模型训练方法、数据推荐方法、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，尤其涉及深度学习、自然语言处理、数据推荐等领域。


背景技术：

2.数据推荐领域中，通过客户端可以为用户推荐各类感兴趣的数据，比如，为用户推荐感兴趣的一篇文章、感兴趣的歌单等等，客户端可以采用feed信息流的形式向用户推送各类感兴趣的数据。
3.随着技术的发展，可以通过人工智能加速数据的处理，所适用的应用场景多种多样，比如涉及数据推荐中的图片处理、图文处理、视频处理等硬件设计或软件设计中都可以采用人工智能技术，以提高数据的处理速度及精度。对于数据推荐领域，需要一种在数据推荐上精度高的模型。


技术实现要素：

4.本公开提供了一种模型训练方法、装置、电子设备以及存储介质。
5.根据本公开的一方面，提供了一种模型训练方法，包括：
6.从第一feed信息流及所述第一feed信息流中的第一频道获取目标行为数据；
7.从所述第一feed信息流及所述第一feed信息流中的第一频道获取目标资源数据；
8.根据所述目标行为数据和所述目标资源数据得到样本数据；
9.根据所述样本数据进行跨领域多视角的模型训练，得到训练后的第一目标模型。
10.根据本公开的另一方面，提供了一种数据推荐方法，包括：
11.获取在第一feed信息流中第一频道上的触控操作；
12.响应所述触控操作，根据上述模型训练方法得到的第一目标模型得到与所述触控操作匹配的资源数据。
13.根据本公开的另一方面，提供了一种模型训练装置，包括：
14.第一数据获取单元，用于从第一feed信息流及所述第一feed信息流中的第一频道获取目标行为数据；
15.第二数据获取单元，用于从所述第一feed信息流及所述第一feed信息流中的第一频道获取目标资源数据；
16.样本数据确定单元，用于根据所述目标行为数据和所述目标资源数据得到样本数据；
17.模型训练单元，用于根据所述样本数据进行跨领域多视角的模型训练，得到训练后的第一目标模型。
18.根据本公开的另一方面，提供了一种数据推荐装置，包括：
19.操作获取单元，用于获取在第一feed信息流中第一频道上的触控操作；
20.操作响应单元，用于响应所述触控操作，根据上述模型训练方法得到的第一目标
模型得到与所述触控操作匹配的资源数据。
21.根据本公开的另一方面，提供了一种电子设备，包括：
22.至少一个处理器；以及
23.与该至少一个处理器通信连接的存储器；其中，
24.该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任意一实施例所提供的方法。
25.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使该计算机执行本公开任意一项实施例所提供的方法。
26.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现本公开任意一项实施例所提供的方法。
27.采用本公开，可以从第一feed信息流及第一feed信息流中的第一频道获取目标行为数据，从第一feed信息流及第一feed信息流中的第一频道获取目标资源数据。根据目标行为数据和目标资源数据得到样本数据，以根据样本数据进行跨领域多视角的模型训练，得到训练后的第一目标模型，从而，提高了模型训练的精度。
28.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
29.附图用于更好地理解本方案，不构成对本公开的限定。其中：
30.图1是根据本公开实施例的一分布式集群处理场景的示意图；
31.图2是根据本公开实施例的模型训练方法的流程示意图；
32.图3是根据本公开实施例的一示例中feed流的示意图；
33.图4是根据本公开实施例的另一示例中feed流的示意图；
34.图5是根据本公开实施例的一示例中双塔模型的结构示意图；
35.图6是根据本公开实施例的数据推荐方法的流程示意图；
36.图7是根据本公开实施例的模型训练装置的组成结构示意图；
37.图8是根据本公开实施例的数据推荐装置的组成结构示意图
38.图9是用来实现本公开实施例的模型训练方法或数据推荐方法的电子设备的框图。
具体实施方式
39.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。
40.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。本文中术
语“第一”、“第二”表示指代多个类似的技术用语并对其进行区分，并不是限定顺序的意思，或者限定只有两个的意思，例如，第一特征和第二特征，是指代有两类/两个特征，第一特征可以为一个或多个，第二特征也可以为一个或多个。
41.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
