基于零次学习的清单推荐方法、系统、设备及存储介质

摘要

本发明提供一种基于零次学习的清单推荐方法、系统、设备及存储介质，方法包括：获取待创建清单的基本信息属性；将基本信息属性输入至预先训练好的零次学习模型中，得到零次学习模型输出的预测样例特征；其中，零次学习模型是基于训练清单以及训练样例之间的映射训练得到的；将预测样例特征与真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单。本发明通过零次学习模型获取与待创建清单的基本信息属性存在映射关系的预测样例特征，并根据预测样例特征推荐样例至待创建清单中，从而根据用户需求或偏好进行个性化清单推荐，提高了生成的推荐清单的准确性，进一步提高了与用户的交互性及交互准确性。

说明书

技术领域

本发明涉及信息技术领域，尤其涉及一种基于零次学习的清单推荐方法、系统、设备及存储介质。

背景技术

近年来，互联网高速发展，与人类的生活变得越加密不可分。人类在互联网上的行为，如购买、浏览、发布博文、信息填写等等，都会被存储下来，形成源源不断的数据，促成了如今的大数据时代。若是能利用好这些数据，可以给人类的未来生活带来许多便利。实现“数据创造美好生活”的技术有很多，推荐系统便是其中之一。它通过用户目前的偏好，对其未来可能产生的兴趣进行预测，从而将用户可能喜好的商品或项目展现出来。比如，基于用户购买的某种产品，系统继续推送相关的产品或配件给该用户，既可以提高销售方的销量，也为用户选品提供便利；再比如，基于用户的喜好，推荐类似风格的作品，以达到用户留存的目的。

推荐系统通常分为四种类型：基于协同过滤的推荐、基于内容的推荐、基于知识的推荐，以及基于混合的推荐。其中：协同过滤推荐算法通常包括基于用户或物品的协同、矩阵分解、隐因子模型等；内容和知识的推荐通常是引入物品或用户的额外信息，计算相似度以进行推荐；基于混合的推荐则是将以上几种方案融合使用。随着深度学习技术的日渐成熟，神经网络矩阵分解、深度神经网络、生成式对抗网络GAN、强化学习等都被应用在推荐系统中，通常比传统方法具备更优的性能，可以高效地处理大量候选商品，并达到较为准确的推荐。

由于现有推荐系统大多基于历史数据以进行单一或同类型偏好、物品的推荐，因此为实现多元化的推荐服务，采用一种清单推荐的方式，以项目构成的集合作为可推荐对象，向用户进行列表形式的推荐。而现有的清单推荐，大多是根据推荐项目的用户喜好程度进行排序，并基于排序选取一定数量的推荐项目组成清单，这种清单推荐方式忽略了用户对于项目需求的指向性，比如咖喱牛肉食谱采购清单中实际用户的口味偏好、春日出游穿搭清单中用户实际的风格偏好、适合大学生阅读的文学名著清单中用户实际的兴趣偏好、用户指定风格流派的歌曲清单中用户对于曲风、歌手、语言的偏好等，以致无法满足用户的个性化需求。

另外，对于初次使用清单推荐系统的用户、初次加入推荐系统的项目或初次投入使用的推荐系统而言，推荐系统难以较好地应对冷启动问题。冷启动通常分为三个场景：新用户冷启动、新项目冷启动与新系统冷启动。在冷启动时，不论是新用户、新项目还是新系统，由于均是首次使用，推荐系统里没有任何与其有关的历史数据，比如新用户的兴趣偏好，新系统的评分数据或使用数据，新系统的历史行为数据，因此为了使推荐系统能够预测偏好以实现推荐，需要预先获取额外信息，比如利用利用调查问卷、其他平台的表现数据或社交信息数据来获取用户的额外信息，利用问卷调查该项目的使用意向偏好以获取物品的额外信息，从而根据预先获取的额外信息进行初次使用的预测及推荐。而这种基于预先获取的额外信息进行预测推荐的方法，在面对不同的冷启动对象时，需要进行多次额外信息的获取，耗费时间且浪费人力资源。

发明内容

本发明提供一种基于零次学习的清单推荐方法、系统、设备及存储介质，用以解决现有技术中无法满足基于用户个性化需求从零开始创建推荐清单的缺陷，能够根据用户需求选择匹配的项目组成按用户需求排序的推荐清单，实现用户个性化清单推荐，便于从零开始创建满足符合用户个性化需求的推荐清单。

