CN116881542A - 一种物品推荐方法及其相关设备 - Google Patents
一种物品推荐方法及其相关设备 Download PDFInfo
- Publication number
- CN116881542A CN116881542A CN202310627670.5A CN202310627670A CN116881542A CN 116881542 A CN116881542 A CN 116881542A CN 202310627670 A CN202310627670 A CN 202310627670A CN 116881542 A CN116881542 A CN 116881542A
- Authority
- CN
- China
- Prior art keywords
- model
- information
- source domain
- domain
- source
- 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
- 238000000034 method Methods 0.000 title claims abstract description 130
- 238000012545 processing Methods 0.000 claims abstract description 138
- 238000012549 training Methods 0.000 claims description 123
- 238000011156 evaluation Methods 0.000 claims description 105
- 230000015654 memory Effects 0.000 claims description 79
- 238000010606 normalization Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 55
- 238000003062 neural network model Methods 0.000 abstract description 26
- 238000013528 artificial neural network Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 29
- 239000011159 matrix material Substances 0.000 description 26
- 239000013598 vector Substances 0.000 description 26
- 230000006870 function Effects 0.000 description 25
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 230000001537 neural effect Effects 0.000 description 8
- 238000013500 data storage Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- MHABMANUFPZXEB-UHFFFAOYSA-N O-demethyl-aloesaponarin I Natural products O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=C(O)C(C(O)=O)=C2C MHABMANUFPZXEB-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 239000000872 buffer Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 208000027220 intraductal tubulopapillary neoplasm of pancreas Diseases 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种物品推荐方法及其相关设备,可以使得用于实现物品推荐的神经网络模型得到灵活使用,提高神经网络模型的可用性。本申请的方法包括:先获取源域以及目标域,源域包含N个源域物品的信息,目标域包含M个目标域物品的信息。接着,可将源域输入至第一模型以通过第一模型对源域进行处理,进而在源域包含的N个源域物品的信息中,确定K个源域物品的信息。然后,可利用K个源域物品的信息以及目标域包含的M个目标域物品的信息,来构建新目标域。随后,可将新目标域输入至第二模型,以通过第二模型对新目标域进行处理,从而得到推荐结果。如此一来,可基于推荐结果从M个目标域物品中,确定可推荐给用户的物品。
Description
技术领域
本申请实施例涉及人工智能(artificial intelligence,AI)技术领域,尤其涉及一种物品推荐方法及其相关设备。
背景技术
推荐***可根据与用户相关联的信息,来判断用户感兴趣的物品(item),并将这些物品推荐给用户观看和使用。在推荐***中,可通过AI技术中的神经网络模型来完成物品推荐,从而满足用户的需求。
在相关技术中,当需要为用户推荐物品时,可将源域(包含多个源域物品的信息)以及目标域(包含多个目标域物品的信息)输入至神经网络模型中,故神经网络模型可分别提取源域的特征以及目标域的特征,再对源域的特征以及目标域的特征进行融合,最后基于特征融合结果可输出推荐结果,该推荐结果可用于在多个目标域物品中,确定可推荐给用户的物品。至此,则成功完成了物品推荐。
上述过程中,需要在神经网络模型中构建特征融合模块(也可以称为共享模块),该模块难以复用,一旦源域中的内容或目标域中的内容发生改变,则需要重新训练新的特征融合模块,限制了神经网络模型的灵活使用,导致神经网络模型的可用性不强。
发明内容
本申请实施例提供了一种物品推荐方法及其相关设备,可以使得用于实现物品推荐的神经网络模型得到灵活使用,提高神经网络模型的可用性。
本申请实施例的第一方面提供了一种物品推荐方法,该方法包括:
当需要为用户进行物品推荐时,可先获取与用户相关联的源域以及目标域,源域包含用户的信息以及N个源域物品的信息,目标域包含用户的信息以及M个目标域物品的信息,N≥2,M≥2。
得到源域以及目标域后,可将源域输入至第一模型中,以通过第一模型对源域进行一系列的处理,故第一模型可从源域包含的N个源域物品的信息中,挑选出K个源域物品的信息,N≥K≥1。需要说明的是,挑选出的K个源域物品与M个目标域物品是相关联的,例如,K个源域物品的类型与M个目标域物品的类型之间是存在联系的。
得到第一模型输出的K个源域物品的信息后,可利用这K个源域物品的信息与目标域包含的M个目标域物品的信息,来组成新目标域,并将新目标域输入至第二模型,以通过第二模型对新目标域进行一系列的处理,从而得到针对目标域的推荐结果。如此一来,可基于推荐结果从M个目标域物品中,确定可推荐给用户的物品,并将这些物品推荐给用户观看和使用。
从上述方法可以看出:第一模型从源域中所选择的K个源域物品的信息与目标域包含的M个目标域物品的信息是相关联的,故这K个源域物品的信息可视为源域与目标域之间的共享信息。由于提取共享信息的第一模型为独立于第二模型之外的模型,即使源域中的内容或目标域中的内容发生变化,依旧可复用第一模型来提取出源域与目标域之间的共享信息,以将共享信息迁移至目标域,得到效果增强的新目标域,故第二模型可基于新目标域得到准确的物品推荐结果,不需要重新训练来得到新的第一模型以及新的第二模型,可以使得第一模型以及第二模型得到灵活使用,提高第一模型以及第二模型的可用性。
在一种可能实现的方式中,通过第一模型对源域进行处理,以从源域包含的N个源域物品的信息中,确定K个源域物品的信息包括:通过第一模型对源域进行评估,得到源域包含的N个源域物品的信息的评估值;通过第一模型从N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息。前述实现方式中,在得到源域以及目标域后,可将源域输入至第一模型,以通过第一模型对源域进行评估,从而得到源域包含的N个源域物品的信息的评估值。得到N个源域物品的评估值后,第一模型从N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息,并对外输出K个源域物品的信息。如此一来,第一模型可准确提取出源域以及目标域之间的共享信息。
在一种可能实现的方式中,通过第一模型从N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息包括:通过第一模型从N个源域物品的信息中,选择评估值大于或等于预置值的K个源域物品的信息。前述实现方式中,得到N个源域物品的评估值后,第一模型从N个源域物品的信息中,剔除评估值小于预置值的N-K个源域物品的信息,并选择评估值大于或等于预置值的K个源域物品的信息,以对外输出这K个源域物品的信息,来作为源域以及目标域之间的共享信息。
在一种可能实现的方式中,通过第一模型从N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息包括:通过第一模型从N个源域物品的信息中,选择评估值的排序靠前的K个源域物品的信息。前述实现方式中,得到N个源域物品的评估值后,第一模型从N个源域物品的信息中,剔除评估值排序靠后的N-K个源域物品的信息,并选择评估值排序靠前的K个源域物品的信息(K/N为预置比率),以对外输出这K个源域物品的信息,来作为源域以及目标域之间的共享信息。
在一种可能实现的方式中,评估包含以下至少一项:映射、线性运算以及归一化。前述实现方式中,得到源域后,第一模型可先对源域包含的N个源域物品的信息进行映射,从而得到N个源域物品的第一特征。接着,第一模型可对N个源域物品的第一特征进行线性运算,从而得到N个源域物品的第二特征。然后,第一模型可对N个源域物品的第三特征进行归一化,从而得到N个源域物品的第三特征,也就是N个源域物品的评估值。
本申请实施例的第二方面提供了一种模型训练方法,该方法包括两个训练阶段。首先,可进行第一训练阶段,第一训练阶段用于训练得到第一模型,该阶段包含:
获取第一源域以及第一目标域,第一源域包含N个源域物品的信息,第一目标域包含M个目标域物品的信息,N≥2,M≥2;通过第一待训练模型对第一源域进行处理,以从第一源域包含的N个源域物品的信息中,确定K个源域物品的信息,N≥K≥1;基于K个源域物品的信息以及第一目标域包含的M个目标域物品的信息,构建第一新目标域;通过第二待训练模型对第一新目标域进行处理,得到第一推荐结果,并基于第一推荐结果对第二待训练模型进行训练,得到第三模型,第一推荐结果用于从M个目标域物品中,确定可推荐的物品;基于第二待训练模型以及第三模型,对第一待训练模型进行训练,得到第一模型。
完成第一训练阶段后,可进行第二训练阶段,第二训练阶段用于训练得到第二模型,该阶段包括:
获取第二源域以及第二目标域,第二源域包含X个源域物品的信息,第二目标域包含Y个目标域物品的信息,X≥2,Y≥2;通过第一模型对第二源域进行处理,以从第二源域包含的X个源域物品的信息中,确定Z个源域物品的信息,X≥Z≥1;基于Z个源域物品的信息以及第二目标域包含的Y个目标域物品的信息,构建第二新目标域;通过第二待训练模型对第二新目标域进行处理,得到第二推荐结果,并基于第二推荐结果对第二待训练模型进行训练,得到第二模型,第二推荐结果用于从Y个目标域物品中,确定可推荐的物品。
