CN115982425A

CN115982425A - 推荐模型训练、推荐方法、装置、电子设备及存储介质

Info

Publication number: CN115982425A
Application number: CN202211609979.3A
Authority: CN
Inventors: 于敬; 陈运文; 刘文海; 石京京; 李文聪; 熊凡; 纪达麒
Original assignee: Daguan Data Suzhou Co ltd
Current assignee: Daguan Data Suzhou Co ltd
Priority date: 2022-12-14
Filing date: 2022-12-14
Publication date: 2023-04-18

Abstract

本发明实施例公开了一种推荐模型训练、推荐方法、装置、电子设备及存储介质，推荐模型训练方法，包括：获取包括待推荐对象多属性维度信息的待推荐对象样本数据和当前对象的当前对象数据；对待推荐对象样本数据和所述当前对象数据进行语义嵌入处理，得到综合语义嵌入特征；其中，综合语义嵌入特征由多个单属性的基础属性语义嵌入特征和属***叉语义嵌入特征组成；根据综合语义嵌入特征生成样本数据的语义嵌入特征矩阵，其中，样本数据由待推荐对象样本数据和当前对象样本数据拼接组成；将语义嵌入特征作为训练数据输入至推荐模型进行训练。本发明实施例技术方案提高了推荐模型的精准性，保证了推荐结果的全面性，同时也提高了推荐结果的整体效果。

Description

推荐模型训练、推荐方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及推荐技术领域，尤其涉及一种推荐模型训练、推荐方法、装置、电子设备及存储介质。

背景技术

随着信息技术的快速发展以及移动互联网的兴起，人们已经进入海量数据时代。当每天面对琳琅满目并且种类繁杂的商品、电影、歌曲、视频以及快讯等各种服务时，会出现无法快速找到感兴趣的信息的情况。智能推荐技术能够通过算法模型的形式，基于用户当前正在浏览的对象，来推荐一些与其内容比较相似或者相关的推荐对象。

目前，技术人员在进行智能推荐时，通常采用基于文本内容匹配的推荐方法、基于文本向量计算相似度的方法以及基于文本特征计算相关性的匹配方法。

发明人在实现本发明的过程中，发现现有技术存在如下问题：基于文本内容匹配的推荐方法虽然能保证推荐内容的高相关性，但是由于内容高度匹配，导致推荐结果的惊喜度较差，而且对新用户不能提供可靠的推荐结果，同时，对稀疏数据、复杂属性的处理等问题的推荐结果不够理想。基于文本向量计算相似度的方法，通常是基于主题模型等方法进行文本向量生成，而且多是基于单一向量生成模型统一实现，但是推荐对象的属性字段中的文本长度是有差异的，一般是正文长度大于标题长度大于标签长度，这就需要差异化的生成方式以带来更好的推荐结果。基于文本特征计算相关性的匹配方法，仅考虑了推荐对象的文本特征，忽略了与之相关联的其他特征。

发明内容

本发明实施例提供一种推荐模型训练、推荐方法、装置、电子设备及存储介质，提高了推荐模型的精准性，保证了相关推荐结果的全面性，同时也提高了推荐结果的整体效果。

根据本发明的一方面，提供了一种推荐模型训练的方法，包括：

获取包括待推荐对象多属性维度信息的待推荐对象样本数据和当前对象的当前对象数据；

对所述待推荐对象样本数据和所述当前对象数据进行语义嵌入处理，得到综合语义嵌入特征；其中，所述综合语义嵌入特征由多个单属性的基础属性语义嵌入特征和属***叉语义嵌入特征组成；

根据所述综合语义嵌入特征生成样本数据的语义嵌入特征矩阵，其中，所述样本数据由所述待推荐对象样本数据和所述当前对象样本数据拼接组成；

将所述语义嵌入特征作为训练数据输入至推荐模型进行训练。

根据本发明的另一方面，提供了一种推荐方法，包括：

获取当前对象的当前对象关联数据和备选推荐对象的备选对象关联数据；

将所述当前对象的当前对象关联数据和所述备选推荐对象的备选对象关联数据输入至推荐模型，得到各所述备选推荐对象与所述当前对象的相似度；

根据各所述备选推荐对象与所述当前对象的相似度确定与所述当前对象匹配的目标推荐对象；

其中，所述推荐模型通过本发明任一实施例所述的推荐模型训练方法训练得到。

根据本发明的另一方面，提供了一种推荐模型训练装置，包括：

待推荐对象样本数据获取模块，用于获取包括待推荐对象多属性维度信息的待推荐对象样本数据和当前对象的当前对象数据；

语义嵌入处理模块，用于对所述待推荐对象样本数据和所述当前对象数据进行语义嵌入处理，得到综合语义嵌入特征；其中，所述综合语义嵌入特征由多个单属性的基础属性语义嵌入特征和属***叉语义嵌入特征组成；

语义嵌入特征矩阵生成模块，根据所述综合语义嵌入特征生成样本数据的语义嵌入特征矩阵，其中，所述样本数据由所述待推荐对象样本数据和所述当前对象样本数据拼接组成；

推荐模型训练模块，用于将所述语义嵌入特征作为训练数据输入至推荐模型进行训练。

根据本发明的另一方面，提供了一种推荐装置，包括：

对象关联数据获取模块，用于获取当前对象的当前对象关联数据和备选推荐对象的备选对象关联数据；

相似度获取模块，用于将所述当前对象的当前对象关联数据和所述备选推荐对象的备选对象关联数据输入至推荐模型，得到各所述备选推荐对象与所述当前对象的相似度；

目标推荐对象确定模块，用于根据各所述备选推荐对象与所述当前对象的相似度确定与所述当前对象匹配的目标推荐对象；

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任实施例中所述的推荐模型训练方法或推荐方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明实施例中所述的推荐模型训练方法或推荐方法。

