CN115048577A - 一种模型训练方法、装置、设备及存储介质 - Google Patents

Abstract

本说明书公开了一种模型训练方法、装置、设备及存储介质，基于第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度，从第一训练样本中选择目标训练样本，根据目标训练样本以及目标训练样本对应的实际推荐效果表征值，训练待训练的目标业务类型对应的信息推荐模型。可见，基于适配度将从指定业务类型的历史页面中获取的第一训练样本作为训练目标业务类型对应的信息推荐模型的训练样本，实现了从指定业务类型到目标业务类型的样本迁移，即使从目标业务类型的历史页面中获取的用户历史行为较少，也可以基于指定业务类型的历史页面中获取的用户历史行为训练目标业务类型对应的信息推荐模型，进而提高指定业务类型的页面的推荐效果。

Description

一种模型训练方法、装置、设备及存储介质

技术领域

本说明书涉及计算机技术领域，尤其涉及一种模型训练方法、装置、设备及存储介质。

背景技术

用户通过终端浏览业务平台的信息时，业务平台会将包含有广告以及各推荐信息的推荐列表展示给用户，即，将广告和各推荐信息以混排方式向用户展示。提升广告以及各推荐信息排序的合理性有助于提高推荐***的推荐效果。

现有技术中，用于排序广告以及各推荐信息的信息推荐模型通常以用户的历史行为为基础分析用户的偏好，将符合用户偏好的广告和推荐信息排序靠前，以达到提高推荐效果的目的。

然而，为满足用户的不同需求，现有的业务平台中往往会为用户提供多种不同业务类型的展示页面，这就导致某些业务类型的展示页面的访问量较少，获取到的用户的历史行为也较少，不足以支持训练出符合用户偏好的该业务类型的信息推荐模型，导致推荐效果的降低。

发明内容

本说明书提供一种模型训练方法及装置，以部分的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方法，包括：

获取指定业务类型的历史页面包含的历史推荐信息作为第一训练样本；

根据所述第一训练样本，确定所述第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度；

根据所述适配度以及所述第一训练样本，确定目标训练样本；

根据用户针对所述指定业务类型的历史页面包含的所述目标训练样本的操作结果，确定所述目标训练样本的实际推荐效果表征值；

将所述目标训练样本输入到待训练的目标业务类型对应的信息推荐模型中，得到所述待训练的目标业务类型对应的信息推荐模型输出的所述目标训练样本的第一预测推荐效果表征值，以所述目标训练样本的第一预测推荐效果表征值与实际推荐效果表征值之间差异的最小化为训练目标训练所述待训练的目标业务类型对应的信息推荐模型。

可选地，根据所述第一训练样本，确定所述第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度，具体包括：

针对每个第一训练样本，分别确定该第一训练样本的指定奖励分布以及该第一训练样本的目标奖励分布；所述指定奖励分布用于表征所述用户针对所述指定业务类型的若干历史页面中包含的第一训练样本的操作结果；所述目标奖励分布用于表征所述用户针对所述目标业务类型的若干历史页面中包含的第一训练样本的操作结果；

根据该第一训练样本的目标奖励分布以及该第一训练样本的指定奖励分布，确定该第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度。

可选地，针对每个第一训练样本，确定该第一训练样本的指定奖励分布，具体包括：

将该第一训练样本作为输入，输入所述指定业务类型对应的若干预先训练的奖励确定模型，得到所述指定业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的指定奖励；

根据所述指定业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的指定奖励，确定该第一训练样本的指定奖励分布。

可选地，针对每个第一训练样本，确定该第一训练样本的目标奖励分布，具体包括：

将该第一训练样本作为输入，输入所述目标业务类型对应的若干预先训练的奖励确定模型，得到所述目标业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的目标奖励；

根据所述目标业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的目标奖励，确定该第一训练样本的目标奖励分布。

