[发明专利]资源召回方法、装置、设备及存储介质

权利要求书

1.一种资源召回方法，其特征在于，包括：

基于预训练的特征提取模型的第一子模型，获取目标资源的目标特征向量；其中，所述目标特征向量用于指示所述目标资源的第一含义和第二含义，所述第一含义不同于所述第二含义；所述预训练的特征提取模型使用所述目标资源的特征向量中与正样本匹配的特征值进行预训练；

基于所述预训练的特征提取模型的第二子模型，获取候选资源的候选特征向量；

基于所述目标特征向量与所述候选特征向量的匹配度，确定与所述目标资源对应的至少两个类别的召回资源；其中，一个类别的召回资源与所述第一含义匹配，另一个类别的召回资源与所述第二含义匹配。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述第二子模型，对所述召回资源的特征向量进行第一预设处理，得到召回特征向量；所述第一预设处理为将特征向量中部分维度的特征值设置为1、其他维度的特征值设置为0，所述部分维度的特征值大于所述其他维度的特征值；

基于所述召回特征向量中特征值为1的部分维度，确定所述召回资源的类别标识，所述类别标识用于确定所述召回资源的显示排序。

3.根据权利要求1所述的方法，其特征在于，所述特征提取模型的训练过程包括：

获取所述目标资源的训练样本，所述训练样本包括第一正样本和负样本；

基于所述目标资源、所述第一正样本和所述负样本对特征提取模型进行第一训练任务的训练；所述第一训练任务用于使得所述目标资源的特征向量中与所述第一正样本的特征向量匹配的特征值参与第一训练任务的训练；

基于第一训练任务的第一损失函数，更新所述特征提取模型的参数；

迭代执行上述步骤，在所述第一训练任务的第一损失函数收敛的情况下，确定所述特征提取模型收敛。

4.根据权利要求3所述的方法，其特征在于，所述训练样本还包括第二正样本，所述第一正样本和所述第二正样本属于不同的类别；所述特征提取模型的训练过程还包括：

基于所述目标资源、所述第一正样本和所述第二正样本对特征提取模型进行第二训练任务的训练；所述第二训练任务用于使得所述目标资源与不同类别的正样本的匹配度的差值小于第一预设阈值；

所述基于第一训练任务的第一损失函数，更新所述特征提取模型的参数，包括：

基于第一训练任务的第一损失函数和所述第二训练任务的第二损失函数，更新所述特征提取模型的参数；

在所述第一训练任务的第一损失函数收敛的情况下，确定所述特征提取模型收敛，包括：

在所述第一训练任务的第一损失函数和所述第二训练任务的第二损失函数损失收敛的情况下，确定所述特征提取模型收敛。

5.根据权利要求3或4所述的方法，其特征在于，基于所述目标资源、所述第一正样本和所述负样本对特征提取模型进行第一训练任务的训练，包括：

基于所述第一子模型确定所述目标资源的第一特征向量，并基于所述第二子模型确定所述第一正样本的第二特征向量和所述负样本的第三特征向量；

分别对第一特征向量、第二特征向量和第三特征向量进行第二预设处理，对应得到第一目标特征向量、第二目标特征向量和第三特征向量；所述第二预设处理为将特征向量中第一部分维度的特征值设置为0；

确定所述第一目标特征向量与所述第二目标特征向量的第一相似度向量，以及所述第一目标特征向量与所述第三目标特征向量的第二相似度向量；

分别对所述第一相似度向量和第二特性相似度向量进行第三预设处理，对应得到第一目标相似度向量和第二目标相似度向量；所述第三预设处理为将向量中的第二部分维度的特征值设置为0，所述第二部分维度的特征值小于其他维度的特征值；

基于所述第一目标相似度向量和所述第二目标相似度向量的差值，确定第一训练任务的第一损失函数。

6.根据权利要求5所述的方法，其特征在于，基于所述第一目标相似度向量和所述第二目标相似度向量的差值，确定所述第一损失函数，包括：

在所述第一目标相似度向量和所述第二目标相似度向量的差值大于第二预设阈值的情况下，确定所述差值为所述第一损失函数；

在所述差值小于或等于所述第二预设阈值的情况下，确定所述第一损失函数为0值。