本发明实施例的技术方案，首先获取包括待推荐对象多属性维度信息的待推荐对象样本数据和当前对象的当前对象数据，再对待推荐对象样本数据和所述当前对象数据进行语义嵌入处理，得到综合语义嵌入特征，根据综合语义嵌入特征生成样本数据的语义嵌入特征矩阵，将语义嵌入特征作为训练数据输入至推荐模型进行训练。相应的，在推荐模型训练完成后，获取当前对象的当前对象关联数据和备选推荐对象的备选对象关联数据，将当前对象的当前对象关联数据和备选推荐对象的备选对象关联数据输入至推荐模型，得到各备选推荐对象与当前对象的相似度，最后根据各备选推荐对象与当前对象的相似度确定与当前对象匹配的目标推荐对象。本发明实施例的技术方案通过对待推荐对象样本数据和当前对象的当前对象数据进行综合语义嵌入学习表示，极大地扩展了特征的表达能力，解决了现有技术中文本特征单一以及未考虑文本长度差异的问题，提高了推荐模型的精准性，保证了相关推荐结果的全面性，同时也提高了推荐结果的整体效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种推荐模型训练方法的流程图；

图2是本发明实施例二提供的另一种推荐模型训练方法的流程图；

图3是本发明实施例三提供的一种推荐方法的流程图；

图4是本发明实施例三提供的一种推荐方法的整体示意图；

图5是本发明实施例三提供的一种推荐模块的示意图；

图6是本发明实施例四提供的一种推荐模型训练装置的结构示意图；

图7是本发明实施例五提供的一种推荐装置的结构示意图；

图8为本发明实施例六提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是本发明实施例提供的一种推荐模型训练方法的流程图，本实施例可适用于利用语义嵌入形式的推荐对象属性数据训练推荐模型的情况，该方法可以由推荐模型训练装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在电子设备中，该电子设备可以是终端设备，也可以是服务器设备，本发明实施例并不对电子设备的具体设备类型进行限定。相应的，如图1所示，该方法包括如下操作：

S110、获取包括待推荐对象多属性维度信息的待推荐对象样本数据和当前对象的当前对象数据。

其中，待推荐对象样本数据可以是包含多属性维度信息的，能够进行推荐展示资源的相关数据。示例性的，在互联网网页上的音频视频、图片、歌曲、电影、商品以及快讯，都能够作为待推荐对象，相应的，待推荐对象的相关数据，可以作为待推荐对象样本数据。当前对象数据也可以是多属性维度信息的，能够进行推荐展示资源的相关数据。示例性的，用户在互联网网页上正在浏览的音频视频、图片、歌曲、电影、商品以及快讯，都能够作为当前对象。

示例性的，待推荐对象样本数据可以是电商平台的商品样本数据。具体的，在电商平台上进行商品展示过程中，包含标签、标题、正文、图片以及视频等多属性描述的商品信息，能够作为待推荐对象样本数据。当前对象数据可以是用户在电商平台正在浏览的商品样本数据。具体的，在电商平台上用户在浏览的过程中，包含标签、标题、正文、图片以及视频等多属性描述的商品信息，能够作为当前对象数据。

示例性的，待推荐对象样本数据可以是网页中的新闻快讯样本数据。具体的，在互联网网页上进行新闻展示过程中，包含标题、关键词以及正文等多属性描述的新闻快讯信息，能够作为待推荐对象样本数据。当前对象数据可以是网页中的新闻快讯样本数据。具体的，用户在互联网新闻版面上正在浏览的，包含标签、标题、正文、图片以及视频等多属性描述的新闻快讯信息，能够作为当前对象数据。

示例性的，待推荐对象样本数据可以是音乐软件中的音频样本数据。具体的，在音乐软件中进行歌曲排行榜展示过程中，包含歌曲名、歌手名以及歌词等多属性描述的音频信息，能够作为待推荐对象样本数据。当前对象数据可以是音乐软件中的音频样本数据。具体的，用户在音乐软件中正在进行播放的歌曲，包含歌曲名、歌手名以及歌词等多属性描述的音频信息，能够作为当前对象数据。

S120、对所述待推荐对象样本数据和所述当前对象数据进行语义嵌入处理，得到综合语义嵌入特征；其中，所述综合语义嵌入特征由多个单属性的基础属性语义嵌入特征和属***叉语义嵌入特征组成。

其中，综合语义嵌入特征可以是对待推荐对象样本数据进行特征处理生成的语义嵌入表示。基础属性语义嵌入特征可以是通过训练学习生成待推荐对象样本数据的基本属性的特征，例如可以包括但不限于标题属性语义嵌入特征、标签属性语义嵌入特征、正文属性语义嵌入特征、图片属性语义嵌入特征、视频属性语义嵌入特征以及其他属性语义嵌入特征等。属***叉语义嵌入特征可以是通过训练学习生成两个对象样本数据之间的属***叉特征，例如可以包括但不限于两个对象的标题之间的相似度以及标签相似度等。

