推荐系统模型训练方法、装置、电子设备及存储介质与流程

本申请涉及计算机，尤其涉及一种推荐系统模型训练方法、装置、电子设备及存储介质。

背景技术：

1、推荐系统是一种能够自动预测用户对物品的偏好的人工智能系统。推荐系统广泛应用于如电子商务、社交媒体、在线广告等领域。推荐系统通常使用用户行为数据（如点击、评分、购买记录等）来预测用户对物品的评分或购买意愿。现有的推荐系统技术包括基于协同过滤、基于内容、混合推荐等方法。其中，基于协同过滤的推荐系统是最为流行的方法之一。

2、现有技术中，基于协同过滤的推荐系统使用用户历史行为数据来找到与目标用户兴趣相似的其他用户，然后将这些用户感兴趣的物品推荐给目标用户。为了实现这一目的，推荐系统需要学习用户和物品之间的相似性或相关性，通常使用低维向量（即embedding）来表示用户和物品。然而，在现实场景中，往往缺乏足够的监督信号，尤其是在冷启动情况下。此外，为了训练这些模型，通常需要使用其他模型来提供用户和物品的embedding，这可能会导致一些额外的开销。并且，冷启动模型需要额外的监督信号，提高了模型的使用门槛，在没有先前的数据的情况下，嵌入模型无法提供良好的推荐效果。

技术实现思路

1、有鉴于此，本申请实施例提供了一种推荐系统模型训练方法、装置、电子设备及存储介质，以解决现有技术存在的冷启动模型需要额外的监督信号，提高了模型的使用门槛，在缺少训练数据的情况下模型训练效果及训练效率降低的问题。

2、本申请实施例的第一方面，提供了一种推荐系统模型训练方法，包括：获取用户与物品之间的交互行为数据，利用用户与物品之间的交互行为数据生成训练数据集；根据用户与物品之间的交互行为数据构建正样本和负样本，分别计算用户语义向量与正样本物品的向量及负样本物品的向量之间的余弦相似度；将余弦相似度进行归一化处理，得到用户对物品的偏好概率，根据用户对物品的偏好概率构造损失函数，其中，损失函数为用户对正样本物品的偏好概率的负对数损失；利用损失函数对推荐系统模型的参数进行反向传播更新，直至推荐系统模型达到收敛。

3、本申请实施例的第二方面，提供了一种推荐系统模型训练装置，包括：获取模块，被配置为获取用户与物品之间的交互行为数据，利用用户与物品之间的交互行为数据生成训练数据集；计算模块，被配置为根据用户与物品之间的交互行为数据构建正样本和负样本，分别计算用户语义向量与正样本物品的向量及负样本物品的向量之间的余弦相似度；构造模块，被配置为将余弦相似度进行归一化处理，得到用户对物品的偏好概率，根据用户对物品的偏好概率构造损失函数，其中，损失函数为用户对正样本物品的偏好概率的负对数损失；训练模块，被配置为利用损失函数对推荐系统模型的参数进行反向传播更新，直至推荐系统模型达到收敛。

4、本申请实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。

5、本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

6、本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

7、通过获取用户与物品之间的交互行为数据，利用用户与物品之间的交互行为数据生成训练数据集；根据用户与物品之间的交互行为数据构建正样本和负样本，分别计算用户语义向量与正样本物品的向量及负样本物品的向量之间的余弦相似度；将余弦相似度进行归一化处理，得到用户对物品的偏好概率，根据用户对物品的偏好概率构造损失函数，其中，损失函数为用户对正样本物品的偏好概率的负对数损失；利用损失函数对推荐系统模型的参数进行反向传播更新，直至推荐系统模型达到收敛。本申请在模型冷启动情况下也无需额外的监督信号，降低了模型的使用门槛，同时在训练数据量比较少的场景下，有效提高了模型的训练效果及训练效率，从而提升了模型的推荐精度，达到更好的推荐效果。

技术特征：

1.一种推荐系统模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述获取用户与物品之间的交互行为数据，利用所述用户与物品之间的交互行为数据生成训练数据集，包括：

3.根据权利要求1所述的方法，其特征在于，在生成所述训练数据集之后，所述方法还包括：

4.根据权利要求3所述的方法，其特征在于，所述利用预定的负采样技术对所述局部样本执行采样操作，得到负样本对，包括：

5.根据权利要求4所述的方法，其特征在于，所述对所述物品的低维向量矩阵进行按行偏移操作，得到所述局部样本中的负样本对，包括：

6.根据权利要求1所述的方法，其特征在于，所述根据所述用户对物品的偏好概率构造损失函数，包括：

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

8.一种推荐系统模型训练装置，其特征在于，包括：

9.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。

技术总结
本申请提供一种推荐系统模型训练方法、装置、电子设备及存储介质。该方法包括：获取用户与物品之间的交互行为数据，利用交互行为数据生成训练数据集；根据用户与物品之间的交互行为数据构建正样本和负样本，分别计算用户语义向量与正样本物品的向量及负样本物品的向量之间的余弦相似度；将余弦相似度进行归一化处理，得到用户对物品的偏好概率，根据用户对物品的偏好概率构造损失函数，其中，损失函数为用户对正样本物品的偏好概率的负对数损失；利用损失函数对推荐系统模型的参数进行反向传播更新，直至推荐系统模型达到收敛。本申请降低了模型的使用门槛，有效提高了模型的训练效果及训练效率，从而提升了模型的推荐精度，达到更好的推荐效果。

技术研发人员：杜梦雪,岳华东
受保护的技术使用者：深圳须弥云图空间科技有限公司
技术研发日：
技术公布日：2024/1/15