CN108446297B - 一种推荐方法及装置，电子设备 - Google Patents

一种推荐方法及装置，电子设备 Download PDF

Info

Publication number
CN108446297B
CN108446297B CN201810068790.5A CN201810068790A CN108446297B CN 108446297 B CN108446297 B CN 108446297B CN 201810068790 A CN201810068790 A CN 201810068790A CN 108446297 B CN108446297 B CN 108446297B
Authority
CN
China
Prior art keywords
target object
target
node
nodes
knowledge graph
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810068790.5A
Other languages
English (en)
Other versions
CN108446297A (zh
Inventor
陈健锋
曾轲
张艳霞
李容
张倩
高志鑫
蔡勋梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201810068790.5A priority Critical patent/CN108446297B/zh
Publication of CN108446297A publication Critical patent/CN108446297A/zh
Application granted granted Critical
Publication of CN108446297B publication Critical patent/CN108446297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Abstract

本申请实施例公开的推荐方法，属于计算机技术领域，解决现有技术中推荐结果准确度低的问题。所述推荐方法包括：构建目标物知识图，所述目标物知识图的节点至少包括：与目标物对应的目标物节点；通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度；基于所述关系紧密度，执行目标物推荐操作；其中，所述目标物节点之间基于用户对相应目标物产生预设历史行为的时序连接；两两所述目标物的关系紧密度用于指示用户当前对两两所述目标物中一个目标物产生预设行为后，下一个预设行为的对象为两两所述目标物中另一个目标物的概率。本申请通过结合目标物和用户与目标物的行为时序构建的知识图进行推荐，进一步提升了推荐结果的准确度。

