[发明专利]推荐模型的训练方法、推荐方法及计算机可读存储介质

说明书

本发明提供了一种推荐模型的训练方法，包括：初始化训练模型的参数，其中，训练模型包括第一自编码器、第一物品编码器、第一用户编码器、第一解码器、第二自编码器、第二物品编码器、第二用户编码器以及第二解码器；获取训练数据，其中，训练数据包括源域的第一初始评分向量、第一用户内容向量、第一物品内容向量和目标域的第二初始评分向量、第二用户内容向量、第二物品内容向量；根据训练数据对训练模型进行训练，将第二用户编码器、第二物品编码器和第二解码器作为推荐模型。本发明技术方案有效解决了数据稀疏问题和冷启动问题。

技术领域

本发明涉及计算机推荐算法技术领域，尤其涉及一种推荐模型的训练方法、推荐方法及计算机可读存储介质。

背景技术

随着互联网技术的不断发展普及，网络上每时每刻都有大量可供选择的信息资第一产生，个性化推荐系统已经成为了从繁琐复杂的数据中提取有效信息的重要技术手段。

现有的多数推荐系统仅针对单一领域。在单一领域内，推荐系统能够通过发掘用户对物品的偏好以及物品的特征，有效地为用户推荐与其偏好相似的物品，或者根据与其偏好相似的用户为其进行推荐。然而，数据稀疏问题和冷启动问题仍然是限制推荐系统性能的重要因素。

发明内容

有鉴于此，实有必要提供一种推荐模型的训练方法、推荐方法及计算机可读存储介质，用于解决数据稀疏问题和冷启动问题。

第一方面，本发明实施例提供一种推荐模型的训练方法，所述推荐模型的训练方法包括：

初始化训练模型的参数，其中，所述训练模型包括第一自编码器、第一物品编码器、第一用户编码器、第一解码器、第二自编码器、第二物品编码器、第二用户编码器以及第二解码器；

获取训练数据，其中，所述训练数据包括源域的第一初始评分向量、第一用户内容向量、第一物品内容向量和目标域的第二初始评分向量、第二用户内容向量、第二物品内容向量；

将所述第一初始评分向量和所述第二初始评分向量分别输入所述第一自编码器和所述第二自编码器，其中，所述第一自编码器对所述第一初始评分向量进行降维处理以得到第一评分隐向量，所述第二自编码器对所述第二初始评分向量进行降维处理以得到第二评分隐向量；

根据所述第一评分隐向量和所述第二评分隐向量计算第一损失值；

将所述第一用户内容向量和所述第二用户内容向量分别输入所述第一用户编码器和所述第二用户编码器，其中，所述第一用户编码器对所述第一用户内容向量进行降维处理以得到第一用户隐向量，所述第二用户编码器对所述第二用户内容向量进行降维处理以得到第二用户隐向量；

根据所述第一评分隐向量、所述第二评分隐向量、所述第一用户隐向量以及所述第二用户隐向量计算第二损失值；

将所述第一物品内容向量和所述第二物品内容向量分别输入所述第一物品编码器和所述第二物品编码器，其中，所述第一物品编码器对所述第一物品内容向量进行降维处理以得到第一物品隐向量，所述第二物品编码器对所述第二物品内容向量进行降维处理以得到第二物品隐向量；

将所述第一评分隐向量输入所述第一解码器，其中，所述第一解码器根据所述第一物品隐向量重构所述第一评分隐向量以得到第一重构评分向量；

根据所述第一初始评分向量和所述第一重构评分向量计算第三损失值；

将所述第二评分隐向量输入所述第二解码器，其中，所述第二解码器根据所述第二物品隐向量重构所述第二评分隐向量以得到第二重构评分向量；

根据所述第二初始评分向量和所述第二重构评分向量计算第四损失值；

根据所述第一损失值、所述第二损失值、所述第三损失值以及所述第四损失值更新所述训练模型的参数；以及