[发明专利]一种跨域推荐及模型训练的方法和装置

权利要求书

1.一种模型训练的方法，其特征在于，所述方法包括：

获取至少两种内容场景下各消费者账户的交互行为数据，并根据所述交互行为数据建立目标图网络；

基于所述目标图网络进行采样，生成样本数据集合，其中，所述样本数据集合中的各样本数据包括所述目标图网络中的源节点，以及基于所述源节点采样生成的目标节点；

基于所述样本数据集合协同训练多个深度神经网络模型，其中，所述深度神经网络模型包括用于向量化源节点的第一深度神经网络模型，以及用于向量化目标节点的第二深度神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述目标图网络包括多种节点类型以及多种边类型；所述样本数据还包括：当前样本数据对应的节点类型和边类型，以及各源节点的第一属性信息；

所述基于所述样本数据集合协同训练多个深度神经网络模型，包括：

根据各样本数据对应的节点类型和边类型，将节点类型和边类型均相同的样本数据进行聚合，得到多个第一子集合；

针对各第一子集合，根据当前第一子集合中的各样本数据的源节点以及对应的第一属性信息，训练对应的第一深度神经网络模型，其中，所述第一深度神经网络模型以当前第一子集合的节点类型标识和边类型标识进行标识。

3.根据权利要求2所述的方法，其特征在于，所述样本数据还包括：各目标节点的第二属性信息；所述基于所述样本数据集合协同训练多个深度神经网络模型，还包括：

根据各样本数据对应的节点类型，将节点类型相同的样本数据进行聚合，得到多个第二子集合；

针对各第二子集合，根据当前第二子集合中的各样本数据的目标节点以及对应的第二属性信息，训练对应的第二深度神经网络模型，其中，所述第二深度神经网络模型以当前第二子集合的节点类型标识进行标识。

4.根据权利要求3所述的方法，其特征在于，所述基于所述样本数据集合协同训练多个深度神经网络模型，还包括：

针对各样本数据，通过当前样本数据匹配的第一深度神经网络模型确定该样本数据的源节点向量表示，以及，通过当前样本数据匹配的第二深度神经网络模型确定该样本数据的目标节点向量表示；

确定当前样本数据的源节点向量表示和目标节点向量表示的差异值；

根据各样本数据的差异值，确定优化目标；

根据所述优化目标对各第一深度神经网络模型以及各第二深度神经网络模型进行收敛。

5.根据权利要求4所述的方法，其特征在于，所述针对各样本数据，通过当前样本数据匹配的第一深度神经网络模型确定该样本数据的源节点向量表示，以及，通过当前样本数据匹配的第二深度神经网络模型确定该样本数据的目标节点向量表示，包括：

针对各样本数据，根据当前样本数据对应的节点类型和边类型查找匹配的第一深度神经网络模型，以及，根据当前样本数据对应的节点类型查找匹配的第二深度神经网络模型；

将当前样本数据的源节点以及对应的第一属性信息输入至该匹配的第一深度神经网络模型，获得当前样本数据的源节点对应的源节点向量表示；

将当前样本数据的目标节点以及对应的第二属性信息输入至该对应的第二深度神经网络模型，获得当前样本数据的目标节点对应的目标节点向量表示。

6.根据权利要求4或5所述的方法，其特征在于，所述目标节点包括正样本节点以及多个负样本节点，所述目标节点向量表示包括与所述正样本节点对应的正向量表示，以及，与所述负样本节点对应的负向量表示；

所述确定当前样本数据的源节点向量表示和目标节点向量表示的差异值，包括：

计算所述源节点向量表示与所述正向量表示之间的第一相似度；

计算所述源节点向量表示与各负向量表示之间的第二相似度；

根据所述第一相似度以及各第二相似度，计算源节点向量表示和目标节点向量表示的差异值。