(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 202210980946.3 (22)申请日 2022.08.16 (71)申请人 携程旅游信息技 术 （上海） 有限公司 地址 201203 上海市浦东 新区自由贸易试 验区碧波路518号3 02室 (72)发明人 郭伟　刘典智　王荣生　程婉玉　 李健　 (74)专利代理 机构 上海隆天律师事务所 31282 专利代理师 夏彬 (51)Int.Cl. G06F 16/9535(2019.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 推荐模型训练方法、 推荐方法、 设备及存储 介质 (57)摘要 本发明提供了一种推荐模型训练方法、 推荐 方法、 设备及存储介质， 该方法包括： 获取第一推 荐模型和深度交叉场景特征网络单元； 基于所述 第一推荐模型和所述深度交叉场景特征网络单 元构建第二推荐模型， 所述深度交叉场景特征网 络单元配置为将非场景特征和场景特征进行交 叉组合； 采集第一样本数据集， 所述第一样本数 据集中每个样本的数据包括场景特征、 非场景特 征和所对应的推荐结果标签； 以及基于所述第一 样本数据集训练所述第二推荐模 型。 本发明开发 了深度交叉场景特征的深度网络单元， 可以灵活 嵌入到推荐系统的召回和/或排序深度模型中， 达到共享多场景数据和更好地匹配各场景数据 分布的目的。 权利要求书2页 说明书9页 附图5页 CN 115292601 A 2022.11.04 CN 115292601 A 1.一种推荐模型训练方法， 其特 征在于， 包括如下步骤： 获取第一推荐模型和深度交叉场景 特征网络单 元； 基于所述第 一推荐模型和所述深度交叉场景特征网络单元构建第 二推荐模型， 所述深 度交叉场景 特征网络单 元配置为将非场景 特征和场景 特征进行交叉组合； 采集第一样本数据集， 所述第一样本数据集中每个样本的数据包括场景特征、 非场景 特征和所对应的推荐结果标签； 基于所述第一样本数据集训练所述第二推荐模型。 2.根据权利要求1所述的推荐模型训练方法， 其特征在于， 所述第 二推荐模型配置为将 场景特征和非场景特征进 行拼接得到第一特征， 将所述场景特征和非场景特征输入所述深 度交叉场景特征网络单元得到第二特征， 并将所述第一特征和所述第二特征输入所述第一 推荐模型， 将所述第一推荐模型的输出 结果作为预测推荐结果。 3.根据权利要求1所述的推荐模型训练方法， 其特征在于， 所述第 一推荐模型为第 一召 回模型， 所述第二推荐模型为第二召回模型； 或， 所述第一推荐模型为第一 排序模型， 所述第二推荐模型为第二 排序模型。 4.根据权利要求1所述的推荐模型训练方法， 其特征在于， 所述深度交叉场景特征网络 单元包括场景特征侧和非场景特征侧， 所述 非场景特征侧中各个处理层之 间的权重矩阵和 偏置项由所述场景 特征侧输入。 5.根据权利要求4所述的推荐模型训练方法， 其特征在于， 所述深度交叉场景特征网络 单元的场景特征侧包括第一处理层， 输入的场景特征经过Emb edding和全连接处理得到第 一向量， 所述第一处理层将所述第一向量拆分得到第一权重矩阵、 第一偏置项、 第二权重矩 阵和第二偏置项； 所述非场景特征侧包括第二处理层、 第三处理层和第 四处理层， 所述第一权重矩阵和 所述第一偏置项输入所述第二处理层和所述第三处理层之 间， 所述第二权重矩阵和所述第 二偏置项输入所述第三处 理层和所述第四处 理层之间。 6.根据权利要求1所述的推荐模型训练方法， 其特征在于， 所述第 一推荐模型为第 一召 回模型， 所述第二推荐模型为第二召回模型； 基于所述样本数据集训练所述第二推荐模型后， 还 包括如下步骤： 获取第三推荐模型， 所述第三推荐模型为第三 排序模型； 基于所述第 三推荐模型和所述深度交叉场景特征网络单元构建第四推荐模型， 所述第 四推荐模型为第四排序模型； 采集第二样本数据集， 所述第二样本数据集中每个样本的数据包括场景特征、 非场景 特征和所对应的推荐结果标签； 基于所述第二样本数据集训练所述第四推荐模型。 7.根据权利要求6所述的推荐模型训练方法， 其特征在于， 所述非场景特征包括用户特 征、 物品特征和上下文特征中的至少一种， 所述第二推荐模型的预测推荐结果包括是否召 回的概率， 所述第四推荐模型的预测推荐结果包括用户的点击概 率。 8.根据权利要求6所述的推荐模型训练方法， 其特征在于， 所述第四推荐模型配置为将 场景特征和非场景特征进 行拼接得到第三特征， 将所述场景特征和非场景特征输入所述深 度交叉场景特征网络单元得到第四特征， 并将所述第三特征和所述第四特征输入所述第三权　利　要　求　书 1/2 页 2 CN 115292601 A 2推荐模型， 将所述第三推荐模型的输出 结果作为预测推荐结果。 9.一种推荐方法， 其特征在于， 采用权利要求8所述的第二推荐模型和第 四推荐模型， 所述推荐方法包括如下步骤： 接收到用户的查看物品请求； 获取场景特征、 用户特征和上下文特征， 将所述用户特征、 所述上下文特征和候选物品 特征组合得到第一非场景 特征； 将所述场景 特征和所述第一非场景 特征输入所述第二推荐模型； 根据所述第二推荐模型的输出确定召回物品列表； 将所述用户特 征、 所述上 下文特征和召回物品特 征组合得到第二非场景 特征； 将所述场景 特征和所述第二非场景 特征输入所述第四推荐模型； 根据所述第四推荐模型的输出确定召回物品排序。 10.一种推荐系统， 其特征在于， 用于实现权利要求9所述的推荐模型训练方法， 所述系 统包括： 请求接收模块， 用于 接收到用户的查看物品请求； 物品召回模块， 用于获取场景特征、 用户特征和上下文特征， 将所述用户特征、 所述上 下文特征和候选物品特征组合得到第一 非场景特征， 将所述场景特征和所述第一 非场景特 征输入所述第二推荐模型， 以及根据所述第二推荐模型的输出确定召回物品列表； 物品排序模块， 用于将所述用户特征、 所述上下文特征和召回物品特征组合得到第二 非场景特征， 将所述场景特征和所述第二非场景特征输入所述第四推荐模型， 以及根据所 述第四推荐模型的输出确定召回物品排序。 11.一种推荐设备， 其特 征在于， 包括： 处理器； 存储器， 其中存 储有所述处 理器的可 执行指令； 其中， 所述处理器配置为经由执行所述可执行指令来执行权利要求9所述的推荐方法 的步骤。 12.一种计算机可读存储介质， 用于存储程序， 其特征在于， 所述程序被处理器执行时 实现权利要求9所述的推荐方法的步骤。权　利　要　求　书 2/2 页 3 CN 115292601 A 3