CN116955763A - 内容推荐方法、装置、计算机设备及计算机可读存储介质 - Google Patents
内容推荐方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116955763A CN116955763A CN202210360142.3A CN202210360142A CN116955763A CN 116955763 A CN116955763 A CN 116955763A CN 202210360142 A CN202210360142 A CN 202210360142A CN 116955763 A CN116955763 A CN 116955763A
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- features
- prompt
- target object
- 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 95
- 238000003860 storage Methods 0.000 title claims abstract description 31
- 230000006399 behavior Effects 0.000 claims description 176
- 238000000605 extraction Methods 0.000 claims description 106
- 238000012549 training Methods 0.000 claims description 87
- 230000006870 function Effects 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003623 enhancer Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种内容推荐方法、装置、计算机设备及计算机可读存储介质,方法通过获取目标应用中目标对象的第一历史行为数据,并对第一历史行为数据进行特征提取得到行为特征;获取目标对象的关联数据并从关联数据中提取提示信息,得到提示特征;对提示特征与行为特征进行拼接,得到拼接特征;将拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;基于对象特征在目标应用中对目标对象进行内容推荐。该方法可以有效提升内容推荐的准确性。
Description
技术领域
本申请涉及推荐***技术领域,具体涉及一种内容推荐方法、装置、计算机设备及计算机可读存储介质。
背景技术
随着互联网技术的不断发展,日常生活已经与互联网密不可分。在互联网时代,随着内容量的快速扩大,内容的选择的压力也就随之不断增大,这降低了内容的使用效率,从而造成了信息超载问题。
推荐***是根据对象的内容需求、对象特征等,将对象感兴趣的信息、产品等推荐给对象的个性化推荐***。一个好的推荐***,不仅能为对象提供个性化的内容和服务,还能和对象之间建立密切关系。
然而,在一些情况下,推荐***中的内容推荐模型为对象推荐的内容不够准确。
发明内容
本申请实施例提供一种内容推荐方法、装置、计算机可读存储介质及计算机设备,该方法可以有效提升推荐***的内容推荐的准确性。
本申请第一方面提供一种内容推荐方法,方法包括:
获取目标应用中目标对象的第一历史行为数据,并对所述第一历史行为数据进行特征提取得到行为特征;
获取所述目标对象的关联数据并从所述关联数据中提取提示信息,得到提示特征;
对所述提示特征与所述行为特征进行拼接,得到拼接特征;
将所述拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;
基于所述对象特征在所述目标应用中对所述目标对象进行内容推荐。
相应的,本申请第二方面提供一种内容推荐装置,装置包括:
第一获取单元,用于获取目标应用中目标对象的第一历史行为数据,并对所述第一历史行为数据进行特征提取得到行为特征;
第二获取单元,用于获取所述目标对象的关联数据并从所述关联数据中提取提示信息,得到提示特征;
拼接单元,用于对所述提示特征与所述行为特征进行拼接,得到拼接特征;
输入单元,用于将所述拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;
推荐单元,用于基于所述对象特征在所述目标应用中对所述目标对象进行内容推荐。
在一些实施例中,所述第二获取单元,包括:
第一获取子单元,用于获取所述目标对象的基础属性数据;
第一确定子单元,用于当所述目标应用不存在关联应用时,基于所述基础属性数据确定所述目标对象的关联数据;
第二获取子单元,用于当所述目标应用存在关联应用时,获取所述目标对象在所述关联应用中的第二历史行为数据,基于所述基础属性数据和所述第二历史行为数据确定所述目标对象的关联数据;
第一提取子单元,用于从所述关联数据中提取提示信息,得到提示特征。
在一些实施例中,所述提取子单元,包括:
获取模块,用于获取预设提示特征提取模型;
输入模块,用于将所述关联数据输入至所述提示特征提取模型中,得到输出的提示特征。
在一些实施例中,本申请提供的内容推荐装置,还包括:
第三获取子单元,用于获取训练样本数据,所述训练样本数据包括样本关联数据以及样本行为数据;
第一输入子单元,用于将所述样本关联数据输入至预设提示特征提取模型中,得到所述提示特征提取模型输出的样本提示特征;
拼接子单元,用于对所述样本提示特征与从样本行为数据提取的样本行为特征进行拼接,得到样本拼接特征;
增强子单元,用于对所述样本拼接特征进行增强处理,得到增强样本拼接特征;
第二输入子单元,用于将所述样本拼接特征与所述增强样本拼接特征分别输入至所述预训练后的推荐模型中,并基于输出特征计算第一损失函数;
调整子单元,用于基于所述第一损失函数对所述预设提示特征提取模型中的参数进行调整,完成对所述预设提示特征提取模型的训练。
在一些实施例中,增强子单元,包括:
第一处理模块,用于对所述样本拼接特征中的样本提示特征进行随机隐藏处理,得到过渡特征;
第二处理模块,用于对所述过渡特征中的样本行为特征进行随机隐藏处理,得到增强样本拼接特征。
在一些实施例中,本申请提供的内容推荐装置,还包括:
第二确定子单元,用于根据所述样本拼接特征与所述增强样本拼接特征确定正样本对;
第一生成子单元,用于基于所述训练样本数据随机生成负样本对;
第二生成子单元,用于基于所述正样本对以及所述负样本对生成推荐排序任务的第二损失函数;
第三生成子单元,用于根据所述第一损失函数与所述第二损失函数生成目标损失函数;
所述调整子单元,还用于:
基于所述目标损失函数对所述预设提示特征提取模型中的参数进行调整,完成对所述预设提示特征提取模型的训练。
在一些实施例中,推荐单元,包括:
第二提取子单元,用于对预设候选内容库中的每一候选内容进行特征提取,得到每一候选内容对应的内容特征;
计算子单元,用于计算每一内容特征与所述对象特征之间的相似度;
推荐子单元,用于根据所述相似度向所述目标对象推荐对应的目标候选内容。
本申请第三方面还提供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多条指令,所述指令适于处理器进行加载,以执行本申请第一方面所提供的内容推荐方法中的步骤。
