本技術(shù)涉及人工智能，特別是涉及一種推薦模型訓(xùn)練方法、信息推薦方法、裝置、計算機(jī)設(shè)備、計算機(jī)可讀存儲介質(zhì)和計算機(jī)程序產(chǎn)品。

背景技術(shù)：

1、隨著計算機(jī)技術(shù)和人工智能技術(shù)的發(fā)展，推薦系統(tǒng)在日常信息推薦中愈發(fā)得到重視，推薦系統(tǒng)通過進(jìn)行相關(guān)分析，為用戶提供精準(zhǔn)和個性化的內(nèi)容推送。在相關(guān)技術(shù)中，推薦系統(tǒng)主要是圍繞單一客戶端提供的信息來構(gòu)建，通過利用單一客戶端提供的對應(yīng)于不同業(yè)務(wù)場景的信息，從而為用戶精準(zhǔn)推送不同場景下的相關(guān)內(nèi)容。

2、然而，通過上述方式構(gòu)建得到的推薦系統(tǒng)僅能為單一客戶端的用戶進(jìn)行信息推薦，當(dāng)用戶使用新的客戶端時需要重新構(gòu)建推薦系統(tǒng)，無法實(shí)現(xiàn)高效的信息推薦。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種推薦模型訓(xùn)練方法、信息推薦方法、計算機(jī)設(shè)備、計算機(jī)可讀存儲介質(zhì)和計算機(jī)程序產(chǎn)品。

2、第一方面，本技術(shù)提供了一種推薦模型訓(xùn)練方法，包括：

3、將多個資源獲取用戶在應(yīng)用類型不同的不同客戶端的賬號屬性，以及，所述多個資源獲取用戶針對所述不同客戶端的資源發(fā)布賬號觸發(fā)的賬號行為，輸入到推薦模型的特征提取模塊，以得到各個所述資源獲取用戶與各所述客戶端對應(yīng)的賬號屬性特征和賬號行為特征；

4、基于各個所述資源獲取用戶與各所述客戶端對應(yīng)的賬號屬性特征和賬號行為特征，獲取相同資源獲取用戶在不同客戶端的賬號屬性特征的第一相似度、相同資源獲取用戶在不同客戶端的賬號行為特征的第二相似度，及不同資源獲取用戶在不同客戶端的賬號屬性特征的第三相似度；其中所述不同資源獲取用戶為在不同客戶端對存在關(guān)聯(lián)的資源發(fā)布賬號觸發(fā)相同賬號行為的資源獲取用戶；

5、根據(jù)所述第一相似度、所述第二相似度和所述第三相似度確定表示增強(qiáng)損失，根據(jù)所述表示增強(qiáng)損失調(diào)整所述推薦模型的模型參數(shù)，得到經(jīng)訓(xùn)練的推薦模型。

6、在其中一個實(shí)施例中，所述根據(jù)所述第一相似度、所述第二相似度和所述第三相似度確定表示增強(qiáng)損失，包括：

7、根據(jù)所述不同資源獲取用戶在不同客戶端對存在關(guān)聯(lián)的資源發(fā)布賬號觸發(fā)的賬號行為確定所述第三相似度的權(quán)重，根據(jù)所述權(quán)重調(diào)整所述第三相似度得到調(diào)整后的第三相似度；

8、根據(jù)所述第一相似度、所述第二相似度和所述調(diào)整后的第三相似度，確定表示增強(qiáng)損失；所述表示增強(qiáng)損失與所述第一相似度呈正相關(guān)，與所述第二相似度和所述調(diào)整后的第三相似度呈負(fù)相關(guān)。

9、在其中一個實(shí)施例中，根據(jù)所述不同資源獲取用戶在不同客戶端對存在關(guān)聯(lián)的資源發(fā)布賬號觸發(fā)的賬號行為確定所述第三相似度的權(quán)重，包括：

10、若所述不同資源獲取用戶在不同客戶端中對存在關(guān)聯(lián)的資源發(fā)布賬號觸發(fā)的賬號行為包括多種，確定每種所述賬號行為的行為優(yōu)先級；

11、確定所述行為優(yōu)先級滿足優(yōu)先級條件的目標(biāo)賬號行為，并根據(jù)所述目標(biāo)賬號行為對應(yīng)的權(quán)重，得到所述第三相似度的權(quán)重。

12、在其中一個實(shí)施例中，所述多個資源獲取用戶在不同客戶端的賬號屬性包括，多個資源獲取用戶中每個所述資源獲取用戶在第一客戶端的賬號屬性信息，以及每個所述資源獲取用戶在第二客戶端的賬號屬性信息；

13、所述多個資源獲取用戶針對所述不同客戶端的資源發(fā)布賬號觸發(fā)的賬號行為包括：所述多個資源獲取用戶中每個所述資源獲取用戶針對所述第一客戶端的資源發(fā)布賬號觸發(fā)的賬號行為，以及，每個所述資源獲取用戶針對所述第二客戶端的資源發(fā)布賬號觸發(fā)的賬號行為。

14、在其中一個實(shí)施例中，所述相同資源獲取用戶在不同客戶端的賬號屬性特征包括：對應(yīng)于相同資源獲取用戶的第一客戶端賬號的賬號屬性特征和第二客戶端賬號的賬號屬性特征；