42.feed信息流是一种给用户持续提供内容的数据形式，是由多个内容提供源组成的资源聚合器，可以由用户主动订阅消息源，并且向用户推送数据内容。
43.feed信息流可以是客户端的主feed界面中的feed信息流，也可以是该客户端的主feed界面中某一个或某几个具体频道下的feed信息流。对于新上线投入使用的某一个或某几个具体频道，比如，女性专栏、体育等，大多使用主feed界面中的feed信息流作为样本数据来进行模型训练，比如，可以直接主feed界面中加载的基于活跃用户的大量行为数据作为该样本数据，这与针对某一个或某几个具体频道的用户分布有所不同，资源分布也有所不同，导致基于该样本数据训练得到的模型精度低，以数据推荐领域为例，模型精度低，会导致基于该模型实现的数据推荐精度也低。又如，针对某一个或某几个具体频道，根据当前场景所有资源的标签与分类建立倒排索引，以通过用户兴趣进行倒排检索的数据推荐，除了初始阶段需要数据收集时有一定作用，但是长期来看，通过倒排索引实现的数据推荐精度也低，在匹配多义词的场景中，水果中的“苹果”与手机中的“苹果”是不一样的，很容易引入坏例(badcase)；匹配近义词的场景中，罗纳尔多与“大罗”难以覆盖，而且完全无法表达用户行为的语义相似(例如，用户点击明星a的新闻，他很可能对明星b的另一新闻也感兴趣)。
44.综上所述，为了提高模型训练的精度，需要对目前的样本数据进行扩容，考虑引入更多的针对某一个或某几个具体频道的样本数据。
45.根据本公开的实施例，图1是根据本公开实施例的一分布式集群处理场景的示意图，该分布式集群系统为集群系统的一个示例，示例性的描述了可以利用该分布式集群系统进行模型训练，本公开不限于单机或多机上的模型训练，采用分布式的处理可以进一步提高模型训练的精度。如图1所示，在该分布式集群系统中包括多个节点(如服务器集群101、服务器102、服务器集群103、服务器104、服务器105，服务器105还可以连接电子设备，如手机1051及台式机1052)，多个节点间，以及多个节点与连接的电子设备间可以共同执行一个或多个模型训练任务。可选地，该分布式集群系统中的多个节点可以采用数据并行的模型训练方式，则多个节点可以基于相同的训练方式执行模型训练任务，以更好的训练模型；若该分布式集群系统中的多个节点采用的是模型并行的模型训练方式，则多个节点可以基于不同的训练方式执行模型训练任务，以更好的训练模型。可选地，在每一轮模型训练完成后，多个节点之间都可以进行数据交换(如数据同步)。
46.根据本公开的实施例，提供了一种模型训练方法，图2是根据本公开实施例的模型训练方法的流程示意图，该方法可以应用于模型训练装置，例如，该装置可以部署于单机、多机或集群系统中的终端或服务器或其它处理设备执行的情况下，可以实现模型训练等等处理。其中，终端可以为用户设备(ue，user equipment)、移动设备、个人数字处理(pda，personal digital assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可
能的实现方式中，该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示，该方法应用于图1所示的集群系统中的任一节点或电子设备(手机或台式机等)中，包括：
47.s201、从第一feed信息流及该第一feed信息流中的第一频道获取目标行为数据。
48.s202、从该第一feed信息流及该第一feed信息流中的第一频道获取目标资源数据。
49.s203、根据该目标行为数据和该目标资源数据得到样本数据。
50.s204、根据该样本数据进行跨领域多视角的模型训练，得到训练后的第一目标模型。
51.s201-s204的一示例中，可以从第一feed信息流及该第一feed信息流中的第一频道(如女性专栏、体育、新闻等)获取目标行为数据(比如用户点击感兴趣的一个服饰搭配文章、一个体育视频、一篇新闻报导等，之后可以获取该服饰搭配相关的知识、播放该体育视频或者阅读该新闻等)，从该第一feed信息流及该第一feed信息流中的第一频道获取目标资源数据(目标资源数据的形式可以多样化，可以是图文信息、动态视频信息、5-10分钟的短视频、1分钟之内的小视频等)。根据该目标行为数据和该目标资源数据得到样本数据，以根据该样本数据进行跨领域多视角的模型训练，得到训练后的第一目标模型。
52.采用本公开实施例，可以从第一feed信息流及第一feed信息流中的第一频道获取目标行为数据，从第一feed信息流及第一feed信息流中的第一频道获取目标资源数据。根据目标行为数据和目标资源数据得到样本数据，以根据样本数据进行跨领域多视角的模型训练，得到训练后的第一目标模型，提高了模型训练的精度。
