目标平台的迁移对象生成、对象推荐方法和装置

摘要

本申请涉及一种目标平台的迁移对象生成、对象推荐方法、装置、计算机设备和存储介质。其通过获取参考平台在进行对象推荐时采用的参考向量，根据参考向量和对应的反推语义训练预设编码模型，得到向量生成模型，将目标平台提供的各个平台对象输入向量生成模型得到各个平台对象分别对应的目标向量，再将各个目标向量确定为目标平台的迁移对象，供目标平台的推荐系统进行对象推荐，使目标平台在上线初期可以实现该平台所提供的商品和/或服务等平台对象的精准推荐，解决目标平台面临的冷启动问题，使目标平台的推荐系统在冷启动阶段进行准确有效的实时性推荐，从而完美过渡冷启动阶段，能够提升目标平台带来的用户体验。

说明书

技术领域

本申请涉及数据处理技术领域，特别是涉及一种目标平台的迁移对象生成、对象推荐方法、装置、计算机设备和可读存储介质。

背景技术

推荐系统的推荐模型繁多，但是都面临冷启动的问题，即在某平台上线初期，用户对商品等对象没有任何的行为交互的时候，其中推荐系统由于不知道用户偏好，并不知道如何在改平台中给用户进行相应推荐。此时，传统方案往往是给用户进行一些热点推荐，或者事先询问用户的偏好，让用户选择自己的标签，然后根据标签组对用户进行推荐。在积累了一定数量的用户行为，推荐系统会基于用户行为进行建模，实现更精准的用户推荐。这个积累过程需要一段时间，有时甚至长达数月，在这一积累过程中，新平台的推荐系统往往难以进行精准推荐，使所推荐对象的针对性差，准确性低，较为影响用户体验。

发明内容

基于此，有必要针对上述技术问题，提供一种能够在相关网上平台上线初期进行精准推荐的目标平台的迁移对象生成、对象推荐方法、装置、计算机设备和可读存储介质。

一种目标平台的迁移对象生成方法，所述方法包括：

获取参考平台在进行对象推荐时采用的各个参考向量；其中，所述参考向量为参考平台的推荐系统在参考平台运行期间根据用户行为生成的低维稠密向量；

根据所述各个参考向量和各个参考向量对应的反推语义训练预设编码模型，得到向量生成模型；其中，所述预设编码模型用于生成所输入对象的低维稠密向量；所述反推语义为依据相应参考向量反向推导得到的语义；

将目标平台提供的各个平台对象输入所述向量生成模型得到各个平台对象分别对应的目标向量，将各个目标向量确定为目标平台的迁移对象，以供所述目标平台的推荐系统进行对象推荐；其中，所述目标平台与所述参考平台的类型相同。

在其中一个实施例中，所述根据所述各个参考向量和各个参考向量对应的语义训练预设编码模型，得到向量生成模型包括：

将各个反推语义输入所述预设编码模型，获取所述预设编码模型针对各个反推语义分别得到的输出向量；

在所述预设编码模型得到输出向量的过程达到预设的训练标准时，根据所述预设编码模型当前的模型参数确定所述向量生成模型。

作为一个实施例，所述预设编码模型包括双向编码表征模型和全连接层；所述将各个反推语义输入所述预设编码模型，获取所述预设编码模型针对各个反推语义分别得到的输出向量包括：

