本申請屬于人工智能，尤其涉及一種模型訓(xùn)練方法、項(xiàng)目推薦方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、為了向用戶推薦更符合用戶需求的項(xiàng)目，通常會使用項(xiàng)目推薦模型預(yù)測向用戶推薦的項(xiàng)目。

2、但是，相關(guān)技術(shù)中采用的項(xiàng)目推薦模型在訓(xùn)練過程中學(xué)習(xí)的特征不夠全面，導(dǎo)致確定的推薦項(xiàng)目不夠準(zhǔn)確，無法滿足用戶需求。

技術(shù)實(shí)現(xiàn)思路

1、本申請實(shí)施例提供一種模型訓(xùn)練方法、項(xiàng)目推薦方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品，可以在對項(xiàng)目推薦模型進(jìn)行模型訓(xùn)練的過程中，兼顧二分圖樣本和知識圖譜樣本兩個視圖的信息，使項(xiàng)目推薦模型在訓(xùn)練過程中學(xué)習(xí)的特征更加全面，從而可以使訓(xùn)練好的項(xiàng)目推薦模型準(zhǔn)確性更高，預(yù)測的推薦項(xiàng)目更能滿足用戶需求。

2、第一方面，本申請實(shí)施例提供一種模型訓(xùn)練方法，該方法包括：

3、獲取多個訓(xùn)練樣本，訓(xùn)練樣本包括二分圖樣本和知識圖譜樣本，二分圖樣本中的第一節(jié)點(diǎn)為用戶信息，二分圖樣本中的第二節(jié)點(diǎn)為項(xiàng)目信息，二分圖樣本中的第一邊表征第一邊連接的兩個節(jié)點(diǎn)之間的關(guān)系，知識圖譜樣本中的第三節(jié)點(diǎn)為用戶信息，知識圖譜樣本中的第四節(jié)點(diǎn)為項(xiàng)目信息，知識圖譜樣本中的第二邊表征第二邊連接的兩個節(jié)點(diǎn)之間的關(guān)系；

4、針對多個訓(xùn)練樣本中的每個訓(xùn)練樣本，分別執(zhí)行以下步驟：

5、將訓(xùn)練樣本輸入至預(yù)設(shè)的項(xiàng)目推薦模型，通過項(xiàng)目推薦模型對二分圖樣本進(jìn)行特征提取，得到第一特征向量，以及通過項(xiàng)目推薦模型對知識圖譜樣本進(jìn)行特征提取，得到第二特征向量；

6、通過項(xiàng)目推薦模型對第一特征向量和第二特征向量進(jìn)行對比學(xué)習(xí)，得到第一損失函數(shù)值；

7、在不滿足訓(xùn)練停止條件的情況下，基于第一損失函數(shù)值調(diào)整項(xiàng)目推薦模型的模型參數(shù)，并利用多個訓(xùn)練樣本訓(xùn)練參數(shù)調(diào)整后的項(xiàng)目推薦模型，直至滿足訓(xùn)練停止條件，得到訓(xùn)練好的項(xiàng)目推薦模型。

8、由此，通過將二分圖樣本和知識圖譜樣本作為訓(xùn)練樣本，對二分圖樣本的第一特征向量和知識圖譜樣本的第二特征向量進(jìn)行對比學(xué)習(xí)，可以在對項(xiàng)目推薦模型進(jìn)行模型訓(xùn)練的過程中，兼顧二分圖樣本和知識圖譜樣本兩個視圖的信息，使項(xiàng)目推薦模型在訓(xùn)練過程中學(xué)習(xí)的特征更加全面，從而可以使訓(xùn)練好的項(xiàng)目推薦模型準(zhǔn)確性更高，預(yù)測的推薦項(xiàng)目更能滿足用戶需求。

9、第二方面，本申請實(shí)施例提供一種項(xiàng)目推薦方法，該方法包括：

10、獲取第一用戶的第一用戶信息和第一項(xiàng)目的第一項(xiàng)目信息；

11、通過項(xiàng)目推薦模型基于第一用戶信息和第一項(xiàng)目信息，預(yù)測第一用戶與第一項(xiàng)目之間的關(guān)系，基于第一用戶與第一項(xiàng)目之間的關(guān)系，從第一項(xiàng)目中確定為第一用戶推薦的目標(biāo)項(xiàng)目，項(xiàng)目推薦模型是通過權(quán)利要求1-6中任一項(xiàng)的模型訓(xùn)練方法訓(xùn)練得到的。