本申请第四方面提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请第一方面所提供的内容推荐方法中的步骤。
本申请第五方面提供一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现第一方面所提供的内容推荐方法中的步骤。
本申请实施例提供的内容推荐方法,通过获取目标应用中目标对象的第一历史行为数据,并对第一历史行为数据进行特征提取得到行为特征;获取目标对象的关联数据并从关联数据中提取提示信息,得到提示特征;对提示特征与行为特征进行拼接,得到拼接特征;将拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;基于对象特征在目标应用中对目标对象进行内容推荐。
以此,本申请提供的内容推荐方法,通过从目标对象的关联数据中提取出提示特征,并采用该提示特征对目标对象的行为特征进行调整,然后再基于调整过的对象行为特征采用预先连后的推荐模型生成对象特征进行内容推荐。该方法可以通过目标对象的关联数据提取出的提示特征对目标对象的行为特征进行修正,从而可以得到更为准确的目标对象的对象特征,进而可以提升内容推荐的准确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域技术人员来讲,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是本申请中内容推荐的一个场景示意图;
图2是本申请提供的内容推荐方法的流程示意图;
图3是本申请提供的内容推荐方法的另一流程示意图;
图4是本申请提供的对象特征提取模型的结构示意图;
图5是本申请提供的内容推荐装置的结构示意图;
图6是本申请提供的计算机设备的结构示意图。
具体实施方式
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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种内容推荐方法、装置、计算机可读存储介质及计算机设备。其中,该内容推荐方法可以使用于内容推荐装置中。该内容推荐装置可以集成在计算机设备中,该计算机设备可以是终端也可以是服务器。其中,终端可以为手机、平板电脑、笔记本电脑、智能电视、穿戴式智能设备、个人计算机(PC,Personal Computer)以及车载终端等设备。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。其中,服务器可以为区块链中的节点。
请参阅图1,为本申请提供的内容推荐方法的一场景示意图。如图所示,服务器A从终端B中获取目标应用中目标对象的历史行为数据和关联数据,并对历史行为数据进行特征提取得到行为特征,以及从关联数据中提取提示信息得到提示特征。然后,服务器A对提示特征与行为特征进行拼接,得到拼接特征。降拼接特征输入至预训练后的推荐模型中,得到输出的对象特征,基于对象特征在目标应用中确定目标对象的推荐内容,并将推荐内容发送给终端B。
需要说明的是,图1所示的内容推荐场景示意图仅仅是一个示例,本申请实施例描述的内容推荐场景是为了更加清楚地说明本申请的技术方案,并不构成对于本申请提供的技术方案的限定。本领域普通技术人员可知,随着内容推荐场景演变和新业务场景的出现,本申请提供的技术方案对于类似的技术问题,同样适用。
基于上述实施场景以下分别进行详细说明。
在相关技术中,推荐***中的推荐模型一般采用样本对象的行为数据来训练提取对象特征的推荐模型,然后再将该推荐模型部署到各类下游业务中进行内容推荐。然而,推荐模型的准确性需要依赖大量的训练数据的支持,即需要对象对某一应用具有大量的行为数据。如果对象为某一应用中的新用户,或者某一应用为新应用,每一用户的行为数据都比较少,那么推荐模型的准确性也就无法得到保证,导致推荐***的推荐模型的准确性较低。为此,本申请提供了一种内容推荐方法,用于解决上述情况下推荐模型的准确性低的问题。
本申请实施例将从内容推荐装置的角度进行描述,该内容推荐装置可以集成在计算机设备中。其中,计算机设备可以是终端也可以是服务器。其中,终端可以为手机、平板电脑、笔记本电脑、智能电视、穿戴式智能设备、个人计算机(PC,Personal Computer)以及车载终端等设备。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。如图2所示,为本申请提供的内容推荐方法的流程示意图,该方法包括:
步骤101,获取目标应用中目标对象的第一历史行为数据,并对第一历史行为数据进行特征提取得到行为特征。
其中,目标对象可以为一个具体的用户、可以为一个虚拟的人物(例如一个人工智能设备或者人工智能虚拟人物)也可以为一个账号数据(例如一串字符串)等。目标应用可以为内容提供应用,其中内容可以为多媒体内容(例如视频或者音乐)、资讯、书籍或者商品等任意类型的内容。获取目标应用中目标对象的第一历史行为数据,可以为获取目标应用中目标对象对应的账号在目标应用中的历史行为数据。其中历史行为数据可以包括但不限于查询数据、搜索数据、点击数据、查看数据、阅读数据、观看数据以及点赞数据和收藏数据等。其中,在本申请提供的方案中,获取对象的行为数据,是在提前获得用户许可或者同意的基础上进行的,且相关数据的收集、使用和处理都是在遵守相关国家和地区的相关法律法规和标准的基础上进行的。
其中,对第一历史行为数据进行特征提取得到行为特征,具体可以采用词嵌入的方法对获取到的目标对象的历史行为数据进行处理,得到历史行为数据对应的行为特征,其中,此处行为特征可以为特征序列。
步骤102,获取目标对象的关联数据并从关联数据中提取提示信息,得到提示特征。
其中,目标对象的关联数据可以包括目标对象的基础属性数据,其中基础属性数据具体可以为对目标对象进行描述的一些个性化的数据,例如所处城市、性别和学历等等。其中,可以理解的是,对目标对象的基础属性数据的获取,同样需要得到目标对象的授权使用,需要严格遵守相关法律法规的规定。另外,目标对象的关联数据还可以包括目标对象在与目标应用关联的应用中的行为数据。
当目标对象在目标应用中具有足够多的行为数据时,或者可以称目标对象为目标应用中的热启动用户时,可以基于目标对象的历史行为数据直接采用预训练得到的推荐模型来生成目标对象的对象特征,然后进一步基于对象特征和内容特征之间的相似性关系对目标对象进行内容推荐。其中,此处预训练得到的推荐模型可以为采用热启动用户的大量行为数据进行训练得到的推荐模型,该推荐模型对于热启动用户能够根据热启动用户的行为数据生成较为准确的对象特征,进而可以进行准确的内容推荐。然而,在很多情况下,目标对象在目标应用中的行为数据并不够多,可能只有少量的行为数据,或者甚至没有行为数据记录(例如目标对象为目标应用中新注册的用户),此时可以称目标对象为目标应用中的冷启动用户。或者目标应用为新开发的应用,该目标应用的用户较少而且每个用户的行为数据也非常少。此时若使用预训练得到的推荐模型来生成目标对象的对象特征,便会导致生成的对象特征不准确,进而会导致内容推荐的准确性下降的问题。
