[发明专利]一种推荐方法、推荐模型的训练方法以及相关装置

说明书

本申请公开了一种推荐方法，包括：获取用户特征信息和待推荐对象特征信息；采用已训练的多目标推荐模型对用户特征信息和待推荐对象特征信息进行预测，得到综合点击预测值和偏差预测值；其中，偏差预测值用于表征预测偏差程度；基于偏差预测值对综合点击预测值进行修正，得到目标点击预测值；基于目标点击预测值将对应的待推荐对象推荐至用户。基于偏差预测值对该综合点击预测值进行修正，就可以得到最终的目标点击预测值，实现了将推荐结果的偏差基于预测出的数值进行修正，而不是采用预先设定的固定值，提高进行偏差修正的效果和推荐的准确性。本申请还公开了一种推荐模型的训练方法、终端设备以及计算机可读存储介质，具有以上有益效果。

技术领域

本申请涉及人工智能技术领域，特别涉及一种推荐方法、推荐模型的训练方法、终端设备以及计算机可读存储介质。

背景技术

随着信息技术的发展，出现了推荐系统，基于推荐模型向用户推荐更合适的产品或内容。但是，现有的推荐模型中会出现由于被推荐对象的流行度等因素导致的推荐偏差，降低了进行推荐的有效性。

相关技术中，消除流行偏差的方法可以采用反倾向性分数。也就是在训练阶段加入反倾向性分数以便解决流行度偏差问题，构造无偏的数据得到无偏的推荐模型。但是，反倾向性分数存在比较强的假设，与大部分实际情况不符，导致在具体应用中的推荐效果不佳，实际降低了进行推荐的准确性。

因此，如何消除推荐模型由于数据偏差带来的预测偏差，提高用户的使用体验是本领域技术人员关注的重点问题。

发明内容

本申请的核心是提供一种推荐方法、推荐模型的训练方法、终端设备以及计算机可读存储介质，以消除推荐模型由于数据偏差带来的预测偏差，提高用户的使用体验。

为解决上述技术问题，本申请提供一种推荐方法，包括：

获取用户特征信息和待推荐对象特征信息；

采用已训练的多目标推荐模型对所述用户特征信息和所述待推荐对象特征信息进行预测，得到综合点击预测值和偏差预测值；其中，所述偏差预测值用于表征预测偏差程度；

基于所述偏差预测值对所述综合点击预测值进行修正，得到目标点击预测值；

基于所述目标点击预测值将对应的待推荐对象推荐至用户；

其中，所述多目标推荐模型为根据样本数据和总损失函数进行训练得到的模型；所述总损失函数为基于用户特征信息中的点击率特征信息的损失函数以及基于对象特征信息的损失函数的和。

可选的，所述多目标推荐模型的训练过程，包括：

获取所述样本数据和初始多目标推荐模型；其中，所述样本数据包括用户特征信息和对象特征信息；所述初始多目标推荐模型包括基于所述用户特征信息和所述对象特征信息的第一子模型以及基于所述对象特征信息的第二子模型；

基于所述样本数据生成特征向量；

基于所述特征向量以及所述初始多目标推荐模型进行训练，并计算训练之后的多目标推荐模型的总损失函数；

当训练之后的多目标推荐模型的总损失函数最小化时，停止训练所述多目标推荐模型；其中，所述第一子模型的输出值与所述第二子模型的输出值的乘积为所述多目标推荐模型输出的综合点击预测值，所述第二子模型的输出值为所述多目标推荐模型输出的偏差预测值。

可选的，所述第二子模型包括预设层数的特征提取层以及输出层；所述特征提取层与所述输出层连接；所述特征提取层用于对所述对象特征信息进行特征提取，并将特征提取结果输入至所述输出层。

可选的，所述第二子模型还包括预设维度的部分特征提取层；所述部分特征提取层与所述第二子模型的输出层连接；所述部分特征输入层用于对所述对象特征信息的语种特征信息和/或流派特征信息进行特征提取，并将特征提取结果输入至所述输出层。