[发明专利]推荐模型的训练方法、推荐方法、装置、介质及设备

权利要求书

1.一种推荐模型的训练方法，其特征在于，包括：

获取一组训练样本，所述训练样本包括：第一对象的第一对象特征数据、第二对象的第二对象特征数据、以及标识训练样本为正样本或负样本的标签；

输入所述一组训练样本至推荐模型，执行训练过程包括：

基于输入的当前训练样本的第一对象特征数据映射得到第一特征向量，以及基于当前训练样本的第二对象特征数据映射得到第二特征向量；

基于已得到的各第一特征向量聚类得到至少一第一对象类簇，以及基于已得到的各第二特征向量聚类得到至少一第二类簇；

基于第一损失函数所计算的损失更新所述推荐模型；

其中，所述第一损失函数所计算损失包括：第一损失部分和第二损失部分；所述第一损失部分基于当前训练样本中第一特征向量与第二特征向量所属第二类簇的类簇中心间的第一间距得到；所述第二损失部分基于所述当前训练样本中第二特征向量同第一特征向量所属第一对象类簇的类簇中心的第二间距得到。

2.根据权利要求1所述的训练方法，其特征在于，在所述输入所述一组训练样本至推荐模型之前，还包括：

基于训练样本中的第一对象特征数据分别执行剪裁处理得到第一剪裁特征数据对，以及至少基于训练样本中的第二对象特征数据分别执行剪裁处理得到的第二剪裁特征数据对。

3.根据权利要求1所述的训练方法，其特征在于，所述第一间距根据第一特征向量与第二类簇中心之间的相似度得到，所述第二间距根据第二特征向量与第一类簇中心之间的相似度得到；

所述相似度的计算函数包含可调的温度超参，以用于控制第一损失函数所计算损失受到不同识别难度的负样本的影响。

4.根据权利要求1所述的训练方法，其特征在于，所述推荐模型包括第一特征向量处理层、第一深度神经网络、第二特征向量处理层及第二深度神经网络；所述基于输入的所述第一对象特征数据映射得到第一特征向量，以及基于输入的第二对象特征数据映射得到第二特征向量，包括：

通过第一特征处理层对第一特征数据进行特征向量处理以得到第一初步特征向量，通过第二特征处理层对第二特征数据进行特征向量处理以得到第二初步特征向量；

通过第一深度神经网络基于所述第一初步特征向量得到所述第一对象特征向量，通过第二深度神经网络基于所述第二初步特征向量得到所述第二对象特征向量。

5.一种推荐方法，其特征在于，包括：

获取至少一个第一对象的第一特征数据和多个第二对象的第二特征数据；

输入所述第一特征数据和第二特征数据至推荐模型，以得到所述至少一第一对象与所述多个第二对象之间的相似度；

基于所述相似度对所述多个第二对象进行排序，以用于向第一对象推荐；

其中，所述推荐模型由如权利要求1至4中任一项所述的训练方法训练得到。

6.根据权利要求5所述的推荐方法，其特征在于，所述推荐模型基于输入的当前训练样本的第一对象特征数据映射得到第一特征向量，以及基于当前训练样本的第二对象特征数据映射得到第二特征向量；所述推荐方法还包括：

输出所述第一特征向量和/或第二特征向量。

7.一种推荐模型的训练装置，其特征在于，包括：

训练样本获取模块，用于获取一组训练样本，所述训练样本包括：第一对象的第一对象特征数据、第二对象的第二对象特征数据、以及标识训练样本为正样本或负样本的标签；

模型训练模块，用于输入所述一组训练样本至推荐模型，执行训练过程包括：基于输入的所述第一对象特征数据映射得到第一特征向量，以及基于输入的第二对象特征数据映射得到第二特征向量；基于已得到的各第一特征向量聚类得到至少一第一对象类簇，以及基于已得到的各第二特征向量聚类得到至少一第二类簇；基于第一损失函数所计算的损失更新所述推荐模型；其中，所述第一损失函数所计算损失包括：第一损失部分和第二损失部分；所述第一损失部分基于当前训练样本中第一特征向量与第二特征向量所属第二类簇的类簇中心间的第一间距得到；所述第二损失部分基于所述当前训练样本中第二特征向量同第一特征向量所属第一对象类簇的类簇中心的第二间距得到。