CN111461299A - 用户分类模型的训练方法及信息推送方法 - Google Patents
用户分类模型的训练方法及信息推送方法 Download PDFInfo
- Publication number
- CN111461299A CN111461299A CN202010230847.4A CN202010230847A CN111461299A CN 111461299 A CN111461299 A CN 111461299A CN 202010230847 A CN202010230847 A CN 202010230847A CN 111461299 A CN111461299 A CN 111461299A
- Authority
- CN
- China
- Prior art keywords
- user
- resource
- structure data
- graph structure
- classification model
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
Abstract
本说明书一个或多个实施例提供了一种用户分类模型的训练方法及信息推送方法。在一种实施例中,一种用户分类模型的训练方法包括:获取多个第一训练样本,每个第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值;对每个第一训练样本执行以下步骤:将第一用户图结构数据输入第一图神经网络模型,得到第一用户对应的第一用户嵌入表达向量;将第一资源图结构数据输入第二图神经网络模型,得到第一资源对应的第一资源嵌入表达向量;将第一用户嵌入表达向量和第一资源嵌入表达向量输入第一分类器,得到第一分类结果;基于各个第一训练样本对应的第一分类结果及第一标记值,调整第一分类模型的参数,得到训练后的第一分类模型。
Description
技术领域
本说明书一个或多个实施例涉及计算机技术领域,尤其涉及一种用户分类模型的训练方法及信息推送方法、装置、设备及介质。
背景技术
为了向用户提供更加有针对性的服务,各类应用或网站需要进行特定的目标用户挖掘,为其推送服务资源信息,以提高服务精准度。
现有技术中,一般会根据资源信息的特征对用户进行分类,从而挖掘出目标用户。但是,采用现有的用户分类方法,对于中低活跃度的用户,无法准确地获取用户特征,降低了用户分类的精确性,从而降低了服务资源信息的推送精确性。
发明内容
本说明书一个或多个实施例提供了一种用户分类模型的训练方法及信息推送方法、装置、设备及介质,能够提高用户分类的准确性。
本说明书一个或多个实施例提供的技术方案如下:
第一方面,提供了一种用户分类模型的训练方法,其中,用户分类模型包括第一分类模型,第一分类模型包括第一图神经网络模型、第二图神经网络模型和第一分类器,该方法包括:
获取多个第一训练样本;其中,每个第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值,第一用户图结构数据为第一用户所属的第一局部网络对应的图结构数据,第一资源图结构数据为第一资源所属的第二局部网络对应的图结构数据;第一局部网络的第一起始节点用于表征第一用户,第一起始节点的一度邻居节点用于表征与第一用户具有关联关系的第二资源,第一起始节点的二度邻居节点用于表征与第二资源具有关联关系的第二用户;第二局部网络的第二起始节点用于表征第一资源,第二起始节点的一度邻居节点用于表征与第一资源具有关联关系的第三用户,第二起始节点的二度邻居节点用于表征与第三用户具有关联关系的第三资源;第一局部网络和第二局部网络中的边用于表征所连接的节点之间的关联关系;
对每个第一训练样本,执行以下步骤:
将第一用户图结构数据输入第一图神经网络模型,得到第一用户对应的第一用户嵌入表达向量;
将第一资源图结构数据输入第二图神经网络模型,得到第一资源对应的第一资源嵌入表达向量;
将第一用户嵌入表达向量和第一资源嵌入表达向量输入第一分类器,得到第一分类结果;
在不满足第一预设训练停止条件的情况下,基于各个第一训练样本对应的第一分类结果及第一标记值,调整第一分类模型的参数,并继续利用第一训练样本训练调整后的第一分类模型,直至满足第一预设训练停止条件,得到训练后的第一分类模型。
第二方面,提供了一种信息推送方法,包括:
获取多个第三用户图结构数据和第二资源图结构数据;其中,第三用户图结构数据为第一待分类用户所属的第四局部网络对应的图结构数据,第二资源图结构数据为目标资源所属的第五局部网络对应的图结构数据;第四局部网络的第四起始节点用于表征第一待分类用户,第四起始节点的一度邻居节点用于表征与第一待分类用户具有关联关系的第四资源,第四起始节点的二度邻居节点用于表征与第四资源具有关联关系的第五用户;第五局部网络的第五起始节点用于表征目标资源,第五起始节点的一度邻居节点用于表征与目标资源具有关联关系的第六用户,第五起始节点的二度邻居节点用于表征与第六用户具有关联关系的第五资源;第四局部网络和第五局部网络中的边用于表征所连接的节点之间的关联关系;
将每个第三用户图结构数据与第二资源图结构数据输入训练后的用户分类模型的第一分类模型,得到每个第一待分类用户对应的第三分类结果;其中,第一分类模型利用多个第一训练样本训练得到,每个第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值,第一用户图结构数据为第一用户所属的第一局部网络对应的图结构数据,第一资源图结构数据为第一资源所属的第二局部网络对应的图结构数据;
根据所述第三分类结果,在第一待分类用户中确定目标资源对应的至少一个第一目标用户;
向至少一个第一目标用户推送目标资源的资源信息。
第三方面,提供了一种用户分类模型的训练装置,其中,用户分类模型包括第一分类模型,第一分类模型包括第一图神经网络模型、第二图神经网络模型和第一分类器,该装置包括:
第一样本获取模块,用于获取多个第一训练样本;其中,每个第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值,第一用户图结构数据为第一用户所属的第一局部网络对应的图结构数据,第一资源图结构数据为第一资源所属的第二局部网络对应的图结构数据;第一局部网络的第一起始节点用于表征第一用户,第一起始节点的一度邻居节点用于表征与第一用户具有关联关系的第二资源,第一起始节点的二度邻居节点用于表征与第二资源具有关联关系的第二用户;第二局部网络的第二起始节点用于表征第一资源,第二起始节点的一度邻居节点用于表征与第一资源具有关联关系的第三用户,第二起始节点的二度邻居节点用于表征与第三用户具有关联关系的第三资源;第一局部网络和第二局部网络中的边用于表征所连接的节点之间的关联关系;
第一模型训练模块,用于对每个第一训练样本,执行以下步骤:
将第一用户图结构数据输入第一图神经网络模型,得到第一用户对应的第一用户嵌入表达向量;
将第一资源图结构数据输入第二图神经网络模型,得到第一资源对应的第一资源嵌入表达向量;
将第一用户嵌入表达向量和第一资源嵌入表达向量输入第一分类器,得到第一分类结果;
第一参数调整模块,用于在不满足第一预设训练停止条件的情况下,基于各个第一训练样本对应的第一分类结果及第一标记值,调整第一分类模型的参数,并继续利用第一训练样本训练调整后的第一分类模型,直至满足第一预设训练停止条件,得到训练后的第一分类模型。
第四方面,提供了一种信息推送装置,包括:
图结构获取模块,用于获取多个第三用户图结构数据和第二资源图结构数据;其中,第三用户图结构数据为第一待分类用户所属的第四局部网络对应的图结构数据,第二资源图结构数据为目标资源所属的第五局部网络对应的图结构数据;第四局部网络的第四起始节点用于表征第一待分类用户,第四起始节点的一度邻居节点用于表征与第一待分类用户具有关联关系的第四资源,第四起始节点的二度邻居节点用于表征与第四资源具有关联关系的第五用户;第五局部网络的第五起始节点用于表征目标资源,第五起始节点的一度邻居节点用于表征与目标资源具有关联关系的第六用户,第五起始节点的二度邻居节点用于表征与第六用户具有关联关系的第五资源;第四局部网络和第五局部网络中的边用于表征所连接的节点之间的关联关系;
图结构处理模块,用于将每个第三用户图结构数据与第二资源图结构数据输入训练后的用户分类模型的第一分类模型,得到每个第一待分类用户对应的第三分类结果;其中,第一分类模型利用多个第一训练样本训练得到,每个第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值,第一用户图结构数据为第一用户所属的第一局部网络对应的图结构数据,第一资源图结构数据为第一资源所属的第二局部网络对应的图结构数据;
第一用户确定模块,用于根据第三分类结果,在第一待分类用户中确定目标资源对应的至少一个第一目标用户;
第一信息推送模块,用于向至少一个第一目标用户推送目标资源的资源信息。
第五方面,提供了一种用户分类模型的训练设备,设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如第一方面所述的用户分类模型的训练方法。