上述方法训练得到的第一模型以及第二模型,二者所组成的***具备物品推荐功能。具体地,当需要为用户推荐物品时,可先获取源域以及目标域,源域包含N个源域物品的信息,目标域包含M个目标域物品的信息。接着,可将源域输入至第一模型以通过第一模型对源域进行处理,进而在源域包含的N个源域物品的信息中,确定K个源域物品的信息。然后,可利用K个源域物品的信息以及目标域包含的M个目标域物品的信息,来构建新目标域。随后,可将新目标域输入至第二模型,以通过第二模型对新目标域进行处理,从而得到推荐结果。如此一来,可基于推荐结果从M个目标域物品中,确定可推荐给用户的物品,并将这些物品推荐给用户。前述过程中,第一模型从源域中所选择的K个源域物品的信息与目标域包含的M个目标域物品的信息是相关联的,故这K个源域物品的信息可视为源域与目标域之间的共享信息。由于提取共享信息的第一模型为独立于第二模型之外的模型,即使源域中的内容或目标域中的内容发生变化,依旧可复用第一模型来提取出源域与目标域之间的共享信息,以将共享信息迁移至目标域,得到效果增强的新目标域,故第二模型可基于新目标域得到准确的物品推荐结果,不需要重新训练来得到新的第一模型以及新的第二模型,可以使得第一模型以及第二模型得到灵活使用,提高第一模型以及第二模型的可用性。
在一种可能实现的方式中,基于第二待训练模型以及第三模型,对第一待训练模型进行训练,得到第一模型包括:通过第二待训练模型对第一源域进行处理,得到第三推荐结果;通过第三模型对第一源域进行处理,得到第四推荐结果;通过第二待训练模型对第三目标域进行处理,得到第五推荐结果;通过第三模型对第三目标域进行处理,得到第六推荐结果;基于第三推荐结果、第四推荐结果、第五推荐结果以及第六推荐结果,对第一待训练模型进行训练,得到第一模型。前述实现方式中,在得到第三模型后,可将第一源域分别输入至第二待训练模型以及第三模型,以通过第二待训练模型对第一源域进行处理,从而得到第三推荐结果,并通过第三模型对第一源域进行处理,从而得到第四推荐结果。接着,可对第三推荐结果进行计算,从而得到第三损失,并对第四推荐结果进行计算,从而得到第四损失。与此同时,得到第三模型后,还可将第三目标域分别输入至第二待训练模型以及第三模型,以通过第二待训练模型对第三目标域进行处理,从而得到第五推荐结果,并通过第三模型对第三目标域进行处理,从而得到第六推荐结果。接着,可对第五推荐结果进行计算,从而得到第一性能指标,并对第六推荐结果进行计算,从而得到第二性能指标。然后,可基于第三损失、第四损失、第一性能指标以及第二性能指标计算奖励值,并利用奖励值对第一待训练模型进行训练,以训练得到第一模型。
在一种可能实现的方式中,通过第一待训练模型对第一源域进行处理,以从第一源域包含的N个源域物品的信息中,确定K个源域物品的信息包括:通过第一模型对第一源域进行评估,得到第一源域包含的N个源域物品的信息的评估值;通过第一模型从N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息。
在一种可能实现的方式中,通过第一模型从N个源域物品的信息的评估值中,选择评估值满足预置条件的K个源域物品的信息包括:通过第一模型从N个源域物品的信息中,选择评估值大于或等于预置值的K个源域物品的信息。
在一种可能实现的方式中,通过第一模型从N个源域物品的信息的评估值中,选择评估值满足预置条件的K个源域物品的信息包括:通过第一模型从N个源域物品的信息中,选择评估值的排序靠前的K个源域物品的信息。
在一种可能实现的方式中,评估包含以下至少一项:映射、线性运算以及归一化。
本申请实施例的第三方面提供了一种物品推荐装置,该装置包括:获取模块,用于获取源域以及目标域,源域包含N个源域物品的信息,目标域包含M个目标域物品的信息,N≥2,M≥2;第一处理模块,用于通过第一模型对源域进行处理,以从源域包含的N个源域物品的信息中,确定K个源域物品的信息,N≥K≥1;构建模块,用于基于K个源域物品的信息以及目标域包含的M个目标域物品的信息,构建新目标域;第二处理模块,用于通过第二模型对新目标域进行处理,得到推荐结果,推荐结果用于从M个目标域物品中,确定可推荐的物品。
从上述装置可以看出:当需要为用户推荐物品时,可先获取源域以及目标域,源域包含N个源域物品的信息,目标域包含M个目标域物品的信息。接着,可将源域输入至第一模型以通过第一模型对源域进行处理,进而在源域包含的N个源域物品的信息中,确定K个源域物品的信息。然后,可利用K个源域物品的信息以及目标域包含的M个目标域物品的信息,来构建新目标域。随后,可将新目标域输入至第二模型,以通过第二模型对新目标域进行处理,从而得到推荐结果。如此一来,可基于推荐结果从M个目标域物品中,确定可推荐给用户的物品,并将这些物品推荐给用户。前述过程中,第一模型从源域中所选择的K个源域物品的信息与目标域包含的M个目标域物品的信息是相关联的,故这K个源域物品的信息可视为源域与目标域之间的共享信息。由于提取共享信息的第一模型为独立于第二模型之外的模型,即使源域中的内容或目标域中的内容发生变化,依旧可复用第一模型来提取出源域与目标域之间的共享信息,以将共享信息迁移至目标域,得到效果增强的新目标域,故第二模型可基于新目标域得到准确的物品推荐结果,不需要重新训练来得到新的第一模型以及新的第二模型,可以使得第一模型以及第二模型得到灵活使用,提高第一模型以及第二模型的可用性。
在一种可能实现的方式中,第一处理模块,用于:通过第一模型对源域进行评估,得到源域包含的N个源域物品的信息的评估值;通过第一模型从N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息。
在一种可能实现的方式中,第一处理模块,用于:通过第一模型从N个源域物品的信息中,选择评估值大于或等于预置值的K个源域物品的信息。
在一种可能实现的方式中,第一处理模块,用于:通过第一模型从N个源域物品的信息中,选择评估值的排序靠前的K个源域物品的信息。
在一种可能实现的方式中,评估包含以下至少一项:映射、线性运算以及归一化。
本申请实施例的第四方面提供一种模型训练装置,该装置包括:第一获取模块,用于获取第一源域以及第一目标域,第一源域包含N个源域物品的信息,第一目标域包含M个目标域物品的信息,N≥2,M≥2;第一处理模块,用于通过第一待训练模型对第一源域进行处理,以从第一源域包含的N个源域物品的信息中,确定K个源域物品的信息,N≥K≥1;第一构建模块,用于基于K个源域物品的信息以及第一目标域包含的M个目标域物品的信息,构建第一新目标域;第二处理模块,用于通过第二待训练模型对第一新目标域进行处理,得到第一推荐结果,并基于第一推荐结果对第二待训练模型进行训练,得到第三模型,第一推荐结果用于从M个目标域物品中,确定可推荐的物品;第三处理模块,用于基于第二待训练模型以及第三模型,对第一待训练模型进行训练,得到第一模型。
进一步地,该装置还包括:第二获取模块,用于获取第二源域以及第二目标域,第二源域包含X个源域物品的信息,第二目标域包含Y个目标域物品的信息,X≥2,Y≥2;第四处理模块,用于通过第一模型对第二源域进行处理,以从第二源域包含的X个源域物品的信息中,确定Z个源域物品的信息,X≥Z≥1;第二构建模块,用于基于Z个源域物品的信息以及第二目标域包含的Y个目标域物品的信息,构建第二新目标域;第五处理模块,用于通过第二待训练模型对第二新目标域进行处理,得到第二推荐结果,并基于第二推荐结果对第二待训练模型进行训练,得到第二模型,第二推荐结果用于从Y个目标域物品中,确定可推荐的物品。
上述装置训练得到的第一模型以及第二模型,二者所组成的***具备物品推荐功能。具体地,当需要为用户推荐物品时,可先获取源域以及目标域,源域包含N个源域物品的信息,目标域包含M个目标域物品的信息。接着,可将源域输入至第一模型以通过第一模型对源域进行处理,进而在源域包含的N个源域物品的信息中,确定K个源域物品的信息。然后,可利用K个源域物品的信息以及目标域包含的M个目标域物品的信息,来构建新目标域。随后,可将新目标域输入至第二模型,以通过第二模型对新目标域进行处理,从而得到推荐结果。如此一来,可基于推荐结果从M个目标域物品中,确定可推荐给用户的物品,并将这些物品推荐给用户。前述过程中,第一模型从源域中所选择的K个源域物品的信息与目标域包含的M个目标域物品的信息是相关联的,故这K个源域物品的信息可视为源域与目标域之间的共享信息。由于提取共享信息的第一模型为独立于第二模型之外的模型,即使源域中的内容或目标域中的内容发生变化,依旧可复用第一模型来提取出源域与目标域之间的共享信息,以将共享信息迁移至目标域,得到效果增强的新目标域,故第二模型可基于新目标域得到准确的物品推荐结果,不需要重新训练来得到新的第一模型以及新的第二模型,可以使得第一模型以及第二模型得到灵活使用,提高第一模型以及第二模型的可用性。
在一种可能实现的方式中,第三处理模块,用于:通过第二待训练模型对第一源域进行处理,得到第三推荐结果;通过第三模型对第一源域进行处理,得到第四推荐结果;通过第二待训练模型对第三目标域进行处理,得到第五推荐结果;通过第三模型对第三目标域进行处理,得到第六推荐结果;基于第三推荐结果、第四推荐结果、第五推荐结果以及第六推荐结果,对第一待训练模型进行训练,得到第一模型。
在一种可能实现的方式中,第一处理模块,用于:通过第一模型对第一源域进行评估,得到第一源域包含的N个源域物品的信息的评估值;通过第一模型从N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息。
在一种可能实现的方式中,第一处理模块,用于通过第一模型从N个源域物品的信息中,选择评估值大于或等于预置值的K个源域物品的信息。
在一种可能实现的方式中,第一处理模块,用于通过第一模型从N个源域物品的信息中,选择评估值的排序靠前的K个源域物品的信息。
在一种可能实现的方式中,评估包含以下至少一项:映射、线性运算以及归一化。
本申请实施例的第三方面提供了一种物品推荐装置,该装置包括存储器和处理器;存储器存储有代码,处理器被配置为执行代码,当代码被执行时,物品推荐装置执行如第一方面或第一方面中任意一种可能的实现方式所述的方法。
本申请实施例的第四方面提供了一种模型训练装置,该装置包括存储器和处理器;存储器存储有代码,处理器被配置为执行代码,当代码被执行时,模型训练装置执行如第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第五方面提供了一种电路***,该电路***包括处理电路,该处理电路配置为执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第六方面提供了一种芯片***,该芯片***包括处理器,用于调用存储器中存储的计算机程序或计算机指令,以使得该处理器执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
在一种可能的实现方式中,该处理器通过接口与存储器耦合。
在一种可能的实现方式中,该芯片***还包括存储器,该存储器中存储有计算机程序或计算机指令。