可选地，根据所述适配度以及所述第一训练样本，确定目标训练样本，具体包括：

获取目标业务类型的历史页面包含的历史推荐信息作为第二训练样本；

将所述第二训练样本以及所述适配度高于预设适配度阈值的各第一训练样本作为目标训练样本。

可选地，以所述目标训练样本的第一预测推荐效果表征值与实际推荐效果表征值之间差异的最小化为训练目标训练所述目标业务类型对应的信息推荐模型之前，所述方法还包括：

将所述目标训练样本输入预先训练的指定业务类型对应的信息推荐模型中，得到所述指定业务类型对应的信息推荐模型输出的所述目标训练样本对应的第二预测推荐效果表征值；

以所述目标训练样本的第一预测推荐效果表征值与实际推荐效果表征值之间差异的最小化为训练目标训练所述目标业务类型对应的信息推荐模型，具体包括：

根据所述第一预测推荐效果表征值、所述第二预测推荐效果表征值以及所述实际推荐效果表征值确定总损失；

以所述总损失最小化为训练目标，训练所述待训练的目标业务类型对应的信息推荐模型。

可选地，根据所述第一预测推荐效果表征值、所述第二预测推荐效果表征值以及所述实际推荐效果表征值确定总损失，具体包括：

根据所述第一预测推荐效果表征值与所述第二预测推荐效果表征值之间的差异确定第一损失；

根据所述实际预测推荐效果表征值与所述第一预测推荐效果表征值之间的差异确定第二损失；

根据所述适配度，确定所述第一损失对应的权重；

根据所述第一损失、所述第一损失对应的权重以及所述第二损失，确定总损失。

本说明书提供了一种模型训练装置，包括：

第一训练样本获取模块，用于获取指定业务类型的历史页面包含的历史推荐信息作为第一训练样本；

适配度确定模块，用于根据所述第一训练样本，确定所述第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度；

目标训练样本确定模块，用于根据所述适配度以及所述第一训练样本，确定目标训练样本；

实际推荐效果表征值确定模块，用于根据用户针对所述指定业务类型的历史页面包含的所述目标训练样本的操作结果，确定所述目标训练样本的实际推荐效果表征值；

训练模块，用于将所述目标训练样本输入到待训练的目标业务类型对应的信息推荐模型中，得到所述待训练的目标业务类型对应的信息推荐模型输出的所述目标训练样本的第一预测推荐效果表征值，以所述目标训练样本的第一预测推荐效果表征值与实际推荐效果表征值之间差异的最小化为训练目标训练所述待训练的目标业务类型对应的信息推荐模型。

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：

本方法基于第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度，从第一训练样本中选择目标训练样本，根据目标训练样本以及目标训练样本对应的实际推荐效果表征值，训练待训练的目标业务类型对应的信息推荐模型。可见，本方法基于确定出的适配度，将从指定业务类型的历史页面中获取的第一训练样本作为训练目标业务类型对应的信息推荐模型的训练样本，实现了从指定业务类型到目标业务类型的样本迁移，即使从目标业务类型的展示页面中获取的用户的历史行为较少，也可以基于指定业务类型的展示页面中获取的用户的历史行为训练目标业务类型对应的信息推荐模型，进而提高指定业务类型的展示页面的推荐效果。

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1A为本说明书中一种展示页面的示意图；

图1B为本说明书中一种展示页面的示意图；

图2为本说明书中一种模型训练方法的流程示意图；

图3为本说明书中一种模型训练方法的流程示意图；

图4为本说明书提供的一种模型训练装置的示意图；

图5为本说明书提供的对应于图2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。

另外，需要说明的是，本发明中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

随着新零售行业的蓬勃发展，越来越多的商家为了宣传商品，在线上业务平台上投放商品的广告。为满足用户的不同需求，现有的业务平台中往往会为用户提供多种业务类型的展示页面，这就导致用户在通过终端浏览业务平台的页面时，业务平台不仅会根据所提供的不同业务类型为用户自动推荐的自然结果，也会提供属于同一业务类型的广告。通过分析和挖掘用户的偏好，并以此对广告与自然结果进行排序，能够提高推荐***的推荐效果。将广告与自然结果的排序方式如下：信息推荐模型的输入是两个已经排序好的队列，即，广告队列以及自然结果队列，信息推荐模型的输出将上述两个队列混合成一个序列，但并不改变这两个队列内部的顺序。

通常情况下，业务平台可以在初始页面上展示多种不同的业务类型，如图1A所示，每种业务类型对应于业务平台为用户提供该种业务类型的服务，用户点击感兴趣的业务类型，即可进入该种业务类型的展示页面，该种业务类型的展示页面用于展示可以为用户提供该种业务类型的服务的各推荐信息，例如，用户点击了初始页面中的业务类型A，页面会跳转到提供业务类型A的服务的业务类型A对应的展示页面，如图1B所示，推荐信息1～5可以为用户提供业务类型A的服务。

可见，业务平台设置不同的业务类型对应的展示页面的目的是更有针对性的为用户提供用户希望获得的服务，然而，在实际应用场景中，不同业务类型的展示页面之间的访问量的差别十分巨大，这就导致有些业务类型对应的展示页面的访问量可能较低，能够获取到的用户的历史行为也较少，如点击、下单、收藏等。进而会导致无法更好的分析和挖掘出用户的偏好，降低了推荐***的推荐效果。

针对上述问题，本申请说明书实施例提供了一种基于迁移学习的信息推荐模型的训练方法，将访问量较高的业务类型对应的展示页面中获取到的用户的历史行为数据，作为用于分析用户针对访问量较低的业务类型对应的服务的偏好的历史行为数据，通过解决访问量较低的业务类型对应的历史页面中获取到的历史行为数据量的不足的问题，以支持训练出符合用户偏好的该业务类型的信息推荐模型。

