多场景推荐模型的构建方法、场景推荐方法及相关设备与流程

本发明涉及计算机，更具体的说，涉及一种多场景推荐模型的构建方法、场景推荐方法及相关设备。

背景技术：

1、个性化推荐是根据用户特有属性(历史行为、相关偏好等)来挖掘用户可能感兴趣的信息数据进行实时性推送。在个性化推荐场景中，各个频道页(如电视机频道、电影频道)分别属于不同的推荐场景，但同时又存在相似内容的推荐形式。基于此，现有针对多场景推荐常用的一种方案为：训练单一场景推荐模型进行场景推荐，具体为：针对每一个推荐场景，分别维护和迭代该场景的推荐模型。但是该方案会导致资源占用较多，后续升级和维护存在诸多重复工作，从而大大降低了模型迭代效率。为解决单一场景推荐模型存在的上述问题，现有技术提供了另一种方案，具体为：将不同场景数据合在一起训练得到多场景推荐模型，利用多场景推荐模型对多场景进行推荐。但是该方案容易导致不同场景数据量出现不均衡的情况，整个多场景推荐模型会被数据丰富的场景主导，导致数据量少的场景难以被推荐。

2、因此，如何提供一种多场景推荐模型的构建方法，对各个场景都有较好的推荐效果，成为本领域技术人员亟需解决的技术问题。

技术实现思路

1、有鉴于此，本发明公开一种多场景推荐模型的构建方法、场景推荐方法及相关设备，以实现对各个场景都有较好的推荐效果，有效避免因多场景推荐模型被数据丰富的场景主导，导致数据量少的场景难以被推荐的问题。

2、一种多场景推荐模型的构建方法，包括：

3、获取基础特征向量和场景敏感特征向量，所述基础特征向量包含构建多场景推荐模型所需的基础特征，所述场景敏感特征向量包含不同场景的区别特征；

4、对所述基础特征向量通过多层感知机进行处理，得到深度特征向量；

5、对所述基础特征向量进行特征交叉处理，得到目标特征交叉表示向量；

6、基于所述场景敏感特征向量构建动态权重网络；

7、基于所述动态权重网络对所述场景敏感特征向量和所述目标特征交叉表示向量进行特征交叉处理，得到高阶交叉特征向量；

8、将所述高阶交叉特征向量和所述深度特征向量拼接在一起，并通过神经网络构建得到多场景推荐模型。

9、可选的，所述获取基础特征向量和场景敏感特征向量包括：

10、获取推荐模型基础特征，所述推荐模型基础特征包含构建多场景模型所需的基础特征；

11、将所述推荐模型基础特征转化为向量形式，得到所述基础特征向量；

12、获取场景敏感特征，所述场景敏感特征包含不同场景的区别特征；

13、将所述场景敏感特征转化为向量形式，得到所述场景敏感特征向量。

14、可选的，所述对所述基础特征向量进行特征交叉处理，得到目标特征交叉表示向量，包括：

15、基于交叉网络的当前层对上一层特征交叉表示向量进行向量转置操作，得到上一层特征交叉转置向量；

16、将所述上一层特征交叉转置向量与所述基础特征向量进行特征交叉，得到所述目标特征交叉表示向量；

17、其中，在所述当前层为所述交叉网络的第一层时，所述上一层特征交叉表示向量为所述基础特征向量。

18、可选的，所述基于所述场景敏感特征向量构建动态权重网络，包括：

19、将所述场景敏感特征向量通过全连接神经网络，得到一个固定维度场景敏感特征向量；

20、对所述固定维度场景敏感特征向量进行重塑处理，得到所述动态权重网络；

21、其中，所述动态权重网络包括：多层感知机，所述多层感知机的层数与所述交叉网络的层数相同，所述多层感知机的每一层都有一个对应的场景敏感特征权重向量和偏置向量。

22、可选的，所述基于所述动态权重网络对所述场景敏感特征向量和所述目标特征交叉表示向量进行特征交叉处理，得到高阶交叉特征向量，包括：

23、将所述多层感知机每一层的向量与所述交叉网络对应层的特征交叉表示向量进行交叉处理，进行高层级特征信息的提取，并将所述交叉网络的所述目标特征交叉表示向量与所述动态权重网络交叉后的特征向量确定为所述高阶交叉特征向量；

24、其中，所述多层感知机每一层的向量包括：所述场景敏感特征权重向量和所述偏置向量。

25、可选的，还包括：将构建的所述多场景推荐模型由多维映射到一维，得到一维输出向量；

26、对所述一维输出向量采用sigmoid函数处理，得到推荐模型得分。

27、一种场景推荐方法，采用上述所述的多场景推荐模型的构建方法所得到的多场景推荐模型，所述方法包括：

28、获取用户数据；

29、从所述用户数据中提取出用户特征；

30、将所述用户特征输入至所述多场景推荐模型，得到场景推荐结果。

31、一种多场景推荐模型的构建装置，包括：

32、向量获取单元，用于获取基础特征向量和场景敏感特征向量，所述基础特征向量包含构建多场景推荐模型所需的基础特征，所述场景敏感特征向量包含不同场景的区别特征；

33、第一处理单元，用于对所述基础特征向量通过多层感知机进行处理，得到深度特征向量；

34、第二处理单元，用于对所述基础特征向量进行特征交叉处理，得到目标特征交叉表示向量；

35、网络构建单元，用于基于所述场景敏感特征向量构建动态权重网络；

36、第三处理单元，用于基于所述动态权重网络对所述场景敏感特征向量和所述目标特征交叉表示向量进行特征交叉处理，得到高阶交叉特征向量；

37、模型构建单元，用于将所述高阶交叉特征向量和所述深度特征向量拼接在一起，并通过神经网络构建得到多场景推荐模型。

38、一种场景推荐装置，采用上述所述的多场景推荐模型的构建方法所得到的多场景推荐模型，所述装置包括：

39、数据获取单元，用于获取用户数据；

40、特征提取单元，用于从所述用户数据中提取出用户特征；

41、推荐单元，用于将所述用户特征输入至所述多场景推荐模型，得到场景推荐结果。

42、一种电子设备，所述电子设备包括：存储器和处理器；

43、所述存储器用于存储至少一个指令；

44、所述处理器用于执行所述至少一个指令以实现上述所述的多场景推荐模型的构建方法。

45、一种计算机可读存储介质，所述计算机可读存储介质存储至少一个指令，所述至少一个指令被处理器执行时实现上述所述的多场景推荐模型的构建方法。

46、从上述的技术方案可知，本发明公开了一种多场景推荐模型的构建方法、场景推荐方法及相关设备，获取基础特征向量和场景敏感特征向量，对基础特征向量通过多层感知机进行处理得到深度特征向量，对基础特征向量进行特征交叉处理得到目标特征交叉表示向量，在基于场景敏感特征向量构建动态权重网络后，基于动态权重网络对场景敏感特征向量和目标特征交叉表示向量进行特征交叉处理得到高阶交叉特征向量，通过将高阶交叉特征向量和深度特征向量拼接在一起，并通过神经网络构建得到多场景推荐模型。本发明首先对基础特征向量进行单独处理得到目标特征交叉表示向量，通过动态权重网络对目标特征交叉表示向量和场景敏感特征向量进行交叉处理来放大推荐模型基础特征的重要性，以对后续场景推荐结果和场景排序权重进行更好的调整，从而有效避免因多场景推荐模型被数据丰富的场景主导，导致数据量少的场景难以被推荐的问题。