因此,若需要采用预训练得到的推荐模型来对冷启动用户进行内容推荐,一般情况下需要根据下游任务(即对冷启动用户进行内容推荐任务)对推荐模型进行微调以使其适配下游任务。在这种情况下,对于每一个下游任务都要对预训练得到的推荐模型进行微调得到一个新的模型并对其进行部署。当存在多个下游任务时,便需要部署多个新的模型。而且,如果预训练得到的推荐模型是比较大的模型时,便会大大增加模型的部署难度。此外,由于对预训练得到的推荐模型进行微调需要对预训练得到的推荐模型的整个模型的所有参数进行调整,若下游任务只有少量的标签的时候,微调得到的新的模型也不够准确。对此,本申请提供了一种无需对预训练得到的推荐模型进行微调,直接在预训练得到的推荐模型的基础上结合提示特征生成对象特征的方法,下面对该方法进行具体描述。
在获取到目标对象的关联数据后,可以进一步从目标对象的关联数据中提取出提示信息,得到提示特征,此处提示特征也可以称为提示符。其中,从目标对象的关联数据中提取出提示特征可以采用词嵌入的方法进行提取。
在一些实施例中,获取目标对象的关联数据并从关联数据中提取提示信息,得到提示特征,包括:
1、获取目标对象的基础属性数据;
2、当目标应用不存在关联应用时,基于基础属性数据确定目标对象的关联数据;
3、当目标应用存在关联应用时,获取目标对象在关联应用中的第二历史行为数据,基于基础属性数据和第二历史行为数据确定目标对象的关联数据;
4、从关联数据中提取提示信息,得到提示特征。
其中,在本申请实施例中,目标对象的关联数据可以包括目标对象的基础属性数据,也可以包括目标对象在与目标应用的关联应用中的行为数据,具体可以根据目标应用是否存在关联应用来确定。当目标应用存在关联应用时,则可以根据目标对象在关联应用中的历史行为数据和目标对象的基础属性数据来确定目标对象的关联数据;当目标应用不存在关联应用时,则可以根据目标对象的基础属性数据来确定目标对象的关联数据。其中,目标应用的关联应用,可以为与目标应用为相同类型的应用。例如当目标应用为资讯提供应用时,那么其他资讯提供应用便可以为目标应用的关联应用。具体地,可以确定与目标应用属于相同类型且目标对象在该应用中具有行为数据的应用为关联应用。例如,目标对象a在视频播放应用A中注册了账号,且该账号在视频播放应用A中具有较多的行为数据;目标对象a在视频播放应用B中新注册了账号,但该新注册的账号在视频播放应用B中没有行为数据或者只有较少的行为数据。那么在该场景下,视频播放应用B可以为前述目标应用,而视频播放应用A便可以为目标应用的关联应用。此时可以根据目标对象a在视频播放应用A中的行为数据和目标对象a的基础属性数据确定目标对象的关联数据。
在确定了目标对象的关联数据之后,可以进一步从目标对象的关联数据中提取出提示特征,或者称为提示符。
在一些实施例中,从关联数据中提取提示信息,得到提示特征,包括:
4.1、获取预设提示特征提取模型;
4.2、将关联数据输入至提示特征提取模型中,得到输出的提示特征。
在本申请实施例中,从目标对象的关联数据中提取提示特征,具体可以采用提示特征提取模型来进行提取。其中,此处提示特征提取模型为经过训练的特征提取模型。在本申请提供的内容推荐方法中,无需对预训练过的推荐模型进行微调得到与下游任务相匹配的新的推荐模型,而是可以基于下游任务训练与下游任务相匹配的提示特征提取模型,此处下游任务可以为前述对冷启动用户进行内容推荐的任务。由于训练的与下游任务相匹配的提示特征提取模型为轻型模型,相较于整个推荐模型提示特征提取模型只有少量的参数,因此训练效率更高,对预训练得到的推荐模型的利用率更高且模型部署难度更小。
因此,本申请提供的内容推荐方法,不仅可以提升内容推荐的准确性,更可以减小推荐模型的部署难度,降低模型训练的工作量,提升模型训练效率。
在一些实施例中,获取预设提示特征提取模型之前,还包括:
A、获取训练样本数据,训练样本数据包括样本关联数据以及样本行为数据;
B、将样本关联数据输入至预设提示特征提取模型中,得到提示特征提取模型输出的样本提示特征;
C、对样本提示特征与从样本行为数据提取的样本行为特征进行拼接,得到样本拼接特征;
D、对样本拼接特征进行增强处理,得到增强样本拼接特征;
E、将样本拼接特征与增强样本拼接特征分别输入至预训练后的推荐模型中,并基于输出特征计算第一损失函数;
F、基于第一损失函数对预设提示特征提取模型中的参数进行调整,完成对预设提示特征提取模型的训练。
其中,如前所述,对目标对象的关联数据进行提示特征提取的模型为基于下游任务进行训练得到的提示特征提取模型。具体地,可以先基于下游任务获取相应的训练样本数据,此处训练样本数据可以包括样本关联数据以及样本行为数据,可以理解的是,还可以具有相应的标签数据。其中,训练样本数据中包括了多个样本对象的样本关联数据和样本行为数据。然后基于这些训练样本数据和对应的标签数据来对提示特征提取模型进行训练。可以理解的是,在对提示特征提取模型进行训练的过程中,前述预训练得到的推荐模型是参与在训练过程中的,但是在训练过程中前述预训练得到的推荐模型的模型参数是固定不变的,即预训练得到的推荐模型的不再进行训练,只是辅助训练提示特征提取模型。
具体地,基于前述训练样本数据和对应的标签来训练提示特征提取模型,该过程可以包括如下步骤:
将训练样本数据中的样本关联数据输入至待训练的提示特征提取模型中,得到提示特征提取模型输出的样本提示特征;
对训练样本数据中的样本行为数据进行特征提取得到样本行为特征;
将样本提示特征与样本行为特征进行拼接得到样本拼接特征,其中此处进行拼接的样本提示特征与样本行为特征为同一对象的样本提示特征与样本行为特征,拼接得到的样本拼接特征为该对象对应的样本拼接特征;
将样本拼接特征输入至前述预训练过的推荐模型中,得到推荐模型输出的前述对象对应的对象特征;
基于对象特征确定向对象推荐每一候选内容的推荐概率,并基于标签数据计算损失函数;
然后基于该损失函数对提示特征提取模型中的模型参数进行调整以使得损失函数最小,即使得向对象推荐每一候选内容的推荐概率与标签值的差异最小;
循环上述操作直至提示特征提取模型的模型参数收敛,完成对该提示特征提取模型的训练。
在本申请实施例中,为了让训练得到的提示特征提取模型更具有鲁棒性,可以进一步引入对比学习作为辅助任务。具体地,可以对拼接得到的样本拼接特征进行随机隐藏处理,得到增强样本拼接特征。然后将增强样本拼接特征与前述样本拼接特征分别输入至前述预训练过的推荐模型中,得到输出的两个对象特征,然后基于两个对象特征之间的差异确定一个新的损失函数,此处可以称该损失函数为第一损失函数。进一步地,可以基于该第一损失函数对待训练的提示特征提取模型中的模型参数进行调整,直至提示特征提取模型的模型参数收敛,完成对提示特征提取模型的训练。其中,此处基于第一损失函数对待训练的提示特征提取模型中的模型参数进行调整,具体可以为结合第一损失函数和前述损失函数联合对提示特征提取模型进行训练。
在一些实施例中,对拼接特征进行增强处理,得到增强样本拼接特征,包括:
D1、对样本拼接特征中的样本提示特征进行随机隐藏处理,得到过渡特征;
D2、对过渡特征中的样本行为特征进行随机隐藏处理,得到增强样本拼接特征。
其中,在本申请实施例中,引入对比学习的任务是为了增强提示特征提取模型的鲁棒性,其学习的目标是使得样本拼接特征与增强样本拼接特征在经过预训练过的推荐模型后输出的对象特征之间的差异尽量小。因此,对样本拼接特征进行增强处理的方法对训练效果也会产生较大影响。在本申请实施例中,由于样本拼接特征是由样本提示特征和样本行为特征进行拼接得到的,因此对样本拼接特征进行增强处理可以分别对样本提示特征和样本行为特征进行随机隐藏处理。
