CN112966186A - 一种模型训练和信息推荐的方法及装置 - Google Patents
一种模型训练和信息推荐的方法及装置 Download PDFInfo
- Publication number
- CN112966186A CN112966186A CN202110337990.8A CN202110337990A CN112966186A CN 112966186 A CN112966186 A CN 112966186A CN 202110337990 A CN202110337990 A CN 202110337990A CN 112966186 A CN112966186 A CN 112966186A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- intention
- training
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012512 characterization method Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种模型训练和信息推荐的方法及装置,获取各训练样本,并针对每个训练样本,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向用户样本信息对应的用户推荐历史推荐信息时,该用户对应的业务意图表征信息,以及该用户针对该历史推荐信息的预测点击率。而后,以最小化预测点击率与该训练样本中包含的第一标签之间的偏差,以及最小化业务意图表征信息与该训练样本中包含的第二标签之间的偏差为优化目标,对预测模型进行训练。因此,能够以预测出的用户的业务意图为依据,对用户进行信息推荐,从而能够更准确地向用户进行信息推荐。
Description
技术领域
本说明书涉及机器学习技术领域,尤其涉及一种模型训练和信息推荐的方法及装置。
背景技术
随着信息技术的不断发展,用户可以在业务平台中浏览其他用户所拍摄的短视频,并且,还可以通过查看到的短视频,确定自己所感兴趣的业务进行执行。
例如,在外卖平台中,用户既可以上传短视频,也可以浏览短视频,这些短视频可以是与外卖餐品相关的短视频,当然也可以是其他类型的短视频,如,美食制作视频等。用户在查看这些短视频的同时,若因为某个与外卖餐品相关的短视频而对该外卖餐品产生了兴趣,则可以通过该短视频中携带的外卖店铺链接、抑或是外卖餐品链接,进行点餐。
在现有技术中,业务平台在进行短视频推荐时,通常可以通过以浏览时长最长以及点击率最高为优化目标所训练出的预测模型,来确定向用户推荐的短视频,以及这些短视频的推荐顺序,然而,这种方式并不能有效地识别出用户当前的业务意图,导致将与用户当前的业务意图不符的短视频推荐给用户,从而给用户带来一定程度的不便。
所以,如何能够准确的向用户进行信息推荐,则是一个亟待解决的问题。
发明内容
本说明书提供一种模型训练和信息推荐的方法及装置,以部分地解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种模型训练的方法,包括:
获取各训练样本;
针对每个训练样本,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向所述用户样本信息对应的用户推荐所述历史推荐信息时,所述用户对应的业务意图表征信息,以及所述用户针对所述历史推荐信息的预测点击率,所述业务意图表征信息用于表征在向所述用户推荐所述历史推荐信息时,所述用户的业务意图;
以最小化所述预测点击率与该训练样本中包含的第一标签之间的偏差,以及最小化所述业务意图表征信息与该训练样本中包含的第二标签之间的偏差为优化目标,对所述预测模型进行训练,所述第一标签用于表征所述用户针对所述历史推荐信息的实际点击情况,所述第二标签用于表征确定出的在向所述用户推荐所述历史推荐信息时,所述用户的实际业务意图。
可选地,所述各训练样本中包含有第一训练样本以及第二训练样本,所述第一训练样本包含有所述第一标签,所述第二训练样本包含有所述第一标签以及所述第二标签;所述预测模型中包含第一子预测模型、第二子预测模型以及意图判别模型;
针对每个训练样本,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型之前,所述方法还包括:
通过所述第二训练样本,对待训练的意图判别模型进行训练,得到训练后的所述意图判别模型,所述意图判别模型用于确定在向用户进行信息推荐时,用户对应的业务意图表征信息;
根据训练后的所述意图判别模型、待训练的第一子预测模型以及待训练的第二子预测模型,构建所述预测模型。
可选地,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向所述用户样本信息对应的用户推荐所述历史推荐信息时,所述用户对应的业务意图表征信息,以及所述用户针对所述历史推荐信息的预测点击率之前,所述方法还包括:
针对每个第一训练样本,将该第一训练样本输入到训练后的所述意图判别模型中,得到该第一训练样本包含的用户样本信息所对应的用户的业务意图表征信息,作为该第一训练样本对应的业务意图表征信息;
