[发明专利]物品推荐模型的训练方法、物品筛选方法、装置和设备

权利要求书

1.一种物品推荐模型的训练方法，其特征在于，包括：

获取推荐模型中预设的预测任务，所述预测任务的数量至少为两个；

根据输入至推荐模型的用户特征和物品特征，得到每个预测任务的用户向量和物品向量，所述用户特征用于指示用户与物品发生的交互行为和用户信息，所述物品特征用于指示物品的属性信息；

根据每个预测任务的用户向量、物品向量和预设样本标签，确定每个预测任务的损失函数；

根据每个预测任务的损失函数，获取所述推荐模型的目标损失函数；

根据所述目标损失函数，获取训练完成的推荐模型，所述训练完成的推荐模型用于预测用户对不同物品的偏好度。

2.根据权利要求1所述的方法，其特征在于，所述根据输入至推荐模型的用户特征和物品特征，得到每个预测任务的用户向量和物品向量，包括：

获取所述用户特征的特征域和所述物品特征的特征域；

根据所述用户特征的特征域和所述物品特征的特征域，将所述用户特征划分得到用户对称特征和用户非对称特征，以及将所述物品特征划分得到物品对称特征和物品非对称特征；

根据所述用户对称特征和用户非对称特征，得到每个预测任务的用户对称向量和用户非对称向量，作为所述用户向量；

根据所述物品对称特征和所述物品非对称特征，得到每个预测任务的物品对称向量和物品非对称向量，作为物品向量。

3.根据权利要求2所述的方法，其特征在于，所述根据输入至推荐模型的用户特征和物品特征，得到每个预测任务的用户向量和物品向量，包括：

根据预测任务的数量，在所述推荐模型中构建得到目标数量的多层感知机，所述多层感知机用于进行特征建模；

确定每个预测任务的用户对称特征、用户非对称特征、物品对称特征和物品非对称特征分别对应的多层感知机；

利用对应的多层感知机，分别对每个预测任务的用户对称特征、用户非对称特征进行建模，得到每个预测任务对应的用户特征向量和用户非对称特征向量；

利用对应的多层感知机，分别对每个预测任务的物品对称特征和物品非对称特征进行建模，得到每个预测任务的物品对称向量和物品非对称向量。

4.根据权利要求3所述的方法，其特征在于，所述根据每个预测任务的用户向量、物品向量和预设样本标签，确定每个预测任务的损失函数，包括：

将每个预测任务的用户对称向量与用户非对称向量进行拼接，得到每个预测任务的第一用户拼接向量；

将每个预测任务的物品对称向量与物品非对称向量进行拼接，得到每个预测任务的第一物品拼接向量；

根据每个预测任务的第一用户拼接向量和第一物品拼接向量，确定每个预测任务对应的损失函数。

5.根据权利要求4所述的方法，其特征在于，所述将每个预测任务的用户对称向量与用户非对称向量进行拼接，得到每个预测任务的第一用户拼接向量，包括：

将每个预测任务的用户对称向量与用户非对称向量进行拼接，得到拼接之后的第一拼接向量；

在所述第一拼接向量中加入第一预设维度，得到每个预测任务的第一用户拼接向量。

6.根据权利要求4所述的方法，其特征在于，所述将每个预测任务的物品对称向量与物品非对称向量进行拼接，得到每个预测任务的第一物品拼接向量，包括：

将每个预测任务的物品对称向量与物品非对称向量进行拼接，得到拼接之后的第二拼接向量；

在所述第二拼接向量中加入第二预设维度，得到每个预测任务的第一物品拼接向量。

7.根据权利要求6所述的方法，其特征在于，所述根据每个预测任务的第一用户拼接向量和第一物品拼接向量，确定每个预测任务对应的损失函数，包括：

对每个预测任务的第一用户拼接向量、第一物品拼接向量进行内积，得到第一内积结果；

根据预设激活函数和所述第一内积结果，计算每个预测任务的预测值；

根据预设交叉熵函数、所述预测值和预设样本标签，确定每个预测任务的损失函数。