[发明专利]多目标推荐模型的训练及信息推荐方法以及装置

权利要求书

1.一种多目标推荐模型的训练方法，包括：

获取多个训练样本及各训练样本对应的标签，所述训练样本的标签中包括所述训练样本在多个业务目标分别对应的多个子标签，所述训练样本包括用户的画像特征和所述用户对应的推荐对象特征；

将所述多个训练样本输入多目标推荐模型中的多个共享特征网络，得到各训练样本中的多个子特征，其中，至少两个共享特征网络具有不同的网络结构；

将各训练样本中的多个子特征输入所述多目标推荐模型中各业务目标对应的任务网络，得到各训练样本在所述多个业务目标分别对应的多个预测结果，其中，所述任务网络包括集成子网络和任务子网络，所述集成子网络用于基于所述训练样本及各个所述共享特征网络从所述训练样本中提取的子特征，输出所述训练样本在所述业务目标对应的业务特征，所述任务子网络基于所述训练样本在所述业务目标对应的业务特征，输出所述训练样本在所述业务目标对应的预测结果；

基于各训练样本在所述业务目标对应的预测结果及子标签以及所述业务目标对应的损失函数，通过反向传播调整所述业务目标对应的集成子网络及任务子网络的网络参数；

基于各训练样本在所述多个业务目标分别对应的多个预测结果及多个子标签以及各业务目标对应的损失函数，通过反向传播调整各共享特征网络的网络参数。

2.如权利要求1所述的方法，基于各训练样本在所述业务目标对应的预测结果及子标签以及所述业务目标对应的损失函数，通过反向传播调整所述业务目标对应的集成子网络及任务子网络的网络参数，包括：

基于所述业务目标对应的预测结果及子标签以及所述业务目标对应的损失函数，确定对所述多个训练样本在所述业务目标的预测误差；

基于所述预测误差逐层调整所述业务目标对应的集成子网络及任务子网络的各层网络参数，以使对所述多个训练样本在所述业务目标的预测误差下降。

3.如权利要求1所述的方法，基于各训练样本在所述多个业务目标分别对应的多个预测结果及多个子标签以及各业务目标对应的损失函数，通过反向传播调整各共享特征网络的网络参数，包括：

对于每一业务目标，基于所述业务目标对应的预测结果及子标签以及所述业务目标对应的损失函数，确定对所述多个训练样本在所述业务目标的预测误差；

基于对所述多个训练样本在所述业务目标的预测误差，确定对所述多个训练样本的总预测误差；

基于所述总预测误差逐层调整所述共享特征网络的各层网络参数，以使对所述多个训练样本的总预测误差下降。

4.如权利要求1所述的方法，所述共享特征网络包括以下一种或多种神经网络的组合：长短期记忆网络LSTM、卷积神经网络CNN以及循环神经网络RNN。

5.如权利要求1所述的方法，所述用户的画像特征包括所述用户的属性特征和消费行为特征；

所述推荐对象特征包括向所述用户推送的用户权益的属性特征、所述用户权益的使用者的画像特征以及所述用户权益的所属方的属性特征。

6.如权利要求5所述的方法，所述多个业务目标包括以下至少两种：用户对所述用户权益的点击率、转化率以及用户通过所述用户权益产生的成交金额。

7.一种信息推荐方法，包括：

获取目标用户的画像特征及对应的候选推荐对象特征；

将所述画像特征和所述候选推荐对象特征输入预先训练的多目标推荐模型中的多个共享特征网络，得到多个子特征，其中，至少两个共享特征网络具有不同的网络结构；

将所述画像特征和所述候选推荐对象特征输入所述多目标推荐模型中各业务目标对应的任务网络，得到各业务目标对应的预测结果，其中，所述任务网络包括集成子网络和任务子网络，所述集成子网络用于基于各个所述共享特征网络输出的子特征，输出所述业务目标对应的业务特征，所述任务子网络基于所述业务目标对应的业务特征，输出所述业务目标对应的预测结果；

基于各业务目标对应的预测结果，对所述目标用户执行相应的推荐处理。