根据该第一训练样本对应的业务意图表征信息,确定该第一训练样本对应的第二标签。
可选地,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向所述用户样本信息对应的用户推荐所述历史推荐信息时,所述用户对应的业务意图表征信息,以及所述用户针对所述历史推荐信息的预测点击率,具体包括:
将所述用户样本信息以及所述历史推荐信息输入到所述第一子预测模型中,得到所述用户在第一业务意图的条件下对所述历史推荐信息的点击率,作为第一点击率,将所述用户样本信息以及所述历史推荐信息输入到所述第二子预测模型中,得到所述用户在第二业务意图的条件下对所述历史推荐信息的点击率,作为第二点击率,将所述用户样本信息以及所述历史推荐信息输入到所述意图判别模型中,得到业务意图表征信息,所述第一业务意图与所述第二业务意图不同;
根据所述第一点击率、所述第二点击率以及所述业务意图表征信息,确定所述用户针对所述历史推荐信息的预测点击率。
可选地,以最小化所述预测点击率与该训练样本中包含的第一标签之间的偏差,以及最小化所述业务意图表征信息与该训练样本中包含的第二标签之间的偏差为优化目标,对所述预测模型进行训练,具体包括:
确定所述预测模型的训练轮次N,N为正整数;
确定所述第二标签在所述预测模型第N轮训练时所对应的损失权重,其中,训练轮次N越大,所述损失权重越大;
确定所述预测点击率与所述第一标签之间的损失值,作为第一损失,确定所述业务意图表征信息与所述第二标签之间的损失值,作为第二损失;
确定所述第二损失与所述损失权重之间的加权和值,作为第三损失;
根据所述第一损失以及所述第三损失,确定综合损失;
以最小化所述综合损失为优化目标,对所述预测模型进行训练。
可选地,所述历史推荐信息包括:历史短视频。
本说明书提供了一种信息推荐的方法,包括:
接收用户发送的业务请求,并获取所述用户的用户信息,以及确定至少一个待推荐信息;
将所述用户信息以及所述至少一个待推荐信息输入到预先训练的预测模型中,得到所述用户在当前的业务意图下对各待推荐信息的点击率,所述预测模型通过模型训练的方法进行训练得到;
根据所述用户在当前的业务意图下对各待推荐信息的点击率,对所述用户进行信息推荐。
可选地,所述待推荐信息包括:待推荐短视频。
本说明书提供了一种模型训练的装置,包括:
获取模块,用于获取各训练样本;
输入模块,用于针对每个训练样本,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向所述用户样本信息对应的用户推荐所述历史推荐信息时,所述用户对应的业务意图表征信息,以及所述用户针对所述历史推荐信息的预测点击率,所述业务意图表征信息用于表征在向所述用户推荐所述历史推荐信息时,所述用户的业务意图;
优化模块,用于以最小化所述预测点击率与该训练样本中包含的第一标签之间的偏差,以及最小化所述业务意图表征信息与该训练样本中包含的第二标签之间的偏差为优化目标,对所述预测模型进行训练,所述第一标签用于表征所述用户针对所述历史推荐信息的实际点击情况,所述第二标签用于表征确定出的在向所述用户推荐所述历史推荐信息时,所述用户的实际业务意图。
本说明书提供了一种信息推荐的装置,包括:
获取模块,用于接收用户发送的业务请求,并获取所述用户的用户信息,以及确定至少一个待推荐信息;
预测模块,用于将所述用户信息以及所述至少一个待推荐信息输入到预先训练的预测模型中,得到所述用户在当前的业务意图下对各待推荐信息的点击率,所述预测模型通过模型训练的方法进行训练得到;
推荐模块,用于根据所述用户在当前的业务意图下对各待推荐信息的点击率,对所述用户进行信息推荐。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练或信息推荐的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述模型训练或信息推荐的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的模型训练或信息推荐的方法及装置中,获取各训练样本,并针对每个训练样本,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向用户样本信息对应的用户推荐历史推荐信息时,该用户对应的业务意图表征信息,以及该用户针对该历史推荐信息的预测点击率,业务意图表征信息用于表征在向该用户推荐该历史推荐信息时,该用户的业务意图,以最小化预测点击率与该训练样本中包含的第一标签之间的偏差,以及最小化业务意图表征信息与该训练样本中包含的第二标签之间的偏差为优化目标,对预测模型进行训练。该预测模型能够结合用户的业务意图,来确定出各待推荐信息的点击率,并通过各待推荐信息的点击率,进行信息推荐。
从上述方法中可以看出,本方法可以同时通过预测用户的业务意图以及预测用户针对历史推荐信息的点击率这两个优化目标,来对用于进行信息推荐的预测模型进行训练,这样一来,在通过该预测模型对用户进行信息推荐时,可以将用户当时的业务意图作为依据,来确定用户对各待推荐信息的点击率,使得推荐给该用户的推荐信息,符合用户的业务意图,从而能够更准确地向用户进行信息推荐。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种模型训练的方法的流程示意图;