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2为本说明书中一种模型训练方法的流程示意图，具体包括以下步骤：

S100：获取指定业务类型的历史页面包含的历史推荐信息作为第一训练样本。

一般的，业务平台可通过信息推荐模型为各待推荐信息确定推荐顺序，并将按推荐顺序将各待推荐信息排序后展示给用户。本说明书实施例中提供一种训练目标业务类型对应的信息推荐模型的方法，可由用于训练模型的服务器执行该信息推荐模型的训练过程。

其中，指定业务类型的页面用于展示为用户提供指定业务类型的服务的各推荐信息，目标业务类型的页面用于展示为用户提供目标业务类型的服务的各推荐信息。

本申请说明书实施例采用的基于迁移学习的训练信息推荐模型的方法中，由于指定业务类型的历史页面中获取到用户针对各历史推荐信息的历史行为数据量较大，目标业务类型的历史页面中获取到用户针对各历史推荐信息的历史行为数据量较小，因此，利用指定业务类型的展示页面提供的指定业务类型对应的服务，与目标业务类型的展示页面提供的目标业务类型的服务之间的相似性，将从指定业务类型的历史页面中获取到的第一训练样本应用到训练用于为提供目标业务类型服务的各待推荐信息的排序的信息推荐模型的过程中。第一训练样本可包括指定业务类型的历史页面中包含的各历史推荐信息，各历史推荐信息可以是未经过排序的，也可以是按照一定的排序顺序进行排序的，其中，各历史推荐信息的排序顺序可以是通过预先训练的指定业务类型的信息推荐模型确定的。可选地，第一训练样本中还可以包括用户特征，如用户年龄、性别、所处地理位置等能够体现用户属性的特征，还可以包括上下文特征，如用户浏览指定业务类型的历史页面的时间、浏览时长等统计特征信息。

其中，指定业务类型与目标业务类型之间的关系可以是上下级的关系，如美食类型和甜点类型，也可以是属于同一个业务类型大类之下的同级别的业务类型，如同属于美食类型的甜点类型和快餐类型，还可以是分属不同业务类型大类的业务类型，如酒店类型中的民宿类型和旅游类型中的展览类型。指定业务类型与目标业务类型的之间的关系以及两者的具体类型可依据具体应用场景确定，本说明书实施例中对此不做限定。

另外，将指定业务类型的历史页面中获取到的第一训练样本用于训练目标业务类型的信息推荐模型的迁移学习方式中，可以选取多个指定业务类型，分别从每个指定业务类型的历史页面中获取第一训练样本，在本说明书实施例中，仅以一个指定业务类型为例，对具体的方案进行阐述。

S102：根据所述第一训练样本，确定所述第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度。

在实际应用中，利用指定业务类型的历史页面中获取到的第一训练样本直接训练目标业务类型的信息推荐模型可能会出现负迁移的情况。所谓的负迁移指的是第一训练样本中的部分训练样本对目标业务类型的信息推荐模型的训练产生的负面作用，这种负面作用会导致训练后的目标业务类型对应的信息推荐模型的推荐效果远离用户对目标业务类型的服务的偏好，因此，确定所述第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度，并依据确定出的适配度将可能会导致负迁移的训练样本剔除，使得训练后的目标业务类型对应的信息推荐模型更符合用户的偏好。

S104：根据所述适配度以及所述第一训练样本，确定目标训练样本。

通常情况下，业务平台为用户推荐符合用户偏好的推荐信息时是基于用户的历史行为数据分析和挖掘用户的偏好的，但在某些冷启动场景中，需要在不存在用户针对该场景的推荐信息的历史行为数据的前提下，分析用户的兴趣，为用户提供个性化的推荐服务。此处的冷启动场景一般指的是业务类型的冷启动，例如，业务平台新增了业务类型B的服务，显然，业务平台从未向用户曝光过业务类型B的展示页面，因此不存在用户针对业务类型B的展示页面中包含的推荐信息的历史操作结果，从而导致无法针对性的分析用户针对业务类型B的展示页面中包含的推荐信息的用户偏好。

针对冷启动场景，在此步骤中，可以利用预先设定的适配度阈值，选择适配度高于预设的适配度阈值的第一训练样本作为目标训练样本，即可实现利用指定业务类型的历史页面中获取到的符合适配度条件的第一训练样本，训练目标业务类型对应的信息推荐模型的目的。