本申请实施例的第七方面提供了一种计算机存储介质,该计算机存储介质存储有计算机程序,该程序在由计算机执行时,使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第八方面提供了一种计算机程序产品,该计算机程序产品存储有指令,该指令在由计算机执行时,使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例中,当需要为用户推荐物品时,可先获取源域以及目标域,源域包含N个源域物品的信息,目标域包含M个目标域物品的信息。接着,可将源域输入至第一模型以通过第一模型对源域进行处理,进而在源域包含的N个源域物品的信息中,确定K个源域物品的信息。然后,可利用K个源域物品的信息以及目标域包含的M个目标域物品的信息,来构建新目标域。随后,可将新目标域输入至第二模型,以通过第二模型对新目标域进行处理,从而得到推荐结果。如此一来,可基于推荐结果从M个目标域物品中,确定可推荐给用户的物品,并将这些物品推荐给用户。前述过程中,第一模型从源域中所选择的K个源域物品的信息与目标域包含的M个目标域物品的信息是相关联的,故这K个源域物品的信息可视为源域与目标域之间的共享信息。由于提取共享信息的第一模型为独立于第二模型之外的模型,即使源域中的内容或目标域中的内容发生变化,依旧可复用第一模型来提取出源域与目标域之间的共享信息,以将共享信息迁移至目标域,得到效果增强的新目标域,故第二模型可基于新目标域得到准确的物品推荐结果,不需要重新训练来得到新的第一模型以及新的第二模型,可以使得第一模型以及第二模型得到灵活使用,提高第一模型以及第二模型的可用性。
附图说明
图1为人工智能主体框架的一种结构示意图;
图2a为本申请实施例提供的物品推荐***的一个结构示意图;
图2b为本申请实施例提供的物品推荐***的另一结构示意图;
图2c为本申请实施例提供的物品推荐的相关设备的一个示意图;
图3为本申请实施例提供的***100架构的一个示意图;
图4为本申请实施例提供的物品推荐***的一个结构示意图;
图5为本申请实施例提供的物品推荐方法的一个流程示意图;
图6a为本申请实施例提供的物品推荐***的另一结构示意图;
图6b为本申请实施例提供的控制器的一个结构示意图;
图7为本申请实施例提供的单域推荐模型的一个结构示意图;
图8为本申请实施例提供的模型训练方法的一个流程示意图;
图9为本申请实施例提供的训练框架的一个结构示意图;
图10为本申请实施例提供的物品推荐方法的一个结构示意图;
图11为本申请实施例提供的模型训练装置的一个结构示意图;
图12为本申请实施例提供的执行设备的一个结构示意图;
图13为本申请实施例提供的训练设备的一个结构示意图;
图14为本申请实施例提供的芯片的一个结构示意图。
具体实施方式
本申请实施例提供了一种物品推荐方法及其相关设备,可以使得用于实现物品推荐的神经网络模型得到灵活使用,提高神经网络模型的可用性。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,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,以便包含一系列单元的过程、方法、***、产品或设备不必限于那些单元,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单元。
推荐***可根据与用户相关联的信息,来判断用户感兴趣的物品(item),并将这些物品推荐给用户观看和使用。在推荐***中,可通过AI技术中的神经网络模型来完成物品推荐,从而满足用户的需求。
在相关技术中,当需要为用户推荐物品时,可先获取源域以及目标域,源域包含多个源域物品的信息,目标域包含多个目标域物体的信息。接着,可将源域以及目标域输入至神经网络模型中,故神经网络模型可分别提取源域的特征以及目标域的特征。然后,神经网络模型可对源域的特征以及目标域的特征进行融合,从而得到特征融合结果。随后,神经网络模型可基于特征融合结果获取并对外输出推荐结果。最后,可利用推荐结果在多个目标域物品中确定可推荐给用户的物品,并将这些物品推荐给用户。至此,则成功完成了物品推荐。
上述过程中,特征融合模块(也可以称为共享模块)位于神经网络模型的中间层(隐层),导致该模块提取出的源域和目标域之间的共享信息难以复用。一旦源域中的内容(例如,源域物品的类型)或目标域中的内容(例如,目标域物品的类型)发生改变,则需要重新训练新的特征融合模块,限制了神经网络模型的灵活使用,导致神经网络模型的可用性不强。
为了解决上述问题,本申请实施例提供了一种物品推荐方法,该方法可结合人工智能(artificial intelligence,AI)技术实现。AI技术是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能的技术学科,AI技术通过感知环境、获取知识并使用知识获得最佳结果。换句话说,人工智能技术是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。利用人工智能进行数据处理是人工智能常见的一个应用方式。
首先对人工智能***总体工作流程进行描述,请参见图1,图1为人工智能主体框架的一种结构示意图,下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中,“智能信息链”反映从数据的获取到处理的一列过程。举例来说,可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中,数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到***的产业生态过程,反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能***提供计算能力支持,实现与外部世界的沟通,并通过基础平台实现支撑。通过传感器与外部沟通;计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供;基础平台包括分布式计算框架及网络等相关的平台保障和支持,可以包括云存储和计算、互联互通网络等。举例来说,传感器和外部沟通获取数据,这些数据提供给基础平台提供的分布式计算***中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本,还涉及到传统设备的物联网数据,包括已有***的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练,机器学习,深度学习,搜索,推理,决策等方式。
其中,机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能***中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的信息进行机器思维和求解问题的过程,典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程,通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后,进一步基于数据处理的结果可以形成一些通用的能力,比如可以是算法或者一个通用***,例如,翻译,文本的分析,计算机视觉的处理,语音识别,图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能***在各领域的产品和应用,是对人工智能整体解决方案的封装,将智能信息决策产品化、实现落地应用,其应用领域主要包括:智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。
接下来介绍几种本申请的应用场景。
图2a为本申请实施例提供的物品推荐***的一个结构示意图,该物品推荐***包括用户设备以及数据处理设备。其中,用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为物品推荐的发起端,作为物品推荐请求的发起方,通常由用户通过用户设备发起请求。
上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的物品推荐请求,再通过存储数据的存储器以及数据处理的处理器环节进行机器学习,深度学习,搜索,推理,决策等方式的物品推荐。数据处理设备中的存储器可以是一个统称,包括本地存储以及存储历史数据的数据库,数据库可以在数据处理设备上,也可以在其它网络服务器上。
在图2a所示的物品推荐***中,用户设备可以接收用户的指令,例如用户设备可以获取与用户相关联的源域和目标域,然后向数据处理设备发起请求,使得数据处理设备针对来自用户设备的源域和目标域执行物品推荐处理,从而得到物品推荐结果。示例性的,用户设备可以获取与用户相关联的源域和目标域(源域可包含用户的信息以及多个源域物品的信息,目标域可包含用户的信息以及多个目标域物体的信息),然后用户设备可向数据处理设备发起物品推荐请求,使得数据处理设备基于物品推荐请求,对源域和目标域进行一系列的处理,从而得到物品推荐结果,即用户对多个目标域物体感兴趣并发生点击行为的概率。
在图2a中,数据处理设备可以执行本申请实施例的物品推荐方法。
图2b为本申请实施例提供的物品推荐***的另一结构示意图,在图2b中,用户设备直接作为数据处理设备,该用户设备能够直接获取来自用户的输入并直接由用户设备本身的硬件进行处理,具体过程与图2a相似,可参考上面的描述,在此不再赘述。
在图2b所示的物品推荐***中,用户设备可以接收用户的指令,例如用户设备可以获取与用户相关联的源域和目标域(源域可包含用户的信息以及多个源域物品的信息,目标域可包含用户的信息以及多个目标域物体的信息),然后用户设备可对源域和目标域进行一系列的处理,从而得到物品推荐结果,即用户对多个目标域物体感兴趣并发生点击行为的概率。
在图2b中,用户设备自身就可以执行本申请实施例的物品推荐方法。
图2c为本申请实施例提供的物品推荐的相关设备的一个示意图。
上述图2a和图2b中的用户设备具体可以是图2c中的本地设备301或者本地设备302,图2a中的数据处理设备具体可以是图2c中的执行设备210,其中,数据存储***250可以存储执行设备210的待处理数据,数据存储***250可以集成在执行设备210上,也可以设置在云上或其它网络服务器上。
图2a和图2b中的处理器可以通过神经网络模型或者其它模型(例如,基于支持向量机的模型)进行数据训练/机器学习/深度学习,并利用数据最终训练或者学习得到的模型针对图像执行故障预测应用,从而得到相应的处理结果。
图3为本申请实施例提供的***100架构的一个示意图,在图3中,执行设备110配置输入/输出(input/output,I/O)接口112,用于与外部设备进行数据交互,用户可以通过客户设备140向I/O接口112输入数据,所述输入数据在本申请实施例中可以包括:各个待调度任务、可调用资源以及其他参数。
在执行设备110对输入数据进行预处理,或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本申请中神经网络的功能实现)过程中,执行设备110可以调用数据存储***150中的数据、代码等以用于相应的处理,也可以将相应处理得到的数据、指令等存入数据存储***150中。
最后,I/O接口112将处理结果返回给客户设备140,从而提供给用户。
值得说明的是,训练设备120可以针对不同的目标或称不同的任务,基于不同的训练数据生成相应的目标模型/规则,该相应的目标模型/规则即可以用于实现上述目标或完成上述任务,从而为用户提供所需的结果。其中,训练数据可以存储在数据库130中,且来自于数据采集设备160采集的训练样本。
在图3中所示情况下,用户可以手动给定输入数据,该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下,客户设备140可以自动地向I/O接口112发送输入数据,如果要求客户设备140自动发送输入数据需要获得用户的授权,则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端,采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据,并存入数据库130。当然,也可以不经过客户设备140进行采集,而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果,作为新的样本数据存入数据库130。
