[发明专利]基于人工智能的泛化模型的训练方法及装置

权利要求书

1.一种基于人工智能的泛化模型的训练方法，其特征在于，所述泛化模型包括输入层、隐藏层及输出层，所述方法包括：

获取预设时间段内推荐对象样本集合中各推荐对象样本的用户行为数据；

基于获取的用户行为数据，以推荐对象样本为节点，构建包括各推荐对象样本对应的节点的网络图；

基于所述网络图，得到对应所述推荐对象样本的目标向量序列；

获取推荐对象样本的文本内容对应的内容向量，所述推荐对象样本标注有所述目标向量序列，所述目标向量序列包括多个具有点击数据的第一推荐对象所对应的第一推荐对象向量；

将获取的所述内容向量输入至所述输入层，以通过所述输入层传递至所述隐藏层；

通过所述隐藏层，调用激活函数得到对应所述内容向量的隐层特征；

通过所述输出层，对得到的所述隐层特征进行预测，得到对应所述推荐对象样本的向量序列；

其中，所述向量序列包括多个具有点击数据的第二推荐对象所对应的第二推荐对象向量，用于供基于所述第二推荐对象向量，对所述推荐对象样本进行推荐；

获取所述向量序列与所述目标向量序列的差异，并基于所述差异更新所述泛化模型的模型参数。

2.如权利要求1所述的方法，其特征在于，所述获取推荐对象样本的文本内容对应的内容向量，包括：

对所述推荐对象样本的文本内容进行分词处理，得到所述文本内容的多个词语；

分别对得到的各个所述词语进行词向量转换处理，得到对应各个所述词语的词语向量；

对得到的各个所述词语的词语向量加权求平均，得到对应所述文本内容的内容向量。

3.如权利要求1所述的方法，其特征在于，所述获取推荐对象样本的文本内容对应的内容向量，包括：

对所述推荐对象样本的文本内容进行关键词提取处理，得到对应所述文本内容的多个关键词；

分别对各所述关键词进行词向量转换处理，得到对应的关键字向量；

对各所述关键词向量进行加权求平均，得到对应所述文本内容的内容向量。

4.如权利要求1所述的方法，其特征在于，所述基于获取的用户行为数据，以推荐对象样本为节点，构建包括各推荐对象样本对应的节点的网络图，包括：

基于获取的用户行为数据，分别确定所述推荐对象样本集合中各所述推荐对象样本对应的用户向量，所述用户向量，用于表征针对相应的推荐对象样本存在用户行为的用户；

基于各所述推荐对象样本对应的用户向量，进行推荐对象样本之间的相似度匹配，得到所述推荐对象样本集合中推荐对象样本之间的第一相似度值；

基于得到的所述第一相似度值，构建包括各推荐对象样本对应的节点的网络图。

5.如权利要求1所述的方法，其特征在于，所述基于获取的用户行为数据，以推荐对象样本为节点，构建包括各推荐对象样本对应的节点的网络图，包括：

基于获取的用户行为数据，分别获取所述推荐对象样本集合中各推荐对象样本对应的点击量；

基于各所述推荐对象样本对应的点击量，进行推荐对象样本之间的相似度匹配，得到所述推荐对象样本集合中推荐对象样本之间的第二相似度值；

基于得到的所述第二相似度值，构建包括各推荐对象样本对应的节点的网络图。

6.如权利要求1所述的方法，其特征在于，所述基于所述网络图，得到对应所述推荐对象样本的目标向量序列，包括：

分别以所述网络图中包括的各个节点作为起始节点，对所述网络图执行随机游走操作，得到多条随机游走路径；

基于多条所述随机游走路径，得到对应所述推荐对象样本的目标向量序列。

7.如权利要求1所述的方法，其特征在于，基于所述差异更新所述泛化模型的模型参数，包括：

当所述差异超过差异阈值时，基于所述差异确定所述泛化模型的误差信号；

将所述误差信号在所述泛化模型中反向传播，并在传播的过程中更新各个层的模型参数。