CN111667067A - 基于图神经网络的推荐方法、装置和计算机设备 - Google Patents
基于图神经网络的推荐方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111667067A CN111667067A CN202010466251.4A CN202010466251A CN111667067A CN 111667067 A CN111667067 A CN 111667067A CN 202010466251 A CN202010466251 A CN 202010466251A CN 111667067 A CN111667067 A CN 111667067A
- Authority
- CN
- China
- Prior art keywords
- preference vector
- node
- neural network
- sequence
- graph
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 251
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 60
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能,提供了一种基于图神经网络的推荐方法、装置和计算机设备。该方法包括:获取待预测的会话序列;将待预测的会话序列转化为有向图;将有向图输入至预置的目标图神经网络;将各个节点对应的偏好向量输入至预置的目标注意力网;根据目标用户的历史会话序列确定第一节点对应的历史偏好向量;获取第一节点对应的通用偏好向量;将整体偏好向量、通用偏好向量、当前偏好向量和历史偏好向量进行线性变换,以得到综合偏好向量;根据综合偏好向量确定N个物品对应的概率值;以及选取最大概率值对应的物品作为推荐物品。此外,本发明还涉及区块链技术,各偏好向量可存储于区块链节点中。本发明能够提升推荐的准确性。
Description
技术领域
本发明涉及人工智能推荐技术领域,还涉及智慧城市技术领域,尤其涉及一种基于图神经网络的推荐方法、装置和计算机设备。
背景技术
为了提升用户体验,现有技术提出推荐系统,目的在于能够快速而准确的将用户所需要的信息推送给用户,提升用户获取信息的速度。在现有技术的推荐方法中,一方面,通常是基于相似度计算,包括物品的相似度计算、用户的相似度计算、内容的相似度计算等,基于相似度来推荐物品,其中,在描述各种相似度时,需要人工对物品、用户以及内容等打上大量的标签,标签越多,相似度的描述越准确,从而推荐物品才可准确,但是,标签化的工作十分巨大;再者,现有的推荐系统往往需要人工根据产品的业务需求,构建复杂的规则专家系统,来实现推荐,难以保证推荐效果。
因此,现有技术中推荐系统推荐准确性低的问题,成为本领域亟需解决的技术问题。
发明内容
本发明的目的是提供一种基于图神经网络的推荐方法、装置和计算机设备,用于解决现有技术中的技术问题,本发明还可应用于智慧城市领域中,在智慧政务/智慧城管/智慧社区/智慧安防/智慧物流/智慧医疗/智慧教育/智慧环保/智慧交通场景中实现相关内容的推荐。
一方面,为实现上述目的,本发明提供了一种基于图神经网络的推荐方法。
该基于图神经网络的推荐方法包括:获取待预测的会话序列,其中,会话序列表征目标用户依次点击的N个物品及点击顺序;将待预测的会话序列转化为有向图,其中,有向图中的节点表征被点击的物品,有向图中的有向边表征两个物品被点击的顺序;将有向图输入至预置的目标图神经网络,以得到有向图中各个节点对应的偏好向量,其中,每个节点对应偏好向量包括N个分量值,每个分量值用于表征两个节点的关系值;将各个节点对应的偏好向量输入至预置的目标注意力网络,以得到待预测的会话序列对应的整体偏好向量;根据目标用户的历史会话序列确定第一节点对应的历史偏好向量,其中,第一节点为有向图中的最后一个节点;获取第一节点对应的通用偏好向量;将整体偏好向量、通用偏好向量、当前偏好向量和历史偏好向量进行线性变换,以得到综合偏好向量,其中,当前偏好向量为有向图中第一节点对应的偏好向量;根据综合偏好向量确定N个物品对应的概率值;以及选取最大概率值对应的物品作为推荐物品。
进一步地,根据目标用户的历史会话序列确定第一节点对应的历史偏好向量的步骤包括:将目标用户历史的会话序列转化为有向图,并输入至目标图神经网络,以得目标用户对应的偏好向量表,其中,偏好向量表包括N行,每行包括一个节点与N个节点的关系值;将当前偏好向量的N个分量值与偏好向量表中第一节点与N个节点的关系值,分别对应相加后除以2,得到N个第一均值;确定N个第一均值为第一节点对应的历史偏好向量。
进一步地,获取第一节点对应的通用偏好向量的步骤包括:获取多个用户对应的偏好向量表;将各个用户对应的偏好向量表中,第一节点与N个节点的关系值,分别对应相加后除以用户数量,得到N个第二均值;确定N个第二均值为第一节点对应的通用偏好向量。
进一步地,在将有向图输入至预置的目标图神经网络的步骤之前,该方法还包括:确定初始图神经网络和初始目标注意力网络;获取训练样本集,其中,训练样本集包括多个训练样本,训练样本包括会话序列和会话序列对应的目标物品;将训练样本的会话序列转化为有向图作为初始图神经网络的输入;将初始图神经网络的输出输入至初始目标注意力网络;将训练样本的目标物品转化为训练偏好向量,作为初始目标注意力网络的输出,对初始图神经网络和初始目标注意力网络进行训练,训练后得到的图神经网络为目标图神经网络,训练后得到的注意力网络为目标注意力网络,其中,训练偏好向量的N个分量值中,目标物品与目标物品的关系值为1,目标物品与N个物品中的其他物品的关系值均为0。
进一步地,在将待预测的会话序列转化为有向图时,通过有向边的可视化特征来表征相同点击顺序的数量。
进一步地,可视化特征包括有向边的形状和/或有向边的粗细和/或有向边的颜色。
进一步地,根据综合偏好向量确定N个物品对应的概率值的步骤包括:将综合偏好向量输入至softmax函数,其中,softmax函数的输出值为概率值。
另一方面,为实现上述目的,本发明提供了一种基于图神经网络的推荐装置。
该基于图神经网络的推荐装置包括:第一获取模块,用于获取待预测的会话序列,其中,会话序列表征目标用户依次点击的N个物品及点击顺序;第一处理模块,用于将待预测的会话序列转化为有向图,其中,有向图中的节点表征被点击的物品,有向图中的有向边表征两个物品被点击的顺序;第一输入模块,用于将有向图输入至预置的目标图神经网络,以得到有向图中各个节点对应的偏好向量,其中,每个节点对应偏好向量包括N个分量值,每个分量值用于表征两个节点的关系值;第二输入模块,用于将各个节点对应的偏好向量输入至预置的目标注意力网络,以得到待预测的会话序列对应的整体偏好向量;第一确定模块,用于根据目标用户的历史会话序列确定第一节点对应的历史偏好向量,其中,第一节点为有向图中的最后一个节点;第二获取模块,用于获取第一节点对应的通用偏好向量;第二处理模块,用于将整体偏好向量、通用偏好向量、当前偏好向量和历史偏好向量进行线性变换,以得到综合偏好向量,其中,当前偏好向量为有向图中第一节点对应的偏好向量;第二确定模块,用于根据综合偏好向量确定N个物品对应的概率值;以及第三确定模块,用于选取最大概率值对应的物品作为推荐物品。
进一步地,第一确定模块包括:处理单元,用于将目标用户历史的会话序列转化为有向图,并输入至目标图神经网络,以得目标用户对应的偏好向量表,其中,偏好向量表包括N行,每行包括一个节点与N个节点的关系值;第一计算单元,用于将当前偏好向量的N个分量值与偏好向量表中第一节点与N个节点的关系值,分别对应相加后除以2,得到N个第一均值;第一确定单元,用于确定N个第一均值为第一节点对应的历史偏好向量。
进一步地,第二获取模块包括:获取单元,用于获取多个用户对应的偏好向量表;第二计算单元,用于将各个用户对应的偏好向量表中,第一节点与N个节点的关系值,分别对应相加后除以用户数量,得到N个第二均值;第二确定单元,用于确定N个第二均值为第一节点对应的通用偏好向量。
进一步地,该装置还包括预训练模块,其中,预训练模块用于执行如下步骤:确定初始图神经网络和初始目标注意力网络;获取训练样本集,其中,训练样本集包括多个训练样本,训练样本包括会话序列和会话序列对应的目标物品;将训练样本的会话序列转化为有向图作为初始图神经网络的输入;将初始图神经网络的输出输入至初始目标注意力网络;将训练样本的目标物品转化为训练偏好向量,作为初始目标注意力网络的输出,对初始图神经网络和初始目标注意力网络进行训练,训练后得到的图神经网络为目标图神经网络,训练后得到的注意力网络为目标注意力网络,其中,训练偏好向量的N个分量值中,目标物品与目标物品的关系值为1,目标物品与N个物品中的其他物品的关系值均为0。
为实现上述目的,本发明还提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
为实现上述目的,本发明还提供计算机可读存储介质,包括数据存储区和存储程序区,存储数据区存储根据区块链节点的使用所创建的数据,存储程序区上存储有计算机程序,其中,该计算机程序被处理器执行时实现上述方法的步骤。
本发明提供的基于图神经网络的推荐方法、装置和计算机设备,根据会话序列对目标用户下一个可能点击的物品进行预测和推荐,其中,将待预测的会话序列转化为有向图输入至预置的目标图神经网络,得到有向图中各个节点对应的偏好向量,再将各个偏好向量输入至预置的目标注意力网络,以得到整体偏好向量,再对整体偏好向量、通用偏好向量、当前偏好向量和历史偏好向量进行线性变换,得到综合偏好向量,最后根据综合偏好向量确定各个物品对应的概率值,将最大概率值对应的物品作为推荐物品,从中可以看出,通过本发明,将会话序列转化为有向图,用有向图作为神经网络的输入,进行深度学习,便于系统提取物品间隐含的信息,再利用注意力网络架构模型来捕捉用户的短期兴趣,得到综偏好向量,更重要的,除综合偏好向量之外,同时考虑了通用偏好向量、当前偏好向量和历史偏好向量,达到了捕获长期兴趣与短期兴趣共存的向量表示,使得物品推荐更加准确。
附图说明
图1为本发明实施例一提供的基于图神经网络的推荐方法的流程图;
图2为本发明实施例二提供的基于图神经网络的推荐装置的框图;
图3为本发明实施例三提供的计算机设备的硬件结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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,都属于本发明保护的范围。
为了提升推荐系统的推荐效果,本发明提供了一种基于图神经网络的推荐方法、装置和计算机设备,在该推荐方法中,能够根据用户当前的会话序列,推荐出用户下一步可能点击的物品,具体地,首先获取待预测的会话序列,其中,该待预测的会话序列表征目标用户依次点击的N个物品及点击顺序,然后将该待预测的会话序列转化为有向图,其中,有向图中的节点表征被点击的物品,有向图中的有向边表征两个物品被点击的顺序,再将有向图输入至预置的目标图神经网络模型中,该目标图神经网络模型的输入为有向图,输出为有向图中各个节点对应的偏好向量。通过目标图神经网络得到各个节点对应的偏好向量后,将各个偏好向量输入至预置的目标注意力网络,该目标注意力网络的输入为上述多个偏好向量,输出为整体偏好向量,因而,通过将各个节点对应的偏好向量输入至目标注意力网络,可得到待预测的会话序列对应的整体偏好向量,再获取有向图中的最后一个节点对应的通用偏好向量和历史偏好向量,将整体偏好向量、通用偏好向量、当前偏好向量(也即最后一个节点对应的偏好向量)和历史偏好向量进行线性变换,以得到综合偏好向量,根据综合偏好向量确定N个物品对应的概率值,选取最大概率值对应的物品作为推荐物品。通过本发明,将物品和物品之间先后被点击的关系通过有向图来表示,将有向图作为图神经网络的输入,有向图中节点与节点的关系被深度学习,从而便于系统提取物品间隐含的信息,能够更好地挖掘物品中丰富的转换特性,将每个物品通过偏好向量表示后,进一步通过一个注意力网络架构模型来捕捉用户的短期兴趣,最终结合通用偏好向量、历史偏好向量和当前偏好向量,以达到捕获长期与短期兴趣共存的向量表示,提升物品推荐的准确性。
关于本发明提供的基于图神经网络的推荐方法、装置和计算机设备的具体实施方式,将在下文中详细描述。
实施例一
本发明实施例一提供了一种基于图神经网络的推荐方法,通过该方法,同时考虑了通用偏好向量、当前偏好向量和历史偏好向量,达到了捕获长期兴趣与短期兴趣共存的向量表示,能够提升物品推荐的准确性,具体地,图1为本发明实施例一提供的基于图神经网络的推荐方法的流程图,如图1所示,该实施例提供的基于图神经网络的推荐方法包括如下的步骤S101至步骤S109。
步骤S101:获取待预测的会话序列。
其中,待预测的会话序列表征目标用户依次点击的N个物品及点击顺序。
例如,待预测的会话序列涉及的是应用程序中展示的V1、V2、V3、V4、V5、V6和V7共7个物品,其中,V1至V7分别标识不同的物品,该7个物品按照V3、V4、V1、V5、V6、V7、V2、V4、V6、V5、V4的先后顺序被目标用户点击。
步骤S102:将待预测的会话序列转化为有向图。
其中,有向图中的节点表征被点击的物品,有向图中的有向边表征两个物品被点击的顺序,其中,会话序列涉及N个物品时,有向图对应包括N个节点,会话序列所包括的物品点击顺序,被转化为有向图中该N个节点之间的有向边。
例如,将上述会话序列转化为有向图后,有向图包括7个节点和10个有向边,其中,第一个有向边为由V3对应的节点指向V4对应的节点的边,第二个有向边为由V4对应的节点指向V1对应的节点的边,相类似的,第十个有向边为由V5对应的节点指向V4对应的节点的边。
可选地,在将会话序列转换为有向图时,可通过有向边的可视化特征来表征相同点击顺序的数量,例如,在一个会话序列中存在两次或两次以上点击V4后点击V1,则由V4对应的节点指向V1对应的节点的有向边的可视化特征表征2。该可视化特征可以为有向边的形状(例如点划线、直线或波浪线等)、也可以为有向边的粗细或者有向边的颜色等,使得有向图能够较全面的反映出会话序列的特征。
步骤S103:将有向图输入至预置的目标图神经网络模型,以得到有向图中各个节点对应的偏好向量。
其中,偏好向量包括N个分量值,每个分量值用于表征两个节点的关系值。具体地,有向图中包括N个节点时,通过该步骤S103即可得到N个偏好向量,每个偏好向量包括N个分量值,例如,对于N个节点中的任一个节点Vx,其对应的偏好向量中的每个分量值用于表征该节点Vx与自身以及该节点Vx与N个节点中的其他节点的关系值。
预置的目标图神经网络模型是预设的用于进行推荐的图神经网络,将上述有向图输入至该目标图神经网络模型后,得到有向图中每一个节点对应的偏好向量。其中,图神经网络模型(GNN)是一类基于深度学习的处理图域信息的方法模型,具体可采用现有技术中任意的网络结构,该处不再赘述。
例如,将上述有向图输入至目标图神经网络模型后,得到7个节点对应的偏好向量,每个偏好向量均包括7个分量值,例如,V1对应节点的偏好向量包括7个分量值,分别为物品V1与物品V1至V7的关系值,该关系值是图神经网络对有向图进行深度学习后得到的关系表示,也即表征物品间隐含的关系和联系,因此,每个节点对应的偏好向量均可反应该节点所表征的物品与其他节点所表征的物品间隐含的关系和联系的紧密程度。例如,节点Vx与自身的关系值为1,与其他节点的关系值小于1,且关系值越大,两个节点所表征的物品间隐含的关系和联系的紧密程度越大。
步骤S104:将各个节点对应的偏好向量输入至预置的目标注意力网络,以得到待预测的会话序列对应的整体偏好向量。
注意力网络用于对各个偏好向量进行权重调整,使得会话序列利用注意力机制生成整体偏好向量,其中,注意力网络(Attention Network)具体可采用现有技术中任意的网络结构,该处不再赘述。
步骤S105:根据目标用户的历史会话序列确定第一节点对应的历史偏好向量。
其中,第一节点为有向图中的最后一个节点,也即待预测的会话序列中的最后一个物品(下称第一物品,例如上述会话序列中的最后一个物品为物品V4)对应的节点。根据目标用户的历史会话序列,确定该第一物品与有向图中各节点对应的物品(例如上述会话序列中的物品V1至物品V7)的关系值,也即历史偏好向量。通过历史偏好向量,能够在推荐过程中将目标用户的历史行为作为推荐计算因素。
步骤S106:获取第一节点对应的通用偏好向量。
与上述历史偏好向量类似,该通用偏好向量也是上述第一物品与有向图中各节点对应的物品的关系值,与上述历史偏好向量不同,该通用偏好向量并不针对目标用户,也不针对一个特定用户,而是表征不特定用户的通用偏好。
步骤S107:将整体偏好向量、通用偏好向量、当前偏好向量和历史偏好向量进行线性变换,以得到综合偏好向量。
其中,当前偏好向量为有向图中第一节点对应的偏好向量。
可选地,可将整体偏好向量、通用偏好向量、当前偏好向量和历史偏好向量,输入一个线性变换函数,得到一个综合偏好向量,其中,整体偏好向量能够反映目标用户待预测会话序列的预测出的偏好情况,通用偏好向量能够反映第一物品所对应的通用偏好情况,当前偏好向量能够反映目标用户待预测会话序列所反应出的第一物品的偏好情况,以及历史偏好向量能够反映目标用户历史会话序列所反应出的第一物品的偏好情况,因此,通过线性变化得到的综合偏好向量能够同时反映出上述四个方面。
步骤S108:根据综合偏好向量确定N个物品对应的概率值。
可选地,将综合偏好向量输入至softmax函数,能够得到N个物品对应的概率值,也即目标用户下一个可能点击的物品的概率值,每个概率值均在0至1之间。
步骤S109:选取最大概率值对应的物品作为推荐物品。
在N个物品对应的概率值中,最大概率值对应的物品即为目标用户下一个最可能要点击的物品,因而,将其作为推荐物品。
在该实施例提供的基于图神经网络的推荐方法中,根据会话序列对目标用户下一个可能点击的物品进行预测和推荐,其中,将待预测的会话序列转化为有向图输入至预置的目标图神经网络,得到有向图中各个节点对应的偏好向量,再将各个偏好向量输入至预置的目标注意力网络,以得到整体偏好向量,再对整体偏好向量、通用偏好向量、当前偏好向量和历史偏好向量进行线性变换,得到综合偏好向量,最后根据综合偏好向量确定各个物品对应的概率值,将最大概率值对应的物品作为推荐物品,从中可以看出,采用该实施例提供的基于图神经网络的推荐方法,将会话序列转化为有向图,用有向图作为神经网络的输入,进行深度学习,便于系统提取物品间隐含的信息,再利用注意力网络架构模型来捕捉用户的短期兴趣,得到综偏好向量,更重要的,除综合偏好向量之外,同时考虑了通用偏好向量、当前偏好向量和历史偏好向量,达到了捕获长期兴趣与短期兴趣共存的向量表示,使得物品推荐更加准确。
可选地,在一种实施例中,根据目标用户的历史会话序列确定第一节点对应的历史偏好向量的步骤包括:将目标用户历史的会话序列转化为有向图,并输入至目标图神经网络,以得目标用户对应的偏好向量表,其中,偏好向量表包括N行,每行包括一个节点与N个节点的关系值;将当前偏好向量的N个分量值与偏好向量表中第一节点与N个节点的关系值,分别对应相加后除以2,得到N个第一均值;确定N个第一均值为第一节点对应的历史偏好向量。
具体地,可采用与上述步骤S102相同的方式,将目标用户的历史会话序列转化为有向图,然后采用与上述步骤S103相同的方式,将通过历史会话序列形成的有向图输入至目标神经网络,即可得到该历史会话序列对应的N个偏好向量,通过多个历史会话序列对应的偏好向量,即可形成偏好向量表,可选地,可将多个历史会话序列中相同物品之间的关系值相加后除以历史会话序列的数量,即可得到偏好向量表中对应物品之间的关系值。
如下表1所示,示出目标用户对应的偏好向量表,其中,0000001为目标用户的标识,位于第一行第一列的数值表示物品V1与物品V1的关系值,位于第一行第二列的数值表示物品V1与物品V2的关系值,位于第二行第一列的数值表示物品V2与物品V1的关系值,其中,用x代替具体的关系值的大小,各个位置的x可以为数值相同的值,也可以为数值不同的值。
表1
仍然以上述待预测会话序列{V3、V4、V1、V5、V6、V7、V2、V4、V6、V5、V4}为例,在得到历史偏好向量表以后,将当前偏好向量的7个分量值(也即物品V4的7个分量值)与偏好向量表中第一节点(也即第一物品V4)与7个节点(也即其他物品V1至V7)的关系值,分别对应相加后除以2,得到7个第一均值,将该7个第一均值为第一节点(也即第一物品V4)对应的历史偏好向量。
采用该实施例提供的基于图神经网络的推荐方法,历史偏好向量通过历史会话序列和待预测会话序列形成,能够完整的反应出下一个可能点击的物品之前的历史偏好情况。
可选地,在一种实施例中,获取第一节点对应的通用偏好向量的步骤包括:获取多个用户对应的偏好向量表;将各个用户对应的偏好向量表中,第一节点与N个节点的关系值,分别对应相加后除以用户数量,得到N个第二均值;确定N个第二均值为第一节点对应的通用偏好向量。
具体地,可获取多个用户的偏好向量表(如上表1示出的一个用户的偏好向量表,在该实施例中获取多个用户的偏好向量表),查找每个偏好向量表中第一节点与各个节点的关系值进行加和求平均值,即可得到第一节点对应的通用偏好向量。
仍然以上述待预测会话序列{V3、V4、V1、V5、V6、V7、V2、V4、V6、V5、V4}为例,在得到多个偏好向量表以后,在每个偏好向量表中查找第一物品V4与各个物品(也即物品V1至V7)的关系值,然后对应进行加和求平均值,也即各个偏好向量表中第一物品V4与物品V1的关系值加和求平均,各个偏好向量表中第一物品V4与物品V2的关系值加和求平均,以此类推,得到的7个平均值即形成通用偏好向量。
采用该实施例提供的基于图神经网络的推荐方法,通过多个真实用户的偏好向量表来确定通用偏好向量,既能够反应不针对特定用户的偏好情况,而且准确性高。
可选地,在一种实施例中,在将有向图输入至预置的目标图神经网络的步骤之前,基于图神经网络的推荐方法还包括:确定初始图神经网络和初始目标注意力网络;获取训练样本集,其中,训练样本集包括多个训练样本,训练样本包括会话序列和会话序列对应的目标物品;将训练样本的会话序列转化为有向图作为初始图神经网络的输入;将初始图神经网络的输出输入至初始目标注意力网络;将训练样本的目标物品转化为训练偏好向量,作为初始目标注意力网络的输出,对初始图神经网络和初始目标注意力网络进行训练,训练后得到的图神经网络为目标图神经网络,训练后得到的注意力网络为目标注意力网络,其中,训练偏好向量的N个分量值中,目标物品与目标物品的关系值为1,目标物品与N个物品中的其他物品的关系值均为0。
其中,初始图神经网络和初始目标注意力网络均为未经训练的初始神经网络,通过训练样本对初始图神经网络和初始目标注意力网络进行训练,得到目标图神经网络和目标注意力网络。
实施例二
对应于上述实施例一,本发明实施例二提供了一种基于图神经网络的推荐装置,相关的技术特征和对应的技术效果可参考上述实施例一,该处不再赘述。图2为本发明实施例二提供的基于图神经网络的推荐装置的框图,如图2所示,该装置包括:第一获取模块201、第一处理模块202、第一输入模块203、第二输入模块204、第一确定模块205、第二获取模块206、第二处理模块207、第二确定模块208和第三确定模块209。
其中,第一获取模块201用于获取待预测的会话序列,其中,会话序列表征目标用户依次点击的N个物品及点击顺序;第一处理模块202用于将待预测的会话序列转化为有向图,其中,有向图中的节点表征被点击的物品,有向图中的有向边表征两个物品被点击的顺序;第一输入模块203用于将有向图输入至预置的目标图神经网络,以得到有向图中各个节点对应的偏好向量,其中,每个节点对应偏好向量包括N个分量值,每个分量值用于表征两个节点的关系值;第二输入模块204用于将各个节点对应的偏好向量输入至预置的目标注意力网络,以得到待预测的会话序列对应的整体偏好向量;第一确定模块205用于根据目标用户的历史会话序列确定第一节点对应的历史偏好向量,其中,第一节点为有向图中的最后一个节点;第二获取模块206用于获取第一节点对应的通用偏好向量;第二处理模块207用于将整体偏好向量、通用偏好向量、当前偏好向量和历史偏好向量进行线性变换,以得到综合偏好向量,其中,当前偏好向量为有向图中第一节点对应的偏好向量;第二确定模块208用于根据综合偏好向量确定N个物品对应的概率值;以及第三确定模块209用于选取最大概率值对应的物品作为推荐物品。
可选地,在一种实施例中,第一确定模块205包括:处理单元,用于将目标用户历史的会话序列转化为有向图,并输入至目标图神经网络,以得目标用户对应的偏好向量表,其中,偏好向量表包括N行,每行包括一个节点与N个节点的关系值;第一计算单元,用于将当前偏好向量的N个分量值与偏好向量表中第一节点与N个节点的关系值,分别对应相加后除以2,得到N个第一均值;第一确定单元,用于确定N个第一均值为第一节点对应的历史偏好向量。
进一步地,第二获取模块206包括:获取单元,用于获取多个用户对应的偏好向量表;第二计算单元,用于将各个用户对应的偏好向量表中,第一节点与N个节点的关系值,分别对应相加后除以用户数量,得到N个第二均值;第二确定单元,用于确定N个第二均值为第一节点对应的通用偏好向量。
进一步地,该装置还包括预训练模块,其中,预训练模块用于执行如下步骤:确定初始图神经网络和初始目标注意力网络;获取训练样本集,其中,训练样本集包括多个训练样本,训练样本包括会话序列和会话序列对应的目标物品;将训练样本的会话序列转化为有向图作为初始图神经网络的输入;将初始图神经网络的输出输入至初始目标注意力网络;将训练样本的目标物品转化为训练偏好向量,作为初始目标注意力网络的输出,对初始图神经网络和初始目标注意力网络进行训练,训练后得到的图神经网络为目标图神经网络,训练后得到的注意力网络为目标注意力网络,其中,训练偏好向量的N个分量值中,目标物品与目标物品的关系值为1,目标物品与N个物品中的其他物品的关系值均为0。
实施例三
本实施例三还提供一种计算机设备,如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图3所示,本实施例的计算机设备01至少包括但不限于:可通过系统总线相互通信连接的存储器011、处理器012,如图3所示。需要指出的是,图3仅示出了具有组件存储器011和处理器012的计算机设备01,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器011(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器011可以是计算机设备01的内部存储单元,例如该计算机设备01的硬盘或内存。在另一些实施例中,存储器011也可以是计算机设备01的外部存储设备,例如该计算机设备01上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器011还可以既包括计算机设备01的内部存储单元也包括其外部存储设备。本实施例中,存储器011通常用于存储安装于计算机设备01的操作系统和各类应用软件,例如实施例二的基于图神经网络的推荐装置的程序代码等。此外,存储器011还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器012在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器012通常用于控制计算机设备01的总体操作。本实施例中,处理器012用于运行存储器011中存储的程序代码或者处理数据,例如基于图神经网络的推荐方法等。
实施例四
本实施例四还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储基于图神经网络的推荐装置,该计算机可读存储介质被处理器执行时实现实施例一的基于图神经网络的推荐方法。
进一步地,所述计算机可读存储介质可主要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、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于图神经网络的推荐方法,其特征在于,包括:
获取待预测的会话序列,其中,所述会话序列表征目标用户依次点击的N个物品及点击顺序;
将所述待预测的会话序列转化为有向图,其中,所述有向图中的节点表征被点击的物品,所述有向图中的有向边表征两个物品被点击的顺序;
将所述有向图输入至预置的目标图神经网络,以得到所述有向图中各个所述节点对应的偏好向量,其中,每个所述节点对应偏好向量包括N个分量值,每个所述分量值用于表征两个节点的关系值;
将所述各个节点对应的偏好向量输入至预置的目标注意力网络,以得到所述待预测的会话序列对应的整体偏好向量;
根据所述目标用户的历史会话序列确定第一节点对应的历史偏好向量,其中,所述第一节点为所述有向图中的最后一个节点;
获取所述第一节点对应的通用偏好向量;
将所述整体偏好向量、所述通用偏好向量、当前偏好向量和所述历史偏好向量进行线性变换,以得到综合偏好向量,其中,所述当前偏好向量为所述有向图中所述第一节点对应的偏好向量;
根据所述综合偏好向量确定所述N个物品对应的概率值;以及
选取最大概率值对应的物品作为推荐物品。
2.根据权利要求1所述的基于图神经网络的推荐方法,其特征在于,根据所述目标用户的历史会话序列确定所述第一节点对应的历史偏好向量的步骤包括:
将所述目标用户历史的所述会话序列转化为所述有向图,并输入至所述目标图神经网络,以得所述目标用户对应的偏好向量表,其中,所述偏好向量表包括N行,每行包括一个节点与所述N个节点的关系值;
将所述当前偏好向量的N个分量值与所述偏好向量表中所述第一节点与所述N个节点的关系值,分别对应相加后除以2,得到N个第一均值;
确定所述N个第一均值为所述第一节点对应的历史偏好向量。
3.根据权利要求2所述的基于图神经网络的推荐方法,其特征在于,获取第一节点对应的通用偏好向量的步骤包括:
获取多个用户对应的所述偏好向量表;
将各个用户对应的所述偏好向量表中,所述第一节点与所述N个节点的关系值,分别对应相加后除以用户数量,得到N个第二均值;
确定所述N个第二均值为所述第一节点对应的通用偏好向量。
4.根据权利要求1所述的基于图神经网络的推荐方法,其特征在于,在将所述有向图输入至预置的目标图神经网络的步骤之前,所述方法还包括:
确定初始图神经网络和初始目标注意力网络;
获取训练样本集,其中,所述训练样本集包括多个训练样本,所述训练样本包括会话序列和会话序列对应的目标物品;
将所述训练样本的会话序列转化为所述有向图作为所述初始图神经网络的输入;
将所述初始图神经网络的输出输入至初始目标注意力网络;
将所述训练样本的目标物品转化为训练偏好向量,作为所述初始目标注意力网络的输出,对所述初始图神经网络和所述初始目标注意力网络进行训练,训练后得到的图神经网络为所述目标图神经网络,训练后得到的注意力网络为所述目标注意力网络,其中,所述训练偏好向量的所述N个分量值中,所述目标物品与所述目标物品的关系值为1,所述目标物品与所述N个物品中的其他物品的关系值均为0。
5.根据权利要求1所述的基于图神经网络的推荐方法,其特征在于,在将所述待预测的会话序列转化为有向图时,通过所述有向边的可视化特征来表征相同点击顺序的数量。
6.根据权利要求5所述的基于图神经网络的推荐方法,其特征在于,所述可视化特征包括所述有向边的形状和/或所述有向边的粗细和/或所述有向边的颜色。
7.根据权利要求1所述的基于图神经网络的推荐方法,其特征在于,根据所述综合偏好向量确定所述N个物品对应的概率值的步骤包括:将所述综合偏好向量输入至softmax函数,其中,所述softmax函数的输出值为所述概率值。
8.一种基于图神经网络的推荐装置,其特征在于,包括:
第一获取模块,用于获取待预测的会话序列,其中,所述会话序列表征目标用户依次点击的N个物品及点击顺序;
第一处理模块,用于将所述待预测的会话序列转化为有向图,其中,所述有向图中的节点表征被点击的物品,所述有向图中的有向边表征两个物品被点击的顺序;
第一输入模块,用于将所述有向图输入至预置的目标图神经网络,以得到所述有向图中各个所述节点对应的偏好向量,其中,每个所述节点对应偏好向量包括N个分量值,每个所述分量值用于表征两个节点的关系值;
第二输入模块,用于将所述各个节点对应的偏好向量输入至预置的目标注意力网络,以得到所述待预测的会话序列对应的整体偏好向量;
第一确定模块,用于根据所述目标用户的历史会话序列确定第一节点对应的历史偏好向量,其中,所述第一节点为所述有向图中的最后一个节点;
第二获取模块,用于获取所述第一节点对应的通用偏好向量;
第二处理模块,用于将所述整体偏好向量、所述通用偏好向量、当前偏好向量和所述历史偏好向量进行线性变换,以得到综合偏好向量,其中,所述当前偏好向量为所述有向图中所述第一节点对应的偏好向量;
第二确定模块,用于根据所述综合偏好向量确定所述N个物品对应的概率值;以及
第三确定模块,用于选取最大概率值对应的物品作为推荐物品。
9.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储根据区块链节点的使用所创建的数据,存储程序区存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466251.4A CN111667067A (zh) | 2020-05-28 | 2020-05-28 | 基于图神经网络的推荐方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466251.4A CN111667067A (zh) | 2020-05-28 | 2020-05-28 | 基于图神经网络的推荐方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111667067A true CN111667067A (zh) | 2020-09-15 |
Family
ID=72384905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010466251.4A Pending CN111667067A (zh) | 2020-05-28 | 2020-05-28 | 基于图神经网络的推荐方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667067A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931076A (zh) * | 2020-09-22 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于有权有向图进行关系推荐的方法、装置和计算机设备 |
CN112396492A (zh) * | 2020-11-19 | 2021-02-23 | 天津大学 | 基于图注意力网络和双向长短期记忆网络的会话推荐方法 |
CN112669127A (zh) * | 2021-01-21 | 2021-04-16 | 重庆大学 | 用于商品推荐的方法、装置及设备 |
CN112733018A (zh) * | 2020-12-31 | 2021-04-30 | 哈尔滨工程大学 | 一种基于图神经网络gnn和多任务学习的会话推荐方法 |
CN112966193A (zh) * | 2021-03-05 | 2021-06-15 | 北京百度网讯科技有限公司 | 出行意图推断方法、模型训练方法、相关装置及电子设备 |
CN113641897A (zh) * | 2021-07-28 | 2021-11-12 | 上海明略人工智能(集团)有限公司 | 基于会话文本的推荐方法和装置、电子设备和存储介质 |
CN113704441A (zh) * | 2021-09-06 | 2021-11-26 | 中国计量大学 | 一种考虑物品和物品属性特征级别重要性的会话推荐方法 |
JP2021193595A (ja) * | 2020-09-21 | 2021-12-23 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 会話推薦方法、装置及び機器 |
CN116342228A (zh) * | 2023-05-18 | 2023-06-27 | 云筑信息科技(成都)有限公司 | 一种基于有向图神经网络的相关推荐的方法 |
WO2023165352A1 (zh) * | 2022-03-03 | 2023-09-07 | 百果园技术(新加坡)有限公司 | 一种业务对象的分类方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110490717A (zh) * | 2019-09-05 | 2019-11-22 | 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 |
CN111080400A (zh) * | 2019-11-25 | 2020-04-28 | 中山大学 | 一种基于门控图卷积网络的商品推荐方法及系统、存储介质 |
-
2020
- 2020-05-28 CN CN202010466251.4A patent/CN111667067A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110490717A (zh) * | 2019-09-05 | 2019-11-22 | 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 |
CN111080400A (zh) * | 2019-11-25 | 2020-04-28 | 中山大学 | 一种基于门控图卷积网络的商品推荐方法及系统、存储介质 |
Non-Patent Citations (1)
Title |
---|
SHU WU等: ""Session-based Recommendation with Graph Neural Networks"", 《ARXIV》, 24 January 2019 (2019-01-24), pages 1 - 9 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021193595A (ja) * | 2020-09-21 | 2021-12-23 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 会話推薦方法、装置及び機器 |
JP7262539B2 (ja) | 2020-09-21 | 2023-04-21 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 会話推薦方法、装置及び機器 |
CN111931076B (zh) * | 2020-09-22 | 2021-02-09 | 平安国际智慧城市科技股份有限公司 | 基于有权有向图进行关系推荐的方法、装置和计算机设备 |
CN111931076A (zh) * | 2020-09-22 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于有权有向图进行关系推荐的方法、装置和计算机设备 |
CN112396492A (zh) * | 2020-11-19 | 2021-02-23 | 天津大学 | 基于图注意力网络和双向长短期记忆网络的会话推荐方法 |
CN112733018A (zh) * | 2020-12-31 | 2021-04-30 | 哈尔滨工程大学 | 一种基于图神经网络gnn和多任务学习的会话推荐方法 |
CN112669127A (zh) * | 2021-01-21 | 2021-04-16 | 重庆大学 | 用于商品推荐的方法、装置及设备 |
CN112669127B (zh) * | 2021-01-21 | 2024-03-05 | 重庆大学 | 用于商品推荐的方法、装置及设备 |
