(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 202211066449.9 (22)申请日 2022.08.31 (71)申请人 京东科技信息技 术有限公司 地址 100176 北京市大兴区北京经济技 术 开发区科创十一街18号院2号楼6层 601 (72)发明人 席泽西　宋阳　陈蒙　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 王治东 (51)Int.Cl. G06Q 30/06(2012.01) G06F 16/9535(2019.01) G06F 40/30(2020.01) G06F 16/35(2019.01)G06N 3/08(2006.01) (54)发明名称 物品信息 推荐方法、 装置和电子设备 (57)摘要 本公开提供一种物品信息推荐 方法、 装置和 电子设备， 通过初始多目标推荐模 型的多目标联 合损失值对初始多目标推荐模型进行优化， 得到 多目标推荐模 型。 通过多目标联合损失值表示多 目标推荐模 型执行多个目标任务的综合能力， 根 据多目标联合损失值对初始多目标推荐模型进 行优化， 解决了多目标推荐模型出现负迁移的现 象。 通过获取多个待推荐物品信息； 将用户信息 和多个待推荐物品信息输入多目标推荐模型， 输 出每个待推荐物品信息对应的多个目标任务的 推荐分数； 根据多个目标任务的推荐分数， 确定 目标推荐物品， 利用多目标推荐模 型实现更加精 准的推荐。 权利要求书3页 说明书13页 附图5页 CN 115375408 A 2022.11.22 CN 115375408 A 1.一种物品信息推荐方法， 其特 征在于， 包括： 获取多个待推荐物品信息； 将用户信 息和多个所述待推荐物品信 息输入多目标推荐模型， 输出每个所述待推荐物 品信息对应的多个目标任务的推荐分数； 根据所述多个目标任务的推荐分数， 确定目标推荐物品信息； 其中， 所述多目标推荐模型是根据初始多目标推荐模型的多目标联合损失值对所述初 始多目标推荐模型进 行优化得到， 所述多目标联合损失值是根据多个目标任务损失值计算 得到。 2.根据权利要求1所述的物品信 息推荐方法， 其特征在于， 所述初始多目标推荐模型包 括第一神经网络； 所述根据初始多目标推荐模型的多目标联合损失值对所述初始多目标推荐模型进行 优化的步骤， 包括： 在所述多目标联合损失值未达到预设阈值的情况下， 根据 预设更新率调整所述第 一神 经网络的参数， 并继续执 行得到多目标 联合损失值的步骤； 在所述多目标联合损失值达到预设阈值的情况下， 确定所述初始多目标推荐模型为所 述多目标推荐模型。 3.根据权利要求2所述的物品信 息推荐方法， 其特征在于， 所述多目标联合损失值是通 过如下步骤得到， 包括： 构建样本数据集， 所述样本数据集的样本数据具有原始标签， 所述样本数据包括用户 点击信息、 用户查询信息、 用户特 征信息、 物品特 征信息和交 互特征信息； 根据所述用户点击信 息、 所述用户查询信 息、 所述用户特征信 息、 所述物品特征信 息和 所述交互特征信息生成 综合特征向量； 将所述综合特 征向量输入所述第一神经网络， 输出目标任务标签； 根据所述原 始标签和所述目标任务标签， 计算多个目标任务损失值； 根据所述多个目标任务损失值， 计算多目标 联合损失值。 4.根据权利要求3所述的物品信息推荐方法， 其特征在于， 所述构建样本数据集的步 骤， 包括： 获取满足预设条件的正样本数据， 并根据第 一预设条件设置所述正样本数据的原始标 签， 所述正样本数据包括用户点击信息、 用户查询 信息、 用户特征信息、 第一物品特征信息、 第一交互特征信息； 根据所述正样本数据确定负样本数据， 并设置所述负样本数据的原始标签， 所述负样 本数据包括所述用户点击信息、 用户查询信息、 用户特征信息、 第二物品特征信息、 第二交 互特征信息； 根据所述 正样本数据和所述负 样本数据生成所述样本数据集。 5.根据权利要求4所述的物品信 息推荐方法， 其特征在于， 所述负样本数据包括常规负 样本数据和难负 样本数据； 所述根据 所述正样本数据确定满足第 二预设条件的负样本数据， 并设置所述负样本数 据的原始标签的步骤， 包括： 根据所述第一物品特 征信息确定第一物品种类；权　利　要　求　书 1/3 页 2 CN 115375408 A 2确定与所述第一物品种类一致的物品对应的常规样本第二物品特征信息和常规样本 第二交互特征信息； 根据所述用户点击信 息、 所述用户查询信 息、 所述用户特征信 息、 所述常规样本第二物 品信息和所述常规样本第二交 互特征信息生成常规负 样本数据和对应的原 始标签； 根据所述第 一物品特征信 息的第一物品标题信 息， 确定与所述第 一物品标题信 息文字 相似度达到预设阈值范围的难样本第二物品标题信息， 根据所述难样本第二物品标题信息 确定对应的难样本第二物品特 征信息和难样本第二交 互特征信息； 根据所述用户点击信 息、 所述用户查询数据、 所述用户特征信 息、 所述难样本第 二物品 特征数据和所述难样本第二交 互特征信息生成难负 样本数据。 6.根据权利要求3所述的物品信息推荐方法， 其特征在于， 所述根据所述用户点击信 息、 所述用户查询 信息、 所述用户特征信息、 所述物品特征信息和所述交互特征信息生 成综 合特征向量的步骤， 包括： 对所述用户点击信息、 所述用户特征信息、 所述物品特征信息和所述交互特征信息进 行预处理， 分别得到用户点击序列特征向量、 用户特征向量、 物品特征向量和交互特征向 量； 将预处理的所述用户查询信息 输入预训练语言模型， 输出对话特 征向量； 拼接所述用户点击序列特征向量、 用户特征向量、 物品特征向量和 交互特征向量和所 述对话特 征向量， 得到综合特 征向量。 7.根据权利要求6所述的物品信 息推荐方法， 其特征在于， 所述预训练语言模型是通过 如下步骤获得， 包括： 对获取的会话信息进行 预处理， 根据预处 理后的会话信息生成预训练数据集； 将所述处理后的预训练数据集输入初始语言模型， 输出预测语义向量， 并根据所述预 测语义向量和所述会话信息计算语言损失值； 在所述语言损失值未达到预设阈值的情况下， 根据 所述语言损失值调整所述初始语言 模型的参数， 并返回重新执行所述对获取 的会话信息进行预处理， 根据预处理后的会话信 息生成预训练数据集的步骤； 在所述初始语言损失值达到预设阈值的情况下， 确定所述初始语言模型为所述预训练 语言模型。 8.一种物品信息推荐装置， 其特 征在于， 包括： 获取单元， 用于获取多个待推荐物品信息； 评分单元， 用于将用户信息和多个所述待推荐物品信息输入多目标推荐模型， 输出每 个所述待推荐物品信息对应的多个目标任务的推荐分数； 确定单元， 用于根据所述多个目标任务的推荐分数， 确定目标推荐物品信息； 其中， 所述多目标推荐模型是根据初始多目标推荐模型的多目标联合损失值对所述初 始多目标推荐模型进 行优化得到， 所述多目标联合损失值是根据多个目标任务损失值计算 得到。 9.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述 物品信息推荐方法的步骤。权　利　要　求　书 2/3 页 3 CN 115375408 A 3