针对上述步骤S100所述的目标业务类型的历史页面中获取到用户针对各历史推荐信息的历史行为数据量较小的场景，在此步骤中，还可以是将目标业务类型的历史页面中包含的各历史推荐信息作为第二训练样本，与根据适配度筛选出的第一训练样本共同作为目标训练样本。这是由于尽管从目标业务类型对应的历史页面中获取到的历史行为数据量较少，不足以支持训练处目标业务类型对应的信息推荐模型，但第二训练样本是从目标业务类型的历史页面中获取到的，显然第二训练样本用于训练目标业务类型对应的信息推荐模型的适配度较高，将第二训练样本与筛选出的第一训练样本混合作为目标训练样本用于训练目标业务类型对应的信息推荐模型不仅增加的样本量，还能够更贴近用户的实际偏好，提高推荐效果。

S106：根据用户针对所述指定业务类型的历史页面包含的所述目标训练样本的操作结果，确定所述目标训练样本的实际推荐效果表征值。

在此步骤中，确定出的目标训练样本的实际推荐效果表征值也可以视为是目标训练样本的标注，业务平台为用户提供多种业务类型的服务的信息推荐的目的在于将用户偏好的推荐信息排在推荐序列的靠前位置，以期用户对该推荐信息采取点击等操作。在不同的应用场景中，目标训练样本的实际推荐效果表征值可以是用户历史时段内针对指定业务类型的历史页面包含的所述目标训练样本的点击率、转化率等多种形式。例如，向用户曝光包含历史推荐信息1～5的历史页面的曝光次数为5次，用户在5次曝光中点击了历史推荐信息1的次数为4次，即，点击率为0.8，可以将确定出的0.8的点击率作为历史推荐信息1的实际推荐效果表征值。

可选地，当目标训练样本中包含从目标业务类型的历史页面中获取到的第二训练样本时，目标训练样本对应的实际推荐效果表征值还可以根据用户针对目标业务类型的历史页面中包含的所述目标训练样本的操作结果确定。

S108：将所述目标训练样本输入到待训练的目标业务类型对应的信息推荐模型中，得到所述待训练的目标业务类型对应的信息推荐模型输出的所述目标训练样本的第一预测推荐效果表征值，以所述目标训练样本的第一预测推荐效果表征值与实际推荐效果表征值之间差异的最小化为训练目标训练所述待训练的目标业务类型对应的信息推荐模型。

在实际应用中，在确定了目标训练样本及其实际推荐效果表征值后，用于训练信息推荐模型的服务器会根据目标训练样本及其实际推荐效果表征值，以模型输出的第一预测推荐效果表征值与目标训练样本的实际推荐效果表征值之间的差异的最小化训练目标业务类型对应的信息推荐模型，也即，在指定业务类型与目标业务类型相似的情况下，使得目标业务类型对应的信息推荐模型的推荐效果符合指定业务类型中用户的偏好。

上述图2所示的模型训练方法中，基于第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度，从第一训练样本中选择目标训练样本，根据目标训练样本以及目标训练样本对应的实际推荐效果表征值，训练待训练的目标业务类型对应的信息推荐模型。可见，基于适配度将从指定业务类型的历史页面中获取的第一训练样本作为训练目标业务类型对应的信息推荐模型的训练样本，实现了从指定业务类型到目标业务类型的样本迁移，即使从目标业务类型的历史页面中获取的用户历史行为较少，也可以基于指定业务类型的历史页面中获取的用户历史行为训练目标业务类型对应的信息推荐模型，进而提高指定业务类型的页面的推荐效果。

本说明书实施例中，如图2步骤S102所示的根据所述第一训练样本，确定所述第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度时，可以将待训练的目标业务类型的信息推荐模型建模为马尔可夫决策过程(Markov Decision Process，MDP)，通常情况下，基于当前各待推荐信息(状态)确定各待推荐信息组成的推荐序列(动作)，将包含排序后的各待推荐信息的展示页面曝光给用户，根据用户针对包含排序后的各待推荐信息的展示页面的操作结果(奖励)调整各待推荐信息的排序方式(策略)，以期最终获得最大的奖励。其中，上述过程中的奖励可以根据用户的不同的操作结果，结合奖励函数确定，例如，奖励函数是结合业务平台收入中平台佣金以及广告计费两个方面，平台佣金与转化率有关，即用户针对展示页面中的推荐信息采取了下单操作，广告计费与曝光次数、点击率、转化率等有关，如按展示计费(Cost Per Mille，CPM)方式、按点击计费(Cost Per Click，CPC)方式、按销售计费(Cost Per Sales，CPS)方式等。

可选地，奖励也可以以回报的形式体现，回报通常指的是累计奖励，具体到本案，可以指的是用户针对指定业务类型的多个历史页面中包含的各历史推荐信息的操作结果的总和，目标业务类型同理。另外，在确定回报时还存在折扣回报的情况，折扣回报是将未来可能获得的奖励做折扣，对越久远的未来奖励，折扣率越小，由于回报是折扣率为1的情况，在本说明书实施例中用回报指代折扣回报。

