模型的训练方法、物料的召回方法及装置与流程

1.本技术涉及信息召回领域，尤其涉及一种模型的训练方法、物料的召回方法及装置。


背景技术：

2.在社交场景中，个性化推荐系统负责将各个博主的微博博文(即物料)以消息推送的形式推送给感兴趣的用户，让用户及时获取感兴趣的信息。而个性化推荐系统包括召回模块，召回模块应用多种召回算法从百万级候选博文库中筛选出千级用户可能感兴趣的博文，组成召回博文库。由于用户协同过滤算法能够通过用户历史行为计算用户的相似度，为用户推荐相似用户喜欢的物料，因此，用户协同过滤算法已经被广泛应用于各类个性化推荐系统的召回模块中。
3.在相关技术中，用户协同过滤算法的计算步骤为：基于用户标识(identity，id)和物料id构造行为矩阵，然后将该行为矩阵分解为表示用户兴趣偏好的用户矩阵和表示物料属性的物料矩阵，在此种情况下，每个用户的兴趣偏好可以用用户矩阵中与该用户对应的向量进行表示，接着，基于各个用户对应的向量，对用户进行分组，最后统计同一组用户喜欢的物料，为同一组未分发过此物料的其他用户召回该物料。但是，上述方案基于用户id和物料id确定用户的兴趣偏好，存在对用户兴趣偏好表示准确度较低的问题。


技术实现要素：

4.本技术公开一种模型的训练方法、物料的召回方法及装置，以解决相关技术中对用户兴趣偏好表示准确度较低的问题。
5.为了解决上述问题，本技术采用下述技术方案：
6.第一方面，本技术实施例提供了一种模型的训练方法，包括：获取在第一预设时间内与目标用户对应的多个用户特征集，以及在所述第一预设时间内用户点击过的物料组成的物料集，其中，所述用户特征集为所述目标用户在每次点击物料时对应的用户特征的集合；基于所述用户特征集，确定与所述用户特征集对应的特征向量；通过多个所述特征向量对待训练的目标模型进行迭代训练，其中，每次迭代训练将所述特征向量输入所述待训练的目标模型，获取所述待训练的目标模型输出的与所述目标用户对应的兴趣偏好向量；基于所述兴趣偏好向量、以及根据所述物料集构造得到的物料向量矩阵，确定在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率；在所述预估点击概率达到目标值的情况下，得到训练完成的目标模型。
7.第二方面，本技术实施例提供了一种物料的召回方法，包括：分别获取多个用户对应的用户特征集；基于所述用户特征集，确定与所述用户特征集对应的特征向量；分别将多个所述特征向量中的各个所述特征向量输入目标模型，获取所述目标模型输出的多个与所述用户对应的兴趣偏好向量；通过对多个所述兴趣偏好向量进行聚类，确定至少一个用户群；分别获取在第二预设时间内目标用户群中的用户对多个物料的点击次数，其中，所述目
标用户群为所述至少一个用户群中的任一用户群；基于所述点击次数，确定与所述目标用户群对应的热点物料列表；基于所述热点物料列表，为所述目标用户群中的用户召回物料；其中，所述目标模型根据上述第一方面所述的模型的训练方法训练得到。
8.第三方面，本技术实施例提供了一种模型的训练装置，包括：获取模块，用于获取在第一预设时间内与目标用户对应的多个用户特征集，以及在所述第一预设时间内用户点击过的物料组成的物料集，其中，所述用户特征集为所述目标用户在每次点击物料时对应的用户特征的集合；第一确定模块，用于基于所述用户特征集，确定与所述用户特征集对应的特征向量；训练模块，用于通过多个所述特征向量对待训练的目标模型进行迭代训练，其中，每次迭代训练将所述特征向量输入所述待训练的目标模型，获取所述待训练的目标模型输出的与所述目标用户对应的兴趣偏好向量；第二确定模块，用于基于所述兴趣偏好向量、以及根据所述物料集构造得到的物料向量矩阵，确定在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率；得到模块，用于在所述预估点击概率达到目标值的情况下，得到训练完成的目标模型。
9.第四方面，本技术实施例提供了一种物料的召回装置，包括：第一获取模块，用于分别获取多个用户对应的用户特征集；第一确定模块，用于基于所述用户特征集，确定与所述用户特征集对应的特征向量；第二获取模块，用于分别将多个所述特征向量中的各个所述特征向量输入目标模型，获取所述目标模型输出的多个与所述用户对应的兴趣偏好向量；第二确定模块，用于通过对多个所述兴趣偏好向量进行聚类，确定至少一个用户群；第三获取模块，用于分别获取在第二预设时间内目标用户群中的用户对多个物料的点击次数，其中，所述目标用户群为所述至少一个用户群中的任一用户群；第三确定模块，用于基于所述点击次数，确定与所述目标用户群对应的热点物料列表；召回模块，用于基于所述热点物料列表，为所述目标用户群中的用户召回物料；其中，所述目标模型根据上述第一方面所述的模型的训练方法训练得到。
10.第五方面，本技术实施例提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面或第二方面所述的方法的步骤。
11.第六方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面或第二方面所述的方法的步骤。