值得注意的是,图3仅是本申请实施例提供的一种***架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图3中,数据存储***150相对执行设备110是外部存储器,在其它情况下,也可以将数据存储***150置于执行设备110中。如图3所示,可以根据训练设备120训练得到神经网络。
本申请实施例还提供的一种芯片,该芯片包括神经网络处理器NPU。该芯片可以被设置在如图3所示的执行设备110中,用以完成计算模块111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中,用以完成训练设备120的训练工作并输出目标模型/规则。
神经网络处理器NPU,NPU作为协处理器挂载到主中央处理器(centralprocessing unit,CPU)(host CPU)上,由主CPU分配任务。NPU的核心部分为运算电路,控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。
在一些实现中,运算电路内部包括多个处理单元(process engine,PE)。在一些实现中,运算电路是二维脉动阵列。运算电路还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)中。
向量计算单元可以对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。例如,向量计算单元可以用于神经网络中非卷积/非FC层的网络计算,如池化(pooling),批归一化(batch normalization),局部响应归一化(localresponse normalization)等。
在一些实现种,向量计算单元能将经处理的输出的向量存储到统一缓存器。例如,向量计算单元可以将非线性函数应用到运算电路的输出,例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元生成归一化的值、合并值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路的激活输入,例如用于在神经网络中的后续层中的使用。
统一存储器用于存放输入数据以及输出数据。
权重数据直接通过存储单元访问控制器(direct memory access controller,DMAC)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器,以及将统一存储器中的数据存入外部存储器。
总线接口单元(bus interface unit,BIU),用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。
与控制器连接的取指存储器(instruction fetch buffer),用于存储控制器使用的指令;
控制器,用于调用指存储器中缓存的指令,实现控制该运算加速器的工作过程。
一般地,统一存储器,输入存储器,权重存储器以及取指存储器均为片上(On-Chip)存储器,外部存储器为该NPU外部的存储器,该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random access memory,DDRSDRAM)、高带宽存储器(high bandwidth memory,HBM)或其他可读可写的存储器。
由于本申请实施例涉及大量神经网络的应用,为了便于理解,下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的,神经单元可以是指以xs和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,Ws为xs的权重,b为神经单元的偏置。f为神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经单元组成的区域。
神经网络中的每一层的工作可以用数学表达式y=a(Wx+b)来描述:从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作,完成输入空间到输出空间的变换(即矩阵的行空间到列空间),这五种操作包括:1、升维/降维;2、放大/缩小;3、旋转;4、平移;5、“弯曲”。其中1、2、3的操作由Wx完成,4的操作由+b完成,5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物,而是一类事物,空间是指这类事物所有个体的集合。其中,W是权重向量,该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换,即每一层的权重W控制着如何变换空间。训练神经网络的目的,也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此,神经网络的训练过程本质上就是学习控制空间变换的方式,更具体的就是学习权重矩阵。
因为希望神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为神经网络中的各层预先配置参数),比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断的调整,直到神经网络能够预测出真正想要的目标值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(loss function)或目标函数(objective function),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么神经网络的训练就变成了尽可能缩小这个loss的过程。
(2)反向传播算法
神经网络可以采用误差反向传播(back propagation,BP)算法在训练过程中修正初始的神经网络模型中参数的大小,使得神经网络模型的重建误差损失越来越小。具体地,前向传递输入信号直至输出会产生误差损失,通过反向传播误差损失信息来更新初始的神经网络模型中参数,从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动,旨在得到最优的神经网络模型的参数,例如权重矩阵。
(3)推荐***(recommender system)
推荐***是一种可使用神经网络模型来帮助用户找到感兴趣的物品的技术。推荐***通过收集用户的历史行为,学习用户的行为偏好,从而帮助用户发现用户自身可能喜欢的物品(例如,商品、服务或内容等等),故可以增加用户对网站或应用程序的满意度、促进网站或应用程序的销售额以及提高网站或应用程序的活跃度。
(4)单域推荐(single-domain recommendation)算法
基于单域推荐算法的推荐***所面向的场景是单一的,相对固定的。例如,在某音乐app的“猜你喜欢”界面,是一种针对该应用长期活跃用户所开发的推荐***,可认为是基于单域推荐算法的推荐***。该算法在***内所搭建的单域推荐模型可以大致分为三类:基于内容过滤的模型,基于协同过滤的模型以及混合模型。基于内容推荐的模型根据用户和待推荐物品之间档案的相似度来推断用户对物品的偏好程度。协同过滤基于用户或物品内部的相似性,根据当前用户相似的用户喜欢的物品,或者当前用户喜欢的物品相似的物品,提供最终推荐列表。混合模型将内容过滤和协同过滤集成到统一的框架中。
(5)跨域推荐(cross-domain recommendation)算法
推荐***需要大量的用户历史信息挖掘用户偏好,这在很多场景下是难以满足的,这会带来冷启动问题。为了解决信息获取的问题,可以将其他领域的信息拿过来与本领域的信息共同训练本领域的模型,从而提升本领域的推荐效果,这种算法称为跨域推荐算法。此时,包含较多信息的其它领域可称为源域(source domain),包含较少信息的本领域可称为目标域(target domain)。由于领域之间的信息分布存在差异,如何建模不同域之间的共性和特性,如何将共性的有益的信息从源域迁移到目标域,是一个值得探讨的话题。
下面从神经网络的训练侧和神经网络的应用侧对本申请提供的方法进行描述。
本申请实施例提供的模型训练方法,涉及数据序列的处理,具体可以应用于数据训练、机器学习、深度学习等方法,对训练数据(例如,本申请实施例中的第一源域、第一目标域、第二源域以及第二目标域)进行符号化和形式化的智能信息建模、抽取、预处理、训练等,最终得到训练好的神经网络(例如,本申请实施例中的第一模型以及第二模型);并且,本申请实施例提供的物品推荐方法可以运用上述训练好的神经网络,将输入数据(例如,本申请实施例中的源域以及目标域)输入到所述训练好的神经网络中,得到输出数据(例如,本申请实施例中的推荐结果)。需要说明的是,本申请实施例提供的模型训练方法和物品推荐方法是基于同一个构思产生的发明,也可以理解为一个***中的两个部分,或一个整体流程的两个阶段:如模型训练阶段和模型应用阶段。
本申请实施例提供的物品推荐方法可通过物品推荐***实现,图4为本申请实施例提供的物品推荐***的一个结构示意图,如图4所示,物品推荐***包括:第一模型以及第二模型,其中,第一模型也可以称为控制器(controller),第二模型也可以称为单域推荐(single-domain recommendation)模型。为了了解物品推荐***的工作流程,下文结合图5对物品推荐***的工作流程进行介绍,图5为本申请实施例提供的物品推荐方法的一个流程示意图,如图5所示,该方法包括:
501、获取源域以及目标域,源域包含N个源域物品的信息,目标域包含M个目标域物品的信息,N≥2,M≥2。
本实施例中,当需要为用户进行物品推荐时,可先获取与用户相关联的源域以及目标域。需要说明的是,源域包含N个源域样本(N为大于或等于2的正整数),其中,第1个源域样本包含用户的信息以及第1个源域物品的信息,第2个源域样本包含用户的信息以及第2个源域物品的信息,...,第N个源域样本包含用户的信息以及第N个源域物品的信息。目标域包含M个目标域样本(M为大于或等于2的正整数),其中,第1个目标域样本包含用户的信息以及第1个目标域物品的信息,第2个目标域样本包含用户的信息以及第2个目标域物品的信息,...,第M个目标域样本包含用户的信息以及第M个目标域物品的信息。
值得注意的是,在N个源域物品中,任意两个源域物品既可以是相同的源域物品,也可以是不同的源域物品。同理,在M个目标域物品中,任意两个目标域物品既可以是相同的目标域物品,也可以是不同的目标域物品。
例如,如图6a所示(图6a为本申请实施例提供的物品推荐***的另一结构示意图),设需要为用户推荐其感兴趣的电影,可获取与用户关联的源域S以及目标域T,S包含第1个源域样本、第2个源域样本、...、第N个源域样本,其中,第1个源域样本由用户的信息(比如,用户的姓名、性别、身高等等)以及第1本书的信息(比如,第1本书的名称、价格、类型等等)构成,第2个源域样本由用户的信息以及第2本书的信息构成,...,第N个源域样本由用户的信息以及第N本书的信息构成。T包含第1个目标域样本、第2个目标域样本、...、第M个目标域样本,其中,第1个目标域样本由用户的信息以及第1部电影的信息(比如,第1部电影的名称、类型、时长等等)构成,第2个目标域样本由用户的信息以及第2部电影的信息构成,...,第M个目标域样本由用户的信息以及第M部电影的信息构成。