在本发明实施例中，将待推荐对象样本数据作为输入数据，送入语义嵌入学习网络中进行训练学习，得到待推荐对象样本数据的多个单属性的基础属性语义嵌入特征以及属***叉语义嵌入特征，再由待推荐对象样本数据的多个单属性的基础属性语义嵌入特征和属***叉语义嵌入特征得到待推荐对象样本数据的综合语义嵌入特征；将当前对象数据作为输入数据，送入语义嵌入学习网络中进行训练学习，得到当前对象数据的多个单属性的基础属性语义嵌入特征以及属***叉语义嵌入特征，再由当前对象数据的多个单属性的基础属性语义嵌入特征和属***叉语义嵌入特征得到当前对象数据的综合语义嵌入特征。

S130、根据所述综合语义嵌入特征生成样本数据的语义嵌入特征矩阵，其中，所述样本数据由所述待推荐对象样本数据和所述当前对象样本数据拼接组成。

其中，语义嵌入特征矩阵可以是由综合语义嵌入特征构成的。

在本发明实施例中，假设当前对象和待推荐对象的综合语义嵌入特征的维度都为M维，那么，每一条样本便能够通过拼接得到的维度为2M的语义嵌入特征，进而得到N×2M的语义嵌入特征矩阵S。

S140、将所述语义嵌入特征作为训练数据输入至推荐模型进行训练。

其中，推荐模型可以是用于进行对象推荐的模型。可选的推荐模型可以是基于文本内容匹配的推荐方法，该方法借鉴了信息检索领域中的技术，如KNN(k-NearestNeighbor，k邻近)算法和Rocchio算法的相关性反馈方法，对文本内容进行匹配，进而生成推荐结果。

可选的，推荐模型还可以是基于文本向量计算相似度的方法，通常是基于主题模型等方法进行文本向量生成，在对文本向量进行相似度计算，进而生成推荐结果。

可选的，推荐模型还可以是基于文本特征计算相关性的方法，该方法通过对文本特征进行相关性评估，进而生成推荐结果。

在本发明实施例中，将语义嵌入特征S作为推荐模型的输入数据，送入推荐模型中进行训练学习，从而生成推荐结果。

本发明实施例的技术方案，首先获取包括待推荐对象多属性维度信息的待推荐对象样本数据和当前对象的当前对象数据，再对待推荐对象样本数据进行语义嵌入处理和当前对象的当前对象数据，得到综合语义嵌入特征，根据综合语义嵌入特征生成样本数据的语义嵌入特征矩阵，将语义嵌入特征作为训练数据输入至推荐模型进行训练。本发明实施例的技术方案通过对待推荐对象样本数据和当前对象的当前对象数据进行综合语义嵌入学习表示，极大地扩展了特征的表达能力，解决了现有技术中文本特征单一以及未考虑文本长度差异的问题，提高了推荐模型的精准性，保证了相关推荐结果的全面性，同时也提高了推荐结果的整体效果。

实施例二

图2是本发明实施例提供的另一种推荐模型训练方法的流程图，本发明实施例以上述实施例为基础进行具体化，在本实施例中，给出了对获取待推荐对象多属性维度信息的待推荐对象样本数据和当前对象的当前对象数据以及对待推荐对象样本数据和当前对象的当前对象数据进行语义嵌入处理，得到综合语义嵌入特征的具体可选的实现方式。相应的，如图2所示，本实施例的方法可以包括：

S210、将待推荐对象的推荐日志数据、用户点击行为数据和待推荐对象基础属性数据作为原始样本数据。

其中，待推荐对象可以是电影资源、新闻快讯、音乐资源、物品以及任意可以推荐的资源。当待推荐对象为电影资源时，推荐日志数据可以是用于记录在什么时间给用户推荐了哪种类型的电影数据。当待推荐对象为音乐资源时，推荐日志数据可以是用于记录在什么时间给用户推荐了哪种风格的音乐数据。用户点击行为数据可以是用于记录用户在什么时间什么场景点击了哪些推荐物品的数据。待推荐对象基础属性数据可以是用于记录待推荐对象的字段标识基础信息，不同推荐场景会有差异。

在本发明实施例中，推荐日志数据可以包括被推荐的用户唯一标识ID(rec_userid)、当前对象唯一标识ID(cur_itemid)、推荐的对象唯一标识ID(rec_itemid)、推荐日期(rec_date)、推荐标识ID(recid)等字段，并且以天进行分片，按行存储，形式如<rec_userid,src_itemid,rec_itemid,recid,rec_date>。示例性的，假设待推荐对象为物品，则当前对象唯一标识ID可以是当前展示物品唯一标识ID，推荐的对象唯一标识ID可以是推荐的物品唯一标识ID。

在本发明实施例中，用户点击行为数据可以包括用户唯一标识ID(click_userid)、点击的推荐对象唯一标识ID(click_itemid)、点击对象的源推荐日志标识ID(src_recid)、行为发生日期(click_date)等字段，并且以天进行分片，按行存储，形式如<click_userid,click_itemid,src_recid,click_date>。示例性的，假设待推荐对象为物品，则点击的推荐对象唯一标识ID可以是推荐物品唯一标识ID，点击对象的源推荐日志标识ID可以是点击物品的源推荐日志标识ID。

在本发明实施例中，待推荐对象基础属性数据可以包括待推荐对象唯一标识ID(itemid)、标题(title)、标签(tag)、类别(category)、正文(coentent)、图片信息(picture)、视频信息(video)等，其中标签、图片等可能会有多个。示例性的，假设待推荐对象为物品，则待推荐对象唯一标识ID可以是待推荐物品唯一标识ID。

S220、对所述原始样本数据进行数据预处理，得到预处理原始样本数据。

其中，预处理原始样本数据可以是原始样本数据经过数据清洗、审查以及校验得到的数据。

在本发明实施例中，对原始样本数据进行清洗、审查以及校验，发现并纠正数据中可识别的错误，并按照一定的规则把错误或冲突的数据去掉，同时检查数据一致性，处理无效值和缺失值，最终得到预处理原始样本数据。