第六方面,提供了一种信息推送设备,设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如第二方面所述的信息推送方法。
第七方面,提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面所述的用户分类模型的训练方法或者如第二方面所述的信息推送方法。
根据上述的本说明书一个或多个实施例,能够利用第一用户所属的第一局部网络对应的第一用户图结构数据、第一资源所属的第二局部网络对应的第一资源图结构数据以及两个图结构数据对应的第一标记值,对用户分类模型中的第一分类模型进行训练,由于第一用户图结构数据不但包括表征第一用户的第一起始节点,还包括表征与第一用户具有关联关系的第二资源的一度邻居节点以及表征与这些第二资源具有关联关系的第二用户的二度邻居节点,因此,可以构建更加丰富的用户特征,使得利用第一用户图结构数据训练得到的第一分类模型具有较高的分类准确性,从而提高推送资源信息的精确性。
附图说明
为了更清楚地说明本说明书一个或多个实施例的技术方案,下面将对本说明书一个或多个实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是现有技术中一个示例的资源信息推送系统的系统架构图;
图2是本说明书一个实施例提供的用户分类模型的结构示意图;
图3是本说明书一个实施例提供的第一分类模型的结构示意图;
图4是本说明书一个实施例提供的用户分类模型的训练方法的流程示意图;
图5是本说明书一个实施例提供的信息推送方法的流程示意图;
图6是本说明书一个实施例提供的用户分类模型的训练装置的结构示意图;
图7是本说明书一个实施例提供的信息推送装置的结构示意图;
图8是本说明书一个实施例提供的用户分类模型的训练设备的硬件结构示意图。
具体实施方式
下面将详细描述本说明书的各个方面的特征和示例性实施例,为了使本说明书的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本说明书进行进一步详细描述。应理解,此处所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。对于本领域技术人员来说,本说明书可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本说明书的示例来提供对本说明书更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
图1示出了现有技术中一个示例的资源信息推送系统的系统架构图。如图1所示,该资源信息推送系统包括用户设备110和资源推送服务器120。其中,资源推送服务器120需要根据资源信息的特征对用户进行分类,从而挖掘出目标用户,目标用户为对资源信息对应的服务可能感兴趣的用户,从而分别向每个目标用户的用户设备110推送该资源信息。
在本说明书中,用户设备110具体可以是手机、平板电脑、个人电脑等。资源推送服务器120可以是一种高性能的电子计算器,用于存储和处理数据。
在本说明书中,资源信息可以为服务器的广告展示页面或者电子优惠券,只要是用于对服务进行推广的信息即可。
在资源推送服务器120采用现有的用户分类方法对用户进行分类时,对于中低活跃度的用户,由于无法准确地获取用户特征,使得用户分类的准确性较低,从而降低了推送服务资源信息推送的精确性。
针对中低活跃度的用户,以资源信息为广告展示页面为例,虽然该用户对广告展示页面的点击次数较少,利用该用户的自身特征,无法准确地获取用户特征。但是,会有很多与该用户具有相同喜好的其他用户也点击过该用户点击过的广告展示页面,这些其他用户与该用户的兴趣相同,因此,可以利用该用户点击过的广告展示页面的资源特征以及点击过这些广告展示页面的其他用户的用户特征,来对该用户进行特征补充,即可以利用该用户的自身特征、该用户点击过的广告展示页面的资源特征以及点击过这些广告展示页面的其他用户的用户特征,构建该用户的用户特征数据,并利用所构建的用户特征数据对该用户进行分类,以提高用户分类的准确性。
因此,为了解决现有技术的问题,本说明书一个或多个实施例提供了一种用于根据上述所构建的用户特征数据对用户进行分类的用户分类模型的训练方法及信息推送方法、装置、设备及介质。
下面首先对本说明书所提供的用户分类模型的模型结构进行介绍。
图2示出了本说明书一个实施例提供的用户分类模型的结构示意图。如图2所示,用户分类模型可以包括第一分类模型210和第二分类模型220,第一分类模型210和第二分类模型220可以分别用于对用户进行分类,因此,第一分类模型210和第二分类模型220可以分别训练并且分别使用。其中,第一分类模型210可以为基于图神经网络建立的模型,其能够根据上述所构建的用户特征数据对应的图结构数据确定用户的分类结果,同时,第一分类模型210还可以根据上述所构建的用户特征数据对应的图结构数据生成用户嵌入表达向量。第二分类模型220能够根据第一分类模型210生成的用户嵌入表达向量确定用户的分类结果。
需要说明的是,第一分类模型210和第二分类模型220可以针对相同的资源进行用户分类,也可以针对不相同的资源进行用户分类。
图3示出了本说明书一个实施例提供的第一分类模型的结构示意图。如图3所示,第一分类模型210可以包括第一图神经网络模型211、第二图神经网络模型212和第一分类器213。
其中,第一图神经网络模型211用于将用户特征数据对应的图结构数据转化为用户特征向量,第二图神经网络模型212用于将资源特征数据对应的图结构数据转化为资源特征向量,资源特征数据的构建方式与用户特征数据相似。
在本说明书实施例中,使用第一图神经网络模型211和第二图神经网络模型212能够对用户特征数据和资源特征数据进行嵌入表达学习,从而提升用户特征和资源特征的准确性,提升用户覆盖度和第一分类器的分类准确性。
在本说明书实施例中,第一图神经网络模型211和第二图神经网络模型212可以包括但不限于自适应感受路径的图神经网络模型(GeniePath)、图卷积神经网络(GCN)、归纳式的图神经网络模型(GraphSage)、图注意力网络模型(GAT)和图同构网络模型(GIN)。
在本说明书实施例中,第一分类器213可以为三层多元分类模型(DNN),也可以替换成其他逻辑回归模型,二分类树模型等。
图4示出了本说明书一个实施例提供的用户分类模型的训练方法的流程示意图。
在本说明书一些实施例中,图4所示的方法可以应用于服务器,例如,服务器可以为图1所示的资源推送服务器120,也可以为资源推送服务器120以外的其他服务器,在此不做限制。进一步地,图4所示的方法可以为针对图3中的第一分类模型210的训练方法。
如图4所示,该用户分类模型的训练方法可以包括:
S310、获取多个第一训练样本;
其中,每个第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值,
然后,对每个第一训练样本,执行S320-S340:
S320、将第一用户图结构数据输入第一图神经网络模型,得到第一用户对应的第一用户嵌入表达向量;
S330、将第一资源图结构数据输入第二图神经网络模型,得到第一资源对应的第一资源嵌入表达向量;
S340、将第一用户嵌入表达向量和第一资源嵌入表达向量输入第一分类器,得到第一分类结果;
在对全部的第一训练样本均执行完S320-S340之后,执行S350:
S350、在不满足第一预设训练停止条件的情况下,基于各个第一训练样本对应的第一分类结果及第一标记值,调整第一分类模型的参数,并继续利用第一训练样本训练调整后的第一分类模型,直至满足第一预设训练停止条件,得到训练后的第一分类模型。
在本说明书实施例中,能够利用第一用户所属的第一局部网络对应的第一用户图结构数据、第一资源所属的第二局部网络对应的第一资源图结构数据以及两个图结构数据对应的第一标记值,对用户分类模型中的第一分类模型进行训练,由于第一用户图结构数据不但包括表征第一用户的第一起始节点,还包括表征与第一用户具有关联关系的第二资源的一度邻居节点以及表征与这些第二资源具有关联关系的第二用户的二度邻居节点,因此,可以构建更加丰富的用户特征,使得利用第一用户图结构数据训练得到的第一分类模型具有较高的分类准确性,从而提高推送资源信息的精确性。
在本发明一些实施例的S310中,第一用户图结构数据和第一资源图结构数据分别为根据上述的创建用户特征的思想所构建的用户特征数据和资源特征数据对应的图结构数据。
即,第一用户图结构数据为第一用户所属的第一局部网络对应的图结构数据,第一资源图结构数据为第一资源所属的第二局部网络对应的图结构数据。
为了保证用户特征和资源特征具有较高的准确性,并且提高进行用户分类时的数据处理效率,在本说明书一些实施例中,第一局部网络和第二局部网络可以为相同维度的特征图,第一局部网络和第二局部网络可以为3维度的特征图。
第一局部网络的第一起始节点用于表征第一用户,第一起始节点的一度邻居节点用于表征与第一用户具有关联关系的第二资源,第一起始节点的二度邻居节点用于表征与第二资源具有关联关系的第二用户;第二局部网络的第二起始节点用于表征第一资源,第二起始节点的一度邻居节点用于表征与第一资源具有关联关系的第三用户,第二起始节点的二度邻居节点用于表征与第三用户具有关联关系的第三资源;第一局部网络和第二局部网络中的边用于表征所连接的节点之间的关联关系。