目前常规的确定奖励的方法是对奖励进行建模得到价值函数，并确定价值函数的期望值作为未来奖励的上限，即未来的奖励不会超越价值函数的期望值。具体到本案，将包含历史推荐信息的历史页面曝光一次作为一个决策步，通过N个决策步中用户的历史操作结果确定的N步回报值(N-step Return，NSR)函数的期望值判断指定业务类型的服务与目标业务类型的服务的相似度。但在此过程中，由于根据各待推荐信息确定各待推荐信息的排序顺序时具有随机性，这也就导致了N步回报值函数本身同样具有随机性，仅用NSR期望值评估第一训练样本是否能够用于训练目标业务类型对应的信息推荐模型的方式丢失了完整的NSR随机分布信息，可能会出现由于适配度确定的不合理导致目标训练样本确定的不合理。

基于此，本申请说明书实施例中提供了一种基于NSR分布的适配度确定方式，为了确定获取到的第一训练样本是否适用于训练目标业务类型对应的信息推荐模型，针对每个第一训练样本，分别确定该第一训练样本的指定奖励分布以及该第一训练样本的目标奖励分布，进而根据该第一训练样本的指定奖励分布以及目标奖励分布确定适配度，其中，指定奖励分布用于表征所述用户针对所述指定业务类型的若干历史页面中包含的第一训练样本的操作结果，目标奖励分布用于表征所述用户针对所述目标业务类型的若干历史页面中包含的第一训练样本的操作结果。如图3所示，具体包括以下步骤：

S200：针对每个第一训练样本，将该第一训练样本作为输入，输入所述指定业务类型对应的若干预先训练的奖励确定模型，得到所述指定业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的指定奖励。

在本说明书实施例中，采用集成学习的思想，利用指定业务类型对应的若干个奖励确定模型输出的该第一训练样本的指定奖励，确定该第一训练样本的指定奖励分布。其中，预先训练的指定业务类型对应的奖励确定模型即为确定指定业务类型的NSR的模型，其是根据从指定业务类型的历史页面中获取到的各历史推荐信息，以及用户针对指定业务类型的历史页面中各历史推荐信息的历史操作结果训练的。

S202：根据所述指定业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的指定奖励，确定该第一训练样本的指定奖励分布。

一般的，根据指定业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的指定奖励，计算该第一训练样本对应的各指定奖励的均值和方差，进而得到该第一训练样本的指定奖励分布。

S204：将该第一训练样本作为输入，输入所述目标业务类型对应的若干预先训练的奖励确定模型，得到所述目标业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的目标奖励。

在此步骤中，预先训练的目标业务类型对应的奖励确定模型即为确定目标业务类型的NSR的模型，其是根据从目标业务类型的历史页面中获取到的各历史推荐信息，以及用户针对目标业务类型的历史页面中各历史推荐信息的历史操作结果训练的。确定第一训练样本的目标奖励的方式与步骤S200类似，此处不再赘述。

S206：根据所述目标业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的目标奖励，确定该第一训练样本的目标奖励分布。

在此步骤中，确定第一训练样本的目标奖励分布的方式与步骤S202类似，此处不再赘述。

S208：根据该第一训练样本的目标奖励分布以及该第一训练样本的指定奖励分布，确定该第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度。

在本说明书实施例中，该第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度可以定义为该第一训练样本的目标奖励分布与该第一训练样本的指定奖励分布的相似程度，也即，用户针对指定业务类型的历史页面中包含的该第一训练样本的操作结果类似于用户针对目标业务类型的历史页面中包含的该第一训练样本的操作结果，即可认为该第一训练样本适用于训练目标业务类型对应的信息推荐模型。

该第一训练样本的目标奖励分布与该第一训练样本的指定奖励分布的相似程度可用欧式距离、海林格距离、相对熵等现有的计算分布函数相似度的计算方法进行计算。以相对熵的计算方式为例，该第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度的计算公式如下：

ω＝1-KL(p_S||p_T)

其中，ω是该第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度，p_T是该第一训练样本的目标奖励分布，p_S该第一训练样本的指定奖励分布。

本说明书实施例中，如图2步骤S108所示的以模型输出的第一预测推荐效果表征值与目标训练样本的实际推荐效果表征值之间的差异的最小化训练目标业务类型对应的信息推荐模型的训练过程中，除了将从指定业务类型的历史页面中获取到的目标训练样本及其实际推荐效果表征值，迁移到目标业务类型的信息推荐模型的训练过程中之外，还可以利用预先训练好的指定业务类型的信息推荐模型，训练目标业务类型的信息推荐模型，具体包括以下步骤：

首先，将所述目标训练样本输入预先训练的指定业务类型对应的信息推荐模型中，得到所述指定业务类型对应的信息推荐模型输出的所述目标训练样本对应的第二预测推荐效果表征值。