图2为本说明书中提供的一种预测模型的结构示意图;
图3为本说明书中一种信息推荐的方法的流程示意图;
图4为本说明书提供的一种模型训练的装置的示意图;
图5为本说明书提供的一种信息推荐的装置的示意图;
图6为本说明书提供的对应于图1或图3的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种模型训练的方法的流程示意图,具体包括以下步骤:
S101:获取各训练样本。
S102:针对每个训练样本,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向所述用户样本信息对应的用户推荐所述历史推荐信息时,所述用户对应的业务意图表征信息,以及所述用户针对所述历史推荐信息的预测点击率,所述业务意图表征信息用于表征在向所述用户推荐所述历史推荐信息时,所述用户的业务意图。
在实际应用中,业务平台可以向用户推荐各种推荐信息,例如,业务平台可以向用户进行短视频推荐、当然,也可以向用户推荐商品、业务平台中其他用户所撰写的帖子等。用户可能会带有某种业务意图来浏览业务平台推荐给其的推荐信息。
例如,用户在查看外卖平台中的短视频时,可能是由于想要点外卖的意图查看各短视频,也可能仅是由于在闲暇时需要浏览短视频的意图,查看外卖平台推荐的各短视频。再例如,用户在查看购物平台中的帖子时,可能是由于需要购物的意图来查看,也可能仅是在闲暇时随意浏览这些帖子。若结合该用户的业务意图来进行相应的信息推荐,则可以更准确地向用户推荐用户需要的推荐信息。
因此,在本说明书中,可以在用于向用户进行信息推荐的机器学***台可以获取各训练样本,并针对每个训练样本,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向该用户样本信息对应的用户推荐该历史推荐信息时,该用户对应的业务意图表征信息,以及该用户针对该历史推荐信息的预测点击率,该业务意图表征信息用于表征在向该用户推荐该历史推荐信息时,该用户的业务意图。
这里提到的用户样本信息中可以包含用户的标识、用户历史上查看过的推荐信息、用户历史上查看过的推荐信息的种类等,由于历史推荐信息可以是历史短视频,即,可以是历史上推荐给用户的短视频,因此,输入到预测模型中的还可以包含该历史短视频的相关信息,例如,该历史短视频对应的视频时长、用户是否能够通过该历史短视频进行下单、用户浏览该历史短视频的时间等。
依然以外卖场景进行举例,上述提到的业务意图表征信息可以表示,在向用户推荐历史推荐信息时,该用户的业务意图是否为需要下单外卖的意图。也就是说,这里提到的预测模型既能够确定出用户的业务意图,也能够确定出用户对待推荐信息的点击率,那么在后续,业务平台需要以该预测模型预测出用户准确的业务意图以及预测出准确的点击率为目标进行训练,因此,业务平台在应用该预测模型进行信息推荐时,能够以预测出的用户的业务意图为依据,向用户进行信息推荐。
在本说明书中,预测模型中可以包含各子模型,对该预测模型的训练即是对各子模型一并进行训练,如图2所示。
图2为本说明书中提供的一种预测模型的结构示意图。
从图2中可以看出,预测模型中包含有第一子预测模型、第二子预测模型以及意图判别模型,其中,意图判别模型用于确定在向用户进行信息推荐时,用户对应的业务意图表征信息,第一子预测模型以及第二子预测模型分别用于预测在不同业务意图下用户对历史推荐信息的点击率,第一子预测模型用于确定用户在第一业务意图的条件下对历史推荐信息的点击率,第二子预测模型用于确定用户在第二业务意图的条件下对历史推荐信息的点击率。
为了能够更准确判断出用户的业务意图,意图判别模型需要预先进行有监督训练,再将训练后的该意图判别模型融入到预测模型中,具体的,训练样本中包含有第一训练样本以及第二训练样本,第一训练样本包含有第一标签,不包含有第二标签,第二训练样本包含有第一标签以及第二标签,也就是说,第二训练样本是预先进行了第二标签的标注,而第一训练样本未进行第二标签的标注。
业务平台可以根据该第二训练样本,对该意图判别模型进行训练,并根据训练后的意图判别模型、待训练的第一子预测模型以及待训练的第二子预测模型,构建预测模型。上述提到的第一标签用于表征用户针对历史推荐信息的实际点击情况,即,表示该用户是否点击了该历史推荐信息,也就是说,表示该用户是否查看了该历史推荐信息,而第二标签用于表征确定出的在向用户推荐历史推荐信息时,用户的实际业务意图,依然以外卖场景为例,该第二标签可以表示确定出的在向用户推荐历史推荐信息时,该用户的业务意图是否为需要下单外卖的意图。
由于,在实际应用中,对用户的业务意图的标注通常需要人工进行标注,因此,包含有第二标签的第二训练样本的数量可能会较少,那么,业务平台在通过第二训练样本对意图判别模型进行训练后,可以通过该意图判别模型对不包含有第二标签的第一训练样本进行标注。
具体的,业务平台可以针对每个第一训练样本,将该第一训练样本输入到训练后的意图判别模型中,得到该第一训练样本包含的用户样本信息所对应的用户的业务意图表征信息,作为该第一训练样本对应的业务意图表征信息,并根据该第一训练样本对应的业务意图表征信息,确定该第一训练样本对应的第二标签。