在本说明书一些实施例中,关联关系可以为点击关系,与第一用户具有关联关系的第二资源指的是第一用户点击过的资源,与第二资源具有关联关系的第二用户指的是点击过第二资源的用户,与第一资源具有关联关系的第三用户指的是点击过的第一资源的用户,与第三用户具有关联关系的第三资源指的是第三用户点击过的资源。
由此,可以利用第二资源的资源特征以及第二用户的用户特征,对第一用户的用户特征进行补充,同时,也可以利用第三用户的用户特征以及第三资源的资源特征,对第一资源的资源特征进行补充,即使是历史行为很少的用户或者点击量很少的资源,也可以获取丰富的用户特征和资源特征,从而提高用户特征和资源特征的准确性,提高所覆盖的用户特征和资源特征的全面性。
在本发明另一些实施例中,第一局部网络和第二局部网络还可以分别为维度大于3的特征图,特征图的维度越高,特征图所表示的特征越丰富,所获取的用户特征和资源特征的准确性更高。
在这些实施例中,可选地,第一局部网络的第一起始节点用于表征第一用户,第一起始节点的偶数维度邻居节点用于表征与第一用户具有间接关联关系的第二用户,第一起始节点的奇数维度邻居节点用于表征与第一用户具有直接或间接关联关系的第二资源,第一局部网络中的边用于表征所连接的节点之间的关联关系;第二局部网络的第二起始节点用于表征第一资源,第二起始节点的偶数维度邻居节点用于表征与第三用户具有间接关联关系的第三资源,第二起始节点的奇数维度邻居节点于表征与第一资源具有直接或间接关联关系的第三用户,第二局部网络中的边用于表征所连接的节点之间的关联关系。
其中,上述的关联关系可以为点击关系,在此不做赘述。
在本说明书实施例中,可选地,还可以对每一个维度的邻居节点数量设置数量上限,从而进一步提高数据处理效率。具体地,当任意维度的邻居节点数量超过该维度对应的数量上限时,可以对这一维度的邻居节点进行随机删除,从而使这一维度的邻居节点数量等于数量上限。
在本说明书实施例中,第一训练样本包括正样本和负样本。其中,在第一训练样本的正样本中,第一资源为第一用户点击过的资源,因此,第一训练样本的正样本的标记值为1;在第一训练样本的负样本中,第一资源为第一用户未点击过的资源,因此,第一训练样本的负样本的标记值为0。标记值既可以代表第一用户对第一资源的感兴趣程度,也可以代表第一用户属于第一资源的目标用户的概率。
下面以第一资源为广告展示页面为例,对本说明书提供的用户分类模型的训练方法进行详细说明。
在本发明一些实施例中,S310的具体方法可以为从第一预设时间段的历史广告展示日志中,选择具有点击关系的用户和广告,将这些用户的图结构数据和广告的图结构数据作为正样本,然后,选择与正样本相同数量的不具有点击关系的用户和广告,将这些用户的图结构数据和广告的图结构数据作为负样本,从而保证正负样本均衡。
在本说明书实施例中,在对第一分类模型进行模型训练时,需要将第一用户图结构数据和第一资源图结构数据输入第一分类模型。
在一些实施例中,第一用户图结构数据包括第一局部网络、第一局部网络中每个节点的初始特征向量和第一局部网络中每个边的初始特征向量。第一资源图结构数据包括第二局部网络、第二局部网络中每个节点的初始特征向量和第二局部网络中每个边的初始特征向量。
具体地,第一用户图结构数据和第一资源图结构数据可以分别根据第二预设时间段的历史广告展示日志生成。其中,第二预设时间段为与第一预设时间段不同的时间段,并且第二预设时间段早于第一预设时间段。
在本说明书实施例中,当节点表征用户时,节点的初始特征向量为用户初始特征向量;当节点表征资源时,节点的初始特征向量为资源初始特征向量。
其中,用户初始特征向量根据用户画像信息生成,用户画像信息可以包括用户的基本信息、消费信息和浏览信息等,基本信息如年龄、性别、身份以及所属地域等,消费信息如消费金额、消费类别等,浏览信息如浏览资源的所属类别等。资源初始特征向量根据资源内容信息生成,资源内容信息可以包括资源类别、资源图案信息、资源文字信息等。
在本说明书实施例中,边的初始特征向量可以根据边特征生成,边特征包括用户点击资源的频次、时间等。
在本发明一些实施例中,如3所示的第一图神经网络模型211和第二图神经网络模型212可以分别为GeniePath模型。由于第一图神经网络模型211和第二图神经网络模型212的处理原理相似,下面,以将第一用户图结构数据输入第一图神经网络模型211,生成第一用户对应的第一用户嵌入表达向量为例,对入第一图神经网络模型211的处理流程进行详细说明。
将第一局部网络中的节点对应的初始特征向量表示为h,将边的初始特征向量表示为e,相邻维度之间的节点特征传递公式如下:
其中,3维度的第一局部网络的邻居节点的层数L=2,为第j个节点在第l层的嵌入向量,为第l个节点在第(l+1)层的嵌入向量,第1层指的是二度邻居节点,第2层指的是一度邻居节点,l=2时,第(l+1)层的节点为起始节点,eij为i节点和j节点之间的边特征。W(l)和b(l)是模型参数。σ函数为激活函数,具体可以为sigmoi、tanh等函数。j∈Ni表示节点j是节点i的邻居节点。
将第一用户图结构数据输入第一图神经网络模型后,第一图神经网络模型既可以根据节点特征传递公式计算第一局部网络中的每个节点的嵌入表达向量。
进一步地,在本说明书实施例中,第一用户对应的第一用户嵌入表达向量为第一图神经网络模型处理得到的第一局部网络的第一起始节点对应的嵌入表达向量,第一资源对应的第一资源嵌入表达向量为第二图神经网络模型处理得到的第二局部网络的第二起始节点对应的嵌入表达向量。
将第一图神经网络模型生成的第一用户嵌入表达向量表示为huid,将第二图神经网络模型生成的第一资源嵌入表达向量表示为hitem,得到输入第一分类器的数据集合{(uidk,itemk)},k∈[1,N],相应地,该数据集合对应的第一标记值集合为{yi},i∈[1,N]。其中yi=1表示用户uidk点击过资源itemk,yi=0则表示相反。
将数据集合{(uidk,itemk)}中的数据对依次输入第一分类器后,可以得到每个数据对的第一分类结果,第一分类结果可以为概率值,用于表示第一用户对第一资源的感兴趣程度,也可以表示第一用户属于第一资源的目标用户的概率。
在第一分类模型对全部的第一训练样本处理完毕并且得到每个第一训练样本对应的第一分类结果后,既可以执行S350。
在本发明一些实施例中,S350的具体方法可以包括:
基于各个第一训练样本对应的第一分类结果及其对应的第一标记值,利用预设的交叉熵损失函数和反向传播法,调整第一分类模型的参数。
在一些实施例中,交叉熵损失函数的函数公式如下:
在本说明书实施例中,可以利用上述的交叉熵损失函数和反向传播法调整第一图神经网络模型、第二图神经网络模型和第一分类器中各个模型参数的参数值。
在本说明书实施例中,第一预设训练停止条件可以为交叉熵损失函数计算得到的第一损失函数值小于第一预设阈值,也可以为对第一分类模型的训练次数达到第一预设次数,还可以为第一分类模型的正确率达到第一正确率阈值,在此不做限制。
继续参见图2和图3,用户分类模型还包括第二分类模型220,第二分类模型220对应的第二训练样本要基于第一分类模型210所生成的用户嵌入表达向量确定,因此,要在第一分类模型210训练完成后,再利用训练后的第一分类模型,得到第二训练样本。
在本说明书实施例中,第二分类模型220可以为三层多元分类模型(DNN),也可以替换成其他逻辑回归模型,二分类树模型等。
在本说明书一些实施例中,第二分类模型220可以为DNN模型,具体地,可以将第一分类模型产出的用户嵌入表达向量作为样本特征,使用DNN模型对用户是否属于资源的目标用户进行打分,由于DNN模型为轻量模型,用户嵌入表达向量的数据处理量较小,因此,可以大大降低用于挖掘目标用户的模型的训练时间,提升目标用户的挖掘时效性。
在这些实施例中,可选地,该用户分类模型的训练方法还可以包括:
获取多个第二训练样本;其中,每个第二训练样本包括第四用户对应的第二用户嵌入表达向量和第二标记值,第二用户嵌入表达向量根据第二用户图结构数据和训练后的第一分类模型中的第一图神经网络模型确定;第二用户图结构数据为第四用户所属的第三局部网络对应的图结构数据;
对每个第二训练样本,执行以下步骤:
将第二用户嵌入表达向量输入第二分类模型,得到第二分类结果;
在对全部的第二训练样本均执行完上述步骤之后,执行以下步骤:
在不满足第二预设训练停止条件的情况下,基于各个第二训练样本对应的第二分类结果及第二标记值,调整第二分类模型的参数,并继续利用第二训练样本训练调整后的第二分类模型,直至满足第二预设训练停止条件,得到训练后的第二分类模型。
在本说明书实施例中,可以选取待训练资源的种子用户作为正样本,在全量用户中选取种子用户以外的其它用户作为负样本,并且保证正样本和负样本的数量相同。可选地,种子用户的数量一般在十万量级左右。
其中,种子用户可以为点击过待训练资源的用户或者点击过与待训练资源类似的资源的用户,其中,与待训练资源类似的资源可以为与待训练资源类型相同的资源或者与待训练资源内容相似的资源。
在本说明书实施例中,第三局部网络的构成方法及结构与第一局部网络相似,在此不做赘述。
