[发明专利]用于向用户推荐项目的方法、装置和存储介质

说明书

本发明涉及用于向用户推荐项目的方法、装置和存储介质。本发明提出了一种用于向用户推荐项目的推荐模型训练方法。该方法包括：获取多个样本，多个样本中的每一个包括用户特征、项目组和与项目组相对应的标签，项目组包括二个或更多个项目，标签指示用户是否选中项目组；为项目组中的每个项目生成各自的项目嵌入向量；对生成的多个项目嵌入向量进行加权平均以得到项目组的综合嵌入向量；基于用户特征生成用户的用户嵌入向量；以及使用得到的综合嵌入向量、用户的用户嵌入向量和与项目组相对应的标签来训练用以向用户推荐项目的推荐模型。该推荐模型能够实现项目的精准推荐。

技术领域

本发明涉及人工智能和机器学习的技术领域，特别是涉及向用户推荐项目的方法、装置和存储介质。

背景技术

动态商品广告（Dynamic Product Ads）DPA是可以根据用户的喜好和兴趣采用推荐算法向用户展示感兴趣商品的广告，其本质上是一种项目与用户的匹配过程。现有的商品推荐算法是基于神经网络的算法，其将用户特征和商品特征输入神经网络中，并输出0~1之间的数字以表示该商品被该用户点击的概率。对于一条广告仅展示一个商品的情况，可以直接确定该商品被点击的概率。然而，在多商品广告，即一条广告展示多个商品的情况下，现有技术中随机选择多个商品中的一个作为训练样本，这传递了错误信息给推荐模型，使推荐模型的效果变差；或将多个商品拆分成多条样本，这样不仅使得数据量变多，推荐模型训练速度变慢，还可能产生假阳性样本。因此，现有方法不能在不丢失输入信息的前提下保证输入推荐模型的训练数据的准确性。

发明内容

本发明的实施例至少部分地解决上面提及的问题。

根据本发明的第一方面，提出了一种用于向用户推荐项目的推荐模型训练方法。该方法包括：获取多个样本，多个样本中的每一个包括用户特征、项目组和与项目组相对应的标签，项目组包括二个或更多个项目，标签指示用户是否选中项目组；为项目组中的每个项目生成各自的项目嵌入向量；对生成的多个项目嵌入向量进行加权平均以得到项目组的综合嵌入向量；基于用户特征生成用户的用户嵌入向量；以及使用得到的综合嵌入向量、用户的用户嵌入向量和与项目组相对应的标签来训练用以向用户推荐项目的推荐模型。

在一些实施例中，为项目组中的每个项目生成各自的项目嵌入向量包括：针对每个项目的特征进行编码得到每个项目的项目特征嵌入向量，和基于项目特征嵌入向量生成每个项目各自的项目嵌入向量。

在一些实施例中，针对每个项目的特征进行编码得到每个项目的项目特征嵌入向量包括：针对各个项目基于相同的编码词表来针对每个项目的特征进行编码得到每个项目的项目特征嵌入向量。

在一些实施例中，推荐模型包括针对用户的第一神经网络结构，第一神经网络结构包括一个或多个激活函数层。

在一些实施例中，推荐模型包括针对项目组中的每个项目的相应第二神经网络结构，每个第二神经网络结构包括一个或多个激活函数层。

在一些实施例中，对生成的多个项目嵌入向量进行加权平均以得到项目组的综合嵌入向量包括：对生成的多个项目嵌入向量进行算数平均以得到项目组的综合嵌入向量。

在一些实施例中，对生成的多个项目嵌入向量进行加权平均以得到项目组的综合嵌入向量包括：以经训练得到的权重作为各个项目嵌入向量的权重，对生成的多个项目嵌入向量进行加权平均以得到项目组的综合嵌入向量。

在一些实施例中，使用得到的综合嵌入向量、用户的用户嵌入向量和与项目组相对应的标签来训练推荐模型包括：对综合嵌入向量和用户的用户嵌入向量进行点积运算得到点积结果；基于点积结果与项目组相对应的标签计算损失函数；以及对推荐模型中的参数进行调整以使损失函数收敛。

在一些实施例中，基于点积结果与项目组相对应的标签计算损失函数包括：对点积结果进行归一化，和基于经归一化的点积结果与项目组相对应的标签计算损失函数。

在一些实施例中，项目包括商品、电影和文章。