CN111046257B - 一种会话推荐方法、装置以及电子设备 - Google Patents
一种会话推荐方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN111046257B CN111046257B CN201911252600.6A CN201911252600A CN111046257B CN 111046257 B CN111046257 B CN 111046257B CN 201911252600 A CN201911252600 A CN 201911252600A CN 111046257 B CN111046257 B CN 111046257B
- Authority
- CN
- China
- Prior art keywords
- embedded vector
- vector matrix
- control sequence
- session control
- position information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 264
- 239000011159 matrix material Substances 0.000 claims abstract description 172
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 21
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005266 casting Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9017—Indexing; Data structures therefor; Storage structures using directory or table look-up
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/30003—Arrangements for executing specific machine instructions
- G06F9/30007—Arrangements for executing specific machine instructions to perform operations on data operands
- G06F9/30036—Instructions to perform operations on packed data, e.g. vector, tile or matrix operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer And Data Communications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请公开了一种会话推荐方法、装置以及电子设备,涉及图神经网络技术领域。具体实现方案为:获取会话控制序列,并基于所述会话控制序列中的每一个物品的嵌入向量,获取第一嵌入向量矩阵;根据所述会话控制序列中物品的排列顺序生成位置信息序列,并基于所述位置信息序列中的每一个位置信息的嵌入向量,获取第二嵌入向量矩阵;根据所述第一嵌入向量矩阵和所述第二嵌入向量矩阵,确定目标嵌入向量矩阵;基于所述目标嵌入向量矩阵,采用图神经网络会话推荐模型SR‑GNN确定推荐物品。本申请实施方式能够提升会话推荐结果的准确性。
Description
技术领域
本申请涉及计算机技术中的图神经网络技术领域,尤其涉及一种会话推荐方法、装置以及电子设备。
背景技术
基于图神经网络的会话推荐(Session-based Recommendation Graph NeuralNetwork,SR-GNN)技术中,将每一个会话控制(Session)都建模为有向图,在这个图中每个节点(node)都代表一个物品(item)。每个node的向量用来指明该node对应的item的嵌入向量,基于有向图中node的向量表示,每一个Session都可以被建模成一个嵌入向量(embedding),并根据该嵌入向量确定各个候选item的概率值,并依此推荐出用户后期可能选择的item。
相关技术中,在对Session建模的时候,可能出现一个有向图对应多个Session序列的情况,在相关技术中的SR-GNN将一个有向图对应的所有Session序列视为相同的Session序列进行分析,从而造成SR-GNN的推荐结果准确性低。
发明内容
本申请实施例提供一种会话推荐方法、装置以及电子设备,以解决相关技术中SR-GNN存在的推荐结果准确性低的问题。
第一方面,本申请一个实施例提供一种会话推荐方法,包括:
获取会话控制序列,并基于所述会话控制序列中的每一个物品的嵌入向量,获取第一嵌入向量矩阵;
根据所述会话控制序列中物品的排列顺序生成位置信息序列,并基于所述位置信息序列中的每一个位置信息的嵌入向量,获取第二嵌入向量矩阵;
根据所述第一嵌入向量矩阵和所述第二嵌入向量矩阵,确定目标嵌入向量矩阵;
基于所述目标嵌入向量矩阵,采用SR-GNN确定推荐物品。
