[发明专利]推荐模型的训练方法、装置和计算机设备

权利要求书

1.一种推荐模型的训练方法，其特征在于，所述方法包括：

将目标对象的标识信息输入推荐模型的嵌入层，得到所述目标对象的标识向量；

将所述目标对象的标识向量输入所述推荐模型的关联网络函数，得到与所述目标对象关联的历史对象的标识向量；

将所述历史对象的标识向量输入所述推荐模型的深度学习模型，得到所述目标对象对应的推荐对象的预测信息；

根据所述目标对象的真实推荐信息和所述预测信息，确定第一评价损失函数，并根据所述历史对象的真实推荐信息和所述预测信息，确定第二评价损失函数；

基于所述第一评价损失函数、正则化损失函数和最小方法，更新所述嵌入层的参数，并基于所述第二评价损失函数、正则化损失函数和最小方法，更新所述关联网络函数的参数，以得到训练后的推荐模型。

2.根据权利要求1所述的推荐模型的训练方法，其特征在于，所述基于所述第一评价损失函数、正则化损失函数和最小方法，更新所述嵌入层的参数，并基于所述第二评价损失函数、正则化损失函数和最小方法，更新所述关联网络函数的参数，以得到训练后的推荐模型，包括：

利用所述正则化损失函数和最小方法，确定所述第一评价损失函数在达到最小值情况下的目标嵌入层参数，将所述嵌入层的参数更新为所述目标嵌入层参数；

利用所述正则化损失函数和最小方法，确定所述第二评价损失函数在达到最小值情况下的目标关联网络函数参数，将所述关联网络函数的参数更新为所述目标关联网络函数参数，以得到所述训练后的推荐模型。

3.根据权利要求1所述的推荐模型的训练方法，其特征在于，所述关联网络函数包括元缩放网络函数和元偏移网络函数；

所述将所述目标对象的标识向量输入所述推荐模型的关联网络函数，得到与所述目标对象关联的历史对象的标识向量，包括：

将所述目标对象的标识向量输入所述元缩放网络函数后，将所述元缩放网络函数的输出结果输入至所述元偏移网络函数，以得到与所述目标对象关联的历史对象的标识向量。

4.根据权利要求3所述的推荐模型的训练方法，其特征在于，所述将所述目标对象的标识向量输入所述元缩放网络函数后，将元缩放网络函数的输出结果输入至所述元偏移网络函数，以得到与所述目标对象关联的历史对象的标识向量之前，所述方法还包括：

将所述目标对象的特征信息和所述历史对象的特征信息输入所述推荐模型的嵌入层，获得所述目标对象的特征向量和所述历史对象的特征向量；

将所述目标对象的特征向量和所述历史对象的特征向量输入元缩放网络，以获得所述元缩放网络函数；

将所述目标对象的真实推荐对象的标识信息和所述历史对象的真实推荐对象的标识信息输入所述推荐模型的嵌入层，获得目标真实推荐对象的标识向量和历史真实推荐对象的标识向量；

将所述目标真实推荐对象的标识向量和所述历史真实推荐对象的标识向量输入所述元偏移网络，以获得所述元偏移网络函数。

5.根据权利要求4所述的推荐模型的训练方法，其特征在于，所述目标对象的真实推荐对象的标识信息的数目为多个，所述历史对象的真实推荐对象的标识信息的数目为多个，所述将所述目标真实推荐对象的标识向量和所述历史真实推荐对象的标识向量输入所述元偏移网络，以获得所述元偏移网络函数，包括：

将多个所述目标真实推荐对象的标识向量输入平均值函数，得到第一平均值向量，将多个所述历史真实推荐对象的标识向量输入所述平均值函数，得到第二平均值向量；

将所述第一平均值向量和所述第二平均值向量输入所述元偏移网络，以获得所述元偏移网络函数。

6.根据权利要求1至5所述的推荐模型的训练方法，其特征在于，

在所述目标对象为新用户的情况下，所述预测信息用于表示新用户与历史项目之间是否存在交互行为；

在所述目标对象为新项目的情况下，所述预测信息用于表示新项目与历史用户之间是否存在交互行为。