具体地,可以先对样本拼接特征中的样本提示特征维度进行随机隐藏处理,得到过渡特征,然后对过渡特征中的样本行为特征维度进行随机隐藏处理得到增强样本拼接特征。其中,对样本提示特征维度进行随机隐藏可以为将样本提示特征维度中关联应用维度的参数进行隐藏,对样本行为特征进行随机隐藏可以将对象信息维度的参数进行隐藏。
在一些实施例中,本申请提供的内容推荐方法还可以包括:
a、根据样本拼接特征与增强样本拼接特征确定正样本对;
b、基于训练样本数据随机生成负样本对;
c、基于正样本对以及负样本对生成推荐排序任务的第二损失函数;
d、根据第一损失函数与第二损失函数生成目标损失函数;
e、基于目标损失函数对预设提示特征提取模型中的参数进行调整,完成对预设提示特征提取模型的训练。
其中,在本申请实施例中,结合对比学习任务对提示特征提取模型进行训练的过程,具体可以为可以先根据一个样本对象的样本拼接特征与增强样本拼接特征构建一个正样本对,然后从训练样本数据中随机采样一个新的样本对象并根据其对应的样本关联数据和样本行为数据生成负样本对;然后可以基于该正样本对和负样本对生成推荐排序任务的第二损失函数,具体地此处可以采用pair-wise的方法来生成第二损失函数。其中,pair-wise算法为一种推荐排序任务中生成损失函数的方法。
在确定了推荐排序任务的第二损失函数后,可以根据第二损失函数和前述对比学习任务的第一损失函数构建联合学习的目标损失函数,然后再基于该目标损失函数进行训练,完成对预设提示特征提取模型的训练。
步骤103,对提示特征与行为特征进行拼接,得到拼接特征。
其中,在确定了目标对象的提示特征以及目标对象在目标应用中的行为特征后,可以进一步将目标对象的提示特征与行为特征进行拼接,得到修正过的拼接特征。
其中,在一些实施例中,当下游任务为对冷启动用户进行内容推荐任务时,目标对象在目标应用中可能不存在历史行为数据,此时的行为特征可能为零向量,那么此时将提示特征与行为特征进行拼接得到的拼接特征与提示特征相同。在一些实施例中,提示特征还可以为根据目标对象在目标应用的关联应用中的行为数据中提取出的提示特征。
在本申请实施例中,通过训练过的提示特征提取模型从目标对象的关联数据中提取出个性化的提示特征(提示符),然后根据该提示特征对目标对象的行为特征进行修正,从而可以无需对推荐模型进行微调,直接利用预训练过的推荐模型来确定对象的对象特征,如此可以大大降低模型的部署难度,提升了模型的利用率。
步骤104,将拼接特征输入至预训练后的推荐模型中,得到输出的对象特征。
其中,在采用提示特征对目标对象在目标应用中的行为特征进行修正得到拼接特征后,便可以直接使用前述预训练过的推荐模型对拼接特征进行处理,得到目标对象的对象特征。
其中,在一些实施例中,在将拼接特征输入至预训练后的推荐模型中,得到输出的对象特征之前,还可以包括:
获取训练样本数据,其中训练样本数据包括多个热启动用户的行为数据以及其对应的标签数据;
对行为数据进行特征提取,得到每一行为数据的行为特征;
将行为数据输入到待训练的推荐模型中,得到对象特征;
根据对象特征确定每一候选内容的推荐概率,并基于推荐概率与标签值计算第三损失函数;
基于第三损失函数对推荐模型的参数进行调整,直至推荐模型收敛,得到预训练后的推荐模型。
在本申请实施例中,在得到的目标对象的拼接特征后,可以直接使用预训练后的推荐模型生成对象特征,无需再对推荐模型进行微调,从而可以提升推荐模型的利用率,减少了在下游任务中模型训练的工作量,提升了下游任务的执行效率。
步骤105,基于对象特征在目标应用中对目标对象进行内容推荐。
在确定了目标对象的对象特征后,便可以进一步根据目标对象的对象特征对目标对象进行内容推荐。具体地,可以确定目标对象的对象特征与目标应用中的候选内容之间的相似关系,然后根据相似关系对目标对象进行内容推荐。
在一些实施例中,基于对象特征在目标应用中对目标对象进行内容推荐,包括:
1、对预设候选内容库中的每一候选内容进行特征提取,得到每一候选内容对应的内容特征;
2、计算每一内容特征与对象特征之间的相似度;
3、根据相似度向目标对象推荐对应的目标候选内容。
其中,在本申请实施例中,在确定了目标对象的对象特征后,可以进一步对预设内容库中每一候选内容进行特征提取。其中,此处候选内容库可以为目标应用对应的候选内容库。对候选内容库中的每一候选内容进行特征提取,具体可以采用词嵌入的方法进行提取。
在提取到每一候选内容的内容特征后,便可以计算对象特征对应的向量与每一内容特征对应的向量之间的余弦相似度,然后根据余弦相似度由高至低的顺序对候选内容进行排序。进一步地,可以确定排序靠前的预设数量个候选内容为目标候选内容,然后在目标应用中向目标对象推荐这些目标候选内容。
根据上述描述可知,本申请实施例提供的内容推荐方法,通过获取目标应用中目标对象的第一历史行为数据,并对第一历史行为数据进行特征提取得到行为特征;获取目标对象的关联数据并从关联数据中提取提示信息,得到提示特征;对提示特征与行为特征进行拼接,得到拼接特征;将拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;基于对象特征在目标应用中对目标对象进行内容推荐。
以此,本申请提供的内容推荐方法,通过从目标对象的关联数据中提取出提示特征,并采用该提示特征对目标对象的行为特征进行调整,然后再基于调整过的对象行为特征采用预先连后的推荐模型生成对象特征进行内容推荐。该方法可以通过目标对象的关联数据提取出的提示特征对目标对象的行为特征进行修正,从而可以得到更为准确的目标对象的对象特征,进而可以提升内容推荐的准确性。
本申请还提供了一种内容推荐方法,该方法可以使用于计算机设备中,该计算机设备可以为终端也可以为服务器。如图3所示,为本申请提供的内容推荐方法的另一流程示意图,方法具体包括:
步骤201,计算机设备获取对提示特征提取模型进行训练的训练样本数据。
其中,在本申请提供的内容推荐方法中,可以通过训练提示特征提取模型来从对象的关联数据中提取出对对象的行为数据进行修正的特征,从而可以无需对预训练后的推荐模型进行微调,直接使用预训练后的推荐模型对修正后的特征进行处理得到目标对象的准确的对象特征,进而可以对目标对象进行准确的内容推荐。
因此,在本申请实施例中,可以先采用训练样本数据对提示特征提取模型进行训练,本申请提供了一种对提示特征提取模型进行训练的具体方法,下面对该方法进行详细描述。
首先获取对提示特征提取模型进行训练的训练样本数据,该训练样本数据包括了多个已知对象的对象关联数据、对象在目标应用中的行为数据以及对象对目标应用中的候选内容的点击数据等。其中,可以理解的是,对对象的上述数据的获取是经过对象的授权才进行获取的,相关数据的获取过程是严格遵守相关法律和法规规定的。其中,对象的关联数据包括了对象的基础属性数据和对象在目标应用的关联应用中的行为数据。目标应用的关联应用可以为与目标应用属于同一类型的应用,或者与目标应用具有相关性的应用。当目标应用具有关联应用时,确定目标对象在关联应用中的行为数据为关联数据;当目标应用没有关联应用时,可以确定目标对象的基础属性数据为关联数据。
步骤202,计算机设备将样本关联数据输入至待训练的提示特征提取模型中,得到输出的样本提示特征。