在此步骤中，由于指定业务类型对应的信息推荐模型是预先利用第一训练样本以及用户针对指定业务类型对应的历史页面包含的第一训练样本的历史操作结果训练好的，因此可以利用输出目标训练样本对应的第二预测推荐效果表征值指导目标业务类型对应的信息推荐模型的训练。

可选地，为了使第二预测推荐效果表征值更能够体现用户的偏好，针对每个目标训练样本，将该目标训练样本输入指定业务类型对应的信息推荐模型，得到该目标训练样本对应的第二预测推荐效果表征值，从各目标训练样本中选择第二预测推荐效果表征值较大的若干个，作为实际训练目标业务类型对应的信息推荐模型的训练样本，避免过估计。

其次，根据所述第一预测推荐效果表征值与所述第二预测推荐效果表征值之间的差异确定第一损失，根据所述实际预测推荐效果表征值与所述第一预测推荐效果表征值之间的差异确定第二损失，根据所述适配度，确定所述第一损失对应的权重，根据所述第一损失、所述第一损失对应的权重以及所述第二损失，确定总损失。

其中，第一损失表征了当前目标业务类型对应的信息推荐模型与预先训练的指定业务类型对应的信息推荐模型的相关性，以均方误差的计算方式计算第一损失为例，公式如下：

Loss₁＝(Q_S-Q_T)²

其中，loss₁表示第一损失，Q_T表示第一预测推荐效果表征值，Q_S表示第二预测推荐效果表征值。

第一损失对应的权重是根据适配度确定的，此处，适配度表征了指定业务类型的服务与目标业务类型的服务的相似度，适配度越大，预先训练的指定业务类型对应的信息推荐模型对目标业务类型对应的信息推荐模型的训练的指导性的越大。以第二损失表征了当前目标业务类型对应的信息推荐模型的推荐效果与用户偏好的符合度。需要说明的是，计算第一损失以及第二损失的的损失函数可以是现有损失函数的任意一种，可以根据具体应用场景确定，本申请说明书对此不做限定。

根据所述第一损失、所述第一损失对应的权重以及所述第二损失，确定总损失的公式如下，

Loss＝ωLoss₁+Loss₂

其中，Loss表示总损失，loss₁表示第一损失，loss₂表示第二损失，ω标识第一损失对应的权重。

可选地，第一损失对应的权重还可以通过将目标训练样本分别输入到指定业务类型对应的若干预先训练的奖励确定模型，以及目标业务类型对应的若干预先训练的奖励确定模型，得到目标训练样本对应的指定奖励分布以及目标奖励分布，进而根据目标样本对应的指定奖励分布以及目标奖励分布确定第一损失对应的权重，此时第一损失对应的权重仍可表征指定业务类型的服务与目标业务类型的服务的相似程度。

然后，以所述总损失最小化为训练目标，训练所述待训练的目标业务类型对应的信息推荐模型。

以所述总损失最小化为训练目标，既能够实现利用预先训练的指定业务类型对应的信息推荐模型指导目标业务类型对应的信息推荐模型的训练过程的目的，使得目标业务类型对应的信息推荐模型的推荐效果与指定业务类型的信息推荐模型的推荐效果近似，还可以实现目标业务类型对应的信息推荐模型更贴近用户偏好的目的。

可选地，在本说明书一个可选的实施例中，利用基于图2的模型训练方法训练的目标业务类型的信息推荐模型可以实现将为用户提供目标业务类型的服务的各待推荐信息进行排序，将排序后的推荐序列投放到目标业务类型的展示页面中，并曝光给用户，以使符合用户偏好的待推荐信息在推荐序列中排序靠前，提高目标业务类型的展示页面的推荐效果，具体步骤如下：

首先，获取到的各待推荐信息的特征作为输入特征。

在此在步骤中，各待推荐信息通常是可以为用户提供目标业务类型的服务的待推荐信息，如为用户提供目标业务类型的服务是超市外卖业务时，各待推荐信息可以是可以为用户提供超市外卖业务的各超市商户。此外，还可以获取用户特征、上下文特征，与各待推荐信息的特征共同作为输入特征。用户特征可包括用户年龄、性别、所处地理位置等能够体现用户属性的特征，上下文特征可包括用户浏览目标业务类型的历史页面的时间、浏览时长等统计特征信息。

可选地，各待推荐信息还可以是已经预先经过排序的广告队列和自然结果队列，其中，广告队列中包含的各广告是广告主通过业务平台投放到目标业务类型的展示页面中的，自然结果队列可以包含根据用户的历史搜索记录以及用户偏好自动为用户推荐的各自然结果。

