[发明专利]对象推荐模型的训练方法、推荐方法、装置及电子设备

权利要求书

1.一种对象推荐模型的训练方法，其特征在于，所述方法包括：

通过初始推荐模型对用户的第一特征信息进行处理，得到对应所述第一特征信息的第一深度特征；

通过所述初始推荐模型对所述用户的第二特征信息进行处理，得到对应所述第二特征信息的第二深度特征，所述第二特征信息为所述第一特征信息中属于目标类别的特征信息；

将所述第一深度特征与所述第二深度特征进行合并，得到合并深度特征；

根据所述合并深度特征对所述初始推荐模型进行训练，得到所述对象推荐模型。

2.根据权利要求1所述的方法，其特征在于，所述初始推荐模型为单推荐目标模型时，所述初始推荐模型包括第一深度网络、第二深度网络、第一嵌入层以及第二嵌入层；

所述通过初始推荐模型对用户的第一特征信息进行处理，得到对应所述第一特征信息的第一深度特征，包括：

通过所述第一嵌入层对所述第一特征信息进行处理，得到第一特征；通过所述第一深度网络对所述第一特征进行处理，得到第一深度特征；

所述通过所述初始推荐模型对所述用户的第二特征信息进行处理，得到对应所述第二特征信息的第二深度特征，包括：

通过所述第二嵌入层对所述第二特征信息进行处理，得到第二特征；通过所述第二深度网络对所述第二特征进行处理，得到第二深度特征。

3.根据权利要求1所述的方法，其特征在于，所述初始推荐模型为多推荐目标模型时，所述初始推荐模型包括第三嵌入层、第四嵌入层、第一专家网络以及第二专家网络；

所述通过初始推荐模型对用户的第一特征信息进行处理，得到对应所述第一特征信息的第一深度特征，包括：

通过所述第三嵌入层对所述第一特征信息进行处理，得到第三特征；确定所述第三特征中每个特征的特征权重；将所述第三特征中每个特征与对应所述第三特征中每个特征的特征权重相乘，得到第四特征；将所述第四特征输入所述第一专家网络，得到第一深度特征；

所述通过所述初始推荐模型对所述用户的第二特征信息进行处理，得到对应所述第二特征信息的第二深度特征，包括：

通过所述第四嵌入层对所述第二特征信息进行处理，得到第五特征；确定所述第五特征中每个特征的特征权重；将所述第五特征中每个特征与对应所述第五特征中每个特征的特征权重相乘，得到第六特征；将所述第六特征输入所述第二专家网络，得到第二深度特征。

4.根据权利要求3所述的方法，其特征在于，所述确定所述第三特征中每个特征的特征权重，包括：

对所述第三特征进行池化操作，得到第一向量；

对所述第一向量进行非线性处理，得到第二向量；

将所述第二向量中与所述第三特征中每个特征对应的数值作为所述第三特征中每个特征的特征权重。

5.根据权利要求1所述的方法，其特征在于，所述初始推荐模型为多推荐目标模型时，所述初始推荐模型包括多个推荐目标分别对应的任务塔模型以及每个所述任务塔模型对应的门控网络；所述将所述第一深度特征与所述第二深度特征进行合并，得到合并深度特征，包括：

通过对应每个所述任务塔模型的门控网络对所述第一深度特征与所述第二深度特征进行合并，得到对应每个所述任务塔模型的合并深度特征；

所述根据所述合并深度特征对所述初始推荐模型进行训练，得到所述对象推荐模型，包括：

针对每个所述合并深度特征，将所述合并深度特征输入对应的任务塔模型，得到每个所述任务塔模型输出的预测评分；

根据每个所述任务塔模型输出的预测评分，确定最终损失值；

根据所述最终损失值对所述初始推荐模型进行训练，得到所述对象推荐模型。

6.根据权利要求5所述的方法，其特征在于，所述多个推荐目标包括对象点击和对象转化；所述根据每个所述任务塔模型输出的预测评分，确定最终损失值，包括：

计算对应所述对象点击的任务塔模型输出的预测评分以及对应所述对象转化的任务塔模型输出的预测评分的积，作为合并评分；

根据对应所述对象点击的任务塔模型输出的预测评分确定第一损失值；

根据所述合并评分确定第二损失值；

计算所述第一损失值与所述第二损失值的和，作为所述最终损失值。