产品推荐模型的训练方法、装置、电子设备及存储介质与流程

1.本公开涉及人工智能技术领域，进一步涉及深度学习技术，尤其是一种产品推荐模型的训练方法、装置、电子设备及存储介质。


背景技术：

2.推荐系统(recommender system)技术是指在线上推荐应用场景中向使用系统的用户推荐适合自身偏好的产品的个性化推荐技术。在当今互联网时代的大潮下，为了充分利用大量的在线服务资源，提高用户的使用体验和满意度，许多在线推荐系统被广泛应用于线上购物平台、视频音乐媒体网站等场景中。
3.针对智能推荐系统技术，目前普遍采用如下四种方案来解决：
4.(1)非个性化方法。非个性化推荐技术会向所有用户推荐同样的产品，例如为用户推荐当前最热门产品，最新推出的产品，评分最高的产品等。该方法是一种非个性化的推荐方法，一方面无法满足不同用户的个性化需求，另一方面选出的产品在短时间内不会发生变化，不能持续为用户推荐不同产品。
5.(2)基于点估计的个性化推荐方法。该方法将用户与产品的历史交互记录当作正样本，通常记为评分1，而那些没有交互记录的产品记为评分0。在此基础上，基于点估计的个性化推荐方法采用一套评分预测的方法来预测每个用户在不同产品上的评分。该方法在隐式反馈数据情况下，负样本并不代表用户一定不喜欢该产品，而很有可能是由于用户尚不知道该产品，所以没有交互记录。因此评分预测得到的评分意义不明朗，精准度也较低。
6.(3)基于成对比较的个性化推荐技术。该方法针对每个用户随机挑选一部分由一个正样本和一个负样本组成的偏序对，然后极大化所有偏序对为真的似然函数来求解出每个用户在不同产品上的评分。该方法在建模的过程中，需要很强的独立性假设，即每个比较的偏序对之间都必须是相互独立的，否则目标函数就无法求解。而现实场景下这种强独立性假设是难以保证的。
7.(4)基于清单顺序的个性化推荐技术。该方法将用户在不同数据上的评分按照大小顺序组成一个清单，然后极大化这个清单顺序为真的似然函数来求解出每个用户在不同产品上的评分。该方法需要用到一整个清单的排列顺序，但是在隐式反馈中只有两种可能的评分即1和0，在大多数显式反馈中级别的数量也非常少，因此得到的清单会有非常多评分级别相同的产品，这些产品之间如何排序是一个难以解决的问题。目前常用的解决方法是多次随机采样排序顺序，然而这可能造成模型训练的困难。


技术实现要素：

8.本公开提供了一种产品推荐模型的训练方法、装置、电子设备以及存储介质。
9.第一方面，本技术提供了一种产品推荐模型的训练方法，所述方法包括：
10.在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；其中，所述用户集合和所述产品集合分别包括n个用户和m个产品；n和m均为大于1的自
然数；
11.将所述当前用户对应的训练向量和所述当前产品对应的训练向量分别输入至所述待训练的产品推荐模型中，通过所述待训练的产品推荐模型得到所述当前用户的需求隐向量和所述当前产品的属性隐向量；重复执行上述提取所述当前用户和所述当前产品的操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量；
12.基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对所述待序训练的产品推荐模型进行训练；其中，所述优化目标函数包括：隐式优化目标函数和显式优化目标函数。
13.第二方面，本技术提供了一种产品推荐模型的训练装置，所述装置包括：选取模块、计算模块和训练模块；其中，
14.所述选取模块，用于在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；其中，所述用户集合和所述产品集合分别包括n个用户和m个产品；n和m均为大于1的自然数；
15.所述计算模块，用于将所述当前用户对应的训练向量和所述当前产品对应的训练向量分别输入至所述待训练的产品推荐模型中，通过所述待训练的产品推荐模型得到所述当前用户的需求隐向量和所述当前产品的属性隐向量；重复执行上述提取所述当前用户和所述当前产品的操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量；
16.所述训练模块，用于基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对所述待序训练的产品推荐模型进行训练；其中，所述优化目标函数包括：隐式优化目标函数和显式优化目标函数。
17.第三方面，本技术实施例提供了一种电子设备，包括：
18.一个或多个处理器；
19.存储器，用于存储一个或多个程序，
20.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本技术任意实施例所述的产品推荐模型的训练方法。
