代理人: | 吴秀娥 |
地址: | 100085 北京市海淀区上*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 商品 推荐 模型 训练 方法 装置 系统 | ||
1.一种商品推荐模型的训练方法,包括:
获取目标用户针对目标商品执行多种交互操作的交互数据、用于训练商品推荐模型的初始样本集合,其中,所述初始样本集合中的每条原始样本包括多个选定特征和标签,所述标签表示对应原始样本产生时所述目标用户针对所述目标商品是否执行指定的交互操作;
基于所述初始样本集合,采用预设的机器学习算法训练初始的商品推荐模型;
根据所述初始的商品推荐模型和所述初始样本集合,将多种交互操作的交互数据进行合并,得到合并交互数据;
基于预设的图神经网络,根据所述合并交互数据得到每个目标用户的用户特征和每个目标商品的商品特征;
根据所述用户特征、所述商品特征和所述初始样本集合,构建新的样本集合;
基于所述新的样本集合,采用所述机器学习算法训练最终的商品推荐模型;
所述根据所述初始的商品推荐模型和所述初始样本集合,将多种交互操作的交互数据进行合并,得到合并交互数据包括:
基于所述初始的商品推荐模型,根据所述选定特征得到每个目标用户和每个目标商品之间预测匹配度;
根据每个目标用户和每个目标商品之间预测匹配度构建预测匹配度矩阵;
分别根据每一交互操作的交互数据,构建对应交互操作的交互矩阵;
根据所述预测匹配度矩阵和每一交互矩阵训练预设的机器学习模型,得到所述合并交互数据。
2.根据权利要求1所述的方法,所述根据所述预测匹配度矩阵和每一交互矩阵训练预设的机器学习模型,得到所述合并交互数据包括:
以所述机器学习模型的待定参数为变量,根据所述交互矩阵构建合并交互矩阵的表达式;
根据所述预测匹配度矩阵和所述合并交互矩阵的表达式构建第一损失函数;
求解所述第一损失函数,确定所述机器学习模型的待定参数的取值,得到所述合并交互矩阵;
根据所述合并交互矩阵得到所述合并交互数据。
3.根据权利要求2所述的方法,所述根据所述合并交互矩阵得到所述合并交互数据包括:
确定所述指定的交互操作的交互矩阵中的元素总数量和非空值率;其中,所述非空值率为非零元素的数量与所述元素总数量的比率;
根据所述元素总数量和所述非空值率,确定分值阈值;
将所述合并交互矩阵中数值小于或等于所述分值阈值的元素值调整为第一设定值,将大于所述分值阈值的元素值调整为第二设定值,得到所述合并交互数据。
4.根据权利要求2所述的方法,所述合并交互矩阵的表达式表示为:
其中,Xi为第i个交互操作的交互矩阵;wi和b为所述机器学习模型的待定参数,P为所述合并交互矩阵。
5.根据权利要求2所述的方法,所述第一损失函数表示为:
其中,Ki,为所述预测匹配度矩阵中第i行第j列的元素值,Pi,为所述合并交互矩阵中第i行第j列的元素值;m为矩阵的行数,n为矩阵的列数。
6.根据权利要求1所述的方法,所述基于预设的图神经网络,根据所述合并交互数据得到每个目标用户的用户特征和每个目标商品的商品特征包括:
根据合并交互数据,分别构建对应每个目标用户和每个目标商品的图神经网络;其中,每个图神经网络的层数相同;
根据所述合并交互数据训练每个目标用户和每个目标商品的图神经网络,获得每个目标用户在对应图神经网络的隐藏层的值,作为对应目标用户的用户特征;获得每个目标商品在对应图神经网络的隐藏层的值,作为对应目标商品的商品特征。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于第四范式(北京)技术有限公司,未经第四范式(北京)技术有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911337899.5/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种高效散热性能的电脑主板用散热装置
- 下一篇:发光二极管外延片的制备方法