[发明专利]推荐模型的训练方法、装置和计算机设备

说明书

本申请涉及一种推荐模型的训练方法、装置、计算机设备、存储介质和计算机程序产品，涉及大数据技术领域。方法包括：将目标对象标识信息输入嵌入层得到目标对象标识向量；将目标对象标识向量输入关联网络函数，得到与目标对象关联历史对象标识向量；将历史对象标识向量输入深度学习模型，得到预测信息；根据目标对象真实推荐信息和预测信息，确定第一评价损失函数，根据历史对象真实推荐信息和预测信息，确定第二评价损失函数；利用正则化损失函数和最小方法处理第一评价损失函数、第二评价损失函数，更新嵌入层和关联网络函数，得训练后的推荐模型。本方法在正则项准确率不降低的基础上提高推荐模型参数解的稀疏性，提高推荐模型准确度。

技术领域

本申请涉及大数据技术领域，特别是涉及一种推荐模型的训练方法、装置和计算机设备。

背景技术

近年来，个性化推荐系统被广泛应用于各种在线服务，包括电子商务、新闻媒体、相亲网站等。推荐系统是信息过滤系统的一个子集，目的在于根据用户与项目的特征属性来预测用户在项目中可能会发生的行为，帮助用户快速做出决策，提高用户满意度。在正式的上线场景中，总会有源源不断的新用户、新项目的加入，而对这些新加入的新用户、新项目做推荐的冷启动问题也成了近两年的研究热点。

然而，现有技术中推荐模型对新加入的新用户、新项目做推荐的冷启动时，通常会面临推荐模型预测准确性较低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种推荐模型的训练方法、装置和计算机设备。

第一方面，本申请提供了一种推荐模型的训练方法。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。

在其中一个实施例中，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。

在其中一个实施例中，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。

在其中一个实施例中，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：