[发明专利]一种推荐模型训练的方法及装置

说明书

本发明公开了一种推荐模型训练的方法及装置，该方法包括：获取至少两个用户的用户样本数据，该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；根据每个用户的第一训练集训练推荐模型，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；获取训练后的每个用户的推荐模型的模型参数。根据至少两个用户的第二训练集和综合损失函数综合训练推荐模型，获取综合训练后的推荐模型，该综合损失函数是根据每个用户的推荐模型的模型参数获取的。该方法不需要人工定义元特征。同时，该推荐模型包含K个推荐单模型和模型选择器，该K个推荐单模型和模型选择器可以共同训练和参数更新，不需要分步训练，可以降低时间复杂度。

技术领域

本发明涉及内容推荐技术领域，具体涉及一种推荐模型训练的方法及装置。

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、视频、音乐、阅读、应用程序等)准确地推荐给用户，是当前一个重要的研究课题。给用户推荐个性化内容是人工智能变现的重要手段，是提升用户体验和平台收入的利器。

由于不同用户的数据差异很大，一种推荐模型很难适用于所有的用户。请参见图1，图1为四种推荐模型在一天中推荐变现曲线图。图1中横坐标为时间(24小时)，纵坐标为每一千次展示可以获得的广告收入(effective cost per mile，ECPM)。从图1可见，不同推荐模型推荐变现的效果随时间变化波动较大，没有一个模型能够在所有时段表现最优。对于这个问题，可以应用特征加权线性融合(feature weighted linear stacking，FWLS)技术，通过基于元特征的线性函数来线性组合多个推荐模型预测以提高预测准确性。FWLS技术可以引入元特征进行线性加权。首先根据元特征计算出不同推荐模型的权值系数，再根据该不同模型的权值系数将多个推荐模型加权，这样可以融合多个推荐模型得到元模型，该元模型能够发挥多个模型的优势，从而获得性能上的提升。

但是这种方案比较依赖元特征，元特征本身需要人为定义，导致模型的权值系数也很难训练准确。而且该方案需要先训练出不同模型的权值系数，再根据该权值系数将不同的模型加权，得到元模型。这个过程需要分步训练，时间复杂度高。

发明内容

本申请实施例提供了一种推荐模型训练的方法，该方法包括：获取至少两个用户的用户样本数据，该用户样本数据包括特征数据和样本标签，该特征数据包括推荐对象特征和用户特征，该样本标签用于表示用户对推荐对象的选择情况，该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；根据每个用户的第一训练集训练推荐模型，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；获取训练后的每个用户的推荐模型的模型参数，该模型参数包括K个推荐单模型参数和模型选择器参数；根据至少两个用户的第二训练集和综合损失函数综合训练推荐模型，获取综合训练后的推荐模型，综合损失函数是根据每个用户的推荐模型的模型参数获取的。该方法不需要人工定义元特征。同时，该推荐模型包含K个推荐单模型和模型选择器，该K个推荐单模型和模型选择器可以共同训练和参数更新，不需要分步训练，可以降低时间复杂度。

可选的，结合第一方面，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。根据每个用户的第一训练集训练推荐模型，可以使得训练后的推荐模型适应每个用户的个性化特征，可以满足用户的个性化需求。根据每个用户的推荐模型参数构建综合损失函数，这样可以将该至少两个用户中每个用户的损失函数都纳入考虑范围，使得之后综合训练的推荐模型能够满足该至少两个用户中的每个用户。

可选的，结合第一方面，根据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：根据如下公式获取每个用户各自的损失函数：