[发明专利]一种可解释性推荐模型训练方法与装置

说明书

本公开提供了一种可解释性推荐模型训练方法与装置，该方法包括：获取多位用户的用户行为的时间序列；基于所述时间序列处理初始知识图谱，获取时序知识图谱；通过嵌入联合学习模型，得到所述时序知识图谱的特征向量，其中，所述特征向量包括实体特征向量和关系特征向量；以及根据所述特征向量训练初始模型，得到目标推荐模型。

技术领域

本公开涉及人工智能领域，更具体地，涉及一种可解释性推荐模型训练方法和一种可解释性推荐模型训练装置。

背景技术

在信息科技飞速发展的今天，通过推荐系统可以给数十亿网络用户筛选内容并且做出决策，比如电子购物，听音乐，看视频等。

在实现本公开构思的过程中，发明人发现当前推荐系统的可解释性低，导致用户体验不佳。

发明内容

有鉴于此，本公开提供了一种可解释性推荐模型训练方法和装置，以解决相关技术中对推荐系统的解释路径的说服性不够充分，解释的鲁棒性不足的问题。

本公开实施例的一方面提供了一种可解释性推荐模型训练方法，包括：获取多位用户的用户行为的时间序列；基于上述时间序列处理初始知识图谱，获取时序知识图谱；通过嵌入联合学习模型，得到上述时序知识图谱的特征向量，其中，上述特征向量包括实体特征向量和关系特征向量；以及根据上述特征向量训练初始模型，得到目标推荐模型。

根据本公开的实施例，上述初始知识图谱包括实体和所述实体之间的初始交互关系；其中，上述基于所述时间序列处理初始知识图谱，获取时序知识图谱，包括：基于高斯混合模型分析所述时间序列，得到时序交互关系；以及使用上述时序交互关系替代所述初始交互关系，得到上述时序知识图谱。

根据本公开的实施例，上述时间序列中包括n个时间戳，其中，所述n为正整数；其中，上述基于高斯混合模型分析所述时间序列，得到时序交互关系，包括：将上述n个时间戳映射到时间特征空间中，得到n个时间向量；采用高斯混合模型对上述n个时间向量进行聚类，获取上述n个时间戳的聚类结果；以及基于上述聚类结果，得到上述时序交互关系。

根据本公开的实施例，上述通过嵌入联合学习模型，得到上述时序知识图谱的特征向量，包括：将上述时序知识图谱映射到向量空间，得到上述知识图谱的多个三元组，其中，每一个上述三元组包括初始头实体特征向量、初始关系特征向量和初始尾实体特征向量；根据上述多个三元组，构建上述嵌入联合学习模型的第一目标函数；以及求解所述第一目标函数，得到上述时序知识图谱的特征向量。

根据本公开的实施例，上述初始关系特征向量归属于多个时间簇；其中，上述根据上述多个三元组，构建上述嵌入联合学习模型的第一目标函数，包括：根据负采样方法确定上述多个三元组的第一损失函数；根据第一约束条件确定上述多个三元组的第二损失函数，其中，上述第一约束条件包括归属于不同时间簇的初始关系特征向量之间的距离大于归属于相同时间簇的初始关系特征向量之间的距离；根据第二约束条件确定上述多个三元组的第三损失函数，其中，上述第二约束条件包括归属于相同时间簇的初始关系特征向量之间的距离小于预设收敛值；以及基于上述第一损失函数、上述第二损失函数和上述第三损失函数，确定上述嵌入联合学习模型的第一目标函数。

根据本公开的实施例，上述求解上述第一目标函数，得到上述时序知识图谱的特征向量，包括：通过随机梯度下降法对上述第一目标函数的参数进行优化求解，以获取上述时序知识图谱的特征向量。

根据本公开的实施例，上述根据上述特征向量训练初始模型，得到目标推荐模型，包括：根据上述特征向量构建马尔可夫决策过程环境；以及在上述马尔可夫决策过程环境下，使用深度强化学习训练上述初始模型，以获取上述目标推荐模型。