[发明专利]信息推荐方法、模型训练方法及相关设备

说明书

本申请公开了一种信息推荐方法、模型训练方法及相关设备。该方法包括：将对象数据以及用户数据分别进行向量转换，获得对象数据对应的第一输入向量集以及用户数据对应的第二输入向量集；将第一输入向量集及第二输入向量集输入到评分模型，获得用户数据的第一评分矩阵；基于第一评分矩阵确定对象数据中的待推荐对象；评分模型包括分层因子分解机网络、双向长短记忆网络和S型函数，分层因子分解机网络的输入为第二输入向量集，输出为用于表示用户数据的第一多维用户向量，双向长短记忆网络的输入为第一输入向量集，输出为用于表示对象信息的第一文本向量，S型函数的输入为第一多维用户向量和第一文本向量，输出为第一评分矩阵。

技术领域

本申请属于人工智能领域，具体涉及一种信息推荐方法、模型训练方法及相关设备。

背景技术

互联网的出现和持续发展，带来信息和资讯的指数型增长。这给用户带来了大量的信息，但随着网上信息量的大幅增长，用户在面对大量信息时无法获得对自己真正有价值的部分，对信息的使用效率反而下降了。

为了提高信息推送的针对性，现有技术中，通常神经网络模型进行深度学习，以实现信息的推荐。由于传统的模型中通常采用单个通道进行信息特征的抽取，因此无法准确获取用户的喜好，导致模型的预测能力较差。

发明内容

本申请实施例的目的是提供一种信息推荐方法、模型训练方法及相关设备，能够解决模型的预测能力较差的问题。

第一方面，本申请实施例提供了一种信息推荐方法，包括：

将对象数据以及用户数据分别进行向量转换，获得所述对象数据对应的第一输入向量集以及所述用户数据对应的第二输入向量集，所述对象数据包括多个对象的对象信息；

将所述第一输入向量集以及第二输入向量集输入到评分模型，获得所述用户数据的第一评分矩阵，所述第一评分矩阵用于表示所述用户数据关联的用户与对象的相关度；

基于所述第一评分矩阵确定所述对象数据中的待推荐对象数据；

其中，所述评分模型包括分层因子分解机网络、双向长短记忆网络和S型函数，所述分层因子分解机网络的输入为所述第二输入向量集，输出为用于表示所述用户数据的第一多维用户向量，所述双向长短记忆网络的输入为所述第一输入向量集，输出为用于表示所述对象信息的第一文本向量，所述S型函数的输入为所述第一多维用户向量和所述第一文本向量，输出为所述第一评分矩阵。

第二方面，本申请实施例提供了一种评分模型训练方法，包括：

将对象样本数据以及用户样本数据分别进行向量转换，获得所述对象样本数据对应的第三输入向量集以及所述用户样本数据对应的第四输入向量集，所述对象样本数据包括多个对象样本的对象样本信息；

利用所述第三输入向量集和所述第四输入向量集，对待训练评分模型进行迭代训练得到评分模型；

其中，所述评分模型包括分层因子分解机网络、双向长短记忆网络和S型函数，所述分层因子分解机网络的输入为所述第四输入向量集，输出为用于表示所述用户样本数据的第二多维用户向量，所述双向长短记忆网络的输入为所述第三输入向量集，输出为用于表示所述对象样本信息的第二文本向量，所述S型函数的输入为所述第二多维用户向量和所述第二文本向量，输出为第二评分矩阵，所述第二评分矩阵用于表示所述用户样本数据对应的用户与物品样本的相关度。

第三方面，本申请实施例提供了一种信息推荐装置，包括：

第一转换模块，用于将对象数据以及用户数据分别进行向量转换，获得所述对象数据对应的第一输入向量集以及所述用户数据对应的第二输入向量集，所述对象数据包括多个对象的对象信息；

输入模块，用于将所述第一输入向量集以及第二输入向量集输入到评分模型，获得所述用户数据的第一评分矩阵，所述第一评分矩阵用于表示所述用户数据关联的用户与对象的相关度；