Description

一种推荐方法及装置，电子设备
技术领域
本申请涉及计算机技术领域，特别是涉及一种推荐方法及装置，电子设备。
背景技术
现有的推荐技术大致可分为以下四大类：基于内容的推荐、协同过滤、基于社交网络的推荐以及基于语境感知的推荐。基于内容的推荐为用户推荐与其之前喜欢的目标物在内容上具有相似性的其他目标物。协同过滤具体可分为基于用户的协同过滤与基于物品的协同过滤，其中，基于用户的协同过滤为用户推荐与其具有相似偏好的用户所喜欢的目标物，基于物品的协同过滤为用户推荐与其喜欢过的目标物有相似特征的目标物。基于社交网络的推荐主要为用户推荐社交圈子内的其他朋友所喜欢的目标物。基于语境感知的推荐考虑了用户所处的时间、位置等信息，对用户进行目标物推荐。可见，上述推荐方法中，推荐依据是人为设置的固定的，如用户偏好，对用户进行目标物推荐，适用的应用场景受限。并且，由于推荐依据人为设定，不一定适用于所有用户，可能会出现推荐的目标物不准确的现象。
可见，现有技术中的推荐方法至少存在推荐结果准确度低的问题。
发明内容
本申请提供一种推荐方法，至少解决现有技术中推荐结果准确度低的问题。
为了解决上述问题，第一方面，本申请实施例提供了一种推荐方法包括：
构建目标物知识图，所述目标物知识图的节点至少包括：与目标物对应的目标物节点；
通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度；
基于所述关系紧密度，执行目标物推荐操作；
其中，所述目标物节点之间基于用户对相应目标物产生预设历史行为的时序连接；两两所述目标物的关系紧密度用于指示用户当前对两两所述目标物中一个目标物产生预设行为后，下一个预设行为的对象为两两所述目标物中另一个目标物的概率。
第二方面，本申请实施例提供了一种推荐装置，包括：
目标物知识图构建模块，用于构建目标物知识图，所述目标物知识图的节点至少包括：与目标物对应的目标物节点；
关系紧密度确定模块，用于通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度；
推荐模块，用于基于所述关系紧密度，执行目标物推荐操作；
其中，所述目标物节点之间基于用户对相应目标物产生预设历史行为的时序连接；两两所述目标物的关系紧密度用于指示用户当前对两两所述目标物中一个目标物产生预设行为后，下一个预设行为的对象为两两所述目标物中另一个目标物的概率。
第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述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计算机程序时实现本申请实施例所述的推荐方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本申请实施例公开的推荐方法的步骤。
本申请实施例公开的推荐方法，通过构建目标物知识图，所述目标物知识图的节点至少包括：与目标物对应的目标物节点；通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度；基于所述关系紧密度，执行目标物推荐操作；其中，所述目标物节点之间基于用户对相应目标物产生预设历史行为的时序连接；两两所述目标物的关系紧密度用于指示用户当前对两两所述目标物中一个目标物产生预设行为后，下一个预设行为的对象为两两所述目标物中另一个目标物的概率，解决了现有技术中推荐结果准确度低的问题。通过结合目标物和用户对相应目标物产生预设历史行为的时序构建的知识图进行推荐，进一步提升了推荐结果的准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一的推荐方法流程图；
图2是本申请实施例二的推荐方法中构建的目标物知识图；
图3是图2的基础上增加了目标物节点之间的有向边后的目标物知识图；
图4是图3的基础上扩充了用户画像标签节点后的目标物知识图；
图5是本申请实施例三的推荐装置的结构示意图之一；
图6是本申请实施例三的推荐装置的结构示意图之二；
图7是本申请实施例三的推荐装置的结构示意图之三。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
本实施例公开的一种推荐方法，如图1所示，该方法包括：步骤110至步骤130。
步骤110，构建目标物知识图。
其中，所述目标物知识图的节点至少包括：与目标物对应的目标物节点。
本申请实施例中的目标物可以为商家、产品(如旅游景点、菜品、电影票等)、信息等，不同的目标物具有各自的属性知识。通常，目标物的属性知识由平台定义，并通过平台获取。
具体实施时，根据平台数据构建目标物知识图，所述目标物知识图为有向带权图，例如，可以表示为G(V,E,W)，其中，V表示知识图中的节点，E表示节点间的边，W表示边上的权重。具体实施时，所述目标物知识图中的节点可以包括：目标物对应的目标物节点、目标物的属性知识对应的属性知识节点；还可以包括：用户画像标签对应的用户画像标签节点。所述目标物知识图的边以目标物节点为源点，例如，目标物节点指向目标物节点的边、目标物节点指向其属性知识节点的边、目标物节点指向用户画像标签节点的边。具体实施时，以目标物为商家举例，目标物的属性知识可以包括：地理位置、售卖的产品、行业等相关信息。
具体实施时，可以使用Spark GraphX等技术基于平台数据构建目标物和其属性知识的目标物知识图。然后，再根据用户历史行为数据，即用户操作目标物的时序，确定用户历史行为路径；并进一步根据所述用户历史行为路径，连接所述目标物知识图中的目标物节点，建立目标物指向目标物的有向边。优选的，可以将用户画像标签作为节点添加到所述目标物知识图G中，并添加以目标物为源点指向用户画像标签的有向边。
