[发明专利]基于交友场景的推荐模型的训练方法、装置、电子设备和计算机可读存储介质

说明书

本申请涉及一种基于交友场景的推荐模型的训练方法、装置、电子设备和计算机可读存储介质。所述方法包括：获取预设时间内目标应用程序的交友推荐页的用户行为数据集；从所述用户行为数据集中筛选第一样本集训练预设的点击率预估模型，得到所述点击率预估模型，其中，所述点击率预估模型输出针对所述用户行为数据集执行极大似然计算得到的点击概率参数；基于所述点击概率参数对待训练的推荐模型执行初始化，得到初始化推荐模型；基于用户行为数据集构建第二样本集，将所述第二样本集代入所述初始化推荐模型进行训练，得到所述推荐模型。实施本申请实施例具有提高推荐模型的准确度的优点。

技术领域

本申请涉及机器学习技术领域，特别是涉及一种基于交友场景的推荐模型的训练方法、装置、电子设备和计算机可读存储介质。

背景技术

随着计算机技术的深入研究，人工智能技术也随之飞速发展，机器学习是人工智能技术中重要的组成部分，其中，推荐模型即为机器学习模型中应用最广泛的模型之一。推荐模型的主要应用场景之一即为社交交友平台。

目前，社交交友平台中的推荐模型通常为通过支撑向量机SVM构建的SVMRank模型，其主要降排序问题转化为pairwise分类问题然后使用SVM分类模型进行学习和求解，即在SVMRank模型的训练过程中，主要通过pairwise算法对推荐模型进行训练。但是，在通过pairwise算法对推荐模型训练的过程中，对样本质量要求极高，在构建训练对的过程中容易产生错误标注，从而导致训练出来的推荐模型效果不佳，并且，通过pairwise算法训练的推荐模型仅学习局部排序，不能学习到样本全局，通用性差，因此导致推荐模型的训练效果低下，准确率不高。

发明内容

本申请实施例提供一种基于交友场景的推荐模型的训练方法、装置、电子设备和计算机可读存储介质，用于提高推荐模型全局性以及推荐模型准确度。

第一方面，本申请实施例提供一种基于交友场景的推荐模型的训练方法，包括：

获取预设时间内目标应用程序的交友推荐页的用户行为数据集；

从所述用户行为数据集中筛选第一样本集训练预设的点击率预估模型，得到所述点击率预估模型，其中，所述点击率预估模型输出针对所述用户行为数据集执行极大似然计算得到的点击概率参数；

基于所述点击概率参数对待训练的推荐模型执行初始化，得到初始化推荐模型；

基于用户行为数据集构建第二样本集，将所述第二样本集代入所述初始化推荐模型进行训练，得到所述推荐模型。

在其中一个实施例中，所述点击率预估模型采用逻辑回归LR模型结构。

在其中一个实施例中，所述推荐模型采用SVMRank模型结构。

在其中一个实施例中，所述基于用户行为数据集构建第二样本集，包括：从所述用户行为数据集中提取多个用户对，所述多个用户对中每一所述用户对包括：主动用户和被动用户；确定所述多个用户对的多个样本目标等级，基于所述多个用户对和所述多个样本目标等级构建多个训练样本对；针对所述多个用户对中任意一个主动用户，从预设推荐用户列表中随机选取多个随机用户与所述任意一个主动用户构建多个随机用户对，所述多个随机用户对的样本目标等级为第一等级；基于所述随机用户对所述第一等级构建多个随机样本对；所述多个训练样本对和所述多个随机样本对构成所述第二样本集。

在其中一个实施例中，所述确定所述多个用户对的样本目标等级，包括：针对所述多个用户对中每一所述用户对，获取所述用户对的用户行为数据；从所述用户行为数据中提取所述用户对的主动行为数和被动行为数；判断所述被动行为数是否为零，若不为零，则确定所述样本目标等级为第四等级；若所述被动行为数为零，则判断所述主动行为数是否大于预设阈值，若大于，则确定所述样本目标等级为第三等级；若所述主动行为数不大于所述预设阈值，则确定所述样本目标等级为第二等级。