本技术涉及计算机应用，特别涉及一种推荐模型训练方法及装置。
背景技术：
1、随着互联网技术的发展，电子商务的发展愈发繁茂，相应的商品推荐算法也愈发频繁的被应用，现有技术中，商品推荐算法被落实到实际的应用场景中，往往会存在无法进行训练的用户数据，即没有正负样本label标签的用户数据，此时传统做法是通过协同过滤算法，根据用户或商品的相似性进行商品推荐，而用户实际在“评分”商品时（“评分”可以归纳为多种行为归纳，如商品购买行为，收藏行为，评分行为），为了使得协同过滤更好的处理稀疏矩阵问题，进一步衍生出隐语义模型latent factor model(lfm)。
2、然而，由于平台营收大多来源20%头部用户，显示数据中绝大多数用户没有购买或评分历史数据，现有技术无法得到有效用户商品评分矩阵，无法解决冷启动，实用性差；并且由于用户和商品矩阵为评分矩阵，没有充分考虑用户偏差和商品偏差，导致预测准确率低，泛化性差；最后又由于用户数据量大，模型复杂度高时，模型空间复杂度和时间复杂度高，导致运行时长久。
技术实现思路
1、有鉴于此，本技术实施例提供了一种推荐模型训练方法，以解决现有技术中存在的技术缺陷。本技术实施例同时提供了一种推荐模型训练装置、一种计算设备，以及一种计算机可读存储介质。
2、根据本技术实施例的第一方面，提供了一种推荐模型训练方法，包括：
3、获取用户信息、商品信息以及上下文特征信息；
4、聚类所述用户信息得到用户群信息，并确定所述用户群信息的用户群id；
5、根据预设的点积算法，对所述用户群id，以及所述商品信息中包含的商品id进行处理，得到第一矩阵；
6、通过预训练推荐模型对所述用户群信息与所述商品信息进行处理，得到第二矩阵；
7、根据所述第一矩阵、所述第二矩阵以及所述上下文特征信息构建评分矩阵，并根据所述评分矩阵与所述第一矩阵，调整所述预训练推荐模型，得到目标推荐模型。
8、可选地，所述聚类所述用户信息得到用户群信息包括：
9、通过聚类算法对所述用户信息进行聚类，得到至少一个聚类簇；
10、调整聚类算法中的权重参数，执行所述通过聚类算法对所述用户信息进行聚类步骤，直至任意聚类簇中包含至少一个核心用户信息，其中，所述核心用户信息为包含消费记录信息的用户信息。
11、可选地，所述聚类所述用户信息得到用户群信息，并确定所述用户群信息的用户群id包括：
12、聚类所述用户信息得到用户群信息；
13、将所述用户群信息对应的聚类标签，作为所述用户群信息对应的用户群id。
14、可选地，所述根据预设的点积算法，对所述用户群id，以及所述商品信息中包含的商品id进行处理，得到第一矩阵包括：
15、将所述用户群id进行向量转换，得到用户群id向量；
16、将所述商品id进行向量转换，得到商品id向量；
17、计算所述用户群id向量与所述商品id向量的点积，并基于计算结果构建所述第一矩阵。
18、可选地，所述通过预训练推荐模型对所述用户群信息与所述商品信息进行处理，得到第二矩阵包括：
19、将所述用户群信息进行向量转换，得到用户群向量；
20、将所述商品信息进行向量转换，得到商品向量；
21、将所述用户群向量输入至所述预训练推荐模型的reshape层，拼接得到用户群拼接向量，并将所述商品向量输入至所述预训练推荐模型的reshape层，拼接得到商品拼接向量；
22、通过预设激活函数，将所述用户群拼接向量与所述商品拼接向量输入至所述预训练推荐模型的全连接层进行处理，得到所述第二矩阵。
23、可选地，所述根据所述第一矩阵、所述第二矩阵以及所述上下文特征信息构建评分矩阵包括：
24、通过预设的矩阵加权系数，对所述第一矩阵与所述第二矩阵进行加权计算，得到第三矩阵；
25、根据所述第三矩阵与所述上下文特征信息构建评分矩阵。
26、可选地，所述根据所述第三矩阵与所述上下文特征信息构建评分矩阵包括：
27、对所述上下文特征信息中包含的至少一个上下文元素数据进行加权计算，得到第四矩阵；
28、通过稀疏矩阵合并所述第三矩阵与所述第四矩阵，生成所述评分矩阵。
29、可选地，所述根据所述评分矩阵与所述第一矩阵，调整所述预训练推荐模型，得到目标推荐模型包括：
30、根据矩阵分解算法将所述评分矩阵分解为用户矩阵与商品矩阵相乘的形式，并根据分解结果计算预测评分数据；