上述申请中的一个实施例具有如下优点或有益效果:可提升SR-GNN推荐的物品的准确性。通过生成与会话控制序列中每一个物品的排列顺序对应的位置信息,并根据位置信息的嵌入向量矩阵和相应物品的嵌入向量矩阵得到目标嵌入向量矩阵,可以区分与同一个向量图对应的多个目标嵌入向量矩阵,从而避免了将同一个向量图对应的多个嵌入向量矩阵视为同一个嵌入向量矩阵而造成的SR-GNN推荐的物品的准确性低的缺陷,达到提升SR-GNN推荐的物品的准确性的有益效果。
可选的,所述根据所述第一嵌入向量矩阵和所述第二嵌入向量矩阵,确定目标嵌入向量矩阵的步骤,包括:
对所述第一嵌入向量矩阵和所述第二嵌入向量矩阵进行求和,得到目标嵌入向量矩阵;或者
对所述第一嵌入向量矩阵和所述第二嵌入向量矩阵进行拼接,得到目标嵌入向量矩阵,其中,所述目标嵌入向量矩阵中与每个物品对应的嵌入向量的维度为所述第一嵌入向量矩阵与每个物品对应的嵌入向量的维度的两倍。
通过求和或者拼接的方式处理第一嵌入向量矩阵和第二嵌入向量矩阵,可以根据第二嵌入向量矩阵中位置信息的嵌入向量改变各个物品的嵌入向量,而且位置信息序列是根据会话控制序列中物品的排列顺序生成的,从而使得出的目标嵌入向量矩阵中与每一个物品对应的嵌入向量与其位置关联,达到区分不同位置的物品的作用,进而使得与同一个向量图对应的多个目标嵌入向量矩阵互不相同,进而针对不同的多个目标嵌入向量矩阵分别进行分析,以提升SR-GNN推荐的物品的准确性。
可选的,所述会话控制序列中包括n个物品,所述位置信息序列包括n个位置信息,所述n个位置信息分别与所述n个物品对应,且所述会话控制序列中排列顺序越靠前的物品对应的位置信息的值越大,且所述会话控制序列中排列顺序越靠后的物品对应的位置信息的值越小。
通过使位置信息序列中n个位置信息呈递减的数值,可以使会话控制序列中的各个物品对应不同数值的位置信息,从而使各个物品的嵌入向量与不同的位置信息的嵌入向量对应,在求和过程中可以区分会话控制序列中排列于不同位置的物品,达到区分同一个向量图对应的多个目标嵌入向量矩阵对应的效果,进而提升了SR-GNN推荐的物品的准确性。
可选的,所述基于所述目标嵌入向量矩阵,采用SR-GNN确定物品推荐列表的步骤,包括:
将所述目标嵌入向量矩阵输入到SR-GNN进行处理,以得到所述会话控制序列相关的物品集合中每个物品的触发概率,其中,所述物品集合至少包括所述会话控制序列中的物品;
根据所述每个物品的触发概率的数值大小,确定物品推荐列表。
将所述目标嵌入向量矩阵输入到SR-GNN进行处理,以得到所述会话控制序列相关的物品集合中每个物品的触发概率,其中,所述物品集合至少包括所述会话控制序列中的物品;并根据所述每个物品的触发概率的数值大小,确定物品推荐列表,可以在物品推荐列表中推荐出用户下一步可能选择的所述会话控制序列相关的物品集合中,避免仅推荐会话控制序列中的物品,达到提升会话推荐方法的全面性的效果。
可选的,所述将所述目标嵌入向量矩阵输入到SR-GNN进行处理,以得到所述会话控制序列相关的物品集合中每个物品的触发概率的步骤,包括:
将所述目标嵌入向量矩阵输入至SR-GNN,得到所述会话控制序列中每个物品的推荐分数值;
采用softmax函数对所述推荐分数值进行计算,以得到所述会话控制序列中每个物品的触发概率。
通过softmax函数对SR-GNN计算得出的推荐分数值进行进一步计算,以得到每个物品被用户点击的触发概率,从而使根据该触发概率得出的推荐物品更加准确。
可选的,所述物品的嵌入向量根据第一嵌入查询表确定,所述位置信息的嵌入向量根据第二嵌入查询表确定。
通过使物品的嵌入向量和位置信息的嵌入向量采用不同的嵌入查询表查询得到,可以避免第一嵌入向量矩阵与第二嵌入向量矩阵同步而造成同一向量图对应多个目标嵌入向量矩阵,从而提升SR-GNN推荐的物品的准确性
上述申请中的一个实施例具有如下优点或有益效果:可提升SR-GNN推荐的物品的准确性。通过生成与会话控制序列中每一个物品的排列顺序对应的位置信息,并根据位置信息的嵌入向量矩阵和相应物品的嵌入向量矩阵得到目标嵌入向量矩阵,可以区分与同一个向量图对应的多个目标嵌入向量矩阵,从而避免了将同一个向量图对应的多个嵌入向量矩阵视为同一个嵌入向量矩阵而造成的SR-GNN推荐的物品的准确性低的缺陷,达到提升SR-GNN推荐的物品的准确性的有益效果。
第二方面,本申请一个实施例提供一种会话推荐装置,包括:
获取模块,用于获取会话控制序列,并基于所述会话控制序列中的每一个物品的嵌入向量,获取第一嵌入向量矩阵;
生成模块,用于根据所述会话控制序列中物品的排列顺序生成位置信息序列,并基于所述位置信息序列中的每一个位置信息的嵌入向量,获取第二嵌入向量矩阵;
第一确定模块,用于根据所述第一嵌入向量矩阵和所述第二嵌入向量矩阵,确定目标嵌入向量矩阵;
第二确定模块,用于基于所述目标嵌入向量矩阵,采用图神经网络会话推荐模型SR-GNN推荐物品。
可选的,所述第一确定模块具体用于:
对所述第一嵌入向量矩阵和所述第二嵌入向量矩阵进行求和,得到目标嵌入向量矩阵;或者
对所述第一嵌入向量矩阵和所述第二嵌入向量矩阵进行拼接,得到目标嵌入向量矩阵,其中,所述目标嵌入向量矩阵中与每个物品对应的嵌入向量的维度为所述第一嵌入向量矩阵与每个物品对应的嵌入向量的维度的两倍。
可选的,所述会话控制序列中包括n个物品,所述位置信息序列包括n个位置信息,所述n个位置信息分别与所述n个物品对应,且所述会话控制序列中排列顺序越靠前的物品对应的位置信息的值越大,且所述会话控制序列中排列顺序越靠后的物品对应的位置信息的值越小。
可选的,所述第二确定模块,包括:
处理单元,用于将所述目标嵌入向量矩阵输入到SR-GNN进行处理,所述会话控制序列相关的物品集合中每个物品的触发概率,其中,所述物品集合至少包括所述会话控制序列中的物品;
确定单元,用于根据所述每个物品的触发概率的数值大小,确定物品推荐列表。
可选的,所述处理单元,包括:
第一计算子单元,用于将所述目标嵌入向量矩阵输入至SR-GNN,得到所述会话控制序列中每个物品的推荐分数值;
第二计算子单元,用于采用softmax函数对所述推荐分数值进行计算,以得到所述会话控制序列中每个物品的触发概率。
可选的,所述物品的嵌入向量根据第一嵌入查询表确定,所述位置信息的嵌入向量根据第二嵌入查询表确定。
第三方面,本申请一个实施例提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请各实施例提供的方法。
第四方面,本申请一个实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行本申请各实施例提供的方法。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请一个实施例的会话推荐方法的流程示意图;
图2是根据本申请一个实施例的一个会话控制序列的有向图的示意图;
图3是根据本申请另一个实施例的一个会话控制序列的有向图的示意图;
图4是根据本申请另一个实施例的会话推荐方法的流程示意图;
图5是用来实现本申请实施例的会话推荐方法的会话推荐装置的框图;
图6是可以实现本申请实施例的会话推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
如图1所示,根据本申请的实施例,本申请提供一种会话推荐方法,包括:
S101:获取会话控制序列,并基于所述会话控制序列中的每一个物品的嵌入向量,获取第一嵌入向量矩阵。
其中,会话控制序列(Session)可以是用户进行的一系列操作,例如在购物网站上依次点击的多个商品,这一系列的操作可以抽象成依次排列的物品序列,即为会话控制序列,且会话控制序列中用户的每个操作节点(node)均对应一个物品(item)。在会话推荐过程中,每一个会话控制序列都建模为有向图,在这个图中每个node都代表一个item。有向图的每一条边意味着一个用户在这个Session中依次点击了起点和终点表示的item。
例如:如图2所示,用户依次点击商品v1、v2、v3、v2和v4,则该Session构建出的向量图如图2所示。
在每个Session的图表示中,每个item都被嵌入到统一的embedding空间,我们用每个node的向量来指明每一个item的隐向量。基于图中node的向量表示,每一个Session都可以被建模成一个embedding向量。在具体实施中,可以利用图神经网络GNN来确定每一个item的嵌入向量(也可以称之为隐向量或者embedding vector)表示,例如:向GNN网络输入一个Session,若该Session表示为:S=[v_(s,1),v_(s,2),…,v_(s,n)],则该Session中有n个不重复的item,列为[v_1,v_2,…,v_n],GNN网络输出V∈R^(n*d)矩阵,该矩阵中的第i行表示v_i的嵌入向量,其中,d表示嵌入向量的维度,R表示实数。
S102:根据所述会话控制序列中物品的排列顺序生成位置信息序列,并基于所述位置信息序列中的每一个位置信息的嵌入向量,获取第二嵌入向量矩阵。
其中,位置信息序列包括n个位置信息,以与会话控制序列中的n个物品一一对应,与某一个物品对应的一个位置信息用于表示该物品在会话控制序列中的排列位置,例如:Session=[s1,s2,…,sn],位置信息序列为(n-1,n-2,…,0),其中,n为Session中item的数量。在具体实施中,确定item的嵌入向量之后,可以对item的位置信息进行embedding的查询,以得到各item的位置信息的嵌入向量,从而得到第二嵌入向量矩阵。需要说明的是,物品的嵌入向量根据第一嵌入查询表(即第一embedding查询表)确定,位置信息的嵌入向量根据第二嵌入查询表(即第二embedding查询表)确定,以使位置信息的embedding查询表与item的embedding查询表不同。
需要说明的是,在具体实施中,位置信息除了是上述取值依次减小的实数的外,其还可以是其他取值,例如Transformer(编码器)中提出的正余弦方案的位置信息方案。
S103:根据所述第一嵌入向量矩阵和所述第二嵌入向量矩阵,确定目标嵌入向量矩阵。
在具体实施中,可以对第一嵌入向量矩阵和第二嵌入向量矩阵进行求和,以得到目标嵌入向量矩阵,当然,还可以通过将第一嵌入向量矩阵和第二嵌入向量矩阵进行拼接的方式得到目标嵌入向量矩阵,仅需确保通过第二嵌入向量矩阵使第一嵌入向量矩阵中各个item的嵌入向量与其在Session中的排列位置关联即可,在此不做具体限定。
对于第一种对第一嵌入向量矩阵和第二嵌入向量矩阵进行求和,以得到目标嵌入向量矩阵的实施方式,具体为将第一嵌入向量矩阵和第二嵌入向量矩阵的矩阵求和结果作为目标嵌入向量矩阵;对于第二种将第一嵌入向量矩阵和第二嵌入向量矩阵进行拼接的方式得到目标嵌入向量矩阵的实施方式,当第一嵌入向量矩阵中每一行表示一个item的嵌入向量时,可以将第二嵌入向量矩阵拼接于第一嵌入向量矩阵的右侧,例如:若一个Session中包括n各item,且每一个item的嵌入向量的维度为m,则第一嵌入向量矩阵为n×m的矩阵,则第二嵌入向量矩阵也是n×m的矩阵,将第二嵌入向量矩阵拼接于第一嵌入向量矩阵的右侧,以得到n×2m的矩阵,则每一个item对应的目标嵌入向量的维度为2m。
