[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

说明书

本申请提供一种物品推荐模型的训练方法、物品筛选方法、装置和设备，其中，该方法包括：获取推荐模型中预设的预测任务，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，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，获取推荐模型的目标损失函数，根据目标损失函数，获取训练完成的推荐模型，训练完成的推荐模型用于预测用户对不同物品的偏好度。该技术方案中，能够使得训练得到的模型可以对多目标进行建模的情况下，降低模型的粗排耗时，提高模型的粗排效率。

技术领域

本申请涉及机器学习技术领域，尤其涉及一种物品推荐模型的训练方法、物品筛选方法、装置和设备。

背景技术

线上购物平台为了方便用户购物，会根据用户的过往行为记录，为用户推荐一些用户可能想要买的物品。这些物品最终推荐给用户之前，线上平台一般会先从数十亿数量级的商品池中召回上万数量级的物品，然后通过粗排序将其过滤为上千数量级的物品，再通过精排序将其过滤为上百数量级的物品，最后再通过重排，选取出排序靠前的几个或几十个物品推荐给用户。

现有技术中，在进行粗排序的过程中，主要是采用基于向量内积的深度学习模型，以用户点击率作为任务目标，结合用户的过往行为记录和物品信息，从上万数量级的物品中过滤出上千数量级的用户可能想买的物品。

但是，现有技术的这种方式，只能够对单个任务目标进行建模，在使用多任务目标时，会提高粗排过程所花费的耗时，降低粗排效率。

发明内容

本申请提供一种物品推荐模型的训练方法、物品筛选方法、装置和设备，用于解决现有模型粗排筛选过程耗时长的问题。

第一方面，本申请实施例提供一种物品推荐模型的训练方法，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。

在第一方面的一种可能设计中，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。

在第一方面的另一种可能设计中，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；