本公開涉及人工智能領(lǐng)域，尤其涉及智能搜索領(lǐng)域，具體為一種訓(xùn)練推薦模型的方法和裝置。

背景技術(shù)：

1、沉浸模式是一種設(shè)計(jì)技術(shù)，通過最小化或隱藏界面元素來展示應(yīng)用程序內(nèi)容，以提高用戶體驗(yàn)。這種模式通過全屏顯示內(nèi)容，隱藏系統(tǒng)欄，確保應(yīng)用擁有最大的屏幕空間。

2、基于日益增長(zhǎng)的消費(fèi)效率需求及沉浸模式消費(fèi)習(xí)慣的普及，沉浸模式框架由單一視頻體裁過渡到了視頻、圖文、動(dòng)態(tài)圖片、音頻等多體裁的融合分發(fā)，為沉浸模式整體規(guī)模及人群帶來顯著增長(zhǎng)，進(jìn)入沉浸模式的入口也在視頻入口的基礎(chǔ)上增加了動(dòng)態(tài)圖片入口。

技術(shù)實(shí)現(xiàn)思路

1、本公開提供了一種訓(xùn)練推薦模型的方法、裝置、設(shè)備、存儲(chǔ)介質(zhì)以及計(jì)算機(jī)程序產(chǎn)品。

2、根據(jù)本公開的第一方面，提供了一種訓(xùn)練推薦模型的方法，包括：將具有單資源標(biāo)簽和集合資源標(biāo)簽的樣本單資源的特征輸入待訓(xùn)練的推薦模型，輸出單資源得分和集合資源得分，其中，所述單資源標(biāo)簽表示單資源的滿意度，所述集合資源標(biāo)簽表示集合資源的滿意度，所述集合資源包括目標(biāo)賬戶從進(jìn)入沉浸模式到退出沉浸模式消費(fèi)的多個(gè)單資源；根據(jù)所述單資源標(biāo)簽和所述單資源得分之間的損失值以及所述集合資源標(biāo)簽和所述集合資源得分之間的損失值，調(diào)整所述推薦模型的參數(shù)。

3、根據(jù)本公開的第二方面，提供了一種推薦資源的方法，包括：將候選資源的特征輸入根據(jù)第一方面中任一項(xiàng)所述方法訓(xùn)練的推薦模型，得到單資源滿意得分和集合資源滿意得分；計(jì)算所述單資源滿意得分和所述集合資源滿意得分的加權(quán)和作為候選資源的得分；輸出推薦資源，其中，所述推薦資源包括候選資源的得分滿足預(yù)定條件的候選資源。

4、根據(jù)本公開的第三方面，提供了一種訓(xùn)練推薦模型的裝置，包括：輸入單元，被配置成將具有單資源標(biāo)簽和集合資源標(biāo)簽的樣本單資源的特征輸入待訓(xùn)練的推薦模型，輸出單資源得分和集合資源得分，其中，所述單資源標(biāo)簽表示單資源的滿意度，所述集合資源標(biāo)簽表示集合資源的滿意度，所述集合資源包括目標(biāo)賬戶從進(jìn)入沉浸模式到退出沉浸模式消費(fèi)的多個(gè)單資源；調(diào)參單元，被配置成根據(jù)所述單資源標(biāo)簽和所述單資源得分之間的損失值以及所述集合資源標(biāo)簽和所述集合資源得分之間的損失值，調(diào)整所述推薦模型的參數(shù)。

5、根據(jù)本公開的第四方面，提供了一種推薦資源的裝置，包括：預(yù)測(cè)單元，被配置成將候選資源的特征輸入由第三方面中任一項(xiàng)所述裝置訓(xùn)練的推薦模型，得到單資源滿意得分和集合資源滿意得分；計(jì)算單元，被配置成計(jì)算所述單資源滿意得分和所述集合資源滿意得分的加權(quán)和作為候選資源的得分；輸出單元，被配置成輸出推薦資源，其中，所述推薦資源包括候選資源的得分滿足預(yù)定條件的候選資源。

6、根據(jù)本公開的第五方面，提供了一種電子設(shè)備，包括：至少一個(gè)處理器；以及與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行第一方面或第二方面中任一項(xiàng)所述的方法。

7、根據(jù)本公開的第六方面，提供了一種存儲(chǔ)有計(jì)算機(jī)指令的非瞬時(shí)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其中，所述計(jì)算機(jī)指令用于使所述計(jì)算機(jī)執(zhí)行第一方面或第二方面中任一項(xiàng)所述的方法。

8、根據(jù)本公開的第五方面，提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序在被處理器執(zhí)行時(shí)實(shí)現(xiàn)第一方面中任一項(xiàng)所述的方法。

9、本公開的實(shí)施例提供的訓(xùn)練推薦模型的方法和裝置，能夠?qū)M(jìn)入沉浸模式后的單資源的滿意消費(fèi)體驗(yàn)和集合資源的滿意消費(fèi)體驗(yàn)進(jìn)行評(píng)估。能夠準(zhǔn)確地預(yù)測(cè)用戶對(duì)推薦資源的滿意度，從而提升用戶體驗(yàn)。

10、應(yīng)當(dāng)理解，本部分所描述的內(nèi)容并非旨在標(biāo)識(shí)本公開的實(shí)施例的關(guān)鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。