根据所述第一嵌入向量矩阵和所述第二嵌入向量矩阵,确定目标嵌入向量矩阵,可以区分不同的Session,避免了将同一个向量图对应的多个Session视为相同的Session进行后续分析处理时,造成的推荐结果的准确性低的问题。例如:如图3所示有向图,其对应的Session序列有两个,分别为(1,2,3,2,4,2)和(1,2,4,2,3,2)。这也意味着对于这两种不同的序列,相关技术中不论是在训练还是预测阶段,SR-GNN都会将两种不同的序列视为相同的Session去处理,从而造成推荐结果的准确性低。实际上,对于一个给定的有向图,其对应的所有Session序列是该有向图的所有可行的欧拉路径。
S104:基于所述目标嵌入向量矩阵,采用SR-GNN确定推荐物品。
在具体实施中,通过将目标嵌入向量矩阵输入至SR-GNN计算模型,便可以使SR-GNN计算模型计算出各个物品的推荐分数,接着可以利用softmax函数和已经获得的推荐分数值来计算不同物品的概率值,即用户下一步可能点击的物品的概率,从而根据各个物品被点击的概率值推荐物品,例如:推荐被点击的概率值最高的一个或者多个物品。
上述申请中的一个实施例具有如下优点或有益效果:可提升SR-GNN推荐的物品的准确性。通过生成与会话控制序列中每一个物品的排列顺序对应的位置信息,并根据位置信息的嵌入向量矩阵和相应物品的嵌入向量矩阵得到目标嵌入向量矩阵,可以区分与同一个向量图对应的多个目标嵌入向量矩阵,从而避免了将同一个向量图对应的多个嵌入向量矩阵视为同一个嵌入向量矩阵而造成的SR-GNN推荐的物品的准确性低的缺陷,达到提升SR-GNN推荐的物品的准确性的有益效果。
如图4所示,根据本申请的实施例,本申请提供另一种会话推荐方法,包括:
S401:获取会话控制序列,并基于所述会话控制序列中的每一个物品的嵌入向量,获取第一嵌入向量矩阵。
S402:根据所述会话控制序列中物品的排列顺序生成位置信息序列,并基于所述位置信息序列中的每一个位置信息的嵌入向量,获取第二嵌入向量矩阵。
在具体实施中,所述会话控制序列中包括n个物品,所述位置信息序列包括n个位置信息,所述n个位置信息分别与所述n个物品对应。
S403:对所述第一嵌入向量矩阵和所述第二嵌入向量矩阵进行求和,得到目标嵌入向量矩阵。
作为一种可选的实施方式,所述n个位置信息可以是呈递减排列的n个实数,该实施方式下,所述会话控制序列中排列顺序越靠前的物品对应的位置信息的值越大,且所述会话控制序列中排列顺序越靠后的物品对应的位置信息的值越小。从而使得会话控制序列送每一个位置处的物品对应不同的位置信息值。且不同取值的位置信息,通过嵌入层查询得到的嵌入向量也互不相同,从而可以得到能够区分会话控制序列中各个物品的排列位置的第二嵌入向量矩阵。通过对第一嵌入向量矩阵和第二嵌入向量矩阵进行求和,以得到目标嵌入向量矩阵,可以使同一向量图对应的多个目标嵌入向量矩阵互不相同。进而在后续分析计算过程中,分别对其进行分析,从而提升了SR-GNN的分析结果的准确性。
通过使位置信息序列中的n个位置信息呈递减的数值,可以使会话控制序列中的各个物品对应不同数值的位置信息,从而使各个物品的嵌入向量与不同的位置信息的嵌入向量对应,在求和过程中可以区分会话控制序列中排列于不同位置的物品,达到区分同一个向量图对应的多个目标嵌入向量矩阵对应的效果,进而提升了SR-GNN推荐的物品的准确性。
S404:将所述目标嵌入向量矩阵输入到SR-GNN进行处理,所述会话控制序列相关的物品集合中每个物品的触发概率,其中,所述物品集合至少包括所述会话控制序列中的物品。
在具体实施中,物品集合中还可能存在会话控制序列中不包含的其他物品,例如:网上商城具有100个商品,而用户仅点击其中的10件商品,则将所述目标嵌入向量矩阵输入到SR-GNN进行处理后,将会输出100件商品的触发概率,其中,上述物品的触发概率可以理解为,用户接下来可能点击该物品的概率值。
S405:根据所述每个物品的触发概率的数值大小,确定物品推荐列表。
在具体实施中,可以在物品推荐列表中推荐触发概率值最大的前5件或者前10件等任意数量的物品,也可以在物品推荐列表中推荐触发概率大于某一预设概率值的物品。
将上述实施方式利用Diginetica数据集和Yoochoose数据集进行验证,其结果如下:
测试集上的P@20指标值的对比如下表1所示:
表1
其中,上述测试过程中,已对SR-GNN和SR-GNN-PE中的超参数都进行了对齐,而且是进行了五次试验之后取平均值的结论。另外,SR-GNN的P@20指标值表示未采用位置信息序列的SR-GNN的推荐结果的P@20指标值,SR-GNN-PE的P@20指标值表示采用了位置信息序列的SR-GNN的推荐结果的P@20指标值,且P@20指标值越高则表示测试结果的准确性越高。
由上表可知,加入位置信息之后,对SR-GNN的推荐结果的准确性有明显的提升。
将目标嵌入向量矩阵输入到SR-GNN进行处理,以得到物品集合中每个物品的触发概率,并根据每个物品的触发概率的数值大小,确定物品推荐列表,可以在物品推荐列表中推荐出用户下一步可能选择一个或者多个物品,避免仅推荐会话控制序列中的物品,达到提升会话推荐方法的全面性的效果。
如图5所示,在一个实施例中,本申请还提供一种会话推荐装置500,该装置包括:
获取模块501,用于获取会话控制序列,并基于所述会话控制序列中的每一个物品的嵌入向量,获取第一嵌入向量矩阵;
生成模块502,用于根据所述会话控制序列中物品的排列顺序生成位置信息序列,并基于所述位置信息序列中的每一个位置信息的嵌入向量,获取第二嵌入向量矩阵;
第一确定模块503,用于根据所述第一嵌入向量矩阵和所述第二嵌入向量矩阵,确定目标嵌入向量矩阵;
第二确定模块504,用于基于所述目标嵌入向量矩阵,采用图神经网络会话推荐模型SR-GNN推荐物品。
在一个实施例中,所述第一确定模块,具体用于:
对所述第一嵌入向量矩阵和所述第二嵌入向量矩阵进行求和,得到目标嵌入向量矩阵。
在一个实施例中,所述第一确定模块,具体用于:
对所述第一嵌入向量矩阵和所述第二嵌入向量矩阵进行拼接,得到目标嵌入向量矩阵,其中,所述目标嵌入向量矩阵中与每个物品对应的嵌入向量的维度为所述第一嵌入向量矩阵与每个物品对应的嵌入向量的维度的两倍。
进一步的,所述会话控制序列中包括n个物品,所述位置信息序列包括n个位置信息,所述n个位置信息分别与所述n个物品对应,且所述会话控制序列中排列顺序越靠前的物品对应的位置信息的值越大,且所述会话控制序列中排列顺序越靠后的物品对应的位置信息的值越小。
在一个实施例中,第二确定模块504,包括:
处理单元,用于将所述目标嵌入向量矩阵输入到SR-GNN进行处理,所述会话控制序列相关的物品集合中每个物品的触发概率,其中,所述物品集合至少包括所述会话控制序列中的物品;
确定单元,用于根据所述每个物品的触发概率的数值大小,确定物品推荐列表。
进一步的,所述处理单元,包括:
第一计算子单元,用于将所述目标嵌入向量矩阵输入至SR-GNN,得到所述会话控制序列中每个物品的推荐分数值;
第二计算子单元,用于采用softmax函数对所述推荐分数值进行计算,以得到所述会话控制序列中每个物品的触发概率。
在一种实施方式中,,所述物品的嵌入向量根据第一嵌入查询表确定,所述位置信息的嵌入向量根据第二嵌入查询表确定。
上述各实施例的会话推荐装置为实现上述各实施例的会话推荐方法的装置,技术特征对应,技术效果对应,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的会话推荐方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的会话推荐方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的会话推荐方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的会话推荐方法对应的程序指令/模块(例如,附图5所示的生成模块501、第一确定模块502和第二确定模块503和)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的会话方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据会话推荐的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至会话推荐的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
会话推荐方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与会话推荐的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,能够通过生成与会话控制序列中每一个物品的排列顺序对应的位置信息,并根据位置信息的嵌入向量矩阵和相应物品的嵌入向量矩阵得到目标嵌入向量矩阵,可以区分与同一个向量图对应的多个目标嵌入向量矩阵,从而避免了将同一个向量图对应的多个嵌入向量矩阵视为同一个嵌入向量矩阵而造成的SR-GNN推荐的物品的准确性低的缺陷,达到提升SR-GNN推荐的物品的准确性的有益效果。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种会话推荐方法,其特征在于,包括:
获取会话控制序列,并基于所述会话控制序列中的每一个物品的嵌入向量,获取第一嵌入向量矩阵;
根据所述会话控制序列中物品的排列顺序生成位置信息序列,并基于所述位置信息序列中的每一个位置信息的嵌入向量,获取第二嵌入向量矩阵;
根据所述第一嵌入向量矩阵和所述第二嵌入向量矩阵,确定目标嵌入向量矩阵;
基于所述目标嵌入向量矩阵,采用图神经网络会话推荐模型SR-GNN确定推荐物品;
其中,所述基于所述目标嵌入向量矩阵,采用SR-GNN确定推荐物品的步骤,包括:
将所述目标嵌入向量矩阵输入到SR-GNN进行处理,以得到所述会话控制序列相关的物品集合中每个物品的触发概率,其中,所述物品集合至少包括所述会话控制序列中的物品;
根据所述每个物品的触发概率的数值大小,确定物品推荐列表。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一嵌入向量矩阵和所述第二嵌入向量矩阵,确定目标嵌入向量矩阵的步骤,包括:
对所述第一嵌入向量矩阵和所述第二嵌入向量矩阵进行求和,得到目标嵌入向量矩阵;或者
对所述第一嵌入向量矩阵和所述第二嵌入向量矩阵进行拼接,得到目标嵌入向量矩阵,其中,所述目标嵌入向量矩阵中与每个物品对应的嵌入向量的维度为所述第一嵌入向量矩阵与每个物品对应的嵌入向量的维度的两倍。
