[发明专利]获取用户特征表示和目标对象推荐方法、装置和设备

权利要求书

1.一种获取用户特征表示的方法，其特征在于，所述方法包括：

根据目标用户域内的目标用户针对目标对象的操作行为，得到所述目标用户的历史行为序列，所述历史行为序列包括所述目标用户在所述目标用户域内操作过的多个目标对象；

通过已训练的用户特征表示模型对所述历史行为序列进行特征编码，得到所述目标用户的用户特征表示向量；

其中，所述用户特征表示模型是根据多个用户域内各个用户的样本行为序列训练得到的，且在对所述用户特征表示模型进行训练时，通过所述用户特征表示模型分别获得各个样本行为序列对应的用户特征表示向量，并基于每个用户特征表示向量获得相应用户属于各个用户域的概率值，当获得的相应用户属于各个用户域的概率值中，任意两个概率值之间的差异度不大于预设差异度阈值时，所述用户特征表示模型收敛。

2.如权利要求1所述的方法，其特征在于，所述用户特征表示模型是采用以下方式进行训练的：

获得样本行为序列集合，所述样本行为序列集合包含多个用户域内各个用户的样本行为序列；

基于所述样本行为序列集合，对所述用户特征表示模型进行循环迭代训练，其中，一次训练过程包括如下步骤：

对获得的各个样本行为序列进行特征编码，分别得到相应的用户特征表示向量；

基于获得的所述各个用户特征表示向量，分别确定相应用户属于各个用户域的多个归属概率，每个用户域对应一个归属概率；

若基于所述各个用户对应的多个归属概率，确定所述用户特征表示模型满足收敛条件，则训练结束；所述收敛条件至少包括：任一用户对应的多个归属概率中，任意两个归属概率之间的差异度不大于所述预设差异度阈值；

若基于所述各个用户对应的归属概率，确定所述用户特征表示模型未满足收敛条件时，则基于所述各个用户对应的归属概率，对所述用户特征表示模型进行参数调整。

3.如权利要求2所述的方法，其特征在于，在对获得的各个样本行为序列进行特征编码，分别得到相应的用户特征表示向量之后，所述方法还包括：

基于获得的各个用户特征表示向量，分别针对相应用户获得预测行为序列，以及基于获得的各个预测行为序列与相应的样本行为序列的比对结果，确定损失值；

则所述收敛条件还包括：所述损失值不大于预设损失值阈值。

4.如权利要求2所述的方法，其特征在于，所述多个用户域中包括至少一个重合用户，所述重合用户在所述多个用户域中的用户标识相同，则所述收敛条件还包括：

针对每个重合用户，基于所述每个重合用户在各个用户域的样本行为序列获得的各个用户特征表示向量中，任意两个用户特征表示向量的相似度不小于预设相似度阈值。

5.如权利要求1所述的方法，其特征在于，针对每一样本行为序列，对所述样本行为序列进行特征编码，得到相应的用户特征表示向量，包括：

获取所述样本行为序列中每个目标对象的内容特征表示向量和位置特征表示向量；所述位置特征表示向量用于表征目标对象在所述样本行为序列中的位置信息；

根据获得的各个目标对象的内容特征表示向量和位置特征表示向量，得到所述各个目标对象的对象特征表示向量；

根据获得的所述各个目标对象的对象特征表示向量，通过所述用户特征表示模型包括的至少一个编码器进行特征编码，分别得到所述各个目标对象的自注意力表示向量；所述至少一个编码器中相邻的两个编码器中前一编码器的输出为后一编码器的输入；

在最后一个编码器输出的所述各个目标对象的自注意力表示向量中，选取一个自注意力表示向量，确定为与所述样本行为序列对应的用户特征表示向量。

6.如权利要求5所述的方法，其特征在于，通过每一编码器进行特征编码时，包括以下步骤：

根据所述各个目标对象的对象特征表示向量与一个编码器包括的至少一个注意力权重矩阵，分别获得所述各个目标对象各自对应的至少一个权重表示向量；其中，每个权重表示向量对应于一个注意力权重矩阵；

根据所述各个目标对象各自对应的至少一个权重表示向量，分别获得所述各个目标对象的中间表示向量；

对所述各个目标对象的中间表示向量进行激活处理，分别获得所述各个目标对象的自注意力表示向量。