将各个反推语义输入所述双向编码表征模型，获取所述双向编码表征模型针对各个反推语义分别输出的编码向量；

将所述编码向量输入全连接层进行拟合，得到输出向量；其中，所述输出向量的维数与所述参考向量的维数相同。

具体地，所述全连接层包括第一全连接层和第二全连接层；所述将所述编码向量输入全连接层进行拟合，得到输出向量包括：

将所述编码向量输入第一全连接层进行第一次拟合，得到初始拟合向量；

将所述初始拟合向量输入所述第二全连接层进行第二次拟合，得到输出向量，使所述输出向量的维数等于所述参考向量的维数。

作为一个实施例，所述在所述预设编码模型得到输出向量的过程达到预设的训练标准时，根据所述预设编码模型当前的模型参数确定所述向量生成模型之前，所述方法还包括：

将所述各个参考向量和各个参考向量对应的反推语义划分为训练集和验证集；

采用所述训练集训练所述预设编码模型，得到初始编码模型，获取所述初始编码模型的损失函数，得到训练损失函数；

将所述验证集的反推语义输入所述初始编码模型进行向量输出的过程中，获取当前的损失函数，得到验证损失函数；

在所述训练损失函数收敛后，所述验证损失函数和所述训练损失函数取到相等值时，判定所述预设编码模型得到输出向量的过程达到预设的训练标准。

在其中一个实施例中，所述获取参考平台在进行对象推荐时采用的各个参考向量之前，所述方法还包括：

读取参考平台设定时间段内检测到的各个用户行为，生成行为序列；其中所述行为序列记录各个用户在参考平台的操作对象以及各个操作对象之间的关联性；

将所述行为序列输入向量编码模型，得到所述参考平台的推荐系统进行对象推荐时采用的参考向量。

具体地，所述向量编码模型为item2vec模型。

一种目标平台的迁移对象生成装置，所述装置包括：

获取模块，用于获取参考平台在进行对象推荐时采用的各个参考向量；其中，所述参考向量为参考平台的推荐系统在参考平台运行期间根据用户行为生成的低维稠密向量；

训练模块，用于根据所述各个参考向量和各个参考向量对应的反推语义训练预设编码模型，得到向量生成模型；其中，所述预设编码模型用于生成所输入对象的低维稠密向量；所述反推语义为依据相应参考向量反向推导得到的语义；

确定模块，用于将目标平台提供的各个平台对象输入所述向量生成模型得到各个平台对象分别对应的目标向量，将各个目标向量确定为目标平台的迁移对象，以供所述目标平台的推荐系统进行对象推荐。

一种目标平台的对象推荐方法，所述方法包括：

采用上述任一实施例所述的目标平台的迁移对象生成方法生成目标平台的迁移对象；

将所述迁移对象导入目标推荐系统，使所述目标推荐系统在所述目标平台进行对象推荐；其中，所述目标推荐系统为目标平台的推荐系统。

在其中一个实施例中，所述将所述迁移对象导入目标推荐系统，使所述目标推荐系统在所述目标平台进行对象推荐包括：

将所述迁移对象导入目标推荐系统，使所述目标推荐系统读取各个目标向量；

获取目标平台当前接收的用户选择对象，采用所述目标推荐系统生成所述用户选择对象的当前操作向量；其中，所述当前操作向量为所述目标推荐系统针对所述用户选择对象生成的低维稠密向量；

在所述目标推荐系统中，根据所述当前操作向量和所述目标向量中确定推荐对象。

具体地，所述根据所述当前操作向量和所述目标向量中确定推荐对象包括：

在所述目标向量中查找与所述当前操作向量之间的欧氏距离小于设定距离的向量，得到推荐向量；

将所述推荐向量对应的平台对象确定为所述推荐对象。

具体地，所述将所述推荐向量对应的平台对象确定为所述推荐对象之后，所述方法还包括：

若所述推荐向量为多个，分别获取各个推荐向量至所述当前操作向量之间的欧氏距离；

按照各个推荐向量至所述当前操作向量之间的欧氏距离从小至大，对各个推荐向量分别对应的推荐对象进行排序；

按照各个推荐对象的排列顺序在所述目标平台推荐所述各个推荐对象。

一种目标平台的对象推荐装置，所述装置包括：

迁移对象生成模块，用于上述任一实施例所述的目标平台的迁移对象生成装置生成目标平台的迁移对象；

对象推荐模块，用于将所述迁移对象导入目标推荐系统，使所述目标推荐系统在所述目标平台进行对象推荐；其中，所述目标推荐系统为目标平台的推荐系统。

一种计算机设备，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，所述处理器执行所述计算机程序时实现上述任一实施例中目标平台的迁移对象生成方法，或者上述任一实施例中目标平台的对象推荐方法。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例中目标平台的迁移对象生成方法，或者上述任一实施例中目标平台的对象推荐方法。

上述目标平台的迁移对象生成、对象推荐方法、装置、计算机设备和可读存储介质，通过获取参考平台在进行对象推荐时采用的各个参考向量，根据各个参考向量和各个参考向量对应的反推语义训练预设编码模型，得到向量生成模型，将目标平台提供的各个平台对象输入向量生成模型得到各个平台对象分别对应的目标向量，以将各个目标向量确定为目标平台的迁移对象，供目标平台的推荐系统进行对象推荐，使目标平台在上线初期可以实现该平台所提供的商品和/或服务等平台对象的精准推荐，解决目标平台面临的冷启动问题，使目标平台的推荐系统在冷启动阶段进行准确有效的实时性推荐，从而完美过渡冷启动阶段，提升目标平台带来的用户体验。

