[发明专利]推荐模型训练方法、推荐方法、装置及计算机设备

权利要求书

1.一种推荐模型训练方法，其特征在于，所述方法包括：

获取结构化数据及文本型数据；所述结构化数据包括用户基本信息数据、历史内容的基本信息及结构化的第一类用户行为数据，所述文本型数据包括第二类用户行为数据；

根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征；

根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征；

将所述结构化重要性特征及所述文本重要性特征融合后输入预设的神经网络进行训练，得到推荐模型。

2.根据权利要求1所述的方法，其特征在于，第二类用户行为数据为用户行为内容；所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征之前，所述方法还包括：

将所述用户行为内容进行one-hot编码处理，得到所述用户行为内容对应的编码矩阵。

3.根据权利要求2所述的方法，其特征在于，所述根据多指针协同注意力网络对所述文本型数据进行特征重要性评估，得到文本重要性特征，包括：

将所述编码矩阵输入所述多指针协同注意力网络的门控机制中，筛选出用户层面的行为内容特征和内容层面的行为特征；

根据所述用户层面的行为内容特征和所述内容层面的行为特征之间的相似度矩阵，计算得到标准协同注意力机制；

通过重参数化算法及所述标准协同注意力机制，分别计算用户层面的行为内容特征的内容指针，以及内容层面的行为特征的内容指针，以得到用户层面特征向量和内容层面特征向量；

根据所述用户层面特征向量和所述内容层面特征向量的相似度矩阵，确定用户层面特征向量的平均池化及所述内容层面特征向量的平均池化；

重复执行上述步骤，得到多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化；

对多个不同的用户层面特征向量的平均池化及多个不同的内容层面特征向量的平均池化进行聚合处理，得到文本重要性特征。

4.根据权利要求1所述的方法，其特征在于，所述第一类用户行为数据为用户行为次数；所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化重要性特征，包括：

采用LGBFS算法分别对所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数进行特征重要性评估，得到所述用户基本信息数据、所述历史内容的基本信息及所述用户行为次数分别对应的结构化重要性特征。

5.根据权利要求1所述的方法，其特征在于，所述根据包裹式特征选择算法对所述结构化数据进行特征重要性评估，得到结构化特征重要性；

将各个所述结构化数据分别转化为多个直方图；所述多个直方图按照数据区间划分为K个bin；

将所述结构化数据放入各个bin中，得到所述结构化数据的直方图表示；

对所述直方图表示进行分割，通过增益计算确定最优分割点，并根据所述最优分割点使用梯度信息继续拟合迭代构建K个决策树；

计算所述结构化数据中各个特征在所述K个决策树中被用来分割的次数及被分割后带来的总增益；

通过所述被用来分割的次数及所述总增益确定结构化重要性特征。

6.一种推荐方法，其特征在于，所述方法包括以下步骤：

获取目标用户对应的目标结构化重要性特征及目标文本重要性特征；

将所述目标结构化重要性特征及所述目标文本重要性特征融合后，输入推荐模型，得到目标推荐内容；所述推荐模型根据如权利要求1-5任一项所述的推荐模型训练方法训练得到；

将所述目标推荐内容推荐给所述目标用户。