语义生成模型的训练及资源推荐方法、装置、设备和介质与流程

摘要: 本技术涉及人工智能,尤其涉及一种语义生成模型的训练及资源推荐方法、装置、设备和介质。背景技术:1、传统推荐系统依赖使用者的行为数据生成随机哈希标识(即随机has...
语义生成模型的训练及资源推荐方法、装置、设备和介质与流程

本技术涉及人工智能,尤其涉及一种语义生成模型的训练及资源推荐方法、装置、设备和介质。

背景技术:

1、传统推荐系统依赖使用者的行为数据生成随机哈希标识(即随机hash id)来标识资源。这种方法虽然简单高效,但由于这些id是基于使用者交互数据生成的,缺乏对资源固有属性(如,视频的标题、描述、类目等)的理解,从而导致语义无关的id大量分布;这样,便使得冷启动资源(即缺乏历史交互数据的新资源)难以被推荐,进而限制了推荐系统的泛化能力。

2、为克服这一问题,相关技术下,提出了语义标识(即语义id)的技术概念。所谓语义id(semantic id,sid),是指将资源的固有属性信息编码为嵌入向量,并进一步进行量化处理后生成的结构化标识。

3、例如,假设有一双鞋子的特征如下:颜色:橙色(特征id:5);类别:鞋子(特征id:23);品牌:x品牌(特征id:55)。在这种情况下,这双鞋子的语义id可以表示为一个有序的码字序列:(5,23,55)。这种语义id不仅反映了资源的语义信息,还能捕捉到资源之间的相似性关系。

4、然而,这种语义id表示资源固定不变的特性,但是在不同的推荐阶段,对象的兴趣和资源流行度等是动态变化的,故利用此静态语义id进行推荐,会降低推荐系统的准确性。

5、综上,如何提高语义id的准确性,以提高推荐准确性,是亟待解决的问题。

技术实现思路

1、本技术实施例提供一种语义生成模型的训练及资源推荐方法、装置、设备和介质,用以提高为资源生成的语义标识的准确性,从而提高推荐准确性。

2、本技术实施例提供的一种语义生成模型的训练方法,包括:

3、从训练样本集中选取至少一个训练样本;每个训练样本包括:一个资源的固有属性信息,以及所述资源的时效信息;

4、对于所述至少一个训练样本,分别执行:

5、通过待训练的语义生成模型,对一个训练样本中的固有属性信息和时效信息,分别进行特征提取,获得相应的样本属性特征和样本时效特征;基于基础码本和调制码本中,与所述样本属性特征之间的语义相似度满足预设条件的各码字,生成融合有所述时效信息的语义标识;所述调制码本,是基于所述样本时效特征,对所述基础码本中各码字关联的语义进行调整得到;

6、根据获得的至少一个样本时效特征及相应的语义标识,进行模型调参。

7、本技术实施例提供的一种语义生成模型的训练装置,包括:

8、样本选取单元,用于从训练样本集中选取至少一个训练样本;每个训练样本包括:一个资源的固有属性信息,以及所述资源的时效信息;

9、特征提取单元,用于对于所述至少一个训练样本,分别执行:

10、通过待训练的语义生成模型,对一个训练样本中的固有属性信息和时效信息,分别进行特征提取,获得相应的样本属性特征和样本时效特征;基于基础码本和调制码本中,与所述样本属性特征之间的语义相似度满足预设条件的各码字,生成融合有所述时效信息的语义标识;所述调制码本,是基于所述样本时效特征,对所述基础码本中各码字关联的语义进行调整得到;

11、参数调整单元,用于根据获得的至少一个样本时效特征及相应的语义标识,进行模型调参。

12、本技术实施例提供的一种资源推荐方法,包括:

13、获取对象针对资源的行为偏好信息,以及资源池中每个候选资源在当前的语义标识;其中,每个候选资源的语义标识是:将所述候选资源的固有属性信息和时效信息,输入训练得到的语义生成模型后获得的;所述语义生成模型是通过本技术实施例中的任一语义生成模型的训练方法训练得到的,且每个候选资源的语义标识随着时效信息的变化动态更新;

14、对于每个候选资源,基于所述行为偏好信息与所述候选资源的语义标识,确定所述候选资源与所述对象之间的匹配度;

