[发明专利]推荐模型、方法、装置、设备及存储介质

说明书

本发明公开了一种推荐模型、方法、装置、设备及存储介质，该模型包括：依次连接的输入层、嵌入层、第一交互层、第一加权向量层、第一拼接层、第一全连接层以及输出层，输入层用于接收目标用户的历史行为序列数据以及推荐候选物品的ID，历史行为序列数据包括M个历史行为对应的M个历史物品的ID，并且，发生的越早的历史行为所对应的历史物品的ID排列越靠前。输入层接收到的是目标用户的历史行为序列数据，而不需要获取目标用户的ID，一方面，可以实现向不存在于该推荐模型的训练集中的目标用户推荐物品，即该推荐模型具有很强的扩展性；另一方面，该模型在进行训练时，只用基于部分用户的历史行为序列数据进行训练，节约了计算资源。

技术领域

本发明实施例涉及大数据处理技术领域，尤其涉及一种推荐模型、方法、装置、设备及存储介质。

背景技术

在大数据时代，各种信息爆炸式增长，人们获取信息的方式从主动获取逐渐变成了被动获取，推荐就是被动获取信息最常见的一种方法。在人工智能时代，各种推荐算法和模型层出不穷。典型的代表有谷歌(Google)开源的深度学习框架TensorFlow中的神经协同过滤(Neural Collaborative Filter，NCF)模型，它是深度学习在推荐领域的应用。

目前，神经协同过滤模型基于用户的行为数据，构建用户、物品、评分数据，通过学习用户和物品的潜在兴趣向量，并进行充分的交互，采用正负样本采样的方式学习，来预测用户对于物品的兴趣概率，效果理想。

但是，目前的神经协同过滤模型，在构建训练数据时，将用户的编号，即用户标识(Identity，ID)作为用户的特征、将物品的编号即物品ID作为物品的特征。其中，将用户ID作为用户的特征具有以下缺点：

一方面，模型的可扩展性较差。由于用户ID具有唯一性，那么只有当用户具有历史行为数据，并且在模型的训练数据中存在，才能在模型预测阶段对该用户进行推荐计算，而对于不存在于训练数据中的用户，即使其有历史行为数据，也无法对其进行推荐计算。

另一方面，模型的计算量很大。当用户的数量非常多的时候，将所有用户都纳入模型中进行训练，计算量非常大，非常消耗计算资源，工程实现也很困难。

发明内容

本发明提供一种推荐模型、方法、装置、设备及存储介质，以解决目前的推荐模型可扩展性较差及计算量大的技术问题。

第一方面，本发明实施例提供一种推荐模型，包括：依次连接的输入层、嵌入层、第一交互层、第一加权向量层、第一拼接层、第一全连接层以及输出层；

其中，所述输入层用于接收目标用户的历史行为序列数据以及推荐候选物品的ID，所述历史行为序列数据包括M个历史行为对应的M个历史物品的ID，并且，发生的越早的历史行为所对应的历史物品的ID排列越靠前，M为大于0的整数；

所述嵌入层用于根据推荐候选物品的ID、所述推荐候选物品对应的嵌入向量、每个历史物品的ID以及每个所述历史物品对应的嵌入向量，生成推荐候选物品的潜在向量以及每个所述历史物品的潜在向量；

所述第一交互层用于根据所述推荐候选物品的潜在向量以及每个所述历史物品的潜在向量，生成每个所述历史物品的第一交互向量；

所述第一加权向量层用于根据每个所述历史物品的第一交互向量，生成每个所述历史物品的第一加权交互向量；

所述第一拼接层用于对所有所述历史物品的第一加权交互向量进行拼接，生成所有历史物品的第一拼接向量；

所述输出层用于根据所述第一全连接层对所述所有历史物品的第一拼接向量进行全连接计算后的结果，输出所述目标用户在所述推荐候选物品上的行为概率。

第二方面，本发明实施例提供一种推荐方法，该方法应用于第一方面提供的推荐模型中，该方法包括：