21.第四方面，本技术实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本技术任意实施例所述的产品推荐模型的训练方法。
22.第五方面，提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现本技术任意实施例所述的产品推荐模型的训练方法。
23.根据本技术的技术解决了现有技术中的推荐方案无法同时适用显式反馈和隐式反馈的应用场景，并且精确度较低以及模型训练困难的技术问题，本技术提供的技术方案，可以同时适用于显式反馈和隐式反馈的应用场景，并且可以有效地提高推荐精确度，为用户提供更加准确的推荐结果。
24.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
25.附图用于更好地理解本方案，不构成对本公开的限定。其中：
26.图1是本技术实施例提供的产品推荐模型的训练方法的第一流程示意图；
27.图2是本技术实施例提供的产品推荐模型的训练方法的第二流程示意图；
28.图3是本技术实施例提供的产品推荐模型的结构示意图；
29.图4是本技术实施例提供的产品推荐模型的训练方法的第三流程示意图；
30.图5是本技术实施例提供的隐式反馈下的偏序建模方法的示意图；
31.图6是本技术实施例提供的显式反馈下的偏序建模方法的示意图；
32.图7是本技术实施例提供的产品推荐模型的训练装置的结构示意图；
33.图8是用来实现本技术实施例的产品推荐模型的训练方法的电子设备的框图。
具体实施方式
34.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
35.实施例一
36.图1是本技术实施例提供的产品推荐模型的训练方法的第一流程示意图，该方法可以由产品推荐模型的训练装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，产品推荐模型的训练方法可以包括以下步骤：
37.s101、在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；其中，用户集合和产品集合分别包括n个用户和m个产品；n和m均为大于1的自然数。
38.在本步骤中，电子设备可以在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；其中，用户集合和产品集合分别包括n个用户和m个产品；n和m均为大于1的自然数。较佳地，在本步骤之前，电子设备还可以先获取各个用户和各个产品的原始交互记录；然后基于各个用户各个当前产品的交互记录，确定各个用户针对各个产品的偏序关系；其中，偏序关系包括：隐式偏序关系和先式偏序关系；再将各个用户针对各个产品的偏序关系存储至预先构建的矩阵中；基于该矩阵执行在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品的操作。
39.s102、将当前用户对应的训练向量和当前产品对应的训练向量分别输入至待训练的产品推荐模型中，通过待训练的产品推荐模型得到当前用户的需求隐向量和当前产品的属性隐向量；重复执行上述提取当前用户和当前产品的操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量。
40.在本步骤中，电子设备可以将当前用户对应的训练向量和当前产品对应的训练向量分别输入至待训练的产品推荐模型中，通过待训练的产品推荐模型得到当前用户的需求隐向量和当前产品的属性隐向量；重复执行上述提取当前用户和当前产品的操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量。具体地，电子设备可以先将当前用户对应的训练向量输入至待训练的产品推荐模型中的用户解析网络，通过用户解析网络得到当前用户的需求隐向量；同时将当前产品对应的训练向量输入至待训练的产品推荐模型中的产品解析网络，通过产品解析网络得到当前产品的属性隐向量。
41.s103、基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化
目标函数，对待序训练的产品推荐模型进行训练；其中，优化目标函数包括：隐式优化目标函数和显式优化目标函数。
42.在本步骤中，电子设备可以基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对待序训练的产品推荐模型进行训练；其中，优化目标函数包括：隐式优化目标函数和显式优化目标函数。具体地，若各个用户针对各个产品的反馈数据为隐式反馈数据，则电子设备可以基于各个用户的需求隐向量和各个产品的属性隐向量以及隐式优化目标函数，对待序训练的产品推荐模型进行训练；若各个用户针对各个产品的反馈数据为显式反馈数据，则电子设备可以基于各个用户的需求隐向量和各个产品的属性隐向量以及显式优化目标函数，对待序训练的产品推荐模型进行训练。