S230、根据所述预处理原始样本数据提取关键样本数据，得到所述待推荐对象样本数据。

其中，关键样本数据可以是原始样本数据中关键字段组成的数据。

在本发明实施例中，待推荐对象以物品为例，将推荐日志数据和用户点击行为数据进行联合查询，利用查询条件“rec_userid＝click_userid且rec_itemid＝click_itemid且rec_date＝click_date且recid＝src_recid”进行查询，能够在用户点击行为数据中查到则置label为1，查不到则置label为0，再按照rec_date进行分片按行存储，得到包括待用户唯一标识ID(rec_userid)、当前物品唯一标识ID(cur_itemid)、推荐的物品唯一标识ID(rec_itemid)、推荐日期(rec_date)、点击label标识(点击是1，未点击是0)等字段的关键样本数据。再选择前N天的数据作为训练样本，选择第N+1天的数据作为测试样本，最终得到待推荐对象样本数据。

S240、对所述待推荐对象样本数据的各个属性维度的单属性对象样本数据进行语义嵌入处理，得到所述待推荐对象的多个单属性的基础属性语义嵌入特征。

其中，单属性对象样本数据可以表示存在单属性的待推荐对象样本数据。

在本发明实施例中，单属性对象样本数据可以是待推荐对象的标题属性对象样本数据。具体的，首先对待推荐对象的标题文本进行预处理，将标题文本中的标点符号、停用词进行剔除，再统计物品标题文本的长度，若标题文本的长度小于L₁，则采用padding方式进行处理，若超过L₁，则删除超过L₁的Token保证标题文本长度维持在L₁。再将长度为L₁的标题文本数据作为BERT(Bidirectional Encoder Representation from Transformers，双向编码表征)模型的输入数据，送入BERT模型进行训练学习，得到维度为K的标题属性语义嵌入特征E_title1。其中，在BERT模型进行训练过程中，关于mask的处理，通常是采取随机去除部分Token的方式，以对模型进行训练，同时，应用在物品推荐的实际业务场景中，在mask的处理上，更侧重于去除名词词性的Token。

在本发明实施例中，单属性对象样本数据还可以是待推荐对象的标签属性对象样本数据。待推荐对象样本的标签文本数据是业务人员基于物料数据提炼出的高度总结出来的物品语义信息的词汇列表，在本发明实施例中，利用Word2Vec(Word to Vector，词向量)模型得到标签属性语义嵌入特征。具体的，将标签属性对象样本数据作为Word2Vec模型输入数据，送入Word2Vec模型进行训练学习，得到标签属性的向量化表示。因为在标签维度的设置上会依赖标签的数量，所以为了兼顾降维和语义表征能力，当标签的数量为N₁时，确定标签的输出向量维度为

实践证明，标签自身的重要性也是有差异的，由此，将得到的标签属性的向量化表示作为自注意力网络的输入数据，送入自注意力网络进行训练学习不同标签向量的权重，并最终得到维度为K的标签属性语义嵌入特征，表示为E_tag1。

在本发明实施例中，单属性对象样本数据还可以是待推荐对象的正文属性对象样本数据。待推荐对象样本的正文文本数据包含有较丰富且详细的语义内容，相对于标题文本和标签文本数据，正文文本一般比较长，从数百到数千字。基于文本长度考虑，在本发明实施例中，利用LDA(Latent Dirichlet Allocation，文档主题生成模型)模型得到正文属性语义嵌入特征。具体的，将正文属性对象样本数据作为LDA模型输入数据，送入LDA模型进行训练学习，得到维度为K的正文属性语义嵌入特征，表示为E_co ent1。

在本发明实施例中，单属性对象样本数据还可以是待推荐对象的图片属性对象样本数据。待推荐对象样本的图片文本数据包含大量的有价值的特征信息，充分利用待推荐对象样本的图片文本数据有助于提升推荐效果。具体的，首先对待推荐对象样本的已有图片(包括封面以及待推荐对象样本的细节展示图)进行数据增强(包括旋转、截取以高亮操作)得到K₁张图片作为ResNet(Residual Neural Network，深度残差)网络的输入数据，送入ResNet网络中进行训练学习，得到各张图片的向量表示，再将图片的向量化表示作为自注意力网络的输入数据，送入自注意力网络进行训练学习不同图片向量的权重，并最终生成维度为K₁的图片属性语义嵌入特征，表示为E_picture1。

在本发明实施例中，单属性对象样本数据还可以是待推荐对象的视频属性对象样本数据。具体的，首先取视频的第一帧作为第一张图片，最后一帧为第二张图片。假设视频的总时长为T₁(单位为秒)，机器允许处理的最大图片数量为k₁(k>2)，若

则按照最小单位每秒进行帧切割得到T张图片，剩余的K-T-2张图片使用数据增强的方式进行填充；若

则按照

的整数秒进行帧切割得到k₁张图片。完成对视频的取帧操作后，将得到的图片按照上述实施例的方法，进行嵌入生成的学习，最终生成维度为K的视频属性语义嵌入特征，表示为E_video1。