其次，将所述输入特征输入到训练后的目标业务类型对应的信息推荐模型，得到所述训练后的目标业务类型对应的信息推荐模型输出的包含各推荐信息的推荐序列。

然后，将包含所述推荐序列的目标业务类型的展示页面返回给用户，以使用户针对目标业务类型的展示页面中包含的以所述推荐序列的顺序排序的各待推荐信息进行操作。

可见，基于适配度将从指定业务类型的历史页面中获取的第一训练样本作为训练目标业务类型对应的信息推荐模型的训练样本，实现了从指定业务类型到目标业务类型的样本迁移，并结合预先训练好的指定业务类型对应的信息推荐模型输出的第二预测推荐效果表征值，训练目标业务类型对应的信息推荐模型，即使从目标业务类型的历史页面中获取的用户历史行为较少，也可以基于指定业务类型的历史页面中获取的用户历史行为训练目标业务类型对应的信息推荐模型，进而提高指定业务类型的页面的推荐效果。

以上为本说明书的一个或多个实施例提供的模型训练方法，基于同样的思路，本说明书还提供了相应的模型训练装置，如图4所示。

图4为本说明书提供的一种模型训练装置示意图，具体包括：

第一训练样本获取模块300，用于获取指定业务类型的历史页面包含的历史推荐信息作为第一训练样本；

适配度确定模块302，用于根据所述第一训练样本，确定所述第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度；

目标训练样本确定模块304，用于根据所述适配度以及所述第一训练样本，确定目标训练样本；

实际推荐效果表征值确定模块306，用于根据用户针对所述指定业务类型的历史页面包含的所述目标训练样本的操作结果，确定所述目标训练样本的实际推荐效果表征值；

训练模块308，用于将所述目标训练样本输入到待训练的目标业务类型对应的信息推荐模型中，得到所述待训练的目标业务类型对应的信息推荐模型输出的所述目标训练样本的第一预测推荐效果表征值，以所述目标训练样本的第一预测推荐效果表征值与实际推荐效果表征值之间差异的最小化为训练目标训练所述待训练的目标业务类型对应的信息推荐模型。

可选地，所述适配度确定模块302具体用于，针对每个第一训练样本，分别确定该第一训练样本的指定奖励分布以及该第一训练样本的目标奖励分布；所述指定奖励分布用于表征所述用户针对所述指定业务类型的若干历史页面中包含的第一训练样本的操作结果；所述目标奖励分布用于表征所述用户针对所述目标业务类型的若干历史页面中包含的第一训练样本的操作结果；

根据该第一训练样本的目标奖励分布以及该第一训练样本的指定奖励分布，确定该第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度。

可选地，所述适配度确定模块302具体用于，将该第一训练样本作为输入，输入所述指定业务类型对应的若干预先训练的奖励确定模型，得到所述指定业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的指定奖励；

根据所述指定业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的指定奖励，确定该第一训练样本的指定奖励分布。

可选地，所述适配度确定模块302具体用于，将该第一训练样本作为输入，输入所述目标业务类型对应的若干预先训练的奖励确定模型，得到所述目标业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的目标奖励；

根据所述目标业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的目标奖励，确定该第一训练样本的目标奖励分布。

可选地，目标训练样本确定模块304具体用于，获取目标业务类型的历史页面包含的历史推荐信息作为第二训练样本；将所述第二训练样本以及所述适配度高于预设适配度阈值的各第一训练样本作为目标训练样本。

可选地，在所述训练模块308以所述目标训练样本的第一预测推荐效果表征值与实际推荐效果表征值之间差异的最小化为训练目标训练所述目标业务类型对应的信息推荐模型之前，所述训练模块308还用于将所述目标训练样本输入预先训练的指定业务类型对应的信息推荐模型中，得到所述指定业务类型对应的信息推荐模型输出的所述目标训练样本对应的第二预测推荐效果表征值；

可选地，所述训练模块308具体用于，根据所述第一预测推荐效果表征值、所述第二预测推荐效果表征值以及所述实际推荐效果表征值确定总损失；以所述总损失最小化为训练目标，训练所述待训练的目标业务类型对应的信息推荐模型。

可选地，所述训练模块308具体用于，根据所述第一预测推荐效果表征值与所述第二预测推荐效果表征值之间的差异确定第一损失；根据所述实际预测推荐效果表征值与所述第一预测推荐效果表征值之间的差异确定第二损失；根据所述适配度，确定所述第一损失对应的权重；根据所述第一损失、所述第一损失对应的权重以及所述第二损失，确定总损失。

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2提供的模型训练方法。

本说明书还提供了图5所示的电子设备的示意结构图。如图5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2所述的模型训练方法。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 (10)