12.第七方面，本技术实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面或第二方面所述的方法。
13.第八方面，本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面或第二方面所述的方法。
14.本技术实施例提供一种模型的训练方法，通过获取在第一预设时间内与目标用户对应的多个用户特征集，以及在第一预设时间内用户点击过的物料组成的物料集，并基于用户特征集，确定与用户特征集对应的特征向量，通过多个特征向量对待训练的目标模型进行迭代训练，然后基于待训练的目标模型输出的与目标用户对应的兴趣偏好向量、以及根据物料集构造得到的物料向量矩阵，确定在第一预设时间内目标用户点击过的目标物料
的预估点击概率，在该预估点击概率达到目标值的情况下，得到训练完成的目标模型，训练完成的目标模型能够基于用户的用户特征集，输出与该用户对应的兴趣偏好向量，对用户兴趣偏好表示准确度较高。
15.本技术实施例提供了一种物料的召回方法，通过分别获取用户对应的用户特征集，基于用户特征集确定与用户特征集对应的特征向量，分别将多个特征向量中的各个特征向量输入目标模型，获取目标模型输出的多个与用户对应的兴趣偏好向量，然后通过对多个兴趣偏好向量进行聚类，确定至少一个用户群，然后分别获取在第二预设时间内目标用户群的用户对多个物料的点击次数，基于目标用户群的用户对多个物料的点击次数，确定与目标用户群对应的热点物料列表，基于该热点物料列表，为目标用户群中的用户召回物料。通过本技术公开的物料召回方法为用户召回的物料与用户的兴趣偏好的相关度较高，并且，通过将多个用户聚类为至少一个用户群，然后基于各用户群的兴趣偏好为用户群中的用户召回物料，能够降低在线服务的计算量。
附图说明
16.图1为本技术实施例公开的一种模型的训练方法的流程示意图；
17.图2为本技术实施例公开的一种物料的召回方法的流程示意图；
18.图3为本技术实施例公开的一种模型的训练装置的结构示意图；
19.图4为本技术实施例公开的一种物料的召回装置的结构示意图；
20.图5为本技术实施例公开的电子设备的一种结构示意图。
具体实施方式
21.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本技术保护的范围。
22.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术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，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
23.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的模型的训练方法、物料的召回方法及装置进行详细地说明。
24.本技术实施例提供了一种模型的训练方法，图1为本技术实施例公开的一种模型的训练方法的流程示意图。如图1所示，该方法包括如下步骤。
25.s110、获取在第一预设时间内与目标用户对应的多个用户特征集，以及在所述第一预设时间内用户点击过的物料组成的物料集，其中，所述用户特征集为所述目标用户在每次点击物料时对应的用户特征的集合。
26.示例性的，第一预设时间可以为10天、20天、30天等，本技术对此不作具体限定。
27.需要说明的是，用户在每次点击物料时，可以对应多个用户特征，与该用户对应的
多个用户特征构成与该用户对应的用户特征集。用户在每次点击物料时对应的用户特征集可能不同，示例性的，用户在点击第一物料时对应的用户特征集中包括的标签为地理，用户在点击第二物料时对应的用户特征集中包括的标签为娱乐，用户在点击第三物料时对应的用户特征集中包括的标签为体育等。
28.在本技术中，物料集中可以包括在第一预设时间内所有用户点击过的物料，示例性的，第一预设时间为10天，所有用户为10个用户，每个用户每天点击10个物料，则物料集中包括1000个物料。
29.s120、基于所述用户特征集，确定与所述用户特征集对应的特征向量。
30.s130、通过多个所述特征向量对待训练的目标模型进行迭代训练，其中，每次迭代训练将所述特征向量输入所述待训练的目标模型，获取所述待训练的目标模型输出的与所述目标用户对应的兴趣偏好向量。
31.在得到与目标用户对应的多个特征向量后，输入到待训练的目标模型中进行迭代训练，训练后的目标模型能够根据输入的与用户对应的特征向量，输出与该用户对应的兴趣偏好向量。
32.在本技术中，该目标模型可以为三层深度神经网络(deep neural networks，dnn)模型，该dnn模型的三层的神经元个数可以分别为1024、512和256，第三层神经元输出与用户对应的兴趣偏好向量，在此种情况下，该目标模型的性能较好。
33.在一种实现方式中，可以使用adam优化器对该待训练的目标模型进行训练。
34.s140、基于所述兴趣偏好向量、以及根据所述物料集构造得到的物料向量矩阵，确定在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率。
