(19)中华 人民共和国 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 202111640411.3 (22)申请日 2021.12.2 9 (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 危枫　胡飞　李军　杨文武　赵进　 (74)专利代理 机构 北京律智知识产权代理有限 公司 11438 代理人 王辉　阚梓瑄 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 孪生自编码器的训练方法及装置、 存储介 质、 电子设备 (57)摘要 本公开是关于一种孪生自编码器的训练方 法及装置、 存储介质、 电子设备， 涉及机器学习技 术领域， 该方法包括： 利用预设的孪生自编码器 对原始用户信息以及原始产品信息进行编码， 得 到用户预测低维二值表示 以及产品预测低维二 值表示； 根据用户预测低维二值表 示以及与原始 用户信息对应的原始用户向量， 构建第一重构 项， 并根据产品预测低维二值表 示以及与原始产 品信息对应的原始产品向量， 构建第二重构项； 根据第一重构项以及第二重构项构建目标损失 函数， 并根据目标损失函数对孪生自编码器进行 训练， 得到孪生神经网络； 将孪生神经网络插入 至当前推荐系统， 得到目标推荐系统， 并根据目 标推荐系统为用户推荐产品。 该方法降低了系统 负担。 权利要求书2页 说明书14页 附图8页 CN 114298282 A 2022.04.08 CN 114298282 A 1.一种孪生自编码器的训练方法， 其特 征在于， 包括： 获取原始用户信 息以及原始产品信 息， 并利用预设的孪生自编码器对所述原始用户信 息以及原 始产品信息进行编码， 得到用户预测低维二 值表示以及产品预测低维二 值表示； 根据用户预测低维二值表示以及与原始用户信 息对应的原始用户向量， 构建第 一重构 项， 并根据产品预测低 维二值表示以及与原始产品信息对应的原始产品向量， 构建第二重 构项； 根据所述第 一重构项以及第 二重构项构建目标损失函数， 并根据 所述目标损失函数对 孪生自编码器进行训练， 得到 孪生神经网络； 将所述孪生神经网络插入至当前推荐系统， 得到目标推荐系统， 并根据目标推荐系统 为用户推荐产品。 2.根据权利要求1所述的孪生自编码器的训练方法， 其特征在于， 所述预设的孪生自编 码器包括用户表示自编码器以及产品表示自编码器； 其中， 利用预设的孪生自编码器对所述原始用户信息以及原始产品信息进行编码， 得 到用户预测低维二 值表示以及产品预测低维二 值表示， 包括： 利用所述用户表示自编码器对所述原始用户信 息进行编码， 得到用户预测低维二值表 示； 以及 利用所述产品表示自编码器对所述原始产品信 息进行编码， 得到产品预测低维二值表 示； 其中， 所述用户表示自编码器以及产品表示自编码器共享权 重。 3.根据权利要求2所述的孪生自编码器的训练方法， 其特征在于， 所述用户表示自编码 器中包括第一编码器以及第一 解码器； 其中， 利用所述用户表示自编码器对所述原始用户信息进行编码， 得到用户预测低维 二值表示， 包括： 利用所述第 一编码器将所述原始用户信 息映射到低维隐空间得到低维用户信 息， 并通 过赫维赛德函数对所述低维用户信息进行二 值化处理， 得到第一低维二 值信息； 利用所述第 一解码器对所述第 一低维二值信 息进行向量重构， 得到所述用户预测低维 二值表示； 其中， 所述第一编码器以及第一 解码器的第一变换矩阵以及第二变换矩阵一 致。 4.根据权利要求1所述的孪生自编码器的训练方法， 其特征在于， 根据用户预测低维二 值表示以及与原始用户信息对应的原始用户向量， 构建第一重构项， 并根据产品预测低 维 二值表示以及与原 始产品信息对应的原 始产品向量， 构建第二重构项， 包括： 计算所述用户预测低维二值表示以及与所述原始用户信息对应的原始用户向量之间 的第一差值向量， 并根据所述第一差值向量构建所述第一重构项； 计算所述产品预测低维二值表示以及与原始产品信息对应的原始产品向量之间的第 二差值向量， 并根据所述第二差值向量构建所述第二重构项。 5.根据权利要求2所述的孪生自编码器的训练方法， 其特征在于， 根据 所述第一重构项 以及第二重构项构建目标损失函数， 包括： 根据所述用户表示自编码器的第 一变换矩阵以及第 二变换矩阵构建第 一正则项， 并根 据所述产品表示自编码器第三变换矩阵以及第四变换矩阵构建第二 正则项； 根据所述原始产品向量、 原始用户向量以及用户对产品的实 际评价标签， 构建产品误权　利　要　求　书 1/2 页 2 CN 114298282 A 2差函数； 根据所述第一正则项、 第 二正则项、 产品误差函数、 所述第 一重构项以及第 二重构项构 建目标损失函数。 6.根据权利要求5所述的孪生自编码器的训练方法， 其特征在于， 根据 所述原始产品向 量、 原始用户向量以及用户对产品的实际评价标签， 构建产品误差函数， 包括： 计算所述原始产品向量以及原始用户向量之间的乘积， 得到所述用户对所述产品的预 测喜好程度； 根据所述预测喜好 程度以及所述实际评价标签， 构建所述产品误差函数。 7.根据权利要求1所述的孪生自编码器的训练方法， 其特征在于， 将所述孪生神经网络 插入至当前推荐系统， 得到目标推荐系统， 并根据目标推荐系统为用户推荐产品， 包括： 将所述孪生神经网络分别插入至所述当前推荐系统中的当前用户表示部分以及当前 产品表示部分， 并利用预设的推荐函数对所述当前推荐系统中的当前推荐函数进行修改， 得到目标推荐系统； 基于所述目标推荐系统计算用户对待推荐产品的兴趣度， 并根据 所述兴趣度为所述用 户推荐产品； 其中， 所述待推荐产品包括歌曲、 信息、 物品、 文章以及视频中的一种或多种。 8.一种孪生自编码器的训练装置， 其特 征在于， 包括： 信息编码模块， 用于获取原始用户信息以及原始产品信息， 并利用预设的孪生自编码 器对所述原始用户信息以及原始产品信息进 行编码， 得到用户预测低维二值表示以及产品 预测低维二 值表示； 重构项构建模块， 用于根据用户预测低维二值表示以及与原始用户信 息对应的原始用 户向量， 构建第一重构项， 并根据产品预测低 维二值表示以及与原始产品信息对应的原始 产品向量， 构建第二重构项； 自编码器训练模块， 用于根据所述第一重构项以及第二重构项构建目标损 失函数， 并 根据所述目标损失函数对孪生自编码器进行训练， 得到 孪生神经网络； 产品推荐模块， 用于将所述孪生神经网络插入至当前推荐系统， 得到目标推荐系统， 并 根据目标推荐系统为用户推荐产品。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时实现权利要求1 ‑7任一项所述的孪生自编码器的训练方法。 10.一种电子设备， 其特 征在于， 包括： 处理器； 以及 存储器， 用于存 储所述处 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1 ‑7任一项所述的 孪生自编码器的训练方法。权　利　要　求　书 2/2 页 3 CN 114298282 A 3