[发明专利]基于对比学习的文本推荐方法及相关设备

权利要求书

1.一种基于对比学习的文本推荐方法，其特征在于，所述方法包括：

获取用户的历史浏览文本，对所述历史浏览文本进行编码，得到所述历史浏览文本的第一特征向量；

基于所述第一特征向量预测所述历史浏览文本在预设兴趣类别上的第一概率分布；

对所述历史浏览文本进行数据增广处理，得到增广后的文本数据；

对所述增广后的文本数据进行编码，得到所述历史浏览文本的第二特征向量；

基于所述第二特征向量预测所述历史浏览文本在预设兴趣类别上的第二概率分布；

根据所述第一概率分布和所述第二概率分布确定用户的兴趣模式，以及基于所述兴趣模式为用户推荐文本。

2.根据权利要求1所述的方法，其特征在于，所述增广后的文本数据包括第一增广矩阵和第二增广矩阵，所述对所述增广后的文本数据进行编码，得到所述历史浏览文本的第二特征向量，包括：

对所述第一增广矩阵进行卷积，得到第一特征图和第二特征图；

对所述第一特征图进行最大池化，得到第一池化特征图，以及对所述第二特征图进行最大池化得到第二池化特征图；

将所述第一池化特征图与所述第二池化特征图进行拼接，得到所述第三特征向量；

对所述第二增广矩阵进行卷积，得到第三特征图和第四特征图；

对所述第三特征图进行最大池化，得到第三池化特征图，以及对所述第四特征图进行最大池化得到第四池化特征图；

将所述第三池化特征图与所述第四池化特征图进行拼接，得到所述第四特征向量；

将所述第三特征向量和所述第四特征向量确定为所述第二特征向量。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第二特征向量预测所述历史浏览文本在预设兴趣类别上的第二概率分布，包括：

采用全连接层对所述第三特征向量进行分类，得到所述历史浏览文本在预设兴趣类别上的第三概率分布；

采用全连接层对所述第四特征向量进行分类，得到所述历史浏览文本在预设兴趣类别上的第四概率分布；

将所述第三概率分布和所述第四概率分布确定为所述第二概率分布。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述编码是通过神经网络模型执行的，所述方法还包括：

根据所述第一概率分布计算聚类损失函数值；

根据所述第二概率分布计算对比损失函数值；

根据所述聚类损失函数值和所述对比损失函数值中的至少一者对神经网络参数进行更新，得到所述神经网络模型。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一概率分布计算聚类损失函数值，包括:

根据所述第一概率分布确定目标分布；

根据所述第一概率分布和所述目标分布确定KL散度；

根据所述KL散度和所述样本文本的数量计算所述聚类损失函数值。

6.根据权利要求4所述的方法，其特征在于，所述根据所述第二概率分布计算对比损失函数值，包括：

计算所述第三特征向量和所述第四概率分布的第一负余弦值，以及计算所述第四特征向量与所述第三概率分布的第二负余弦值；

采用所述第一负余弦值、所述第二负余弦值和所述样本文本的数量计算所述对比损失函数值。

7.根据权利要求1-3任一项所述的方法，其特征在于，所述对所述历史浏览文本进行编码，得到所述历史浏览文本的第一特征向量，包括：

获取所述历史浏览文本的词向量矩阵；

对所述词向量矩阵进行填充，得到填充后的矩阵；

对所述填充后的矩阵进行卷积，得到第五特征图和第六特征图；

对所述第五特征图进行最大池化，得到第五池化特征图，以及对所述第六特征图进行最大池化得到第六池化特征图；

将所述第五池化特征图和所述第六池化特征图进行拼接，得到所述第一特征向量。