具体实施时，不同的边代表不同节点之间的关系，可以为不同的边设置相应的权重，以衡量不同类型节点对应的数据对推荐结果的影响。
步骤120，通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度。
其中，两两所述目标物的关系紧密度用于指示用户当前对两两所述目标物中一个目标物产生行为后，下一个行为的对象为两两所述目标物中另一个目标物的概率。
具体实施时，可以通过统计所述目标物知识图中每两两目标物节点之间的距离确定所述两两目标物节点对应的目标物之间的关系紧密度。所述两两目标物之间的距离可以为从其中一个目标物节点，沿有向边到达另一个目标物节点的所有路径中，所经过的有向边或节点的数量之和，或者有向边或节点的加权数量之和。距离越小，所述两两目标物节点对应的目标物之间的关系紧密度越大。
步骤130，基于所述关系紧密度，执行目标物推荐操作。
在确定了某一个目标物与其他目标物的两两关系紧密度之后，当用户当前对所述某一个目标物发生预设行为时，如浏览或购买了所述某一个目标物，则用户下一步发生预设行为的目标物最大可能是与所述某一个目标物关系紧密度最高的目标物，因此，可以将与所述某一个目标物关系紧密度最高的目标物推荐给所述用户。具体实施时，还可以将与所述某一个目标物的关系紧密度大于0的所有目标物，按照对应的关系紧密度由大到小的顺序排列，并将前预设数量的目标物生成推荐列表反馈给平台，作为候选推荐结果。
本申请实施例公开的推荐方法，通过构建目标物知识图，所述目标物知识图的节点至少包括：与目标物对应的目标物节点；通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度；基于所述关系紧密度，执行目标物推荐操作；其中，所述目标物节点之间基于用户对相应目标物产生预设历史行为的时序连接；两两所述目标物的关系紧密度用于指示用户当前对两两所述目标物中一个目标物产生预设行为后，下一个预设行为的对象为两两所述目标物中另一个目标物的概率，解决了现有技术中推荐结果准确度低的问题。通过结合目标物的属性信息和用户对相应目标物产生预设历史行为的时序构建的知识图进行推荐，进一步提升了推荐结果的准确度。
实施例二
本实施例是本申请公开的资源配置方法的一个具体实施例。
上述构建目标物知识图的步骤，进一步包括：子步骤S1至子步骤S3。
子步骤S1，以目标物对应目标物节点，以属性知识对应属性知识节点，以所述目标物与所述属性知识的关联关系构建相应目标物节点指向相应属性知识节点的有向边。
优选的，所述目标物知识图的节点至少包括：与目标物对应的目标物节点、与所述目标物关联的属性知识对应的属性知识节点，所述目标物知识图的边以目标物节点为源点、以属性知识节点为目标节点。
本实施例中的目标物为商家举例，目标物的属性知识，即商家的属性知识由平台定义，并通过平台获取。例如，商家的属性知识可以包括：地理位置、热度、售卖产品。
具体实施时，可以使用Spark GraphX等技术，基于平台数据构建目标物和其属性知识的目标物知识图。以商家的属性知识包括地理位置为例，构建得到的目标物知识图中，商家A对应的目标物节点h1作为源节点，地理位置对应的属性知识节点为d1，目标物节点h1和属性知识节点d1之间，通过以目标物节点h1为源点的有向边连接。
通过前述子步骤S1，平台中的所有商家都分别对应所述目标物知识图中的一个目标物节点，每个目标物节点通过有向边连接至多个属性知识节点，每个属性知识节点与多个目标物节点通过有向边连接，形成了如图2所示的目标知识图。商家A对应的目标物节点h1,商家B对应的目标物节点h2,商家C对应的目标物节点h3。
子步骤S2，根据多个用户对所述目标物产生预设历史行为的时间先后顺序，确定所述多个用户基于所述目标物的历史行为路径。
然后，再根据用户历史行为数据，确定用户在目标物间的历史行为路径。首先，获取某一用户对目标物产生的预设行为的历史数据，所述预设行为包括但不限于以下一种或多种：浏览、购买、收藏。根据所述用户的所述预设行为的历史数据，确定所述用户的所述连续预设行为中每个行为所针对的目标物，并按照所述目标物对应的所述预设历史行为的发生时间先后顺序对所述目标物进行排列，得到所述用户基于目标物的历史行为路径。以目标物为商家举例，如果用户1的预设行为的历史数据为：浏览商家A，然后浏览商家B，之后浏览商家B，最后，收藏商家C,则确定用户1的预设行为对应的目标物序列为：A、B、B、C。具体实施时，目标物知识图中，每个目标物只对应一个节点，因此，把用户对同一目标物连续产生的多次行为视为一次行为，得到用户1基于目标物的历史行为路径为：A到B到C。如果用户2的预设行为的历史数据为：浏览商家A，然后浏览商家C，之后浏览商家B，最后，收藏商家C,则确定用户2的预设行为对应的目标物序列为：A、C、B、C，得到用户2基于目标物的历史行为路径为：A到C到B到C。
具体实施时，根据平台上的每个用户对平填上各商家产生的预设行为的历史数据，按照上述方法，可以确定平台上的每个用户基于商家的历史行为路径。
子步骤S3，根据所述历史行为路径，创建连接所述目标物对应的目标物节点之间的有向边，得到目标物知识图。
然后，根据平台上的多个用户基于目标物的行为路径在前述子步骤构建的所述目标物节点之间添加目标物到目标物的有向边，扩展目标物知识图中的节点连接关系，得到完整的目标物知识图。