在这N本书中,任意两本书可以是相同的书,也可以是不同的两本。同样地,在这M部电影中,任意两部电影可以是相同的电影,也可以是不同的电影。
502、通过第一模型对源域进行处理,以从源域包含的N个源域物品的信息中,确定K个源域物品的信息,N≥K≥1。
得到源域以及目标域后,可将源域输入至第一模型中,以通过第一模型对源域进行处理,故第一模型可从源域包含的N个源域物品的信息中,挑选出K个源域物品的信息(K为小于或等于N的正整数,且K为大于或等于1的正整数)。
值得注意的是,挑选出的K个源域物品与M个目标域物品是相关联的(例如,K个源域物品的类型与M个目标域物品的类型之间是存在联系的)。而且,在挑选出的K个源域物品中,任意两个源域物品通常是不同的源域物品。
具体地,第一模型可通过以下方式挑选出K个源域物品的信息:
(1)在得到源域以及目标域后,可将源域输入至第一模型,以通过第一模型对源域进行评估,从而得到源域包含的N个源域物品的信息的评估值。
其中,第一模型可通过以下方式来获取N个源域物品的评估值:
(1.1)得到源域后,第一模型可先对源域包含的N个源域物品的信息进行映射,从而得到N个源域物品的第一特征。
(1.2)第一模型可对N个源域物品的第一特征进行线性运算,从而得到N个源域物品的第二特征。
(1.3)第一模型可对N个源域物品的第三特征进行归一化,从而得到N个源域物品的第三特征,也就是N个源域物品的评估值。
依旧如上述例子,得到S以及T后,可将T输入至控制器,控制器可包含串联的映射(embedding)层、线性(linear)运算层以及归一化(softmax)层。在接收到S后,S所包含的N个源域样本经过控制器中的映射层、线性运算层以及归一化层的处理后,可得到N个源域样本的评估值,也就是N本书的评估值。
(2)得到N个源域物品的评估值后,第一模型可从N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息。
其中,第一模型可通过以下多种方式来获取K个源域物品的信息:
(2.1)得到N个源域物品的评估值后,第一模型从N个源域物品的信息中,选择评估值大于或等于预置值(预置值的大小可根据实际需求进行设置,此处不做限制)的K个源域物品的信息,并剔除剩余的N-K个源域物品的信息。如此一来,第一模型可得到并输出K个源域物品的信息,这K个源域物品的信息与M个目标域物品的信息是相关联的。
依旧如上述例子,如图6b所示(图6b为本申请实施例提供的控制器的一个结构示意图),控制器可包含阈值(threshold)层以及选择层。在接收到N个源域样本的评估值后,阈值层可在N个源域样本中,将评估值小于预设的评估阈值的N-K个源域样本(也就是N-K本书的信息)的选择结果置为“不选择”(如图6b中的“叉”),并将评估值大于或等于预设的评估阈值的K个源域样本(也就是K本书的信息)的选择结果置为“选择”(如图6b中的“勾”),然后阈值层可向选择层发送这N个源域样本的动作结果。那么,加法层可将N个源域样本的动作结果与N个源域样本进行叠加,从而剔除评估值小于预设的评估阈值的N-K个源域样本,并对外输出评估值大于或等于预设的评估阈值的K个源域样本,也就是K本书的信息。这K本书与M部电影是存在一定的联系的,比如,目标域的M部电影可以是动作电影,控制器所输出的K本书可以是武侠小说,故可在这M部电影中,为用户推荐以武侠为主题的动作电影。
(2.2)得到N个源域物品的评估值后,第一模型从N个源域物品的信息中,选择评估值的排序靠前的K个源域物品的信息,并剔除剩余的N-K个源域物品的信息,其中,K/N等于预置比率(预置比率的大小可根据实际需求进行设置,此处不做限制)。如此一来,第一模型可得到并输出K个源域物品的信息,这K个源域物品的信息与M个目标域物品的信息是相关联的。
依旧如上述例子,控制器可包含比率(ratio)层以及选择层。在接收到N个源域样本的评估值后,比率层可在N个源域样本中,将评估值排序靠后的N-K个源域样本的选择结果置为“不选择”(如图6b中的“叉”),并将评估值排序靠前的的K个源域样本的选择结果置为“选择”(如图6b中的“勾”),K/N为40%。然后比率层可向选择层发送这N个源域样本的动作结果。那么,加法层可将N个源域样本的动作结果与N个源域样本进行叠加,从而剔除评估值排序靠后的N-K个源域样本,并对外输出评估值排序靠前的K个源域样本,也就是K本书的信息。
503、基于K个源域物品的信息以及目标域包含的M个目标域物品的信息,构建新目标域。
得到第一模型输出的K个源域物品的信息后,可利用这K个源域物品的信息与目标域包含的M个目标域物品的信息,来组成新目标域。可以理解的是,新目标域包含原始的源域中的K个源域物品的信息以及原始的目标域中的M个目标域物品的信息。
依旧如上述例子,得到控制器输出的K个源域样本后,可将这K个源域样本以及T中的M个目标域样本组合在一起,从而构建得到新目标域T`。由此可见,T`包含K个源域样本以及M个目标域样本,也就是K本书的信息以及M部电影的信息。
504、通过第二模型对新目标域进行处理,得到推荐结果,推荐结果用于从M个目标域物品中,确定可推荐的物品。
得到新目标域后,可将新目标域输入至第二模型,以通过第二模型对新目标域进行一系列的处理,从而得到推荐结果,推荐结果包含用户对M个目标域物品感兴趣并发生点击行为的概率,故可在M个目标域物品中,将概率最大的若干个目标域物品确定为可推荐给用户的物品,并推荐给用户观看和使用。至此,则成功为用户完成了物品推荐。
依旧如上述例子,如图7所示(图7为本申请实施例提供的单域推荐模型的一个结构示意图),得到T`,可将T`输入至单域推荐模型,单域推荐模型对T`进行一系列的处理(例如,特征提取等等)后,可得到并对外输出用户对第1部电影感兴趣的概率为0.26,用户对第2部电影感兴趣的概率为0.13,...,用户对第M部电影感兴趣的概率为0.95。那么,可从这M部电影中,将概率最大的若干部电影,推荐给用户观看。
此外,还可将本申请实施例提供的物品推荐***(该***为表1中的ITPN,且该***中的推荐模型可以为表1中的DCN、IPNN、OPNN、FNN以及AFM)与相关技术提供的物品推荐***(该***为表1中的CDR,且该***中所使用的推荐模型为CLFM、DTCDR以及CMF)进行比较,比较结果如表1所示:
表1
基于表1可知,本申请实施例提供的物品推荐***在各项指标上,均优于相关技术提供的物品推荐***。
本申请实施例中,当需要为用户推荐物品时,可先获取源域以及目标域,源域包含N个源域物品的信息,目标域包含M个目标域物品的信息。接着,可将源域输入至第一模型以通过第一模型对源域进行处理,进而在源域包含的N个源域物品的信息中,确定K个源域物品的信息。然后,可利用K个源域物品的信息以及目标域包含的M个目标域物品的信息,来构建新目标域。随后,可将新目标域输入至第二模型,以通过第二模型对新目标域进行处理,从而得到推荐结果。如此一来,可基于推荐结果从M个目标域物品中,确定可推荐给用户的物品,并将这些物品推荐给用户。前述过程中,第一模型从源域中所选择的K个源域物品的信息与目标域包含的M个目标域物品的信息是相关联的,故这K个源域物品的信息可视为源域与目标域之间的共享信息。由于提取共享信息的第一模型为独立于第二模型之外的模型,即使源域中的内容或目标域中的内容发生变化,依旧可复用第一模型来提取出源域与目标域之间的共享信息,以将共享信息迁移至目标域,得到效果增强的新目标域,故第二模型可基于新目标域得到准确的物品推荐结果,不需要重新训练来得到新的第一模型以及新的第二模型,可以使得第一模型以及第二模型得到灵活使用,提高第一模型以及第二模型的可用性。
以上是对本申请实施例提供的物品推荐方法所进行的详细说明,以下将对本申请实施例提供的模型训练方法进行介绍。图8为本申请实施例提供的模型训练方法的一个流程示意图,如图8所示,该方法包括:
801、获取第一源域以及第一目标域,第一源域包含N个源域物品的信息,第一目标域包含M个目标域物品的信息,N≥2,M≥2。
本实施例中,当需要进行模型训练时,可先获取训练数据集以及验证数据集。训练数据集包含第一训练数据集以及第二训练数据集,第一训练数据集用于对第一待训练模型进行训练,第二训练数据集用于对第二待训练模型进行训练。
当需要针对第一待训练模型进行训练时,可将第一训练数据集划分为多批训练数据,并从中获取一批训练数据,该批训练数据包含第一源域以及第一目标域,第一源域包含N个源域物品的信息,第一目标域包含M个目标域物品的信息,N≥2,M≥2。需要说明的是,对于第一源域以及第一目标域这一批训练数据而言,第一真实推荐结果(也就是用户对M个目标域物品感兴趣并发生点击行为的真实概率)以及第二真实推荐结果(也就是用户对N个源域物品感兴趣并发生点击行为的真实概率)均是已知的。
此外,还可从验证数据集中获取第三目标域,第三目标域包含P个目标域物品的信息(P≥2),且对于第三目标域而言,第三真实推荐结果(也就是用户对P个目标域物品感兴趣并发生点击行为的真实概率)是已知的。
802、通过第一待训练模型对第一源域进行处理,以从第一源域包含的N个源域物品的信息中,确定K个源域物品的信息,N≥K≥1。
803、基于K个源域物品的信息以及第一目标域包含的M个目标域物品的信息,构建第一新目标域。
804、通过第二待训练模型对第一新目标域进行处理,得到第一推荐结果,第一推荐结果用于从M个目标域物品中,确定可推荐的物品。
得到第一源域以及第一目标域后,可将第一源域输入至第一待训练模型(待训练的控制器)中,以通过第一待训练模型对源域进行处理,故第一模型可从源域包含的N个源域物品的信息中,挑选出K个源域物品的信息,N≥K≥1。
得到第一待训练模型输出的K个源域物品的信息后,可利用这K个源域物品的信息与第一目标域包含的M个目标域物品的信息,来组成第一新目标域。
得到第一新目标域后,可将第一新目标域输入至第二待训练模型(待训练的单域推荐模型),以通过第二模型对新目标域进行一系列的处理,从而得到第一(预测)推荐结果,第一推荐结果包含用户对M个目标域物品感兴趣并发生点击行为的(预测)概率,故可在M个目标域物品中,将概率最大的若干个目标域物品确定为可推荐给用户的物品。
在一种可能实现的方式中,通过第一待训练模型对第一源域进行处理,以从第一源域包含的N个源域物品的信息中,确定K个源域物品的信息包括:通过第一模型对第一源域进行评估,得到第一源域包含的N个源域物品的信息的评估值;通过第一模型从N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息。
在一种可能实现的方式中,通过第一模型从N个源域物品的信息的评估值中,选择评估值满足预置条件的K个源域物品的信息包括:通过第一模型从N个源域物品的信息中,选择评估值大于或等于预置值的K个源域物品的信息。
在一种可能实现的方式中,通过第一模型从N个源域物品的信息的评估值中,选择评估值满足预置条件的K个源域物品的信息包括:通过第一模型从N个源域物品的信息中,选择评估值的排序靠前的K个源域物品的信息。
在一种可能实现的方式中,评估包含以下至少一项:映射、线性运算以及归一化。
关于步骤802至步骤804的介绍,可参考图5所示实施例中步骤502至步骤504的相关说明部分,此处不再赘述。
805、基于第一推荐结果对第二待训练模型进行训练,得到第三模型。
得到第一推荐结果后,由于第一真实推荐结果已知,故对第一推荐结果以及第一真实推荐结果进行计算,从而得到第一损失,并利用第一损失对第二待训练模型的参数进行更新,从而得到第三模型(暂时完成训练的单域推荐模型)。
例如,如图9所示(图9为本申请实施例提供的训练框架的一个结构示意图),当需要对待训练的控制器controller进行训练时,可从用于训练controller的训练数据集中,获取第i批训练数据Bi,Bi包含源域Si(Si包含N个源域样本,即N本书的信息)以及目标域Ti(Ti包含M个目标域样本,即M部电影的信息)。