在本发明实施例中，单属性对象样本数据还可以是待推荐对象的关联属性对象样本数据。除上述的标题、标签、正文、图片、视频等属性特征外，待推荐对象还有唯一表示ID，可能还有发布者、类别等属性，这些属性从其它维度来刻画待推荐对象的特征。这些属性信息一般先通过one-hot或者multi-hot编码的方式进行处理，其中，当物品属性中是唯一值且是一对一的关系时(如发布者，一个待推荐对象只有一个发布者，反之关系不成立，一个发布者可以发布多个待推荐对象)，则使用one-hot编码方式；若物品属性是多值关系(如类别，一个待推荐对象可以属于多个类别)，则使用multi-hot编码方式。每种数据按照物料与属性之间的映射关系，可以选择one-hot或者multi-hot方式进行处理，得到关联属性信息的向量表示，再将关联属性信息的向量表示输入到embedding layer中进行处理，最终生成维度为K的关联属性语义嵌入特征，表示为E_other1。

S250、对所述当前对象数据的各个属性维度的单属性对象数据进行语义嵌入处理，得到所述当前对象的多个单属性的基础属性语义嵌入特征。

在本发明实施例中，单属性对象样本数据可以是当前对象的标题属性对象样本数据。具体的，首先对当前对象的标题文本进行预处理，将当前对象的标题文本中的标点符号、停用词进行剔除，再统计物品标题文本的长度，若标题文本的长度小于L₂，则采用padding方式进行处理，若超过L₂，则删除超过L₂的Token保证标题文本长度维持在L₂。再将长度为L的标题文本数据作为BERT(Bidirectional Encoder Representation fromTransformers，双向编码表征)模型的输入数据，送入BERT模型进行训练学习，得到维度为K的标题属性语义嵌入特征E_title2。

在本发明实施例中，单属性对象样本数据还可以是当前对象的标签属性对象样本数据。当前对象的标签文本数据是业务人员基于物料数据提炼出的高度总结出来的物品语义信息的词汇列表，在本发明实施例中，利用Word2Vec(Word to Vector，词向量)模型得到标签属性语义嵌入特征。具体的，将标签属性对象样本数据作为Word2Vec模型输入数据，送入Word2Vec模型进行训练学习，得到标签属性的向量化表示。因为在标签维度的设置上会依赖标签的数量，所以为了兼顾降维和语义表征能力，当标签的数量为N₂时，确定标签的输出向量维度为

实践证明，标签自身的重要性也是有差异的，由此，将得到的标签属性的向量化表示作为自注意力网络的输入数据，送入自注意力网络进行训练学习不同标签向量的权重，并最终得到维度为K的标签属性语义嵌入特征，表示为E_tag2。

在本发明实施例中，单属性对象样本数据还可以是当前对象的正文属性对象样本数据。当前对象的正文文本数据包含有较丰富且详细的语义内容，相对于标题文本和标签文本数据，正文文本一般比较长，从数百到数千字。基于文本长度考虑，在本发明实施例中，利用LDA模型得到正文属性语义嵌入特征。具体的，将正文属性对象样本数据作为LDA模型输入数据，送入LDA模型进行训练学习，得到维度为K₂的正文属性语义嵌入特征，表示为E_content2。

在本发明实施例中，单属性对象样本数据还可以是当前对象的图片属性对象样本数据。当前对象的图片文本数据包含大量的有价值的特征信息，充分利用当前对象的图片文本数据有助于提升推荐效果。具体的，首先对当前对象的已有图片(包括封面以及待推荐对象样本的细节展示图)进行数据增强(包括旋转、截取以高亮操作)得到k₂张图片作为ResNet网络的输入数据，送入ResNet网络中进行训练学习，得到各张图片的向量表示，再将图片的向量化表示作为自注意力网络的输入数据，送入自注意力网络进行训练学习不同图片向量的权重，并最终生成维度为K的图片属性语义嵌入特征，表示为E_picture2。

在本发明实施例中，单属性对象样本数据还可以是当前对象的视频属性对象样本数据。具体的，首先取视频的第一帧作为第一张图片，最后一帧为第二张图片。假设视频的总时长为T₂(单位为秒)，机器允许处理的最大图片数量为k(k>2)，若

则按照最小单位每秒进行帧切割得到T₂张图片，剩余的K-T-2张图片使用数据增强的方式进行填充；若

则按照

的整数秒进行帧切割得到k张图片。完成对视频的取帧操作后，将得到的图片按照上述实施例的方法，进行嵌入生成的学习，最终生成维度为K的视频属性语义嵌入特征，表示为E_video2。

在本发明实施例中，单属性对象样本数据还可以是当前对象的其他属性对象样本数据。除上述的标题、标签、正文、图片、视频等属性特征外，当前对象还有唯一表示ID，可能还有发布者、类别等属性，这些属性从其它维度来刻画当前对象的特征。这些属性信息一般先通过one-hot或者multi-hot编码的方式进行处理，其中，当物品属性中是唯一值且是一对一的关系时(如发布者，一个当前对象只有一个发布者，反之关系不成立，一个发布者可以发布多个当前对象)，则使用one-hot编码方式；若物品属性是多值关系(如类别，一个当前对象可以属于多个类别)，则使用multi-hot编码方式。每种数据按照物料与属性之间的映射关系，可以选择one-hot或者multi-hot方式进行处理，得到其他属性信息的向量表示，再将其他属性信息的向量表示输入到embedding layer中进行处理，最终生成维度为K的其他属性语义嵌入特征，表示为E_other2。

S260、根据所述待推荐对象的各所述基础属性语义嵌入特征和所述当前对象的各基础属性语义嵌入特征计算所述待推荐对象的属***叉语义嵌入特征。

在本发明实施例中，将待推荐对象的m个基础属性语义嵌入特征和当前对象的m个基础属性语义嵌入特征作为激活网络的输入数据，送入激活网络中进行训练学习，最终生成m个K维的属***叉语义嵌入特征，表示为E_cross。

