[发明专利]基于零次学习的清单推荐方法、系统、设备及存储介质

权利要求书

1.一种基于零次学习的清单推荐方法，其特征在于，包括：

获取待创建清单的基本信息属性；

将所述基本信息属性输入至预先训练好的零次学习模型中，得到所述零次学习模型输出的预测样例特征；其中，所述零次学习模型是基于训练清单以及训练样例之间的映射训练得到的；

将所述预测样例特征与真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单。

2.根据权利要求1所述的基于零次学习的清单推荐方法，其特征在于，所述将所述预测样例特征与真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单，包括：

选取与所述预测样例特征最邻近的真实样例特征；

将选取的最邻近的真实样例特征作为推荐样例，推荐至待创建清单中进行清单构建。

3.根据权利要求2所述的基于零次学习的清单推荐方法，其特征在于，当与所述预测样例特征进行相似度匹配的真实样例特征属于同一真实清单时，寻找与所述预测样例特征最邻近的真实样例特征，包括：

计算所述预测样例特征与真实样例特征之间的欧式距离或余弦相似度；

根据距离大小对所述欧式距离进行排序，或根据相似度大小对所述余弦相似度进行排序；

根据所述排序，选取对应欧式距离最小或余弦相似度最大的真实样例特征作为与所述预测样例特征最邻近的真实样例特征。

4.根据权利要求2所述的基于零次学习的清单推荐方法，其特征在于，当与所述预测样例特征进行相似度匹配的真实样例特征属于不同真实清单时，寻找与所述预测样例特征最邻近的真实样例特征，包括：

计算所述预测样例特征与真实样例特征之间的欧式距离或余弦相似度；

根据距离大小对所述欧式距离进行排序，或根据相似度大小对所述余弦相似度进行排序；

根据排序，统计对应欧式距离最小或余弦相似度最大的多个真实样例特征中相同真实样例特征的出现次数，并将出现次数最多的真实样例特征作为与所述预测样例特征最邻近的真实样例特征。

5.根据权利要求1所述的基于零次学习的清单推荐方法，其特征在于，所述获取待创建清单的基本信息属性，包括：

根据用户需求或偏好确定待创建清单的基本信息；

基于所述基本信息进行特征提取，并将提取的特征转换为向量；

将转换后的向量进行拼接形成基本信息属性。

6.根据权利要求1所述的基于零次学习的清单推荐方法，其特征在于，训练所述零次学习模型包括：

从预先构建的训练数据库内提取训练清单属性和训练样例特征；

利用所述训练清单属性与所述训练样例特征对所述零次学习模型进行映射训练，并输出预测映射标签；

基于训练清单属性与训练样例特征之间的映射计算损失函数；

若所述损失函数收敛，则停止训练；否则，继续训练所述损失函数。

7.根据权利要求6所述的基于零次学习的清单推荐方法，其特征在于，所述基于训练清单属性与训练样例特征之间的映射计算损失函数，包括：

计算所述训练清单属性映射至所述训练样例特征后与真实样例特征之间的距离，作为第一距离损失；

计算所述训练样例特征映射至所述训练清单属性后与真实清单属性特征之间的距离，作为第二距离损失；

计算从所述训练清单属性至所述训练样例特征的映射与所述训练样例特征至所述训练清单属性的映射之间的距离，记作映射损失；

计算映射过程中的正则化损失；

并基于所述第一距离损失、所述第二距离损失、所述映射损失和所述正则化损失求和，记作损失函数。