3.根据权利要求2所述的方法,其特征在于,所述会话控制序列中包括n个物品,所述位置信息序列包括n个位置信息,所述n个位置信息分别与所述n个物品对应,且所述会话控制序列中排列顺序越靠前的物品对应的位置信息的值越大,且所述会话控制序列中排列顺序越靠后的物品对应的位置信息的值越小。
4.根据权利要求1所述的方法,其特征在于,所述将所述目标嵌入向量矩阵输入到SR-GNN进行处理,以得到所述会话控制序列相关的物品集合中每个物品的触发概率的步骤,包括:
将所述目标嵌入向量矩阵输入至SR-GNN,得到所述会话控制序列中每个物品的推荐分数值;
采用softmax函数对所述推荐分数值进行计算,以得到所述会话控制序列中每个物品的触发概率。
5.根据权利要求1所述的方法,其特征在于,所述物品的嵌入向量根据第一嵌入查询表确定,所述位置信息的嵌入向量根据第二嵌入查询表确定。
6.一种会话推荐装置,其特征在于,包括:
获取模块,用于获取会话控制序列,并基于所述会话控制序列中的每一个物品的嵌入向量,获取第一嵌入向量矩阵;
生成模块,用于根据所述会话控制序列中物品的排列顺序生成位置信息序列,并基于所述位置信息序列中的每一个位置信息的嵌入向量,获取第二嵌入向量矩阵;
第一确定模块,用于根据所述第一嵌入向量矩阵和所述第二嵌入向量矩阵,确定目标嵌入向量矩阵;
第二确定模块,用于基于所述目标嵌入向量矩阵,采用图神经网络会话推荐模型SR-GNN推荐物品;
所述第二确定模块,包括:
处理单元,用于将所述目标嵌入向量矩阵输入到SR-GNN进行处理,所述会话控制序列相关的物品集合中每个物品的触发概率,其中,所述物品集合至少包括所述会话控制序列中的物品;
确定单元,用于根据所述每个物品的触发概率的数值大小,确定物品推荐列表。
7.根据权利要求6所述的装置,其特征在于,所述第一确定模块,具体用于:
对所述第一嵌入向量矩阵和所述第二嵌入向量矩阵进行求和,得到目标嵌入向量矩阵;或者
对所述第一嵌入向量矩阵和所述第二嵌入向量矩阵进行拼接,得到目标嵌入向量矩阵,其中,所述目标嵌入向量矩阵中与每个物品对应的嵌入向量的维度为所述第一嵌入向量矩阵与每个物品对应的嵌入向量的维度的两倍。
8.根据权利要求7所述的装置,其特征在于,所述会话控制序列中包括n个物品,所述位置信息序列包括n个位置信息,所述n个位置信息分别与所述n个物品对应,且所述会话控制序列中排列顺序越靠前的物品对应的位置信息的值越大,且所述会话控制序列中排列顺序越靠后的物品对应的位置信息的值越小。
9.根据权利要求6所述的装置,其特征在于,所述处理单元,包括:
第一计算子单元,用于将所述目标嵌入向量矩阵输入至SR-GNN,得到所述会话控制序列中每个物品的推荐分数值;
第二计算子单元,用于采用softmax函数对所述推荐分数值进行计算,以得到所述会话控制序列中每个物品的触发概率。
10.根据权利要求6所述的装置,其特征在于,所述物品的嵌入向量根据第一嵌入查询表确定,所述位置信息的嵌入向量根据第二嵌入查询表确定。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1至5中任一项所述的方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252600.6A CN111046257B (zh) | 2019-12-09 | 2019-12-09 | 一种会话推荐方法、装置以及电子设备 |
PCT/CN2020/095120 WO2021114590A1 (zh) | 2019-12-09 | 2020-06-09 | 会话推荐方法、装置以及电子设备 |
JP2021516397A JP7074964B2 (ja) | 2019-12-09 | 2020-06-09 | セッション推奨方法、装置及び電子機器 |
US17/279,377 US20220114218A1 (en) | 2019-12-09 | 2020-06-09 | Session Recommendation Method, Device and Electronic Equipment |
KR1020217008229A KR102485109B1 (ko) | 2019-12-09 | 2020-06-09 | 세션 추천 방법, 장치 및 전자 기기 |
EP20864258.7A EP3862892A4 (en) | 2019-12-09 | 2020-06-09 | SESSION RECOMMENDATION METHOD AND APPARATUS, AND ELECTRONIC DEVICE |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252600.6A CN111046257B (zh) | 2019-12-09 | 2019-12-09 | 一种会话推荐方法、装置以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046257A CN111046257A (zh) | 2020-04-21 |
CN111046257B true CN111046257B (zh) | 2023-07-04 |
Family