12、由此，由于在對項(xiàng)目推薦模型進(jìn)行模型訓(xùn)練的過程中，兼顧了二分圖樣本和知識圖譜樣本兩個視圖的信息，因此項(xiàng)目推薦模型在訓(xùn)練過程中學(xué)習(xí)的特征更加全面，訓(xùn)練好的項(xiàng)目推薦模型準(zhǔn)確性更高，因此通過該項(xiàng)目推薦模型預(yù)測的為第一用戶推薦的目標(biāo)項(xiàng)目更準(zhǔn)確，更能滿足用戶需求。

13、第三方面，本申請實(shí)施例提供了一種模型訓(xùn)練裝置，該裝置包括：

14、第一獲取模塊，用于獲取多個訓(xùn)練樣本，訓(xùn)練樣本包括二分圖樣本和知識圖譜樣本，二分圖樣本中的第一節(jié)點(diǎn)為用戶信息，二分圖樣本中的第二節(jié)點(diǎn)為項(xiàng)目信息，二分圖樣本中的第一邊表征第一邊連接的兩個節(jié)點(diǎn)之間的關(guān)系，知識圖譜樣本中的第三節(jié)點(diǎn)為用戶信息，知識圖譜樣本中的第四節(jié)點(diǎn)為項(xiàng)目信息，知識圖譜樣本中的第二邊表征第二邊連接的兩個節(jié)點(diǎn)之間的關(guān)系；

15、模型訓(xùn)練模塊，用于針對多個訓(xùn)練樣本中的每個訓(xùn)練樣本，分別執(zhí)行以下步驟：

16、將訓(xùn)練樣本輸入至預(yù)設(shè)的項(xiàng)目推薦模型，通過項(xiàng)目推薦模型對二分圖樣本進(jìn)行特征提取，得到第一特征向量，以及通過項(xiàng)目推薦模型對知識圖譜樣本進(jìn)行特征提取，得到第二特征向量；

17、通過項(xiàng)目推薦模型對第一特征向量和第二特征向量進(jìn)行對比學(xué)習(xí)，得到第一損失函數(shù)值；

18、在不滿足訓(xùn)練停止條件的情況下，基于第一損失函數(shù)值調(diào)整項(xiàng)目推薦模型的模型參數(shù)，并利用多個訓(xùn)練樣本訓(xùn)練參數(shù)調(diào)整后的項(xiàng)目推薦模型，直至滿足訓(xùn)練停止條件，得到訓(xùn)練好的項(xiàng)目推薦模型。

19、第四方面，本申請實(shí)施例提供了一種項(xiàng)目推薦裝置，該裝置包括：

20、第二獲取模塊，用于獲取第一用戶的第一用戶信息和第一項(xiàng)目的第一項(xiàng)目信息；

21、推薦項(xiàng)目確定模塊，用于通過項(xiàng)目推薦模型基于第一用戶信息和第一項(xiàng)目信息，預(yù)測第一用戶與第一項(xiàng)目之間的關(guān)系，基于第一用戶與第一項(xiàng)目之間的關(guān)系，從第一項(xiàng)目中確定為第一用戶推薦的目標(biāo)項(xiàng)目，項(xiàng)目推薦模型是通過權(quán)利要求1-6中任一項(xiàng)的模型訓(xùn)練方法訓(xùn)練得到的。

22、第五方面，本申請實(shí)施例提供了一種電子設(shè)備，設(shè)備包括：處理器以及存儲有計(jì)算機(jī)程序指令的存儲器；

23、處理器執(zhí)行計(jì)算機(jī)程序指令時(shí)實(shí)現(xiàn)如第一方面的任一項(xiàng)實(shí)施例中所示的模型訓(xùn)練方法和/或如第二方面的任一項(xiàng)實(shí)施例中所示的項(xiàng)目推薦方法。