对于图2中的目标物知识图，经过子步骤S2和S3处理后，每个目标物节点通过与用户的基于目标物的行为路径对应的有向边连接起来，得到如图3所示的目标物知识图。图3中，目标物节点h1指向目标物节点h2的有向边，以及,目标物节点h2指向目标物节点h3的有向边，根据用户1的基于目标物的历史行为路径——A到B到C、用户2的基于目标物的历史行为路径——A到C到B到C确定。
优选的，所述方法还包括：
子步骤S4，根据对所述目标物产生所述预设历史行为的用户的用户画像标签，创建用户画像标签节点以及由相应目标物节点指向所述用户画像标签节点的边，以扩充所述目标物知识图。
此处的预设历史行为包括但不限于以下任意一项或多项：购买、浏览、收藏目标物的行为。具体实施时，首先根据平台的设置，确定平台上用户的用户画像标签。所述用户画像标签根据平台或应用的不同，可以具体设置。本实施例中，以平台设置的用户画像标签包括：有车、已婚、20～30岁、学生举例，在获取到用户的用户画像标签之后，在已经获得的目标物知识图中创建每个用户画像标签对应的用户画像标签节点。例如，用户画像标签“有车”对应用户画像标签节点t1、用户画像标签“已婚”对应用户画像标签节点t2、用户画像标签“20～30岁”对应用户画像标签节点t3、用户画像标签“学生”对应用户画像标签节点t4。
然后，根据平台数据，确定对商家发生过所述预设行为的用户，并将对商家发生过所述预设行为的用户的用户画像标签对应的用户画像标签节点作为所述商家对应的目标物节点的关联节点。例如，根据用户历史行为数据，用户1执行过：浏览商家A，然后浏览商家B，之后浏览商家B，最后，收藏商家C的操作，即用户1对商家A、商家B和商家C，都发生过预设行为，则用户1的用户画像标签对应的所有用户画像标签节点将分别作为商家A、商家B和商家C对应的目标物节点的关联节点。
最后，通过创建由目标物节点指向用户画像标签节点的有向边，建立商家和用户画像标签之间的联系，最终得到如图4所示的扩充后的目标物知识图。图4中，商家A对应的目标物节点h1分别指向用户1对应的用户画像标签节点t1、t2、t3、和t4。
具体实施时，不同的边代表不同节点之间的关系，可以为不同的边设置相应的权重，以衡量不同类型节点对应的数据对推荐结果的影响。具体实施时，可以根据经验人工为不同类型节点或连接不同类型节点的边设置权重，也可以根据平台的历史数据，通过预设公式为不同类型节点或连接不同类型节点的边设置权重。
优选的，在构建目标物知识图时，在获得构建目标物知识图之后，还包括：分别确定所述目标物知识图中各类节点对推荐结果的影响权重。
以所述目标物知识图中包括：目标物节点、属性知识节点和用户画像标签节点为例，权重W的计算公式为：
Figure BDA0001557554590000081
上述公式1中，i表示源节点，j表示目标节点，U表示用户集合；K表示属性知识节点集合，kij表示属性知识j对目标物i的推荐权重；P表示目标物节点集合，L表示用户基于目标物的历史行为路径，
Figure BDA0001557554590000082
表示用户u顺序对目标物节点i对应的目标物和对目标物节点j对应的目标物产生行为的次数；T表示所有用户画像标签节点集合，
Figure BDA0001557554590000083
表示携带标签j的用户u对目标物节点i对应的目标物产生行为的次数(如携带标签j的单个40岁用户对目标物节点i对应的商家产生行为的次数)；β，γ，λ为调节参数，其主要目的是控制属性知识、用户行为路径、用户画像标签三者对推荐结果的不同重要度。
具体实施时，β，γ，λ三者的和为1，例如可以设置为：
Figure BDA0001557554590000091
Figure BDA0001557554590000092
其中，|T|、|K|和|P|用表示相应集合中的节点数量。
具体实施时，属性知识节点对应的属性知识对目标物节点对应的目标物的权重kij由推荐系统设置。用户画像标签节点对目标物的推荐权重由携带该画像标签节点的用户对所述目标物产生所述预设行为的次数确定。其他目标物节点对某一目标物的推荐权重根据用户对所述其他目标物节点对应的目标物产生行为后紧接着对待推荐目标物产生行为的次数确定。
具体实施时，可以通过以目标物知识图中所有目标物节点分别作为矩阵的行索引和列索引，构建目标物节点顺序操作权重矩阵，如下所示：
h1 h2 h3 s1 s2 s3 r1
h1 1 1 1
h2 2
h3 1
s1 3
s2
s3 1
r1
矩阵中各元素的取值标识，用户历史行为数据中，用户对行索引对应的目标物发生预设行为后，紧接着对列索引对应的目标物发生预设行为的总次数。例如，由于在只有用户1产生行为路径(h1,h2)时，所以Wh1,h2＝1,当用户3和4都产生了行为路径(h2,h3)时，Wh2,h3＝2。
权重矩阵归一化。具体实施时，可以通过以下公式对权重矩阵进行归一化：
Figure BDA0001557554590000093
在公式2中，
Figure BDA0001557554590000101
表示归一化后的权重矩阵；i和j表示节点；out(i)表示所有被节点i所指的节点集合，|V|表示所有节点的数量。
以下是经过归一化后的上述权重矩阵：
h1 h2 h3 s1 s2 s3 r1
h1 1/3 1/3 1/3
h2 2
h3 1
s1 3
s2
s3 1
r1
具体实施时，如果目标物知识图中只包括：目标物节点、属性知识节点，则权重的计算公式1中将不包括用户对目标物产生行为的次数的权重。β，γ二者的和为1。