也就是说,业务平台是根据意图判断模型预测出的业务意图,来确定出第一训练样本对应的第二标签,即,该第一训练样本对应的业务意图表征信息何种的业务意图,则使该第一训练样本对应的第二标签表示这种业务意图。
在实际应用中,预测模型确定出的预测点击率可以通过该预测模型中包含的各子模型的输出结果综合计算出。具体的,业务平台可以将用户样本信息以及历史推荐信息输入到第一子预测模型中,得到用户在第一业务意图的条件下对历史推荐信息的点击率,作为第一点击率。将用户样本信息以及历史推荐信息输入到第二子预测模型中,得到用户在第二业务意图的条件下对历史推荐信息的点击率,作为第二点击率。这里的第一点击率以及第二点击率均为条件概率。
业务平台需要将用户样本信息以及历史推荐信息输入到意图判别模型中,得到业务意图表征信息,其中,第一业务意图与第二业务意图不同,依然以外卖场景为例,第一业务意图可以是指用户需要下单外卖的意图,而第二业务意图可以是指用户不需要下单外卖的意图。业务平台可以根据确定出的第一点击率、第二点击率以及业务意图表征信息,确定出用户针对该历史推荐信息的预测点击率,具体地,业务平台可以通过如下公式确定出该预测点击率。
P(Watch)=P(Watch|e1)×P(e1)+P(Watch|e2)×P(e2)
其中,上述公式中的P(Watch)指的是预测点击率,P(Watch|e1)指的是用户在第一业务意图的条件下对历史推荐信息的点击率,即,第一点击率,P(Watch|e2)指的是用户在第二业务意图的条件下对历史推荐信息的点击率,即,第二点击率,P(e1)为向该用户推荐历史推荐信息时,用户的业务意图为第一业务意图的概率,P(e2)为向该用户推荐历史推荐信息时,用户的业务意图为第二业务意图的概率,P(e1)与P(e2)可以通过上述业务意图表征信息确定出,若该业务意图表征信息表示出用户的业务意图为第一业务意图的概率,则P(e1)为该业务意图表征信息对应的概率值,而P(e2)为1-P(e1),当然,该业务意图表征信息也可以是用于表示用户的业务意图为第二业务意图的概率,在此不进行限定。
S103:以最小化所述预测点击率与该训练样本中包含的第一标签之间的偏差,以及最小化所述业务意图表征信息与该训练样本中包含的第二标签之间的偏差为优化目标,对所述预测模型进行训练,所述第一标签用于表征所述用户针对所述历史推荐信息的实际点击情况,所述第二标签用于表征确定出的在向所述用户推荐所述历史推荐信息时,所述用户的实际业务意图。
业务平台通过该预测模型,确定出在向该用户推荐该历史推荐信息时,该用户对应的业务意图表征信息,以及该用户针对历史推荐信息的预测点击率后,可以将最小化该业务意图表征信息与该训练样本中包含的第二标签之间的偏差,以及最小化该预测点击率与该训练样本中包含的第一标签之间的偏差作为优化目标,对该预测模型进行训练。
需要说明的是,由于预测模型中包含的意图判别模型经过了预先的有监督训练,而第一子预测模型以及第二子预测模型均未经过训练,在最初对预测模型进行训练时,需要先使第一子预测模型以及第二子预测模型具备较为准确的预测能力。因此,在刚开始对预测模型进行训练时,可以先仅以确定出准确的预测点击率为优化目标来训练,在后续训练过程逐步加入业务意图表征信息所对应的优化目标。
具体的,业务平台可以确定出预测模型的训练轮次N,N为正整数,并确定该第二标签在该预测模型第N轮训练时所对应的损失权重,其中,训练轮次N越大,损失权重越大。业务平台可以确定预测点击率与第一标签之间的损失值,作为第一损失,确定业务意图表征信息与第二标签之间的损失值,作为第二损失,并确定该第二损失与该损失权重之间的加权和值,作为第三损失,而后,业务平台可以根据该第一损失以及该第三损失,确定综合损失,并以最小化该综合损失为优化目标,对预测模型进行训练。
也就是说,在对预测模型的训练过程中,损失函数并不是恒定不变的,第二标签所对应的损失权重可以在训练过程中逐渐增大,即,该预测模型对应的损失函数中,业务意图表征信息与第二标签之间的损失对应的权重逐渐增大。对该预测模型进行一段时间的训练后,可以将该损失权重确定为固定的设定数值,而在刚开始对预测模型训练时,可以将该损失权重设置为0,将该预测模型进行训练一定时长后,再逐渐提高该损失权重的数值。
还需说明的是,第二标签既可以通过人工进行标注,也可以进行自动化标注,不管是通过人工进行标注,还是进行自动化标注,都需要按照具体的业务场景,以及一定的规律,进行第二标签的标注。
依然以外卖场景为例,假设该第二标签表示在向用户推荐历史推荐信息时,用户的业务意图是否是需要下单的业务意图,对于一个训练样本来说,如若将该训练样本中的历史推荐信息推荐给用户的时间处于午餐时间,并且用户在10分钟内下单了外卖,则可以将该训练样本的第二标签标注为需要下单的业务意图。而若将该训练样本中的历史推荐信息推荐给用户的时间处于非用餐时间,并且该用户在很长一段时间内未点餐,则可以将该训练样本的第二标签标注为不需要下单的业务意图。
当然,上述例子仅是通过一个业务场景进行举例而已,在实际应用中,可以有多种方式对该第二标签进行标注,在此不再进行详细举例说明,也不对该第二标签的标注方式进行限定。
