(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210908823.9 (22)申请日 2022.07.29 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 王健宗　李泽远　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 廖慧贤 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/335(2019.01) G06F 16/35(2019.01) G06F 16/9535(2019.01)G06F 40/216(2020.01) G06F 40/289(2020.01) G06F 40/30(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 推荐模型的训练方法、 推荐方法和装置、 电 子设备及 介质 (57)摘要 本申请提供了一种推荐模型的训练方法、 推 荐方法和装置、 电子设备及介质， 属于人工智能 技术领域。 该方法包括： 获取目标推荐数据和目 标用户的原始用户数据， 原始用户数据包括用户 基本数据和第一用户评分数据； 对第一用户评分 数据进行筛选处理， 得到目标推荐数据对应的第 二用户评分数据； 对第二用户评分数据进行高斯 分布生成处理， 得到评分概率分布数据； 根据用 户基本数据、 目标推荐数据、 第二用户评分数据 构建初始 扰动图； 根据评分概率 分布数据对初始 扰动图进行增强处理， 得到第一扰动图和第二扰 动图； 根据初始扰动图、 第一扰动图以及第二扰 动图对预设的神经网络模型进行训练， 得到推荐 模型。 本申请能够改善模型的预测 效果， 提高推 荐准确性。 权利要求书2页 说明书16页 附图6页 CN 115269779 A 2022.11.01 CN 115269779 A 1.一种推荐模型的训练方法， 其特 征在于， 所述训练方法包括： 获取目标推荐数据和目标用户的原始用户数据， 所述原始用户数据包括用户基本数据 和第一用户评分数据； 对所述第一用户评分数据进行筛选处理， 得到所述目标推荐数据对应的第 二用户评分 数据； 对所述第二用户评分数据进行高斯分布生成处 理， 得到评分概率分布数据； 根据所述用户基本数据、 所述目标推荐数据、 所述第二用户评分数据构建初始扰动图； 根据所述评分概率分布数据对所述初始扰动图进行增强处理， 得到第 一扰动图和第 二 扰动图； 根据所述初始扰动图、 所述第 一扰动图以及所述第 二扰动图对预设的神经网络模型进 行训练， 得到推荐模型。 2.根据权利要求1所述的训练方法， 其特征在于， 所述对所述第 二用户评分数据进行高 斯分布生成处 理， 得到评分概率分布数据的步骤， 包括： 对所述第二用户评分数据进行均值计算， 得到 评分均值； 对所述评分均值和所述第二用户评分数据进行差值计算， 得到目标分值； 通过高斯分布生成法和预设的归一化因子对所述评分均值、 所述目标分值进行高斯分 布计算， 得到所述评分概 率分布数据。 3.根据权利要求1所述的训练方法， 其特征在于， 所述根据 所述评分概率分布数据对所 述初始扰动图进行增强处 理， 得到第一扰动图和第二扰动图的步骤， 包括： 通过预设函数对所述初始扰动图进行强度计算， 得到所述初始扰动图的边强度； 通过所述评分概 率分布数据对所述 边强度进行 数据置换， 得到边 概率值； 根据所述边概率值对所述初始扰动图进行拆分处理， 得到所述第 一扰动图和所述第 二 扰动图。 4.根据权利要求1至3任一项所述的训练方法， 其特征在于， 所述根据 所述初始扰动图、 所述第一扰动图以及所述第二扰动图对预设的神经网络模型进行训练， 得到推荐模型的步 骤， 包括： 对所述初始扰动图进行编码处理， 得到初始图表征向量， 并对所述第一扰动图进行编 码处理， 得到第一图表征向量， 并对所述第二扰动图进行编码处 理， 得到第二图表征向量； 通过预设的第一损失函数对所述初始图表征向量进行损失计算， 得到推荐损失值； 通过预设的第二损失函数对所述第一图表征向量和所述第二图表征向量进行对比学 习， 得到对比损失值； 根据所述对比损失值和所述推荐损失值对所述神经网络模型进行参数优化， 以训练所 述神经网络模型， 得到所述推荐模型。 5.根据权利要求4所述的推荐方法， 其特征在于， 所述根据 所述对比损失值和所述推荐 损失值对所述神经网络模型进行参数优化， 以训练所述神经网络模型， 得到所述推荐模型 的步骤， 包括： 根据预设的权重参数对所述对比损失值和所述推荐损失值进行加权计算， 得到目标损 失值； 通过随机梯度下降法和所述目标损失值对所述神经网络模型的损失函数进行参数优权　利　要　求　书 1/2 页 2 CN 115269779 A 2化， 以训练所述神经网络模型， 得到所述推荐模型。 6.一种推荐方法， 其特 征在于， 所述推荐方法包括： 获取目标用户的目标用户数据； 将所述目标用户数据输入至推荐模型中进行预测处理， 得到推荐列表， 其中， 所述推荐 模型根据权利要求1至 5任一项所述的训练方法训练得到； 将所述推荐列表推送给 所述目标用户。 7.一种推荐模型的训练装置， 其特 征在于， 所述训练装置包括： 第一获取模块， 用于获取目标推荐数据和目标用户的原始用户数据， 所述原始用户数 据包括用户基本数据和第一用户评分数据； 筛选模块， 用于对所述第一用户评分数据进行筛选处理， 得到所述目标推荐数据对应 的第二用户评分数据； 概率分布生成模块， 用于对所述第二用户评分数据进行高斯分布生成处理， 得到评分 概率分布数据； 图构建模块， 用于根据 所述用户基本数据、 所述目标推荐数据、 所述第 二用户评分数据 构建初始扰动图； 增强模块， 用于根据所述评分概率分布数据对所述初始扰动图进行增强处理， 得到第 一扰动图和第二扰动图； 训练模块， 用于根据所述初始扰动图、 所述第一扰动图以及所述第二扰动图对预设的 神经网络模型进行训练， 得到推荐模型。 8.一种推荐装置， 其特 征在于， 所述推荐装置包括： 第二数据获取模块， 用于获取目标用户的目标用户数据； 预测模块， 用于将所述目标用户数据输入至推荐模型中进行预测处理， 得到推荐列表， 其中， 所述推荐模型根据权利要求7 所述的训练装置训练得到； 推荐模块， 用于将所述推荐列表推送给 所述目标用户。 9.一种电子设备， 其特征在于， 所述电子设备包括存储器、 处理器、 存储在所述存储器 上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通 信的数据总线， 所述程序被所述处理器执行时实现如权利要求1至5任一项所述的训练方 法， 或者如权利要求6所述的推荐方法的步骤。 10.一种存储介质， 所述存储介质为计算机可读存储介质， 用于计算机可读存储， 其特 征在于， 所述存储介质存储有一个或者多个程序， 所述一个或者多个程序可被一个或者多 个处理器执行， 以实现如权利要求 1至5任一项 所述的训练方法， 或者如权利要求6所述的推 荐方法的步骤。权　利　要　求　书 2/2 页 3 CN 115269779 A 3