1.一种模型训练方法，其特征在于，包括：

获取指定业务类型的历史页面包含的历史推荐信息作为第一训练样本；

根据所述第一训练样本，确定所述第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度；

根据所述适配度以及所述第一训练样本，确定目标训练样本；

根据用户针对所述指定业务类型的历史页面包含的所述目标训练样本的操作结果，确定所述目标训练样本的实际推荐效果表征值；

将所述目标训练样本输入到待训练的目标业务类型对应的信息推荐模型中，得到所述待训练的目标业务类型对应的信息推荐模型输出的所述目标训练样本的第一预测推荐效果表征值，以所述目标训练样本的第一预测推荐效果表征值与实际推荐效果表征值之间差异的最小化为训练目标，训练所述待训练的目标业务类型对应的信息推荐模型。

2.如权利要求1所述的方法，其特征在于，根据所述第一训练样本，确定所述第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度，具体包括：

针对每个第一训练样本，分别确定该第一训练样本的指定奖励分布以及该第一训练样本的目标奖励分布；所述指定奖励分布用于表征所述用户针对所述指定业务类型的若干历史页面中包含的第一训练样本的操作结果；所述目标奖励分布用于表征所述用户针对所述目标业务类型的若干历史页面中包含的第一训练样本的操作结果；

根据该第一训练样本的目标奖励分布以及该第一训练样本的指定奖励分布，确定该第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度。

3.如权利要求2所述的方法，其特征在于，针对每个第一训练样本，确定该第一训练样本的指定奖励分布，具体包括：

将该第一训练样本作为输入，输入所述指定业务类型对应的若干预先训练的奖励确定模型，得到所述指定业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的指定奖励；

根据所述指定业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的指定奖励，确定该第一训练样本的指定奖励分布。

4.如权利要求2所述的方法，其特征在于，针对每个第一训练样本，确定该第一训练样本的目标奖励分布，具体包括：

将该第一训练样本作为输入，输入所述目标业务类型对应的若干预先训练的奖励确定模型，得到所述目标业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的目标奖励；

根据所述目标业务类型对应的各预先训练的奖励确定模型输出的该第一训练样本的目标奖励，确定该第一训练样本的目标奖励分布。

5.如权利要求1所述的方法，其特征在于，根据所述适配度以及所述第一训练样本，确定目标训练样本，具体包括：

获取目标业务类型的历史页面包含的历史推荐信息作为第二训练样本；

将所述第二训练样本以及所述适配度高于预设适配度阈值的各第一训练样本作为目标训练样本。

6.如权利要求1所述的方法，其特征在于，以所述目标训练样本的第一预测推荐效果表征值与实际推荐效果表征值之间差异的最小化为训练目标训练所述目标业务类型对应的信息推荐模型之前，所述方法还包括：

将所述目标训练样本输入预先训练的指定业务类型对应的信息推荐模型中，得到所述指定业务类型对应的信息推荐模型输出的所述目标训练样本对应的第二预测推荐效果表征值；

以所述目标训练样本的第一预测推荐效果表征值与实际推荐效果表征值之间差异的最小化为训练目标训练所述目标业务类型对应的信息推荐模型，具体包括：

根据所述第一预测推荐效果表征值、所述第二预测推荐效果表征值以及所述实际推荐效果表征值确定总损失；

以所述总损失最小化为训练目标，训练所述待训练的目标业务类型对应的信息推荐模型。

7.如权利要求6所述的方法，其特征在于，根据所述第一预测推荐效果表征值、所述第二预测推荐效果表征值以及所述实际推荐效果表征值确定总损失，具体包括：

根据所述第一预测推荐效果表征值与所述第二预测推荐效果表征值之间的差异确定第一损失；

根据所述实际预测推荐效果表征值与所述第一预测推荐效果表征值之间的差异确定第二损失；

根据所述适配度，确定所述第一损失对应的权重；

根据所述第一损失、所述第一损失对应的权重以及所述第二损失，确定总损失。

8.一种模型训练装置，其特征在于，包括：

第一训练样本获取模块，用于获取指定业务类型的历史页面包含的历史推荐信息作为第一训练样本；

适配度确定模块，用于根据所述第一训练样本，确定所述第一训练样本用于训练目标业务类型对应的信息推荐模型的适配度；

目标训练样本确定模块，用于根据所述适配度以及所述第一训练样本，确定目标训练样本；

实际推荐效果表征值确定模块，用于根据用户针对所述指定业务类型的历史页面包含的所述目标训练样本的操作结果，确定所述目标训练样本的实际推荐效果表征值；

训练模块，用于将所述目标训练样本输入到待训练的目标业务类型对应的信息推荐模型中，得到所述待训练的目标业务类型对应的信息推荐模型输出的所述目标训练样本的第一预测推荐效果表征值，以所述目标训练样本的第一预测推荐效果表征值与实际推荐效果表征值之间差异的最小化为训练目标训练所述待训练的目标业务类型对应的信息推荐模型。

9.一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1～7任一项所述的方法。

10.一种电子设备，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1～7任一项所述的方法。

Images