上述是站在模型训练的角度对本方法进行说明,下面将以该预测模型应用在实际业务场景的角度对本方法进行说明,如图3所示。
图3本说明书中一种信息推荐的方法的流程示意图,具体包括以下步骤:
S301:接收用户发送的业务请求,并获取所述用户的用户信息,以及确定至少一个待推荐信息。
S302:将所述用户信息以及所述至少一个待推荐信息输入到预先训练的预测模型中,得到所述用户在当前的业务意图下对各待推荐信息的点击率,所述预测模型通过模型训练的方法进行训练得到。
S303:根据所述用户在当前的业务意图下对各待推荐信息的点击率,对所述用户进行信息推荐。
业务平台对上述的预测模型进行训练后,可以通过该预测模型对用户进行信息推荐,具体的,业务平台在接收到用户发送的业务请求后,可以获取用户的用户信息,并确定至少一个待推荐信息。这里提到的业务平台接收到的业务请求,可以是指在用户需要查看业务平台推荐给其的信息时,向业务平台发送的业务请求。这里提到的待推荐信息可以是指待推荐短视频、待推荐商品信息等信息。
而后,业务平台可以将用户信息以及至少一个待推荐信息输入到预先训练的预测模型中,得到用户在当前的业务意图下对各待推荐信息的点击率。业务平台可以根据用户在当前的业务意图下对各待推荐信息的点击率,对该用户进行信息推荐。
其中,该预测模型通过上述模型训练的方法进行训练得到。业务平台可以通过预测出的点击率对各待推荐信息进行排序,从而根据该排序结果将各待推荐信息推荐给用户,也可以通过预测出的点击率筛选出一些待推荐信息,推荐给用户。通过该预测模型预测出的点击率,为用户进行信息推荐,能够使推荐给用户的推荐信息更加符合用户的业务意图。
依然以外卖场景为例,在外卖平台中向用户推荐短视频时,用户可能会因为需要下单外卖而浏览短视频,也可能仅是在闲暇时查看短视频,不需要进行外卖的下单,通过本方案,可以识别出用户是否是需要下单,若用户需要下单,则可以向用户推荐视频内容与外卖有关,视频时长较短或是能够直接通过短视频进入商家进行下单的短视频。而若是用户并不需要下单外卖,则可以向用户推荐视频时长较长的短视频、视频内容不需要与外卖相关的短视频等。
从上述方法中可以看出,业务平台通过本说明书提供的模型训练的方法对预测模型进行训练后,可以通过该预测模型进行信息推荐,在向用户进行信息推荐时,可以预测出在用户当前的业务意图下对各待推荐信息的点击率,也就是说,本方法能够根据用户的业务意图进行信息推荐,使推荐给用户的信息符合用户的业务意图,从而能够向用户进行更准确地信息推荐。
以上为本说明书的一个或多个实施例提供的模型训练和信息推荐的方法,基于同样的思路,本说明书还提供了相应的模型训练和信息推荐的装置,如图4或图5所示。
图4为本说明书提供的一种模型训练的装置的示意图,具体包括:
获取模块401,用于获取各训练样本;
输入模块402,用于针对每个训练样本,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向所述用户样本信息对应的用户推荐所述历史推荐信息时,所述用户对应的业务意图表征信息,以及所述用户针对所述历史推荐信息的预测点击率,所述业务意图表征信息用于表征在向所述用户推荐所述历史推荐信息时,所述用户的业务意图;
优化模块403,用于以最小化所述预测点击率与该训练样本中包含的第一标签之间的偏差,以及最小化所述业务意图表征信息与该训练样本中包含的第二标签之间的偏差为优化目标,对所述预测模型进行训练,所述第一标签用于表征所述用户针对所述历史推荐信息的实际点击情况,所述第二标签用于表征确定出的在向所述用户推荐所述历史推荐信息时,所述用户的实际业务意图。
可选地,所述各训练样本中包含有第一训练样本以及第二训练样本,所述第一训练样本包含有所述第一标签,所述第二训练样本包含有所述第一标签以及所述第二标签;所述预测模型中包含第一子预测模型、第二子预测模型以及意图判别模型;
所述装置还包括:
训练模块404,用于通过所述第二训练样本,对待训练的意图判别模型进行训练,得到训练后的所述意图判别模型,所述意图判别模型用于确定在向用户进行信息推荐时,用户对应的业务意图表征信息;根据训练后的所述意图判别模型、待训练的第一子预测模型以及待训练的第二子预测模型,构建所述预测模型。
可选地,所述装置还包括:
标签确定模块405,用于针对每个第一训练样本,将该第一训练样本输入到训练后的所述意图判别模型中,得到该第一训练样本包含的用户样本信息所对应的用户的业务意图表征信息,作为该第一训练样本对应的业务意图表征信息;根据该第一训练样本对应的业务意图表征信息,确定该第一训练样本对应的第二标签。
可选地,所述输入模块402具体用于,将所述用户样本信息以及所述历史推荐信息输入到所述第一子预测模型中,得到所述用户在第一业务意图的条件下对所述历史推荐信息的点击率,作为第一点击率,将所述用户样本信息以及所述历史推荐信息输入到所述第二子预测模型中,得到所述用户在第二业务意图的条件下对所述历史推荐信息的点击率,作为第二点击率,将所述用户样本信息以及所述历史推荐信息输入到所述意图判别模型中,得到业务意图表征信息,所述第一业务意图与所述第二业务意图不同;根据所述第一点击率、所述第二点击率以及所述业务意图表征信息,确定所述用户针对所述历史推荐信息的预测点击率。
