[发明专利]一种神经网络模型训练方法、信息推荐方法及存储介质

说明书

本申请公开了一种神经网络模型训练方法，所述神经网络模型包括特征提取模块和DNN模块，神经网络模型训练方法包括：利用特征提取模块提取训练样本的特征嵌入向量；利用DNN模块对所有特征嵌入向量进行拼接得到拼接向量，并提取行为嵌入向量；根据拼接向量和行为嵌入向量构建DNN模块的输入向量，并将输入向量输入DNN模块进行训练以便调节DNN模块的参数和行为嵌入向量的参数；将调节参数后的行为嵌入向量更新至存储模块，以便得到符合预设条件的神经网络模型。本申请使用的神经网络模型能够理解样本中的用户行为序列，提高了信息推荐的准确率。本申请还公开了一种信息推荐方法及一种存储介质，具有以上有益效果。

技术领域

本申请涉及机器学习领域，特别涉及一种神经网络模型训练方法、信息推荐方法及存储介质。

背景技术

随着数字音乐和移动音乐的快速发展，在线音乐流媒体通过个性化推荐算法帮助用户找到其喜欢的内容，提升用户的在线时长和留存率。

相关技术中，主要将深度神经网络(DNN)为排序模型实现信息推荐，但是深度神经网络的排序模型的训练过程中需要假设样本之间相互独立，信息推荐的准确率较低。

因此，如何提高信息推荐的准确率是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种神经网络模型训练方法、信息推荐方法及存储介质，能够提高信息推荐的准确率。

为解决上述技术问题，本申请提供一种神经网络模型训练方法，所述神经网络模型包括特征提取模块、DNN模块和存储模块，所述神经网络模型训练方法包括：

利用所述特征提取模块提取训练样本的特征嵌入向量；

利用所述DNN模块对所有所述特征嵌入向量进行拼接得到拼接向量，并提取行为嵌入向量；其中，所述行为嵌入向量为用于记录用户历史行为的高维度信息反馈的嵌入向量；

根据所述拼接向量和所述行为嵌入向量构建所述DNN模块的输入向量，并将所述输入向量输入所述DNN模块进行训练以便调节所述DNN模块的参数和所述行为嵌入向量的参数；

将调节参数后的行为嵌入向量更新至所述存储模块，以便得到符合预设条件的神经网络模型。

可选的，将所述输入向量输入所述DNN模块进行训练以便调节所述DNN模块的参数和所述行为嵌入向量的参数，包括：

将所述输入向量输入所述DNN模块，并利用所述DNN模块以目标损失函数为学习目标调节所述DNN模块的参数和所述行为嵌入向量的参数。

可选的，在利用所述DNN模块以目标损失函数为学习目标调节所述DNN模块的参数和所述行为嵌入向量的参数之前，还包括：

根据所述神经网络模型的模型最小化平均Logistic损失确定第一损失函数；

根据所述行为嵌入向量与所述DNN模块倒数第二个隐层输出向量的均方误差确定第二损失函数；

对所述第一损失函数和所述第二损失函数进行加权计算得到所述目标损失函数。

可选的，所述提取行为嵌入向量，包括：

从用户行为记忆模块中提取正向行为嵌入向量和负向行为嵌入向量；其中，所述正向行为嵌入向量用于记录用户正向行为的高维度信息反馈，所述负向行为嵌入向量用于记录用户负向行为的高维度信息反馈。

可选的，将所述输入向量输入所述DNN模块进行训练以便调节所述DNN模块的参数和所述行为嵌入向量的参数，包括：

将所述输入向量输入所述DNN模块进行训练以便调节所述DNN模块的参数并确定反向传播的隐层输出向量；