一种推荐兴趣列表的生成方法、装置及设备与流程

1.本发明涉及it技术领域，特别是指一种推荐兴趣列表的生成方法、装置及设备。


背景技术：

2.在电商、广告、新闻、视频等领域蓬勃发展的同时，个性化推荐的应用日新月异，从以前的协同过滤、逻辑回归，进化到因子分解机以及梯度提升树等，初期传统的推荐模型有可解释性强、硬件环境要求低与易于快速训练部署等优势，随着深度卷积神经网络alexnet的提出，深度学习进入人们视野，推荐领域的应用也紧随其后，之后fnn(factorisation-machine supported neural networks，前馈神经网络)、wide&deep、deepcrossing等深度推荐模型架构被提出，并逐渐成为推荐算法的主流。
3.推荐算法落地过程中，常需要同时满足多种业务目标，如点击率、转化率、观影时长、完播率等。有些业务目标存在递进性，如点击和转化，可以通过指定目标优先级，可用learn to rank(排列学习)方式优化推荐列表，或通过全样本空间联合训练、目标相乘来学习这种递进关系；有些业务目标间优化方向会不太一致，如点击率和观影时长，会需要在多种业务目标间折衷trade-off。
4.现有多目标训练方式，不同训练任务对应的门控网络可以学习到子任务间的相关性和差异性减轻负迁移现象，却不能将用户历史序列中挖掘的不同兴趣点转化到适合的目标。


技术实现要素：

5.本发明提供一种推荐兴趣列表的生成方法、装置及设备。解决了不能将用户的不同兴趣点转化为适合目标的问题，更有针对性地解决多目标优化的问题，可平衡不同种类的家庭推荐需求。为解决上述技术问题，本发明的技术方案如下：
6.一种推荐兴趣列表的生成方法，所述方法包括：
7.获取用户的历史行为数据；
8.将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值；
9.根据所述贡献度值，生成用户的推荐兴趣列表。
10.可选的，对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值，包括：
11.根据所述用户的历史行为数据，得到目标兴趣，并通过门控网络，得到所述目标兴趣的权重值；
12.对所述权重值和目标兴趣进行加权求和处理，得到用户对不同目标兴趣的中间贡献度值；
13.对所述中间贡献度值进行反向传播处理，得到用户对不同目标兴趣的贡献度值。
14.可选的，根据所述用户的历史行为数据，得到目标兴趣，并通过门控网络，得到所述目标兴趣的权重值，包括：
15.将用户的历史行为数据输入多兴趣表征模型进行兴趣提取处理，得到目标兴趣；
16.将用户的历史行为数据输入门控网络，得到所述目标兴趣的权重值。
17.可选的，所述多兴趣表征模型对用户的历史行为数据进行以下的兴趣提取处理：
18.将所述用户的历史行为数据输入嵌入层，得到用户的兴趣矩阵；
19.根据所述用户的兴趣矩阵，通过自注意力机制，得到用户的目标兴趣。
20.可选的，根据所述用户的兴趣矩阵，通过自注意力机制，得到用户的目标兴趣，包括：
21.通过公式vu＝ha计算得到用户的目标兴趣；其中，a为权重向量，h为用户的兴趣矩阵，vu为用户的目标兴趣，w1为第一可训练化参数，为第二可训练化参数。
22.可选的，对所述权重值和目标兴趣进行加权求和处理，得到用户对不同目标兴趣的中间贡献度值，包括：
23.通过公式计算得到用户对不同目标兴趣的中间贡献度值；其中，gk(x)＝softmax(w
gk
x)，gk(x)表示目标兴趣的权重值，fi(x)表示第i个目标兴趣，fk(x)表示用户对不同目标兴趣的中间贡献度值，n表示目标兴趣的总个数。
24.可选的，对所述中间贡献度值进行反向传播处理，得到用户对不同目标兴趣的贡献度值，包括：
25.通过公式yk＝hk(fk(x))对所述中间贡献度值进行反向传播计算，得到用户对不同目标兴趣的贡献度值；其中，yk为贡献度值，fk(x)表示用户对不同目标兴趣的中间贡献度值，hk()是反向传播计算函数。
26.本发明还提供一种推荐兴趣列表的生成装置，所述装置包括：
27.获取模块，用于获取用户的历史行为数据；
28.处理模块，用于将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，采用门控网络，得到用户对不同目标兴趣的贡献度值；根据所述贡献度值，生成用户的推荐兴趣列表。
29.本发明提供一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
30.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的方法对应的操作。
31.本发明还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上述的方法。
