[发明专利]一种推荐模型训练的方法及装置

权利要求书

1.一种推荐模型训练的方法，其特征在于，所述方法包括：

获取至少两个用户的用户样本数据，所述用户样本数据包括特征数据和样本标签，所述特征数据包括推荐对象特征和用户特征，所述样本标签用于表示用户对所述推荐对象的选择情况，所述至少两个用户中每个用户的用户样本数据包括第一训练集和第二训练集；

根据所述每个用户的所述第一训练集训练推荐模型，所述推荐模型包括K个推荐单模型和模型选择器，K为大于1的整数；

获取训练后的所述每个用户的所述推荐模型的模型参数，所述模型参数包括所述K个推荐单模型参数和所述模型选择器参数；

根据所述至少两个用户的第二训练集和综合损失函数综合训练所述推荐模型，获取综合训练后的所述推荐模型，所述综合损失函数是根据所述每个用户的所述推荐模型的模型参数获取的。

2.根据权利要求1所述的方法，其特征在于，所述综合损失函数是根据所述每个用户的所述推荐模型的模型参数获取的，具体包括：

根据所述每个用户的所述推荐模型的模型参数获取所述每个用户的所述推荐模型的损失函数；

根据所述每个用户的所述推荐模型的损失函数获取所述综合损失函数。

3.根据权利要求2所述的方法，其特征在于，所述根据所述每个用户的第一训练集获取每个用户各自的损失函数包括：

根据如下公式获取所述每个用户各自的损失函数：

其中，为所述每个用户各自的第一训练集，x为所述第一训练集的特征数据，y为所述第一训练集的样本标签，θ为所述K个推荐单模型的参数，为所述模型选择器的参数，是二进制交叉熵损失函数，是所述每个用户各自的损失函数；

所述根据所述每个用户各自的损失函数获取所述每个用户的推荐模型包括：

根据如下公式获取所述每个用户的推荐模型：

其中，α是内层梯度更新的学习率，为所述每个用户训练后的所述推荐模型，θ^u为训练后的所述K个推荐单模型模型参数，为所述训练后的所述模型选择器参数。

4.根据权利要求3所述的方法，其特征在于，所述根据所述至少两个用户的第二训练集和综合损失函数综合训练所述推荐模型包括：

根据如下公式综合训练所述推荐模型：

其中，是所述综合损失函数，U_t是所述至少两个用户中所有用户的第二训练集，u为第二训练集中每个用户的用户样本数据，β是外层梯度更新的学习率，m是所述第二训练集中的用户个数，为综合训练之前的推荐模型，θ为综合训练前的所述K个推荐单模型参数，为综合训练前的所述模型选择器的参数，为综合训练后的推荐模型，θ'为综合训练后的K个推荐单模型参数，为综合训练后的模型选择器参数。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

获取待预测用户的特征数据；

根据所述综合训练后的推荐模型和所述待预测用户的特征数据获取待预测用户推荐对象的推荐概率。

6.根据权利要求5所述的方法，其特征在于，所述根据所述综合训练后的推荐模型和所述待预测用户的特征数据获取待预测用户推荐对象的推荐概率包括：

根据如下公式获取待预测用户推荐对象的推荐概率：

其中，x是所述待预测用户的特征数据，λ是所述推荐单模型在模型选择器上的权重分布向量，S()是分布函数，M_K()为第K个推荐单模型，λ_K是所述权重分布向量λ的第K个推荐单模型的权重分布值，θ'_K是第K个推荐单模型的推荐单模型的参数，表示待预测用户推荐对象的推荐概率。