建立最终的目标物知识图之后，根据所述目标物知识图确定两两目标物之间的关系紧密度。其中，两两所述目标物的关系紧密度用于指示用户当前对两两所述目标物中一个目标物产生预设行为后，下一个预设行为的对象为两两所述目标物中另一个目标物的概率。
优选的，通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度，包括：通过对所述目标物知识图进行随机游走，确定两两所述目标物的关系紧密度。
具体实施时，所述通过对所述目标物知识图进行随机游走，确定所述目标物知识图中两两目标物的关系紧密度包括：对于所述目标物知识图中的每个目标物节点，分别以所述目标物节点作为起始节点，通过多次随机游走迭代，确定所述目标物节点与指定目标物节点分别对应的所述目标物之间的关系紧密度；其中，在随机游走过程中经过每个节点时，以a的概率继续游走，以1-a的概率停止当前轮随机游走并返回到所述起始节点，0<a<1-a<1。
在确定俩俩目标物的关系紧密度的过程中，以目标物知识图中的每个目标物节点作为起始节点开始随机游走，在游走过程中经过每个节点时，以a的概率继续游走，以1-a的概率停止此轮游走，并返回到所述起始节点；以
Figure BDA0001557554590000111
表示第k轮游走结束后目标物节点v对应的目标物与目标物节点i对应的目标物的关系紧密度，游走迭代n次至收敛，n>1。具体实施时，迭代公式如下：
初始状态：
Figure BDA0001557554590000112
Figure BDA0001557554590000113
上述公式3中，a表示继续游走概率，取值区间为0<a<1-a<1；in(i)表示所有指向节点i的顶点集合，i既可以为目标物节点，又可以为用户画像标签节点或属性节点。具体实施时，当第n轮的迭代结果与第n-1轮的迭代结果的欧式距离小于自定义阈值(例如0.001)时，则认为迭代至收敛，结束从当前目标物节点开始的随机游走。
将
Figure BDA0001557554590000116
作为目标物节点v对应的目标物与目标物节点i对应的目标物的最终关系紧密度，其含义是用户当前对目标物节点v对应的目标物产生行为，其下一次行为对象为目标物节点i对应的目标物的概率。因为随机游走的图包括目标物节点、用户画像标签节点或属性知识节点，所以，得到的目标物之间的关系紧密度和用户对目标物的行为次序、用户画像标签，以及属性知识都是相关的，并且，根据游走公式可以看出，不同的节点对关系紧密度的计算权重不同，也反映了不同因素对推荐目标物的影响程度不同。通过设置不同的权重，可以使不同需求的推荐更准确。
分别以矩阵中每个节点，即目标物知识图中每个节点为起始节点进行随机游走，得到每个节点与其他节点的关系度,
Figure BDA0001557554590000114
表示图G(V,E,W)所有节点的第n轮迭代的结果，
Figure BDA0001557554590000115
的i行j列表示节点i与节点j的关系度。下面以一个目标物知识图的迭代数据示意迭代过程。
第1轮迭代得到的结果：
Figure BDA0001557554590000121
第2轮迭代得到的结果：
Figure BDA0001557554590000122
……
第9轮迭代得到的结果：
Figure BDA0001557554590000123
第10轮迭代得到的结果：
Figure BDA0001557554590000124
通过上述迭代数据可以看出，每一轮游走之后，本轮游走所经历的目标物节点的关系度会发生变化。游走次数越多，前后两轮游走得到的目标物节点的关系度变化越小。当第n轮的迭代结果与第n-1轮的迭代结果的欧式距离小于自定义阈值(例如0.001)时，则认为迭代至收敛，结束从当前目标物节点开始的随机游走。
在通过上述方法确定了任意两个商家的关系紧密度之后，可以进一步根据用户当前操作的商家为用户进行商家推荐，具体实施时，所述基于所述关系紧密度，执行目标物推荐操作，包括：按照与当前目标物的所述关系紧密度由高到低的顺序，生成目标物推荐列表。例如当用户1当前对商家A发生了购买行为后，把商家A与其他商家的关系紧密度按照从大到小的顺序排列，按照平台的设定，返回前预设数量的商家的列表作为对用户1的商家推荐列表。因为商家的关系紧密度是通过对商家知识图游走得到的，根据游走公式可以看出，关系紧密度反映了用户操作一个商家之后紧接着操作另一个商家的概率，因此，基于商家之间的关系紧密度进行商家推荐，可以有效提升推荐结果的准确性。
本申请实施例公开的推荐方法，根据对目标物知识图的随机游走公式可以看出，属性知识、用户画像标签、目标物对应的节点对推荐系统的作用权重可调节，有效提高推荐系统的灵活性与推荐结果的合理性。
现有技术在商家推荐时较少考虑用户当前的语境信息，本申请在建立目标物之间的关系时，充分考虑从某一目标物跳转到不同目标物的概率，因此能通过用户当前语境产生下一站推荐列表。同时，本申请通过将用户对目标物操作的次序信息引入到目标物和目标物的语义关系计算中，使目标物和目标物的语义关系度量更具可解释性。
实施例三
本实施例公开的一种资源配置装置，如图5所示，所述装置包括：
目标物知识图构建模块510，用于构建目标物知识图，所述目标物知识图的节点至少包括：与目标物对应的目标物节点；
关系紧密度确定模块520，用于通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度；
推荐模块530，用于基于所述关系紧密度，执行目标物推荐操作；
其中，所述目标物节点之间基于用户对相应目标物产生预设历史行为的时序连接；两两所述目标物的关系紧密度用于指示用户当前对两两所述目标物中一个目标物产生预设行为后，下一个预设行为的对象为两两所述目标物中另一个目标物的概率。
