[发明专利]孪生网络模型训练、度量方法、装置、介质和设备

权利要求书

1.一种用于推荐系统中的数据相似度度量的孪生网络模型训练方法，其特征在于，若所述推荐系统为音乐推荐系统，则所述孪生网络模型用于对所述音乐推荐系统中的歌曲相似度进行度量，所述方法包括：

将第一样本数据作为待训练标签分类模型的输入，根据所述第一样本数据的至少一个分类标签信息，训练得到已训练的标签分类模型，所述标签分类模型包括基础神经网络和分类神经网络，所述基础神经网络用于将输入的样本数据转换为设定维度的第一向量，所述分类神经网络用于根据所述基础神经网络传入的所述第一向量输出所述至少一个分类标签类别下对应的分类信息；所述第一样本数据为所述音乐推荐系统歌曲库中保存的具有分类标签信息的待推荐歌曲；所述分类标签包括以下至少一种标签：歌曲流派、歌曲语种和歌手类别；

基于所述已训练的标签分类模型构造孪生网络模型，包括：在所述标签分类模型的基础神经网络上，增加一个编码神经网络分支，所述编码神经网络用于根据所述基础神经网络传入的所述第一向量输出指定维度的第二向量；

将第二样本数据中的一对样本数据作为待训练孪生网络模型的输入，所述一对样本数据包括正样本对或者负样本对，所述正样本对包括一个样本数据以及一个与该样本数据相似的正样本数据，所述负样本对包括一个样本数据以及一个与该样本数据不相似的负样本数据；所述第二样本数据包括多个歌曲对，所述一对样本数据为一个歌曲对，所述一个歌曲对包括两首歌曲；

基于所述分类神经网络获得所述一对样本数据的标签分类预测值，根据所述标签分类预测值与真实标签分类值计算标签分类损失函数值；基于所述编码神经网络获得所述一对样本数据中的两首歌曲各自对应的第二向量，并计算两个所述第二向量之间的度量学习损失函数值，基于所述标签分类损失函数值和所述度量学习损失函数值，采用多任务学习的方式训练得到已训练的孪生网络模型。

2.如权利要求1所述的方法，其特征在于，待训练标签分类模型输出至少两个分类标签类别下的分类信息，将第一样本数据作为待训练标签分类模型的输入，根据所述第一样本数据的至少一个分类标签信息，训练得到已训练的标签分类模型，包括：

将第一样本数据作为待训练标签分类模型的输入，根据所述第一样本数据的所述至少两个分类标签类别下的分类标签信息，训练得到已训练的标签分类模型。

3.如权利要求1所述的方法，其特征在于，所述推荐系统包含具有分类标签信息的待推荐数据，所述第一样本数据为所述推荐系统保存的待推荐数据。

4.如权利要求1所述的方法，其特征在于，所述正样本对中的样本数据为所述推荐系统保存的具有分类标签信息的待推荐数据，所述正样本对中的正样本数据为所述推荐系统推荐的该样本数据的关联待推荐数据中的一个；

所述负样本对中的样本数据为所述推荐系统保存的具有分类标签信息的待推荐数据，所述负样本对中的负样本数据为所述推荐系统保存的至少一个分类标签信息与该样本数据不同的待推荐数据。

5.如权利要求1～4任一所述的方法，其特征在于，所述方法还包括：

利用人工标注获得的正样本对或者负样本对，按照不大于设定值的学习率参数，对训练出的所述孪生网络模型的至少一个模型参数进行更新。

6.如权利要求5所述的方法，其特征在于，利用人工标注获得的正样本数据构成的正样本对或者负样本对，按照不大于设定值的学习率参数，对训练出的所述孪生网络模型的至少一个模型参数进行更新，包括：

从训练出的所述孪生网络模型中，移除所述标签分类模型中的分类神经网络，得到调整后的孪生网络模型；

利用人工标注获得的正样本对或者负样本对，按照不大于设定值的学习率参数，对调整后的孪生网络模型的至少一个模型参数进行更新。