本公开涉及机器学习领域,并且更具体地,涉及用于推荐的方法、装置、电子设备和介质。
背景技术:
1、推荐系统是旨在根据许多不同因素向用户推荐事物的系统,也称为推荐模型。推荐模型可以预测用户最有可能喜欢的事物或最有可能感兴趣的事物。例如,一些电影信息平台正在使用推荐模型来帮助平台的用户从海量电影中快速识别该用户可能喜欢的电影,然后通过诸如改变电影的排序或展示位置等方式来将该电影推荐给用户,从而使用户能够观看或找到自己喜欢的电影。另外,一些短视频平台正在使用推荐模型来识别特定用户最有可能感兴趣的视频,然后将这些视频展示给这些用户,从而改进用户在该平台上的浏览体验。
2、为了能向用户推荐感兴趣的对象,推荐模型需要量化用户与对象的交互行为和用户对该对象的反馈之间的因果关系。然而,在现实生活中想要估计用户交互行为与用户反馈之间的因果关系是非常困难的,因为存在一些变化的因素,这些因素在影响用户对于对象的交互行为的同时,也在影响用户对该对象的反馈,这些因素被称为混杂因子(confounder)。
技术实现思路
1、根据本公开的实施例,提供了一种用于推荐的方法。该方法包括获取多个用户的用户特征、针对多个对象的用户交互历史、以及针对多个对象的用户反馈;基于用户交互历史和用户特征,确定混杂因子,其中混杂因子同时影响用户针对对象的交互和反馈;以及基于混杂因子、用户交互历史以及用户反馈,生成用于推荐的推荐模型。
2、在本公开的第二方面中,提供一种用于推荐的装置。该装置包括:用户信息获取模块,被配置为获取多个用户的用户特征、针对多个对象的用户交互历史、以及针对多个对象的用户反馈;混杂因子确定模块,被配置为基于用户交互历史和用户特征,确定混杂因子,其中混杂因子同时影响用户针对对象的交互和反馈;以及推荐模型生成模块,被配置为基于混杂因子、用户交互历史以及用户反馈,生成用于推荐的推荐模型。
3、在本公开的第三方面中,提供一种电子设备。该电子设备包括一个或多个处理器;以及存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现根据本公开的第一方面的方法。
4、在本公开的第四方面中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的第一方面的方法。
5、提供
技术实现要素:
部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识要求保护的主题的关键特征或主要特征,也无意限制要求保护的主题的范围。
1.一种用于推荐的方法,包括:
2.根据权利要求1所述的方法,其中获取多个用户的用户特征包括:
3.根据权利要求2所述的方法,其中确定所述混杂因子包括:
4.根据权利要求3所述的方法,其中训练深度生成模型包括:
5.根据权利要求2所述的方法,其中生成用于推荐的推荐模型包括:
6.根据权利要求5所述的方法,其中使用所述损失函数来训练所述推荐模型包括:
7.根据权利要求2所述的方法,其中生成用于推荐的推荐模型还包括:
8.根据权利要求1所述的方法,其中所述用户交互历史包括受混杂因子影响的用户交互历史和不受混杂因子影响的用户交互历史。
9.根据权利要求8所述的方法,其中生成用于推荐的推荐模型还包括:
10.根据权利要求1-9中任一项所述的方法,还包括:
11.根据权利要求10所述的方法,其中向所述目标用户推荐一个或多个对象包括:
12.一种用于推荐的装置,包括:
13.一种电子设备,包括:
14.一种计算机可读存储介质,其上存储有计算机可执行指令,其中所述计算机可执行指令被处理器执行以实现根据权利要求1至11中任一项所述的方法。