可选地,所述优化模块403具体用于,确定所述预测模型的训练轮次N,N为正整数;确定所述第二标签在所述预测模型第N轮训练时所对应的损失权重,其中,训练轮次N越大,所述损失权重越大;确定所述预测点击率与所述第一标签之间的损失值,作为第一损失,确定所述业务意图表征信息与所述第二标签之间的损失值,作为第二损失;确定所述第二损失与所述损失权重之间的加权和值,作为第三损失;根据所述第一损失以及所述第三损失,确定综合损失;以最小化所述综合损失为优化目标,对所述预测模型进行训练。
可选地,所述历史推荐信息包括:历史短视频。
图5为本说明书提供的一种模型训练的装置的示意图,具体包括:
获取模块501,用于接收用户发送的业务请求,并获取所述用户的用户信息,以及确定至少一个待推荐信息;
预测模块502,用于将所述用户信息以及所述至少一个待推荐信息输入到预先训练的预测模型中,得到所述用户在当前的业务意图下对各待推荐信息的点击率,所述预测模型通过模型训练的方法进行训练得到;
推荐模块503,用于根据所述用户在当前的业务意图下对各待推荐信息的点击率,对所述用户进行信息推荐。
可选地,所述待推荐信息包括:待推荐短视频。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1或图3所示的模型训练和信息推荐的方法。
本说明书还提供了图6所示的电子设备的示意结构图。如图6所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1或图3所述的模型训练和信息推荐的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (12)
1.一种模型训练的方法,其特征在于,包括:
获取各训练样本;
针对每个训练样本,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向所述用户样本信息对应的用户推荐所述历史推荐信息时,所述用户对应的业务意图表征信息,以及所述用户针对所述历史推荐信息的预测点击率,所述业务意图表征信息用于表征在向所述用户推荐所述历史推荐信息时,所述用户的业务意图;
以最小化所述预测点击率与该训练样本中包含的第一标签之间的偏差,以及最小化所述业务意图表征信息与该训练样本中包含的第二标签之间的偏差为优化目标,对所述预测模型进行训练,所述第一标签用于表征所述用户针对所述历史推荐信息的实际点击情况,所述第二标签用于表征确定出的在向所述用户推荐所述历史推荐信息时,所述用户的实际业务意图。
2.如权利要求1所述的方法,其特征在于,所述各训练样本中包含有第一训练样本以及第二训练样本,所述第一训练样本包含有所述第一标签,所述第二训练样本包含有所述第一标签以及所述第二标签;所述预测模型中包含第一子预测模型、第二子预测模型以及意图判别模型;
针对每个训练样本,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型之前,所述方法还包括:
通过所述第二训练样本,对待训练的意图判别模型进行训练,得到训练后的所述意图判别模型,所述意图判别模型用于确定在向用户进行信息推荐时,用户对应的业务意图表征信息;
根据训练后的所述意图判别模型、待训练的第一子预测模型以及待训练的第二子预测模型,构建所述预测模型。
3.如权利要求2所述的方法,其特征在于,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向所述用户样本信息对应的用户推荐所述历史推荐信息时,所述用户对应的业务意图表征信息,以及所述用户针对所述历史推荐信息的预测点击率之前,所述方法还包括:
针对每个第一训练样本,将该第一训练样本输入到训练后的所述意图判别模型中,得到该第一训练样本包含的用户样本信息所对应的用户的业务意图表征信息,作为该第一训练样本对应的业务意图表征信息;
根据该第一训练样本对应的业务意图表征信息,确定该第一训练样本对应的第二标签。
4.如权利要求2所述的方法,其特征在于,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向所述用户样本信息对应的用户推荐所述历史推荐信息时,所述用户对应的业务意图表征信息,以及所述用户针对所述历史推荐信息的预测点击率,具体包括:
将所述用户样本信息以及所述历史推荐信息输入到所述第一子预测模型中,得到所述用户在第一业务意图的条件下对所述历史推荐信息的点击率,作为第一点击率,将所述用户样本信息以及所述历史推荐信息输入到所述第二子预测模型中,得到所述用户在第二业务意图的条件下对所述历史推荐信息的点击率,作为第二点击率,将所述用户样本信息以及所述历史推荐信息输入到所述意图判别模型中,得到业务意图表征信息,所述第一业务意图与所述第二业务意图不同;
根据所述第一点击率、所述第二点击率以及所述业务意图表征信息,确定所述用户针对所述历史推荐信息的预测点击率。
5.如权利要求1所述的方法,其特征在于,以最小化所述预测点击率与该训练样本中包含的第一标签之间的偏差,以及最小化所述业务意图表征信息与该训练样本中包含的第二标签之间的偏差为优化目标,对所述预测模型进行训练,具体包括:
确定所述预测模型的训练轮次N,N为正整数;
