背景技術：

1、隨著網(wǎng)絡信息和服務的爆炸式增長，個性化推薦已經成為用戶體驗的重要組成部分，市場對高效、準確的推薦預測有著強烈需求。

2、傳統(tǒng)技術中，為實現(xiàn)推薦預測，會按照不同的業(yè)務場景單獨定制化的訓練對應的推薦模型。然而隨著業(yè)務場景越來越多，針對每個業(yè)務場景單獨訓練對應的推薦模型導致了算法和成本效率兩方面的問題。在成本效率方面，多個推薦模型導致繁瑣的人工維護和系統(tǒng)資源的耗費。在算法層面，針對各個業(yè)務場景獨立建模無法利用用戶在跨場景中豐富的行為信息。因此，急需一種新的推薦預測方法來解決這些問題。

技術實現(xiàn)思路

1、本說明書一個或多個實施例描述了一種利用推薦模型進行推薦預測的方法及裝置，可以針對多個業(yè)務場景進行預測，由此可以大大降低系統(tǒng)資源開銷和人力成本。

2、第一方面，提供了一種利用推薦模型進行推薦預測的方法，所述推薦模型用于針對預定的多個業(yè)務場景進行預測，并包括，特征提取網(wǎng)絡和注意力網(wǎng)絡；所述方法包括：

3、獲取與第一用戶相關的第一樣本，其中包括，至少根據(jù)所述第一用戶確定的樣本特征以及第一業(yè)務場景的場景指示；

4、將所述樣本特征輸入所述特征提取網(wǎng)絡，在所述特征提取網(wǎng)絡中，通過所述多個業(yè)務場景共享的第一全連接層和所述第一業(yè)務場景對應的第二全連接層處理所述樣本特征，得到第一樣本表征；

5、將所述樣本特征和場景指示輸入所述注意力網(wǎng)絡，在所述注意力網(wǎng)絡中，分別通過所述多個業(yè)務場景對應的多個集成模塊處理所述樣本特征，得到多個場景化的樣本表征，通過門控模塊基于所述場景指示確定針對所述多個集成模型的多個目標權重，根據(jù)所述多個目標權重對所述多個場景化的樣本表征進行加權融合，得到第二樣本表征；

6、至少基于第一和第二樣本表征，確定預測結果，其指示所述第一用戶是否對第一對象作出特定行為。

7、第二方面，提供了一種利用推薦模型進行推薦預測的裝置，所述推薦模型用于針對預定的多個業(yè)務場景進行預測，并包括，特征提取網(wǎng)絡和注意力網(wǎng)絡；所述裝置包括：

8、獲取單元，用于獲取與第一用戶相關的第一樣本，其中包括，至少根據(jù)所述第一用戶確定的樣本特征以及第一業(yè)務場景的場景指示；

9、輸入單元，用于將所述樣本特征輸入所述特征提取網(wǎng)絡，在所述特征提取網(wǎng)絡中，通過所述多個業(yè)務場景共享的第一全連接層和所述第一業(yè)務場景對應的第二全連接層處理所述樣本特征，得到第一樣本表征；

10、所述輸入單元，還用于將所述樣本特征和場景指示輸入所述注意力網(wǎng)絡，在所述注意力網(wǎng)絡中，分別通過所述多個業(yè)務場景對應的多個集成模塊處理所述樣本特征，得到多個場景化的樣本表征，通過門控模塊基于所述場景指示確定針對所述多個集成模型的多個目標權重，根據(jù)所述多個目標權重對所述多個場景化的樣本表征進行加權融合，得到第二樣本表征；

11、確定單元，用于至少基于第一和第二樣本表征，確定預測結果，其指示所述第一用戶是否對第一對象作出特定行為。

12、第三方面，提供了一種計算機可讀存儲介質，其上存儲有計算機程序，當所述計算機程序在計算機中執(zhí)行時，令計算機執(zhí)行第一方面的方法。

13、第四方面，提供了一種計算設備，包括存儲器和處理器，所述存儲器中存儲有可執(zhí)行代碼，該處理器執(zhí)行所述可執(zhí)行代碼時，實現(xiàn)第一方面的方法。