S270、将所述属***叉语义嵌入特征和所述当前对象的基础属性语义嵌入特征，输入至自注意力网络进行权重学习，得到所述当前对象的综合语义嵌入特征。

其中，自注意力网络可以是用于学习各属性权重的模型。

在本发明实施例中，将当前对象的各基础属性语义嵌入特征和属***叉语义嵌入特征作为自注意力网络的输入数据，送入自注意力网络进行权重学习，最终得到当前对象的综合语义嵌入特征E_total1。

S280、将所述属***叉语义嵌入特征和所述待推荐对象的基础属性语义嵌入特征，输入至自注意力网络进行权重学习，得到所述待推荐对象的综合语义嵌入特征。

其中，所述基础属性语义嵌入特征包括标题属性语义嵌入特征、标签属性语义嵌入特征、正文属性语义嵌入特征、图片属性语义嵌入特征、视频属性语义嵌入特征以及关联属性语义嵌入特征中的至少一项。

在本发明实施例中，将待推荐对象的各基础属性语义嵌入特征和属***叉语义嵌入特征作为自注意力网络的输入数据，送入自注意力网络进行权重学习，最终得到待推荐对象的综合语义嵌入特征E_total2。

S290、根据所述综合语义嵌入特征生成所述待推荐对象样本数据的语义嵌入特征矩阵。

S2100、将所述语义嵌入特征作为训练数据输入至推荐模型进行训练。

在本发明实施例中，将一个样本数据中的当前对象和待推荐对象，按照语义嵌入学习方法进行训练学习，分别得到当前对象的综合语义嵌入特征E_total1和待推荐对象的综合语义嵌入特征E_total2。假设当前对象的综合语义嵌入特征E_total1和待推荐对象的综合语义嵌入特征E_total2的维度都为M维，那么，N个样本便能够通过拼接得到维度为2M的语义嵌入特征，进而得到N×2M的语义嵌入特征矩阵S。将语义嵌入特征矩阵S作为深度神经网络的输入层的输入数据，表示为：

h₀＝(S)

其中，h₀表示深度神经网络的输入数据。

进一步的，将数据输入到后面的隐藏层中，经过p个隐藏层学习物品相关度计算函数。每个隐藏层表示为h₁，h₂，…，h_p，其定义如下：

h_l＝δ_l(W_l ^Th_l-1+b_l),l＝1,2,…,p

其中，W_l和b_l分别表示第l层感知器的权重矩阵与偏置向量，δ_l表示第l层的激活函数。

最终，通过如下方式计算两者之间的相似度：

其中，σ是激活函数sigmoid，输出值是(0，1)，作为两者之间相似度量化值，W表示权重矩阵。

同时，在模型训练阶段，需要不断调整以下参数进行模型优化：

1)l1_regularizer，L1正则化，默认0.001；

2)l2_regularizer，L2正则化，默认0.001；

3)hideen_layers，网络隐藏层神经元数量，逗号分割，默认64,32；

4)learning_rate，学习率，默认0.01；

5)embedding_size，维度大小，默认32；

6)activation，激活函数，取值有elu、gelu、hard_sigmoid、linear、relu、selu、sigmoid、softmax、softplus、softsign、swish，默认relu；

7)epochs，训练次数，默认12；

8)loss，损失函数，取值有BinaryCrossentropy、CategoricalCrossentropy、CategoricalHinge、CosineSimilarity、Hinge、Huber、KLDivergence、LogCosh、MeanAbsoluteError、MeanAbsolutePercentageError、MeanSquaredError、MeanSquaredLogarithmicError、Poisson、Reduction、SparseCategoricalCrossentropy、SquaredHinge，默认BinaryCrossentropy；

9)optimizer，优化器，取值有AdadeltaAdagrad、Adam、Adamax、FTRL、NAdam、SGD，默认Adam；

10)batch_size，批量处理样本数量，默认64。

本发明实施例首先将待推荐对象的推荐日志数据、用户点击行为数据和待推荐对象基础属性数据作为原始样本数据，对原始样本数据进行数据预处理，得到预处理原始样本数据，根据预处理原始样本数据提取关键样本数据，得到待推荐对象样本数据。再对待推荐对象样本数据的各个属性维度的单属性对象样本数据进行语义嵌入处理，得到待推荐对象的多个单属性的基础属性语义嵌入特征，对当前对象数据的各个属性维度的单属性对象数据进行语义嵌入处理，得到当前对象的多个单属性的基础属性语义嵌入特征，根据待推荐对象的各基础属性语义嵌入特征和当前对象的各基础属性语义嵌入特征计算属***叉语义嵌入特征。将属***叉语义嵌入特征和当前对象的基础属性语义嵌入特征，输入至自注意力网络进行权重学习，得到当前对象的综合语义嵌入特征。将属***叉语义嵌入特征和待推荐对象的基础属性语义嵌入特征，输入至自注意力网络进行权重学习，得到待推荐对象的综合语义嵌入特征。最后，根据综合语义嵌入特征生成样本数据的语义嵌入特征矩阵，将语义嵌入特征作为训练数据输入至推荐模型进行训练。通过对当前对象和待推荐对象进行单属性和交叉属性的语义嵌入处理，提高了推荐模型的精准性，保证了相关推荐结果的全面性，同时也提高了推荐结果的整体效果。