附图说明

图1为一个实施例中目标平台的迁移对象生成方法的流程示意图；

图2为一个实施例中预设编码模型的工作过程示意图；

图3为一个实施例中目标平台的迁移对象生成装置的结构框图；

图4为一个实施例中目标平台的对象推荐方法的流程示意图；

图5为一个实施例中目标平台的对象推荐装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请提供的目标平台的迁移对象生成方法和/或目标平台的对象推荐方法，可以应用于运行目标平台的智能终端中。上述智能终端可以获取参考平台在进行对象推荐时采用的各个参考向量，根据各个参考向量和各个参考向量对应的反推语义训练预设编码模型，得到向量生成模型，再将目标平台提供的各个平台对象输入向量生成模型得到各个平台对象分别对应的目标向量，以将各个目标向量确定为目标平台的迁移对象，供目标平台的推荐系统进行对象推荐，使目标平台在上线初期可以实现该平台所提供的商品和/或服务等平台对象的精准推荐，解决目标平台面临的冷启动问题，提升目标平台对应的用户体验。其中，参考平台为与已积累足够多的用户行为数据能够使其中的推荐系统针对用户在该平台的各项操作行为进行精准推荐，且类型与目标平台同类型相同的网上平台，如某地区的政务办理平台或者某网上购物平台等等。目标平台为待上线或者刚上线的网上平台，比如某地区需要引入的政务办理平台或者某公司需要上线的购物平台等等。上述智能终端可以通过网络与其他智能终端进行通信，比如该智能终端可以从其他智能终端获取参考平台在进行对象推荐时采用的各个参考向量，执行上述目标平台的迁移对象生成方法，得到目标平台的迁移对象，以供该智能终端运行的目标平台中推荐系统进行对象推荐或者将目标平台的迁移对象发送至其他智能终端，使其他智能终端运行的目标平台进行对象等等。运行上述目标平台的迁移对象生成方法和/或目标平台的对象推荐方法的智能终端可以但不限于是各种个人计算机、笔记本电脑、智能手机或者平板电脑。

在一个实施例中，如图1所示，提供了一种目标平台的迁移对象生成方法，以该方法应用于运行目标平台的智能终端为例进行说明，包括以下步骤：

S10，获取参考平台在进行对象推荐时采用的各个参考向量；其中，所述参考向量为参考平台的推荐系统在参考平台运行期间根据用户行为生成的低维稠密向量。

具体地，参考平台的类型与目标平台同类型相同，即为同类型的网上平台。通常情况下，参考平台已积累足够多的用户行为数据，能够使其推荐系统针对用户在该平台的各项操作行为进行精准推荐。比如若目标平台为某地区需要引入的政务办理平台，则参考平台可以为其他地区已运行一段时间，且与目标平台办理同类业务的政务办理平台，该参考平台可以在读取用户在平台上选取的业务对象后，对该用户接下来需要办理的业务对象进行精准推荐；若目标平台为某公司需要上线的购物平台，则参考平台可以为所销售商品的类型与目标平台所销售的商品类型相同的网上平台，该参考平台可以在读取用户在平台上输入或者选取的商品后，对该用户接下来可能需要购买的商品进行准确推荐。

S20，根据所述各个参考向量和各个参考向量对应的反推语义训练预设编码模型，得到向量生成模型；其中，所述预设编码模型用于生成所输入对象的低维稠密向量；所述反推语义为依据相应参考向量反向推导得到的语义。

上述反推语义可以由相关语义检测模型依据参考向量进行反向推导得到，各个参考向量均具有相应的反馈语义。相对于参考平台而言，某参考向量的反馈语义为该参考向量在参考平台对应的对象名称。

上述预设编码模型可以为简单的两层神经网络，具体可以包括bert模型和多个全连接层的模型。采用各个参考向量和各个参考向量对应的反推语义对预设编码模型进行训练所得到向量生成模型，可以按照参考平台所提供的各个平台对象(反推语义)至相应低维稠密向量(参考向量)的生成规则，生成目标平台所提供的各个平台对象分别对应的低维稠密向量(目标向量)。

S30，将目标平台提供的各个平台对象输入所述向量生成模型得到各个平台对象分别对应的目标向量，将各个目标向量确定为目标平台的迁移对象，以供所述目标平台的推荐系统进行对象推荐；其中，所述目标平台与所述参考平台的类型相同。

