[发明专利]产品推荐模型的训练方法、装置、电子设备及存储介质

说明书

本公开提供了一种产品推荐模型的训练方法、装置、电子设备及存储介质，涉及人工智能领域，尤其涉及深度学习领域。该方案为：在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；将当前用户对应的训练向量和当前产品对应的训练向量分别输入至待训练的产品推荐模型中，得到当前用户的需求隐向量和当前产品的属性隐向量；重复上述操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量；基于各个用户的需求隐向量和各个产品的属性隐向量以及优化目标函数，对待序训练的产品推荐模型进行训练。本申请实施例可以同时适用于显式反馈和隐式反馈的应用场景，并且可以有效地提高推荐精确度，为用户提供更加准确的推荐结果。

技术领域

本公开涉及人工智能技术领域，进一步涉及深度学习技术，尤其是一种产品推荐模型的训练方法、装置、电子设备及存储介质。

背景技术

推荐系统(Recommender System)技术是指在线上推荐应用场景中向使用系统的用户推荐适合自身偏好的产品的个性化推荐技术。在当今互联网时代的大潮下，为了充分利用大量的在线服务资源，提高用户的使用体验和满意度，许多在线推荐系统被广泛应用于线上购物平台、视频音乐媒体网站等场景中。

针对智能推荐系统技术，目前普遍采用如下四种方案来解决：

(1)非个性化方法。非个性化推荐技术会向所有用户推荐同样的产品，例如为用户推荐当前最热门产品，最新推出的产品，评分最高的产品等。该方法是一种非个性化的推荐方法，一方面无法满足不同用户的个性化需求，另一方面选出的产品在短时间内不会发生变化，不能持续为用户推荐不同产品。

(2)基于点估计的个性化推荐方法。该方法将用户与产品的历史交互记录当作正样本，通常记为评分1，而那些没有交互记录的产品记为评分0。在此基础上，基于点估计的个性化推荐方法采用一套评分预测的方法来预测每个用户在不同产品上的评分。该方法在隐式反馈数据情况下，负样本并不代表用户一定不喜欢该产品，而很有可能是由于用户尚不知道该产品，所以没有交互记录。因此评分预测得到的评分意义不明朗，精准度也较低。

(3)基于成对比较的个性化推荐技术。该方法针对每个用户随机挑选一部分由一个正样本和一个负样本组成的偏序对，然后极大化所有偏序对为真的似然函数来求解出每个用户在不同产品上的评分。该方法在建模的过程中，需要很强的独立性假设，即每个比较的偏序对之间都必须是相互独立的，否则目标函数就无法求解。而现实场景下这种强独立性假设是难以保证的。

(4)基于清单顺序的个性化推荐技术。该方法将用户在不同数据上的评分按照大小顺序组成一个清单，然后极大化这个清单顺序为真的似然函数来求解出每个用户在不同产品上的评分。该方法需要用到一整个清单的排列顺序，但是在隐式反馈中只有两种可能的评分即1和0，在大多数显式反馈中级别的数量也非常少，因此得到的清单会有非常多评分级别相同的产品，这些产品之间如何排序是一个难以解决的问题。目前常用的解决方法是多次随机采样排序顺序，然而这可能造成模型训练的困难。

发明内容

本公开提供了一种产品推荐模型的训练方法、装置、电子设备以及存储介质。

第一方面，本申请提供了一种产品推荐模型的训练方法，所述方法包括：

在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；其中，所述用户集合和所述产品集合分别包括N个用户和M个产品；N和M均为大于1的自然数；

将所述当前用户对应的训练向量和所述当前产品对应的训练向量分别输入至所述待训练的产品推荐模型中，通过所述待训练的产品推荐模型得到所述当前用户的需求隐向量和所述当前产品的属性隐向量；重复执行上述提取所述当前用户和所述当前产品的操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量；

基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对所述待序训练的产品推荐模型进行训练；其中，所述优化目标函数包括：隐式优化目标函数和显式优化目标函数。