其中,在本申请实施例中,对象的关联数据可以包括多个子数据拼接得到的数据,例如多个基础属性数据或者多个行为数据拼接得到的数据。具体可以以如下式(1)进行表示:
其中,xu为对象的关联数据,为子关联数据,其中1≤i≤m。||代表拼接操作。
然后,对于任意一个对象的属性数据,将其输入到待训练的提示特征提取模型中,得到该模型输出的提示特征。具体可以如下式(2)所示:
pu=PPG(xu)=W2σ(W1xu+b1)+b2 式(2)
其中,pu为对象的提示特征,PPG(.)为提示特征提取模型进行特征提取操作。W2、σ、W1、b1以及b2为待训练的提示特征提取模型中待训练的模型参数。其中,对象的提示特征可以为特征序列。
对于训练样本数据中每一样本对象对应的关联数据,都可以采用上述方法通过待训练的提示特征提取模型提取出该样本对象对应的提示特征。
步骤203,计算机设备从训练样本数据中的样本行为数据中提取出样本行为特征。
其中,进一步地,计算机设备可以对训练样本数据中每一样本对象的行为数据进行特征提取,得到每一样本对象的行为特征序列,具体可以表示为其中,/>为行为特征序列中第i个行为特征,|su|为行为特征序列中行为特征的数量。
步骤204,计算机设备将样本提示特征与样本行为特征进行拼接得到样本拼接特征。
在确定了每一对象的提示特征与行为特征序列后,可以进一步将对象的提示特征与行为特征序列进行拼接,得到对象对应的拼接特征。具体可以如下式(3)所示:
其中,为样本对应的拼接特征。
然后,对于训练样本数据中的每一样本对象,可以按照上述方法得到每一样本对象对应的样本拼接特征。
步骤205,计算机设备对样本拼接特征进行增强处理得到增强样本拼接特征。
在本申请实施例中,为了增强训练得到的提示特征提取模型的鲁棒性,可以添加一个对比学习的辅助任务来进行辅助训练。具体地,可以对拼接特征进行数据增强处理,其中本申请实施例中的数据增强可以包括对拼接特征中的提示特征的增强和对行为特征的增强。具体可以对提示特征和行为特征序列中的特征进行随机隐藏(mask)处理,得到增强拼接特征
然后,对于训练样本数据中每一样本对象,都可以采用上述数据曾庆方法得到每一样本对象对应的增强样本拼接特征。
步骤206,计算机设备将样本拼接特征与增强样本拼接特征输入到预训练过的推荐模型中,得到输出的两个样本对象特征。
其中,在得到每一样本对象对应的样本拼接特征以及增强样本拼接特征后,可以粉分别将每一样本对象对应的上述两个拼接特征输入至预训练过的推荐模型中,得到推荐模型输出的样本对象特征,或者称为用户表示(user embedding)。具体可以如下式(4)所示:
其中,us为根据拼接特征生成的对象特征,fseq(.)为采用推荐模型进行处理。此处推荐模型具体可以为序列推荐模型。
然后,对于每一样本对象对应的样本拼接特征以及增强样本拼接特征,都可以按照式(4)确定样本对象对应的两个样本对象特征,具体包括us和其中/>为增强样本拼接特征经过推荐模型输出的样本对象特征。
步骤207,计算机设备根据两个样本对象特征之间的差异确定对比学习任务的第一损失函数。
其中,对比学习的目的是为了保证同样的样本对象能够得到相似的样本对象特征,不同的样本对象能够得到不同的样本对象特征。基于该目的可以进一步构建对比学习任务的第一损失函数,具体表示如下式(5):
其中,Lcl为对比损失,sim(.,.)为计算两个特征的相似度。us为样本拼接特征经过推荐模型输出的第一样本对象特征,为增强样本拼接特征经过推荐模型输出的第二样本对象特征。u′s为随机采样的负样本对应的样本拼接特征经过推荐模型输出的第三样本对象特征。
步骤208,计算机设备以样本拼接特征和增强样本拼接特征为正样本对,并随机采样负样本对,基于正样本对和负样本对生成推荐任务的第二损失函数。
其中,针对排序推荐任务,可以以前述一个样本对象的样本拼接特征和增强样本拼接特征为正样本对然后再随机采样负样本对/>然后基于该正负样本对采用pair-wise的排序算法作为推荐的损失函数,具体表示如下式(6)所示:
其中,为对象特征的转置矩阵。vi为正样本对中第i个行为特征,vj为负样本对中第j个行为特征。Lp为推荐排序任务对应的推荐损失函数,也可以称为第二损失函数。
步骤209,计算机设备基于第一损失函数与第二损失函数构建联合学习的目标损失函数,并基于目标损失函数对提示特征提取模型的参数进行调整。
其中,在确定了对比学习任务的第一损失函数以及排序推荐任务的第二损失函数后,可以基于这两个损失函数构建进行联合学习的目标损失函数,目标损失函数的表达式如下式(7):
L=Lp+λLcl 式(7)
其中,L为目标损失函数,λ为权重系数。
然后,基于该目标损失函数进行循环优化,使得目标损失函数最小,并在该过程中持续对提示特征提取模型的模型参数进行更新,直到提示特征提取模型的模型参数收敛,完成对提示特征提取模型的训练。
步骤210,计算机设备获取目标对象在目标应用中的历史行为数据以及目标对象的关联数据。
在完成了对提示特征提取模型的训练后,可以采用训练过的提示特征提取模型对获取到的目标对象在目标应用中的关联数据进行提示特征提取以及进一步的内容推荐。
具体地,可以先获取目标对象在目标应用中的历史行为数据以及目标对象的关联数据。其中,目标对象在目标应用中的历史行为数据可以为空,即目标对象在目标应用中还没有行为数据。或者,目标对象在目标应用中具有少量的历史行为数据。目标对象的关联数据可以为目标对象的基础属性数据,也可以为目标对象在与目标应用关联的关联应用中的历史行为数据。
步骤211,计算机设备从历史行为数据中提取出行为特征序列,以及将关联数据输入至训练后的提示特征提取模型中得到提示特征。
在获取到目标对象在目标应用中的历史行为数据后,可以对该历史行为数据进行特征提取,得到行为特征序列。然后可以采用前述训练过的提示特征提取模型对目标对象的关联数据进行提示特征提取,得到提示特征。
步骤212,计算机设备将行为特征序列和提示特征进行拼接得到拼接特征,并将拼接特征输入至推荐模型中,得到目标对象的对象特征。
进一步地,可以将目标对象的提示特征和行为特征序列进行拼接,得到拼接特征序列,然后将拼接特征序列输入至前述预训练过的推荐模型中,得到推荐模型输出的目标对象的对象特征。
步骤213,计算机设备根据对象特征在目标应用中向目标对象进行内容推荐。
得到目标对象的对象特征后,可以进一步根据目标对象的对象特征与目标应用中候选内容之间的相似关系确定在目标应用中向目标对象进行推荐的目标候选内容以及目标候选内容的排序关系。然后根据该排序关系在目标应用中向目标对象推荐上述目标候选内容。
在本申请实施例中,通过训练从目标对象的关联信息中提取出个性化提示符,即前述提示特征,然后根据该提示符对目标对象的行为特征进行修正。然后采用前述预训练过的推荐模型对修正后的行为特征进行处理,得到目标对象更为准确的对象特征,进而可以提升向目标对象进行内容推荐的准确性。
而且,本申请提供的内容推荐方法,在将预训练得到的推荐模型应用到具体的下游任务中时,无需对推荐模型进行微调以适应不同的下游任务,而是可以通过训练与下游任务对应的提示特征提取模型即可。如此可以避免推荐模型这个大模型的模型参数调整,只需要对轻型的提示特征提取模型进行训练即可,可以提升下游任务对应的模型的训练效率。还可以避免生成每一下游任务对应的具体模型,减小了模型部署的难度。进一步地,对于向冷启动用户进行内容推荐的任务中,由于冷启动用户的样本数据较少,采用这些少量的样本数据对预训练得到的推荐模型进行微调,达不到微调的效果,只会影响模型的准确性,进而导致内容推荐不准确。采用本申请提供的内容推荐方法可以避免样本数量不足导致的上述问题,从而提升了在向冷启动用户进行内容推荐的任务中的内容推荐准确性。
