[发明专利]一种项目推荐方法及相关设备

权利要求书

1.一种项目推荐方法，其特征在于，包括：

通过动态调整神经网络稀疏率的策略以及稀疏编码的方式对公共的用户交互数据进行模型训练，得到全局推荐模型；

将所述全局推荐模型发送至终端设备；

当目标用户产生交互行为时，根据所述全局推荐模型确定所述交互行为对应的目标项目表征；

将所述目标项目表征发送至所述终端设备，以使得所述终端设备根据所述目标项目表征对所述全局推荐模型进行更新得到目标推荐模型，并在接收到所述目标用户的推荐请求指令时，通过所述目标推荐模型确定所述目标用户的用户表征，并返回所述目标用户的用户表征；

根据所述目标用户的用户表征以及推荐项目表征库确定推荐结果，所述推荐项目表征库中存储有包括所述目标项目表征在内的多个项目表征；

将所述推荐结果发送至所述终端设备，以使得所述终端设备将所述推荐结果展示给所述目标用户。

2.根据权利要求1所述的方法，其特征在于，所述通过动态调整神经网络稀疏率的策略以及稀疏编码的方式对公共的用户交互数据进行模型训练，得到全局推荐模型包括：

获取所述公共的用户交互数据；

对所述公共的用户交互数据进行预处理，得到训练样本集合；

通过动态调整模型稀疏率的策略以及稀疏编码的方式对所述训练样本集合中的样本进行迭代训练；

调整损失函数，直至达到预置的迭代终止条件，得到所述全局推荐模型。

3.根据权利要求2所述的方法，其特征在于，所述通过动态调整模型稀疏率的策略以及稀疏编码的方式对所述训练样本集合中的样本进行迭代训练包括：

通过如下公式实现动态调整模型稀疏率的策略，以对所述训练样本集合中的样本进行迭代训练：

其中，s_t为在时间t下的稀疏度，s_i为初始稀疏度，s_f为目标稀疏度，t₀为模型训练的开始时刻，Δt为每个批次样本的训练时长，n为样本的批次数量。

4.根据权利要求2所述的方法，其特征在于，所述通过动态调整模型稀疏率的策略以及稀疏编码的方式对所述训练样本集合中的样本进行迭代训练包括：

基于加入截断阈值的输出层以及加入惩罚项的损失函数对所述训练样本集合中的样本进行迭代训练。

5.根据权利要求2所述的方法，其特征在于，所述对所述公共的用户交互数据进行预处理，得到训练样本集合包括：

将N个会话中每个会话的第一个项目确定为所述训练样本集合中的第一个训练样本，所述N个会话与所述公共的用户交互数据相对应；

将所述每个会话中的第二个项目确定为所述训练样本集合中的第二个训练样本；

当所述N个会话中存在项目结束的目标会话时，从所述公共的用户交互数据中随机选取一个目标会话替代所述目标会话，得到所述训练样本集合。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述根据所述目标用户的用户表征以及推荐项目表征库确定推荐结果包括：

将所述目标用户的用户表征以及所述推荐项目表征库中的项目表征进行点积操作，得到操作结果集合；

将所述操作结果集合中排序分数大于预设值的N个操作结果确定为所述推荐结果，其中，N为大于或等于1的正整数。