24、第六方面，本申請實(shí)施例提供了一種計(jì)算機(jī)存儲介質(zhì)，計(jì)算機(jī)存儲介質(zhì)上存儲有計(jì)算機(jī)程序指令，計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)第一方面的任一項(xiàng)實(shí)施例中所示的模型訓(xùn)練方法和/或如第二方面的任一項(xiàng)實(shí)施例中所示的項(xiàng)目推薦方法。

25、第七方面，本申請實(shí)施例提供了一種計(jì)算機(jī)程序產(chǎn)品，計(jì)算機(jī)程序產(chǎn)品中的指令由電子設(shè)備的處理器執(zhí)行時(shí)，使得電子設(shè)備執(zhí)行第一方面的任一項(xiàng)實(shí)施例中所示的模型訓(xùn)練方法和/或如第二方面的任一項(xiàng)實(shí)施例中所示的項(xiàng)目推薦方法。

技術(shù)特征：

1.一種模型訓(xùn)練方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述項(xiàng)目推薦模型包括第一子圖生成器和第一向量生成器，所述通過所述項(xiàng)目推薦模型對所述二分圖樣本進(jìn)行特征提取，得到第一特征向量，包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述項(xiàng)目推薦模型包括第二子圖生成器和第二向量生成器，所述通過所述項(xiàng)目推薦模型對所述知識圖譜樣本進(jìn)行特征提取，得到第二特征向量，包括：

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述項(xiàng)目推薦模型還包括第三向量生成器、連接層和第四向量生成器，在所述基于所述第一損失函數(shù)值調(diào)整項(xiàng)目推薦模型的模型參數(shù)之前，所述方法還包括：

5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對所述二分圖樣本進(jìn)行拆分，得到多個二分圖子圖，包括：

6.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述對所述知識圖譜樣本進(jìn)行拆分，得到多個知識圖譜子圖，包括：

7.一種項(xiàng)目推薦方法，其特征在于，包括：

8.一種模型訓(xùn)練裝置，其特征在于，包括：

9.一種項(xiàng)目推薦裝置，其特征在于，包括：

10.一種電子設(shè)備，其特征在于，所述設(shè)備包括：處理器以及存儲有計(jì)算機(jī)程序指令的存儲器；

11.一種計(jì)算機(jī)存儲介質(zhì)，其特征在于，所述計(jì)算機(jī)存儲介質(zhì)上存儲有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-6任一項(xiàng)所述的模型訓(xùn)練方法和/或如權(quán)利要求7所述的項(xiàng)目推薦方法。

12.一種計(jì)算機(jī)程序產(chǎn)品，其特征在于，所述計(jì)算機(jī)程序產(chǎn)品中的指令由電子設(shè)備的處理器執(zhí)行時(shí)，使得所述電子設(shè)備執(zhí)行如權(quán)利要求1-6任一項(xiàng)所述的模型訓(xùn)練方法和/或如權(quán)利要求7所述的項(xiàng)目推薦方法。

技術(shù)總結(jié)
本申請公開了一種模型訓(xùn)練方法、項(xiàng)目推薦方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品。該方法包括：獲取多個訓(xùn)練樣本；將訓(xùn)練樣本輸入至預(yù)設(shè)的項(xiàng)目推薦模型，通過項(xiàng)目推薦模型對二分圖樣本進(jìn)行特征提取，得到第一特征向量，以及通過項(xiàng)目推薦模型對知識圖譜樣本進(jìn)行特征提取，得到第二特征向量；通過項(xiàng)目推薦模型對第一特征向量和第二特征向量進(jìn)行對比學(xué)習(xí)，得到第一損失函數(shù)值；在不滿足訓(xùn)練停止條件的情況下，基于第一損失函數(shù)值調(diào)整項(xiàng)目推薦模型的模型參數(shù)，并利用多個訓(xùn)練樣本訓(xùn)練參數(shù)調(diào)整后的項(xiàng)目推薦模型，直至滿足訓(xùn)練停止條件，得到訓(xùn)練好的項(xiàng)目推薦模型。這樣可以使訓(xùn)練好的項(xiàng)目推薦模型準(zhǔn)確性更高，預(yù)測的推薦項(xiàng)目更能滿足用戶需求。

技術(shù)研發(fā)人員：李珍,文思源,張潤波,胡清源,陳卓,劉崇洲,梁小濤,侯亞希,黃海,石川
受保護(hù)的技術(shù)使用者：中移動信息技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19