35.需要说明的是，根据物料集构造得到的物料向量矩阵的维数与dnn模型的第三层神经元个数相同，示例性的，在dnn模型的第三层神经元个数为256的情况下，根据物料集构造的物料向量矩阵v可以为|v|*256的向量矩阵，其中，|v|表示物料集中包括的物料数量，一个物料对应物料向量矩阵v中的一行。
36.s150、在所述预估点击概率达到目标值的情况下，得到训练完成的目标模型。
37.目标模型的学习任务要求基于目标模型输出的与目标用户对应的兴趣偏好向量、以及根据物料集构造得到的物料向量矩阵，确定得到的在第一预设时间内目标用户点击过的目标物料的预估点击概率最大，在第一预设时间内目标用户未点击过的其他物料的预估点击概率较小。基于此，在第一预设时间内目标用户点击过的目标物料的预估点击概率达到最大值的情况下，得到训练完成的目标模型。
38.本技术实施例提供一种模型的训练方法，通过获取在第一预设时间内与目标用户对应的多个用户特征集，以及在第一预设时间内用户点击过的物料组成的物料集，并基于用户特征集，确定与用户特征集对应的特征向量，通过多个特征向量对待训练的目标模型进行迭代训练，然后基于待训练的目标模型输出的与目标用户对应的兴趣偏好向量、以及根据物料集构造得到的物料向量矩阵，确定在第一预设时间内目标用户点击过的目标物料的预估点击概率，在该预估点击概率达到目标值的情况下，得到训练完成的目标模型，训练完成的目标模型能够基于用户的用户特征集，输出与该用户对应的兴趣偏好向量，对用户兴趣偏好表示准确度较高。
39.在本技术实施例中，所述基于所述兴趣偏好向量、以及根据所述物料集构造得到
的物料向量矩阵，确定在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率，可以包括：对所述兴趣偏好向量与目标物料向量做向量内积运算，并进行归一化处理，确定在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率，其中，所述目标物料向量为根据所述物料集构造得到的物料向量矩阵中与所述目标物料对应的向量。
40.在一种实现方式中，所述对所述兴趣偏好向量与目标物料向量做向量内积运算，并进行归一化处理，确定在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率，可以包括：通过下述公式，确定在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率；其中，p(vi|u)为在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率，vi为所述目标物料向量，u为所述兴趣偏好向量，v为所述物料向量矩阵，vj为所述物料向量矩阵中的任一物料向量。
41.在本技术中，所述基于所述用户特征集，确定与所述用户特征集对应的特征向量，可以包括：分别将所述用户特征集中的多个用户特征编码为向量；通过将多个所述向量拼接，得到与所述用户特征集对应的特征向量。示例性的，可以先对用户特征集中的多个用户特征分别做低维嵌入embedding，并拼接concat起来，得到与该用户特征集对应的特征向量，然后将得到的特征向量输入目标模型。
42.在本技术实施例中，所述用户特征集中的用户特征可以至少包括用户的基础信息、用户的兴趣画像以及用户的行为特征中的一个。在本技术中，用户的基础信息可以包括用户的性别、用户的年龄、用户使用电子设备的型号以及用户所在区域中的至少一个。用户的兴趣画像可以包括用户的多级兴趣标签，该多级兴趣标签可以包括一级兴趣标签、二级兴趣标签和三级兴趣标签，示例性的，该一级兴趣标签可以为体育，该二级兴趣标签可以为篮球，该三级兴趣标签可以为篮球运动员a，或者，该一级兴趣标签可以为娱乐，该二级兴趣标签可以为a地区的娱乐明星，该三级兴趣标签可以为a地区的娱乐明星b等。用户的行为特征可以包括但不限于关注博主、搜索词等。
43.本技术实施例还提供一种物料的召回方法，图2为本技术实施例公开的一种物料的召回方法的流程示意图。如图2所示，该方法包括如下步骤。
44.s210、分别获取多个用户对应的用户特征集。
45.示例性的，用户特征集中可以包括用户的性别、年龄、使用的电子设备的型号、所在区域、一级兴趣标签、二级兴趣标签、三级兴趣标签、关注博主以及搜索词等。
46.s220、基于所述用户特征集，确定与所述用户特征集对应的特征向量。
47.在本技术中，可以分别将用户特征集中的多个用户特征编码为向量，通过将多个向量拼接，得到与用户特征集对应的特征向量。示例性的，可以对用户特征集中的多个用户特征分别做低维嵌入embedding，并拼接concat起来，得到与该用户特征集对应的特征向量。
48.s230、分别将多个所述特征向量中的各个所述特征向量输入目标模型，获取所述目标模型输出的多个与所述用户对应的兴趣偏好向量。
49.需要说明的是，此处的目标模型根据上文所述的模型的训练方法训练得到。
50.s240、通过对多个所述兴趣偏好向量进行聚类，确定至少一个用户群。
51.需要说明的是，若两个用户的兴趣偏好向量相似，则这两个用户的兴趣偏好相似，每个用户群中的用户为兴趣偏好相似的用户。
