[发明专利]推荐对象的方法、神经网络及其训练方法、计算设备有效
| 申请号： | 202011331138.1 | 申请日： | 2020-11-24 |
| 公开（公告）号： | CN112418402B | 公开（公告）日： | 2023-08-11 |
| 发明（设计）人： | 高畅;文豪 | 申请（专利权）人： | 百度在线网络技术（北京）有限公司 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08;G06F16/9535 |
| 代理公司： | 北京市汉坤律师事务所 11602 | 代理人： | 姜浩然;吴丽丽 |
| 地址： | 100085 北京市*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 推荐 对象 方法 神经网络 及其 训练 计算 设备 | ||
1.一种由计算机实现的利用神经网络向用户推荐对象的方法，所述神经网络被配置用于接收用户特征和待推荐对象的对象特征以预测所述待推荐对象的推荐结果，所述神经网络包括：
特征向量层，所述特征向量层被配置为接收基于所述用户特征和所述对象特征的特征向量层输入并确定相应的特征向量以生成特征向量输出，其中，所述特征向量输出包括与所述用户特征相对应的用户特征向量和与所述对象特征相对应的对象特征向量；
所述特征向量层之后的第一子神经网络，所述第一子神经网络被配置为接收所述特征向量输出并生成针对所述待推荐对象的第一预测推荐结果；以及，
所述特征向量层之后的不同于所述第一子神经网络的第二子神经网络，
其中，所述特征向量层还被配置为基于用户所属的用户群组将所述特征向量输出传输至相对应的子神经网络，并且其中，所述神经网络基于多层感知器MLP。
2.如权利要求1所述的方法，其中，所述特征向量层还被配置为将不同用户群组相对应的所述特征向量输出传输至不同的子神经网络。
3.如权利要求1所述的方法，其中，所述神经网络所包括的子神经网络的数量与所述用户群组的数量相同。
4.如权利要求1所述的方法，其中，所述用户群组是根据用户所使用的终端设备进行划分的。
5.如权利要求1所述的方法，其中，所述特征向量层被配置为将所述特征向量层输入作为索引以搜索与所述用户特征和所述对象特征中的每一个特征相对应的特征向量。
6.如权利要求1所述的方法，其中，所述待推荐对象为包括以下一种或多种类型的数据：文字、音频和视频。
7.如权利要求1所述的方法，其中，所述神经网络所包括的所有子神经网络均为全连接神经网络。
8.一种由计算机实现的利用神经网络向用户推荐对象的方法，所述神经网络包括特征向量层、所述特征向量层之后的第一子神经网络和所述特征向量层之后的不同于所述第一子神经网络的第二子神经网络，所述方法包括：
利用所述特征向量层处理基于用户特征和待推荐对象的对象特征的特征向量层输入，其中，所述特征向量层被配置为接收所述特征向量层输入并确定相应的特征向量以生成特征向量输出，其中，所述特征向量输出包括与所述用户特征相对应的用户特征向量和与所述对象特征相对应的用户特征向量；以及
利用所述第一子神经网络处理所述特征向量输出，其中，所述第一子神经网络被配置为接收所述特征向量输出并生成针对所述待推荐对象的第一预测推荐结果，
其中，所述特征向量层还被配置为基于用户所属的用户群组将所述特征向量输出传输至相对应的子神经网络。
9.如权利要求8所述的方法，其中，所述特征向量层还被配置为将不同用户群组相对应的所述特征向量输出传输至不同的子神经网络。
10.如权利要求8-9中任一项所述的方法，其中，所述神经网络中的子神经网络的数量与所述用户群组的数量相同。
11.如权利要求8-9中任一项所述的方法，其中，所述用户群组是根据用户所使用的终端设备进行划分的。
12.如权利要求8所述的方法，其中，所述特征向量层被配置为将所述特征向量层输入作为索引以搜索与所述用户特征和所述对象特征中的每一个特征相对应的特征向量。
13.如权利要求8所述的方法，其中，所述待推荐对象为包括以下一种或多种类型的数据：文字、音频和视频。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于百度在线网络技术（北京）有限公司，未经百度在线网络技术（北京）有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202011331138.1/1.html，转载请声明来源钻瓜专利网。