43.本技术实施例提出的产品推荐模型的训练方法，先在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；然后将当前用户对应的训练向量和当前产品对应的训练向量分别输入至待训练的产品推荐模型中，通过待训练的产品推荐模型得到当前用户的需求隐向量和当前产品的属性隐向量；重复执行上述提取当前用户和当前产品的操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量；再基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对待序训练的产品推荐模型进行训练；其中，优化目标函数包括：隐式优化目标函数和显式优化目标函数。也就是说，本技术可以基于用户集合和产品集合对产品推荐模型进行训练，高效地建模和分析学习隐式反馈中用户的真实需求和偏好，解决显示反馈和隐式反馈中负样本不明确、用户偏好的偏序关系难以建立的问题。而在现有的产品推荐模型的训练方法中，无法同时适用显式反馈和隐式反馈的应用场景，并且精确度较低、模型训练困难。因为本技术采用了针对显式反馈和隐式反馈的应用场景分别构建隐式优化目标函数和显式优化目标函数，以及基于用户集合和产品集合对产品推荐模型进行训练的技术手段，克服了现有技术的推荐方案无法同时适用显式反馈和隐式反馈的应用场景，并且精确度较低以及模型训练困难的技术问题，本技术提供的技术方案，可以同时适用于显式反馈和隐式反馈的应用场景，并且可以有效地提高推荐精确度，为用户提供更加准确的推荐结果；并且，本技术实施例的技术方案实现简单方便、便于普及，适用范围更广。
44.实施例二
45.图2是本技术实施例提供的产品推荐模型的训练方法的第二流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2所示，产品推荐模型的训练方法可以包括以下步骤：
46.s201、在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；其中，用户集合和产品集合分别包括n个用户和m个产品；n和m均为大于1的自然数。
47.在本技术的具体实施例中，用来表示用户的学习记录矩阵，其中n为用户数量，m为课程数量。在隐式反馈中，若用户i与产品l有交互记录，则记r
il
＝1；反之，则记r
il
＝0。故而学习记录矩阵是一个0-1矩阵。对每个用户i，评分为1的产品集合记为pi，评分为0的产品集合记为oi。在显式反馈中，假设评分共有t个级别，则记r
il
＝t，表示用户i对产品l的评分级别为t；t＝0，表示用户i与产品l没有交互。对每个用户i，评分为t的产品集合记为o
it
，评分小于t的产品集合记为
48.本技术将高维稀疏的r矩阵映射到两个处于低维的矩阵中来，分别记为
其中，u代表了用户的需求，而v则代表了产品的属性；预测的评分记录矩阵x是u
t
和v的矩阵乘积。矩阵u的第i列就代表了用户i的需求隐向量，而矩阵v的第l列就代表了产品l的属性隐向量；最终推荐结果按照预测的评分大小给出，预测评分高的产品优先推荐。
49.s202、将当前用户对应的训练向量输入至待训练的产品推荐模型中的用户解析网络，通过用户解析网络得到当前用户的需求隐向量。
50.s203、将当前产品对应的训练向量输入至待训练的产品推荐模型中的产品解析网络，通过产品解析网络得到当前产品的属性隐向量；重复执行上述提取当前用户和当前产品的操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量。
51.在本技术的具体实施例中，待训练的产品推荐模型可以包括两个网络，分别为用户解析网络和产品解析网络；将当前用户对应的训练向量输入至用户解析网络；通过用户解析网络可以得到当前用户的需求隐向量；将当前产品对应的训练向量输入至产品解析网络，通过产品解析网络得到当前产品的属性隐向量。
52.图3是本技术实施例提供的产品推荐模型的结构示意图。如图3所示，产品推荐模型可以包含两个神经网络组件，分别是用户解析网络和产品解析网络。每个解析网络由n层全连接网络(multi-layer perception network)组成，每一层网络都对上一层网络传输过来的数据进行加工并再传输到下一层网络中，第一层网络的输入就是用户或者产品的评分向量。具体地，每一层网络h
t
有两个参数，分别是权重系数矩阵w
t
和偏置向量b
t
，以用户解析网络为例：h1＝f1(w1r
i*
b1)；h
t
＝f
t
(w
tht-1
b
t
)，t∈[2,n-1]；ui＝fn(w
nhn-1
bn)；其中f
t
是第t层神经网络的激活函数，常用的激活函数可以包括sigmoid函数、tanh函数等。除了上述介绍的全连接网络外，也可使用其他网络获得用户和产品的隐向量表征。最终的评分由经过用户解析网络和产品解析网络得到的两个隐向量ui和v
l
的乘积得到，
[0053]