15、根据获得的各个匹配度,从所述资源池中筛选出至少一个候选资源;

16、根据所述至少一个候选资源,向所述对象进行资源推荐。

17、本技术实施例提供的一种资源推荐装置,包括:

18、信息获取单元,用于获取对象针对资源的行为偏好信息,以及资源池中每个候选资源在当前的语义标识;其中,每个候选资源的语义标识是:将所述候选资源的固有属性信息和时效信息,输入训练得到的语义生成模型后获得的;所述语义生成模型是通过本技术实施例中的任一语义生成模型的训练方法训练得到的,且每个候选资源的语义标识随着时效信息的变化动态更新;

19、匹配度计算单元,用于对于每个候选资源,基于所述行为偏好信息与所述候选资源的语义标识,确定所述候选资源与所述对象之间的匹配度;

20、筛选单元,用于根据获得的各个匹配度,从所述资源池中筛选出至少一个候选资源;

21、推荐单元,用于根据所述至少一个候选资源,向所述对象进行资源推荐。

22、本技术实施例提供的一种电子设备,包括处理器和存储器,其中,所述存储器存储有计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器执行上述任意一种语义生成模型的训练方法的步骤,或者执行上述任意一种资源推荐方法的步骤。

23、本技术实施例提供一种计算机可读存储介质,其包括计算机程序,当所述计算机程序在电子设备上运行时,所述计算机程序用于使所述电子设备执行上述任意一种语义生成模型的训练方法的步骤,或者执行上述任意一种资源推荐方法的步骤。

24、本技术实施例提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序存储在计算机可读存储介质中;当电子设备的处理器从计算机可读存储介质读取所述计算机程序时,所述处理器执行所述计算机程序,使得所述电子设备执行上述任意一种语义生成模型的训练方法的步骤,或者执行上述任意一种资源推荐方法的步骤。

25、本技术有益效果如下:

26、本技术实施例提供了一种语义生成模型的训练及资源推荐方法、装置、设备和介质。具体来说,在模型训练过程中,首先从训练样本集中选取至少一个训练样本,每个样本包含资源的固有属性信息和时效信息。这种方法不仅考虑了资源的静态特性,还引入了动态变化的因素,使模型能够全面理解资源的本质特征及其随时间的变化规律。

27、接着,采用语义生成模型,对每个训练样本的固有属性信息和时效信息进行特征提取,将原始信息转化为机器可处理的特征向量。其中,样本时效特征的提取使模型能捕捉到资源在时间维度上的变化趋势。在生成语义标识时,基于基础码本和调制码本中与样本属性特征之间语义相似度满足预设条件的各码字,生成融合时效信息的语义标识。其中,调制码本是通过调整基础码本中各码字关联的语义得到,使模型能够根据资源发布后的时序特征动态调整其表示形式,从而提高推荐的精准度。这不仅能反映资源的静态特性,还能动态反映其时效性变化。

28、最后,根据获得的样本时效特征及相应的语义标识,对该语义生成模型进行调参,进一步优化模型性能,使其更好地拟合训练数据,并在实际应用中表现出更高的准确性和鲁棒性。通过调整模型参数,可以减少过拟合现象,提升模型的泛化能力。

29、此外,基于上述训练方法训练得到的语义生成模型,可以生成候选资源的动态语义标识。在此基础上,通过获取对象的行为偏好信息与候选资源的动态语义标识,并基于二者之间的匹配度进行资源筛选与推荐,推荐系统能够实现更精准、更具时效性的个性化推送。尤其在内容更新频繁的场景下,如新闻资讯或订阅内容红点推荐中,该方法可有效提升对象点击率、降低因内容过时引发的对象负反馈,从而全面提升推荐系统的智能化水平与对象体验满意度。

30、综上,本技术通过结合资源的固有属性和时效信息,解决了传统推荐系统的冷启动问题,并通过引入时间感知的调制码本,增强了系统在多变环境下的适应性和鲁棒性,最终提升了对象体验和满意度。这一系列步骤相互配合,共同提高了基于此语义生成模型所生成的语义标识的准确性,从而进一步提高了基于此语义标识进行资源推荐时,推荐系统的整体性能。

31、本技术的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。