32.本发明的上述方案至少包括以下有益效果：
33.本发明的方案通过获取用户的历史行为数据；将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值；
根据所述贡献度值，生成用户的推荐兴趣列表；解决了不能将用户的不同兴趣点转化为适合目标的问题，更有针对性地解决多目标优化的问题，可平衡不同种类的家庭推荐需求。
附图说明
34.图1是本发明实施例的推荐兴趣列表的生成方法的流程示意图；
35.图2是本发明实施例的多兴趣表征模型的结构示意图；
36.图3是本发明实施例的多目标融合模型的结构示意图；
37.图4是本发明实施例的推荐兴趣列表的生成装置的模块示意图。
具体实施方式
38.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
39.如图1所示，本发明提供了一种推荐兴趣列表的生成方法，所述方法包括：
40.步骤11，获取用户的历史行为数据；
41.步骤12，将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值；
42.步骤13，根据所述贡献度值，生成用户的推荐兴趣列表。
43.该实施例中，解决了不能将用户的不同兴趣点转化为适合目标的问题，通过获取用户的历史行为数据，该用户的历史行为数据用于提取该用户的目标兴趣，将用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值，通过该贡献度值，按照用户的目标兴趣生成用户的推荐兴趣列表；更有针对性地解决多目标优化的问题，可平衡不同种类的家庭推荐需求。
44.需要说明的是，用户的历史行为数据是基于用户的历史行为而产生的数据；例如，在面向家庭所有成员推荐电视视频的应用场景中，历史行为数据可以是家庭所有成员在一段历史时间内对电视视频的点播行为而产生的数据。
45.其中，多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值。
46.本发明一可选的实施例中，步骤12中对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值，包括：
47.步骤12-1，根据所述用户的历史行为数据，得到目标兴趣，并通过门控网络，得到所述目标兴趣的权重值；
48.步骤12-2，对所述权重值和目标兴趣进行加权求和处理，得到用户对不同目标兴趣的中间贡献度值；
49.步骤12-3，对所述中间贡献度值进行反向传播处理，得到用户对不同目标兴趣的贡献度值。
50.本实施例中，在多目标融合模型中对输入的历史行为数据分别通过多兴趣表征模
型和门控网络得到目标兴趣和所述目标兴趣的权重值，将目标兴趣和权重值进行加权求和，得到用户对不同目标兴趣的中间贡献度值，通过塔(tower)网络对该中间贡献度值进行反向传播处理，最终得到用户对不同兴趣的贡献度值。
51.其中，本发明一可选的实施例中，步骤12-1包括：
52.步骤12-11，将用户的历史行为数据输入多兴趣表征模型进行兴趣提取处理，得到目标兴趣；
53.步骤12-12，将用户的历史行为数据输入门控网络，得到所述目标兴趣的权重值。
54.本实施例中，多兴趣表征模型对历史行为数据依次通过动态路由和自注意力机制进行兴趣提取处理，得到目标兴趣，并根据门控网络，得到目标兴趣的权重值；
55.其中，多兴趣表征模型能够捕捉用户的历史行为数据中的多个兴趣点，将用户的历史行为数据建模为多个兴趣向量(即目标兴趣)，通过多元兴趣提取模块，将用户建模为k个兴趣向量，分别表示用户的k个兴趣点；
56.门控网络是一种门控机制，对于两个或多个部分，由相应的权重矩阵分配适当的重要程度，起到对历史行为数据进行信息过滤的作用。
57.本发明一可选的实施例中，步骤12-11中所述多兴趣表征模型对用户的历史行为数据进行以下的兴趣提取处理：
58.步骤12-111，将所述用户的历史行为数据输入嵌入层，得到用户的兴趣矩阵；
59.步骤12-112，根据所述用户的兴趣矩阵，通过自注意力机制，得到用户的目标兴趣。
60.本实施例中，多兴趣表征模型包括嵌入层和自注意力机制，分别用于求得用户的兴趣矩阵和目标兴趣，目标兴趣由历史行为数据输入嵌入层，优选通过动态路由的方式得到用户的嵌入列表，进而得到兴趣矩阵，得到用户的目标兴趣。
61.本发明一可选的实施例中，步骤12-112包括：
62.通过公式vu＝ha计算得到用户的目标兴趣；其中，a为权重向量，h为用户的兴趣矩阵，vu为用户的目标兴趣，w1为第一可训练化参数，为第二可训练化参数。
63.本实施例中，根据用户的兴趣矩阵，通过公式vu＝ha计算得到用户的目标兴趣，其中，用户的目标兴趣vu∈rd×k。