s204、基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对待序训练的产品推荐模型进行训练；其中，优化目标函数包括：隐式优化目标函数和显式优化目标函数。
[0054]
在本步骤中，电子设备可以基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对待序训练的产品推荐模型进行训练；其中，优化目标函数包括：隐式优化目标函数和显式优化目标函数。具体地，若各个用户针对各个产品的反馈数据为隐式反馈数据，则电子设备可以采用隐式反馈数据对应的训练方法，对待序训练的产品推荐模型进行训练。具体过程为：先针对各个用户将产品集合划分为有交互记录的产品集合和无交互记录的产品集合；然后计算各个用户的需求隐向量与有交互记录的产品集合中的各个产品的属性隐向量的乘积，以及各个用户的需求隐向量与无交互记录的产品集合中的各个产品的属性隐向量的乘积；接着基于各个用户的需求隐向量与有交互记录的产品集合中的各个产品的属性隐向量的乘积，以及各个用户的需求隐向量与无交互记录的产品集合中的各个产品的属性隐向量的乘积，通过隐式优化目标函数计算用户集合和产品集合对应的隐式优化目标函数值；再基于用户集合和产品集合对应的隐式优化目标函数值对待序训练的产品推荐模型进行训练。更具体地，在隐式反馈中，本技术要建立的贝叶斯后验概率如下：
[0055][0056]
其中，是所有用户的偏序关系，＞i是一个表示用户i的偏序关系的随机变量，θ是在评分建模部分要学习的参数。p(j＞ioi|θ)这个概率就表示一个正样本j优于一些负样本组成的集合oi的偏序关系概率，注意到这个概率可以等价于认为是这个正样本在由这个正样本和所有负样本组成的清单中排第一的概率，而负样本之间的顺序是不需要考虑的，所以不存在现有技术的方案(4)中相同评分排序的问题。因此，可以采用基于清单顺序的个性化推荐技术中的清单顺序概率建模方法，公式如下：
[0057][0058]
其中，p
s,1
(d)表示产品d排第一的概率，s
l
是产品l的评分。由此可以得到在隐式反馈下的概率建模形式：
[0059][0060]
则问题的优化目标函数可以如下给出：
[0061][0062]
在隐式反馈的情况下，最终的优化目标函数为：
[0063][0064]
可以采用随机梯度下降方法对其进行求解，具体的梯度求导公式如下：
[0065][0066][0067]
若各个用户针对各个产品的反馈数据为显式反馈数据，则电子设备可以采用显式反馈数据对应的训练方法，对待序训练的产品推荐模型进行训练。具体过程为：先针对各个用户将产品集合划分为评分级别等于预定级别的产品集合和评分级别小于预定级别的产品集合；然后计算各个用户的需求隐向量与评分级别等于预定级别的产品集合中的各个产品的属性隐向量的乘积，以及各个用户的需求隐向量与评分级别小于预定级别的产品集合中的各个产品的属性隐向量的乘积；接着基于各个用户的需求隐向量与评分级别等于预定级别的产品集合中的各个产品的属性隐向量的乘积，以及各个用户的需求隐向量与评分级别小于预定级别的产品集合中的各个产品的属性隐向量的乘积，通过显式优化目标函数计算用户集合和产品集合对应的显式优化目标函数值；再基于用户集合和产品集合对应的显式优化目标函数值对待序训练的产品推荐模型进行训练。更具体地，在显式反馈中，同样需要建模正样本大于负样本集合的概率。不同的是，显式反馈的正样本分成了不同级别。因此，在建模偏序的时候，级别为t的样本只与小于级别t的产品集合进行对比。因此，本申
请要建立的贝叶斯后验概率如下：
[0068][0069]
同理，可以得到在显式反馈下概率建模的形式：
[0070][0071]
则问题的优化目标函数可以如下给出：
[0072][0073]
同理可得，在显式反馈的情况下，最终的优化目标函数为：
[0074][0075]
本技术实施例提出的产品推荐模型的训练方法，先在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；然后将当前用户对应的训练向量和当前产品对应的训练向量分别输入至待训练的产品推荐模型中，通过待训练的产品推荐模型得到当前用户的需求隐向量和当前产品的属性隐向量；重复执行上述提取当前用户和当前产品的操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量；再基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对待序训练的产品推荐模型进行训练；其中，优化目标函数包括：隐式优化目标函数和显式优化目标函数。也就是说，本技术可以基于用户集合和产品集合对产品推荐模型进行训练，高效地建模和分析学习隐式反馈中用户的真实需求和偏好，解决显示反馈和隐式反馈中负样本不明确、用户偏好的偏序关系难以建立的问题。而在现有的产品推荐模型的训练方法中，无法同时适用显式反馈和隐式反馈的应用场景，并且精确度较低、模型训练困难。因为本技术采用了针对显式反馈和隐式反馈的应用场景分别构建隐式优化目标函数和显式优化目标函数，以及基于用户集合和产品集合对产品推荐模型进行训练的技术手段，克服了现有技术的推荐方案无法同时适用显式反馈和隐式反馈的应用场景，并且精确度较低以及模型训练困难的技术问题，本技术提供的技术方案，可以同时适用于显式反馈和隐式反馈的应用场景，并且可以有效地提高推荐精确度，为用户提供更加准确的推荐结果；并且，本技术实施例的技术方案实现简单方便、便于普及，适用范围更广。