可选的，如图6所示，所述目标物知识图构建模块510包括：
目标物知识图构建单元5101，用于以目标物对应目标物节点，以属性知识对应属性知识节点，以所述目标物与所述属性知识的关联关系构建相应目标物节点指向相应属性知识节点的有向边；
行为路径确定单元5102，用于根据多个用户对所述目标物产生预设历史行为的时间先后顺序，确定所述多个用户基于所述目标物的历史行为路径；
目标物节点连接单元5103，用于根据所述历史行为路径，创建连接所述目标物对应的目标物节点之间的有向边，得到目标物知识图。
可选的，所述目标物知识图构建模块510，还包括：
权重确定单元5104，分别确定所述目标物知识图中各类节点对推荐结果的影响权重。
可选的，如图7所示，所述目标物知识图构建模块510，还包括：
目标物知识图扩充单元5105，用于根据对所述目标物产生所述预设历史行为的用户的用户画像标签，创建用户画像标签节点以及由相应目标物节点指向所述用户画像标签节点的边，以扩充所述目标物知识图。
所述权重确定单元5104，分别确定扩充后的所述目标物知识图中各类节点对推荐结果的影响权重。
具体实施时，可以根据经验人工为不同类型节点或连接不同类型节点的边设置权重，也可以根据平台的历史数据，通过预设公式为不同类型节点或连接不同类型节点的边设置权重。
可选的，所述分别确定所述目标物知识图中各类节点对推荐结果的影响权重的步骤包括：
通过公式
Figure BDA0001557554590000151
分别确定所述目标物知识图中各类节点对推荐结果的影响权重；其中，i表示源节点，j表示目标节点，U表示用户集合；K表示属性知识节点集合，kij表示属性知识j对目标物i的推荐权重；P表示目标物节点集合，L表示用户基于目标物的历史行为路径，
Figure BDA0001557554590000152
表示用户u顺序对目标物节点i对应的目标物和对目标物节点j对应的目标物产生行为的次数；T表示用户画像标签节点集合，
Figure BDA0001557554590000153
表示携带标签j的用户u对目标物节点i对应的目标物产生行为的次数；β，γ，λ为调节参数。
可选的，所述通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度，包括：
通过对所述目标物知识图进行随机游走，确定两两所述目标物的关系紧密度。
可选的，所述通过对所述目标物知识图进行随机游走，确定所述目标物知识图中两两目标物的关系紧密度包括：
对于所述目标物知识图中的每个目标物节点，分别以所述目标物节点作为起始节点，通过多次随机游走迭代，确定所述目标物节点与指定目标物节点分别对应的所述目标物之间的关系紧密度；其中，在随机游走过程中经过每个节点时，以a的概率继续游走，以1-a的概率停止当前轮随机游走并返回到所述起始节点，0<a<1-a<1。
具体实施时，目标物知识图的具体游走公式参见方法实施例部分。根据对目标物知识图的随机游走公式可以看出，属性知识、用户画像标签、目标物对应的节点对推荐系统的作用权重可调节，有效提高推荐系统的灵活性与推荐结果的合理性。
现有技术在商家推荐时较少考虑用户当前的语境信息，本申请在建立目标物之间的关系时，充分考虑从某一目标物跳转到不同目标物的概率，因此能通过用户当前语境产生下一站推荐列表。同时，本申请通过将用户对目标物操作的次序信息引入到目标物和目标物的语义关系计算中，使目标物和目标物的语义关系度量更具可解释性。
可选的，所述基于所述关系紧密度，执行目标物推荐操作，包括：
按照与当前目标物的所述关系紧密度由高到低的顺序，生成目标物推荐列表。
各模块或单元的具体实施方式，参见方法实施例部分，此处不再赘述。
本申请实施例公开的推荐装置，通过构建目标物知识图，所述目标物知识图的节点至少包括：与目标物对应的目标物节点；通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度；基于所述关系紧密度，执行目标物推荐操作；其中，所述目标物节点之间基于用户对相应目标物产生预设历史行为的时序连接；两两所述目标物的关系紧密度用于指示用户当前对两两所述目标物中一个目标物产生预设行为后，下一个预设行为的对象为两两所述目标物中另一个目标物的概率，解决了现有技术中推荐结果准确度低的问题。通过结合目标物和用户对相应目标物产生预设历史行为的时间先后顺序构建的知识图进行推荐，进一步提升了推荐结果的准确度。
相应的，本申请还公开了一种电子设备，包括存储器、处理器及存储在所述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计算机程序时实现如本申请实施例一和实施例二所述的推荐方法。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。
本申请还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例一和实施例二所述的推荐方法的步骤。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上对本申请提供的一种推荐方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
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实现。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。