在实际使用过程中，虽然参考平台与目标平台的类型相同，但是两个同类型平台对同一事物的表述可能存在差别，以政务办理平台为例，在某个政务办理平台补办身份证的事项名称为“补办身份证”，而在另外一个政务办理平台补办身份证的事项名称可能为“身份证补办”，这样若在目标平台直接用参考平台所采用的参考向量进行目标平台中平台对象的推荐，可能出现推荐结果不准确的问题，本实施例根据参考平台的参考向量和由参考向量反推得到的反推语义训练预设编码模型，得到向量生成模型，使向量生成模型可以按照参考平台所提供的各个平台对象(反推语义)至相应低维稠密向量(参考向量)的生成规则，生成目标平台所提供的各个平台对象分别对应的低维稠密向量，以此得到目标平台进行对象推荐所需要的目标向量，使目标平台的推荐系统可以采用目标向量进行精准的对象推荐。

上述目标平台的迁移对象生成方法，通过获取参考平台在进行对象推荐时采用的各个参考向量，根据各个参考向量和各个参考向量对应的反推语义训练预设编码模型，得到向量生成模型，将目标平台提供的各个平台对象输入向量生成模型得到各个平台对象分别对应的目标向量，以将各个目标向量确定为目标平台的迁移对象，供目标平台的推荐系统进行对象推荐，使目标平台在上线初期可以实现该平台所提供的商品和/或服务等平台对象的精准推荐，解决目标平台面临的冷启动问题，使目标平台的推荐系统在冷启动阶段进行准确有效的实时性推荐，从而完美过渡冷启动阶段，提升目标平台带来的用户体验。

在一个实施例中，所述根据所述各个参考向量和各个参考向量对应的语义训练预设编码模型，得到向量生成模型包括：

将各个反推语义输入所述预设编码模型，获取所述预设编码模型针对各个反推语义分别得到的输出向量；

在所述预设编码模型得到输出向量的过程达到预设的训练标准时，根据所述预设编码模型当前的模型参数确定所述向量生成模型。

上述训练标准可以针对预设编码模型的特征设置，比如设置为相应的损失函数收敛或者满足其他条件等标准，在预设编码模型针对各个反推语义分别得到的输出向量的过程达到预设的训练标准时所确定的向量生成模型，可以按照参考平台中参考向量的生成规则，生成目标平台所需的目标向量。

作为一个实施例，所述预设编码模型包括双向编码表征模型和全连接层；所述将各个反推语义输入所述预设编码模型，获取所述预设编码模型针对各个反推语义分别得到的输出向量包括：

将各个反推语义输入所述双向编码表征模型，获取所述双向编码表征模型针对各个反推语义分别输出的编码向量；

将所述编码向量输入全连接层进行拟合，得到输出向量；其中，所述输出向量的维数与所述参考向量的维数相同。

具体地，所述全连接层包括第一全连接层和第二全连接层；所述将所述编码向量输入全连接层进行拟合，得到输出向量包括：

将所述编码向量输入第一全连接层进行第一次拟合，得到初始拟合向量；

将所述初始拟合向量输入所述第二全连接层进行第二次拟合，得到输出向量，使所述输出向量的维数等于所述参考向量的维数。

上述双向编码表征模型可以为bert模型(Bidirectional EncoderRepresentations from Transformers，基于变换器的双向编码表征量模型)，优选地，双向编码表征模型可以采用结构更为精简的bert small模型，其相对于bert base，结构得到有效简化。在对预设编码模型进行训练的过程中，可以将表征反推语义的短文本传入bertsmall模型，获取CLS向量并采用其中的全连接层进行下游任务训练，可以得到所需的向量生成模型。

在一个示例中，预设编码模型的工作过程可以参考图2所示，如图2所示，可以对预设编码模型的各部分结构输出向量的大小进行设置，相应的训练过程可以包括：将各个反推语义喂入bert small模型，bert small模型针对各个反推语义分别生成256*1的编码向量，将256*1的编码向量输入第一全连接层在该层进行一个128维dense的全连接隐层拟合，得到128*1的初始拟合向量，接下来将128*1的初始拟合向量输入第二全连接层再次拟合，得到50*1的输出向量，这样预设编码模型便可以输出各个反推语义分别对应的50维度的embedding向量(低维稠密向量)。