实施例三

图3是本发明实施例三提供的一种推荐方法的流程图，本实施例可使用于在利用上述实施例训练得到的推荐模型进行推荐的情况，该方法可以由推荐装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在电子设备中，该电子设备可以是终端设备，也可以是服务器设备，本发明实施例并不对电子设备的具体设备类型进行限定。相应的，如图3所示，本实施例的方法可以包括：

S310、获取当前对象的当前对象关联数据和备选推荐对象的备选对象关联数据。

S320、将所述当前对象的当前对象关联数据和所述备选推荐对象的备选对象关联数据输入至推荐模型，得到各所述备选推荐对象与所述当前对象的相似度。

其中，当前对象可以是用户当前状态下浏览的对象。备选推荐对象可以是用于对用户进行推荐的可用的对象。当前对象关联数据可以是用户当前状态下浏览对象的相关数据，包括但不限于当前对象的推荐日志数据、用户点击行为数据和当前对象基础属性数据等。备选对象关联数据可以是推荐对象的相关数据，包括但不限于备选推荐对象的推荐日志数据、用户点击行为数据和备选推荐对象基础属性数据等。相似度可以是用于表示备选推荐对象与当前对象之间的关联程度。

S330、根据各所述备选推荐对象与所述当前对象的相似度确定与所述当前对象匹配的目标推荐对象。

在本发明实施例中，根据各所述备选推荐对象与所述当前对象的相似度确定与所述当前对象匹配的目标推荐对象，还可以包括：根据各所述备选推荐对象与所述当前对象的相似度由高到低的顺序对各所述备选推荐对象进行排序；根据各所述备选推荐对象的排序结果，选择设定数量的备选推荐对象作为所述目标推荐对象。

其中，目标推荐对象可以是与当前对象相似度较高的对象。

具体的，通过计算得到备选推荐对象与当前对象的相似度，再将各备选推荐对象与当前对象的相似度进行由高到低的顺序对备选推荐对象进行排序，再根据排序结果，选取Top M个备选推荐对象作为目标推荐对象。

在一个具体的实施例中，以物品推荐作为应用场景具体说明。首先，通过综合考虑物品的多维度多模态的属性数据，并选择适合的嵌入生成模型得到低维、稠密的语义嵌入表示，提高特征的表达能力；选择深度神经网络进行模型训练及预测，提升预测模型的泛化能力，使得该推荐方法可以在更多的推荐场景进行广泛应用。其次，对于多标签、多图片、多特征等在重要性上的差异，通过引入自注意力机制学习重要性权重，结合模型目标进行优化，自动学习得到各重要性权重的最优组合。进一步的，对物品的多模态属性分别进行语义理解及嵌入生成，在文本特征上，基于长度差异的考虑选择BERT、LDA、Word2Vec进行差异化处理，相对单一模型处理所有文本数据，相关度计算上会更加全面，效果更好。同时加入了对图片和视频信息的考量，不仅效果上有提升，也拓展了本推荐方法的应用场景。最后，在特征处理上，考虑到多特征的交叉组合对模型效果的提升作用，引入单独的激活网络对多个交叉特征进行学习，并生成语义嵌入表示，再输入到深度神经网络中，不仅进一步提升了模型的特征学习能力，同时提升了相关推荐结果计算的全面性。

图4是本发明实施例三提供的一种推荐方法的整体示意图，如图4所示，首先，当前物品和待推荐物品分别通过嵌入层进行基础属性的嵌入学习，得到与之相关联的标题属性嵌入特征、标签属性嵌入特征、正文属性嵌入特征、图片属性嵌入特征、视频属性嵌入特征以及关联属性嵌入特征；再对基础属性进行交叉属性嵌入学习得到交叉属性嵌入特征；将当前物品的标题属性嵌入特征、标签属性嵌入特征、正文属性嵌入特征、图片属性嵌入特征、视频属性嵌入特征和关联属性嵌入特征，待推荐物品的标题属性嵌入特征、标签属性嵌入特征、正文属性嵌入特征、图片属性嵌入特征、视频属性嵌入特征和关联属性嵌入特征以及交叉属性嵌入特征送入自注意网络中进行训练，学习得到多特征的重要性权重，最终得到当前物品与待推荐物品之间的相似度。

图5是本发明实施例三提供的一种推荐模块的示意图，如图5所示，首先将相关推荐日志数据、用户点击行为数据以及物品基础属性数据送入数据预处理模块，实现对原始数据的预处理操作；再送入语义嵌入生成模块，实现对数据中的语义嵌入特征的生成；再送入模型训练和预测模块，实现推荐模型的训练；最后送入关联推荐结果生成模块，完成两个物品之间的相似度计算。

实施例四

图6是本发明实施例四提供的一种推荐模型训练装置的结构示意图，如图6所示，所述装置包括：待推荐对象样本数据获取模块410，语义嵌入处理模块420，语义嵌入特征矩阵生成模块430以及推荐模型训练模块440，其中：

待推荐对象样本数据获取模块410，用于获取包括待推荐对象多属性维度信息的待推荐对象样本数据和当前对象的当前对象数据。

语义嵌入处理模块420，用于对所述待推荐对象样本数据和所述当前对象数据进行语义嵌入处理，得到综合语义嵌入特征；其中，所述综合语义嵌入特征由多个单属性的基础属性语义嵌入特征和属***叉语义嵌入特征组成。

语义嵌入特征矩阵生成模块430，用于根据所述综合语义嵌入特征生成所述样本数据的语义嵌入特征矩阵。

推荐模型训练模块440，用于将所述语义嵌入特征作为训练数据输入至推荐模型进行训练。

可选的，待推荐对象样本数据获取模块410，具体用于：将待推荐对象的推荐日志数据、用户点击行为数据和待推荐对象基础属性数据作为原始样本数据；对所述原始样本数据进行数据预处理，得到预处理原始样本数据；根据所述预处理原始样本数据提取关键样本数据，得到所述待推荐对象样本数据。