53.一实施方式中，第一feed信息流及第一feed信息流中的第一频道获取目标行为数据，包括：获取该第一feed信息流中与目标用户匹配的第一行为数据，将该第一feed信息流中与第一频道匹配的所有用户行为数据，确定为第二行为数据，根据该第一行为数据和该第二行为数据得到该目标行为数据。采用本实施方式，结合第一feed信息流及第一feed信息流中第一频道的多种行为数据，由此得到的该目标行为数据更能准确的描述用户行为。
54.一实施方式中，从第一feed信息流及第一feed信息流中的第一频道获取目标资源数据，包括：获取该第一feed信息流中与目标资源数据匹配的第一资源数据，将该第一feed信息流中与第一频道匹配的所有用户行为数据相关联的资源数据，确定为第二资源数据，根据该第一资源数据和该第二资源数据得到该目标资源数据。采用本实施方式，结合第一feed信息流及第一feed信息流中第一频道的多种资源数据，由此得到的该目标资源数据更能准确的描述与用户行为相匹配的资源类型。
55.一实施方式中，获取第一feed信息流中与目标用户匹配的第一行为数据，包括：根据用户特征，获取第一feed信息流中与目标用户匹配的第一行为数据。其中，该用户特征包括：用户id、用户性别、用户年龄、用户所在城市、用户历史行为、用户所处场景中的至少一种。采用本实施方式，对于第一feed信息流(主feed)，基于用户特征的匹配进行筛选，从而得到第一feed信息流中与目标用户匹配的第一行为数据，从而基于该用户特征从所有用户行为数据中筛选出与目标用户匹配的第一行为数据。
56.一实施方式中，将第一feed信息流中与第一频道匹配的所有用户行为数据，确定为第二行为数据，包括：响应在该第一频道上的触控操作，从该第一feed信息流所隶属的第
一feed流界面切换到该第一频道所隶属的第二feed流界面，将基于该第二feed流界面收集的与该第一频道匹配的所有用户行为数据，确定为该第二行为数据。采用本实施方式，针对某一个或某几个具体的第一频道(如女性专栏、体育、新闻等)，是针对第一频道的所有用户，从第一feed信息流(主feed)界面切换到该第一频道所在的feed流界面后所收集的与该第一频道匹配的所有用户行为数据，都是第二行为数据。
57.图3-4是根据本公开实施例的一示例中的feed流的示意图，如图3所示，包括：主feed流界面301，在主feed流界面301中包括多个频道，点击“女性专栏”频道，切换到频道所在的feed流界面303，在频道所在的feed流界面303中包括为用户推荐的多种资源类型的数据，可以是图文信息、动态视频信息、5-10分钟的短视频、1分钟之内的小视频等。如图4所示，主feed流界面401，在主feed流界面401中包括多个频道及主feed流界面401找那个的多个feed信息流403，点击“女性专栏”频道，切换到频道所在的feed流界面404，在频道所在的feed流界面404中包括为用户推荐的多种资源类型的数据，可以是图文信息、动态视频信息、5-10分钟的短视频、1分钟之内的小视频等。
58.一实施方式中，获取第一feed信息流中与目标资源数据匹配的第一资源数据，包括：根据资源特征，获取第一feed信息流中与目标资源数据匹配的第一资源数据。其中，资源特征包括：用户id、资源类型、生产所述资源的内容提供方类型中的至少一种。采用本实施方式，对于第一feed信息流(主feed)，基于资源特征(资源特征可以采用在当前第一频道分发的标识来表示)的匹配进行筛选，从而得到第一feed信息流中与目标用户匹配的第一资源数据，从而基于该资源特征从所有用户行为相关的资源数据中筛选出与目标资源匹配的第一资源数据。其中，生产该资源的内容提供方，对于资源为一篇原创文章为例，可以是该原创文章的作者。
59.一实施方式中，将第一feed信息流中与第一频道匹配的所有用户行为相关联的资源数据，确定为第二资源数据，包括：响应在所述第一频道上的触控操作，从所述第一feed信息流所隶属的第一feed流界面切换到所述第一频道所隶属的第二feed流界面，获取基于该第二feed流界面收集的与所述第一频道匹配的所有用户行为数据，将与该第一频道匹配的所有用户行为数据相关联的资源数据，确定为所述第二资源数据。采用本实施方式，针对某一个或某几个具体的第一频道(如女性专栏、体育、新闻等)，是针对第一频道的所有用户，从第一feed信息流(主feed)界面切换到频道所在的feed流界面后，所收集的与第一频道匹配的所有用户行为数据所关联的资源数据，都是第二资源数据。
60.一实施方式中，根据样本数据进行跨领域多视角的模型训练，得到训练后的第一目标模型，包括：将样本数据输入双塔模型，以二分类交叉熵作为损失函数进行跨领域多视角的模型训练，得到训练后的第一目标模型。采用本实施方式，将样本数据输入双塔模型，在该双塔模型中，可以将该样本数据中的目标行为数据作为用户塔，将该样本数据中的目标资源数据作为资源塔，根据该用户塔和该资源塔计算二分类交叉熵后得到交叉熵损失函数，根据该交叉熵损失函数进行模型训练，得到训练后的第一目标模型。由于样本数据是：结合第一feed信息流及第一feed信息流中第一频道的多种行为数据，由此得到的该目标行为数据更能准确的描述用户行为，以及结合第一feed信息流及第一feed信息流中第一频道的多种资源数据。由此得到的该目标资源数据更能准确的描述与用户行为相匹配的资源类型，因此，样本数据更精确，经过双塔模型并基于该交叉熵损失函数进行模型训练得到的第