接着,可将Si输入至controller,controller可从Si中挑选出K个源域样本(即K本书的信息),并将这K个源域样本添加至Ti,得到新目标域T`i。
然后,可将T`i输入至待训练的单域推荐模型RS,从而得到用户对M部电影感兴趣的预测概率,由于用户对M部电影感兴趣的真实概率是已知的,可通过以下公式来计算损失L(θ):
上式中,为用户对第m部电影感兴趣的预测概率(m=1,...,M),ym为用户对第m部电影感兴趣的真实概率。
随后,可利用L(θ)来更新RS的参数,从而得到暂时完成训练的单域推荐模型RS`。
806、基于第二待训练模型以及第三模型,对第一待训练模型进行训练,得到第一模型。
得到第三模型后,可利用第二待训练模型以及第三模型,对第一待训练模型进行训练,得到图5所示实施例中的第一模型(完成训练的控制器)。
具体地,可通过以下方式训练得到第一模型:
(1)得到第三模型后,可将第一源域分别输入至第二待训练模型以及第三模型,以通过第二待训练模型对第一源域进行处理,从而得到第三推荐结果,并通过第三模型对第一源域进行处理,从而得到第四推荐结果。
(2)得到第三推荐结果以及第四推荐结果后,由于第二真实推荐结果已知,故可对第三推荐结果以及第二真实推荐结果进行计算,从而得到第三损失,并对第四推荐结果以及第二真实推荐结果进行计算,从而得到第四损失。
(3)得到第三模型后,还可将第三目标域分别输入至第二待训练模型以及第三模型,以通过第二待训练模型对第三目标域进行处理,从而得到第五推荐结果,并通过第三模型对第三目标域进行处理,从而得到第六推荐结果。
(4)得到第五推荐结果以及第六推荐结果后,由于第三真实推荐结果已知,故可对第五推荐结果以及第三真实推荐结果进行计算,从而得到第一性能指标,并对第六推荐结果以及第三真实推荐结果进行计算,从而得到第二性能指标。
(5)然后,可基于第三损失、第四损失、第一性能指标以及第二性能指标计算奖励值(reward),并利用奖励值对第一待训练模型的参数进行更新,得到更新参数后的第一待训练模型,再从第一训练数据集中获取下一批训练数据,以利用下一批训练数据对更新参数后的第一待训练模型继续进行训练,直至满足模型训练条件(例如,奖励值收敛等等),从而得到第一模型。
依旧如上述例子,得到RS`后,可从验证数据集中获取目标域Tval(包含P个目标域样本,即P部电影的信息,且用户对这P部电影感兴趣的真实概率是已知的)。
那么,可将Si输入至RS,从而得到用户对N本书感兴趣的预测概率,由于用户对N本书感兴趣的真实概率是已知的,故可基于用户对N本书感兴趣的预测概率以及用户对N本书感兴趣的真实概率进行计算,从而得到损失LOSS(LOSS的计算过程可参考前述的公式(2),此处不再赘述)。
还可将Si输入至RS`,从而得到用户对N本书感兴趣的新预测概率,由于用户对N本书感兴趣的真实概率是已知的,故可基于用户对N本书感兴趣的新预测概率以及用户对N本书感兴趣的真实概率进行计算,从而得到损失LOSS`(LOSS`的计算过程可参考前述的公式(2),此处不再赘述)。
可将Tval输入至RS,从而得到用户对P部电影感兴趣的预测概率,由于用户对P部电影感兴趣的真实概率是已知的,故可基于用户对P部电影感兴趣的预测概率以及用户对P部电影感兴趣的真实概率进行计算,从而得到性能指标AUC。
可将Tval输入至RS`,从而得到用户对P部电影感兴趣的新预测概率,由于用户对P部电影感兴趣的真实概率是已知的,故可基于用户对P部电影感兴趣的新预测概率以及用户对P部电影感兴趣的真实概率进行计算,从而得到性能指标AUC`。
那么,可通过以下公式来计算总奖励值R:
Rn=(AUC′-AUC)*(LOSSn-LOSSn′)
上式中,为用户对第n本书感兴趣的预测概率(n=1,...,N),/>为用户对第n本书感兴趣的新预测概率,yn为用户对第n本书感兴趣的真实概率,Rn为第n个源域样本(第n本书)对应的奖励值,若Rn越大,表明第n个源域样本对目标域的增强效果越大,反之则相反。
得到R后,可通过一定的算法(例如,REINFORCE算法等等)利用R来更新controller的参数,得到更新参数后的控制器controller`,并利用第i+1批训练数据Bi+1对controller`继续进行训练,直至R收敛,可得到完成训练的控制器controller``。
807、获取第二源域以及第二目标域,第二源域包含X个源域物品的信息,第二目标域包含Y个目标域物品的信息,X≥2,Y≥2。
训练得到第一模型后,可开始对第二待训练模型进行训练。首先将第二训练数据集划分为多批训练数据,并从中获取一批训练数据,该批训练数据包含第二源域以及第二目标域,第二源域包含X个源域物品的信息,第二目标域包含Y个目标域物品的信息,X≥2,Y≥2。需要说明的是,对于第二源域以及第二目标域这一批训练数据而言,第四真实推荐结果(也就是用户对Y个目标域物品感兴趣并发生点击行为的真实概率)是已知的。
808、通过第一模型对第二源域进行处理,以从第二源域包含的X个源域物品的信息中,确定Z个源域物品的信息,X≥Z≥1。
809、基于Z个源域物品的信息以及第二目标域包含的Y个目标域物品的信息,构建第二新目标域。
810、通过第二待训练模型对第二新目标域进行处理,得到第二推荐结果,第二推荐结果用于从Y个目标域物品中,确定可推荐的物品。
得到第二源域以及第二目标域后,可将第二源域输入至第二待训练模型(待训练的控制器)中,以通过第二待训练模型对源域进行处理,故第二模型可从源域包含的X个源域物品的信息中,挑选出Z个源域物品的信息,X≥Z≥1。
得到第二待训练模型输出的Z个源域物品的信息后,可利用这Z个源域物品的信息与第二目标域包含的Y个目标域物品的信息,来组成第二新目标域。
得到第二新目标域后,可将第二新目标域输入至第二待训练模型(待训练的单域推荐模型),以通过第二模型对新目标域进行一系列的处理,从而得到第二(预测)推荐结果,第二推荐结果包含用户对Y个目标域物品感兴趣并发生点击行为的(预测)概率,故可在Y个目标域物品中,将概率最大的若干个目标域物品确定为可推荐给用户的物品。
在一种可能实现的方式中,通过第二待训练模型对第二源域进行处理,以从第二源域包含的X个源域物品的信息中,确定Z个源域物品的信息包括:通过第二模型对第二源域进行评估,得到第二源域包含的X个源域物品的信息的评估值;通过第二模型从X个源域物品的信息中,选择评估值满足预置条件的Z个源域物品的信息。
在一种可能实现的方式中,通过第二模型从X个源域物品的信息的评估值中,选择评估值满足预置条件的Z个源域物品的信息包括:通过第二模型从X个源域物品的信息中,选择评估值大于或等于预置值的Z个源域物品的信息。
在一种可能实现的方式中,通过第二模型从X个源域物品的信息的评估值中,选择评估值满足预置条件的Z个源域物品的信息包括:通过第二模型从X个源域物品的信息中,选择评估值的排序靠前的Z个源域物品的信息。
在一种可能实现的方式中,评估包含以下至少一项:映射、线性运算以及归一化。
关于步骤808至步骤810的介绍,可参考图8所示实施例中步骤802至步骤804的相关说明部分,此处不再赘述。
811、基于第二推荐结果对第二待训练模型进行训练,得到第二模型。
得到第二推荐结果后,由于第四推荐真实结果已知,故可对第二推荐结果以及第四真实推荐结果进行计算,从而得到第二损失,并利用第二损失来更新第二待训练模型的参数,得到更新参数后的第二待训练模型,再从第二训练数据集中获取下一批训练数据,以利用下一批训练数据对更新参数后的第二待训练模型继续进行训练,直至满足模型训练条件(例如,第二损失收敛等等),从而得到图5所示实施例中的第二模型。
本申请实施例训练得到的第一模型以及第二模型,二者所组成的***具备物品推荐功能。具体地,当需要为用户推荐物品时,可先获取源域以及目标域,源域包含N个源域物品的信息,目标域包含M个目标域物品的信息。接着,可将源域输入至第一模型以通过第一模型对源域进行处理,进而在源域包含的N个源域物品的信息中,确定K个源域物品的信息。然后,可利用K个源域物品的信息以及目标域包含的M个目标域物品的信息,来构建新目标域。随后,可将新目标域输入至第二模型,以通过第二模型对新目标域进行处理,从而得到推荐结果。如此一来,可基于推荐结果从M个目标域物品中,确定可推荐给用户的物品,并将这些物品推荐给用户。前述过程中,第一模型从源域中所选择的K个源域物品的信息与目标域包含的M个目标域物品的信息是相关联的,故这K个源域物品的信息可视为源域与目标域之间的共享信息。由于提取共享信息的第一模型为独立于第二模型之外的模型,即使源域中的内容或目标域中的内容发生变化,依旧可复用第一模型来提取出源域与目标域之间的共享信息,以将共享信息迁移至目标域,得到效果增强的新目标域,故第二模型可基于新目标域得到准确的物品推荐结果,不需要重新训练来得到新的第一模型以及新的第二模型,可以使得第一模型以及第二模型得到灵活使用,提高第一模型以及第二模型的可用性。
以上是对本申请实施例提供的物品推荐方法以及模型训练方法所进行的详细说明,以下将对本申请实施例提供的物品推荐装置以及模型训练装置进行介绍。图10为本申请实施例提供的物品推荐方法的一个结构示意图,如图10所示,该装置包括:
获取模块1001,用于获取源域以及目标域,源域包含N个源域物品的信息,目标域包含M个目标域物品的信息,N≥2,M≥2;
第一处理模块1002,用于通过第一模型对源域进行处理,以从源域包含的N个源域物品的信息中,确定K个源域物品的信息,N≥K≥1;
构建模块1003,用于基于K个源域物品的信息以及目标域包含的M个目标域物品的信息,构建新目标域;
第二处理模块1004,用于通过第二模型对新目标域进行处理,得到推荐结果,推荐结果用于从M个目标域物品中,确定可推荐的物品。
本申请实施例中,当需要为用户推荐物品时,可先获取源域以及目标域,源域包含N个源域物品的信息,目标域包含M个目标域物品的信息。接着,可将源域输入至第一模型以通过第一模型对源域进行处理,进而在源域包含的N个源域物品的信息中,确定K个源域物品的信息。然后,可利用K个源域物品的信息以及目标域包含的M个目标域物品的信息,来构建新目标域。随后,可将新目标域输入至第二模型,以通过第二模型对新目标域进行处理,从而得到推荐结果。如此一来,可基于推荐结果从M个目标域物品中,确定可推荐给用户的物品,并将这些物品推荐给用户。前述过程中,第一模型从源域中所选择的K个源域物品的信息与目标域包含的M个目标域物品的信息是相关联的,故这K个源域物品的信息可视为源域与目标域之间的共享信息。由于提取共享信息的第一模型为独立于第二模型之外的模型,即使源域中的内容或目标域中的内容发生变化,依旧可复用第一模型来提取出源域与目标域之间的共享信息,以将共享信息迁移至目标域,得到效果增强的新目标域,故第二模型可基于新目标域得到准确的物品推荐结果,不需要重新训练来得到新的第一模型以及新的第二模型,可以使得第一模型以及第二模型得到灵活使用,提高第一模型以及第二模型的可用性。
在一种可能实现的方式中,第一处理模块1002,用于:通过第一模型对源域进行评估,得到源域包含的N个源域物品的信息的评估值;通过第一模型从N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息。
在一种可能实现的方式中,第一处理模块1002,用于:通过第一模型从N个源域物品的信息中,选择评估值大于或等于预置值的K个源域物品的信息。
在一种可能实现的方式中,第一处理模块1002,用于:通过第一模型从N个源域物品的信息中,选择评估值的排序靠前的K个源域物品的信息。
在一种可能实现的方式中,评估包含以下至少一项:映射、线性运算以及归一化。
