[发明专利]推荐模型的训练方法及装置

权利要求书

1.一种用于训练推荐模型的方法，包括：

基于用户针对推荐对象的历史行为信息，确定用于指示所述用户和所述推荐对象的关联关系的网络关系图；

基于所述网络关系图，确定所述网络关系图中每个用户和每个推荐对象的表示向量；

基于所确定出的表示向量，确定所述推荐模型的模型参数初始值；以及

使用训练样本，对所述推荐模型进行训练，

其中，所述推荐模型采用推荐矩阵来表征，所述推荐模型包括针对用户的P矩阵和针对推荐对象的Q矩阵，并且所述推荐模型的输出等于所述P矩阵和所述Q矩阵的矩阵乘积；

基于所确定出的表示向量，确定所述推荐模型的模型参数初始值包括：

将所确定出的每个用户的表示向量进行拼接处理以得到针对所述用户的第一矩阵，并将所确定出的每个推荐对象的表示向量进行拼接处理以得到针对所述推荐对象的第二矩阵；所述第一矩阵和第二矩阵的维度分别与所述P矩阵和所述Q矩阵的维度相同；以及

基于所述第一矩阵和所述第二矩阵，分别确定所述P矩阵和所述Q矩阵中各个元素的初始值。

2.如权利要求1所述的方法，其中，所述网络关系图包括二部图。

3.如权利要求1所述的方法，其中，基于所述第一矩阵和所述第二矩阵，分别确定所述P矩阵和所述Q矩阵中各个元素的初始值包括：

将所述第一矩阵和所述第二矩阵的各个元素的值，确定为所述P矩阵和所述Q矩阵的对应元素的初始值。

4.如权利要求1所述的方法，其中，基于所述第一矩阵和所述第二矩阵，分别确定所述P矩阵和所述Q矩阵中各个元素的初始值包括：

将以所述第一矩阵和所述第二矩阵的各个元素的值为均值的高斯分布曲线上的任意值，分别确定为所述P矩阵和所述Q矩阵的对应元素的初始值。

5.如权利要求1所述的方法，其中，基于所述网络关系图，确定所述网络关系图中每个用户和每个推荐对象的表示向量包括：

基于所述网络关系图以及下述算法中的一种算法，来确定所述网络关系图中每个用户和每个推荐对象的表示向量：

Deepwalk，node2vec，LINE，SDNE以及structure2vec。

6.如权利要求1-5任一项所述的方法，其中，所述历史行为信息包括购买行为信息、浏览行为信息、点击行为信息、付款行为信息以及用户之间的社交行为信息中的至少一种。

7.一种用于训练推荐模型的装置，包括：

网络关系图确定单元，被配置为基于用户针对推荐对象的历史行为信息，确定用于指示所述用户和所述推荐对象的关联关系的网络关系图；

表示向量确定单元，被配置为基于所述网络关系图，确定所述网络关系图中每个用户和每个推荐对象的表示向量；

初始值确定单元，被配置为基于所确定出的表示向量，确定所述推荐模型的模型参数初始值；以及

模型训练单元，被配置为使用训练样本，对所述推荐模型进行训练，

其中，所述推荐模型采用推荐矩阵来表征，所述推荐模型包括针对用户的P矩阵和针对推荐对象的Q矩阵，并且所述推荐模型的输出等于所述P矩阵和所述Q矩阵的矩阵乘积；

所述初始值确定单元包括：

表示向量拼接模块，被配置为将所确定出的每个用户的表示向量进行拼接处理以得到针对所述用户的第一矩阵，并将所确定出的每个推荐对象的表示向量进行拼接处理以得到针对所述推荐对象的第二矩阵；所述第一矩阵和所述第二矩阵的维度分别与所述P矩阵和所述Q矩阵的维度相同；以及

初始值确定模块，被配置基于所述第一矩阵和所述第二矩阵，分别确定所述P矩阵和所述Q矩阵中各个元素的初始值。

8.如权利要求7所述的装置，其中，所述网络关系图包括二部图。

9.如权利要求7所述的装置，其中，所述初始值确定模块还被配置为：

将所述第一矩阵和所述第二矩阵的各个元素的值，确定为所述P矩阵和所述Q矩阵的对应元素的初始值。