一目标模型，其模型精度高。
61.图5是根据本公开实施例的一示例中双塔模型的结构示意图，包括多个用户塔(比如，由该目标行为数据得到多个用户塔)和多个资源塔(由该目标资源数据得到多个资源塔)，每个用户塔和每个资源塔都包括多个层(比如，可以是经过多次卷积处理得到的多个卷积层)。需要指出的是，为用户推荐的多种资源类型的数据为图文信息、动态视频信息、5-10分钟的短视频、1分钟之内的小视频为例，针对当前的第一频道主要的四种资源类型，可以构建4个资源塔，并且一条“用户-资源”的样本数据，可以只激活用户塔和对应的资源塔。
62.进一步的，在模型训练中，还可以将上述目标行为数据和目标资源数据作为样本数据中的正样本，并结合用户的触控操作(如点击操作)得到最终的正样本，将随机采样的其他用户的正样本作为相对于当前用户的负样本，进行样本扩容后，样本数据既包括正样本，也包括负样本，可以进一步提高模型训练的精度。
63.进一步的，将上述模型输出的用户特征及模型参数可以保存至集群中，具备时效性，以确保训练好的模型应用于当前频道的应用场景中，与当前频道的应用场景相匹配，从而提高数据推荐的精度。
64.进一步的，还可以进行资源向量索引的构建，得到4类资源索引。在模型使用的过程中，对于“用户-资源召回”场景，对于当前用户，通过上述模型得到当前用户的用户特征，根据该当前用户的用户特征匹配该4类资源索引，从而得到与当前用户匹配的资源类型。
65.根据本公开的实施例，提供了一种数据推荐方法，图6是根据本公开实施例的数据推荐方法的流程示意图，该方法可以应用于数据推荐装置，例如，该装置可以部署于单机、多机或集群系统中的终端或服务器或其它处理设备执行的情况下，可以实现模型训练等等处理。其中，终端可以为用户设备(ue，user equipment)、移动设备、个人数字处理(pda，personal digital assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图6所示，应用于终端设备，包括：
66.s601、获取在第一feed信息流中第一频道上的触控操作。
67.s602、响应该触控操作，根据上述实施例任一项得到的第一目标模型得到与该触控操作匹配的资源数据。
68.s601-s602的一示例中，可以获取在第一feed信息流中第一频道上的触控操作，响应该触控操作，根据上述实施例任一项得到的第一目标模型(如经过双塔模型并基于该交叉熵损失函数进行模型训练得到的第一目标模型)得到与该触控操作匹配的资源数据(如图文信息、动态视频信息、5-10分钟的短视频、1分钟之内的小视频等)。
69.采用本公开实施例，可以基于上述模型训练得到的第一目标模型，在客户端上基于第一目标模型的输出结果(如用户特征)，为用户推荐对应的资源，实现用户-资源的召回，从而，通过训练后的该第一目标模型进行数据推荐，提高了数据推荐的精度。
70.根据本公开的实施例，提供了一种模型训练装置，图7是根据本公开实施例的模型训练装置的组成结构示意图，如图7所示，模型训练装置700包括：第一数据获取单元701，用于从第一feed信息流及所述第一feed信息流中的第一频道获取目标行为数据；第二数据获取单元702，用于从所述第一feed信息流及所述第一feed信息流中的第一频道获取目标资源数据；样本数据确定单元703，用于根据所述目标行为数据和所述目标资源数据得到样本
数据；模型训练单元704，用于根据所述样本数据进行跨领域多视角的模型训练，得到训练后的第一目标模型。
71.一实施方式中，所述第一数据获取单元，用于获取第一feed信息流中与目标用户匹配的第一行为数据；将所述第一feed信息流中与第一频道匹配的所有用户行为数据，确定为第二行为数据；根据所述第一行为数据和所述第二行为数据得到所述目标行为数据。
72.一实施方式中，所述第二数据获取单元，用于获取第一feed信息流中与目标资源数据匹配的第一资源数据；将所述第一feed信息流中与第一频道匹配的所有用户行为数据相关联的资源数据，确定为第二资源数据；根据所述第一资源数据和所述第二资源数据得到所述目标资源数据。
73.一实施方式中，所述第一数据获取单元，用于根据用户特征，获取第一feed信息流中与目标用户匹配的第一行为数据；其中，所述用户特征包括：用户id、用户性别、用户年龄、用户所在城市、用户历史行为、用户所处场景中的至少一种。
74.一实施方式中，所述第一数据获取单元，用于响应在所述第一频道上的触控操作，从所述第一feed信息流所隶属的第一feed流界面切换到所述第一频道所隶属的第二feed流界面；将基于所述第二feed流界面收集的与所述第一频道匹配的所有用户行为数据，确定为所述第二行为数据。