作为一个实施例，所述在所述预设编码模型得到输出向量的过程达到预设的训练标准时，根据所述预设编码模型当前的模型参数确定所述向量生成模型之前，还包括：

将所述各个参考向量和各个参考向量对应的反推语义划分为训练集和验证集；

采用所述训练集训练所述预设编码模型，得到初始编码模型，获取所述初始编码模型的损失函数，得到训练损失函数；

将所述验证集的反推语义输入所述初始编码模型进行向量输出的过程中，获取当前的损失函数，得到验证损失函数；

在所述训练损失函数收敛后，所述验证损失函数和所述训练损失函数取到相等值时，判定所述预设编码模型得到输出向量的过程达到预设的训练标准。

本实施例可以对预设编码模型是否训练完成进行准确判定，使所确定的向量生成模型对各类平台对象均能按照相应规则生成所需的低维稠密向量。

在一个实施例中，所述获取参考平台在进行对象推荐时采用的各个参考向量之前，还包括：

读取参考平台设定时间段内检测到的各个用户行为，生成行为序列；其中所述行为序列记录各个用户在参考平台的操作对象以及各个操作对象之间的关联性；

将所述行为序列输入向量编码模型，得到所述参考平台的推荐系统进行对象推荐时采用的参考向量。

上述设定时间段可以依据参考平台的类型进行设置，比如可以设置为生成所需的参考向量这一时间点之前的半年内等时间段。

具体地，上述向量编码模型可以为item2vec模型，该item2vec模型可以预先训练得到。

在向量编码模型可以为item2vec模型时，参考平台中推荐系统本质是基于item2vec的向量相似度推荐模型。实际使用过程中，参考平台的推荐系统会在上线过后，收集足够多的用户行为交互数据，将用户行为交互数据化为行为序列，对行为序列里面的物品等对象进行embedding建模，根据item2vec建模原理，用户趋于同时交互的物品在embedding向量上相似程度也会相近，因此在参考平台的推荐系统执行推荐任务时，可以通过用户之前交互过的对象查找一组最近似的未交互过物品进行推荐。

在一个示例中，以某省级项目的政务办理平台作为参考平台对相应目标平台的迁移对象生成过程进行详细说明。在该政务办理平台，可以积累5个月的用户政务办件记录，提取该时段内所有用户与办件事项的交互数据，生成每个用户在5个月内对可办件事项产生过交互的行为序列，行为序列的示例可以包括：$userid:[‘补办身份证‘，’补办社保卡‘，……]。接下来使用初始item2vec模型对相关序列进行试验并调试参数及建模，得到所需的item2vec模型对，使item2vec模型能够将所有可办事项的名称映射为一个50维度的低维稠密向量，供相应政务办理平台进行事项推荐使用。

新上线或者待上线的同类型政务办理平台这一目标平台与上述参考平台相比，对于同一事项的表述可能不完全一致，如“身份证补办”和“补办身份证”均可以表征用户补办身份证的事项，尽管“身份证补办”和“补办身份证”在文本意义上为同一意义，然而这两个表述在item2vec模型中也无法获得相同的向量表达。针对这一问题，本示例将50维度的事项向量使用t-SNE算法(高维向量提取低维feature的维度降低算法)压缩到2维，以可视化训练好的事项向量，可视化的向量可视化表明：会计师资格考试(左上)的事项关系关联非常密集，同样密集的还有机动车驾驶证的相关事项，法律法规的相关事项，户口的相关事项，公积金的相关事项等。由此可以发现：这些由用户行为序列训练而来的事项向量，相关的事项在语义上相关程度也很高。因此，本示例使用bert small的预训练模型，制作图2所示包括两层神经网络的预设编码模型。如图2所示，将参考平台的事项名称喂入bertsmall，取出bert small的结果向量里面的cls向量，得到一个256*1的向量(编码向量)；然后将此层进行一个128维dense的全连接隐层拟合，得到128*1的初始拟合向量，接下来再接一个50*1的全连接输出层，得到50*1的输出向量。其中隐层的激活函数可以使用relu。预设编码模型的优化目标为之前item2vec训练好的50维度的参考向量与使用bert small+2层全连接输出的50维度向量的余弦相似度。换句话说，可以使用预训练语言模型中包含的文字语义，希望提取出一些信息，使其能够映射到一个可以用作推荐的向量里。此模型的输入将会是推荐事项的名称(如参考向量的反推语义)，输出为一个50维度的embedding向量(如参考向量)，且用户趋于关联点击的事项的向量相似度会很接近，以此确定所需的向量生成模型，获取目标平台中各个平台对象的目标向量，以此确定目标平台的迁移对象，这样便低成本地完成了推荐系统中item2vec的迁移表示，接下来即可使目标平台的推荐系统读取用户实时选取的业务，生成所选取业务的embedding向量，依据所选取业务的embedding向量和迁移对象进行实时推荐。