[0076]
实施例三
[0077]
图4是本技术实施例提供的产品推荐模型的训练方法的第三流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图4所示，产品推荐模型的训练方法可以包括以下步骤：
[0078]
s401、在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；其中，用户集合和产品集合分别包括n个用户和m个产品；n和m均为大于1的自然数。
[0079]
s402、将当前用户对应的训练向量输入至待训练的产品推荐模型中的用户解析网络，通过用户解析网络得到当前用户的需求隐向量。
[0080]
s403、将当前产品对应的训练向量输入至待训练的产品推荐模型中的产品解析网
络，通过产品解析网络得到当前产品的属性隐向量；重复执行上述提取当前用户和当前产品的操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量。
[0081]
s404、基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对待序训练的产品推荐模型进行训练；其中，优化目标函数包括：隐式优化目标函数和显式优化目标函数。
[0082]
s405、将目标用户对应的预测向量和各个产品对应的预测向量输入至训练好的产品推荐模型中，通过训练好的产品推荐模型输出各个产品针对目标用户的预测评分。
[0083]
s406、基于各个产品针对目标用户的预测评分，将预测评分排名的前n个产品或者预测评分大于预定分值的产品推荐给目标用户。
[0084]
在本技术的具体实施例中，考虑到每个用户的评分过程可以近似认为是互相独立不受其他用户影响的，本技术首先假设每个用户的评分结果都是独立的。然后对每一个用户，可以认为其对正样本的偏好是要优于负样本的。因此，本技术将用户的每个正样本和一部分随机挑选的负样本集合组成对比，认为每一个正样本都独立地大于负样本集合。然后就可以极大化这些对比的似然概率值来求解问题。由于本技术的假设通过放宽独立性要求解决了独立性问题，相比于现有技术中的方案(2)，本技术在实际应用中能够取得更好的效果。
[0085]
图5是本技术实施例提供的隐式反馈下的偏序建模方法的示意图。如图5所示，用户集合可以包括用户1、用户2和用户3；产品集合可以包括：产品a、产品b、产品c和产品d；其中，用户1与产品a和产品c有交互记录；用户1与产品b和产品d无交互记录；用户2与产品b和产品d有交互记录；用户2与产品a和产品c无交互记录；用户3与产品b有交互记录；用户3与产品a、产品c和产品d无交互记录。基于该原始交互记录，偏序关系建模可以表示为：用户1：a＞{b，d}；c＞{b，d}。用户2：b＞{a，c}；d＞{a，c}。用户3：b＞{a，c，d}。
[0086]
图6是本技术实施例提供的显式反馈下的偏序建模方法的示意图。如图6所示，用户集合可以包括用户1、用户2和用户3；产品集合可以包括：产品a、产品b、产品c和产品d；其中，用户1针对产品a、产品b、产品c、产品d的评分分别为3、2、4、3；用户1针对产品a、产品b、产品c的评分分别为5、4、1；用户3针对产品b、产品d的评分分别为5、4。基于该原始交互记录，偏序关系建模可以表示为：用户1：c＞{a，b，d}；a＞{b}；d＞{b}。用户2：a＞{b，c，d}；b＞{c，d}。用户3：b＞{a，c，d}；d＞{a，c}。
[0087]
本技术实施例提出的产品推荐模型的训练方法，先在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；然后将当前用户对应的训练向量和当前产品对应的训练向量分别输入至待训练的产品推荐模型中，通过待训练的产品推荐模型得到当前用户的需求隐向量和当前产品的属性隐向量；重复执行上述提取当前用户和当前产品的操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量；再基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对待序训练的产品推荐模型进行训练；其中，优化目标函数包括：隐式优化目标函数和显式优化目标函数。也就是说，本技术可以基于用户集合和产品集合对产品推荐模型进行训练，高效地建模和分析学习隐式反馈中用户的真实需求和偏好，解决显示反馈和隐式反馈中负样本不明确、用户偏好的偏序关系难以建立的问题。而在现有的产品推荐模型的训练方法中，无法同时适用显式反馈和隐式反馈的应用场景，并且精确度较低、模型训练困难。因为本技术采用了针