15、所述相同資源獲取用戶在不同客戶端的賬號行為特征包括：對應(yīng)于相同資源獲取用戶的第一客戶端賬號的賬號行為特征和第二客戶端賬號的賬號行為特征；

16、所述不同資源獲取用戶在不同客戶端的賬號屬性特征包括：對應(yīng)于不同資源獲取用戶的第一客戶端賬號的賬號屬性特征和第二客戶端賬號的賬號屬性特征。

17、在其中一個實(shí)施例中，所述基于各個所述資源獲取用戶與各所述客戶端對應(yīng)的賬號屬性特征和賬號行為特征，獲取相同資源獲取用戶在不同客戶端的賬號屬性特征的第一相似度、相同資源獲取用戶在不同客戶端的賬號行為特征的第二相似度，及不同資源獲取用戶在不同客戶端的賬號屬性特征的第三相似度，包括：

18、確定所述對應(yīng)于相同資源獲取用戶的第一客戶端賬號的賬號屬性特征和第二客戶端賬號的賬號屬性特征之間的第一相似度；

19、確定所述對應(yīng)于相同資源獲取用戶的第一客戶端賬號的賬號行為特征和第二客戶端賬號的賬號行為特征之間的第二相似度；

20、確定所述對應(yīng)于不同資源獲取用戶的第一客戶端賬號的賬號屬性特征和第二客戶端賬號的賬號屬性特征之間的第三相似度。

21、第二方面，本技術(shù)還提供了一種信息推薦方法，方法包括：

22、響應(yīng)于針對資源獲取用戶的第一客戶端目標(biāo)賬號的賬號推薦請求，確定第一客戶端的多個候選資源發(fā)布賬號；所述賬號推薦請求是相同資源獲取用戶在第二客戶端的第二客戶端目標(biāo)賬號觸發(fā)預(yù)設(shè)事件后生成；

23、針對每個所述候選資源發(fā)布賬號，根據(jù)所述候選資源發(fā)布賬號的資源發(fā)布賬號屬性信息，以及所述第一客戶端目標(biāo)賬號的賬號屬性信息和賬號行為信息，得到所述候選資源發(fā)布賬號對應(yīng)的賬號信息組合；

24、將所述賬號信息組合輸入到經(jīng)訓(xùn)練的推薦模型，由所述推薦模型的特征提取模塊獲取所述賬號信息組合對應(yīng)的特征組合，并根據(jù)所述特征組合確定所述候選資源發(fā)布賬號的推薦指數(shù)；其中，所述推薦模型通過如權(quán)利要求1至6中任一項(xiàng)所述的推薦模型訓(xùn)練方法訓(xùn)練得到；

25、根據(jù)各所述候選資源發(fā)布賬號的推薦指數(shù)，確定向所述第一客戶端目標(biāo)賬號提供的資源發(fā)布賬號推薦信息。

26、在其中一個實(shí)施例中，所述賬號推薦請求是相同資源獲取用戶在第二客戶端的第二客戶端目標(biāo)賬號觸發(fā)預(yù)設(shè)事件后，由所述第二客戶端目標(biāo)賬戶觸發(fā)所述第一客戶端生成并發(fā)送；

27、和/或，

28、所述賬號推薦請求是相同資源獲取用戶在第二客戶端的第二客戶端目標(biāo)賬號觸發(fā)預(yù)設(shè)事件后，由所述第二客戶端目標(biāo)賬戶生成并發(fā)送。

29、第三方面，本技術(shù)還提供了一種計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實(shí)現(xiàn)如上任一項(xiàng)所述的推薦模型訓(xùn)練方法訓(xùn)練的步驟或所述的信息推薦方法的步驟。

30、第四方面，本技術(shù)還提供了一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如上任一項(xiàng)所述的推薦模型訓(xùn)練方法訓(xùn)練的步驟或所述的信息推薦方法的步驟。

31、第五方面，本技術(shù)還提供了一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如上任一項(xiàng)所述的推薦模型訓(xùn)練方法訓(xùn)練的步驟或所述的信息推薦方法的步驟。

32、上述推薦模型訓(xùn)練方法、信息推薦方法、計算機(jī)設(shè)備、計算機(jī)可讀存儲介質(zhì)和計算機(jī)程序產(chǎn)品，通過獲取相同資源獲取用戶在不同客戶端的賬號屬性特征的第一相似度、相同資源獲取用戶在不同客戶端的賬號行為特征的第二相似度，及不同資源獲取用戶在不同客戶端的賬號屬性特征的第三相似度，根據(jù)第一相似度、第二相似度和第三相似度調(diào)整推薦模型參數(shù)，能夠通過對比學(xué)習(xí)的方式刻畫用戶在多端行為的相似性、用戶屬性的差異性以及用戶屬性的互通性，有助于模型利用從其他客戶端學(xué)習(xí)到的相似用戶的信息對當(dāng)前客戶端用戶的特征進(jìn)行補(bǔ)充和強(qiáng)化，并根據(jù)強(qiáng)化后的特征在多個客戶端進(jìn)行精準(zhǔn)靈活的信息推送，有效提升信息推薦效率。