[发明专利]一种跨域推荐方法、系统、存储介质及设备

权利要求书

1.一种跨域推荐方法，其特征在于，包括以下步骤：

将源域数据集和目标域数据集分别输入嵌入层以输出基于所述源域数据集的源域向量和基于所述目标域数据集的目标域向量；

将所述源域向量和目标域向量在由生成器、源域预测器以及目标域预测器组成的网络中进行训练以得到所述生成器的第一权重；

将所述源域向量和目标域向量在由使用所述第一权重的生成器以及分类器组成的网络中进行训练以得到所述分类器的第二权重，使用所述第二权重的分类器用于识别输入的数据是源域向量还是目标域向量，并标记；

将标记为源域的向量修改标记为目标域，并将修改标记为目标域的向量重新作为输入数据在由所述生成器以及使用所述第二权重的分类器组成的网络中进行训练以更新所述第二权重，使得更新第二权重后的分类器的分类结果更倾向于将所述第二权重的分类器难以识别的数据识别为目标域向量，并得到所述生成器的第三权重，使用所述第三权重的生成器用于将所述第二权重的分类器难以识别的数据识别为目标域向量，并去除识别出的源域向量；

将所述目标域向量在由使用所述第三权重的生成器以及所述目标域预测器组成的网络中进行训练以得到所述目标域预测器的第四权重；

将目标数据输入所述嵌入层以输出目标向量，并将所述目标向量在由使用所述第三权重的生成器以及使用所述第四权重的目标域预测器组成的网络中进行计算，以得到基于所述目标数据的推荐结果；

其中，所述源域数据集包括源域用户和源域商品，所述目标域数据集包括目标域用户和目标域商品。

2.根据权利要求1所述的方法，其特征在于，将所述源域向量和目标域向量在由生成器、源域预测器以及目标域预测器组成的网络中进行训练以得到所述生成器的第一权重包括：

将所述源域向量和目标域向量在由生成器、源域预测器以及目标域预测器组成的网络中进行训练，以得到所述生成器的第一权重以及所述源域预测器的权重和所述目标域预测器的初始权重。

3.根据权利要求2所述的方法，其特征在于，将所述目标域向量在由使用所述第三权重的生成器以及所述目标域预测器组成的网络中进行训练以得到所述目标域预测器的第四权重包括：

将所述目标域向量在由使用所述第三权重的生成器以及所述目标域预测器组成的网络中进行训练，以将所述目标域预测器的初始权重更新为所述第四权重。

4.根据权利要求1所述的方法，其特征在于，将所述源域向量和目标域向量在由生成器、源域预测器以及目标域预测器组成的网络中进行训练以得到所述生成器的第一权重还包括：

将所述源域向量和目标域向量在由生成器、源域预测器以及目标域预测器组成的网络中进行训练，以通过使得所述源域数据集和目标域数据集收敛而得到所述生成器的第一权重。

5.根据权利要求1所述的方法，其特征在于，将所述源域向量和目标域向量在由使用所述第一权重的生成器以及分类器组成的网络中进行训练以得到所述分类器的第二权重包括：

为所述源域向量设置源域标签，并为所述目标域向量设置目标域标签；

将携带所述源域标签的源域向量和携带所述目标域标签的目标域向量在由使用所述第一权重的生成器以及分类器组成的网络中进行训练，以得到所述分类器的第二权重。

6.根据权利要求1所述的方法，其特征在于，所述生成器、分类器、目标域预测器以及源域预测器的网络结构均属于多层神经网络。