[发明专利]推荐对象的排序方法、模型训练方法、装置及电子设备

权利要求书

1.一种推荐对象的排序方法，其特征在于，包括：

获取目标用户的用户标识，以及所述目标用户对应的多个待推荐对象的对象标识；

目标网络模型包括：预处理层、卷积网络层和后处理层，所述预处理层包括：输入子层、嵌入子层和第一融合子层，将所述用户标识经过所述输入子层进行独热编码处理，得到所述用户标识对应的用户一维向量；

将所述对象标识经过所述输入子层进行独热编码处理，得到所述对象标识对应的对象一维向量；

将所述用户一维向量经过所述嵌入子层进行稠密化处理，得到用户稠密向量；

将所述对象一维向量经过所述嵌入子层进行稠密化处理，得到对象稠密向量；

将各个所述对象稠密向量进行合并，得到多维稠密向量；

将所述用户稠密向量和所述多维稠密向量经过所述第一融合子层融合处理，得到第一融合向量；

将所述第一融合向量经过所述卷积网络层进行卷积处理，得到目标特征向量；

将所述目标特征向量经过所述后处理层进行后处理，得到各所述对象标识对应的排序序号，所述目标网络模型用于确定为所述目标用户推荐所述待推荐对象时所述待推荐对象的排序序号；

根据所述排序序号，对所述待推荐对象进行排序。

2.根据权利要求1所述的推荐对象的排序方法，其特征在于，所述卷积网络层包括激活函数和多种类型的卷积核，每种类型的卷积核具有多个；所述将所述第一融合向量经过所述卷积网络层进行卷积处理，得到目标特征向量，包括：

采用不同类型的卷积核，分别对所述第一融合向量分进行特征提取，得到多个中间特征向量；

采用所述激活函数对所述多个中间特征向量分别进行非线性处理，得到所述目标特征向量。

3.根据权利要求2所述的推荐对象的排序方法，其特征在于，所述后处理层包括：池化子层，第二融合子层，多个全连接子层和决策层，所述将所述目标特征向量经过所述后处理层进行后处理，得到各所述对象标识对应的排序序号，包括：

采用所述池化子层对所述目标特征向量进行池化处理，得到池化向量；

采用所述第二融合子层，对不同类型的卷积核对应的池化向量进行融合处理，得到第二融合向量；

采用所述多个全连接子层对所述第二融合向量进行概率预估处理，得到所述待推荐对象对应的结果向量，所述结果向量用于表示将所述待推荐对象映射到样本排序序号标记空间；

采用所述决策层对所述结果向量进行回归处理，得到各个待推荐对象属于各个样本排序序号标记的概率，其中，将每一待推荐对象对应的概率最大的样本标记序号确定为该待推荐对象的排序序号。

4.一种模型训练方法，其特征在于，用于训练如权利要求1至3任一项所述的目标网络模型，所述模型训练方法，包括：

获取多个训练样本，所述训练样本包括样本用户标识，和所述样本用户标识对应的各样本推荐对象的样本对象标识；

获取所述训练样本对应的标签数据，所述标签数据用于表示所述样本对象推荐对象对应的实际排序序号；

将所述训练样本输入目标网络模型，得到训练输出排序序号；

根据所述实际排序序号和所述训练输出排序序号，调整所述目标网络模型参数，直到所述实际排序序号与所述训练输出排序序号的差值小于阈值，得到训练完成的目标网络模型。