本发明提供一种基于零次学习的清单推荐方法，包括：获取待创建清单的基本信息属性；将所述基本信息属性输入至预先训练好的零次学习模型中，得到所述零次学习模型输出的预测样例特征；其中，所述零次学习模型是基于训练清单以及训练样例之间的映射训练得到的；将所述预测样例特征与所述真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单。

根据本发明提供一种的基于零次学习的清单推荐方法，所述将所述预测样例特征与所述真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单，包括：选取与所述预测样例特征最邻近的真实样例特征；将选取的最邻近的真实样例特征作为推荐样例，推荐至待创建清单中进行清单构建。

根据本发明提供的一种基于零次学习的清单推荐方法，当与所述预测样例特征进行相似度匹配的真实样例特征属于同一真实清单时，寻找与所述预测样例特征最邻近的真实样例特征，包括：计算所述预测样例特征与真实样例特征之间的欧式距离或余弦相似度；根据距离大小对所述欧式距离进行排序，或根据相似度大小对所述余弦相似度进行排序；根据所述排序，选取对应欧式距离最小或余弦相似度最大的真实样例特征作为最邻近的真实样例特征。

根据本发明提供的一种基于零次学习的清单推荐方法，当与所述预测样例特征进行相似度匹配的真实样例特征属于不同真实清单时，寻找与所述预测样例特征最邻近的真实样例特征，包括：计算所述预测样例特征与真实样例特征之间的欧式距离或余弦相似度；根据距离大小对所述欧式距离进行排序，或根据相似度大小对所述余弦相似度进行排序；根据排序，统计对应欧式距离最小或余弦相似度最大的多个真实样例特征中相同真实样例特征的出现次数，并将出现次数最多的真实样例特征作为与所述预测样例特征最邻近的真实样例特征。

根据本发明提供的一种基于零次学习的清单推荐方法，所述获取待创建清单的基本信息属性，包括：根据用户需求或偏好确定待创建清单的基本信息；基于所述基本信息进行特征提取，并将提取的特征转换为向量；将转换后的向量进行拼接形成基本信息属性。

根据本发明提供的一种基于零次学习的清单推荐方法，训练所述零次学习模型包括：从预先构建的训练数据库内提取训练清单属性和训练样例特征；利用所述训练清单属性与所述训练样例特征对所述零次学习模型进行映射训练；基于训练清单属性与训练样例特征之间的映射计算损失函数；若所述损失函数收敛，则停止训练；否则，继续训练所述损失函数。

根据本发明提供的一种基于零次学习的清单推荐方法，所述基于训练清单属性与训练样例特征之间的映射计算损失函数，包括：计算所述训练清单属性映射至所述训练样例特征后与真实样例特征之间的距离，作为第一距离损失；计算所述训练样例特征映射至所述训练清单属性后与真实清单属性之间的距离，作为第二距离损失；计算从所述训练清单属性至所述训练样例特征的映射与所述训练样例特征至所述训练清单属性的映射之间的距离，记作映射损失；计算映射过程中的正则化损失；并基于所述第一距离损失、所述第二距离损失、所述映射损失和所述正则化损失求和，记作损失函数。

本发明还提供一种基于零次学习的清单推荐系统，包括：数据获取模块，获取待创建清单的基本信息属性；预测模块，将所述基本信息属性输入至预先训练好的零次学习模型中，得到所述零次学习模型输出的预测样例特征；其中，所述零次学习模型是基于训练清单以及训练样例之间的映射训练得到的；匹配模块，将所述预测样例特征与所述真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单。

本发明还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任一种所述基于零次学习的清单推荐方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于零次学习的清单推荐方法的步骤。

本发明提供的基于零次学习的清单推荐方法、系统、设备及存储介质，通过零次学习模型获取与待创建清单的基本信息属性存在映射关系的预测样例特征，以初步获取用户的需求或偏好，再根据预测样例特征与真实样例特征之间的相似度计算，将相似度最高的与预测样例特征对应的样例推荐至待创建清单中，从而根据用户需求或偏好进行个性化清单推荐，提高了生成的推荐清单的准确性，进一步提高了与用户的交互性及交互准确性；另外，基于用户提供的基本信息属性，便于从零开始创建推荐清单，以进一步实时、准确的生成推荐清单。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基于零次学习的清单推荐方法的流程示意图之一；