其中,如前所述,在对提示特征提取模型进行训练的过程中,推荐模型虽然参与其中,但并未对推荐模型的参数进行调整。在一些实施例中,在对提示特征提取模型进行训练的过程中,也可以将推荐模型的模型参数设置为可变参数,即同时对提示特征提取模型进行训练以及对推荐模型进行微调。如此训练得到的模型在执行冷启动用户内容推荐任务中可以获得更好的准确性,但训练过程相对复杂,训练效率相对较低。
如图4所示,为本申请提供的对象特征提取模型的模型结构示意图,如图所示,该模型包括提示特征提取网络,用于从目标对象的关联数据中提取出提示特征(即提示符);行为特征提取网络,用于从目标对象在目标用户中的行为数据中提取出行为特征;特征拼接网络,用于将提示特征和行为特征进行拼接得到拼接特征;序列推荐网络,用于对拼接特征序列进行处理得到对象特征。
如表1所示,为本申请提供的模型与基线模型在几个不同测试集中的的模型指标对比表。
表1:模型指标对比表
其中,AUC表示曲线下面积(Area Under Curve,AUC),AUC值小于1,且AUC越接近1.0,检测方法真实性越高。HIT指击中概率(hit rate),表示测试集中的条目出现在Top-N推荐列表中的用户数量占用户总数的比例。NDCG指归一化折损累计增益(NormalizedDiscounted Cumulative Gain,NDCG),NDCG一般用作排序结果的评价指标,评价排序的准确性。根据表1的数据可知,本申请提供的模型相对于基线模型在各个指标上都取得了一定的改善。
根据上述描述可知,本申请提供的内容推荐方法,通过获取目标应用中目标对象的第一历史行为数据,并对第一历史行为数据进行特征提取得到行为特征;获取目标对象的关联数据并从关联数据中提取提示信息,得到提示特征;对提示特征与行为特征进行拼接,得到拼接特征;将拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;基于对象特征在目标应用中对目标对象进行内容推荐。
以此,本申请提供的内容推荐方法,通过从目标对象的关联数据中提取出提示特征,并采用该提示特征对目标对象的行为特征进行调整,然后再基于调整过的对象行为特征采用预先连后的推荐模型生成对象特征进行内容推荐。该方法可以通过目标对象的关联数据提取出的提示特征对目标对象的行为特征进行修正,从而可以得到更为准确的目标对象的对象特征,进而可以提升内容推荐的准确性。
为了更好地实施以上内容推荐方法,本申请实施例还提供一种内容推荐装置,该内容推荐装置可以集成在终端或服务器中。
例如,如图5所示,为本申请实施例提供的内容推荐装置的结构示意图,该内容推荐装置可以包括第一获取单元301、第二获取单元302、拼接单元303、输入单元304以及推荐单元305,如下:
第一获取单元301,用于获取目标应用中目标对象的第一历史行为数据,并对第一历史行为数据进行特征提取得到行为特征;
第二获取单元302,用于获取目标对象的关联数据并从关联数据中提取提示信息,得到提示特征;
拼接单元303,用于对提示特征与行为特征进行拼接,得到拼接特征;
输入单元304,用于将拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;
推荐单元305,用于基于对象特征在目标应用中对目标对象进行内容推荐。
在一些实施例中,第二获取单元,包括:
第一获取子单元,用于获取目标对象的基础属性数据;
第一确定子单元,用于当目标应用不存在关联应用时,基于基础属性数据确定目标对象的关联数据;
第二获取子单元,用于当目标应用存在关联应用时,获取目标对象在关联应用中的第二历史行为数据,基于基础属性数据和第二历史行为数据确定目标对象的关联数据;
第一提取子单元,用于从关联数据中提取提示信息,得到提示特征。
在一些实施例中,提取子单元,包括:
获取模块,用于获取预设提示特征提取模型;
输入模块,用于将关联数据输入至提示特征提取模型中,得到输出的提示特征。
在一些实施例中,本申请提供的内容推荐装置,还包括:
第三获取子单元,用于获取训练样本数据,训练样本数据包括样本关联数据以及样本行为数据;
第一输入子单元,用于将样本关联数据输入至预设提示特征提取模型中,得到提示特征提取模型输出的样本提示特征;
拼接子单元,用于对样本提示特征与从样本行为数据提取的样本行为特征进行拼接,得到样本拼接特征;
增强子单元,用于对样本拼接特征进行增强处理,得到增强样本拼接特征;
第二输入子单元,用于将样本拼接特征与增强样本拼接特征分别输入至预训练后的推荐模型中,并基于输出特征计算第一损失函数;
调整子单元,用于基于第一损失函数对预设提示特征提取模型中的参数进行调整,完成对预设提示特征提取模型的训练。
在一些实施例中,增强子单元,包括:
第一处理模块,用于对样本拼接特征中的样本提示特征进行随机隐藏处理,得到过渡特征;
第二处理模块,用于对过渡特征中的样本行为特征进行随机隐藏处理,得到增强样本拼接特征。
在一些实施例中,本申请提供的内容推荐装置,还包括:
第二确定子单元,用于根据样本拼接特征与增强样本拼接特征确定正样本对;
第一生成子单元,用于基于训练样本数据随机生成负样本对;
第二生成子单元,用于基于正样本对以及负样本对生成推荐排序任务的第二损失函数;
第三生成子单元,用于根据第一损失函数与第二损失函数生成目标损失函数;
调整子单元,还用于:
基于目标损失函数对预设提示特征提取模型中的参数进行调整,完成对预设提示特征提取模型的训练。
在一些实施例中,推荐单元,包括:
第二提取子单元,用于对预设候选内容库中的每一候选内容进行特征提取,得到每一候选内容对应的内容特征;
计算子单元,用于计算每一内容特征与对象特征之间的相似度;
推荐子单元,用于根据相似度向目标对象推荐对应的目标候选内容。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
根据上述描述可知,本申请实施例提供的内容推荐装置,通过第一获取单元301获取目标应用中目标对象的第一历史行为数据,并对第一历史行为数据进行特征提取得到行为特征;第二获取单元302获取目标对象的关联数据并从关联数据中提取提示信息,得到提示特征;拼接单元303对提示特征与行为特征进行拼接,得到拼接特征;输入单元304将拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;推荐单元305基于对象特征在目标应用中对目标对象进行内容推荐。
以此,本申请提供的内容推荐方法,通过从目标对象的关联数据中提取出提示特征,并采用该提示特征对目标对象的行为特征进行调整,然后再基于调整过的对象行为特征采用预先连后的推荐模型生成对象特征进行内容推荐。该方法可以通过目标对象的关联数据提取出的提示特征对目标对象的行为特征进行修正,从而可以得到更为准确的目标对象的对象特征,进而可以提升内容推荐的准确性。