64.如图2所示，一个具体的实施例1中，用户的历史行为数据为用户序列，通过捕捉用户序列中的多个兴趣点，主要通过动态路由和自注意力机制进行兴趣提取处理，将用户建模为多个兴趣向量；
65.具体的，将用户序列输入嵌入层embedding layer，得到用户序列的嵌入列表，将用户序列看作是初始胶囊(primary capsules)，用户的多元目标兴趣看作是兴趣胶囊，令ei表示初始胶囊，基于最初胶囊的下一层的兴趣胶囊的计算公式为其中，w
ij
表示一个转换矩阵，则总输入是所有预测向量的加权和其中，c
ij
为耦合系数，耦合系数c
ij
由迭代动态路由过程确定，初始胶囊与下一层所有胶囊的耦合系数之和为
1，计算偶和系数为：其中，b
ij
表示i和j耦合的对数先验概率；
66.通过非线性的压缩(squashing)函数，确保短向量缩小到几乎零长度和长向量缩小到略低于1的长度，则通过嵌入层的输出向量表示为：
67.sj是总输入，为了计算输出向量vj，计算基于vj和ei的内积的概率分布，vj的计算依赖于自身，得到嵌入列表为矩阵vu＝[v1,
…
,vk]∈rd×k，其中，k为目标兴趣的维度。
[0068]
如图2所示，一个具体的实施例2中，基于具体的实施例1中的嵌入列表，得到用户的兴趣矩阵hd×n，其中，n为用户行为序列的长度，d为用户的嵌入维度，通过自注意力机制获得权重向量a∈rn：其中，为第一可训练化参数，为第二可训练化参数；然后通过权重向量a进行加权和得到向量vu＝ha∈rd，将w2拓展为其中，k为目标兴趣的维度，向量a变为a：通过公式vu＝ha计算得到用户的目标兴趣。
[0069]
本发明一可选的实施例中，步骤12-2，包括：
[0070]
步骤12-21，通过公式计算得到用户对不同目标兴趣的中间贡献度值；其中，gk(x)＝softmax(w
gk
x)，gk(x)表示目标兴趣的权重值，fi(x)表示第i个目标兴趣，fk(x)表示用户对不同目标兴趣的中间贡献度值，n表示目标兴趣的总个数。
[0071]
本实施例中，将目标兴趣与目标兴趣对应的权重通过公式本实施例中，将目标兴趣与目标兴趣对应的权重通过公式进行加权求和处理，得到用户对不同目标兴趣的中间贡献度值，用户的每个目标兴趣对于每个贡献度值都起到一定作用，只不过权重不同；其中，目标兴趣优选通过专家experts网络接入多兴趣表征模型获取用户的历史行为数据的目标兴趣，即将历史行为数据的目标兴趣通过向量进行表征，门控网络优选为gate网络，用于点选目标兴趣的向量表征和目标向量之间的关系，对目标兴趣和权重进行加权求和处理之后的中间贡献度值，优选可作为下一步的塔tower网络的输入；
[0072]
需要说明的是，上述的experts网络是一种feed-forward network前馈神经网络，将多兴趣表征模型与experts网络结合，对用户的历史行为数据进行兴趣提取，得到目标兴趣。
[0073]
本发明一可选的实施例中，步骤12-3，包括：
[0074]
步骤12-31，通过公式yk＝hk(fk(x))对所述中间贡献度值进行反向传播计算，得到用户对不同目标兴趣的贡献度值；其中，yk为贡献度值，fk(x)表示用户对不同目标兴趣的中间贡献度值，hk()是反向传播计算函数。
[0075]
本实施例中，优选通过tower网络对输入的中间贡献度值进行反向传播计算的处理，通过公式yk＝hk(fk(x))得到用户对不同目标兴趣的贡献度值。
[0076]
如图3所示，一个具体的实施例3中，用户的历史行为数据为面向家庭的大屏视频
的历史行为数据，为解决如何在满足各家庭成员需求的同时，将之转化为各种商业价值；将面向家庭的大屏视频的历史行为数据采用解耦后的兴趣向量参与计算，分别输入对应各个目标的门控网络，指导目标间折衷trade-off，采用门控网络联合训练点击率、视频播放时长、广告完播率等权重；
[0077]
图3为结合了多兴趣表征模型的多目标融合模型，将图3中的专家网络0至专家网络3用图2中的多兴趣表征模型替换，每个专家网络代表用户的一个目标兴趣，如用户有三个兴趣，分别是：少儿类的影视内容、战争类的影视内容以及爱情类的影视内容，专家网络0是少儿类兴趣的一种向量表示，专家网络1是战争类兴趣的一种向量表示，专家网络2是爱情类兴趣的一种向量表示，门控网络a对应的是点击率目标，门控网络b对应的是收入目标，此处通过门控网络a和门控网络b控制这三个目标兴趣的权重，当用户的少儿类的目标兴趣对收入的影响更大，那么对应少儿类兴趣的专家网络0的权重更高；
[0078]
将历史行为数据输入多兴趣表征模型得到目标数据，结合权重，进行加权求和，每个专家网络的输出，也就是用户的每个兴趣对于每个目标都起到一定作用，只不过权重不同；当少儿类的目标兴趣对收入目标影响大，则权重更高，但这不代表战争类的目标兴趣和爱情类的目标兴趣对收入目标不存在影响，只是权重小而已，所以对于门控网络a和门控网络b来说，需要将这三个专家网络0至专家网络3的加权求和得到中间贡献度值；