确定所述第二标签在所述预测模型第N轮训练时所对应的损失权重,其中,训练轮次N越大,所述损失权重越大;
确定所述预测点击率与所述第一标签之间的损失值,作为第一损失,确定所述业务意图表征信息与所述第二标签之间的损失值,作为第二损失;
确定所述第二损失与所述损失权重之间的加权和值,作为第三损失;
根据所述第一损失以及所述第三损失,确定综合损失;
以最小化所述综合损失为优化目标,对所述预测模型进行训练。
6.如权利要求1~5任一项所述的方法,其特征在于,所述历史推荐信息包括:历史短视频。
7.一种信息推荐的方法,其特征在于,包括:
接收用户发送的业务请求,并获取所述用户的用户信息,以及确定至少一个待推荐信息;
将所述用户信息以及所述至少一个待推荐信息输入到预先训练的预测模型中,得到所述用户在当前的业务意图下对各待推荐信息的点击率,所述预测模型通过权利要求1~6任一项所述的方法进行训练得到;
根据所述用户在当前的业务意图下对各待推荐信息的点击率,对所述用户进行信息推荐。
8.如权利要求7所述的方法,其特征在于,所述待推荐信息包括:待推荐短视频。
9.一种模型训练的装置,其特征在于,包括:
获取模块,用于获取各训练样本;
输入模块,用于针对每个训练样本,将该训练样本中包含的用户样本信息以及历史推荐信息输入到待训练的预测模型中,确定在向所述用户样本信息对应的用户推荐所述历史推荐信息时,所述用户对应的业务意图表征信息,以及所述用户针对所述历史推荐信息的预测点击率,所述业务意图表征信息用于表征在向所述用户推荐所述历史推荐信息时,所述用户的业务意图;
优化模块,用于以最小化所述预测点击率与该训练样本中包含的第一标签之间的偏差,以及最小化所述业务意图表征信息与该训练样本中包含的第二标签之间的偏差为优化目标,对所述预测模型进行训练,所述第一标签用于表征所述用户针对所述历史推荐信息的实际点击情况,所述第二标签用于表征确定出的在向所述用户推荐所述历史推荐信息时,所述用户的实际业务意图。
10.一种信息推荐的装置,其特征在于,包括:
获取模块,用于接收用户发送的业务请求,并获取所述用户的用户信息,以及确定至少一个待推荐信息;
预测模块,用于将所述用户信息以及所述至少一个待推荐信息输入到预先训练的预测模型中,得到所述用户在当前的业务意图下对各待推荐信息的点击率,所述预测模型通过权利要求1~6任一项所述的方法进行训练得到;
推荐模块,用于根据所述用户在当前的业务意图下对各待推荐信息的点击率,对所述用户进行信息推荐。
11.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~6或7~8任一项所述的方法。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~6或7~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110337990.8A CN112966186A (zh) | 2021-03-30 | 2021-03-30 | 一种模型训练和信息推荐的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110337990.8A CN112966186A (zh) | 2021-03-30 | 2021-03-30 | 一种模型训练和信息推荐的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966186A true CN112966186A (zh) | 2021-06-15 |
Family
ID=76279585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110337990.8A Pending CN112966186A (zh) | 2021-03-30 | 2021-03-30 | 一种模型训练和信息推荐的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966186A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343131A (zh) * | 2021-06-30 | 2021-09-03 | 北京三快在线科技有限公司 | 一种模型训练的方法、信息展示的方法及装置 |
CN113360770A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 内容推荐的方法、装置、设备以及存储介质 |
CN113722588B (zh) * | 2021-08-12 | 2023-09-05 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置及电子设备 |
CN116800831A (zh) * | 2023-06-25 | 2023-09-22 | 中国农业银行股份有限公司北京市分行 | 一种业务数据推送方法、装置、存储介质及处理器 |
CN117786417A (zh) * | 2024-02-28 | 2024-03-29 | 之江实验室 | 一种模型训练方法、瞬变源的识别方法、装置及电子设备 |