Claims (11)

1.一种推荐方法，其特征在于，包括：
构建目标物知识图，所述目标物知识图的节点至少包括：与目标物对应的目标物节点、目标物的属性知识对应的属性知识节点和用户画像标签对应的用户画像标签节点；
通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度；
基于所述关系紧密度，执行目标物推荐操作；
其中，所述目标物节点之间基于用户对相应目标物产生预设历史行为的时序连接；两两所述目标物的关系紧密度用于指示用户当前对两两所述目标物中一个目标物产生预设行为后，下一个预设行为的对象为两两所述目标物中另一个目标物的概率；
所述构建目标物知识图的步骤，包括：
以目标物对应目标物节点，以属性知识对应属性知识节点，以所述目标物与所述属性知识的关联关系构建相应目标物节点指向相应属性知识节点的有向边；
根据多个用户对所述目标物产生预设历史行为的时间先后顺序，确定所述多个用户基于所述目标物的历史行为路径；
根据所述历史行为路径，创建连接所述目标物对应的目标物节点之间的有向边，得到目标物知识图。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据对所述目标物产生所述预设历史行为的用户的用户画像标签，创建用户画像标签节点以及由相应目标物节点指向所述用户画像标签节点的边，以扩充所述目标物知识图。
3.根据权利要求1或2所述的方法，其特征在于，还包括：
分别确定所述目标物知识图中各类节点对推荐结果的影响权重。
4.根据权利要求3所述的方法，其特征在于，所述分别确定所述目标物知识图中各类节点对推荐结果的影响权重的步骤包括：
通过公式
Figure FDA0002760991480000021
分别确定所述目标物知识图中各类节点对推荐结果的影响权重；其中，i表示源节点，j表示目标节点，U表示用户集合；K表示属性知识节点集合，kij表示属性知识j对目标物i的推荐权重；P表示目标物节点集合，L表示用户基于目标物的历史行为路径，
Figure FDA0002760991480000022
表示用户u顺序对目标物节点i对应的目标物和对目标物节点j对应的目标物产生行为的次数；T表示用户画像标签节点集合，
Figure FDA0002760991480000023
表示携带标签j的用户u对目标物节点i对应的目标物产生行为的次数；β，γ，λ为调节参数。
5.根据权利要求1至2任一项所述的方法，其特征在于，所述通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度的步骤，包括：
通过对所述目标物知识图进行随机游走，确定两两所述目标物的关系紧密度。
6.根据权利要求5所述的方法，其特征在于，所述通过对所述目标物知识图进行随机游走，确定所述目标物知识图中两两目标物的关系紧密度的步骤包括：
对于所述目标物知识图中的每个目标物节点，分别以所述目标物节点作为起始节点，通过多次随机游走迭代，确定所述目标物节点与指定目标物节点分别对应的所述目标物之间的关系紧密度；其中，在随机游走过程中经过每个节点时，以a的概率继续游走，以1-a的概率停止当前轮随机游走并返回到所述起始节点，0<a<1-a<1。
7.根据权利要求1至2任一项所述的方法，其特征在于，所述基于所述关系紧密度，执行目标物推荐操作的步骤，包括：
按照与当前目标物的所述关系紧密度由高到低的顺序，生成目标物推荐列表。
8.一种推荐装置，其特征在于，包括：
目标物知识图构建模块，用于构建目标物知识图，所述目标物知识图的节点至少包括：与目标物对应的目标物节点、目标物的属性知识对应的属性知识节点和用户画像标签对应的用户画像标签节点；
关系紧密度确定模块，用于通过遍历所述目标物知识图的节点，确定两两所述目标物的关系紧密度；
推荐模块，用于基于所述关系紧密度，执行目标物推荐操作；
其中，所述目标物节点之间基于用户对相应目标物产生预设历史行为的时序连接；两两所述目标物的关系紧密度用于指示用户当前对两两所述目标物中一个目标物产生预设行为后，下一个预设行为的对象为两两所述目标物中另一个目标物的概率；
所述目标物知识图构建模块包括：
目标物知识图构建单元，用于以目标物对应目标物节点，以属性知识对应属性知识节点，以所述目标物与所述属性知识的关联关系构建相应目标物节点指向相应属性知识节点的有向边；
行为路径确定单元，用于根据多个用户对所述目标物产生预设历史行为的时间先后顺序，确定所述多个用户基于所述目标物的历史行为路径；
目标物节点连接单元，用于根据所述历史行为路径，创建连接所述目标物对应的目标物节点之间的有向边，得到目标物知识图。
9.根据权利要求8所述的装置，其特征在于，所述目标物知识图构建模块，还包括：
目标物知识图扩充单元，用于根据对所述目标物产生所述预设历史行为的用户的用户画像标签，构建用户画像标签节点以及由相应目标物节点指向所述用户画像标签节点的边，以扩充所述目标物知识图。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任意一项所述的推荐方法。
11.一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，该程序被处理器执行时实现权利要求1至7任意一项所述的推荐方法的步骤。
CN201810068790.5A 2018-01-24 2018-01-24 一种推荐方法及装置，电子设备 Active CN108446297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810068790.5A CN108446297B (zh) 2018-01-24 2018-01-24 一种推荐方法及装置，电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810068790.5A CN108446297B (zh) 2018-01-24 2018-01-24 一种推荐方法及装置，电子设备