在本说明书实施例中,基于各个第二训练样本对应的第二分类结果及第二标记值,调整第二分类模型的参数的具体方法可以为:基于各个第二训练样本对应的第二分类结果及其对应的第二标记值,利用预设损失函数和反向传播法,调整第二分类模型的参数。其中,预设损失函数可以为任意类型的损失函数,在此不做限制。
在本说明书实施例中,第二预设训练停止条件可以为预设损失函数计算得到的第二损失函数值小于第二预设阈值,也可以为对第二分类模型的训练次数达到第二预设次数,还可以为第二分类模型的正确率达到第二正确率阈值,在此不做限制。
图5示出了本说明书一个实施例提供的信息推送方法的流程示意图。
在本说明书一些实施例中,图5所示的方法可以应用于服务器,例如,服务器可以为图1所示的资源推送服务器120。进一步地,图5所示的方法可以为基于图3中的第一分类模型210的信息推送方法。
如图5所示,该一种信息推送方法可以包括:
S410、获取多个第三用户图结构数据和第二资源图结构数据;
S420、将每个第三用户图结构数据与第二资源图结构数据输入训练后的用户分类模型的第一分类模型,得到每个第一待分类用户对应的第三分类结果;其中,第一分类模型利用多个第一训练样本训练得到,每个第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值,第一用户图结构数据为第一用户所属的第一局部网络对应的图结构数据,第一资源图结构数据为第一资源所属的第二局部网络对应的图结构数据;
S430、根据第三分类结果,在第一待分类用户中确定目标资源对应的至少一个第一目标用户;
S440、向至少一个第一目标用户推送目标资源的资源信息。
在本说明书实施例中,由于第一分类模型是利用第一用户所属的第一局部网络对应的第一用户图结构数据、第一资源所属的第二局部网络对应的第一资源图结构数据以及两个图结构数据对应的第一标记值训练得到的,第一用户图结构数据不但包括表征第一用户的第一起始节点,还包括表征与第一用户具有关联关系的第二资源的一度邻居节点以及表征与这些第二资源具有关联关系的第二用户的二度邻居节点,因此,可以构建更加丰富的用户特征,使得利用第一用户图结构数据训练得到的第一分类模型具有较高的分类准确性,从而提高推送资源信息的精确性。
在本发明一些实施例的S410中,第三用户图结构数据和第二资源图结构数据分别为根据上述的创建用户特征的思想所构建的用户特征数据和资源特征数据对应的图结构数据。
即,第三用户图结构数据为第一待分类用户所属的第四局部网络对应的图结构数据,第二资源图结构数据为目标资源所属的第五局部网络对应的图结构数据。
第四局部网络的第四起始节点用于表征第一待分类用户,第四起始节点的一度邻居节点用于表征与第一待分类用户具有关联关系的第四资源,第四起始节点的二度邻居节点用于表征与第四资源具有关联关系的第五用户;第五局部网络的第五起始节点用于表征目标资源,第五起始节点的一度邻居节点用于表征与目标资源具有关联关系的第六用户,第五起始节点的二度邻居节点用于表征与第六用户具有关联关系的第五资源;第四局部网络和第五局部网络中的边用于表征所连接的节点之间的关联关系。
在本说明书实施例中,第四局部网络的构成方法及结构与第一局部网络相似、第五局部网络的构成方法及结构与第二局部网络相似,在此不做赘述。
在本说明书实施例中,第一待分类用户可以为服务器中所存储的全部用户,目标资源可以为服务器即将推送的资源。
在本说明书实施例中,第三分类结果指的是第一分类模型对第一待分类图结构数据和第二待分类图结构数据的检测结果,第三分类结果可以为概率值,用于表示第一待分类用户对目标资源的感兴趣程度,也可以表示第一待分类用户属于目标资源的第一目标用户的概率。
在本说明书实施例的S430中,由于在训练时标记值为1代表感兴趣,标记值为0代表不感兴趣,因此,可以筛选出第三分类结果对应的概率值大于第一预设概率值的第一待分类用户,并利用这些用户确定第一目标用户。其中,第一预设概率值可以为50%。
在本发明一些实施例中,S430的具体方法可以包括:将第三分类结果对应的概率值大于第一预设概率值的第一待分类用户,作为第一目标用户。
可选地,S430的具体方法还可以包括:在第一分类结果对应的概率值大于第一预设概率值的第一待分类用户中,选择概率值最大的第一预设数量的第一目标用户。
在本说明书实施例中,由于不同的资源可能面对不同的人群,因此,还可以利用资源对于不同的人群的筛选条件,进一步获取更精确的第一目标用户。
在本发明另一些实施例中,S430的具体方法可以包括:
根据第三分类结果,在第一待分类用户中确定第三备选用户;
从第三备选用户中筛选出符合预设条件的第四备选用户;
根据第四备选用户,确定至少一个第一目标用户。
具体地,可以将第三分类结果对应的概率值大于第一预设概率值的第一待分类用户,确定为第三备选用户,再从第三备选用户中筛选出符合预设条件的第四备选用户,以确定至少一个第一目标用户。例如,可以将全部第四备选用户作为第一目标用户。再例如,可以选择概率值最大的第一预设数量的第四备选用户作为第一目标用户。
在本发明又一些实施例中,还可以在获取多个第一待分类用户对应的第三用户图结构数据之前,先对用户进行筛选。
具体地,在S410之前,该信息推送方法还可以包括:
从多个第四待分类用户中筛选出符合预设条件的第一待分类用户。
在本说明书实施例的S440中,可以获取第一目标用户的账号,并且向所获取的账号推送目标资源的资源信息。
其中,资源信息可以为服务器的广告展示页面或者电子优惠券,只要是用于对服务进行推广的信息即可。
继续参见图2,用户分类模型还包括第二分类模型220。
在本说明书一些实施例中,第二分类模型220可以为DNN模型,可以将第一分类模型产出的用户嵌入表达向量作为样本特征,使用DNN模型对用户是否属于资源的目标用户进行打分,由于DNN模型为轻量模型,用户嵌入表达向量的数据处理量较小,因此,可以大大降低用于挖掘目标用户的模型的训练时间,提升目标用户的挖掘时效性。
可选地,该信息推送方法还可以包括:
获取多个第二待分类用户对应的第三用户嵌入表达向量;其中,第三用户嵌入表达向量根据第四用户图结构数据和训练后的第一分类模型中的第一图神经网络模型确定;第四用户图结构数据为第二待分类用户所属的第六局部网络对应的图结构数据;
将每个第三用户嵌入表达向量输入训练后的用户分类模型的第二分类模型,得到每个第二待分类用户对应的第四分类结果;其中,第二分类模型利用多个第二训练样本训练得到,每个第二训练样本包括第四用户对应的第二用户嵌入表达向量和第二标记值,第二用户嵌入表达向量根据第二用户图结构数据和训练后的第一分类模型中的第一图神经网络模型确定;第二用户图结构数据为第二用户所属的第三局部网络对应的图结构数据;
根据每个第四分类结果,在第二待分类用户中确定至少一个第二目标用户;
向至少一个第二目标用户推送第二分类模型对应的资源信息。
在本发明实施例中,第二分类模型为利用待推送的资源的种子用户和在全量用户中选取种子用户以外的用户的嵌入表达向量训练得到的模型。因此,第二分类模型仅能够针对该待推送的资源对第二待分类用户进行分类。
在本说明书实施例中,第六局部网络的构成方法及结构与第一局部网络相似,在此不做赘述。
在本说明书实施例中,第二待分类用户可以为服务器中所存储的全部用户。
在本说明书实施例中,第四分类结果指的是第二分类模型对第三用户嵌入表达向量的检测结果,第四分类结果可以为概率值,用于表示第二待分类用户对第二分类模型对应的待推送的资源的感兴趣程度,也可以表示第二待分类用户属于第二分类模型对应的待推送的资源的第二目标用户的概率。
在本说明书实施例中,由于在训练时标记值为1代表感兴趣,标记值为0代表不感兴趣,因此,可以筛选出第四分类结果对应的概率值大于第二预设概率值的第二待分类用户,并利用这些用户确定第二目标用户。其中,第二预设概率值可以为50%。
在本发明一些实施例中,根据每个第四分类结果在第二待分类用户中确定至少一个第二目标用户的具体方法可以包括:
将第四分类结果对应的概率值大于第二预设概率值的第二待分类用户,作为第二目标用户。
可选地,还可以在第四分类结果对应的概率值大于第二预设概率值的第二待分类用户中,选择概率值最大的第二预设数量的第二目标用户。
在本说明书实施例中,由于不同的资源可能面对不同的人群,因此,还可以利用资源对于不同的人群的筛选条件,进一步获取更精确的第二目标用户。
在本发明另一些实施例中,根据每个第四分类结果在第二待分类用户中确定至少一个第二目标用户的具体方法可以包括:
根据每个第四分类结果,在第二待分类用户中确定第一备选用户;
从第一备选用户中筛选出符合预设条件的第二备选用户;
根据第二备选用户,确定至少一个第二目标用户。
具体地,可以将第四分类结果对应的概率值大于第二预设概率值的第二待分类用户,确定为第一备选用户,再从第一备选用户中筛选出符合预设条件的第二备选用户,以确定至少一个第二目标用户。例如,可以将全部第二备选用户作为第二目标用户。再例如,可以选择概率值最大的第二预设数量的第二备选用户作为第二目标用户。
在本发明又一些实施例中,还可以在获取多个第三用户嵌入表达向量之前,先对用户进行筛选。
具体地,在获取多个第二待分类用户对应的第三用户嵌入表达向量之前,该信息推送方法还可以包括:
从多个第三待分类用户中筛选出符合预设条件的第二待分类用户。