52.在本技术中，通过对多个兴趣偏好向量进行聚类，然后将兴趣偏好向量相似的用户归属为同一用户群，将兴趣偏好向量差别较大的用户归属为不同用户群，每个用户归属且仅归属与一个用户群。
53.在一种实现方式中，可以通过聚类算法kmeans进行聚类。
54.另外，可以通过控制用户群的数量平衡用户群内热点物料的热度与个性化程度，在用户群数量较少的情况下，每个用户群内的用户数量相对较多，则该用户群内热点物料热度越高，个性化程度越低，在用户群数量较多的情况下，每个用户群内的用户数量相对较少，则该用户群内热点物料热度越低，个性化程度越高。
55.s250、分别获取在第二预设时间内目标用户群中的用户对多个物料的点击次数，其中，所述目标用户群为所述至少一个用户群中的任一用户群。
56.在本技术中，第二预设时间可以为当前时间，即可以通过实时统计用户群点击推送物料的情况，获取目标用户群中的用户对多个物料的点击次数。
57.此外，第二预设时间还可以为一个时间段，本技术对此不作具体限定。
58.s260、基于所述点击次数，确定与所述目标用户群对应的热点物料列表。
59.在本技术中，可以通过对目标用户群中的用户对多个物料的点击次数倒叙排列，确定与目标用户群对应的热点物料列表。
60.示例性的，目标用户群中的用户共对物料a点击300次，对物料b点击500次，对物料c点击600次，对物料d点击200次，对物料e点击20次、对物料f点击5次，则与目标用户群对应的热点物料列表如下所示：
61.物料点击次数物料c600次物料b500次物料a300次物料d200次物料e20次物料f5次
62.s270、基于所述热点物料列表，为所述目标用户群中的用户召回物料。
63.在为目标用户群中的某一用户下发推送时，可以实时从与目标用户群对应的热点物料列表中取排在前n位的未读物料作为召回物料集，为该用户召回物料，需要说明的是，n为大于0的整数。
64.本技术实施例提供了一种物料的召回方法，通过分别获取用户对应的用户特征集，基于用户特征集确定与用户特征集对应的特征向量，分别将多个特征向量中的各个特征向量输入目标模型，获取目标模型输出的多个与用户对应的兴趣偏好向量，然后通过对多个兴趣偏好向量进行聚类，确定至少一个用户群，然后分别获取在第二预设时间内目标用户群的用户对多个物料的点击次数，基于目标用户群的用户对多个物料的点击次数，确定与目标用户群对应的热点物料列表，基于该热点物料列表，为目标用户群中的用户召回物料。通过本技术公开的物料召回方法为用户召回的物料与用户的兴趣偏好的相关度较
高，并且，通过将多个用户聚类为至少一个用户群，然后基于各用户群的兴趣偏好为用户群中的用户召回物料，能够降低在线服务的计算量。
65.本技术实施例提供的模型的训练方法，执行主体可以为模型的训练装置。本技术实施例中以模型的训练装置执行模型的训练方法为例，说明本技术实施例提供的模型的训练装置。
66.图3为本技术实施例公开的一种模型的训练装置的结构示意图。如图3所示，模型的训练装置300包括：获取模块310、第一确定模块320、训练模块330、第二确定模块340和得到模块350。
67.在本技术中，获取模块310，用于获取在第一预设时间内与目标用户对应的多个用户特征集，以及在所述第一预设时间内用户点击过的物料组成的物料集，其中，所述用户特征集为所述目标用户在每次点击物料时对应的用户特征的集合；第一确定模块320，用于基于所述用户特征集，确定与所述用户特征集对应的特征向量；训练模块330，用于通过多个所述特征向量对待训练的目标模型进行迭代训练，其中，每次迭代训练将所述特征向量输入所述待训练的目标模型，获取所述待训练的目标模型输出的与所述目标用户对应的兴趣偏好向量；第二确定模块340，用于基于所述兴趣偏好向量、以及根据所述物料集构造得到的物料向量矩阵，确定在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率；得到模块350，用于在所述预估点击概率达到目标值的情况下，得到训练完成的目标模型。
68.在一种实现方式中，所述第二确定模块340基于所述兴趣偏好向量、以及根据所述物料集构造得到的物料向量矩阵，确定在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率，包括：对所述兴趣偏好向量与目标物料向量做向量内积运算，并进行归一化处理，确定在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率，其中，所述目标物料向量为根据所述物料集构造得到的物料向量矩阵中与所述目标物料对应的向量。
69.在一种实现方式中，所述第二确定模块340对所述兴趣偏好向量与目标物料向量做向量内积运算，并进行归一化处理，确定在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率，包括：通过下述公式，确定在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率；其中，p(vi|u)为在所述第一预设时间内所述目标用户点击过的目标物料的预估点击概率，vi为所述目标物料向量，u为所述兴趣偏好向量，v为所述物料向量矩阵，vj为所述物料向量矩阵中的任一物料向量。