ID=70235306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911252600.6A Active CN111046257B (zh) | 2019-12-09 | 2019-12-09 | 一种会话推荐方法、装置以及电子设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220114218A1 (zh) |
EP (1) | EP3862892A4 (zh) |
JP (1) | JP7074964B2 (zh) |
CN (1) | CN111046257B (zh) |
WO (1) | WO2021114590A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046257B (zh) * | 2019-12-09 | 2023-07-04 | 北京百度网讯科技有限公司 | 一种会话推荐方法、装置以及电子设备 |
CN111881269A (zh) * | 2020-06-24 | 2020-11-03 | 北京三快在线科技有限公司 | 推荐对象确定方法、装置、电子设备及存储介质 |
CN112148975A (zh) * | 2020-09-21 | 2020-12-29 | 北京百度网讯科技有限公司 | 会话推荐方法、装置及设备 |
CN113656696A (zh) * | 2021-08-24 | 2021-11-16 | 工银科技有限公司 | 一种会话推荐方法及装置 |
CN113610610B (zh) * | 2021-08-27 | 2022-07-05 | 齐鲁工业大学 | 基于图神经网络和评论相似度的会话推荐方法和系统 |
CN113868537B (zh) * | 2021-10-19 | 2022-07-05 | 山东省人工智能研究院 | 一种基于多行为会话图融合的推荐方法 |
CN114219516B (zh) * | 2021-11-08 | 2023-06-30 | 梅瑞生 | 基于大数据的信息流会话推荐方法及深度学习服务系统 |
WO2023108324A1 (zh) * | 2021-12-13 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 对比学习增强的双流模型推荐系统及算法 |
CN114707070A (zh) * | 2022-04-12 | 2022-07-05 | 华为技术有限公司 | 一种用户行为预测方法及其相关设备 |
CN114692007B (zh) * | 2022-06-01 | 2022-08-23 | 腾讯科技(深圳)有限公司 | 表示信息的确定方法、装置、设备及存储介质 |
CN116595157B (zh) * | 2023-07-17 | 2023-09-19 | 江西财经大学 | 基于用户意图融合的动态兴趣转移型会话推荐方法与系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119467A (zh) * | 2019-05-14 | 2019-08-13 | 苏州大学 | 一种基于会话的项目推荐方法、装置、设备及存储介质 |
CN110232480A (zh) * | 2019-03-01 | 2019-09-13 | 电子科技大学 | 利用变分的正则化流实现的项目推荐方法及模型训练方法 |
CN110245787A (zh) * | 2019-05-24 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 一种目标群体预测方法、装置及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160306798A1 (en) * | 2015-04-16 | 2016-10-20 | Microsoft Corporation | Context-sensitive content recommendation using enterprise search and public search |
US10643130B2 (en) * | 2018-03-23 | 2020-05-05 | The Governing Council Of The University Of Toronto | Systems and methods for polygon object annotation and a method of training and object annotation system |
CN109816101A (zh) * | 2019-01-31 | 2019-05-28 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于图卷积神经网络的会话序列推荐方法及系统 |
CN110490717B (zh) * | 2019-09-05 | 2021-11-05 | 齐鲁工业大学 | 基于用户会话及图卷积神经网络的商品推荐方法及系统 |
CN111046257B (zh) * | 2019-12-09 | 2023-07-04 | 北京百度网讯科技有限公司 | 一种会话推荐方法、装置以及电子设备 |
-
2019
- 2019-12-09 CN CN201911252600.6A patent/CN111046257B/zh active Active