图2是本发明提供的基于零次学习的清单推荐方法的形成基本信息属性的流程示意图；

图3是本发明提供的基于零次学习的清单推荐方法的训练所述零次学习模型的流程示意图；

图4是本发明提供的基于零次学习的清单推荐方法的形成训练样例特征的流程示意图；

图5是本发明提供的基于零次学习的清单推荐方法的流程示意图之二；

图6-图7是本发明提供的基于零次学习的清单推荐方法的训练清单属性及训练样例特征的示意图；

图8-图9是本发明提高的基于零次学习的清单推荐方法的测试清单属性及测试样例特征的示意图；

图10是本发明提供的基于零次学习的清单推荐方法模的型训练损失函数与测试准确率示意图；

图11是DEM模型与本发明提供的DeepSAE模型测试准确率对比示意图；

图12-图15是本发明提供的基于零次学习的清单推荐方法基于输入的不同基本信息输出推荐清单的示意图；

图16是本发明提供的基于零次学习的清单推荐系统的结构示意图；

图17是本发明提供的电子设备的结构示意图；

附图标记：

1：数据获取模块； 2：零次学习模块； 3：匹配模块；

161：处理器； 162：通信接口； 163：存储器；

164：通信总线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1示出了本发明的一种基于零次学习的清单推荐方法流程图，该方法包括：

S01，获取待创建清单的基本信息属性；

S02，将基本信息属性输入至预先训练好的零次学习模型中，得到零次学习模型输出的预测样例特征；其中，零次学习模型是基于训练清单以及训练样例之间的映射训练得到的；

S03，将与预测样例特征与真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单。

需要说明的是，本说明书中的S0N不代表基于零次学习的清单推荐方法的先后顺序，下面结合图2-图15具体描述本发明的基于零次学习的清单推荐方法。

步骤S01，获取待创建清单的基本信息属性。

本实施例中，获取待创建清单的基本信息属性，包括：根据用户需求或偏好确定待创建清单的基本信息；基于基本信息进行属性提取，并将提取的属性转换为向量；将转换后的向量进行拼接形成基本信息属性。需要说明的是，参考图2，在进行向量拼接时，可以将具有相同标签的向量进行求和，将不同标签求和后的向量分别乘以预设系数以进行拼接，可以采用中文语料库将提取的属性转换为向量，向量维度可以为200维，具体维度和预设系数可参考实际需求进行设定，此处不作赘述。

另外，待创建清单的基本信息包括：待创建清单标签、待创建清单名称和用于介绍待创建清单的语言描述。本实施例中的待创建清单可根据用户需求或偏好确定，以便于快速了解用户需求或偏好，进而便于为该用户推荐适合其需求或偏好的清单，实现用户个性化清单推荐，且避免了从零开始创建清单时缺乏用户需求或偏好信息以致清单创建不准确的情况。

步骤S02，将基本信息属性输入至预先训练好的零次学习模型中，得到零次学习模型输出的预测样例特征；其中，零次学习模型是基于训练清单以及训练样例之间的映射训练得到的。

本实施例中，预测样例特征是基于零次学习模型获得的且与待创建清单的基本信息属性存在映射关系，预测样例特征可以为标签，比如当基本信息属性为歌单名称、歌单标签、歌单描述以及歌单创建者等标签中的至少一个时，预测样例特征可以为歌曲的标签，比如歌曲名称、演唱歌手、发表时间、歌曲特色、相关作品或人物、曲风/重要元素以及歌词关键词等标签中的至少一种。

在将基本信息属性输入至预先训练好的零次学习模型中之前，需要训练零次学习模型，训练零次学习模型包括：从预先构建的训练数据库内提取训练清单属性和训练样例特征；利用训练清单属性与训练样例特征对零次学习模型进行映射训练，并输出预测映射标签；基于训练清单属性与训练样例特征之间的映射计算损失函数；若损失函数收敛，则停止训练；否则，继续训练损失函数。应当注意，在训练过程中，可以采用adam优化算法做梯度下降，对应步距可以设定为0.00005，优化算法可根据实际需求选用，本申请对此不做进一步地限定。本实施例中，采用深度语义自动编码器DeepSAE模型对训练清单属性与训练样例特征进行映射训练。