在本说明书实施例中,可以获取第二目标用户的账号,并且向所获取的账号推送第二分类模型对应的资源信息。
进而,本说明书实施例可以通过第二分类模型提高用户分类的精确性。
图6示出了本说明书一个实施例提供的用户分类模型的训练装置的结构示意图。
在本说明书一些实施例中,图6所示的装置可以应用于服务器,例如,服务器可以为图1所示的资源推送服务器120,也可以为资源推送服务器120以外的其他服务器,在此不做限制。具体地,图6所示的装置为针对图3中的第一分类模型210的训练装置。
如图6所示,该用户分类模型的训练装置500可以包括:
第一样本获取模块510,用于获取多个第一训练样本;其中,每个第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值,第一用户图结构数据为第一用户所属的第一局部网络对应的图结构数据,第一资源图结构数据为第一资源所属的第二局部网络对应的图结构数据;第一局部网络的第一起始节点用于表征第一用户,第一起始节点的一度邻居节点用于表征与第一用户具有关联关系的第二资源,第一起始节点的二度邻居节点用于表征与第二资源具有关联关系的第二用户;第二局部网络的第二起始节点用于表征第一资源,第二起始节点的一度邻居节点用于表征与第一资源具有关联关系的第三用户,第二起始节点的二度邻居节点用于表征与第三用户具有关联关系的第三资源;第一局部网络和第二局部网络中的边用于表征所连接的节点之间的关联关系;
第一模型训练模块520,用于对每个第一训练样本,执行以下步骤:
将第一用户图结构数据输入第一图神经网络模型,得到第一用户对应的第一用户嵌入表达向量;
将第一资源图结构数据输入第二图神经网络模型,得到第一资源对应的第一资源嵌入表达向量;
将第一用户嵌入表达向量和第一资源嵌入表达向量输入第一分类器,得到第一分类结果;
第一参数调整模块530,用于在不满足第一预设训练停止条件的情况下,基于各个第一训练样本对应的第一分类结果及第一标记值,调整第一分类模型的参数,并继续利用第一训练样本训练调整后的第一分类模型,直至满足第一预设训练停止条件,得到训练后的第一分类模型。
在本说明书实施例中,能够利用第一用户所属的第一局部网络对应的第一用户图结构数据、第一资源所属的第二局部网络对应的第一资源图结构数据以及两个图结构数据对应的第一标记值,对用户分类模型中的第一分类模型进行训练,由于第一用户图结构数据不但包括表征第一用户的第一起始节点,还包括表征与第一用户具有关联关系的第二资源的一度邻居节点以及表征与这些第二资源具有关联关系的第二用户的二度邻居节点,因此,可以构建更加丰富的用户特征,使得利用第一用户图结构数据训练得到的第一分类模型具有较高的分类准确性,从而提高推送资源信息的精确性。
在一些实施例中,第一用户图结构数据包括第一局部网络、第一局部网络中每个节点的初始特征向量和第一局部网络中每个边的初始特征向量;第一资源图结构数据包括第二局部网络、第二局部网络中每个节点的初始特征向量和第二局部网络中每个边的初始特征向量。
进一步地,在本说明书实施例中,第一用户嵌入表达向量为第一起始节点对应的嵌入向量,第一资源嵌入表达向量为第二起始节点对应的嵌入向量。
在本发明一些实施例中,第一参数调整模块530具体用于:
基于各个第一训练样本对应的第一分类结果及其对应的第一标记值,利用预设的交叉熵损失函数和反向传播法,调整第一分类模型的参数。
在本说明书实施例中,第一预设训练停止条件可以为交叉熵损失函数计算得到的第一损失函数值小于第一预设阈值,也可以为对第一分类模型的训练次数达到第一预设次数,还可以为第一分类模型的正确率达到第一正确率阈值,在此不做限制。
继续参见图2,用户分类模型还包括第二分类模型220。
相应地,该用户分类模型的训练装置500还可以包括:
第二样本获取模块,用于获取多个第二训练样本;其中,每个第二训练样本包括第四用户对应的第二用户嵌入表达向量和第二标记值,第二用户嵌入表达向量根据第二用户图结构数据和训练后的第一分类模型中的第一图神经网络模型确定;第二用户图结构数据为第四用户所属的第三局部网络对应的图结构数据;
第二模型训练模块,用于对每个第二训练样本,执行以下步骤:
将第二用户嵌入表达向量输入第二分类模型,得到第二分类结果;
第二参数调整模块,用于在不满足第二预设训练停止条件的情况下,基于各个第二训练样本对应的第二分类结果及第二标记值,调整第二分类模型的参数,并继续利用第二训练样本训练调整后的第二分类模型,直至满足第二预设训练停止条件,得到训练后的第二分类模型。
在本说明书实施例中,基于各个第二训练样本对应的第二分类结果及第二标记值调整第二分类模型的参数的具体方法可以为:基于各个第二训练样本对应的第二分类结果及其对应的第二标记值,利用预设损失函数和反向传播法,调整第二分类模型的参数。其中,预设损失函数可以为任意类型的损失函数,在此不做限制。
在本说明书实施例中,第二预设训练停止条件可以为预设损失函数计算得到的第二损失函数值小于第二预设阈值,也可以为对第二分类模型的训练次数达到第二预设次数,还可以为第二分类模型的正确率达到第二正确率阈值,在此不做限制。
图7示出了本说明书一个实施例提供的信息推送装置的结构示意图。
在本说明书一些实施例中,图7所示的装置可以应用于服务器,例如,服务器可以为图1所示的资源推送服务器120。进一步地,图7所示的装置为基于图3中的第一分类模型210进行信息推送的装置。
如图7所示,该信息推送装置600可以包括:
图结构获取模块610,用于获取多个第三用户图结构数据和第二资源图结构数据;其中,第三用户图结构数据为第一待分类用户所属的第四局部网络对应的图结构数据,第二资源图结构数据为目标资源所属的第五局部网络对应的图结构数据;第四局部网络的第四起始节点用于表征第一待分类用户,第四起始节点的一度邻居节点用于表征与第一待分类用户具有关联关系的第四资源,第四起始节点的二度邻居节点用于表征与第四资源具有关联关系的第五用户;第五局部网络的第五起始节点用于表征目标资源,第五起始节点的一度邻居节点用于表征与目标资源具有关联关系的第六用户,第五起始节点的二度邻居节点用于表征与第六用户具有关联关系的第五资源;第四局部网络和所述第五局部网络中的边用于表征所连接的节点之间的关联关系;
图结构处理模块620,用于将每个第三用户图结构数据与第二资源图结构数据输入训练后的用户分类模型的第一分类模型,得到每个第一待分类用户对应的第三分类结果;其中,第一分类模型利用多个第一训练样本训练得到,每个第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值,第一用户图结构数据为第一用户所属的第一局部网络对应的图结构数据,第一资源图结构数据为第一资源所属的第二局部网络对应的图结构数据;
第一用户确定模块630,用于根据第三分类结果,在第一待分类用户中确定目标资源对应的至少一个第一目标用户;
第一信息推送模块640,用于向至少一个第一目标用户推送目标资源的资源信息。
在本说明书实施例中,由于第一分类模型是利用第一用户所属的第一局部网络对应的第一用户图结构数据、第一资源所属的第二局部网络对应的第一资源图结构数据以及两个图结构数据对应的第一标记值训练得到的,第一用户图结构数据不但包括表征第一用户的第一起始节点,还包括表征与第一用户具有关联关系的第二资源的一度邻居节点以及表征与这些第二资源具有关联关系的第二用户的二度邻居节点,因此,可以构建更加丰富的用户特征,使得利用第一用户图结构数据训练得到的第一分类模型具有较高的分类准确性,从而提高推送资源信息的精确性。
在本说明书实施例中,第一待分类用户可以为服务器中所存储的全部用户,目标资源可以为服务器即将推送的资源。
在本说明书实施例中,第三分类结果指的是第一分类模型对第一待分类图结构数据和第二待分类图结构数据的检测结果,第三分类结果可以为概率值,用于表示第一待分类用户对目标资源的感兴趣程度,也可以表示第一待分类用户属于目标资源的第一目标用户的概率。
在本说明书实施例中,由于在训练时标记值为1代表感兴趣,标记值为0代表不感兴趣,因此,可以筛选出第三分类结果对应的概率值大于第一预设概率值的第一待分类用户,并利用这些用户确定第一目标用户。其中,第一预设概率值可以为50%。
在本发明一些实施例中,第一用户确定模块630可以具体用于:
将第三分类结果对应的概率值大于第一预设概率值的第一待分类用户,作为第一目标用户。
可选地,第一用户确定模块630还可以具体用于:在第一分类结果对应的概率值大于第一预设概率值的第一待分类用户中,选择概率值最大的第一预设数量的第一目标用户。
在本说明书实施例中,由于不同的资源可能面对不同的人群,因此,还可以利用资源对于不同的人群的筛选条件,进一步获取更精确的第一目标用户。
在本发明另一些实施例中,第一用户确定模块630可以具体用于:
根据第三分类结果,在第一待分类用户中确定第三备选用户;
从第三备选用户中筛选出符合预设条件的第四备选用户;
根据第四备选用户,确定至少一个第一目标用户。
具体地,可以将第三分类结果对应的概率值大于第一预设概率值的第一待分类用户,确定为第三备选用户,再从第三备选用户中筛选出符合预设条件的第四备选用户,以确定至少一个第一目标用户。例如,可以将全部第四备选用户作为第一目标用户。再例如,可以选择概率值最大的第一预设数量的第四备选用户作为第一目标用户。