技術(shù)特征：

1.一種訓(xùn)練推薦模型的方法，包括：

2.根據(jù)權(quán)利要求1所述的方法，其中，所述推薦模型包括共享層、單資源輸出層和集合資源輸出層；以及

3.根據(jù)權(quán)利要求1所述的方法，其中，所述方法還包括：

4.根據(jù)權(quán)利要求3所述的方法，其中，所述方法還包括：

5.根據(jù)權(quán)利要求3所述的方法，其中，所述方法還包括：

6.根據(jù)權(quán)利要求5所述的方法，其中，所述方法還包括：

7.根據(jù)權(quán)利要求1所述的方法，其中，所述樣本單資源的特征包括以下至少一項(xiàng)：

8.根據(jù)權(quán)利要求7所述的方法，其中，所述資源特征包括：入口資源特征和推薦資源特征。

9.根據(jù)權(quán)利要求8所述的方法，其中，所述入口資源特征包括以下至少一項(xiàng)：

10.根據(jù)權(quán)利要求8所述的方法，其中，所述推薦資源特征包括以下至少一項(xiàng)：推薦資源的體裁、推薦資源的類目、推薦資源的標(biāo)題長(zhǎng)度、推薦資源的時(shí)長(zhǎng)、歷史消費(fèi)信息。

11.根據(jù)權(quán)利要求1-10中任一項(xiàng)所述的方法，其中，所述集合資源包括以下至少一種單資源：

12.一種推薦資源的方法，包括：

13.根據(jù)權(quán)利要求12所述的方法，其中，所述預(yù)定條件包括：

14.根據(jù)權(quán)利要求12所述的方法，其中，所述方法還包括：

15.一種訓(xùn)練推薦模型的裝置，包括：

16.根據(jù)權(quán)利要求15所述的裝置，其中，所述推薦模型包括共享層、單資源輸出層和集合資源輸出層；以及

17.根據(jù)權(quán)利要求15所述的裝置，其中，所述裝置還包括打標(biāo)單元，被配置成：

18.根據(jù)權(quán)利要求17所述的裝置，其中，所述打標(biāo)單元進(jìn)一步被配置成：

19.根據(jù)權(quán)利要求17所述的裝置，其中，所述打標(biāo)單元進(jìn)一步被配置成：

20.根據(jù)權(quán)利要求19所述的裝置，其中，所述打標(biāo)單元進(jìn)一步被配置成：

21.根據(jù)權(quán)利要求15所述的裝置，其中，所述樣本單資源的特征包括以下至少一項(xiàng)：

22.根據(jù)權(quán)利要求21所述的裝置，其中，所述資源特征包括：入口資源特征和推薦資源特征。

23.根據(jù)權(quán)利要求22所述的裝置，其中，所述入口資源特征包括以下至少一項(xiàng)：

24.根據(jù)權(quán)利要求22所述的裝置，其中，所述推薦資源特征包括以下至少一項(xiàng)：推薦資源的體裁、推薦資源的類目、推薦資源的標(biāo)題長(zhǎng)度、推薦資源的時(shí)長(zhǎng)、歷史消費(fèi)信息。

25.根據(jù)權(quán)利要求15-24中任一項(xiàng)所述的裝置，其中，所述集合資源包括以下至少一種單資源：

26.一種推薦資源的裝置，包括：

27.根據(jù)權(quán)利要求26所述的裝置，其中，所述預(yù)定條件包括：

28.根據(jù)權(quán)利要求26所述的裝置，其中，所述裝置還包括推薦單元，被配置成：

29.一種電子設(shè)備，包括：

30.一種存儲(chǔ)有計(jì)算機(jī)指令的非瞬時(shí)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其中，所述計(jì)算機(jī)指令用于使所述計(jì)算機(jī)執(zhí)行根據(jù)權(quán)利要求1-14中任一項(xiàng)所述的方法。

31.一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序在被處理器執(zhí)行時(shí)實(shí)現(xiàn)根據(jù)權(quán)利要求1-14中任一項(xiàng)所述的方法。

技術(shù)總結(jié)
本公開提供了訓(xùn)練推薦模型的方法和裝置，涉及人工智能領(lǐng)域，尤其涉及智能搜索領(lǐng)域。具體實(shí)現(xiàn)方案為：將具有單資源標(biāo)簽和集合資源標(biāo)簽的樣本單資源的特征輸入待訓(xùn)練的推薦模型，輸出單資源得分和集合資源得分，其中，所述單資源標(biāo)簽表示單資源的滿意度，所述集合資源標(biāo)簽表示集合資源的滿意度，所述集合資源包括目標(biāo)賬戶從進(jìn)入沉浸模式到退出沉浸模式消費(fèi)的多個(gè)單資源；根據(jù)所述單資源標(biāo)簽和所述單資源得分之間的損失值以及所述集合資源標(biāo)簽和所述集合資源得分之間的損失值，調(diào)整所述推薦模型的參數(shù)。該實(shí)施方式能夠提升進(jìn)入沉浸模式的效率及用戶體驗(yàn)。

技術(shù)研發(fā)人員：何雪莎,尹華西,逯文斌,陳佳琦,盧玉奇
受保護(hù)的技術(shù)使用者：北京百度網(wǎng)訊科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9