本示例充分利用预训练语言模型挖掘推荐物品等平台对象本身描述的相关性，挖掘出用于推荐的相关性向量表示，使目标平台能够在上线初期进行精准推荐，使目标平台可以完美过渡冷启动阶段，并在冷启动阶段就进行较为有效的实时性推荐。

在一个实施例中，如图3所示，提供了一种目标平台的迁移对象生成装置，包括：

获取模块10，用于获取参考平台在进行对象推荐时采用的各个参考向量；其中，所述参考向量为参考平台的推荐系统在参考平台运行期间根据用户行为生成的低维稠密向量；

训练模块20，用于根据所述各个参考向量和各个参考向量对应的反推语义训练预设编码模型，得到向量生成模型；其中，所述预设编码模型用于生成所输入对象的低维稠密向量；所述反推语义为依据相应参考向量反向推导得到的语义；

确定模块30，用于将目标平台提供的各个平台对象输入所述向量生成模型得到各个平台对象分别对应的目标向量，将各个目标向量确定为目标平台的迁移对象，以供所述目标平台的推荐系统进行对象推荐。

在一个实施例中，上述训练模块包括：

输出向量获取模块，用于将各个反推语义输入所述预设编码模型，获取所述预设编码模型针对各个反推语义分别得到的输出向量；

向量生成模型确定模块，用于在所述预设编码模型得到输出向量的过程达到预设的训练标准时，根据所述预设编码模型当前的模型参数确定所述向量生成模型。

作为一个实施例，所述预设编码模型包括双向编码表征模型和全连接层；所述输出向量获取模块进一步用于：

将各个反推语义输入所述双向编码表征模型，获取所述双向编码表征模型针对各个反推语义分别输出的编码向量；

将所述编码向量输入全连接层进行拟合，得到输出向量；其中，所述输出向量的维数与所述参考向量的维数相同。

具体地，所述全连接层包括第一全连接层和第二全连接层；所述输出向量获取模块进一步用于：

将所述编码向量输入第一全连接层进行第一次拟合，得到初始拟合向量；

将所述初始拟合向量输入所述第二全连接层进行第二次拟合，得到输出向量，使所述输出向量的维数等于所述参考向量的维数。

作为一个实施例，上述训练模块还包括：

划分模块，用于将所述各个参考向量和各个参考向量对应的反推语义划分为训练集和验证集；

损失函数获取模块，用于采用所述训练集训练所述预设编码模型，得到初始编码模型，获取所述初始编码模型的损失函数，得到训练损失函数；将所述验证集的反推语义输入所述初始编码模型进行向量输出的过程中，获取当前的损失函数，得到验证损失函数；

判定模块，用于在所述训练损失函数收敛后，所述验证损失函数和所述训练损失函数取到相等值时，判定所述预设编码模型得到输出向量的过程达到预设的训练标准。

在一个实施例中，上述目标平台的迁移对象生成装置还包括：

行为序列生成模块，用于读取参考平台设定时间段内检测到的各个用户行为，生成行为序列；其中所述行为序列记录各个用户在参考平台的操作对象以及各个操作对象之间的关联性；

参考向量生成模块，用于将所述行为序列输入向量编码模型，得到所述参考平台的推荐系统进行对象推荐时采用的参考向量。

关于目标平台的迁移对象生成装置的具体限定可以参见上文中对于目标平台的迁移对象生成方法的限定，在此不再赘述。上述目标平台的迁移对象生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，如图4所示，提供了一种目标平台的对象推荐方法，包括以下步骤：

S600，采用上述任一实施例所述的目标平台的迁移对象生成方法生成目标平台的迁移对象；

S700，将所述迁移对象导入目标推荐系统，使所述目标推荐系统在所述目标平台进行对象推荐；其中，所述目标推荐系统为目标平台的推荐系统。

上述目标平台的对象推荐方法，采用上述目标平台的迁移对象生成方法生成目标平台的迁移对象，将迁移对象导入目标推荐系统，使目标推荐系统在目标平台上线初期进行精准地对象推荐，这样目标平台可以完美过渡冷启动阶段，并在冷启动阶段就进行较为有效的实时性推荐。

