(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 202211191002.4 (22)申请日 2022.09.28 (71)申请人 中国电信股份有限公司 地址 100033 北京市西城区金融大街31号 (72)发明人 张莹　 (74)专利代理 机构 北京润泽恒知识产权代理有 限公司 1 1319 专利代理师 任亚娟 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 30/06(2012.01) G06N 20/00(2019.01) (54)发明名称 一种物品信息推送方法、 装置、 电子设备及 存储介质 (57)摘要 本发明实施例提供了一种物品信息推送方 法、 装置、 电子设备及存储介质， 通过获取针对被 推荐方用户的第一用户特征向量和针对推荐物 品的推荐物品特征向量； 确定源模型， 并基于源 模型， 通过第一用户特征向量和推荐物品特征向 量计算生成针对被推荐方用户和推荐物品的基 础匹配概率； 获取针对推荐 方用户的第二用户特 征向量； 通过第一用户特征向量、 第二用户特征 向量和基础匹配概率训练源模型， 生成目标模 型； 采用目标模型推送针对推荐物品的物品信 息， 从而使目标模型在推送物品信息时， 能够基 于推荐方用户与被推荐方用户的相关性对被推 荐方用户推送物品信息， 进而提升通过深度学习 模型对用户推送 物品信息的效率。 权利要求书3页 说明书14页 附图3页 CN 115526662 A 2022.12.27 CN 115526662 A 1.一种物品信息推送方法， 其特 征在于， 包括： 获取针对被 推荐方用户的第一用户特 征向量和针对推荐物品的推荐物品特 征向量； 确定源模型， 并基于所述源模型， 通过所述第一用户特征向量和所述推荐物品特征向 量计算生成针对所述被 推荐方用户和所述推荐物品的基础匹配概 率； 获取针对推荐方用户的第二用户特 征向量； 通过所述第 一用户特征向量、 所述第 二用户特征向量和所述基础匹配概率训练所述源 模型， 生成目标模型； 采用所述目标模型推送针对所述推荐物品的物品信息 。 2.根据权利要求1所述的方法， 其特征在于， 所述获取针对被推荐方用户的第 一用户特 征向量和针对推荐物品的推荐物品特 征向量的步骤 包括： 获取针对被 推荐方用户的结构化用户特 征向量和非结构化用户特 征向量； 获取针对推荐物品的结构化推荐物品特 征向量和非结构化物品特 征向量。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述源模型， 通过第一用户特征 向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹 配概率的步骤 包括： 将所述结构化用户特 征向量输入至所述源 模型， 计算 生成第一特 征丢失率； 将所述结构化推荐物品特 征向量输入至所述源 模型， 计算 生成第二特 征丢失率； 将所述非结构化用户特 征向量输入至所述源 模型， 计算 生成第三特 征丢失率； 将所述非结构化推荐物品特 征向量输入至所述源 模型， 计算 生成第四特 征丢失率； 当所述第一特征丢失率、 所述第二特征丢失率、 所述第三特征丢失率和所述第 四特征 丢失率低于预设阈值时， 采用所述结构化用户特征向量、 所述非结构化用户特征向量、 所述 结构化推荐物品特征向量和所述 非结构化物品特征向量， 通过所述源模型计算生成针对所 述被推荐方用户和所述推荐物品的基础匹配概 率。 4.根据权利要求1 ‑3任一项所述的方法， 其特征在于， 所述源模型具有对应的源域， 所 述通过所述第一用户特征向量、 所述第二用户特征向量和所述基础匹配概率训练所述源模 型， 生成目标模型的步骤 包括： 通过所述基础匹配概率和所述第 二用户特征向量对所述源模型进行特征自适应训练， 生成初始目标模型； 所述初始目标模型 具有对应的目标域； 将所述第一用户特征向量和所述第 二用户特征向量共享至所述目标域， 并当判定所述 源域中的源域特征向量和所述目标域中的目标域特征向量存在第一映射关系时， 则获取针 对所述目标域的目标域 误差值； 当所述目标域 误差值小于预设阈值时， 将所述初始目标模型确定为目标模型。 