在本发明又一些实施例中,还可以在获取多个第一待分类用户对应的第三用户图结构数据之前,先对用户进行筛选。
在本说明书实施例中,第一信息推送模块640可以获取第一目标用户的账号,并且向所获取的账号推送目标资源的资源信息。
其中,资源信息可以为服务器的广告展示页面或者电子优惠券,只要是用于对服务进行推广的信息即可。
继续参见图2,用户分类模型还包括第二分类模型220。
可选地,该信息推送装置600还可以包括:
特征向量获取模块,用于获取多个第二待分类用户对应的第三用户嵌入表达向量;其中,第三用户嵌入表达向量根据第四用户图结构数据和训练后的第一分类模型中的第一图神经网络模型确定;第四用户图结构数据为第二待分类用户所属的第六局部网络对应的图结构数据;
特征向量处理模块,用于将每个第三用户嵌入表达向量输入训练后的用户分类模型的第二分类模型,得到每个第二待分类用户对应的第四分类结果;其中,第二分类模型利用多个第二训练样本训练得到,每个第二训练样本包括第四用户对应的第二用户嵌入表达向量和第二标记值,第二用户嵌入表达向量根据第二用户图结构数据和训练后的第一分类模型中的第一图神经网络模型确定;第二用户图结构数据为第二用户所属的第三局部网络对应的图结构数据;
第二用户确定模块,用于根据每个第四分类结果,在第二待分类用户中确定至少一个第二目标用户;
第二信息推送模块,用于向至少一个第二目标用户推送第二分类模型对应的资源信息。
在本发明实施例中,第二分类模型为利用待推送的资源的种子用户和在全量用户中选取种子用户以外的用户的嵌入表达向量训练得到的模型。因此,第二分类模型仅能够针对该待推送的资源对第二待分类用户进行分类。
在本说明书实施例中,第二待分类用户可以为服务器中所存储的全部用户。
在本说明书实施例中,第四分类结果指的是第二分类模型对第三用户嵌入表达向量的检测结果,第四分类结果可以为概率值,用于表示第二待分类用户对第二分类模型对应的待推送的资源的感兴趣程度,也可以表示第二待分类用户属于第二分类模型对应的待推送的资源的第二目标用户的概率。
在本说明书实施例中,由于在训练时标记值为1代表感兴趣,标记值为0代表不感兴趣,因此,可以筛选出第四分类结果对应的概率值大于第二预设概率值的第二待分类用户,并利用这些用户确定第二目标用户。其中,第二预设概率值可以为50%。
在本发明一些实施例中,第二用户确定模块可以具体用于:
将第四分类结果对应的概率值大于第二预设概率值的第二待分类用户,作为第二目标用户。
可选地,还可以在第四分类结果对应的概率值大于第二预设概率值的第二待分类用户中,选择概率值最大的第二预设数量的第二目标用户。
在本说明书实施例中,由于不同的资源可能面对不同的人群,因此,还可以利用资源对于不同的人群的筛选条件,进一步获取更精确的第二目标用户。
在本发明另一些实施例中,第二用户确定模块具体用于:
根据每个第四分类结果,在第二待分类用户中确定第一备选用户;
从第一备选用户中筛选出符合预设条件的第二备选用户;
根据第二备选用户,确定至少一个第二目标用户。
具体地,可以将第四分类结果对应的概率值大于第二预设概率值的第二待分类用户,确定为第一备选用户,再从第一备选用户中筛选出符合预设条件的第二备选用户,以确定至少一个第二目标用户。例如,可以将全部第二备选用户作为第二目标用户。再例如,可以选择概率值最大的第二预设数量的第二备选用户作为第二目标用户。
在本发明又一些实施例中,还可以在获取多个第三用户嵌入表达向量之前,先对用户进行筛选。
具体地,信息推送装置600还可以包括:
待分类用户筛选模块,用于从多个第三待分类用户中筛选出符合预设条件的所述第二待分类用户。
在本说明书实施例中,第二信息推送模块可以获取第二目标用户的账号,并且向所获取的账号推送第二分类模型对应的资源信息。
进而,本说明书实施例可以通过第二分类模型提高用户分类的精确性。
图8示出了本说明书一个实施例提供的用户分类模型的训练设备的硬件结构示意图。本说明书实施例所述的用户分类模型的训练设备可以为服务器或者终端设备。如图8所示,用户分类模型的训练设备700包括输入设备701、输入接口702、中央处理器703、存储器704、输出接口705、以及输出设备706。其中,输入接口702、中央处理器703、存储器704、以及输出接口705通过总线710相互连接,输入设备701和输出设备706分别通过输入接口702和输出接口705与总线710连接,进而与用户分类模型的训练设备700的其他组件连接。
具体地,输入设备701接收来自外部的输入信息,并通过输入接口702将输入信息传送到中央处理器703;中央处理器703基于存储器704中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器704中,然后通过输出接口705将输出信息传送到输出设备706;输出设备706将输出信息输出到用户分类模型的训练设备700的外部供用户使用。
也就是说,图8所示的用户分类模型的训练设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现本说明书实施例描述的用户分类模型的训练方法和装置。
本说明书实施例还提供了一种信息推送设备,信息推送设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现本说明书实施例描述的信息推送方法和装置。
具体地,信息推送设备的硬件结构与图8所示的用户分类模型的训练设备相似,在此不做赘述。
本说明书实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本说明书实施例提供的用户分类模型的训练方法和信息推送方法。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本说明书的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述,仅为本说明书的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本说明书的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本说明书揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本说明书的保护范围之内。
Claims (21)
1.一种用户分类模型的训练方法,其中,所述用户分类模型包括第一分类模型,所述第一分类模型包括第一图神经网络模型、第二图神经网络模型和第一分类器,所述方法包括:
获取多个第一训练样本;其中,每个所述第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值,所述第一用户图结构数据为第一用户所属的第一局部网络对应的图结构数据,所述第一资源图结构数据为第一资源所属的第二局部网络对应的图结构数据;所述第一局部网络的第一起始节点用于表征所述第一用户,所述第一起始节点的一度邻居节点用于表征与所述第一用户具有关联关系的第二资源,所述第一起始节点的二度邻居节点用于表征与所述第二资源具有关联关系的第二用户;所述第二局部网络的第二起始节点用于表征所述第一资源,所述第二起始节点的一度邻居节点用于表征与所述第一资源具有关联关系的第三用户,所述第二起始节点的二度邻居节点用于表征与所述第三用户具有关联关系的第三资源;所述第一局部网络和所述第二局部网络中的边用于表征所连接的节点之间的关联关系;
对每个所述第一训练样本,执行以下步骤:
将所述第一用户图结构数据输入所述第一图神经网络模型,得到所述第一用户对应的第一用户嵌入表达向量;
将所述第一资源图结构数据输入所述第二图神经网络模型,得到所述第一资源对应的第一资源嵌入表达向量;
将所述第一用户嵌入表达向量和所述第一资源嵌入表达向量输入所述第一分类器,得到第一分类结果;
在不满足第一预设训练停止条件的情况下,基于各个所述第一训练样本对应的第一分类结果及所述第一标记值,调整所述第一分类模型的参数,并继续利用所述第一训练样本训练调整后的第一分类模型,直至满足所述第一预设训练停止条件,得到训练后的第一分类模型。
2.根据权利要求1所述的方法,其中,所述基于各个所述第一训练样本对应的第一分类结果及所述第一标记值,调整所述第一分类模型的参数,包括:
基于各个所述第一训练样本对应的第一分类结果及其对应的所述第一标记值,利用预设的交叉熵损失函数和反向传播法,调整所述第一分类模型的参数。
3.根据权利要求1所述的方法,其中,所述第一用户嵌入表达向量为所述第一起始节点对应的嵌入向量,所述第一资源嵌入表达向量为所述第二起始节点对应的嵌入向量。
4.根据权利要求1所述的方法,其中,所述第一用户图结构数据包括所述第一局部网络、所述第一局部网络中每个节点的初始特征向量和所述第一局部网络中每个边的初始特征向量;所述第一资源图结构数据包括所述第二局部网络、所述第二局部网络中每个节点的初始特征向量和所述第二局部网络中每个边的初始特征向量。
5.根据权利要求1所述的方法,其中,所述用户分类模型还包括第二分类模型,所述方法还包括:
获取多个第二训练样本;其中,每个所述第二训练样本包括第四用户对应的第二用户嵌入表达向量和第二标记值,所述第二用户嵌入表达向量根据第二用户图结构数据和所述训练后的第一分类模型中的第一图神经网络模型确定;所述第二用户图结构数据为所述第四用户所属的第三局部网络对应的图结构数据;
对每个所述第二训练样本,执行以下步骤:
将所述第二用户嵌入表达向量输入所述第二分类模型,得到第二分类结果;
在不满足第二预设训练停止条件的情况下,基于各个所述第二训练样本对应的第二分类结果及所述第二标记值,调整所述第二分类模型的参数,并继续利用所述第二训练样本训练调整后的第二分类模型,直至满足所述第二预设训练停止条件,得到训练后的第二分类模型。
6.一种信息推送方法,其特征在于,包括:
获取多个第三用户图结构数据和第二资源图结构数据;其中,所述第三用户图结构数据为第一待分类用户所属的第四局部网络对应的图结构数据,所述第二资源图结构数据为目标资源所属的第五局部网络对应的图结构数据;所述第四局部网络的第四起始节点用于表征所述第一待分类用户,所述第四起始节点的一度邻居节点用于表征与所述第一待分类用户具有关联关系的第四资源,所述第四起始节点的二度邻居节点用于表征与所述第四资源具有关联关系的第五用户;所述第五局部网络的第五起始节点用于表征所述目标资源,所述第五起始节点的一度邻居节点用于表征与所述目标资源具有关联关系的第六用户,所述第五起始节点的二度邻居节点用于表征与所述第六用户具有关联关系的第五资源;所述第四局部网络和所述第五局部网络中的边用于表征所连接的节点之间的关联关系;
将每个所述第三用户图结构数据与所述第二资源图结构数据输入训练后的用户分类模型的第一分类模型,得到每个所述第一待分类用户对应的第三分类结果;其中,所述第一分类模型利用多个第一训练样本训练得到,每个所述第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值,所述第一用户图结构数据为第一用户所属的第一局部网络对应的图结构数据,所述第一资源图结构数据为第一资源所属的第二局部网络对应的图结构数据;
根据所述第三分类结果,在所述第一待分类用户中确定所述目标资源对应的至少一个第一目标用户;
向所述至少一个第一目标用户推送所述目标资源的资源信息。
7.根据权利要求6所述的方法,还包括:
获取多个第二待分类用户对应的第三用户嵌入表达向量;其中,所述第三用户嵌入表达向量根据第四用户图结构数据和所述训练后的第一分类模型中的第一图神经网络模型确定;所述第四用户图结构数据为所述第二待分类用户所属的第六局部网络对应的图结构数据;
将每个所述第三用户嵌入表达向量输入所述训练后的用户分类模型的第二分类模型,得到每个所述第二待分类用户对应的第四分类结果;其中,所述第二分类模型利用多个第二训练样本训练得到,每个所述第二训练样本包括第四用户对应的第二用户嵌入表达向量和第二标记值,所述第二用户嵌入表达向量根据第二用户图结构数据和所述训练后的第一分类模型中的第一图神经网络模型确定;所述第二用户图结构数据为所述第二用户所属的第三局部网络对应的图结构数据;
根据每个所述第四分类结果,在所述第二待分类用户中确定至少一个第二目标用户;
向所述至少一个第二目标用户推送所述第二分类模型对应的资源信息。
8.根据权利要求7所述的方法,所述根据每个所述第四分类结果,在所述第二待分类用户中确定至少一个第二目标用户,包括:
根据每个所述第四分类结果,在所述第二待分类用户中确定第一备选用户;
从所述第一备选用户中筛选出符合预设条件的第二备选用户;
根据所述第二备选用户,确定至少一个所述第二目标用户。
9.根据权利要求7所述的方法,在所述获取多个第二待分类用户对应的待识别用户特征向量之前,还包括:
从多个第三待分类用户中筛选出符合预设条件的所述第二待分类用户。
10.一种用户分类模型的训练装置,其中,所述用户分类模型包括第一分类模型,所述第一分类模型包括第一图神经网络模型、第二图神经网络模型和第一分类器,所述装置包括:
第一样本获取模块,用于获取多个第一训练样本;其中,每个所述第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值,所述第一用户图结构数据为第一用户所属的第一局部网络对应的图结构数据,所述第一资源图结构数据为第一资源所属的第二局部网络对应的图结构数据;所述第一局部网络的第一起始节点用于表征所述第一用户,所述第一起始节点的一度邻居节点用于表征与所述第一用户具有关联关系的第二资源,所述第一起始节点的二度邻居节点用于表征与所述第二资源具有关联关系的第二用户;所述第二局部网络的第二起始节点用于表征所述第一资源,所述第二起始节点的一度邻居节点用于表征与所述第一资源具有关联关系的第三用户,所述第二起始节点的二度邻居节点用于表征与所述第三用户具有关联关系的第三资源;所述第一局部网络和所述第二局部网络中的边用于表征所连接的节点之间的关联关系;
第一模型训练模块,用于对每个所述第一训练样本,执行以下步骤:
将所述第一用户图结构数据输入所述第一图神经网络模型,得到所述第一用户对应的第一用户嵌入表达向量;
将所述第一资源图结构数据输入所述第二图神经网络模型,得到所述第一资源对应的第一资源嵌入表达向量;
将所述第一用户嵌入表达向量和所述第一资源嵌入表达向量输入所述第一分类器,得到第一分类结果;
第一参数调整模块,用于在不满足第一预设训练停止条件的情况下,基于各个所述第一训练样本对应的第一分类结果及所述第一标记值,调整所述第一分类模型的参数,并继续利用所述第一训练样本训练调整后的第一分类模型,直至满足所述第一预设训练停止条件,得到训练后的第一分类模型。
11.根据权利要求10所述的装置,其中,所述第一参数调整模块具体用于:
基于各个所述第一训练样本对应的第一分类结果及其对应的所述第一标记值,利用预设的交叉熵损失函数和反向传播法,调整所述第一分类模型的参数。
12.根据权利要求10所述的装置,其中,所述第一用户嵌入表达向量为所述第一起始节点对应的嵌入向量,所述第一资源嵌入表达向量为所述第二起始节点对应的嵌入向量。
13.根据权利要求10所述的装置,其中,所述第一用户图结构数据包括所述第一局部网络、所述第一局部网络中每个节点的初始特征向量和所述第一局部网络中每个边的初始特征向量;所述第一资源图结构数据包括所述第二局部网络、所述第二局部网络中每个节点的初始特征向量和所述第二局部网络中每个边的初始特征向量。
14.根据权利要求10所述的装置,其中,所述用户分类模型还包括第二分类模型,所述装置还包括:
第二样本获取模块,用于获取多个第二训练样本;其中,每个所述第二训练样本包括第四用户对应的第二用户嵌入表达向量和第二标记值,所述第二用户嵌入表达向量根据第二用户图结构数据和所述训练后的第一分类模型中的第一图神经网络模型确定;所述第二用户图结构数据为所述第四用户所属的第三局部网络对应的图结构数据;
第二模型训练模块,用于对每个所述第二训练样本,执行以下步骤:
将所述第二用户嵌入表达向量输入所述第二分类模型,得到第二分类结果;
第二参数调整模块,用于在不满足第二预设训练停止条件的情况下,基于各个所述第二训练样本对应的第二分类结果及所述第二标记值,调整所述第二分类模型的参数,并继续利用所述第二训练样本训练调整后的第二分类模型,直至满足所述第二预设训练停止条件,得到训练后的第二分类模型。
15.一种信息推送装置,其特征在于,包括:
图结构获取模块,用于获取多个第三用户图结构数据和第二资源图结构数据;其中,所述第三用户图结构数据为第一待分类用户所属的第四局部网络对应的图结构数据,所述第二资源图结构数据为目标资源所属的第五局部网络对应的图结构数据;所述第四局部网络的第四起始节点用于表征所述第一待分类用户,所述第四起始节点的一度邻居节点用于表征与所述第一待分类用户具有关联关系的第四资源,所述第四起始节点的二度邻居节点用于表征与所述第四资源具有关联关系的第五用户;所述第五局部网络的第五起始节点用于表征所述目标资源,所述第五起始节点的一度邻居节点用于表征与所述目标资源具有关联关系的第六用户,所述第五起始节点的二度邻居节点用于表征与所述第六用户具有关联关系的第五资源;所述第四局部网络和所述第五局部网络中的边用于表征所连接的节点之间的关联关系;
图结构处理模块,用于将每个所述第三用户图结构数据与所述第二资源图结构数据输入训练后的用户分类模型的第一分类模型,得到每个所述第一待分类用户对应的第三分类结果;其中,所述第一分类模型利用多个第一训练样本训练得到,每个所述第一训练样本包括第一用户图结构数据、第一资源图结构数据和第一标记值,所述第一用户图结构数据为第一用户所属的第一局部网络对应的图结构数据,所述第一资源图结构数据为第一资源所属的第二局部网络对应的图结构数据;
第一用户确定模块,用于根据所述第三分类结果,在所述第一待分类用户中确定所述目标资源对应的至少一个第一目标用户;
第一信息推送模块,用于向所述至少一个第一目标用户推送所述目标资源的资源信息。
16.根据权利要求15所述的装置,还包括:
特征向量获取模块,用于获取多个第二待分类用户对应的第三用户嵌入表达向量;其中,所述第三用户嵌入表达向量根据第四用户图结构数据和所述训练后的第一分类模型中的第一图神经网络模型确定;所述第四用户图结构数据为所述第二待分类用户所属的第六局部网络对应的图结构数据;