本申请实施例还提供一种计算机设备,该计算机设备可以为终端或服务器,如图6所示,为本申请提供的计算机设备的结构示意图。具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理单元401、一个或一个以上存储介质的存储单元402、电源模块403和输入模块404等部件。本领域技术人员可以理解,图6中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理单元401是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储单元402内的软件程序和/或模块,以及调用存储在存储单元402内的数据,执行计算机设备的各种功能和处理数据。可选的,处理单元401可包括一个或多个处理核心;优选的,处理单元401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、对象界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理单元401中。
存储单元402可用于存储软件程序以及模块,处理单元401通过运行存储在存储单元402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储单元402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能以及网页访问等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储单元402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储单元402还可以包括存储器控制器,以提供处理单元401对存储单元402的访问。
计算机设备还包括给各个部件供电的电源模块403,优选的,电源模块403可以通过电源管理***与处理单元401逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源模块403还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入模块404,该输入模块404可用于接收输入的数字或字符信息,以及产生与对象设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理单元401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储单元402中,并由处理单元401来运行存储在存储单元402中的应用程序,从而实现各种功能,如下:
获取目标应用中目标对象的第一历史行为数据,并对第一历史行为数据进行特征提取得到行为特征;获取目标对象的关联数据并从关联数据中提取提示信息,得到提示特征;对提示特征与行为特征进行拼接,得到拼接特征;将拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;基于对象特征在目标应用中对目标对象进行内容推荐。
应当说明的是,本申请实施例提供的计算机设备与上文实施例中的方法属于同一构思,以上各个操作的具体实施可参见前面的实施例,在此不作赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种方法中的步骤。例如,该指令可以执行如下步骤:
获取目标应用中目标对象的第一历史行为数据,并对第一历史行为数据进行特征提取得到行为特征;获取目标对象的关联数据并从关联数据中提取提示信息,得到提示特征;对提示特征与行为特征进行拼接,得到拼接特征;将拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;基于对象特征在目标应用中对目标对象进行内容推荐。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本发明实施例所提供的任一种方法中的步骤,因此,可以实现本发明实施例所提供的任一种方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
其中,根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在存储介质中。计算机设备的处理器从存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述内容推荐方法中各种可选实现方式中提供的方法。
以上对本发明实施例所提供的内容推荐方法、装置、计算机设备及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种内容推荐方法,其特征在于,所述方法包括:
获取目标应用中目标对象的第一历史行为数据,并对所述第一历史行为数据进行特征提取得到行为特征;
获取所述目标对象的关联数据并从所述关联数据中提取提示信息,得到提示特征;
对所述提示特征与所述行为特征进行拼接,得到拼接特征;
将所述拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;
基于所述对象特征在所述目标应用中对所述目标对象进行内容推荐。
2.根据权利要求1所述的方法,其特征在于,所述获取所述目标对象的关联数据并从所述关联数据中提取提示信息,得到提示特征,包括:
获取所述目标对象的基础属性数据;
当所述目标应用不存在关联应用时,基于所述基础属性数据确定所述目标对象的关联数据;
当所述目标应用存在关联应用时,获取所述目标对象在所述关联应用中的第二历史行为数据,基于所述基础属性数据和所述第二历史行为数据确定所述目标对象的关联数据;
从所述关联数据中提取提示信息,得到提示特征。
3.根据权利要求2所述的方法,其特征在于,所述从所述关联数据中提取提示信息,得到提示特征,包括:
获取预设提示特征提取模型;
将所述关联数据输入至所述提示特征提取模型中,得到输出的提示特征。
4.根据权利要求3所述的方法,其特征在于,所述获取预设提示特征提取模型之前,还包括:
获取训练样本数据,所述训练样本数据包括样本关联数据以及样本行为数据;
将所述样本关联数据输入至预设提示特征提取模型中,得到所述提示特征提取模型输出的样本提示特征;
对所述样本提示特征与从样本行为数据提取的样本行为特征进行拼接,得到样本拼接特征;
对所述样本拼接特征进行增强处理,得到增强样本拼接特征;
将所述样本拼接特征与所述增强样本拼接特征分别输入至所述预训练后的推荐模型中,并基于输出特征计算第一损失函数;
基于所述第一损失函数对所述预设提示特征提取模型中的参数进行调整,完成对所述预设提示特征提取模型的训练。
5.根据权利要求4所述的方法,其特征在于,所述对所述拼接特征进行增强处理,得到增强样本拼接特征,包括:
对所述样本拼接特征中的样本提示特征进行随机隐藏处理,得到过渡特征;
对所述过渡特征中的样本行为特征进行随机隐藏处理,得到增强样本拼接特征。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述样本拼接特征与所述增强样本拼接特征确定正样本对;
基于所述训练样本数据随机生成负样本对;
基于所述正样本对以及所述负样本对生成推荐排序任务的第二损失函数;
根据所述第一损失函数与所述第二损失函数生成目标损失函数;
所述基于所述第一损失函数对所述预设提示特征提取模型中的参数进行调整,完成对所述预设提示特征提取模型的训练,包括:
基于所述目标损失函数对所述预设提示特征提取模型中的参数进行调整,完成对所述预设提示特征提取模型的训练。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述基于所述对象特征在所述目标应用中对所述目标对象进行内容推荐,包括:
对预设候选内容库中的每一候选内容进行特征提取,得到每一候选内容对应的内容特征;
计算每一内容特征与所述对象特征之间的相似度;
根据所述相似度向所述目标对象推荐对应的目标候选内容。
8.一种内容推荐装置,其特征在于,所述装置包括:
第一获取单元,用于获取目标应用中目标对象的第一历史行为数据,并对所述第一历史行为数据进行特征提取得到行为特征;
第二获取单元,用于获取所述目标对象的关联数据并从所述关联数据中提取提示信息,得到提示特征;
拼接单元,用于对所述提示特征与所述行为特征进行拼接,得到拼接特征;
输入单元,用于将所述拼接特征输入至预训练后的推荐模型中,得到输出的对象特征;
推荐单元,用于基于所述对象特征在所述目标应用中对所述目标对象进行内容推荐。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7中任一项所述的内容推荐方法中的步骤。
10.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的内容推荐方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210360142.3A CN116955763A (zh) | 2022-04-06 | 2022-04-06 | 内容推荐方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210360142.3A CN116955763A (zh) | 2022-04-06 | 2022-04-06 | 内容推荐方法、装置、计算机设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116955763A true CN116955763A (zh) | 2023-10-27 |
Family
ID=88442965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210360142.3A Pending CN116955763A (zh) | 2022-04-06 | 2022-04-06 | 内容推荐方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116955763A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422526A (zh) * | 2023-11-15 | 2024-01-19 | 哈尔滨工业大学 | 一种基于提示的用户跨域冷启动方法 |
-
2022
- 2022-04-06 CN CN202210360142.3A patent/CN116955763A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422526A (zh) * | 2023-11-15 | 2024-01-19 | 哈尔滨工业大学 | 一种基于提示的用户跨域冷启动方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11544474B2 (en) | Generation of text from structured data | |
CN111061946B (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
CN112052387B (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
WO2021155691A1 (zh) | 用户画像生成方法、装置、存储介质及设备 | |
CN109960749B (zh) | 模型获取方法、关键词生成方法、装置、介质及计算设备 | |
CN112464100B (zh) | 信息推荐模型训练方法、信息推荐方法、装置及设备 | |
CN109934684A (zh) | 一种商品推荐方法、装置、终端及存储介质 | |
CN114329029B (zh) | 对象检索方法、装置、设备及计算机存储介质 | |
US20230035366A1 (en) | Image classification model training method and apparatus, computer device, and storage medium | |
CN113535912B (zh) | 基于图卷积网络和注意力机制的文本关联方法及相关设备 | |
CN116955763A (zh) | 内容推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN116186197A (zh) | 话题推荐方法、装置、电子设备及存储介质 | |
CN112131884A (zh) | 用于实体分类的方法和装置、用于实体呈现的方法和装置 | |
CN116776003A (zh) | 基于对比学习和协同信号的知识图推荐方法、***及设备 | |
CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN116415624A (zh) | 模型训练方法及装置、内容推荐方法及装置 | |
CN114169906B (zh) | 电子券推送方法、装置 | |
CN117272056A (zh) | 对象特征构建方法、装置和计算机可读存储介质 | |
WO2019230465A1 (ja) | 類似性評価装置、その方法、及びプログラム | |
CN117575894B (zh) | 图像生成方法、装置、电子设备和计算机可读存储介质 | |
CN117786234B (zh) | 一种基于两阶段对比学习的多模态资源推荐方法 | |
US20240070753A1 (en) | Information processing device, method for generating learning model, and computer-readable storage medium that stores program for generating learning model | |
Liu et al. | Individualized tourism recommendation based on self-attention | |
Wang et al. | A deep matrix factorization method with missing not at random data for social recommendation | |
CN116975427A (zh) | 确定对象对资源信息的感兴趣程度的方法、装置和计算设备 |
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 |