75.一实施方式中，所述第二数据获取单元，用于根据资源特征，获取第一feed信息流中与目标资源数据匹配的第一资源数据；其中，所述资源特征包括：用户id、资源类型、生产所述资源的内容提供方类型中的至少一种。
76.一实施方式中，所述第二数据获取单元，用于响应在所述第一频道上的触控操作，从所述第一feed信息流所隶属的第一feed流界面切换到所述第一频道所隶属的第二feed流界面；获取基于所述第二feed流界面收集的与所述第一频道匹配的所有用户行为数据；将与所述第一频道匹配的所有用户行为数据相关联的资源数据，确定为所述第二资源数据。
77.一实施方式中，所述模型训练单元，用于将所述样本数据输入双塔模型，以二分类交叉熵作为损失函数进行所述跨领域多视角的模型训练，得到所述训练后的第一目标模型。
78.一实施方式中，所述模型训练单元，用于在所述双塔模型中，将所述样本数据中的目标行为数据作为用户塔，将所述样本数据中的目标资源数据作为资源塔；根据所述用户塔和所述资源塔计算所述二分类交叉熵，得到交叉熵损失函数；根据所述交叉熵损失函数进行模型训练，得到所述训练后的第一目标模型。
79.根据本公开的实施例，提供了一种数据推荐装置，图8是根据本公开实施例的数据推荐装置的组成结构示意图，如图8所示，数据推荐装置800包括：操作获取单元801，用于获取在第一feed信息流中第一频道上的触控操作；操作响应单元802，用于响应所述触控操作，根据上述权利要求1-9任一项得到的第一目标模型得到与所述触控操作匹配的资源数据。
80.一实施方式中，所述资源数据包括：图文信息、动态视频信息、短视频信息、小视频信息中的至少一种。
81.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。
82.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。
83.图9示出了可以用来实施本公开的实施例的示例电子设备900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。
84.如图9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元908加载到随机访问存储器(ram)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、rom 902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
85.电子设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900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。
86.计算单元901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901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901执行上文所描述的各个方法和处理，例如模型训练方法或数据推荐方法。例如，在一些实施例中，模型训练方法或数据推荐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908。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行上文描述的模型训练方法或数据推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法或数据推荐方法。
87.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。
88.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。
89.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。
90.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。
91.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。
92.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。
93.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的技术方案所期望的结果，本文在此不进行限制。
94.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。