特征向量处理模块,用于将每个所述第三用户嵌入表达向量输入所述训练后的用户分类模型的第二分类模型,得到每个所述第二待分类用户对应的第四分类结果;其中,所述第二分类模型利用多个第二训练样本训练得到,每个所述第二训练样本包括第四用户对应的第二用户嵌入表达向量和第二标记值,所述第二用户嵌入表达向量根据第二用户图结构数据和所述训练后的第一分类模型中的第一图神经网络模型确定;所述第二用户图结构数据为所述第二用户所属的第三局部网络对应的图结构数据;
第二用户确定模块,用于根据每个所述第四分类结果,在所述第二待分类用户中确定至少一个第二目标用户;
第二信息推送模块,用于向所述至少一个第二目标用户推送所述第二分类模型对应的资源信息。
17.根据权利要求16所述的装置,所述第二用户确定模块具体用于:
根据每个所述第四分类结果,在所述第二待分类用户中确定第一备选用户;
从所述第一备选用户中筛选出符合预设条件的第二备选用户;
根据所述第二备选用户,确定至少一个所述第二目标用户。
18.根据权利要求16所述的装置,所述装置还包括:
待分类用户筛选模块,用于从多个第三待分类用户中筛选出符合预设条件的所述第二待分类用户。
19.一种用户分类模型的训练设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-5任意一项所述的用户分类模型的训练方法。
20.一种信息推送设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求6-9任意一项所述的信息推送方法。
21.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-5任意一项所述的用户分类模型的训练方法或如权利要求6-9任意一项所述的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010230847.4A CN111461299B (zh) | 2020-03-27 | 2020-03-27 | 用户分类模型的训练方法及信息推送方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010230847.4A CN111461299B (zh) | 2020-03-27 | 2020-03-27 | 用户分类模型的训练方法及信息推送方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461299A true CN111461299A (zh) | 2020-07-28 |
CN111461299B CN111461299B (zh) | 2022-08-12 |
Family
ID=71683337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010230847.4A Active CN111461299B (zh) | 2020-03-27 | 2020-03-27 | 用户分类模型的训练方法及信息推送方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461299B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664651A (zh) * | 2018-05-17 | 2018-10-16 | 腾讯科技(深圳)有限公司 | 一种图案推荐方法、装置及存储介质 |
CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐系统 |
US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
-
2020
- 2020-03-27 CN CN202010230847.4A patent/CN111461299B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
CN108664651A (zh) * | 2018-05-17 | 2018-10-16 | 腾讯科技(深圳)有限公司 | 一种图案推荐方法、装置及存储介质 |
CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐系统 |
Non-Patent Citations (3)
Title |
---|
FAN, S.,: "Metapath-guided heterogeneous graph neural network for intent recommendation", 《IN PROCEEDINGS OF THE 25TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY & DATA MINING》 * |
YIN, R.,: "A deeper graph neural network for recommender systems", 《KNOWLEDGE-BASED SYSTEMS》 * |
张园美: "微博用户兴趣分析方法及其应用研究", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111461299B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447730B (zh) | 目标用户定向方法及装置 | |
US8843429B2 (en) | Action prediction and identification of user behavior | |
US11238277B2 (en) | Systems and methods for document image analysis with cardinal graph convolutional networks | |
US10965775B2 (en) | Discovering signature of electronic social networks | |
US20110289025A1 (en) | Learning user intent from rule-based training data | |
Lu et al. | A graph-based action network framework to identify prestigious members through member's prestige evolution | |
CN103514191A (zh) | 用于确定目标推广信息的关键词匹配模式的方法和设备 | |
US20110054999A1 (en) | System and method for predicting user navigation within sponsored search advertisements | |
CN111914159B (zh) | 一种信息推荐方法及终端 | |
CN108415913A (zh) | 基于不确定邻居的人群定向方法 | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
CN111523831A (zh) | 风险团伙的识别方法、装置、存储介质和计算机设备 | |
CN114065048B (zh) | 基于多异构图图神经网络的物品推荐方法 | |
CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
US10346856B1 (en) | Personality aggregation and web browsing | |
CN103577547A (zh) | 网页类型识别方法及装置 | |
CN108537569B (zh) | 在线社交网络中人际关系感知的广告推送方法 | |
CN111461299B (zh) | 用户分类模型的训练方法及信息推送方法 | |
CN116881430A (zh) | 一种产业链识别方法、装置、电子设备及可读存储介质 | |
CN110209923B (zh) | 话题影响力用户的推送方法和装置 | |
CN116611889A (zh) | 基于用户画像标签的产品个性化推荐方法及系统 | |
Lee et al. | Web Scraping Crawling-based Automatic Data Augmentation for Deep Neural Networks-based Vehicle Classifications | |
CN110968773B (zh) | 应用推荐方法、装置、设备及存储介质 | |
CN112632275A (zh) | 基于个人文本信息的人群聚类数据处理方法、装置及设备 | |
CN114596109A (zh) | 推荐信息的确定方法、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 |