图11为本申请实施例提供的模型训练装置的一个结构示意图,如图11所示,该装置包括:
第一获取模块1101,用于获取第一源域以及第一目标域,第一源域包含N个源域物品的信息,第一目标域包含M个目标域物品的信息,N≥2,M≥2;
第一处理模块1102,用于通过第一待训练模型对第一源域进行处理,以从第一源域包含的N个源域物品的信息中,确定K个源域物品的信息,N≥K≥1;
第一构建模块1103,用于基于K个源域物品的信息以及第一目标域包含的M个目标域物品的信息,构建第一新目标域;
第二处理模块1104,用于通过第二待训练模型对第一新目标域进行处理,得到第一推荐结果,并基于第一推荐结果对第二待训练模型进行训练,得到第三模型,第一推荐结果用于从M个目标域物品中,确定可推荐的物品;
第三处理模块1105,用于基于第二待训练模型以及第三模型,对第一待训练模型进行训练,得到第一模型。
进一步地,该装置还包括:
第二获取模块,用于获取第二源域以及第二目标域,第二源域包含X个源域物品的信息,第二目标域包含Y个目标域物品的信息,X≥2,Y≥2;
第四处理模块,用于通过第一模型对第二源域进行处理,以从第二源域包含的X个源域物品的信息中,确定Z个源域物品的信息,X≥Z≥1;
第二构建模块,用于基于Z个源域物品的信息以及第二目标域包含的Y个目标域物品的信息,构建第二新目标域;
第五处理模块,用于通过第二待训练模型对第二新目标域进行处理,得到第二推荐结果,并基于第二推荐结果对第二待训练模型进行训练,得到第二模型,第二推荐结果用于从Y个目标域物品中,确定可推荐的物品。
本申请实施例训练得到的第一模型以及第二模型,二者所组成的***具备物品推荐功能。具体地,当需要为用户推荐物品时,可先获取源域以及目标域,源域包含N个源域物品的信息,目标域包含M个目标域物品的信息。接着,可将源域输入至第一模型以通过第一模型对源域进行处理,进而在源域包含的N个源域物品的信息中,确定K个源域物品的信息。然后,可利用K个源域物品的信息以及目标域包含的M个目标域物品的信息,来构建新目标域。随后,可将新目标域输入至第二模型,以通过第二模型对新目标域进行处理,从而得到推荐结果。如此一来,可基于推荐结果从M个目标域物品中,确定可推荐给用户的物品,并将这些物品推荐给用户。前述过程中,第一模型从源域中所选择的K个源域物品的信息与目标域包含的M个目标域物品的信息是相关联的,故这K个源域物品的信息可视为源域与目标域之间的共享信息。由于提取共享信息的第一模型为独立于第二模型之外的模型,即使源域中的内容或目标域中的内容发生变化,依旧可复用第一模型来提取出源域与目标域之间的共享信息,以将共享信息迁移至目标域,得到效果增强的新目标域,故第二模型可基于新目标域得到准确的物品推荐结果,不需要重新训练来得到新的第一模型以及新的第二模型,可以使得第一模型以及第二模型得到灵活使用,提高第一模型以及第二模型的可用性。
在一种可能实现的方式中,第三处理模块1105,用于:通过第二待训练模型对第一源域进行处理,得到第三推荐结果;通过第三模型对第一源域进行处理,得到第四推荐结果;通过第二待训练模型对第三目标域进行处理,得到第五推荐结果;通过第三模型对第三目标域进行处理,得到第六推荐结果;基于第三推荐结果、第四推荐结果、第五推荐结果以及第六推荐结果,对第一待训练模型进行训练,得到第一模型。
在一种可能实现的方式中,第一处理模块1102,用于:通过第一模型对第一源域进行评估,得到第一源域包含的N个源域物品的信息的评估值;通过第一模型从N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息。
在一种可能实现的方式中,第一处理模块1102,用于通过第一模型从N个源域物品的信息中,选择评估值大于或等于预置值的K个源域物品的信息。
在一种可能实现的方式中,第一处理模块1102,用于通过第一模型从N个源域物品的信息中,选择评估值的排序靠前的K个源域物品的信息。
在一种可能实现的方式中,评估包含以下至少一项:映射、线性运算以及归一化。
需要说明的是,上述装置各模块/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参考本申请实施例前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例还涉及一种执行设备,图12为本申请实施例提供的执行设备的一个结构示意图。如图12所示,执行设备1200具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等,此处不做限定。其中,执行设备1200上可部署有图10对应实施例中所描述的物品推荐装置,用于实现图5对应实施例中物品推荐的功能。具体的,执行设备1200包括:接收器1201、发射器1202、处理器1203和存储器1204(其中执行设备1200中的处理器1203的数量可以一个或多个,图12中以一个处理器为例),其中,处理器1203可以包括应用处理器12031和通信处理器12032。在本申请的一些实施例中,接收器1201、发射器1202、处理器1203和存储器1204可通过总线或其它方式连接。
存储器1204可以包括只读存储器和随机存取存储器,并向处理器1203提供指令和数据。存储器1204的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器1204存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器1203控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线***耦合在一起,其中总线***除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线***。
上述本申请实施例揭示的方法可以应用于处理器1203中,或者由处理器1203实现。处理器1203可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1203中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1203可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1203可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1204,处理器1203读取存储器1204中的信息,结合其硬件完成上述方法的步骤。
接收器1201可用于接收输入的数字或字符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1202可用于通过第一接口输出数字或字符信息;发射器1202还可用于通过第一接口向磁盘组发送指令,以修改磁盘组中的数据;发射器1202还可以包括显示屏等显示设备。
本申请实施例中,在一种情况下,处理器1203,用于通过图5对应实施例中的第一模型以及第二模型,确定可推荐给用户的物品。
本申请实施例还涉及一种训练设备,图13为本申请实施例提供的训练设备的一个结构示意图。如图13所示,训练设备1300由一个或多个服务器实现,训练设备1300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(centralprocessing units,CPU)1313(例如,一个或一个以上处理器)和存储器1332,一个或一个以上存储应用程序1342或数据1344的存储介质1330(例如一个或一个以上海量存储设备)。其中,存储器1332和存储介质1330可以是短暂存储或持久存储。存储在存储介质1330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对训练设备中的一系列指令操作。更进一步地,中央处理器1313可以设置为与存储介质1330通信,在训练设备1300上执行存储介质1330中的一系列指令操作。
训练设备1300还可以包括一个或一个以上电源1326,一个或一个以上有线或无线网络接口1350,一个或一个以上输入输出接口1358;或,一个或一个以上操作***1341,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
具体的,训练设备可以执行图8对应实施例中的模型训练方法,从而得到第一模型以及第二模型,第一模型和第二模型可构成物品推荐***。
本申请实施例还涉及一种计算机存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例还涉及一种计算机程序产品,该计算机程序产品存储有指令,该指令在由计算机执行时使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述实施例描述的数据处理方法,或者,以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
具体的,请参阅图14,图14为本申请实施例提供的芯片的一个结构示意图,所述芯片可以表现为神经网络处理器NPU 1400,NPU 1400作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路1403,通过控制器1404控制运算电路1403提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路1403内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1403是二维脉动阵列。运算电路1403还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路1403是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器1402中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器1401中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)1408中。
统一存储器1406用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct MemoryAccess Controller,DMAC)1405,DMAC被搬运到权重存储器1402中。输入数据也通过DMAC被搬运到统一存储器1406中。
BIU为Bus Interface Unit即,总线接口单元1413,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1409的交互。
总线接口单元1413(Bus Interface Unit,简称BIU),用于取指存储器1409从外部存储器获取指令,还用于存储单元访问控制器1405从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1406或将权重数据搬运到权重存储器1402中或将输入数据数据搬运到输入存储器1401中。
向量计算单元1407包括多个运算处理单元,在需要的情况下,对运算电路1403的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对预测标签平面进行上采样等。