[0079]
将中间贡献度值输入tower网络，通过公式和yk＝hk(fk(x))，得到用户对不同目标兴趣的贡献度值。
[0080]
本发明的实施例通过获取用户的历史行为数据；将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值；根据所述贡献度值，生成用户的推荐兴趣列表；解决了不能将用户的不同兴趣点转化为适合目标的问题，更有针对性地解决多目标优化的问题，可平衡不同种类的家庭推荐需求。
[0081]
如图4所示，本发明的实施例提供一种推荐兴趣列表的生成装置40，所述装置40包括：
[0082]
获取模块41，用于获取用户的历史行为数据；
[0083]
处理模块42，用于将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，采用门控网络，得到用户对不同目标兴趣的贡献度值；根据所述贡献度值，生成用户的推荐兴趣列表。
[0084]
可选的，对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值，包括：
[0085]
根据所述用户的历史行为数据，得到目标兴趣，并通过门控网络，得到所述目标兴趣的权重值；
[0086]
对所述权重值和目标兴趣进行加权求和处理，得到用户对不同目标兴趣的中间贡献度值；
[0087]
对所述中间贡献度值进行反向传播处理，得到用户对不同目标兴趣的贡献度值。
[0088]
可选的，根据所述用户的历史行为数据，得到目标兴趣，并通过门控网络，得到所述目标兴趣的权重值，包括：
[0089]
将用户的历史行为数据输入多兴趣表征模型进行兴趣提取处理，得到目标兴趣；
[0090]
将用户的历史行为数据输入门控网络，得到所述目标兴趣的权重值。
[0091]
可选的，所述多兴趣表征模型对用户的历史行为数据进行以下的兴趣提取处理：
[0092]
将所述用户的历史行为数据输入嵌入层，得到用户的兴趣矩阵；
[0093]
根据所述用户的兴趣矩阵，通过自注意力机制，得到用户的目标兴趣。
[0094]
可选的，根据所述用户的兴趣矩阵，通过自注意力机制，得到用户的目标兴趣，包括：
[0095]
通过公式vu＝ha计算得到用户的目标兴趣；其中，a为权重向量，h为用户的兴趣矩阵，vu为用户的目标兴趣，w1为第一可训练化参数，为第二可训练化参数。
[0096]
可选的，对所述权重值和目标兴趣进行加权求和处理，得到用户对不同目标兴趣的中间贡献度值，包括：
[0097]
通过公式计算得到用户对不同目标兴趣的中间贡献度值；其中，gk(x)＝softmax(w
gk
x)，gk(x)表示目标兴趣的权重值，fi(x)表示第i个目标兴趣，fk(x)表示用户对不同目标兴趣的中间贡献度值，n表示目标兴趣的总个数。
[0098]
可选的，对所述中间贡献度值进行反向传播处理，得到用户对不同目标兴趣的贡献度值，包括：
[0099]
通过公式yk＝hk(fk(x))对所述中间贡献度值进行反向传播计算，得到用户对不同目标兴趣的贡献度值；其中，yk为贡献度值，fk(x)表示用户对不同目标兴趣的中间贡献度值，hk()是反向传播计算函数。
[0100]
需要说明的是，该装置是与上述发送端的方法对应的装置，上述方法的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
[0101]
本发明提供一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
[0102]
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的方法对应的操作。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
[0103]
本发明的实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
[0104]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0105]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0106]
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的
方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0107]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0108]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0109]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0110]
