[发明专利]模型训练方法、推荐方法、装置、电子设备和存储介质

说明书

本公开是关于一种模型训练方法、推荐方法、装置、电子设备和存储介质，所述方法包括：接收第一模型发送的特征筛选参数，其中，所述特征筛选参数指示：所述离线训练样本的M个特征中对所述第一模型的权重影响最大的N个特征；所述M大于所述N，且所述N为大于或等于1的正整数，所述M为大于或等于2的正整数；根据所述特征筛选参数，选择所述N个特征对应的在线训练样本；获取所述第一模型基于所述在线训练样本输出的第一预测值；以所述第一预测值和所述在线训练样本为训练数据在线训练第二模型。本公开实施例的方法有利于提高推荐时输出概率值的准确度。

技术领域

本公开涉及数据处理技术领域，尤其涉及一种模型训练方法、推荐方法、装置、电子设备和存储介质。

背景技术

随着时代信息的飞速发展，数据量也指数增长，人们在海量数据面前变得束手无策。正是为了解决信息井喷的问题，推荐系统应运而生。推荐其实本质上是一种信息处理逻辑，当获取了用户与内容的交互信息后，按照一定的逻辑(模型)处理所有信息(特征)，从而产生推荐结果。要想获得较好的推荐结果，离不开对模型的训练。

发明内容

本公开提供一种模型训练方法、推荐方法、装置、电子设备和存储介质。

根据本公开实施例的第一方面，提供一种模型训练方法，所述方法包括：

接收第一模型发送的特征筛选参数，其中，所述第一模型是采用离线训练样本和所述离线训练样本的标签数据离线训练的，其中，所述特征筛选参数指示：所述离线训练样本的M个特征中对所述第一模型的权重影响最大的N个特征；所述M大于所述N，且所述N为大于或等于1的正整数，所述M为大于或等于2的正整数；

根据所述特征筛选参数，选择所述N个特征对应的在线训练样本；

获取所述第一模型基于所述在线训练样本输出的第一预测值；

以所述第一预测值和所述在线训练样本为训练数据在线训练第二模型。

在一些实施例中，所述离线训练样本和/或所述在线训练样本中的特征包括以下至少之一：图像特征、视频特征、用户特征。

在一些实施例中，所述以所述第一预测值和所述在线训练样本为训练数据在线训练第二模型，包括：

获取所述第二模型基于所述在线训练样本输出的第二预测值；

根据所述在线训练样本的标签数据和所述第二预测值，确定所述第二模型的损失；

根据所述第一预测值和所述第二预测值，确定蒸馏损失；

根据所述第二模型的损失、所述蒸馏损失和损失比例，更新所述第二模型的网络参数。

在一些实施例中，所述根据所述第一预测值和所述第二预测值，确定蒸馏损失，包括：

获取所述第一预测值的回归值；其中，所述第一预测值的回归值是对所述第一预测值进行逻辑回归处理得到的值；

对所述第二预测值进行逻辑回归处理，得到所述第二预测值的回归值；

根据所述第一预测值的回归值和所述第二预测值的回归值，确定所述蒸馏损失。

根据本公开实施例的第二方面，提供一种推荐方法，所述方法包括：

获取第一方面实施例所述模型训练方法得到的第二模型；

根据第一模型发送的特征筛选参数，从待推荐内容的内容特征和目标用户的用户特征，选择N个特征对应的目标特征；

将所述N个特征对应的所述在线目标特征输入至所述第二模型，得到所述第二模型输出的概率值；

根据所述概率值，确定是否将所述待推荐内容推荐给所述目标用户。