在一个实施例中，上述将所述迁移对象导入目标推荐系统，使所述目标推荐系统在所述目标平台进行对象推荐包括：

将迁移对象导入目标推荐系统，使目标推荐系统读取各个目标向量；

获取目标平台当前接收的用户选择对象，采用所述目标推荐系统生成所述用户选择对象的当前操作向量；其中，所述当前操作向量为所述目标推荐系统针对所述用户选择对象生成的低维稠密向量；

在所述目标推荐系统中，根据所述当前操作向量和所述目标向量中确定推荐对象。

具体地，所述根据所述当前操作向量和所述目标向量中确定推荐对象包括：

在所述目标向量中查找与所述当前操作向量之间的欧氏距离小于设定距离的向量，得到推荐向量；

将所述推荐向量对应的平台对象确定为所述推荐对象。

在实际使用过程中，目标平台上线之后，用户可以依据自身需求，通过向目标平台输入商品或者在目标平台上点击相应事项等方式使目标平台检测到当前的用户选择对象，这样目标推荐系统便可以生成用户选择对象的当前操作向量，依据当前操作向量对用户接下来需要操作的其他对象进行准确推荐。上述目标推荐系统可以包括item2vec模型等向量编码模型，以针对用户选择对象准确生成所需要的当前操作向量，进一步保证目标平台进行对象推荐的准确性。

优选地，所述将所述推荐向量对应的平台对象确定为所述推荐对象之后，还包括：

若所述推荐向量为多个，分别获取各个推荐向量至所述当前操作向量之间的欧氏距离；

按照各个推荐向量至所述当前操作向量之间的欧氏距离从小至大，对各个推荐向量分别对应的推荐对象进行排序；

按照各个推荐对象的排列顺序在所述目标平台推荐所述各个推荐对象。

本实施例可以优先推荐排列在前的推荐对象，即优先对用户更可能需要的平台对象进行推荐，以最大限度地响应用户需求，能够进一步提升目标平台带来的用户体验。

在一个实施例中，如图5所示，提供了一种目标平台的迁移对象生成装置，包括：

迁移对象生成模块600，用于上述任一实施例所述的目标平台的迁移对象生成装置生成目标平台的迁移对象；

对象推荐模块700，用于将所述迁移对象导入目标推荐系统，使所述目标推荐系统在所述目标平台进行对象推荐；其中，所述目标推荐系统为目标平台的推荐系统。

在一个实施例中，上述对象推荐模块包括：

目标向量读取模块，用于将所述迁移对象导入目标推荐系统，使所述目标推荐系统读取各个目标向量；

操作向量生成模块，用于获取目标平台当前接收的用户选择对象，采用所述目标推荐系统生成所述用户选择对象的当前操作向量；其中，所述当前操作向量为所述目标推荐系统针对所述用户选择对象生成的低维稠密向量；

推荐对象确定模块，用于在所述目标推荐系统中，根据所述当前操作向量和所述目标向量中确定推荐对象。

具体地，上述推荐对象确定模块进一步用于：

在所述目标向量中查找与所述当前操作向量之间的欧氏距离小于设定距离的向量，得到推荐向量；

将所述推荐向量对应的平台对象确定为所述推荐对象。

具体地，上述对象推荐模块还包括：

欧氏距离获取模块，用于若所述推荐向量为多个，分别获取各个推荐向量至所述当前操作向量之间的欧氏距离；

推荐对象排序模块，用于按照各个推荐向量至所述当前操作向量之间的欧氏距离从小至大，对各个推荐向量分别对应的推荐对象进行排序；

顺序推荐模块，用于按照各个推荐对象的排列顺序在所述目标平台推荐所述各个推荐对象。

关于目标平台的对象推荐装置的具体限定可以参见上文中对于目标平台的对象推荐方法的限定，在此不再赘述。上述目标平台的对象推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述任一实施例所述的目标平台的迁移对象生成方法或者上述任一实施例所述的目标平台的对象推荐方法。

具体地，上述计算机设备的内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任一实施例所述的目标平台的迁移对象生成方法或者上述任一实施例所述的目标平台的对象推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例所述的目标平台的迁移对象生成方法或者上述任一实施例所述的目标平台的对象推荐方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

本申请实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。