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
[0111]
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
[0112]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种推荐兴趣列表的生成方法，其特征在于，所述方法包括：获取用户的历史行为数据；将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值；根据所述贡献度值，生成用户的推荐兴趣列表。2.根据权利要求1所述的推荐兴趣列表的生成方法，其特征在于，对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值，包括：根据所述用户的历史行为数据，得到目标兴趣，并通过门控网络，得到所述目标兴趣的权重值；对所述权重值和目标兴趣进行加权求和处理，得到用户对不同目标兴趣的中间贡献度值；对所述中间贡献度值进行反向传播处理，得到用户对不同目标兴趣的贡献度值。3.根据权利要求2所述的推荐兴趣列表的生成方法，其特征在于，根据所述用户的历史行为数据，得到目标兴趣，并通过门控网络，得到所述目标兴趣的权重值，包括：将用户的历史行为数据输入多兴趣表征模型进行兴趣提取处理，得到目标兴趣；将用户的历史行为数据输入门控网络，得到所述目标兴趣的权重值。4.根据权利要求3所述的推荐兴趣列表的生成方法，其特征在于，所述多兴趣表征模型对用户的历史行为数据进行以下的兴趣提取处理：将所述用户的历史行为数据输入嵌入层，得到用户的兴趣矩阵；根据所述用户的兴趣矩阵，通过自注意力机制，得到用户的目标兴趣。5.根据权利要求4所述的推荐兴趣列表的生成方法，其特征在于，根据所述用户的兴趣矩阵，通过自注意力机制，得到用户的目标兴趣，包括：通过公式v
u
＝ha计算得到用户的目标兴趣；其中，a为权重向量，h为用户的兴趣矩阵，v
u
为用户的目标兴趣，w1为第一可训练化参数，为第二可训练化参数。6.根据权利要求2所述的推荐兴趣列表的生成方法，其特征在于，对所述权重值和目标兴趣进行加权求和处理，得到用户对不同目标兴趣的中间贡献度值，包括：通过公式计算得到用户对不同目标兴趣的中间贡献度值；其中，g
k
(x)＝softmax(w
gk
x)，g
k
(x)表示目标兴趣的权重值，f
i
(x)表示第i个目标兴趣，f
k
(x)表示用户对不同目标兴趣的中间贡献度值，n表示目标兴趣的总个数。7.根据权利要求2所述的推荐兴趣列表的生成方法，其特征在于，对所述中间贡献度值进行反向传播处理，得到用户对不同目标兴趣的贡献度值，包括：通过公式y
k
＝h
k
(f
k
(x))对所述中间贡献度值进行反向传播计算，得到用户对不同目标兴趣的贡献度值；其中，y
k
为贡献度值，f
k
(x)表示用户对不同目标兴趣的中间贡献度值，h
k
()是反向传播计算函数。8.一种推荐兴趣列表的生成装置，其特征在于，所述装置包括：获取模块，用于获取用户的历史行为数据；
处理模块，用于将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，采用门控网络，得到用户对不同目标兴趣的贡献度值；根据所述贡献度值，生成用户的推荐兴趣列表。9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的方法对应的操作。10.一种计算机可读存储介质，其特征在于，存储指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至7任一项所述的方法。

技术总结
本发明提供一种推荐兴趣列表的生成方法、装置及设备。本发明的方案通过获取目标用户的历史行为数据；将所述用户的历史行为数据输入多目标融合模型，得到用户对不同目标兴趣的贡献度值；所述多目标融合模型用于对用户的历史行为数据进行多兴趣表征处理，结合门控网络，得到用户对不同目标兴趣的贡献度值；根据所述贡献度值，生成用户的推荐兴趣列表；解决了不能将用户的不同兴趣点转化为适合目标的问题，更有针对性地解决多目标优化的问题，可平衡不同种类的家庭推荐需求。同种类的家庭推荐需求。同种类的家庭推荐需求。


技术研发人员：孔维莲 李倩 刘彦凯 曾海涛 赵耀红 邓超 冯俊兰 戈扬
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2022.01.27
技术公布日：2023/8/9