CN117854714A (zh) * | 2024-03-07 | 2024-04-09 | 之江实验室 | 一种基于眼动追踪的信息推荐方法以及装置 |
-
2021
- 2021-03-30 CN CN202110337990.8A patent/CN112966186A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343131A (zh) * | 2021-06-30 | 2021-09-03 | 北京三快在线科技有限公司 | 一种模型训练的方法、信息展示的方法及装置 |
CN113360770A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 内容推荐的方法、装置、设备以及存储介质 |
CN113343131B (zh) * | 2021-06-30 | 2022-08-26 | 北京三快在线科技有限公司 | 一种模型训练的方法、信息展示的方法及装置 |
CN113360770B (zh) * | 2021-06-30 | 2024-04-12 | 北京百度网讯科技有限公司 | 内容推荐的方法、装置、设备以及存储介质 |
CN113722588B (zh) * | 2021-08-12 | 2023-09-05 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置及电子设备 |
CN116800831A (zh) * | 2023-06-25 | 2023-09-22 | 中国农业银行股份有限公司北京市分行 | 一种业务数据推送方法、装置、存储介质及处理器 |
CN117786417A (zh) * | 2024-02-28 | 2024-03-29 | 之江实验室 | 一种模型训练方法、瞬变源的识别方法、装置及电子设备 |
CN117786417B (zh) * | 2024-02-28 | 2024-05-10 | 之江实验室 | 一种模型训练方法、瞬变源的识别方法、装置及电子设备 |
CN117854714A (zh) * | 2024-03-07 | 2024-04-09 | 之江实验室 | 一种基于眼动追踪的信息推荐方法以及装置 |
CN117854714B (zh) * | 2024-03-07 | 2024-05-24 | 之江实验室 | 一种基于眼动追踪的信息推荐方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966186A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN114202370A (zh) | 一种信息推荐方法和装置 | |
CN107506367B (zh) | 确定应用展示内容的方法、装置及服务器 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN113641896A (zh) | 一种模型训练以及推荐概率预测方法及装置 | |
CN110599307A (zh) | 一种商品推荐的方法及装置 | |
CN112733024A (zh) | 一种信息推荐的方法及装置 | |
CN111191132B (zh) | 一种信息推荐方法、装置及电子设备 | |
CN110866178B (zh) | 一种数据处理方法、装置和机器可读介质 | |
CN114298735A (zh) | 一种模型训练的方法、信息推送的方法及装置 | |
CN112966577B (zh) | 一种模型训练以及信息提供的方法及装置 | |
CN113010562B (zh) | 一种信息推荐的方法以及装置 | |
CN113010809A (zh) | 一种信息推荐的方法及装置 | |
CN110033383B (zh) | 一种数据处理方法、设备、介质以及装置 | |
CN113343085B (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN114996570A (zh) | 一种信息推荐的方法及装置 | |
CN114997907A (zh) | 一种预测模型的训练方法、信息推荐的方法及装置 | |
CN114860967A (zh) | 一种模型训练的方法、信息推荐的方法以及装置 | |
CN114331602A (zh) | 一种基于迁移学习的模型训练方法、信息推荐方法及装置 | |
CN114119139A (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN115545353A (zh) | 一种业务风控的方法、装置、存储介质及电子设备 | |
CN112966187A (zh) | 一种信息推荐的方法及装置 | |
CN112862133A (zh) | 订单处理的方法、装置、可读存储介质及电子设备 | |
CN113010563A (zh) | 一种模型训练和信息推荐的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |