CN111507788A - 数据推荐方法、装置、存储介质及处理器 - Google Patents

数据推荐方法、装置、存储介质及处理器 Download PDF

Info

Publication number
CN111507788A
CN111507788A CN201910099191.4A CN201910099191A CN111507788A CN 111507788 A CN111507788 A CN 111507788A CN 201910099191 A CN201910099191 A CN 201910099191A CN 111507788 A CN111507788 A CN 111507788A
Authority
CN
China
Prior art keywords
data
aggregation
user information
meta
query data
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
Application number
CN201910099191.4A
Other languages
English (en)
Other versions
CN111507788B (zh
Inventor
朱俊雄
马碧玉
李永亮
韩霄天
范少华
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.)
Alibaba Huabei Technology Co ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910099191.4A priority Critical patent/CN111507788B/zh
Publication of CN111507788A publication Critical patent/CN111507788A/zh
Application granted granted Critical
Publication of CN111507788B publication Critical patent/CN111507788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种数据推荐方法、装置、存储介质及处理器。其中，该方法包括：获取用户信息和待推荐的查询数据，其中，查询数据为多个；根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征；确定与用户信息的相关性最高的查询数据为推荐数据，并向用户推荐推荐数据。本发明解决了相关技术中根据人工配置词，或者用户的历史数据推荐关键词的方式，缺少对用户信息的挖掘，无法满足用户的个性化需求的技术问题。

Description

数据推荐方法、装置、存储介质及处理器
技术领域
本发明涉及数据处理领域，具体而言，涉及一种数据推荐方法、装置、存储介质及处理器。
背景技术
在电商平台中，由于广泛的商品和页面，存在用户、关键词、商品等大量丰富的数据节点类型，而且上述不同的数据类型节点之间存在一定的关联，例如，甲用户点击了A商品，说明甲用户对A商品或者与A商品有关联的商品具有需求；B商品的简介或者商品名称中包括第一关键词，则说明该商品与该第一关键词或者与该第一关键词有关联的关键词存在一定的关联关系。
相关技术中，通常采用人工配置词或者用户的历史数据，来向用户推荐关键词，但是用户检索过的关键词，无非是有用的和无用的，有用的关键词，可以直接检索，无用的关键词可以直接放弃，对满足用户的需求实际上能够起到的而作为非常微小。针对相关技术中的问题，需要充分挖掘节点之间的关系以对用户进行更好的关键词推荐。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种数据推荐方法、装置、存储介质及处理器，以至少解决相关技术中根据人工配置词，或者用户的历史数据推荐关键词的方式，缺少对用户信息的挖掘，无法满足用户的个性化需求的技术问题。
根据本发明实施例的一个方面，提供了一种数据推荐方法，包括：获取用户信息和待推荐的查询数据，其中，所述查询数据为多个；根据深度学习网络模型的聚合框架，将所述用户信息和所述查询数据运算为向量，并基于所述聚合框架确定所述用户信息分别和多个所述查询数据的相关性，其中，所述聚合框架包括多条由元路径引导所述元路径中的邻居节点组成的聚合路径，所述元路径用于对所述用户信息和所述查询数据进行表征；确定与所述用户信息的相关性最高的查询数据为推荐数据，并向用户推荐所述推荐数据。
根据本发明实施例的另一方面，还提供了一种数据推荐方法，包括：响应页面刷新的操作，获取用户信息和待推荐的查询数据，其中，所述查询数据为多个；在预设位置显示向用户推荐的数据，其中，所述向用户推荐的数据通过以下方式确定的，根据深度学习网络模型的聚合框架，将所述用户信息和所述查询数据运算为向量，并基于所述聚合框架确定所述用户信息分别和多个所述查询数据的相关性，其中，所述聚合框架包括多条由元路径引导所述元路径中的邻居节点组成的聚合路径，所述元路径用于对所述用户信息和所述查询数据进行表征；确定与所述用户信息的相关性最高的查询数据为所述向用户推荐的数据。
根据本发明实施例的另一方面，还提供了一种数据推荐装置，包括：获取模块，用于获取用户信息和待推荐的查询数据，其中，所述查询数据为多个；确定模块，用于根据深度学习网络模型的聚合框架，将所述用户信息和所述查询数据运算为向量，并基于所述聚合框架确定所述用户信息分别和多个所述查询数据的相关性，其中，所述聚合框架包括多条由元路径引导所述元路径中的邻居节点组成的聚合路径，所述元路径用于对所述用户信息和所述查询数据进行表征；推荐模块，用于确定与所述用户信息的相关性最高的查询数据为推荐数据，推荐所述推荐数据。
根据本发明实施例的另一方面，还提供了一种数据推荐装置，包括：刷新模块，用于响应页面刷新的操作，获取用户信息和待推荐的查询数据，其中，所述查询数据为多个；显示模块，用于在预设位置显示向用户推荐的数据，其中，所述向用户推荐的数据通过以下方式确定的，根据深度学习网络模型的聚合框架，将所述用户信息和所述查询数据运算为向量，并基于所述聚合框架确定所述用户信息分别和多个所述查询数据的相关性，其中，所述聚合框架包括多条由元路径引导所述元路径中的邻居节点组成的聚合路径，所述元路径用于对所述用户信息和所述查询数据进行表征；确定与所述用户信息的相关性最高的查询数据为所述向用户推荐的数据。
根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述中任意一项所述的方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的方法。
在本发明实施例中，采用获取用户信息和待推荐的查询数据，其中，查询数据为多个；根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征；确定与用户信息的相关性最高的查询数据为推荐数据，并向用户推荐推荐数据的方式，通过元路径引导邻居聚合框架来丰富用户和查询的表示，达到了灵活增加新的元路径以获得多种不同节点之间的联系的更多的信息的目的，从而实现了对用户信息充分挖掘，以满足用户的个性化需求的技术效果，进而解决了相关技术中根据人工配置词，或者用户的历史数据推荐关键词的方式，缺少对用户信息的挖掘，无法满足用户的个性化需求的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了一种用于实现数据推荐方法的计算机终端(或移动设备)的硬件结构框图；
图2是根据本发明实施例1的一种数据推荐方法的流程图；
图3是根据本发明实施方式的一种数据推荐模型的示意图；
图4是根据本发明实施例2的一种数据推荐方法的流程图；
图5是根据本发明实施例3的一种数据推荐装置的示意图；
图6是根据本发明实施例4的一种数据推荐装置的示意图；
图7是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必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，以便这里描述的本发明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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
搜索底纹：在首页搜索框中，默认推荐给用户的关键词。
异构网络：它包含多种类型的对象或者关系,每个对象属于一个特定的对象类型,每个关系属于一个特定的关系类型。
实施例1
根据本发明实施例，还提供了一种数据推荐方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现数据推荐方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的数据推荐方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的数据推荐方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。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。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
在电子商务应用中，用户习惯了搜索查询以查找他们感兴趣的项目。因此，查询推荐在电子商务中发挥着重要作用。电子商务应用程序收集各种各样各种辅助数据(例如用户，查询，项目，品牌)可以提升查询推荐。但是，现有的大多数方法(例如协同过滤)未能充分利用不同类型的信息。
在电子商务导购服务中，根据用户的历史行为记录，平台推荐一个每次刷新时向用户查询，该查询最好能够反映用户对项目的偏好。查询推荐系统在导购中起着举足轻重的作用，对客户点击/购买决策的影响越来越大。一方面，用户可能无法清楚地了解自己的真实利益，个性化查询可以帮助用户找到他们真实需求。另一方面，用户可能没有强烈的愿望点击或购买，同时推荐感兴趣的查询，可以填补用户和需要的物品之间的差距。查询建议是推荐一系列关键词，然后通过筛选确定与用户相关性最高的关键词推荐给用户。
这些历史行为记录数据可以大致分类分为两种。第一种类型是属性数据，主要是包含对象的基本属性信息，例如配置文件用户，项目标题和查询关键字。该项目标题和查询关键字存在相同的单词术语集。可以使用这些属性信息表示对象。另一种类型是行动数据，行动每天记录数据，例如用户点击项目日志，用户搜索查询日志，查询指南项目日志等，都能够提取对象来自这种复杂数据的交互关系。而且，随着行业建议的数据规模系统快速增长，推荐任务变为当涉及大规模网络时，更具挑战性。例如，某电子商务网络包含5亿活跃用户，1亿候选查询，1最近十亿件物品和约二百亿条边缘。相关的推荐算法大都不适用于如此庞大的网络数据。因此，设计一个有效的模型可以充分利用这种大规模数据是必要的。工业系统中使用的大多数方法都是手工制作基于特征的，例如GBDT和XGBoost，只使用这些功能节点本身，忽略丰富的关系信息，劳动，并严重依赖领域知识。应有对于丰富数据的异构性和复杂性可以如上所述，有效地具有挑战性在推荐系统中利用如此丰富的信息。
异构信息网络(HIN)由多种类型的节点组成链接，在异构信息网络中采用在推荐系统中建立丰富的辅助数据的模型的方式，可以灵活地表征各种异构数据。特别是元路径，一个关系序列连接HIN中的对象对，被广泛用于提取结构捕获相关语义以进行推荐的功能。相关技术中的基于HIN的推荐方法可以分为两种。第一种是对于学习有效转换后的特征执行一些基于路径的相似性的转换，随后用于增强推荐中的原始用户或项目表示。另一种是利用基于路径的相关性而不是HIN作为直接推荐功能。这两种方法都是基于元路径的特征，改进表征双向用户项的交互。虽然如上所述，方法已经在某种程度上实现了性能提升。但是仍然存在两个缺点。首先，上述方式学习每个节点的潜在特征(用于学习嵌入)来自基于元路径的特征，忽略元路径中的邻居节点信息也是可以用于学习嵌入。其次，上述方式用户和查询方的智能模型顶部的交互和嵌入的数量矢量将是巨大的。这两个缺点将受到限制这些方法在工业系统中使用。
在上述运行环境下，本申请提供了如图2所示的数据推荐方法。图2是根据本发明实施例1的一种数据推荐方法的流程图，如图2所示，该方法包括以下步骤。
步骤S202，获取用户信息和待推荐的查询数据，其中，查询数据为多个。
作为一种可选的实施例，上述获取用户信息和待推荐的查询数据，可以是通过获取用户信息在电商平台上的行为的历史信息，通过改历史信息获取该用户信息对应的查询数据。
作为一种可选的实施例，上述历史信息可以是该用户信息对应的用户在上述电商平台上的商品购买历史记录，还可以是上述用户信息对应的用户在电商平台的上的一定时间内的商品浏览情况，还可以是上述用户在上述电商平台上的一定时间内的关键词搜索记录。
作为一种可选的实施例，上述通过用户信息的历史信息，确定用户信息，商品，和关键词的数据节点之间的内在联系，通过该联系，确定用户信息和商品，关键词之间的关联程度，确定与该用户信息的关联程度最高的数据，作为推荐数据推荐给用户，以满足用户的个性化需求。
作为一种可选的实施例，上述查询数据，可以是商品的关键词，上述步骤的执行主体可以是电商平台的服务器，或者用于确定推荐数据的电商平台的推荐模块。
步骤S204，根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征。
作为一种可选的实施例，上述深度学习网络模型可以是机器学习模型，或者深度学习模型，由多组训练数据训练而成，每组训练数据可以包括用户信息和被推荐的查询数据。
作为一种可选的实施例，上述聚合框架可以是深度学习网络模型中，将输入的用户信息，以及用户信息相关的其他数据信息，例如，关键词，商品，聚合成向量，以计算用户信息与其他信息数据之间的相关性。
作为一种可选的实施例，上述用户信息和其他数据信息可以是异构网络的元路径中的邻居节点对应的数据，元路径引导元路径中的邻居节点组成聚合路径，例如，元路径为关键词指向商品，商品指向用户，则可以通过关键词对应的节点及其邻居节点，也即是商品节点，组成聚合路径，聚合出上述用户信息的向量。
作为一种可选的实施例，上述元路径可以用于体现元路径中的各个节点之间的联系，表征深度学习网络模型中对用户信息和查询数据的运算方式，可以通过多种方式进行运算，挖掘多种数据节点之间的关系，以满足用户的需求。
作为一种可选的实施例，上述聚合框架可以将用户信息和查询数据进行聚合，得到用户信息对应的第一数据表达向量和查询数据对应的第二数据表达向量，根据上述第一数据表达向量和第二数据表达向量确定上述用户信息和查询数据的相关性。
步骤S206，确定与用户信息的相关性最高的查询数据为推荐数据，并向用户推荐推荐数据。
作为一种可选的实施例，上述确定与用户信息的相关性最高的查询数据为推荐数据，可以是与用户信息相关性最高的关键词，向用户推荐该关键词。
通过上述步骤，采用获取用户信息和待推荐的查询数据，其中，查询数据为多个；根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征；确定与用户信息的相关性最高的查询数据为推荐数据，并向用户推荐推荐数据的方式，通过元路径引导邻居聚合框架来丰富用户和查询的表示，达到了灵活增加新的元路径以获得多种不同节点之间的联系的更多的信息的目的，从而实现了对用户信息充分挖掘，以满足用户的个性化需求的技术效果，进而解决了相关技术中根据人工配置词，或者用户的历史数据推荐关键词的方式，缺少对用户信息的挖掘，无法满足用户的个性化需求的技术问题。
作为一种可选的实施例，根据深度学习网络模型，确定用户信息分别和多个查询数据的相关性包括：根据聚合框架，确定用户信息的第一数据表达向量和查询数据的第二数据表达向量；根据第一数据表达向量和第二数据表达向量，确定用户信息和查询数据的数据相关性。
作为一种可选的实施例，上述聚合框架通过将用户信息，关键词，商品等信息进行处理，聚合为向量，以方便对上述信息之间的相关性进行运算量化，方便比较不同查询数据与用户信息之间的相关程度。
作为一种可选的实施例，可以通过计算上述第一数据表达向量和第二数据表达向量的距离确定用户信息和查询数据的数据相关性。
作为一种可选的实施例，根据聚合框架，确定用户信息的第一数据表达向量和查询数据的第二数据表达向量之前包括：确定包含用户信息和待推荐的查询数据对应的数据节点的异构网络，其中，异构网络包括多种由不同类型的数据节点构成的元路径；根据异构网络的元路径构建深度学习模型的聚合路径，构建聚合框架；根据聚合框架构建深度学习模型。
作为一种可选的实施例，构建异构网络，可以通过多个数据层，例如，用户层，商品层，关键词层，之间的元路径进行构建。上述异构网络包含用户信息对应的数据节点，也即是用户层中的数据节点，和待推荐的查询数据对应的数据节点，还可以根据其他的数据层的数据节点进行构建。
作为一种可选的实施例，可以根据异构网络的元路径构建聚合路径，例如，通过元路径引导元路径的邻居节点组成聚合路径，通过多种聚合路径构建用于聚合用户信息对应的第一数据表达向量，查询数据对应的第二数据表达向量的聚合框架；根据聚合框架构建深度学习模型。
作为一种可选的实施例，确定包含用户信息和待推荐的查询数据对应的数据节点的异构网络包括：获取历史信息，其中，历史信息包括用户信息，以及用户信息对应的历史查询数据；从历史信息中提取样本数据，根据样本数据对应的样本数据节点，构建多种包含样本数据节点的元路径，其中，样本数据至少为下列之一：历史查询数据，用户信息；根据多种元路径，构建异构网络。
作为一种可选的实施例，在构建异构网络的过程中，可以通过历史信息构建异构网络，从历史信息中提取样本数据，根据样本数据对应的样本数据节点，构建多种包含样本数据节点的元路径，根据元路径构建异构网络。
作为一种可选的实施例，上述样本数据可以为多种数据，例如，商品，关键词等，上述样本数据可以为多种形式，例如，文本信息，视频信息，音频信息，图像信息等。
作为一种可选的实施例，历史信息还包括用于根据待推荐的查询数据进行确定的目标对象。
作为一种可选的实施例，上述目标对象可以是商品，上述查询数据可以是用于检索商品的关键词。
作为一种可选的实施例，根据异构网络的元路径构建深度学习模型包括：根据元路径确定聚合路径，聚合路径包括多个聚合节点，聚合节点包括多个同一种元路径的数据节点的数据；根据聚合路径确定深度学习模型，其中，深度学习模型输入用户信息和查询数据，输出用户信息和查询数据的相关性。
作为一种可选的实施例，根据元路径确定聚合路径，聚合路径包括多个聚合节点，聚合节点包括多个同一种元路径的数据节点的数据，例如，元路径为，关键词指向商品，商品指向用户，聚合路径可以为多个关键词的聚合节点，分别聚合多个商品的聚合节点，由具有多个商品的聚合节点聚合为用户信息的向量。需要说明的是，上述用户信息的聚合路径为多个的情况下，由多个聚合路径的最后聚合结果的叠加确定用户信息的向量。
作为一种可选的实施例，根据聚合路径确定深度学习模型，深度学习模型输入用户信息和查询数据，输出用户信息和查询数据的相关性，上述深度学习模型由大量的训练数据训练而成，每组训练数据包括，输入的用户信息和查询数据，输出的用户信息和查询数据的相关性。
作为一种可选的实施例，根据元路径确定聚合路径包括：根据多种不同的包含用户信息的数据节点的元路径，确定用户信息的不同的聚合路径，其中，聚合路径的最后的聚合节点为用户信息对应的聚合节点；根据多种不同的包含查询数据的数据节点的元路径，确定查询数据的不同的聚合路径，其中，聚合路径的最后的聚合节点为查询数据对应的聚合节点。
作为一种可选的实施例，在确定用户信息的聚合路径，和确定查询数据的聚合路径的不同运行状态下，聚合路径的输出向量内容不同，通过元路径确定聚合路径的方式不同。
作为一种可选的实施例，根据多种不同的包含用户信息的数据节点的元路径，确定用户信息的不同的聚合路径，其中，聚合路径的最后的聚合节点为用户信息对应的聚合节点。在元路径中包括用户信息的数据节点的情况下，才能够根据元路径确定出聚合路径。
作为一种可选的实施例，根据多种不同的包含查询数据的数据节点的元路径，确定查询数据的不同的聚合路径，其中，聚合路径的最后的聚合节点为查询数据对应的聚合节点。在元路径中包括查询数据的数据节点的情况下，才能够根据元路径确定出聚合路径。
作为一种可选的实施例，根据聚合路径，确定用户信息的第一数据表达向量和查询数据的第二数据表达向量包括：获取聚合路径的聚合节点的统一项信息；根据长短期记忆网络组件采集聚合节点的数据的顺序信息；根据统一项信息和顺序信息，确定第一数据表达向量；和/或，根据卷积神经网络组件采集聚合节点的数据信息；根据统一项信息和数据信息，确定第二数据表达向量。
作为一种可选的实施例，上述聚合节点对应的内容可以是用户信息，商品，关键词等。用户信息可以是表现为文本信息的用户名称，表现为图片信息的用户头像，表现为代码的用户标签等。上述商品可以是表现为文本信息的商品名称，可以是表现为图片信息的商品图片，表现为音频/视频的商品音频/商品视频等。上述关键词可以是表现为文本信息。
作为一种可选的实施例，可以通过聚合路径确定不同的聚合节点的统一项信息可以是确定上述用户信息，商品和关键词的文本信息为统一项信息，根据该统一项信息进行聚合运算。
作为一种可选的实施例，可以根据长短期记忆网络组件采集聚合节点的数据的顺序信息；根据统一项信息和顺序信息，确定第一数据表达向量。
作为一种可选的实施例，可以根据卷积神经网络组件采集聚合节点的数据信息；根据统一项信息和数据信息，确定第二数据表达向量。
作为一种可选的实施例，根据第一数据表达向量和第二数据表达向量，确定用户信息和查询数据的数据相关性包括：确定第一数据表达向量和第二数据表达向量的距离；根据距离确定第一数据表达向量和第二数据表达向量的数据相关性。
作为一种可选的实施例，统一项信息为文本信息，或关键词信息。
作为一种可选的实施例，应用于电商平台向用户推荐关键词。上述数据推荐方法可以应用于电商平台或者电商应用，向用户推荐关键词，，其中，所述推荐数据为关键词。其具体步骤可以是：
接收用户进入或者刷新具有搜索栏的页面的信号，其中，搜索栏用于向用户推荐关键词；
获取用户信息和待推荐的关键词，其中，关键词可以是多个；
根据深度学习网络模型的聚合框架，分别将用户信息和多个关键词分别运算为向量，并基于聚合框架确定用户信息分别和多个关键词的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征；
确定与用户信息的相关性最高的关键词为推荐关键词，并向用户推荐上述推荐关键词。
例如，用户在刷新或者进入电商平台的主页面时，该电商平台的主页面上有用于搜索关键词的搜索框；由电商平台根据该用户的用户信息对应的历史数据，确定在搜索框中推荐的关键词。上述历史数据可以包括用户点击商品的信息，用户的关键词搜索的信息，用户用关键词搜索到一系列商品后，在该系列商品中的点击信息，在点击该一系列商品中的部分商品的对应的关键词信息等，上述用户的历史操作，可以相当于该用户信息，商品，关键词之间的元路径，元路径中的该用户信息，商品，关键词为元路径的节点，例如，甲用户，通过关键词“手机”，搜索到了20个不同型号，款式，价位的手机，用户点击了商品名为“华为Mate20Pro渐变色商务用大屏超薄指纹解锁人脸识别智能手机”的手机，此元路径可以为甲用户信息指向关键词“手机”，关键词“手机”指向商品名为“华为Mate20Pro渐变色商务用大屏超薄指纹解锁人脸识别智能手机”的商品。
在根据深度学习网络模型的聚合框架，分别将用户信息和多个关键词分别运算为向量，并基于聚合框架确定用户信息分别和多个关键词的相关性时，根据上述元路径的相邻节点，确定聚合框架。在该聚合框架中，主要分为两个部分，将用户信息聚合为第一数据表达向量的多个用户信息聚合路径，以及将关键词聚合为第二数据表达向量的多个关键词聚合路径。在将用户信息聚合为第一数据表达向量的过程中，先需要从历史数据的异构网络中的多个原路径中选取，具有用户信息节点的元路径，例如，上述甲用户的元路径，上述聚合路径的节点数量固定，因此，根据该元路径的邻居节点确定用户信息的聚合路径，例如，上述元路径中，用户信息的邻居节点为关键词，因此可以由关键词聚合出用户信息，关键词的邻居节点为商品信息，可以由商品信息聚合出关键词，则聚合路径为商品信息聚合关键词，关键词聚合用户信息，上述元路径还可以是乙用户点击商品名为“正品保证，华为P20分期免息官方旗舰全面屏”的手机，该手机对应的关键词可以是，华为，P20，分期免息等，则该元路径为关键词指向商品，商品指向用户信息。
需要说明的是，在用户信息聚合路径中，例如，上述商品信息聚合关键词，关键词聚合用户信息的聚合路径，多个商品信息聚合出一个关键词的向量，多个关键词聚合出用户信息的向量。在聚合路径中，用户信息的上一级节点，例如，商品，用户在点击多个不同的商品的情况下，商品的点击顺序也可能影响用户的需求，例如，根据手机搜索的一系列商品中，先点击华为Mate20，然后点击华为Nova3，然后点击华为畅想9，说明用户可能需要价格较低的手机。因此在聚合用户信息的上一级节点可以通过长短期记忆网络LSTM进行处理，以该节点中的多个数据顺序信息进行采集，以更准确的获取用户信息的向量。
另外，聚合路径在聚合时，需要将各个聚合节点中的内容进行统一项处理，以便进行运算和处理。用户信息可以是用户名，用户头像，用户ID等，商品也可以是商品图片，商品内容，商品名称，商品视频等表现形式，为了便于运算，本实施例中，可以将上述聚合节点中的内容均统一为文本信息，可以用户名，商品名称，以及关键词等。
对于关键词的聚合路径，与上述用户信息的聚合路径形成过程相类似，需要说明的是，关键词的聚合过程可以不通过长短期记忆网络获取关键词上一级的节点的多个内容的顺序信息，多个关键词之间的联系没有顺序的影响，因此可以采用一般的卷积神经网络进行获取多个关键词之间的关联。
在上述用户信息的聚合路径和关键词的聚合路径均成型之后，将最终聚合的用户信息的第一数据表达向量，以及关键词的第二数据表达向量，进行处理，以获取二者之间的相关性，可以是通过计算上述第一数据表达向量和第二数据表达向量的距离，距离越近，相关性越高，距离越远，相关性越低。
从多个关键词中获取与该用户信息相关性最高的关键词，作为推荐关键词，向用户推荐，在上述电商应用的搜索框中显示，需要说明的是，上述搜索框在显示上述关键词的过程中，可以以用户输入的关键词不同的形式显示，以做区别，例如，用户输入的关键词为实体比划的文字，推荐的关键词为颜色较淡，或者虚线比划的文字。
需要说明的是，本实施例还提供了一种可选的实施方式，下面对该实施方式进行详细说明。
图3是根据本发明实施方式的一种数据推荐模型的示意图，如图3所示，通过用户，商品，关键词三个数据节点的异构网络，该异构网络中包括关键词指向商品，商品指向用户的元路径，根据上述元路径构建深度学习网络的聚合路径，该聚合路径可以是多个关键词节点q1，q2…qi聚合为第一商品i1，然后按照同样的聚合方式聚合出多个商品i2…ii，上述多个商品可以是由长短期记忆网络组建采集的多个商品信息，包括多个商品信息之间的顺序信息，通过多个商品聚合出用户ui，根据多个用户ui确定用户向量。
根据上述类似的方式，通过关键词指向商品，商品指向用户的元路径，构建深度学习网络的聚合路径，该聚合路径可以是多个关键词q1，q2…qi聚合为第一商品i1，然后按照同样的聚合方式聚合出多个商品i2…ii，上述多个商品可以是由卷积神经网络组建采集的多个商品信息，通过多个商品聚合出用户ui，根据多个用户ui确定用户向量。
本实施方式提出了元路径引导邻居聚合框架来丰富用户和查询的表示，该框架在增加新的元路径以获得更多的信息方面是灵活的，并采用LSTM(长短期记忆网络)组件来捕获用户行为序列中的顺序信息，从而更好地满足用户的需求。根据嵌入参数的不同，改进不同类型节点的交互性，提出利用基于统一项的嵌入方法来表示HIN中的所有节点。
实施例2
根据本发明实施例的另一方面，还提供了一种数据推荐方法，图4是根据本发明实施例2的一种数据推荐方法的流程图，如图4所示，该方法包括：
步骤S402，响应页面刷新的操作，获取用户信息和待推荐的查询数据，其中，查询数据为多个。
作为一种可选的实施例，上述获取用户信息和待推荐的查询数据，可以是通过获取用户信息在电商平台上的行为的历史信息，通过改历史信息获取该用户信息对应的查询数据。
作为一种可选的实施例，上述历史信息可以是该用户信息对应的用户在上述电商平台上的商品购买历史记录，还可以是上述用户信息对应的用户在电商平台的上的一定时间内的商品浏览情况，还可以是上述用户在上述电商平台上的一定时间内的关键词搜索记录。
步骤S404，在预设位置显示向用户推荐的数据，其中，向用户推荐的数据通过以下方式确定的，根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征，确定与用户信息的相关性最高的查询数据为向用户推荐的数据。
作为一种可选的实施例，上述用户信息和其他数据信息可以是异构网络的元路径中的邻居节点对应的数据，元路径引导元路径中的邻居节点组成聚合路径，例如，元路径为关键词指向商品，商品指向用户，则可以通过关键词对应的节点及其邻居节点，也即是商品节点，组成聚合路径，聚合出上述用户信息的向量。
作为一种可选的实施例，上述元路径可以用于体现元路径中的各个节点之间的联系，表征深度学习网络模型中对用户信息和查询数据的运算方式，可以通过多种方式进行运算，挖掘多种数据节点之间的关系，以满足用户的需求。
作为一种可选的实施例，上述聚合框架可以将用户信息和查询数据进行聚合，得到用户信息对应的第一数据表达向量和查询数据对应的第二数据表达向量，根据上述第一数据表达向量和第二数据表达向量确定上述用户信息和查询数据的相关性。
作为一种可选的实施例，推荐的数据为商品的关键词。
作为一种可选的实施例，上述确定与用户信息的相关性最高的查询数据为推荐数据，可以是与用户信息相关性最高的关键词，向用户推荐该关键词。
通过上述步骤，通过元路径引导邻居聚合框架来丰富用户和查询的表示，达到了灵活增加新的元路径以获得多种不同节点之间的联系的更多的信息的目的，从而实现了对用户信息充分挖掘，以满足用户的个性化需求的技术效果，进而解决了相关技术中根据人工配置词，或者用户的历史数据推荐关键词的方式，缺少对用户信息的挖掘，无法满足用户的个性化需求的技术问题。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的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，本发明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设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例3
根据本发明实施例，还提供了一种用于实施上述实施例1的数据推荐方法的装置，图5是根据本发明实施例3的一种数据推荐装置的示意图，如图5所示，该装置包括：获取模块52，确定模块54和推荐模块56，下面对该装置进行详细说明。
获取模块52，用于获取用户信息和待推荐的查询数据，其中，查询数据为多个；确定模块54，与上述获取模块52相连，用于根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征；推荐模块56，与上述确定模块54相连，用于确定与用户信息的相关性最高的查询数据为推荐数据，推荐推荐数据。
此处需要说明的是，上述获取模块52，确定模块54和推荐模块56对应于实施例1中的步骤S202至步骤S206，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
实施例4
根据本发明实施例，还提供了一种用于实施上述实施例2的数据推荐方法的装置，图6是根据本发明实施例4的一种数据推荐装置的示意图，如图6所示，该装置包括：刷新模块62和显示模块64，下面对该装置进行详细说明。
刷新模块62，用于响应页面刷新的操作，获取用户信息和待推荐的查询数据，其中，查询数据为多个；显示模块64，与上述刷新模块62相连，用于在预设位置显示向用户推荐的数据，其中，向用户推荐的数据通过以下方式确定的，根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征；确定与用户信息的相关性最高的查询数据为向用户推荐的数据。
此处需要说明的是，上述刷新模块62和显示模块64对应于实施例2中的步骤S402至步骤S404，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例2所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
实施例5
本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行应用程序的数据推荐方法中以下步骤的程序代码：获取用户信息和待推荐的查询数据，其中，查询数据为多个；根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征；确定与用户信息的相关性最高的查询数据为推荐数据，并向用户推荐推荐数据。
可选地，图7是根据本发明实施例的一种计算机终端的结构框图。如图7所示，该计算机终端10可以包括：一个或多个(图中仅示出一个)处理器72、存储器74、以及外设接口。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的数据推荐方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的数据推荐方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端10。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。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取用户信息和待推荐的查询数据，其中，查询数据为多个；根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征；确定与用户信息的相关性最高的查询数据为推荐数据，并向用户推荐推荐数据。
可选的，上述处理器还可以执行如下步骤的程序代码：根据深度学习网络模型，确定用户信息分别和多个查询数据的相关性包括：根据聚合框架，确定用户信息的第一数据表达向量和查询数据的第二数据表达向量；根据第一数据表达向量和第二数据表达向量，确定用户信息和查询数据的数据相关性。
可选的，上述处理器还可以执行如下步骤的程序代码：根据聚合框架，确定用户信息的第一数据表达向量和查询数据的第二数据表达向量之前包括：确定包含用户信息和待推荐的查询数据对应的数据节点的异构网络，其中，异构网络包括多种由不同类型的数据节点构成的元路径；根据异构网络的元路径构建深度学习模型的聚合路径，构建聚合框架；根据聚合框架构建深度学习模型。
可选的，上述处理器还可以执行如下步骤的程序代码：确定包含用户信息和待推荐的查询数据对应的数据节点的异构网络包括：获取历史信息，其中，历史信息包括用户信息，以及用户信息对应的历史查询数据；从历史信息中提取样本数据，根据样本数据对应的样本数据节点，构建多种包含样本数据节点的元路径，其中，样本数据至少为下列之一：历史查询数据，用户信息；根据多种元路径，构建异构网络。
可选的，上述处理器还可以执行如下步骤的程序代码：历史信息还包括用于根据待推荐的查询数据进行确定的目标对象。
可选的，上述处理器还可以执行如下步骤的程序代码：根据异构网络的元路径构建深度学习模型包括：根据元路径确定聚合路径，聚合路径包括多个聚合节点，聚合节点包括多个同一种元路径的数据节点的数据；根据聚合路径确定深度学习模型，其中，深度学习模型输入用户信息和查询数据，输出用户信息和查询数据的相关性。
可选的，上述处理器还可以执行如下步骤的程序代码：根据元路径确定聚合路径包括：根据多种不同的包含用户信息的数据节点的元路径，确定用户信息的不同的聚合路径，其中，聚合路径的最后的聚合节点为用户信息对应的聚合节点；根据多种不同的包含查询数据的数据节点的元路径，确定查询数据的不同的聚合路径，其中，聚合路径的最后的聚合节点为查询数据对应的聚合节点。
可选的，上述处理器还可以执行如下步骤的程序代码：根据聚合路径，确定用户信息的第一数据表达向量和查询数据的第二数据表达向量包括：获取聚合路径的聚合节点的统一项信息；根据长短期记忆网络组件采集聚合节点的数据的顺序信息；根据统一项信息和顺序信息，确定第一数据表达向量；和/或，根据卷积神经网络组件采集聚合节点的数据信息；根据统一项信息和数据信息，确定第二数据表达向量。
可选的，上述处理器还可以执行如下步骤的程序代码：根据第一数据表达向量和第二数据表达向量，确定用户信息和查询数据的数据相关性包括：确定第一数据表达向量和第二数据表达向量的距离；根据距离确定第一数据表达向量和第二数据表达向量的数据相关性。
可选的，上述处理器还可以执行如下步骤的程序代码：统一项信息为文本信息，或关键词信息。
可选的，上述处理器还可以执行如下步骤的程序代码：响应页面刷新的操作，获取用户信息和待推荐的查询数据，其中，查询数据为多个；在预设位置显示向用户推荐的数据，其中，向用户推荐的数据通过以下方式确定的，根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征；确定与用户信息的相关性最高的查询数据为向用户推荐的数据。
可选的，上述处理器还可以执行如下步骤的程序代码：推荐的数据为商品的关键词。
采用本发明实施例，提供了一种数据推荐方法的方案。采用获取用户信息和待推荐的查询数据，其中，查询数据为多个；根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征；确定与用户信息的相关性最高的查询数据为推荐数据，并向用户推荐推荐数据的方式，通过元路径引导邻居聚合框架来丰富用户和查询的表示，达到了灵活增加新的元路径以获得多种不同节点之间的联系的更多的信息的目的，从而实现了对用户信息充分挖掘，以满足用户的个性化需求的技术效果，进而解决了相关技术中根据人工配置词，或者用户的历史数据推荐关键词的方式，缺少对用户信息的挖掘，无法满足用户的个性化需求的技术问题。
本领域普通技术人员可以理解，图7所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图7中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图7所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
实施例6
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的数据推荐方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取用户信息和待推荐的查询数据，其中，查询数据为多个；根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征；确定与用户信息的相关性最高的查询数据为推荐数据，并向用户推荐推荐数据。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据深度学习网络模型，确定用户信息分别和多个查询数据的相关性包括：根据聚合框架，确定用户信息的第一数据表达向量和查询数据的第二数据表达向量；根据第一数据表达向量和第二数据表达向量，确定用户信息和查询数据的数据相关性。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据聚合框架，确定用户信息的第一数据表达向量和查询数据的第二数据表达向量之前包括：确定包含用户信息和待推荐的查询数据对应的数据节点的异构网络，其中，异构网络包括多种由不同类型的数据节点构成的元路径；根据异构网络的元路径构建深度学习模型的聚合路径，构建聚合框架；根据聚合框架构建深度学习模型。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：确定包含用户信息和待推荐的查询数据对应的数据节点的异构网络包括：获取历史信息，其中，历史信息包括用户信息，以及用户信息对应的历史查询数据；从历史信息中提取样本数据，根据样本数据对应的样本数据节点，构建多种包含样本数据节点的元路径，其中，样本数据至少为下列之一：历史查询数据，用户信息；根据多种元路径，构建异构网络。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：历史信息还包括用于根据待推荐的查询数据进行确定的目标对象。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据异构网络的元路径构建深度学习模型包括：根据元路径确定聚合路径，聚合路径包括多个聚合节点，聚合节点包括多个同一种元路径的数据节点的数据；根据聚合路径确定深度学习模型，其中，深度学习模型输入用户信息和查询数据，输出用户信息和查询数据的相关性。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据元路径确定聚合路径包括：根据多种不同的包含用户信息的数据节点的元路径，确定用户信息的不同的聚合路径，其中，聚合路径的最后的聚合节点为用户信息对应的聚合节点；根据多种不同的包含查询数据的数据节点的元路径，确定查询数据的不同的聚合路径，其中，聚合路径的最后的聚合节点为查询数据对应的聚合节点。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据聚合路径，确定用户信息的第一数据表达向量和查询数据的第二数据表达向量包括：获取聚合路径的聚合节点的统一项信息；根据长短期记忆网络组件采集聚合节点的数据的顺序信息；根据统一项信息和顺序信息，确定第一数据表达向量；和/或，根据卷积神经网络组件采集聚合节点的数据信息；根据统一项信息和数据信息，确定第二数据表达向量。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据第一数据表达向量和第二数据表达向量，确定用户信息和查询数据的数据相关性包括：确定第一数据表达向量和第二数据表达向量的距离；根据距离确定第一数据表达向量和第二数据表达向量的数据相关性。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：统一项信息为文本信息，或关键词信息。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：响应页面刷新的操作，获取用户信息和待推荐的查询数据，其中，查询数据为多个；在预设位置显示向用户推荐的数据，其中，向用户推荐的数据通过以下方式确定的，根据深度学习网络模型的聚合框架，将用户信息和查询数据运算为向量，并基于聚合框架确定用户信息分别和多个查询数据的相关性，其中，聚合框架包括多条由元路径引导元路径中的邻居节点组成的聚合路径，元路径用于对用户信息和查询数据进行表征；确定与用户信息的相关性最高的查询数据为向用户推荐的数据。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：推荐的数据为商品的关键词。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以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中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (17)

1.一种数据推荐方法，其特征在于，包括：
获取用户信息和待推荐的查询数据，其中，所述查询数据为多个；
根据深度学习网络模型的聚合框架，将所述用户信息和所述查询数据运算为向量，并基于所述聚合框架确定所述用户信息分别和多个所述查询数据的相关性，其中，所述聚合框架包括多条由元路径引导所述元路径中的邻居节点组成的聚合路径，所述元路径用于对所述用户信息和所述查询数据进行表征；
确定与所述用户信息的相关性最高的查询数据为推荐数据，并向用户推荐所述推荐数据。
2.根据权利要求1所述的方法，其特征在于，根据深度学习网络模型，确定所述用户信息分别和多个所述查询数据的相关性包括：
根据所述聚合框架，确定所述用户信息的第一数据表达向量和所述查询数据的第二数据表达向量；
根据所述第一数据表达向量和所述第二数据表达向量，确定所述用户信息和所述查询数据的数据相关性。
3.根据权利要求2所述的方法，其特征在于，根据所述聚合框架，确定所述用户信息的第一数据表达向量和所述查询数据的第二数据表达向量之前包括：
确定包含所述用户信息和待推荐的查询数据对应的数据节点的异构网络，其中，所述异构网络包括多种由不同类型的数据节点构成的元路径；
根据所述异构网络的元路径构建深度学习模型的聚合路径，构建聚合框架；
根据所述聚合框架构建深度学习模型。
4.根据权利要求3所述的方法，其特征在于，确定包含所述用户信息和待推荐的查询数据对应的数据节点的异构网络包括：
获取历史信息，其中，所述历史信息包括所述用户信息，以及所述用户信息对应的历史查询数据；
从所述历史信息中提取样本数据，根据所述样本数据对应的样本数据节点，构建多种包含所述样本数据节点的元路径，其中，所述样本数据至少为下列之一：历史查询数据，用户信息；
根据所述多种元路径，构建所述异构网络。
5.根据权利要求4所述的方法，其特征在于，所述历史信息还包括用于根据所述待推荐的查询数据进行确定的目标对象。
6.根据权利要求3所述的方法，其特征在于，根据所述异构网络的元路径构建深度学习模型包括：
根据所述元路径确定所述聚合路径，所述聚合路径包括多个聚合节点，所述聚合节点包括多个同一种元路径的数据节点的数据；
根据所述聚合路径确定所述深度学习模型，其中，所述深度学习模型输入用户信息和查询数据，输出所述用户信息和所述查询数据的相关性。
7.根据权利要求6所述的方法，其特征在于，根据所述元路径确定所述聚合路径包括：
根据多种不同的包含用户信息的数据节点的元路径，确定用户信息的不同的聚合路径，其中，所述聚合路径的最后的聚合节点为所述用户信息对应的聚合节点；
根据多种不同的包含查询数据的数据节点的元路径，确定查询数据的不同的聚合路径，其中，所述聚合路径的最后的聚合节点为所述查询数据对应的聚合节点。
8.根据权利要求7所述的方法，其特征在于，根据所述聚合路径，确定所述用户信息的第一数据表达向量和所述查询数据的第二数据表达向量包括：
获取所述聚合路径的聚合节点的统一项信息；
根据长短期记忆网络组件采集聚合节点的数据的顺序信息；根据所述统一项信息和所述顺序信息，确定所述第一数据表达向量；
和/或，
根据卷积神经网络组件采集聚合节点的数据信息；根据所述统一项信息和所述数据信息，确定所述第二数据表达向量。
9.根据权利要求8所述的方法，其特征在于，根据所述第一数据表达向量和所述第二数据表达向量，确定所述用户信息和所述查询数据的数据相关性包括：
确定所述第一数据表达向量和所述第二数据表达向量的距离；
根据所述距离确定所述第一数据表达向量和所述第二数据表达向量的数据相关性。
10.根据权利要求8所述的方法，其特征在于，所述统一项信息为文本信息，或关键词信息。
11.根据权利要求1至10中任意一项所述的方法，其特征在于，应用于电商平台向用户推荐关键词，其中，所述推荐数据为关键词。
12.一种数据推荐方法，其特征在于，包括：
响应页面刷新的操作，获取用户信息和待推荐的查询数据，其中，所述查询数据为多个；
在预设位置显示向用户推荐的数据，其中，所述向用户推荐的数据通过以下方式确定的，根据深度学习网络模型的聚合框架，将所述用户信息和所述查询数据运算为向量，并基于所述聚合框架确定所述用户信息分别和多个所述查询数据的相关性，其中，所述聚合框架包括多条由元路径引导所述元路径中的邻居节点组成的聚合路径，所述元路径用于对所述用户信息和所述查询数据进行表征；确定与所述用户信息的相关性最高的查询数据为所述向用户推荐的数据。
13.根据权利要求12所述的方法，其特征在于，所述推荐的数据为商品的关键词。
14.一种数据推荐装置，其特征在于，包括：
获取模块，用于获取用户信息和待推荐的查询数据，其中，所述查询数据为多个；
确定模块，用于根据深度学习网络模型的聚合框架，将所述用户信息和所述查询数据运算为向量，并基于所述聚合框架确定所述用户信息分别和多个所述查询数据的相关性，其中，所述聚合框架包括多条由元路径引导所述元路径中的邻居节点组成的聚合路径，所述元路径用于对所述用户信息和所述查询数据进行表征；
推荐模块，用于确定与所述用户信息的相关性最高的查询数据为推荐数据，推荐所述推荐数据。
15.一种数据推荐装置，其特征在于，包括：
刷新模块，用于响应页面刷新的操作，获取用户信息和待推荐的查询数据，其中，所述查询数据为多个；
显示模块，用于在预设位置显示向用户推荐的数据，其中，所述向用户推荐的数据通过以下方式确定的，根据深度学习网络模型的聚合框架，将所述用户信息和所述查询数据运算为向量，并基于所述聚合框架确定所述用户信息分别和多个所述查询数据的相关性，其中，所述聚合框架包括多条由元路径引导所述元路径中的邻居节点组成的聚合路径，所述元路径用于对所述用户信息和所述查询数据进行表征；确定与所述用户信息的相关性最高的查询数据为所述向用户推荐的数据。
16.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至13中任意一项所述的方法。
17.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至13中任意一项所述的方法。
CN201910099191.4A 2019-01-31 2019-01-31 数据推荐方法、装置、存储介质及处理器 Active CN111507788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910099191.4A CN111507788B (zh) 2019-01-31 2019-01-31 数据推荐方法、装置、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910099191.4A CN111507788B (zh) 2019-01-31 2019-01-31 数据推荐方法、装置、存储介质及处理器

Publications (2)

Publication Number Publication Date
CN111507788A true CN111507788A (zh) 2020-08-07
CN111507788B CN111507788B (zh) 2023-07-14

Family

ID=71870855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910099191.4A Active CN111507788B (zh) 2019-01-31 2019-01-31 数据推荐方法、装置、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN111507788B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131480A (zh) * 2020-09-30 2020-12-25 中国海洋大学 基于多层异质属性网络表征学习的个性化商品推荐方法及系统
CN112488781A (zh) * 2020-11-10 2021-03-12 北京三快在线科技有限公司 搜索推荐方法、装置、电子设备及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955535A (zh) * 2014-05-14 2014-07-30 南京大学镇江高新技术研究院 一种基于元路径的个性化推荐方法及系统
US20150332158A1 (en) * 2014-05-16 2015-11-19 International Business Machines Corporation Mining strong relevance between heterogeneous entities from their co-ocurrences
US20160275401A1 (en) * 2015-03-20 2016-09-22 Fuji Xerox Co., Ltd. Methods and systems of venue inference for social messages
CN106354862A (zh) * 2016-09-06 2017-01-25 山东大学 一种异构网络中多维个性化推荐方法
CN106802956A (zh) * 2017-01-19 2017-06-06 山东大学 一种基于加权异构信息网络的电影推荐方法
CN107491540A (zh) * 2017-08-24 2017-12-19 济南浚达信息技术有限公司 一种结合深度贝叶斯模型和协同异构信息嵌入的电影推荐方法
CN109002488A (zh) * 2018-06-26 2018-12-14 北京邮电大学 一种基于元路径上下文的推荐模型训练方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955535A (zh) * 2014-05-14 2014-07-30 南京大学镇江高新技术研究院 一种基于元路径的个性化推荐方法及系统
US20150332158A1 (en) * 2014-05-16 2015-11-19 International Business Machines Corporation Mining strong relevance between heterogeneous entities from their co-ocurrences
US20160275401A1 (en) * 2015-03-20 2016-09-22 Fuji Xerox Co., Ltd. Methods and systems of venue inference for social messages
CN106354862A (zh) * 2016-09-06 2017-01-25 山东大学 一种异构网络中多维个性化推荐方法
CN106802956A (zh) * 2017-01-19 2017-06-06 山东大学 一种基于加权异构信息网络的电影推荐方法
CN107491540A (zh) * 2017-08-24 2017-12-19 济南浚达信息技术有限公司 一种结合深度贝叶斯模型和协同异构信息嵌入的电影推荐方法
CN109002488A (zh) * 2018-06-26 2018-12-14 北京邮电大学 一种基于元路径上下文的推荐模型训练方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131480A (zh) * 2020-09-30 2020-12-25 中国海洋大学 基于多层异质属性网络表征学习的个性化商品推荐方法及系统
CN112131480B (zh) * 2020-09-30 2022-06-10 中国海洋大学 基于多层异质属性网络表征学习的个性化商品推荐方法及系统
CN112488781A (zh) * 2020-11-10 2021-03-12 北京三快在线科技有限公司 搜索推荐方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN111507788B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
US10664888B2 (en) Method and system for attribute extraction from product titles using sequence labeling algorithms
KR101419504B1 (ko) 사용자 성향 분석을 통한 맞춤형 쇼핑 정보 제공 시스템 및 방법
CN102253936B (zh) 记录用户访问商品信息的方法及搜索方法和服务器
CN107783993B (zh) 数据的存储方法和装置
CN111859160B (zh) 一种基于图神经网络会话序列推荐方法及系统
CN103034680B (zh) 针对终端设备的数据交互方法及装置
CN110019943B (zh) 视频推荐方法、装置、电子设备和存储介质
CN105718184A (zh) 一种数据处理方法和装置
WO2018014109A1 (en) System and method for analyzing and searching for features associated with objects
CN103020128B (zh) 与终端设备交互数据的方法与装置
CN103678647A (zh) 一种实现信息推荐的方法及系统
CN105224554A (zh) 推荐搜索词进行搜索的方法、系统、服务器和智能终端
CN113382301A (zh) 视频的处理方法、存储介质和处理器
CN110163703B (zh) 一种分类模型建立方法、文案推送方法和服务器
CN104077286A (zh) 商品信息的搜索方法及系统
CN104077415A (zh) 搜索方法及装置
CN108805598A (zh) 相似度信息确定方法、服务器及计算机可读存储介质
CN107368550A (zh) 信息获取方法、装置、介质、电子设备、服务器及系统
CN110837581A (zh) 视频舆情分析的方法、装置以及存储介质
CN104077337A (zh) 搜索方法及装置
CN112307352B (zh) 内容推荐方法、系统、装置和存储介质
CN108959550B (zh) 用户关注点挖掘方法、装置、设备及计算机可读介质
CN112100221A (zh) 一种资讯推荐方法、装置、推荐服务器及存储介质
CN105808642B (zh) 推荐方法及装置
CN111507788B (zh) 数据推荐方法、装置、存储介质及处理器

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230625

Address after: Room 101, warehouse 1, No. 88, Jingbin Avenue, Jingbin Industrial Park, Wuqing District, Tianjin

Applicant after: Alibaba Huabei Technology Co.,Ltd.

Address before: Box 847, four, Grand Cayman capital, Cayman Islands, UK

Applicant before: ALIBABA GROUP HOLDING Ltd.

GR01 Patent grant
GR01 Patent grant