【技術實現步驟摘要】
本申請涉及人工智能，特別是涉及一種基于排序目標的推薦方法、裝置、計算機設備和存儲介質。
技術介紹
1、隨著互聯網技術的發展，越來越多的用戶通過電子商務、流媒體、社交網絡等網絡平臺進行各種活動，推薦系統旨在向用戶進行個性化推薦，在網絡平臺中起到核心作用。
2、現有的基于圖神經網絡的推薦模型將用戶和物品建模為圖中的節點，將交互建模為邊，利用圖結構能充分利用推薦系統中的協作信息。然而，目前的圖神經網絡的優化目標本質是使有邊相連的節點之間的特征盡量光滑，即促使相鄰的節點具有相似的表征，而推薦場景的最終目標是提供排序后物品序列，現有推薦模型的優化目標和推薦場景的目標并不適配，導致推薦模型的效果不佳。
3、針對相關技術中存在現有推薦模型的優化目標和推薦場景的目標不適配的問題，目前還沒有提出有效的解決方案。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種能夠適配推薦場景的基于排序目標的推薦方法、裝置、計算機設備和存儲介質。
2、第一個方面，在本實施例中提供了一種基于排序目標的推薦方法，包括：
3、獲取訓練樣本；所述訓練樣本包括多個樣本用戶與相應物品的歷史交互數據；
4、基于推薦場景下的auc指標，構建初始推薦模型的優化目標；
5、基于所述優化目標、所述訓練樣本以及預設損失函數，對所述初始推薦模型訓練得到物品推薦模型；
6、根據所述物品推薦模型輸出的用戶表征和物品表征，預測用戶與推薦物品的興趣得分，以根
7、在其中的一些實施例中，所述基于推薦場景下的auc指標，構建初始推薦模型的優化目標，包括：
8、基于圖transformer架構，構建所述初始推薦模型；
9、在所述初始推薦模型中，以最大化所述auc指標為優化目標。
10、在其中的一些實施例中，所述優化目標為：
11、argmaxze(z；δ)
12、
13、其中，u表示用戶，表示用戶集合；三元組集合中的每個元素(u,i,j)表示用戶u曾交互過物品i，未交互過物品j；表示與用戶u具有交互的物品集合；和分別表示預測用戶u和物品i、物品j的興趣得分；δ(·)表示激活函數；z為表征，其中包括用戶表征和物品表征；表示期望；為正則項，λ為正則化系數。
14、在其中的一些實施例中，所述基于所述優化目標、所述訓練樣本以及預設損失函數，對所述初始推薦模型訓練得到物品推薦模型，包括：
15、在所述初始推薦模型中迭代的rankformer層中，以所述優化目標對用戶初始表征和物品初始表征進行編碼，得到所述初始推薦模型輸出的預測表征；
16、根據所述預測表征，確定所述初始推薦模型的預測興趣得分；
17、基于所述預設損失函數，計算所述預測興趣得分和所述訓練樣本中真實興趣得分之間的推薦損失，以根據所述推薦損失訓練得到所述物品推薦模型。
18、在其中的一些實施例中，每個所述rankformer層的計算如下：
19、
20、其中，z(l)和z(l-1)分別表示當前層l和上一層(l-1)輸出的每層預測表征；τ表示rankformer層的溫度系數；表示當前層l的目標權重，由權重和經過歸一化計算得到：
21、
22、其中，u表示用戶，表示用戶集合；對于每個用戶已被觀察到與用戶u有交互的物品集合為du表示物品集合的大小；m表示物品集合的大小；對于每個物品已被觀察到與物品i有交互的用戶集合為和表示注意力權重；和分別表示用戶u對物品i，以及物品i對用戶u的權重；j表示與用戶u未交互過的物品。
23、在其中的一些實施例中，還包括：
24、在每個所述rankformer層的計算中，對用戶表征和物品表征進行線性化展開計算。
25、在其中的一些實施例中，所述根據所述物品推薦模型輸出的用戶表征和物品表征，預測用戶與推薦物品的興趣得分，以根據所述興趣得分得到所述推薦物品的推薦排序結果，包括：
26、基于所述物品推薦模型，得到預測的用戶表征和物品表征；
27、根據所述用戶表征和所述物品表征，確定所述興趣得分；
28、根據所述興趣得分對所述推薦物品進行排序，得到所述推薦排序結果。
29、第二個方面，在本實施例中提供了一種基于排序目標的推薦裝置，包括：
