[发明专利]一种信息处理方法、装置及存储介质

说明书

本申请公开了一种信息处理方法、装置及计算机可读存储介质。该方法使用的推荐模型是根据分类相同的对象数据和不同分类的对象数据联合训练得到的，在根据不同分类的对象数据训练推荐模型的过程中，仅传递和更新用于增强共性特征的第二参数，而不会传递和更新用于增强个性特征的第一参数。如此，既能充分保留不同分类对象数据的个性特征，还能最大程度地利用不同分类对象数据的共性特征，使得训练得到的推荐模型，既能针对单个用户的个人需求提供贴合用户个性特征的信息推荐，又能兼顾不同用户的不同需求，适用于更多用户和更多场景，在准确度、泛化能力和稳定性上都有所提升。

技术领域

本申请涉及计算机自动化领域，尤其涉及一种信息处理方法、装置及计算机可读存储介质。

背景技术

由于互联网技术的不断推广和进步，越来越多的信息涌入到互联网中成为海量信息。而如何从这些海量信息中，获取用户真正感兴趣的内容和信息，成为目前的一个研究热点。

近年来，人工智能和机器学习技术得到了飞速发展，建立推荐模型，并使用用户行为数据对推荐模型进行训练和学习，然后使用训练好的推荐模型预测用户感兴趣的信息成为一种较为常用的方法。

然而在这一过程中，一方面，需要提取到每一用户的个性化特征以便精准地找到与用户需求匹配的信息；另一方面，还需要通过大量用户的行为数据确保推荐模型的准确度和泛化能力。

发明内容

本申请人创造性地提供一种信息处理方法、装置及计算机可读存储介质。

根据本申请实施例第一方面，提供一种信息处理方法，该方法包括：根据对象数据确定分类得到对象所属的分类；根据对象所属的分类对应的同类推荐模型得到推荐数据，其中，同类推荐模型包括第一参数和第二参数，第二参数是根据不同分类的对象数据进行训练得到的，用于增强不同分类对象的共性特征，第一参数在根据不同分类的对象数据进行训练的过程中保留原有值，用于增强相同分类对象的个性特征。

根据本申请实施例一实施方式，所推荐模型为多层神经网络模型，第一参数为多层神经网络模型的深层网络参数，第二参数为多层神经网络模型的浅层网络参数。

根据本申请实施例一实施方式，该方法还包括：根据不同分类的对象数据进行训练，以确定同类推荐模型的第二参数，第一参数在根据不同分类的对象数据进行训练的过程中保留原有值。

根据本申请实施例一实施方式，根据不同分类的对象数据进行训练，以确定同类推荐模型的第二参数，包括：根据平台推荐模型的第二参数，同步同类推荐模型的第二参数；根据不同分类的对象数据进行分布式训练，得到每一分类对应的第二参数的梯度；根据每一分类对应的第二参数的梯度，更新平台推荐模型的第二参数。

根据本申请实施例一实施方式，该方法还包括：根据跨平台推荐模型的第二参数，同步平台推荐模型的第二参数；根据不同平台的对象数据进行分布式训练，得到每一平台对应的第二参数的梯度；根据每一平台对应的第二参数的梯度，更新跨平台推荐模型的第二参数。

根据本申请实施例一实施方式，该方法还包括：根据同类推荐模型的模型参数，同步个性化推荐模型的模型参数；根据相同分类的每一对象的对象数据进行分布式训练，得到每一个性化推荐模型的第一参数的梯度；根据每一个性化推荐模型的第一参数的梯度，更新同类推荐模型的第一参数。

根据本申请实施例一实施方式，根据对象所属的分类对应的同类推荐模型得到推荐数据，包括：根据备选推荐数据和对象所属的分类对应的同类推荐模型得到推荐数据。

根据本申请实施例一实施方式，备选推荐数据包括历史推荐数据和与历史推荐数据具有一级关联关系的数据。