可选的，语义嵌入处理模块420，具体用于：对所述待推荐对象样本数据的各个属性维度的单属性对象样本数据进行语义嵌入处理，得到所述待推荐对象的多个单属性的基础属性语义嵌入特征；对所述当前对象数据的各个属性维度的单属性对象数据进行语义嵌入处理，得到所述当前对象的多个单属性的基础属性语义嵌入特征；根据所述待推荐对象的各所述基础属性语义嵌入特征和所述当前对象的各基础属性语义嵌入特征计算所述待推荐对象的属***叉语义嵌入特征；将所述属***叉语义嵌入特征和所述当前对象的基础属性语义嵌入特征，输入至自注意力网络进行权重学习，得到所述当前对象的综合语义嵌入特征；将所述属***叉语义嵌入特征和所述待推荐对象的基础属性语义嵌入特征，输入至自注意力网络进行权重学习，得到所述待推荐对象的综合语义嵌入特征；其中，所述基础属性语义嵌入特征包括标题属性语义嵌入特征、标签属性语义嵌入特征、正文属性语义嵌入特征、图片属性语义嵌入特征、视频属性语义嵌入特征以及关联属性语义嵌入特征中的至少一项。

可选的，所述待推荐对象包括待推荐物品。

上述推荐模型训练装置可执行本发明任意实施例所提供的推荐模型训练方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的推荐模型训练方法。

实施例五

图7是本发明实施例五提供的一种推荐装置的结构示意图，如图7所示，所述装置包括：对象关联数据获取模块510，相似度获取模块520以及目标推荐对象确定模块530，其中：

对象关联数据获取模块510，用于：获取当前对象的当前对象关联数据和备选推荐对象的备选对象关联数据；

相似度获取模块520，用于：将所述当前对象的当前对象关联数据和所述备选推荐对象的备选对象关联数据输入至推荐模型，得到各所述备选推荐对象与所述当前对象的相似度；

目标推荐对象确定模块530，用于：根据各所述备选推荐对象与所述当前对象的相似度确定与所述当前对象匹配的目标推荐对象；其中，所述推荐模型通过本发明实施例所述的推荐模型训练方法训练得到。

可选的，目标推荐对象确定模块530，具体用于：根据各所述备选推荐对象与所述当前对象的相似度由高到低的顺序对各所述备选推荐对象进行排序；根据各所述备选推荐对象的排序结果，选择设定数量的备选推荐对象作为所述目标推荐对象。

上述推荐装置可执行本发明任意实施例所提供的推荐方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的推荐方法。

实施例六

图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如推荐模型训练方法或推荐方法。

在一些实施例中，推荐模型训练方法或推荐方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的推荐模型训练方法或推荐方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行推荐模型训练方法或推荐方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

Claims

1.一种推荐模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述获取包括待推荐对象多属性维度信息的待推荐对象样本数据，包括：

将待推荐对象的推荐日志数据、用户点击行为数据和待推荐对象基础属性数据作为原始样本数据；

对所述原始样本数据进行数据预处理，得到预处理原始样本数据；

根据所述预处理原始样本数据提取关键样本数据，得到所述待推荐对象样本数据。

3.根据权利要求1所述的方法，其特征在于，所述对所述待推荐对象样本数据和所述当前对象数据进行语义嵌入处理，得到综合语义嵌入特征，包括：

对所述待推荐对象样本数据的各个属性维度的单属性对象样本数据进行语义嵌入处理，得到所述待推荐对象的多个单属性的基础属性语义嵌入特征；

对所述当前对象数据的各个属性维度的单属性对象数据进行语义嵌入处理，得到所述当前对象的多个单属性的基础属性语义嵌入特征；

根据所述待推荐对象的各所述基础属性语义嵌入特征和所述当前对象的各基础属性语义嵌入特征计算属***叉语义嵌入特征；

将所述属***叉语义嵌入特征和所述当前对象的基础属性语义嵌入特征，输入至自注意力网络进行权重学习，得到所述当前对象的综合语义嵌入特征；

将所述属***叉语义嵌入特征和所述待推荐对象的基础属性语义嵌入特征，输入至自注意力网络进行权重学习，得到所述待推荐对象的综合语义嵌入特征；

4.根据权利要求1-3任一所述的方法，其特征在于，所述待推荐对象包括待推荐物品。

5.一种推荐方法，其特征在于，包括：

其中，所述推荐模型通过权利要求1-4任一所述的推荐模型训练方法训练得到。

6.根据权利要求5所述的方法，其特征在于，所述根据各所述备选推荐对象与所述当前对象的相似度确定与所述当前对象匹配的目标推荐对象，包括：

根据各所述备选推荐对象与所述当前对象的相似度由高到低的顺序对各所述备选推荐对象进行排序；

根据各所述备选推荐对象的排序结果，选择设定数量的备选推荐对象作为所述目标推荐对象。

7.一种推荐模型训练装置，其特征在于，包括：

语义嵌入特征矩阵生成模块，用于根据所述综合语义嵌入特征生成所述待推荐对象样本数据的语义嵌入特征矩阵；

8.一种推荐装置，其特征在于，包括：

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的推荐模型训练法，或者实现如权利要求5-6中任一所述的推荐方法。

10.一种计算机存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的推荐模型训练法，或者实现如权利要求5-6中任一所述的推荐方法。