具体而言，基于训练清单属性与训练样例特征之间的映射计算损失函数，包括：计算训练清单属性映射至训练样例特征后与真实样例特征之间的距离，作为第一距离损失L

举例而言，若针对多个训练清单属性及多个训练样例特征，若将训练清单属性映射至训练样例特征，形成映射W

L

L

其中，

应当注意，在从预先构建的训练数据库内提取训练清单属性和训练样例特征之前，构建训练数据库。构建训练数据库包括：获取真实样例及与真实样例存在映射关系的真实清单作为训练样例及训练清单；通过嵌入词word2vec将训练清单和训练样例转化为训练清单属性和训练样例特征；基于训练清单属性和训练样例特征构建训练数据库。形成训练样例特征时和形成训练清单属性的方法可参照上述形成基本信息属性的方式，此处不作赘述。

举例而言，清单包含第一语种标签x

歌曲包含歌手标签X

步骤S03，将与预测样例特征与真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单。

本实施例中，将预测样例特征与真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单，包括：选取与预测样例特征最邻近的真实样例特征；将选取的最邻近的真实样例特征作为推荐样例，推荐至待创建清单中进行清单构建。通过寻找距离最近的真实样例特征，以获取与预测样例最相似的真实样例作为推荐样例，以构建推荐清单，从而减少运算量，提高运行速度，且减小内存占用。

在一种可能的实现方式中，当与预测样例特征进行相似度匹配的真实样例特征属于同一真实清单时，寻找与预测样例特征最邻近的真实样例特征，包括：计算预测样例特征与真实样例特征之间的欧式距离或余弦相似度；根据距离大小对欧式距离进行排序，或根据相似度大小对余弦相似度进行排序；根据排序，选取对应欧式距离最小或余弦相似度最大的真实样例特征作为与预测样例特征最邻近的真实样例特征。需要说明的是，选取的作为最邻近的真实样例特征数量可以为一个或多个，具体数量可根据欧式距离计算结果或余弦相似度计算结果确定。

在另一种可能的实现方式中，当与预测样例特征进行相似度匹配的真实样例特征属于不同真实清单时，由于多个待创建清单的类别不同，因此在选取与预测样例特征最邻近的真实样例特征时，可以采用K最邻近算法K-NN进行选取，具体包括：计算预测样例特征与真实样例特征之间的欧式距离或余弦相似度；根据距离大小对欧式距离进行排序，或根据相似度大小对余弦相似度进行排序；根据排序，统计对应欧式距离最小或余弦相似度最大的多个真实样例特征中相同真实样例特征的出现次数，并将出现次数最多的真实样例特征作为与预测样例特征最邻近的真实样例特征。

以下选取歌单作为清单，歌曲作为样例，对深度语义自动编码器DeepSAE模型进行举例说明，参考图5。

首先，对零次学习模型进行训练。在训练零次学习模型过程中，先基于训练清单以及训练样例划分训练集和测试集，比如选取21首歌单，其中14个歌单作为训练歌单，参考图6，其中每个训练歌单内包含50首歌曲参考图7，7个歌单作为测试歌单参考图8，其中每个测试歌单包含30首歌曲，参考图9，共计910首歌曲，囊括了华语、粤语、日语三种语言，以及流行、摇滚、民谣、说唱、古风等风格。

需要说明的是，由于部分用户定义的歌单的基本信息在形成基本信息属性过程中不是特别准确，例如歌单“夜晚催眠粤语男声唱出谁的孤单心事”(ID:2023551932)在标签中选择了“粤语、华语、流行”，但实际上歌单中并没有华语歌曲，与此同时，还有比较多的歌单明确区分了男女声，因此，为便于提高提取特征的准确性，对所选取的21个歌单的标签进行了微调，例如将原始标签“粤语、华语、流行”修改为“粤语、男声、流行”，以准确提取歌单标签。