在一些实现中,向量计算单元1407能将经处理的输出的向量存储到统一存储器1406。例如,向量计算单元1407可以将线性函数;或,非线性函数应用到运算电路1403的输出,例如对卷积层提取的预测标签平面进行线性插值,再例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元1407生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路1403的激活输入,例如用于在神经网络中的后续层中的使用。
控制器1404连接的取指存储器(instruction fetch buffer)1409,用于存储控制器1404使用的指令;
统一存储器1406,输入存储器1401,权重存储器1402以及取指存储器1409均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (17)
1.一种物品推荐方法,其特征在于,所述方法包括:
获取源域以及目标域,所述源域包含N个源域物品的信息,所述目标域包含M个目标域物品的信息,N≥2,M≥2;
通过第一模型对所述源域进行处理,以从所述源域包含的N个源域物品的信息中,确定K个源域物品的信息,N≥K≥1;
基于所述K个源域物品的信息以及所述目标域包含的M个目标域物品的信息,构建新目标域;
通过第二模型对所述新目标域进行处理,得到推荐结果,所述推荐结果用于从所述M个目标域物品中,确定可推荐的物品。
2.根据权利要求1所述的方法,其特征在于,所述通过第一模型对所述源域进行处理,以从所述源域包含的N个源域物品的信息中,确定K个源域物品的信息包括:
通过第一模型对所述源域进行评估,得到所述源域包含的N个源域物品的信息的评估值;
通过所述第一模型从所述N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息。
3.根据权利要求2所述的方法,其特征在于,所述通过所述第一模型从所述N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息包括:
通过所述第一模型从所述N个源域物品的信息中,选择评估值大于或等于预置值的K个源域物品的信息。
4.根据权利要求2所述的方法,其特征在于,所述通过所述第一模型从所述N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息包括:
通过所述第一模型从所述N个源域物品的信息中,选择评估值的排序靠前的K个源域物品的信息。
5.根据权利要求2至4任意一项所述的方法,其特征在于,所述评估包含以下至少一项:映射、线性运算以及归一化。
6.一种模型训练方法,其特征在于,所述方法包括:
获取第一源域以及第一目标域,所述第一源域包含N个源域物品的信息,所述第一目标域包含M个目标域物品的信息,N≥2,M≥2;
通过第一待训练模型对所述第一源域进行处理,以从所述第一源域包含的N个源域物品的信息中,确定K个源域物品的信息,N≥K≥1;
基于所述K个源域物品的信息以及所述第一目标域包含的M个目标域物品的信息,构建第一新目标域;
通过第二待训练模型对所述第一新目标域进行处理,得到第一推荐结果,并基于所述第一推荐结果对第二待训练模型进行训练,得到第三模型,所述第一推荐结果用于从所述M个目标域物品中,确定可推荐的物品;
基于所述第二待训练模型以及所述第三模型,对所述第一待训练模型进行训练,得到第一模型。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取第二源域以及第二目标域,所述第二源域包含X个源域物品的信息,所述第二目标域包含Y个目标域物品的信息,X≥2,Y≥2;
通过第一模型对所述第二源域进行处理,以从所述第二源域包含的X个源域物品的信息中,确定Z个源域物品的信息,X≥Z≥1;
基于所述Z个源域物品的信息以及所述第二目标域包含的Y个目标域物品的信息,构建第二新目标域;
通过第二待训练模型对所述第二新目标域进行处理,得到第二推荐结果,并基于所述第二推荐结果对第二待训练模型进行训练,得到第二模型,所述第二推荐结果用于从所述Y个目标域物品中,确定可推荐的物品。
8.根据权利要求6或7所述的方法,其特征在于,所述基于所述第二待训练模型以及所述第三模型,对所述第一待训练模型进行训练,得到第一模型包括:
通过所述第二待训练模型对所述第一源域进行处理,得到第三推荐结果;
通过所述第三模型对所述第一源域进行处理,得到第四推荐结果;
通过所述第二待训练模型对所述第三目标域进行处理,得到第五推荐结果;
通过所述第三模型对所述第三目标域进行处理,得到第六推荐结果;
基于所述第三推荐结果、所述第四推荐结果、所述第五推荐结果以及所述第六推荐结果,对所述第一待训练模型进行训练,得到第一模型。
9.根据权利要求6至8任意一项所述的方法,其特征在于,所述通过第一待训练模型对所述第一源域进行处理,以从所述第一源域包含的N个源域物品的信息中,确定K个源域物品的信息包括:
通过第一模型对所述第一源域进行评估,得到所述第一源域包含的N个源域物品的信息的评估值;
通过所述第一模型从所述N个源域物品的信息中,选择评估值满足预置条件的K个源域物品的信息。
10.根据权利要求9所述的方法,其特征在于,所述通过所述第一模型从所述N个源域物品的信息的评估值中,选择评估值满足预置条件的K个源域物品的信息包括:
通过所述第一模型从所述N个源域物品的信息中,选择评估值大于或等于预置值的K个源域物品的信息。
11.根据权利要求9所述的方法,其特征在于,所述通过所述第一模型从所述N个源域物品的信息的评估值中,选择评估值满足预置条件的K个源域物品的信息包括:
通过所述第一模型从所述N个源域物品的信息中,选择评估值的排序靠前的K个源域物品的信息。
12.根据权利要求9至11任意一项所述的方法,其特征在于,所述评估包含以下至少一项:映射、线性运算以及归一化。
13.一种物品推荐装置,其特征在于,所述装置包括:
获取模块,用于获取源域以及目标域,所述源域包含N个源域物品的信息,所述目标域包含M个目标域物品的信息,N≥2,M≥2;
第一处理模块,用于通过第一模型对所述源域进行处理,以从所述源域包含的N个源域物品的信息中,确定K个源域物品的信息,N≥K≥1;
构建模块,用于基于所述K个源域物品的信息以及所述目标域包含的M个目标域物品的信息,构建新目标域;
第二处理模块,用于通过第二模型对所述新目标域进行处理,得到推荐结果,所述推荐结果用于从所述M个目标域物品中,确定可推荐的物品。
14.一种模型训练装置,其特征在于,所述装置包括:
第一获取模块,用于获取第一源域以及第一目标域,所述第一源域包含N个源域物品的信息,所述第一目标域包含M个目标域物品的信息,N≥2,M≥2;
第一处理模块,用于通过第一待训练模型对所述第一源域进行处理,以从所述第一源域包含的N个源域物品的信息中,确定K个源域物品的信息,N≥K≥1;
第一构建模块,用于基于所述K个源域物品的信息以及所述第一目标域包含的M个目标域物品的信息,构建第一新目标域;
第二处理模块,用于通过第二待训练模型对所述第一新目标域进行处理,得到第一推荐结果,并基于所述第一推荐结果对第二待训练模型进行训练,得到第三模型,所述第一推荐结果用于从所述M个目标域物品中,确定可推荐的物品;
第三处理模块,用于基于所述第二待训练模型以及所述第三模型,对所述第一待训练模型进行训练,得到第一模型。
15.一种图像处理装置,其特征在于,所述装置包括存储器和处理器;所述存储器存储有代码,所述处理器被配置为执行所述代码,当所述代码被执行时,所述图像处理装置执行如权利要求1至12任意一项所述的方法。
16.一种计算机存储介质,其特征在于,所述计算机存储介质存储有一个或多个指令,所述指令在由一个或多个计算机执行时使得所述一个或多个计算机实施权利要求1至12任一所述的方法。
17.一种计算机程序产品,其特征在于,所述计算机程序产品存储有指令,所述指令在由计算机执行时,使得所述计算机实施权利要求1至12任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627670.5A CN116881542A (zh) | 2023-05-30 | 2023-05-30 | 一种物品推荐方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627670.5A CN116881542A (zh) | 2023-05-30 | 2023-05-30 | 一种物品推荐方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116881542A true CN116881542A (zh) | 2023-10-13 |
Family
ID=88259375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310627670.5A Pending CN116881542A (zh) | 2023-05-30 | 2023-05-30 | 一种物品推荐方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881542A (zh) |
-
2023
- 2023-05-30 CN CN202310627670.5A patent/CN116881542A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022016556A1 (zh) | 一种神经网络蒸馏方法以及装置 | |
CN113065633B (zh) | 一种模型训练方法及其相关联设备 | |
WO2023185925A1 (zh) | 一种数据处理方法及相关装置 | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
CN117217284A (zh) | 一种数据处理方法及其装置 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
CN116049536A (zh) | 一种推荐方法及相关装置 | |
CN115237732A (zh) | 一种操作预测方法及相关装置 | |
WO2023246735A1 (zh) | 一种项目推荐方法及其相关设备 | |
CN117056589A (zh) | 一种物品推荐方法及其相关设备 | |
CN116910201A (zh) | 一种对话数据生成方法及其相关设备 | |
CN116910357A (zh) | 一种数据处理方法及相关装置 | |
CN116843022A (zh) | 一种数据处理方法及相关装置 | |
CN117251619A (zh) | 一种数据处理方法及相关装置 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
CN116204709A (zh) | 一种数据处理方法及相关装置 | |
CN116308640A (zh) | 一种推荐方法及相关装置 | |
CN115795025A (zh) | 一种摘要生成方法及其相关设备 | |
CN114707070A (zh) | 一种用户行为预测方法及其相关设备 | |
CN115618950A (zh) | 一种数据处理方法及相关装置 | |
CN115623242A (zh) | 一种视频处理方法及其相关设备 | |
CN114841361A (zh) | 一种模型训练方法及其相关设备 | |
CN115545738A (zh) | 一种推荐方法及相关装置 | |
CN116881542A (zh) | 一种物品推荐方法及其相关设备 | |
CN117349514A (zh) | 一种模型训练方法及其相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |