[发明专利]生成推荐模型的方法、推荐方法、装置和设备

权利要求书

1.一种生成推荐模型的方法，其特征在于，所述方法包括：

获取训练数据集，其中，所述训练数据集包括的至少一个训练样本包括训练数据和训练标签，所述训练数据包括用户关联的用户特征数据和候选礼包数据，所述训练标签表示：所述候选礼包数据中的用户已购买的第一类型礼包，以及所述候选礼包数据中的用户未购买的第二类型礼包；

将所述训练样本输入到初始模型进行训练，获得预测标签，所述初始模型包括卷积核，所述卷积核在所述初始模型训练中，将所述用户针对所述第一类型礼包的得分降低至不低于第一阈值，将所述用户针对所述第二类型礼包的得分升高至不低于第二阈值，所述第二阈值大于所述第一阈值；

根据所述预测标签和所述训练标签，对所述初始模型的参数进行参数更新，生成推荐模型。

2.根据权利要求1所述的方法，其特征在于，所述训练具体包括：

所述初始模型的输入层对所述训练数据进行特征提取，获得用户特征矩阵、礼包特征矩阵和物品特征矩阵；其中，所述用户特征矩阵表示所述用户特征数据；所述礼包特征矩阵表示所述候选礼包数据中记录的候选礼包的特征；所述物品矩阵表示所述候选礼包数据中记录的候选礼包所包括的物品的特征；

所述初始模型的中间层对所述用户特征矩阵、所述礼包特征矩阵、以及所述物品特征矩阵进行特征变换，获得所述用户特征矩阵对应的初始用户表征矩阵、所述礼包特征矩阵对应的初始礼包表征矩阵和所述物品特征矩阵对应的初始物品表征矩阵；其中，任意一个表征矩阵包括可调节的神经网络参数，所述中间层包括卷积层；

所述初始模型的卷积层根据所述卷积核和所述初始用户表征矩阵、所述初始礼包表征矩阵和所述初始物品表征矩阵，获得用户表征矩阵、礼包表征矩阵和物品表征矩阵；

所述初始模型的输出层根据所述用户表征矩阵和所述礼包表征矩阵，获得所述预测标签。

3.根据权利要求2所述的方法，其特征在于，

所述卷积核是利用初始对角矩阵对邻接矩阵执行非对称处理所获得的非对称卷积核，其中，所述初始对角矩阵是根据所述邻接矩阵确定的，所述邻接矩阵表示所述用户、所述候选礼包数据中记录的候选礼包、以及所述候选礼包所包括的物品之间的映射关系。

4.根据权利要求3所述的方法，其特征在于，

所述卷积核具体是第一对角矩阵、所述邻接矩阵和第二对角矩阵的乘积，其中，所述第一对角矩阵是所述初始对角矩阵的第一参数值次幂，所述第一参数值等于负的初始参数值，所述第二对角矩阵是所述初始对角矩阵的第二参数值次幂，所述第二参数值等于所述初始参数值减去1，所述初始参数值为预设数值。

5.根据权利要求3所述的方法，其特征在于，

所述初始对角矩阵的第i行第i列的值等于所述邻接矩阵的第i行的和，所述初始对角矩阵除去所述第i行第i列之外的任意一个元素的值等于零，所述i的取值范围为[1,P]，所述P表示所述邻接矩阵的最大行数，且所述P为大于等于2的整数。

6.根据权利要求3所述的方法，其特征在于，

所述邻接矩阵是根据指示矩阵和关联矩阵确定的，其中，所述关联矩阵表示所述候选礼包数据中记录的候选礼包和所述候选礼包所包括的物品之间的映射关系。

7.根据权利要求6所述的方法，其特征在于，所述邻接矩阵通过以下数学公式表示：

其中，所述A表示所述邻接矩阵；所述X表示所述指示矩阵；所述Z表示所述关联矩阵；所述X^T表示所述X的转置矩阵；所述Z^T表示所述Z的转置矩阵。