[发明专利]训练推荐概率预测模型的方法、推荐概率预测方法及装置

说明书

本申请提供一种训练推荐概率预测模型的方法、推荐概率预测方法及装置，涉及人工智能技术领域，方法包括：在对推荐概率预测模型进行多轮迭代训练过程中，将从样本数据集中获取的样本数据，输入推荐概率预测模型，获得样本数据对应的预测推荐结果；根据样本数据对应的预测推荐结果和实际推荐结果，获得相应的基本损失值；基于基本损失值和第一调整值，获得相应的目标损失值；其中，第一调整值用于表征基于相应的样本数据获得的，每两个任务网络的输出结果的总差异程度，且第一调整值与目标损失值呈负相关；根据目标损失值，对推荐概率预测模型进行参数调整，以提高训练后的推荐概率预测模型的预测性能，进而提高对待预测信息的预测准确性。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种训练推荐概率预测模型的方法、推荐概率预测方法及装置。

背景技术

随着互联网技术的不断发展，各种网络信息层出不穷，例如文章、视频、图片、商品、广告等等，使得信息推荐系统得到了广泛应用。在实际应用中，当通过信息推荐系统向目标对象推荐文章、视频、图片等信息时，目的是达到以下推荐效果：目标对象点击了推荐信息，然后看完推荐信息的全部内容，并进行点赞、转发、评论等互动。

相关技术下，为了达到上述推荐效果，信息推荐系统通常采用训练后的多任务学习模型对各个待推荐信息的推荐概率进行预测，进而根据各个待推荐信息的推荐概率选择目标推荐信息。具体地，多任务学习模型可以通过多个神经网络学习不同维度的特征，进而结合多个神经网络的输出结果，分别预测点击率、观看完成率、互动率等推荐概率。

多任务学习模型的多个神经网络的输出结果具有差异性，有利于提升模型对于多个任务的预测性能。但是，目前的多任务学习模型通常存在多个神经网络的输出结果趋同的问题，即多个神经网络的输出结果差异很小，使得训练后的多任务学习模型的预测性能不高，这会对待预测信息的预测准确性造成影响。

发明内容

本申请实施例提供一种训练推荐概率预测模型的方法、推荐概率预测方法及装置，用于提高训练后的推荐概率预测模型的预测性能，进而提高对待预测信息的预测准确性。

第一方面，本申请实施例提供一种推荐概率预测方法，包括：

基于样本数据集对待训练的推荐概率预测模型进行多轮迭代训练，直到满足预设的收敛条件为止，并将最后一轮输出的推荐概率预测模型作为目标推荐概率预测模型，所述推荐概率预测模型包括多个任务网络，每个任务网络用于从一个特征维度对输入至所述推荐概率预测模型的样本数据进行特征提取，其中，在一轮迭代训练过程中，执行以下操作：

将从所述样本数据集中获取的样本数据，输入所述推荐概率预测模型，获得所述样本数据对应的预测推荐结果；

根据所述样本数据对应的预测推荐结果和实际推荐结果，获得相应的基本损失值；

基于所述基本损失值和第一调整值，获得相应的目标损失值；其中，所述第一调整值用于表征基于相应的样本数据获得的，每两个任务网络的输出结果的总差异程度，且所述第一调整值与所述目标损失值呈负相关；

根据所述目标损失值，对所述推荐概率预测模型进行参数调整。

第二方面，本申请实施例提供一种推荐概率预测方法，包括：

获取目标对象的目标属性，以及分别获取各个待推荐信息各自的目标特征；

将获得的所述目标属性和各个目标特征，分别输入已训练的目标推荐概率预测模型中，分别输出所述各个待推荐信息各自的预测推荐概率；其中，所述目标推荐概率预测模型是根据第一方面的任一种方法训练得到的。

第三方面，本申请实施例提供一种训练推荐概率预测模型的装置，包括：