[发明专利]推荐模型训练方法、基于推荐模型的预测方法及装置

权利要求书

1.一种推荐模型训练方法，其特征在于，包括：

获取至少一个样本数据，其中，所述至少一个样本数据中的每一个样本数据包括标签和特征集合，所述特征集合包括n个特征，n≥2；其中，所述特征集合中的特征包括：用户属性特征和物品属性特征；

对于所述至少一个样本数据中的每一个样本数据，根据所述每一个样本数据的特征集合获取至少一个特征子集，所述至少一个特征子集中的每一个特征子集包括S个特征，2≤S≤n；

根据所述每一个特征子集的属性来确定条件集合中所述每一个特征子集对应的条件；其中，所述条件集合包括至少两个条件，所述至少两个条件分别指示特征子集不同的属性，所述每一个特征子集的属性与所述每一个特征子集对应的条件所指示的属性一致；

利用所述每一个特征子集以及所述每一个特征子集对应的标签，分别训练模型集合中所述每一个特征子集对应的条件所对应的推荐模型；

其中，所述模型集合包括至少两个用于内容推荐的推荐模型，每一个条件对应一个推荐模型，每一个推荐模型对应至少一个条件；所述每一个特征子集对应的标签为所述每一个特征子集对应的特征集合所属的样本数据的标签；

其中，所述条件集合包括第一条件和第二条件，

其中，所述第一条件对应于所述模型集合中的第一推荐模型，所述第一条件对应于所述模型集合中的第二推荐模型；

其中，

所述第一条件指示的特征子集的属性为特征子集的样本稠密度大于或等于阈值，所述第二条件指示的特征子集的属性为特征子集的样本稠密度小于阈值；

所述根据所述每一个特征子集的属性来确定所述条件集合中所述每一个特征子集对应的条件，包括：计算所述至少一个特征子集中的每一个特征子集的样本稠密度；对于所述至少一个特征子集中的任一特征子集，如果该特征子集的样本稠密度大于或等于阈值，则该特征子集对应所述第一条件；对于所述至少一个特征子集中的任一特征子集，如果该特征子集的样本稠密度小于阈值，则该特征子集对应所述第二条件；

其中，

所述计算所述至少一个特征子集中的每一个特征子集的样本稠密度，包括:对于所述至少一个样本数据中的任一样本数据的任一特征子集，确定该特征子集在所述至少一个样本数据中的p个样本数据中皆有出现，则根据所述p得到该特征子集的样本稠密度，p≥1；

或者，

所述计算所述至少一个特征子集中的每一个特征子集的样本稠密度，包括:对于所述至少一个样本数据中的任一样本数据的任一特征子集，统计该特征子集中的S个特征中的每个特征分别在所述至少一个样本数据出现的样本数量之和为q，则根据所述q得到该特征子集的样本稠密度，q≥1。

2.根据权利要求1所述的方法，其特征在于，在所述根据所述每一个特征子集的属性来确定条件集合中所述每一个特征子集对应的条件之前，还包括：

确定所述条件集合和所述模型集合。

3.根据权利要求1或2所述的方法，其特征在于，所述利用所述每一个特征子集以及所述每一个特征子集对应的标签，分别训练模型集合中所述每一个特征子集对应的条件所对应的推荐模型，包括：当所述至少一个特征子集中存在对应所述第一条件的特征子集时，利用符合所述第一条件的特征子集以及对应所述第一条件的特征子集所对应的标签，训练所述第一推荐模型；当所述至少一个特征子集中存在对应所述第二条件的特征子集时，利用符合所述第二条件的特征子集以及对应所述第二条件的特征子集所对应的标签，训练所述第二推荐模型。

4.根据权利要求1或2所述的方法，其特征在于，所述第一推荐模型包括多项式poly模型，所述第二推荐模型包括因式分解机FM模型。

5.根据权利要求1至2任一项所述的方法，其特征在于，所述利用所述每一个特征子集以及所述每一个特征子集对应的标签，分别训练模型集合中所述每一个特征子集对应的条件所对应的推荐模型之后，得到完成训练的模型集合；所述方法还包括：

在所述完成训练的模型集合中，确定所述每一个特征子集对应的条件所对应的推荐模型的模型参数；

从所述至少一个特征子集中确定至少一个目标特征子集；所述至少一个目标特征子集对应的模型参数满足预设评估值；

其中，所述至少一个目标特征子集、所述完成训练的模型集合和所述条件集合用于实现推荐内容的预测。