其次，提取训练歌曲的文本特征，并将其转换为向量，作为训练歌曲特征，其中文本特征包括演唱者、曲风流派、发表时间、歌词关键词等标签信息。再提取训练歌曲所在歌单的训练歌单特征，训练歌单特征为用户设定的包括语言、流派、场景、感情等标签以及用户对于歌单进行的歌单标题、歌单简介等歌单的语言描述，将训练歌曲特征与训练歌单特征进行映射，并基于损失函数是否收敛，判断是否结束训练。参考图10，根据推荐歌单与测试歌单之间进行比对，显示在损失函数收敛时，测试准确率较好，由此可见，本实施例中，可基于损失函数是否收敛以判断模型训练是否结束。另外，还可以基于训练歌曲和测试歌曲对深度嵌入模型DEM模型进行训练，并将其训练结果与DeepSAE模型的训练结果比较，可知DeepSAE模型的测试准确率较好，参考图11，其中图11中“测试准确率”后的数字为测试的歌单数量。

在训练结束之后，获取测试歌单的歌单标签、歌单名称和用于介绍该歌单的语言描述等基本信息，并将其转换为向量形式的基本信息属性，将基本信息属性输入至训练好的零次学习模型中，以得到预测歌曲特征，并基于预测歌曲特征与真实歌曲特征的相似度进行计算，以输出与预测歌曲特征最相似的歌曲，并将其推荐至待创建歌单内，形成推荐歌单。

参考图12，当输入的待创建歌单的基本信息为“华语、流行、女声、热门、温柔”时，创建的推荐歌单内的8首歌曲都是由华语女歌手演唱的作品。经查询，这些作品在音乐网站的评论都多达1万以上，《小幸运》与《一直很安静》的评论数超过十万，因此符合用户描述的“热门”。而对于“温柔”的标签，除了f.i.r的《我们的爱》风格偏摇滚以外，其他几首歌曲都较为抒情缓慢，符合“温柔”的定义，可以认为该推荐相对比较准确。

参考图13，当输入的待创建歌单的基本信息为“华语、民谣、男声、励志、故事”时，创建的推荐歌单内的歌曲演唱者均为较知名的民谣歌手，但“赵晨唏”是女歌手，不符合用户输入的“男声”的定义，这首歌曲推荐错误。而有关用户定义的描述：“励志”与“故事”，歌曲《平淡日子里的刺》描述了城市里情侣不甘平淡，因幼稚或固执而造成感情破裂的故事；《理想三旬》告诉人们要接受失败、接受平庸、接受现实，不必做无谓的感慨；《绿洲》大意为鼓励听众不要灰心、勇敢抬头；《你曾是少年》回顾了少年往事、青春纠葛；歌曲《余香》以好友的真实经历为题材进行创作，讲述了一段遗憾的爱情故事；歌曲《少年锦时》讲述的是少年时情窦初开与简单平淡的往事；《行歌》鼓励人们不要回头、互相陪伴着面对人生；《北方的女王》描绘了一段令人遗憾的感情故事，相爱的人无法走到最后，只能留在心底。不难看出，该推荐输出的歌曲总体推荐较为准确。

参考图14，当输入的待创建歌单的基本信息为“华语、说唱、男声、嘻哈、兴奋”时，创建的推荐歌单内的歌曲均满足“华语说唱”的条件，kozay(俞天时)、杨和苏、黄旭、艾福杰尼都是比较出名的男性说唱歌手，龙井说唱和higherbrothers(更高兄弟)是男性说唱团体。从说唱风格上而言，除却龙井说唱的《归》在听感上相对来说更偏浪漫抒情以外，其余歌曲都有很强的节奏感、律动感，特别是杨和苏的《大反派》、《吹又生》，以及黄旭的《半山腰的风景》，都属于硬核或者boombap，鼓点密集，听感上具有极强的冲击性。因此可以认为该推荐比较合理。

