[发明专利]推荐模型的训练方法、推荐方法和装置、电子设备及介质

说明书

本申请实施例提供了一种推荐模型的训练方法、推荐方法和装置、电子设备及介质，属于人工智能技术领域。该方法包括：获取目标用户的目标行为数据和目标推荐数据；通过本地推荐模型的神经网络对目标行为数据和目标推荐数据进行特征提取，得到目标行为隐式特征和目标项目隐式特征；通过本地推荐模型的注意力机制对目标行为隐式特征和目标项目隐式特征进行特征融合，得到目标融合特征向量；根据目标融合特征向量进行损失计算，得到本地推荐模型的本地模型参数；将本地模型参数发送给服务器端；从服务器端下载全局模型参数；根据已下载的全局模型参数更新本地模型参数，以训练本地推荐模型。本申请实施例能够提高模型的训练效果。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种推荐模型的训练方法、推荐方法和装置、电子设备及介质。

背景技术

目前的推荐系统在进行推荐时，常常是通过用户的兴趣偏好来进行推荐，而推荐系统往往由于无法获取到全面的用户数据，从而只能针对不同兴趣偏好的用户采取不同的推荐模型进行推荐。因此，需要对推荐系统的多个不同推荐模型进行训练，训练效率低，且由于缺乏足够的训练数据而影响推荐模型的训练效果，因此，如何提高模型的训练效果，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种推荐模型的训练方法、推荐方法和装置、电子设备及介质，旨在提高模型的训练效果。

为实现上述目的，本申请实施例的第一方面提出了一种推荐模型的训练方法，应用于客户端，所述客户端存储有预先训练的本地推荐模型，所述方法包括：

获取目标用户的目标用户数据；其中，所述目标用户数据包括所述目标用户的目标行为数据和目标推荐数据；

通过所述本地推荐模型的神经网络对所述目标行为数据进行特征提取，得到目标行为隐式特征，并通过所述神经网络对所述目标推荐数据进行特征提取，得到目标项目隐式特征；

通过所述本地推荐模型的注意力机制对所述目标行为隐式特征和所述目标项目隐式特征进行特征融合，得到目标融合特征向量；

根据所述目标融合特征向量进行损失计算，得到所述本地推荐模型的本地模型参数；

将所述本地模型参数发送给服务器端；

从所述服务器端下载全局模型参数；其中，所述全局模型参数是所述服务器端根据多个所述客户端发送的本地模型参数对预设的原始模型参数进行更新得到；

根据已下载的所述全局模型参数更新所述本地模型参数，以训练所述本地推荐模型。

在一些实施例，所述通过所述本地推荐模型的神经网络对所述目标行为数据进行特征提取，得到目标行为隐式特征，并通过所述神经网络对所述目标推荐数据进行特征提取，得到目标项目隐式特征的步骤，包括：

对所述目标行为数据进行嵌入处理，得到目标行为嵌入向量，并对所述目标推荐数据进行嵌入处理，得到目标推荐嵌入向量；

对所述目标行为嵌入向量进行变维处理，得到所述目标行为隐式特征，并对所述目标推荐嵌入向量进行变维处理，得到所述目标推荐隐式特征。

在一些实施例，所述根据所述目标融合特征向量进行损失计算，得到所述本地推荐模型的本地模型参数的步骤，包括：

根据所述目标融合特征向量进行评分预测，得到候选项目对应的推荐分值；

通过预设的损失函数对所述推荐分值进行损失计算，得到所述本地推荐模型的本地模型参数。

在一些实施例，所述根据所述目标融合特征向量进行评分预测，得到候选项目对应的推荐分值的步骤，包括：

根据预设的维度参数对所述目标融合特征向量进行变维处理，得到变维特征向量；