[发明专利]融合神经图协同滤波网络的数据预测方法、装置及设备

说明书

本发明公开了融合神经图协同滤波网络的数据预测方法、装置、设备及存储介质，涉及人工智能技术，先将输入特征集对待训练DeepMCP网络进行训练得到融合神经图协同滤波网络的DeepMCP网络，然后根据用户端上传的待预测输入特征和待预测任务类型对应进行运算得到预测结果，通过融合神经图协同滤波网络的DeepMCP网络，将用户和课程当作二部图来表示，并通过算法在图上传播对用户和课程进行嵌入处理，可以利用用户和课程的交互信息，充分学习高阶的用户与产品的协同关系，从而强化了匹配网络，为预测网络传递高阶的用户与产品的协同关系，使得预测结果更加准确。

技术领域

本发明涉及人工智能的智能决策技术领域，尤其涉及一种融合神经图协同滤波网络的数据预测方法、装置、设备及存储介质。

背景技术

原DeepMCP模型(是阿里巴巴公司开发的一款推荐算法)中的matching子网络，主要用于学习user与item(即用户与物品)之间的协同信息，具体是原DeepMCP模型中matching子网络是用于对用户-广告关系建模,学习用户与广告是否匹配，更具体是matching子网络采用的双塔DSSM模型(即双塔式深度语义匹配模型)，双塔DSSM模型的核心思想就是分别学习得到两个Embedding向量，分别是用户侧Embedding向量和广告侧Embedding向量，然后利用这两个Embedding向量计算得到一个matching score(可以理解为匹配分数)，而现有的matching子网络也只是学习到了user与item直接的关联关系，无法学习到user与item更高阶的关联关系，使得基于DeepMCP模型进行预测时输出结果准确度低。

发明内容

本发明实施例提供了一种融合神经图协同滤波网络的数据预测方法、装置、设备及存储介质，旨在解决现有技术中信息推荐中采用原始DeepMCP模型只是学习到了用户与产品直接的关联关系，无法学习到用户与产品更高阶的关联关系，使得基于DeepMCP模型进行预测时输出结果准确度低的问题。

第一方面，本发明实施例提供了一种融合神经图协同滤波网络的数据预测方法，其包括：

若检测到模型训练启动指令，获取已存储的输入特征集；

通过所述输入特征集对待训练DeepMCP网络进行训练，得到融合神经图协同滤波网络的DeepMCP网络；

若检测到预测指令，接收用户端上传的待预测输入特征和待预测任务类型；

若确定所述待预测任务类型为点击率预估任务，将所述待预测输入特征作为待预测第一输入特征输入至DeepMCP网络中的预测子网络进行运算，得到点击率预测结果；以及

若确定所述待预测任务类型为课程与用户兴趣相关度预估任务，由所述待预测输入特征中根据预设的筛选策略得到的部分特征组成待预测第二输入特征输入至DeepMCP网络中的匹配子网络进行运算，得到课程与用户兴趣相关度预测结果。

第二方面，本发明实施例提供了一种融合神经图协同滤波网络的数据预测装置，其包括：

输入特征集获取单元，用于若检测到模型训练启动指令，获取已存储的输入特征集；

模型训练单元，用于通过所述输入特征集对待训练DeepMCP网络进行训练，得到融合神经图协同滤波网络的DeepMCP网络；

上传数据接收单元，用于若检测到预测指令，接收用户端上传的待预测输入特征和待预测任务类型；

第一预测单元，用于若确定所述待预测任务类型为点击率预估任务，将所述待预测输入特征作为待预测第一输入特征输入至DeepMCP网络中的预测子网络进行运算，得到点击率预测结果；以及