参考图15，当输入的待创建歌单的基本信息为“粤语、流行、女声、伤感、温柔”时，创建的推荐歌单内的歌曲都是粤语歌。歌曲《已读不回》讲述的是分手后不愿再度联系，又备受思念的煎熬；《钟无艳》讲述的是没有结果的暗恋与卑微；《唉声叹气》讲述的是不愿委曲求全、唉声叹气而选择死心、各自安好；《吴哥窟》隐喻封存不了了之的感情；《灰姑娘》讲述的是一个女孩想要给心爱的男生准备惊喜，却意外地发现他身边已有另一个她；《电灯胆》讲述的是卑微到尘埃里，宁愿做个坏人，也妄想自己能等到他与她的分离；《天各一方》讲述的是曾经相爱的人如今天各一方，徒留思念与回忆，只是这首歌实际上是由曾路得(男)与俞琤(女)共同演唱，而非女声独唱，因此该推荐在此处有疏漏；《好得很》讲述的是分手以后的强颜欢笑。由此可见，可以认为这些歌曲都符合“伤感”的定义。而歌曲的曲风都以抒情为主，演唱者音色在听感上也符合“温柔”的定义。因此可以认为该推荐比较合理。

综上所述，本发明通过零次学习模型获取与待创建清单的基本信息属性存在映射关系的预测样例特征，以初步获取用户的需求或偏好，再根据预测样例特征与真实样例特征之间的相似度计算，将相似度最高的与预测样例特征对应的样例推荐至待创建清单中，从而根据用户需求或偏好进行个性化清单推荐，提高了生成的推荐清单的准确性，进一步提高了与用户的交互性及交互准确性；另外，基于用户提供的基本信息属性，便于从零开始创建推荐清单，以进一步实时、准确的生成推荐清单。

下面对本发明提供的基于零次学习的清单推荐系统进行描述，下文描述的基于零次学习的清单推荐系统与上文描述的基于零次学习的清单推荐方法可相互对应参照。

参考图16，图16示出了一种基于零次学习的清单推荐系统，该系统，包括：

数据获取模块1，获取待创建清单的基本信息属性；

零次学习模块2，将所述数据获取模块获取的基本信息属性输入至预先训练好的零次学习模块中，得到所述零次学习模块输出的预测样例特征；其中，所述零次学习模块是基于训练清单以及训练样例之间的映射训练得到的；

匹配模块3，将所述零次学习模块输出的预测样例特征与所述真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单。

在本实施例中，数据获取模块1包括数据获取单元、数据转化单元和向量拼接单元，其中，数据获取单元根据用户需求或偏好确定待创建清单的基本信息；数据转化单元对基本信息进行特征提取，并将提取的特征转换为向量；向量拼接单元将转换后的向量进行拼接形成基本信息属性。

零次学习模块2包括特征提取单元、映射单元和损失函数计算单元，其中：特征提取单元从预先构建的训练数据库内提取训练清单属性和训练样例特征；映射单元将训练清单属性与训练样例特征进行映射训练；损失函数计算单元基于训练清单属性与训练样例特征之间的映射计算损失函数；若损失函数收敛，则停止训练；否则，继续训练损失函数。

匹配模块3包括匹配单元和推荐单元，匹配单元将所述零次学习模块输出的预测样例特征与所述真实样例特征进行相似度匹配，推荐单元将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单。

图17示例了一种电子设备的实体结构示意图，如图17所示，该电子设备可以包括：处理器(processor)171、通信接口(Communications Interface)172、存储器(memory)173和通信总线174，其中，处理器171，通信接口172，存储器173通过通信总线174完成相互间的通信。处理器171可以调用存储器173中的逻辑指令，以执行基于零次学习的清单推荐方法，该方法包括：获取待创建清单的基本信息属性；将基本信息属性输入至预先训练好的零次学习模型中，得到零次学习模型输出的预测样例特征；其中，零次学习模型是基于训练清单以及训练样例之间的映射训练得到的；将与预测样例特征与真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单。

此外，上述的存储器173中的逻辑指令可以通过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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于零次学习的清单推荐方法，该方法包括：获取待创建清单的基本信息属性；将基本信息属性输入至预先训练好的零次学习模型中，得到零次学习模型输出的预测样例特征；其中，零次学习模型是基于训练清单以及训练样例之间的映射训练得到的；将与预测样例特征与真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于零次学习的清单推荐方法，该方法包括：获取待创建清单的基本信息属性；将基本信息属性输入至预先训练好的零次学习模型中，得到零次学习模型输出的预测样例特征；其中，零次学习模型是基于训练清单以及训练样例之间的映射训练得到的；将与预测样例特征与真实样例特征进行相似度匹配，并将匹配成功的真实样例特征对应的样例推荐至待创建清单中构建清单。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。