14、本說明書一個或多個實施例提供的利用推薦模型進行推薦預測的方法，在針對當前業(yè)務場景的樣本提取特征時，通過多個業(yè)務場景共享的全連接層和特定業(yè)務場景對應的全連接層處理樣本特征，由此可以實現(xiàn)多場景共性信息和獨立場景個性化信息的提取。此外，本方案通過考量其它業(yè)務場景對當前業(yè)務場景的貢獻度，來確定樣本的場景化的樣本表征，由此可以實現(xiàn)對特征提取過程中所缺失的場景信息的彌補?？偠灾?，本方案在結合通過特征提取得到的樣本表征和場景化的樣本表征，進行推薦預測時，可以大大提升推薦預測的準確性。

技術特征：

1.一種利用推薦模型進行推薦預測的方法，所述推薦模型用于針對預定的多個業(yè)務場景進行預測，并包括，特征提取網(wǎng)絡和注意力網(wǎng)絡；所述方法包括：

2.根據(jù)權利要求1所述的方法，其中，所述樣本特征包括，所述第一用戶的用戶特征、所述第一對象的對象特征以及所述第一業(yè)務場景的場景特征。

3.根據(jù)權利要求1所述的方法，其中，任意的目標集成模塊包括第一門控網(wǎng)絡和多個第一專家網(wǎng)絡；所述通過所述多個業(yè)務場景對應的多個集成模塊處理所述樣本特征，包括：

4.根據(jù)權利要求1所述的方法，其中，所述樣本特征包括，所述第一業(yè)務場景的場景特征；所述推薦模型還包括全連接神經網(wǎng)絡；所述方法還包括：

5.根據(jù)權利要求4所述的方法，其中，所述將所述樣本特征和場景指示輸入所述注意力網(wǎng)絡，包括：

6.根據(jù)權利要求1所述的方法，其中，所述推薦模型還包括專家集成網(wǎng)絡，其中包括第二門控網(wǎng)絡和多個第二專家網(wǎng)絡；所述方法還包括：

7.根據(jù)權利要求1所述的方法，其中，所述推薦模型還包括分類網(wǎng)絡；所述確定預測結果包括：

8.一種利用推薦模型進行推薦預測的裝置，所述推薦模型用于針對預定的多個業(yè)務場景進行預測，并包括，特征提取網(wǎng)絡和注意力網(wǎng)絡；所述裝置包括：

9.根據(jù)權利要求8所述的裝置，其中，所述樣本特征包括，所述第一用戶的用戶特征、所述第一對象的對象特征以及所述第一業(yè)務場景的場景特征。

10.根據(jù)權利要求8所述的裝置，其中，任意的目標集成模塊包括第一門控網(wǎng)絡和多個第一專家網(wǎng)絡；所述輸入單元包括：

11.根據(jù)權利要求8所述的裝置，其中，所述樣本特征包括，所述第一業(yè)務場景的場景特征；所述推薦模型還包括全連接神經網(wǎng)絡；所述裝置還包括：

12.根據(jù)權利要求11所述的裝置，其中，所述輸入單元具體用于：

13.根據(jù)權利要求8所述的裝置，其中，所述推薦模型還包括專家集成網(wǎng)絡，其中包括第二門控網(wǎng)絡和多個第二專家網(wǎng)絡；所述裝置還包括：

14.根據(jù)權利要求8所述的裝置，其中，所述推薦模型還包括分類網(wǎng)絡；所述確定單元包括：

15.一種計算機可讀存儲介質，其上存儲有計算機程序，其中，當所述計算機程序在計算機中執(zhí)行時，令計算機執(zhí)行權利要求1-7中任一項所述的方法。

16.一種計算設備，包括存儲器和處理器，其中，所述存儲器中存儲有可執(zhí)行代碼，所述處理器執(zhí)行所述可執(zhí)行代碼時，實現(xiàn)權利要求1-7中任一項所述的方法。

技術總結
本說明書實施例提供一種利用推薦模型進行推薦預測的方法，包括：獲取第一樣本，將樣本特征輸入特征提取網(wǎng)絡，以通過多個業(yè)務場景共享的第一全連接層和第一業(yè)務場景對應的第二全連接層處理樣本特征，得到第一樣本表征。將樣本特征和場景指示輸入注意力網(wǎng)絡，以分別通過多個業(yè)務場景對應的多個集成模塊處理樣本特征，得到多個場景化的樣本表征，通過門控模塊基于場景指示確定針對多個集成模型的多個目標權重，根據(jù)多個目標權重對多個場景化的樣本表征進行加權融合，得到第二樣本表征。至少基于第一和第二樣本表征，確定預測結果。

技術研發(fā)人員：賈肖寧,劉潤石,徐天翔
受保護的技術使用者：支付寶（杭州）信息技術有限公司
技術研發(fā)日：
技術公布日：2025/6/5