31、根据所述预测评分数据与所述第一矩阵，调整所述预训练推荐模型，得到目标推荐模型。
32、可选地，所述根据所述预测评分数据与所述第一矩阵，调整所述预训练推荐模型，得到目标推荐模型包括：
33、确定所述预测评分数据与所述第一矩阵中的矩阵元素之间的对应关系；
34、计算所述预测评分数据与对应的所述矩阵元素之间的误差平方和；
35、基于所述用户矩阵、所述商品矩阵与所述误差平方和，通过梯度下降算法调整所述预训练推荐模型的参数，得到目标推荐模型。
36、根据本技术实施例的第二方面，提供了一种推荐模型训练装置，包括：
37、获取模块，被配置为获取用户信息、商品信息以及上下文特征信息；
38、聚类模块，被配置为聚类所述用户信息得到用户群信息，并确定所述用户群信息的用户群id；
39、点积模块，被配置为根据预设的点积算法，对所述用户群id，以及所述商品信息中包含的商品id进行处理，得到第一矩阵；
40、深度神经网络模块，被配置为通过预训练推荐模型对所述用户群信息与所述商品信息进行处理，得到第二矩阵；
41、训练模块，被配置为根据所述第一矩阵、所述第二矩阵以及所述上下文特征信息构建评分矩阵，并根据所述评分矩阵与所述第一矩阵，调整所述预训练推荐模型，得到目标推荐模型。
42、根据本技术实施例的第三方面，提供了一种计算设备，包括：
43、存储器和处理器；
44、所述存储器用于存储计算机可执行指令，所述处理器执行所述计算机可执行指令时实现所述推荐模型训练方法的步骤。
45、根据本技术实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现所述推荐模型训练方法的步骤。
46、根据本技术实施例的第五方面，提供了一种芯片，其存储有计算机程序，该计算机程序被芯片执行时实现所述推荐模型训练方法的步骤。
47、本技术提供的推荐模型训练方法，通过获取用户信息、商品信息以及上下文特征信息；聚类所述用户信息得到用户群信息，并确定所述用户群信息的用户群id；根据预设的点积算法，对所述用户群id，以及所述商品信息中包含的商品id进行处理，得到第一矩阵；通过预训练推荐模型对所述用户群信息与所述商品信息进行处理，得到第二矩阵；根据所述第一矩阵、所述第二矩阵以及所述上下文特征信息构建评分矩阵，并根据所述评分矩阵与所述第一矩阵，调整所述预训练推荐模型，得到目标推荐模型。
48、其中对用户相关的信息进行聚类，并将聚类结果整体进行处理，解决了冷启动问题，提升了实用性，通过点积算法处理用户群id与商品id，以及通过预训练推荐模型处理用户群信息与商品信息，实现了用户与商品之间线性关联关系与非线性关联关系的确定，此外结合用户与商品之间的上下文特征信息，使推荐模型在进行商品推荐的时可以将交互背景的影响纳入数据处理过程，提升了预测准确率与推荐算法的泛用性，并且算法结构简单，缓解了推荐过程产生的运行时间过长问题。
1.一种推荐模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述聚类所述用户信息得到用户群信息，包括：
3.根据权利要求1所述的方法，其特征在于，所述聚类所述用户信息得到用户群信息，并确定所述用户群信息的用户群id，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据预设的点积算法，对所述用户群id，以及所述商品信息中包含的商品id进行处理，得到第一矩阵，包括：
5.根据权利要求1所述的方法，其特征在于，所述通过预训练推荐模型对所述用户群信息与所述商品信息进行处理，得到第二矩阵，包括：
6.根据权利要求1所述的方法，其特征在于，所述根据所述第一矩阵、所述第二矩阵以及所述上下文特征信息构建评分矩阵，包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述第三矩阵与所述上下文特征信息构建评分矩阵，包括：
8.根据权利要求1所述的方法，其特征在于，所述根据所述评分矩阵与所述第一矩阵，调整所述预训练推荐模型，得到目标推荐模型，包括：
9.根据权利要求8所述的方法，其特征在于，所述根据所述预测评分数据与所述第一矩阵，调整所述预训练推荐模型，得到目标推荐模型，包括：
10.一种推荐模型训练装置，其特征在于，包括：