Publications (2)

Publication Number Publication Date
CN108446297A CN108446297A (zh) 2018-08-24
CN108446297B true CN108446297B (zh) 2021-03-26

Family

ID=63191147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810068790.5A Active CN108446297B (zh) 2018-01-24 2018-01-24 一种推荐方法及装置，电子设备

Country Status (1)

Country Link
CN (1) CN108446297B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255073B (zh) * 2018-08-28 2022-03-29 麒麟合盛网络技术股份有限公司 一种个性化推荐方法、装置及电子设备
CN111797663A (zh) * 2019-08-02 2020-10-20 北京京东尚科信息技术有限公司 搭配场景识别方法和装置
CN112084423B (zh) * 2020-08-31 2023-12-12 腾讯科技（深圳）有限公司 一种信息发布平台推荐方法及装置
CN113627253B (zh) * 2021-07-07 2023-10-27 上海交通大学 一种目标重识别方法及装置
CN114925289B (zh) * 2022-05-23 2024-04-30 中国平安财产保险股份有限公司 员工推荐方法、装置、设备及可读存储介质
CN117131240A (zh) * 2023-02-10 2023-11-28 荣耀终端有限公司 服务推荐方法、电子设备及计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913296A (zh) * 2016-04-01 2016-08-31 北京理工大学 一种基于图的个性化推荐方法
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913296A (zh) * 2016-04-01 2016-08-31 北京理工大学 一种基于图的个性化推荐方法
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"A Random Walk for Alleviating the Sparsity Problem in Collaborative Filtering";Hilmi Yildirim等;《Proceedings of the 2008 ACM conference on Recommender systems》;20081031;全文 *
"基于时序行为的协同过滤推荐算法";孙光福等;《软件学报》;20131130;第24卷(第11期);第2724页倒数第2段至第2727页第8行 *
"基于矩阵分解和随机游走相结合的推荐算法";杨永向;《中国优秀硕士学位论文全文数据库（电子期刊）》;20140615;第6页最后1段至第8页最后1段，第35页第1段至第40页倒数第2段 *

Also Published As

Publication number Publication date
CN108446297A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN108446297B (zh) 一种推荐方法及装置，电子设备
US10607243B2 (en) User behavior analysis method and device as well as non-transitory computer-readable medium
CN106651542B (zh) 一种物品推荐的方法及装置
CN111061946B (zh) 场景化内容推荐方法、装置、电子设备及存储介质
CN107451894B (zh) 数据处理方法、装置和计算机可读存储介质
CN109241415B (zh) 项目推荐方法、装置、计算机设备及存储介质
CN108829808B (zh) 一种页面个性化排序方法、装置及电子设备
CN105095267B (zh) 一种用于用户参与项目的推荐方法及装置
CN112000819B (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
US8583685B2 (en) Determination of category information using multiple stages
JP2020523714A (ja) 推奨情報の取得方法及び装置、電子機器
WO2016015444A1 (zh) 一种目标用户的确定方法、设备和网络服务器
JP6964689B2 (ja) サンプル重み設定方法及び装置、電子装置
US10115146B1 (en) Scoring candidates for set recommendation problems
CN107301247B (zh) 建立点击率预估模型的方法及装置、终端、存储介质
EP2960849A1 (en) Method and system for recommending an item to a user
Moradi et al. A trust-aware recommender algorithm based on users overlapping community structure
CN111798280B (zh) 多媒体信息推荐方法、装置和设备及存储介质
Paleti et al. Approaching the cold-start problem using community detection based alternating least square factorization in recommendation systems
Ye et al. Crowdrec: Trust-aware worker recommendation in crowdsourcing environments
CN111340522B (zh) 资源推荐方法、装置、服务器及存储介质
CN112907334A (zh) 一种对象推荐方法及装置
US20200098031A1 (en) Product recommending apparatus and non-transitory computer readable medium
CN105260458A (zh) 一种用于显示装置的视频推荐方法及显示装置
CN106777069A (zh) 基于矩阵因子分解的个性化推荐方法及推荐系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant