[发明专利]用于推荐目标对象的方法、计算设备和计算机存储介质

说明书

本公开涉及一种用于推荐目标对象的方法、计算设备和计算机存储介质。该方法包括：生成输入数据，输入数据至少包括用户针对目标对象的点击特征、浏览特征和购买特征和目标对象特征；将输入数据平均分片成多个子输入数据；经由第一神经网络模型预测用户的点击概率；经由第二神经网络模型预测关于目标对象的转化概率，第二神经网络模型和第一神经网络模型至少共享嵌入层；以及基于用户的点击概率、关于目标对象的转换概率和第三损失函数，预测关于目标对象的推荐概率。本公开能够避免因采样的用户行为特征稀疏而导致的过拟合的不足，并且同时兼顾与推荐目标对象相关联的多个目标的优化。

技术领域

本公开总体上涉及机器学习，并且具体地，涉及用于推荐目标对象的方法、计算设备和计算机存储介质。

背景技术

传统的推荐目标对象方案，例如，在用于推荐商品或者内容的推荐系统中，通常基于预估点击率ctr来进行商品或者内容的推荐。然而，在ctr预测模型的实际使用中，要预测的数据与训练数据存在偏差，并且用户行为特征稀疏，使得ctr预测模型的泛化能力面临挑战、容易过拟合；另外，预估转化率ctr一定程度反映用户的点击偏好与浏览偏好之间的“行为关系”，仅基于ctr评估最优无法从实质上解决电商平台的场景商品交易最优、用户体验最优等多目标优化的问题。

综上，传统的推荐目标对象方案难以解决因采样的用户行为特征稀疏而导致的过拟合等方面的不足，而且无法同时兼顾与推荐目标对象相关联的多个目标的优化。

发明内容

本公开提供一种用于推荐目标对象方法、计算设备和计算机存储介质，能够避免因采样的用户行为特征稀疏而导致的过拟合的不足，并且同时兼顾与推荐目标对象相关联的多个目标的优化。

根据本公开的第一方面，提供了一种用于推荐目标对象的方法。该方法包括：基于所获取的、预定时间间隔中的用户行为信息、目标对象信息和环境信息，生成输入数据，输入数据至少包括用户针对目标对象的点击特征、浏览特征和购买特征和目标对象特征；基于多个GPU的数量，将输入数据平均分片成多个子输入数据，以便至少用于被配置在多个GPU上的第一神经网络模型和第二神经网络模型的训练；经由第一神经网络模型，提取子输入数据的特征，以预测用户的点击概率，第一神经网络模型是基于第一损失函数而优化的；经由第二神经网络模型，提取子输入数据的特征，以预测关于目标对象的转化概率，第二神经网络模型是基于第二损失函数而优化的，第二神经网络模型和第一神经网络模型至少共享嵌入层（embedding）；以及基于用户的点击概率、关于目标对象的转化概率和第三损失函数，预测关于目标对象的推荐概率，第三损失函数是基于第一损失函数、第一预定权重、第二损失函数和第二预定权重而确定的。

根据本发明的第二方面，还提供了一种计算设备，该设备包括：至少一个处理单元；至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得设备执行本公开的第一方面的方法。

根据本公开的第三方面，还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，计算机程序被机器执行时执行本公开的第一方面的方法。

在一些实施例中，用于推荐目标对象的方法还包括：在CPU处，获取来自多个GPU中的每一个GPU的用于训练第一神经网络模型和第二神经网络模型的梯度；针对梯度进行合并，已生成更新梯度；以及将更新梯度传播至每一个GPU，以便每一个GPU所配置的第一神经网络模型和第二神经网络模型基于更新梯度进行训练。