(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 202211145975.4 (22)申请日 2022.09.20 (71)申请人 杭州网易再顾科技有限公司 地址 310052 浙江省杭州市滨江区长河街 道网商路59 9号4幢411室 (72)发明人 强小辉　唐孟园　彭程　陈自强　 潘胜一　杨杰　 (74)专利代理 机构 北京博思佳知识产权代理有 限公司 1 1415 专利代理师 王茹 (51)Int.Cl. G06F 16/9535(2019.01) G06N 20/00(2019.01) (54)发明名称 基于目标推荐模型的产品推荐及模型训练 方法和装置 (57)摘要 本发明的实施方式提供了一种基于目标推 荐模型的产品推荐及模型训练方法和装置， 目标 推荐模型包括多个子模型， 不同的子模型对应于 不同的业务场景； 该方法包括： 将目标用户所处 目标业务场景的场景特征和与待推荐产品相关 的第一通用特征输入目标推荐模 型； 获取目标推 荐模型基于场景特征和第一通用特征输出的第 一推荐分数， 第一推荐分数基于多个子模型中的 每个子模型输出的第二推荐分数得到， 一个子模 型输出的第二推荐分数由该子模型基于第一通 用特征和该子模型对应的业务场景的场景特征 得到； 基于第一推荐分数向目标用户推荐待推荐 产品。 本发明能够适用于多种不同的业务场景， 无需针对不同的业 务场景训练不同的推荐 模型。 权利要求书2页 说明书20页 附图8页 CN 115455292 A 2022.12.09 CN 115455292 A 1.一种基于目标推荐模型的产品推荐方法， 所述目标推荐模型包括多个子模型， 不同 的子模型对应于不同的业 务场景； 所述方法包括： 将目标用户所处的目标业务场景的场景特征和与待推荐产品相关的第一通用特征输 入所述目标推荐模型； 获取所述目标推荐模型基于所述场景特征和所述第 一通用特征输出的第 一推荐分数， 其中， 所述第一推荐分数基于所述多个子模型中的每个子模型输出 的第二推荐分数得到， 一个子模型输出 的第二推荐分数由所述子模型基于所述第一通用特征和所述子模型对应 的业务场景的场景 特征得到； 基于所述第一推荐分数向所述目标用户推荐所述待推荐产品。 2.根据权利要求1所述的方法， 所述第一 通用特征包括以下至少一种： 所述目标用户的用户特 征； 所述待推荐产品的产品特 征； 向所述目标用户推荐所述待推荐产品时的上 下文情境特 征； 所述目标用户对所述待推荐产品的历史 交互行为特 征。 3.根据权利要求1所述的方法， 所述目标业 务场景的场景 特征包括以下至少一种： 所述目标业 务场景的名称； 所述目标业 务场景的场景业 务属性； 所述目标业 务场景对应的用户类别特 征。 4.根据权利要求1所述的方法， 在将目标用户所处的目标业务场景的场景特征和与待 推荐产品相关的第一 通用特征输入所述目标推荐模型之前， 所述方法还 包括： 将多个业务场景的场景特征和与第一历史推荐产品相关的第二通用特征输入原始推 荐模型， 所述原 始推荐模型包括多个原 始子模型； 获取所述原始推荐模型基于所述场景特征和所述第 二通用特征输出的第 三推荐分数， 其中， 所述第三推荐分数基于所述多个原始子模型中的每个原始子模型输出的第四推荐分 数得到， 一个原始子模型输出的第四推荐分数由所述原始子模型基于所述第二通用特征和 所述原始子模型对应的业 务场景的场景 特征得到； 基于所述第三推荐分数对所述原 始推荐模型进行训练， 得到所述目标推荐模型。 5.根据权利要求4所述的方法， 所述基于所述第三推荐分数对所述原始推荐模型进行 训练， 包括： 基于所述第三推荐分数确定所述第一历史推荐产品属于正样本的概 率； 基于所述概率以及所述第一历史推荐产品的真实样本类别对所述原始推荐模型进行 训练， 所述真实样本类别基于业务 目标确定， 用于表征所述第一历史推荐产品是否为正样 本。 6.根据权利要求1所述的方法， 每个子模型包括第一特征提取单元和第二特征提取单 元； 所述每 个子模型基于以下 方式输出第二推荐分数： 通过所述第 一特征提取单元对所述第 一通用特征进行特征提取， 得到第 一输出特征向 量； 其中， 所述第一特征提取单元在对所述第一特征提取单元的网络参数和所述第二特征 提取单元的网络参数进行融合后对所述第一 通用特征进行特征提取； 通过所述第 二特征提取单元对所述子模型对应的业务场景的场景特征进行特征提取，权　利　要　求　书 1/2 页 2 CN 115455292 A 2得到第二输出 特征向量； 对所述第一输出特征向量和所述第 二输出特征向量进行逐元素交叉， 得到所述子模型 输出的第二推荐分数。 7.根据权利要求6所述的方法， 所述方法还 包括： 基于多个业务场景的场景特征和与第一历史推荐产品相关的第二通用特征对包括多 个原始子模型的原 始推荐模型进行训练， 得到所述目标推荐模型； 其中， 在输入的场景特征包括第一业务场景的场景特征的情况下， 固定除第一原始子 模型以外的其他原始子模型中的第一特征提取单元的模型参数， 并对所述第一原始子模型 中的第一特征提取单元的模型参数进 行调整， 所述第一原始子模型为所述第一业务场景对 应的原始子模型； 在输入任一业务场景的场景特征的情况下， 对所述多个原始子模型中的每个原始子模 型中的第二特 征提取单元的模型参数均进行调整。 8.根据权利要求1所述的方法， 所述第一推荐分数通过采用各个业务场景对应的权重 对所述各个业 务场景对应的子模型输出的第二推荐分数进行加权求和得到 。 9.根据权利要求8所述的方法， 一个业务场景对应的权重基于所述业务场景的实时流 量分布得到， 所述实时流量分布通过采用预设时间窗口内所述业务场景下被推荐产品的推 荐次数和达成业务目标的次数对所述业务场景的初始流量分布进 行更新得到， 所述业务场 景的初始流 量分布基于所述 业务场景的历史业 务目标得到。 10.根据权利要求9所述的方法， 所述实时流量分布为β 分布； 一个业务场景对应的权重 基于所述 业务场景的实时流 量分布的α 参数和β 参数确定； 其中， 所述业务场景的实时流量分布的β 参数基于所述初始流量分布的β 参数和所述业务场 景下被推荐产品被 推荐但未达成业 务目标的次数确定； 所述业务场景的实时流量分布的α 参数基于预设时间窗口内所述业务场景下被推荐产 品达成业务目标 的次数与所述业务场景下的业务目标对应的正反馈次数的乘积以及所述 初始流量分布的α 参数确定 。权　利　要　求　书 2/2 页 3 CN 115455292 A 3