CN112966193A (zh) * | 2021-03-05 | 2021-06-15 | 北京百度网讯科技有限公司 | 出行意图推断方法、模型训练方法、相关装置及电子设备 |
CN112966193B (zh) * | 2021-03-05 | 2023-07-25 | 北京百度网讯科技有限公司 | 出行意图推断方法、模型训练方法、相关装置及电子设备 |
CN113641897A (zh) * | 2021-07-28 | 2021-11-12 | 上海明略人工智能(集团)有限公司 | 基于会话文本的推荐方法和装置、电子设备和存储介质 |
CN113641897B (zh) * | 2021-07-28 | 2024-04-19 | 上海明略人工智能(集团)有限公司 | 基于会话文本的推荐方法和装置、电子设备和存储介质 |
CN113704441A (zh) * | 2021-09-06 | 2021-11-26 | 中国计量大学 | 一种考虑物品和物品属性特征级别重要性的会话推荐方法 |
CN113704441B (zh) * | 2021-09-06 | 2022-06-10 | 中国计量大学 | 一种考虑物品和物品属性特征级别重要性的会话推荐方法 |
WO2023165352A1 (zh) * | 2022-03-03 | 2023-09-07 | 百果园技术(新加坡)有限公司 | 一种业务对象的分类方法、装置、设备及存储介质 |
CN116342228A (zh) * | 2023-05-18 | 2023-06-27 | 云筑信息科技(成都)有限公司 | 一种基于有向图神经网络的相关推荐的方法 |
CN116342228B (zh) * | 2023-05-18 | 2023-10-20 | 云筑信息科技(成都)有限公司 | 一种基于有向图神经网络的相关推荐的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667067A (zh) | 基于图神经网络的推荐方法、装置和计算机设备 | |
CN110147551B (zh) | 多类别实体识别模型训练、实体识别方法、服务器及终端 | |
Weitschek et al. | Supervised DNA Barcodes species classification: analysis, comparisons and results | |
CN110866181A (zh) | 资源推荐的方法、装置及存储介质 | |
CN112632278A (zh) | 一种基于多标签分类的标注方法、装置、设备及存储介质 | |
CN112395487B (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN110427480B (zh) | 个性化文本智能推荐方法、装置及计算机可读存储介质 | |
CN109461016B (zh) | 数据评分方法、装置、计算机设备及存储介质 | |
CN112231416A (zh) | 知识图谱本体更新方法、装置、计算机设备及存储介质 | |
CN111523960A (zh) | 基于稀疏矩阵的产品推送方法、装置、计算机设备及介质 | |
CN111818101B (zh) | 网络安全性的检测方法、装置、计算机设备和存储介质 | |
CN111914159A (zh) | 一种信息推荐方法及终端 | |
CN112380421A (zh) | 简历的搜索方法、装置、电子设备及计算机存储介质 | |
CN114880566A (zh) | 基于图神经网络的用户行为分析方法、装置、设备及介质 | |
CN113283222B (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
CN114359582A (zh) | 一种基于神经网络的小样本特征提取方法及相关设备 | |
CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
Cottrell et al. | Neural networks for complex data | |
CN113627182A (zh) | 数据匹配方法、装置、计算机设备及存储介质 | |
CN113656690A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113722437B (zh) | 基于人工智能的用户标签识别方法、装置、设备及介质 | |
CN113656466B (zh) | 保单数据查询方法、装置、设备及存储介质 | |
CN115392361A (zh) | 一种智能排序方法、装置、计算机设备及存储介质 | |
CN113435741A (zh) | 培训计划生成方法、装置、设备及存储介质 | |
CN113919357A (zh) | 地址实体识别模型的训练方法、装置、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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220527 Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Area H, 666 Beijing East Road, Huangpu District, Shanghai 200001 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |
|
TA01 | Transfer of patent application right |