对显式反馈和隐式反馈的应用场景分别构建隐式优化目标函数和显式优化目标函数，以及基于用户集合和产品集合对产品推荐模型进行训练的技术手段，克服了现有技术的推荐方案无法同时适用显式反馈和隐式反馈的应用场景，并且精确度较低以及模型训练困难的技术问题，本技术提供的技术方案，可以同时适用于显式反馈和隐式反馈的应用场景，并且可以有效地提高推荐精确度，为用户提供更加准确的推荐结果；并且，本技术实施例的技术方案实现简单方便、便于普及，适用范围更广。
[0088]
实施例四
[0089]
图7是本技术实施例提供的产品推荐模型的训练装置的结构示意图。如图7所示，所述装置700包括：选取模块701、计算模块702和训练模块703；其中，
[0090]
所述选取模块701，用于在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品；其中，所述用户集合和所述产品集合分别包括n个用户和m个产品；n和m均为大于1的自然数；
[0091]
所述计算模块702，用于将所述当前用户对应的训练向量和所述当前产品对应的训练向量分别输入至所述待训练的产品推荐模型中，通过所述待训练的产品推荐模型得到所述当前用户的需求隐向量和所述当前产品的属性隐向量；重复执行上述提取所述当前用户和所述当前产品的操作，直到得到各个用户的需求隐向量和各个产品的属性隐向量；
[0092]
所述训练模块703，用于基于各个用户的需求隐向量和各个产品的属性隐向量以及预先构建的优化目标函数，对所述待序训练的产品推荐模型进行训练；其中，所述优化目标函数包括：隐式优化目标函数和显式优化目标函数。
[0093]
进一步的，所述计算模块702，具体用于将所述当前用户对应的训练向量输入至所述待训练的产品推荐模型中的用户解析网络，通过所述用户解析网络得到所述当前用户的需求隐向量；将所述当前产品对应的训练向量输入至所述待训练的产品推荐模型中的产品解析网络，通过所述产品解析网络得到所述当前产品的属性隐向量。
[0094]
进一步的，所述训练模块703，具体用于若各个用户针对各个产品的反馈数据为隐式反馈数据，则基于各个用户的需求隐向量和各个产品的属性隐向量以及所述隐式优化目标函数，对所述待序训练的产品推荐模型进行训练；若各个用户针对各个产品的反馈数据为显式反馈数据，则基于各个用户的需求隐向量和各个产品的属性隐向量以及所述显式优化目标函数，对所述待序训练的产品推荐模型进行训练。
[0095]
进一步的，所述训练模块703，具体用于针对各个用户将所述产品集合划分为有交互记录的产品集合和无交互记录的产品集合；计算各个用户的需求隐向量与所述有交互记录的产品集合中的各个产品的属性隐向量的乘积，以及各个用户的需求隐向量与所述无交互记录的产品集合中的各个产品的属性隐向量的乘积；基于各个用户的需求隐向量与所述有交互记录的产品集合中的各个产品的属性隐向量的乘积，以及各个用户的需求隐向量与所述无交互记录的产品集合中的各个产品的属性隐向量的乘积，通过所述隐式优化目标函数计算所述用户集合和所述产品集合对应的隐式优化目标函数值；基于所述用户集合和所述产品集合对应的隐式优化目标函数值对待序训练的产品推荐模型进行训练。
[0096]
进一步的，所述训练模块703，具体用于针对各个用户将所述产品集合划分为评分级别等于预定级别的产品集合和评分级别小于所述预定级别的产品集合；计算各个用户的需求隐向量与所述评分级别等于预定级别的产品集合中的各个产品的属性隐向量的乘积，
以及各个用户的需求隐向量与所述评分级别小于所述预定级别的产品集合中的各个产品的属性隐向量的乘积；基于各个用户的需求隐向量与所述评分级别等于预定级别的产品集合中的各个产品的属性隐向量的乘积，以及各个用户的需求隐向量与所述评分级别小于所述预定级别的产品集合中的各个产品的属性隐向量的乘积，通过所述显式优化目标函数计算所述用户集合和所述产品集合对应的显式优化目标函数值；基于所述用户集合和所述产品集合对应的显式优化目标函数值对待序训练的产品推荐模型进行训练。
[0097]
进一步的，所述装置还包括：构建模块704(图中未示出)，用于获取各个用户和各个产品的原始交互记录；基于各个用户各个当前产品的交互记录，确定各个用户针对各个产品的偏序关系；其中，所述偏序关系包括：隐式偏序关系和先式偏序关系；将各个用户针对各个产品的偏序关系存储至预先构建的矩阵中；基于所述矩阵执行所述在用户集合和产品集合中分别选取一个用户和一个产品作为当前用户和当前产品的操作。
[0098]
进一步的，所述装置还包括：预测模块705(图中未示出)，用于将目标用户对应的预测向量输入至训练好的产品推荐模型中，通过所述训练好的产品推荐模型输出各个产品针对所述目标用户的预测评分；基于各个产品针对所述目标用户的预测评分，将预测评分排名的前n个产品或者预测评分大于预定分值的产品推荐给所述目标用户。
[0099]
上述产品推荐模型的训练装置可执行本技术任意实施例所提供的方法，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，可参见本技术任意实施例提供的产品推荐模型的训练方法。
[0100]
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
[0101]
实施例五
[0102]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0103]
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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/或者要求的本公开的实现。
[0104]
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
[0105]
设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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。
[0106]
计算单元801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。计算单
元801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计算单元、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。计算单元801执行上文所描述的各个方法和处理，例如产品推荐模型的训练方法。例如，在一些实施例中，产品推荐模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的产品推荐模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行产品推荐模型的训练方法。
[0107]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(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系统上执行和/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，可以从存储系统、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系统、该至少一个输入装置、和该至少一个输出装置。
[0108]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
[0109]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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、或半导体系统、装置或设备，或者上述内容的任何合适组合。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。
[0110]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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。
[0111]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(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系统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系统中。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)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0112]
计算机系统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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0113]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0114]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。