70.在一种实现方式中，所述第一确定模块320基于所述用户特征集，确定与所述用户特征集对应的特征向量，包括：分别将所述用户特征集中的多个用户特征编码为向量；通过将多个所述向量拼接，得到与所述用户特征集对应的特征向量。
71.在一种实现方式中，所述用户特征集中的用户特征至少包括用户的基础信息、用户的兴趣画像以及用户的行为特征中的一个。
72.本技术实施例中的模型的训练装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。
73.本技术实施例提供的模型的训练装置能够实现模型的训练方法实施例实现的各
个过程，为避免重复，这里不再赘述。
74.本技术实施例提供的物料的召回方法，执行主体可以为物料的召回装置。本技术实施例中以物料的召回装置执行物料的召回方法为例，说明本技术实施例提供的物料的召回装置。
75.图4为本技术实施例公开的一种物料的召回装置的结构示意图。如图4所示，物料的召回装置400包括：第一获取模块410、第一确定模块420、第二获取模块430、第二确定模块440、第三获取模块450、第三确定模块460和召回模块470。
76.在本技术中，第一获取模块410，用于分别获取多个用户对应的用户特征集；第一确定模块420，用于基于所述用户特征集，确定与所述用户特征集对应的特征向量；第二获取模块430，用于分别将多个所述特征向量中的各个所述特征向量输入目标模型，获取所述目标模型输出的多个与所述用户对应的兴趣偏好向量；第二确定模块440，用于通过对多个所述兴趣偏好向量进行聚类，确定至少一个用户群；第三获取模块450，用于分别获取在第二预设时间内目标用户群中的用户对多个物料的点击次数，其中，所述目标用户群为所述至少一个用户群中的任一用户群；第三确定模块460，用于基于所述点击次数，确定与所述目标用户群对应的热点物料列表；召回模块470，用于基于所述热点物料列表，为所述目标用户群中的用户召回物料；其中，所述目标模型根据上述模型的训练方法训练得到。
77.本技术实施例中的物料的召回装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。
78.本技术实施例提供的物料的召回装置能够实现物料的召回方法实施例实现的各个过程，为避免重复，这里不再赘述。
79.可选地，如图5所示，本技术实施例还提供一种电子设备500，包括处理器501和存储器502，存储器502上存储有可在所述处理器501上运行的程序或指令，该程序或指令被处理器501执行时实现上述模型的训练方法或物料的召回方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
80.需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
81.本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述模型的训练方法或物料的召回方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
82.其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器rom、随机存取存储器ram、磁碟或者光盘等。
83.本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述模型的训练或物料的召回方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
84.应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
85.本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述模型的训练方法或物料的召回方法实施例的
各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
86.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
87.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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的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计算机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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
88.上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。