一种跨域推荐方法、装置、电子设备及可读存储介质与流程

本申请涉及人工智能，尤其涉及一种跨域推荐方法、装置、电子设备及可读存储介质。

背景技术：

1、推荐系统是大数据在互联网领域的典型应用，作为一种有效的冗余信息过滤工具，能够自动匹配用户和物品，基于历史数据对用户的兴趣偏好进行个性化计算，进而高效地从海量信息中筛选出符合用户兴趣的项目信息。然而，大多数推荐系统的研究主要聚焦于传统的单领域点击率预测，单领域推荐仍面临着数据稀疏和冷启动问题的挑战，导致用户的个性化推荐效果无法满足用户需求。

2、在现有的跨域推荐中，考虑到不同领域的用户可用信息，整合和学习每个独特用户的自身特征信息，以提供满足用户个性化需求的有用信息。深度学习技术被用于处理不同领域所聚合的大规模数据信息，实现由资源领域到目标领域的知识转移。但是，由于源域和目标域之间的数据量和特征结构存在显著差异，这可能导致知识迁移的负转移现象，对目标域的推荐性能产生负面影响。

3、因此，亟需一种跨域推荐的方法，以减少知识迁移中的域偏移现象。

技术实现思路

1、有鉴于此，本申请实施例提供了一种跨域推荐方法、装置、电子设备及可读存储介质，以解决现有技术中域偏移现象导致跨域推荐不准确的问题。

2、本申请实施例的第一方面，提供了一种跨域推荐方法，包括：

3、获取源域数据信息和目标域数据信息，源域数据信息包括多个源域样本信息，目标域数据信息包括目标对象数据信息和多个项目数据信息；

4、通过知识迁移模型对目标域数据信息进行特征提取得到目标域特征向量，通过知识迁移模型将源域数据信息知识迁移至目标域特征向量，得到目标域数据信息对应的迁移特征向量，迁移特征向量包括目标对象迁移特征向量和多个项目迁移特征向量；

5、通过动态权重模型，基于迁移特征向量计算各源域样本信息的信息转移权重，得到信息转移权重向量，信息转移权重向量包括所有信息转移权重；

6、通过点击率预测模型，基于信息转移权重向量对各项目迁移特征向量与目标对象迁移特征向量进行点击率计算，得到各项目数据信息对应的项目的预测点击率；

7、基于各预测点击率得到项目推荐列表，项目推荐列表包括基于预测点击率排列的多个项目。

8、本申请实施例的第二方面，提供了一种跨域推荐装置，包括：

9、获取模块，用于获取源域数据信息和目标域数据信息，源域数据信息包括多个源域样本信息，目标域数据信息包括目标对象数据信息和多个项目数据信息；

10、知识迁移模块，用于通过知识迁移模型对目标域数据信息进行特征提取得到目标域特征向量，通过知识迁移模型将源域数据信息知识迁移至目标域特征向量，得到目标域数据信息对应的迁移特征向量，迁移特征向量包括目标对象迁移特征向量和多个项目迁移特征向量；

11、权重模块，用于通过动态权重模型，基于迁移特征向量计算各源域样本信息的信息转移权重，得到信息转移权重向量，信息转移权重向量包括所有信息转移权重；

12、第一执行模块，用于通过点击率预测模型，基于信息转移权重向量对各项目迁移特征向量与目标对象迁移特征向量进行点击率计算，得到各项目数据信息对应的项目的预测点击率；

13、第二执行模块，用于基于各预测点击率得到项目推荐列表，项目推荐列表包括基于预测点击率排列的多个项目。

14、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、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

15、本申请实施例的第四方面，提供了一种可读存储介质，该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。

16、本申请实施例与现有技术相比存在的有益效果是：通过获取源域数据信息和目标域数据信息，通过知识迁移模型将目标域数据信息进行特征提取，提取出目标域数据信息中的关键信息得到目标域特征向量，之后通过知识迁移模型将源域数据信息知识迁移至目标域特征向量，利用源域数据信息增强目标域特征向量的特征表示得到迁移特征向量，之后通过动态权重模型基于迁移特征向量计算源域数据信息的信息转移权重，进而通过点击率预测模型基于信息转移权重向量对各项目迁移特征向量与目标对象迁移特征向量进行点击率计算，实现源域和目标域之间的动态和自适应的知识转移，减少数据的域偏移现象，使得到的各项目数据信息对应的项目的预测点击率准确性提高，最后基于各预测点击率得到项目推荐列表，提高跨域推荐的准确性。

技术特征：

1.一种跨域推荐方法，其特征在于，包括：

2.根据权利要求1所述的跨域推荐方法，其特征在于，在所述通过点击率预测模型，基于所述信息转移权重向量对各所述项目迁移特征向量与所述目标对象迁移特征向量进行点击率计算，得到各所述项目数据信息对应的项目的预测点击率之后，还包括：

3.根据权利要求2所述的跨域推荐方法，其特征在于，所述获取所述重构网络模型的重构损失函数，基于所述重构特征向量和所述重构损失函数更新所述知识迁移模型、所述动态权重模型、所述点击率预测模型以及所述重构网络模型的参数，包括：

4.根据权利要求3所述的跨域推荐方法，其特征在于，所述获取所述分类模型的分类损失函数，基于所述域分类标签、所述分类损失函数、所述重构特征向量和所述重构损失函数更新所述知识迁移模型、所述动态权重模型、所述点击率预测模型、所述重构网络模型以及所述分类模型的参数，包括：

5.根据权利要求1所述的跨域推荐方法，其特征在于，在所述通过知识迁移模型对所述目标域数据信息进行特征提取得到目标域特征向量，通过所述知识迁移模型将所述源域数据信息知识迁移至所述目标域特征向量，得到所述目标域数据信息对应的迁移特征向量之前，还包括：

6.根据权利要求1所述的跨域推荐方法，其特征在于，在所述通过知识迁移模型对所述目标域数据信息进行特征提取得到目标域特征向量，通过所述知识迁移模型将所述源域数据信息知识迁移至所述目标域特征向量，得到所述目标域数据信息对应的迁移特征向量之前，还包括：

7.根据权利要求1所述的跨域推荐方法，其特征在于，在所述通过知识迁移模型对所述目标域数据信息进行特征提取得到目标域特征向量，通过所述知识迁移模型将所述源域数据信息知识迁移至所述目标域特征向量，得到所述目标域数据信息对应的迁移特征向量之前，还包括：

8.一种跨域推荐装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述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中任一项所述方法的步骤。

10.一种可读存储介质，所述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中任一项所述方法的步骤。

技术总结本申请涉人工智能技术领域，提供了一种跨域推荐方法、装置、电子设备及可读存储介质。该方法包括：获取源域数据信息和目标域数据信息；通过知识迁移模型对目标域数据信息进行特征提取得到目标域特征向量，通过知识迁移模型将源域数据信息知识迁移至目标域特征向量，得到目标域数据信息对应的迁移特征向量；通过动态权重模型，基于迁移特征向量计算各源域样本信息的信息转移权重，得到信息转移权重向量；通过点击率预测模型，基于信息转移权重向量对各项目迁移特征向量与目标对象迁移特征向量进行点击率计算，得到各项目数据信息对应的项目的预测点击率；基于各预测点击率得到项目推荐列表。本申请通过权重的动态调节提高了跨域推荐的推荐效果。技术研发人员：杜梦雪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：2024/9/2