-
2020
- 2020-06-09 EP EP20864258.7A patent/EP3862892A4/en not_active Withdrawn
- 2020-06-09 JP JP2021516397A patent/JP7074964B2/ja active Active
- 2020-06-09 US US17/279,377 patent/US20220114218A1/en active Pending
- 2020-06-09 WO PCT/CN2020/095120 patent/WO2021114590A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232480A (zh) * | 2019-03-01 | 2019-09-13 | 电子科技大学 | 利用变分的正则化流实现的项目推荐方法及模型训练方法 |
CN110119467A (zh) * | 2019-05-14 | 2019-08-13 | 苏州大学 | 一种基于会话的项目推荐方法、装置、设备及存储介质 |
CN110245787A (zh) * | 2019-05-24 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 一种目标群体预测方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
Deepak Bhaskar Acharya.Feature Selection and Extraction for Graph Neural Networks.arXiv.2019,全文. * |
张仲伟 ; 曹雷 ; 陈希亮 ; 寇大磊 ; 宋天挺 ; .基于神经网络的知识推理研究综述.计算机工程与应用.2019,(12),全文. * |
Also Published As
Publication number | Publication date |
---|---|
US20220114218A1 (en) | 2022-04-14 |
CN111046257A (zh) | 2020-04-21 |
EP3862892A1 (en) | 2021-08-11 |
EP3862892A4 (en) | 2022-04-20 |
WO2021114590A1 (zh) | 2021-06-17 |
JP2022516593A (ja) | 2022-03-01 |
JP7074964B2 (ja) | 2022-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046257B (zh) | 一种会话推荐方法、装置以及电子设备 | |
CN111259671B (zh) | 文本实体的语义描述处理方法、装置及设备 | |
CN111259222B (zh) | 物品推荐方法、系统、电子设备及存储介质 | |
CN111967568B (zh) | 深度学习模型的适配方法、装置及电子设备 | |
CN111737954B (zh) | 文本相似度确定方法、装置、设备和介质 | |
CN111598247B (zh) | 量子吉布斯态生成方法、装置及电子设备 | |
CN110706147B (zh) | 图像处理的环境确定方法、装置、电子设备和存储介质 | |
CN111598246B (zh) | 量子吉布斯态生成方法、装置及电子设备 | |
CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
CN111695519B (zh) | 关键点定位方法、装置、设备以及存储介质 | |
CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN111708477B (zh) | 按键识别方法、装置、设备以及存储介质 | |
CN112288483A (zh) | 用于训练模型的方法和装置、用于生成信息的方法和装置 | |
CN110851726B (zh) | 兴趣点选择方法、装置以及电子设备 | |
CN111950272B (zh) | 文本相似度的生成方法、装置及电子设备 | |
CN111177479B (zh) | 获取关系网络图中节点的特征向量的方法以及装置 | |
CN112819497B (zh) | 转化率预测方法、装置、设备和存储介质 | |
CN111488972B (zh) | 数据迁移方法、装置、电子设备和存储介质 | |
CN110674262B (zh) | 词语识别方法、装置、电子设备和介质 | |
KR102485109B1 (ko) | 세션 추천 방법, 장치 및 전자 기기 | |
CN111522837B (zh) | 用于确定深度神经网络的耗时的方法和装置 | |
CN111324747B (zh) | 三元组的生成方法、装置及电子设备 | |
CN111340222B (zh) | 神经网络模型搜索方法、装置以及电子设备 | |
CN111597301B (zh) | 文本预测方法、装置以及电子设备 | |
CN111353581B (zh) | 轻量模型获取方法、装置、电子设备及存储介质 |
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 |