30、樣本獲取模塊，用于獲取訓練樣本；所述訓練樣本包括多個樣本用戶與相應物品的歷史交互數據；
31、模型構建模塊，用于基于推薦場景下的auc指標，構建初始推薦模型的優化目標；
32、模型訓練模塊，用于基于所述優化目標、所述訓練樣本以及預設損失函數，對所述初始推薦模型訓練得到物品推薦模型；
33、物品推薦模塊，用于根據所述物品推薦模型輸出的用戶表征和物品表征，預測用戶與推薦物品的興趣得分，以根據所述興趣得分得到所述推薦物品的推薦排序結果。
34、第三個方面，在本實施例中提供了一種計算機設備，包括存儲器、處理器以及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現上述第一個方面所述的基于排序目標的推薦方法。
35、第四個方面，在本實施例中提供了一種存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現上述第一個方面所述的基于排序目標的推薦方法。
36、與相關技術相比，在本實施例中提供的基于排序目標的推薦方法、裝置、計算機設備和存儲介質，通過獲取訓練樣本；所述訓練樣本包括多個樣本用戶與相應物品的歷史交互數據；
37、基于推薦場景下的auc指標，構建初始推薦模型的優化目標；基于所述優化目標、所述訓練樣本以及預設損失函數，對所述初始推薦模型訓練得到物品推薦模型；根據所述物品推薦模型輸出的用戶表征和物品表征，預測用戶與推薦物品的興趣得分，以根據所述興趣得分得到所述推薦物品的推薦排序結果。通過本實施例中，能夠基于推薦場景下的auc指標，構建初始推薦模型的優化目標，使得優化目標和推薦場景下的排序目標更加統一和適配，從而提高了推薦模型的排序效果。
38、本申請的一個或多個實施例的細節在以下附圖和描述中提出，以使本申請的其他特征、目的和優點更加簡明易懂。
本文檔來自技高網...【技術保護點】
1.一種基于排序目標的推薦方法，其特征在于，包括：
2.根據權利要求1所述的基于排序目標的推薦方法，其特征在于，所述基于推薦場景下的AUC指標，構建初始推薦模型的優化目標，包括：
3.根據權利要求2所述的基于排序目標的推薦方法，其特征在于，所述優化目標為：
4.根據權利要求1所述的基于排序目標的推薦方法，其特征在于，所述基于所述優化目標、所述訓練樣本以及預設損失函數，對所述初始推薦模型訓練得到物品推薦模型，包括：
5.根據權利要求4所述的基于排序目標的推薦方法，其特征在于，每個所述Rankformer層的計算如下：
6.根據權利要求4所述的基于排序目標的推薦方法，其特征在于，還包括：
7.根據權利要求1所述的基于排序目標的推薦方法，其特征在于，所述根據所述物品推薦模型輸出的用戶表征和物品表征，預測用戶與推薦物品的興趣得分，以根據所述興趣得分得到所述推薦物品的推薦排序結果，包括：
8.一種基于排序目標的推薦裝置，其特征在于，包括：
9.一種計算機設備，包括存儲器和處理器，其特征在于，所述
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的基于排序目標的推薦方法的步驟。
...【技術特征摘要】
1.一種基于排序目標的推薦方法，其特征在于，包括：
2.根據權利要求1所述的基于排序目標的推薦方法，其特征在于，所述基于推薦場景下的auc指標，構建初始推薦模型的優化目標，包括：
3.根據權利要求2所述的基于排序目標的推薦方法，其特征在于，所述優化目標為：
4.根據權利要求1所述的基于排序目標的推薦方法，其特征在于，所述基于所述優化目標、所述訓練樣本以及預設損失函數，對所述初始推薦模型訓練得到物品推薦模型，包括：
5.根據權利要求4所述的基于排序目標的推薦方法，其特征在于，每個所述rankformer層的計算如下：
6.根據權利要求4所述的基于排序目標的推薦方法，其特征在于，...
【專利技術屬性】
技術研發人員：陳思睿，陳佳偉，韓申，王燦，馮雁，羅進開，
申請(專利權)人：杭州高新區濱江區塊鏈與數據安全研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。