5.根据权利要求 4所述的方法， 其特 征在于， 还 包括： 当所述目标域误差值大于或等于预设阈值 时， 构建针对所述源域中的源域特征向量和 所述目标域中的目标域特征向量的第二映射关系； 所述第二映射关系用于调整所述目标域 误差值。 6.一种物品信息推送装置， 其特 征在于， 包括： 特征向量获取模块， 用于获取针对被推荐方用户的第 一用户特征向量和针对推荐物品 的推荐物品特 征向量；权　利　要　求　书 1/3 页 2 CN 115526662 A 2基础匹配概率计算模块， 用于确定源模型， 并基于所述源模型， 通过所述第 一用户特征 向量和所述推荐物品特征向量计算生成针对所述被推荐方用户和所述推荐物品的基础匹 配概率； 第二用户特 征向量获取模块， 用于获取针对推荐方用户的第二用户特 征向量； 目标模型生成模块， 用于通过所述第一用户特征向量、 所述第二用户特征向量和所述 基础匹配概 率训练所述源 模型， 生成目标模型； 物品信息推荐模块， 用于采用所述目标模型推送针对所述推荐物品的物品信息 。 7.根据权利要求6所述的装置， 其特 征在于， 所述特 征向量获取模块包括： 用户特征向量获取子模块， 用于获取针对被推荐方用户的结构化用户特征向量和非结 构化用户特 征向量； 物品特征向量获取子模块， 用于获取针对推荐物品的结构化推荐物品特征向量和非结 构化物品特 征向量。 8.根据权利要求7 所述的装置， 其特 征在于， 所述基础匹配概 率计算模块包括： 第一特征丢失率计算子模块， 用于将所述结构化用户特征向量输入至所述源模型， 计 算生成第一特 征丢失率； 第二特征丢失率计算子模块， 用于将所述结构化推荐物品特征向量输入至所述源模 型， 计算生成第二特 征丢失率； 第三特征丢失率计算子模块， 用于将所述非结构化用户特征向量输入至所述源模型， 计算生成第三特 征丢失率； 第四特征丢失率计算子模块， 用于将所述非结构化推荐物品特征向量输入至所述源模 型， 计算生成第四特 征丢失率； 基础匹配概率计算子模块， 用于在所述第一特征丢失率、 所述第二特征丢失率、 所述第 三特征丢失率和所述第四特征丢失率低于预设阈值时， 采用所述结构化用户特征向量、 所 述非结构化用户特征向量、 所述结构化推荐物品特征向量和所述非结构化物品特征向量， 通过所述源模型计算 生成针对所述被 推荐方用户和所述推荐物品的基础匹配概 率。 9.根据权利要求6 ‑8任一项所述的装置， 其特征在于， 所述源模型具有对应的源域， 所 述目标模型生成模块包括： 初始目标模型生成子模块， 用于通过所述基础匹配概率和所述第 二用户特征向量对所 述源模型进行 特征自适应训练， 生成初始目标模型； 所述初始目标模型 具有对应的目标域； 目标域误差值获取子模块， 用于将所述第 一用户特征向量和所述第 二用户特征向量共 享至所述目标域， 并当判定所述源域中的源域特征向量和所述目标域中的目标域特征向量 存在第一映射关系时， 则获取针对所述目标域的目标域 误差值； 目标模型确定子模块， 用于当所述目标域误差值小于预设阈值时， 将所述初始目标模 型确定为目标模型。 10.根据权利要求9所述的装置， 其特 征在于， 还 包括： 第二映射关系构建子模块， 用于当所述目标域误差值大于或等于预设阈值时， 构建针 对所述源域中的源域特征向量和所述目标域中的目标域特征向量的第二映射关系； 所述第 二映射关系用于调整所述目标域 误差值。 11.一种电子设备， 其特征在于， 包括处理器、 通信接口、 存储器和通信总 线， 其中， 所述权　利　要　求　书 2/3 页 3 CN 115526662 A 3