CN111708964B - 多媒体资源的推荐方法、装置、电子设备和存储介质 - Google Patents

多媒体资源的推荐方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111708964B
CN111708964B CN202010462953.5A CN202010462953A CN111708964B CN 111708964 B CN111708964 B CN 111708964B CN 202010462953 A CN202010462953 A CN 202010462953A CN 111708964 B CN111708964 B CN 111708964B
Authority
CN
China
Prior art keywords
nodes
vector
training sample
characterization
multimedia
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010462953.5A
Other languages
English (en)
Other versions
CN111708964A (zh
Inventor
陈超星
黄正杰
冯仕堃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010462953.5A priority Critical patent/CN111708964B/zh
Publication of CN111708964A publication Critical patent/CN111708964A/zh
Priority to US17/128,047 priority patent/US20210374174A1/en
Priority to JP2020216266A priority patent/JP7194163B2/ja
Priority to EP21150499.8A priority patent/EP3916587A1/en
Priority to KR1020210053053A priority patent/KR102588055B1/ko
Application granted granted Critical
Publication of CN111708964B publication Critical patent/CN111708964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/438—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—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
    • G06F16/9024—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
    • G06F16/95—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
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了多媒体资源的推荐方法、装置、电子设备和存储介质，涉及自然语言处理技术领域。具体实现方案为：通过根据多个用户对象浏览的多媒体资源，生成关系图谱，将关系图谱中同一路径内间隔节点数小于节点个数阈值的两节点作为训练样本，以对图模型进行训练得到训练样本中各个节点的表征向量，根据各个用户对象对应的表征向量和/或多媒体资源节点的表征向量，进行多媒体资源推荐。由此，在图模型训练中，将关系图谱中同一路径的邻近的节点作为训练样本，从而使得图模型学习到的表征向量能够指示同一用户浏览的资源的内在联系性，提高了节点的表征向量的准确性，由此根据表征向量进行推荐，提高了推荐的准确性。

Description

多媒体资源的推荐方法、装置、电子设备和存储介质
技术领域
本申请涉及计算机技术领域，具体涉及自然语言处理技术领域，尤其涉及一种多媒体资源的推荐方法、装置、电子设备和存储介质。
背景技术
在互联网领域，为方便用户获取或浏览更多的媒体资源，通常会向用户进行资源推荐，比如推荐文章、新闻等。通过向用户推荐资源，以促使用户做出更多的点击。例如，用户浏览了一篇体育新闻，可向用户推荐其他体育新闻，以获取更多的点击率。
可见，在互联网中文章、视频等多媒体资源的推荐，推荐的准确性非常重要。
发明内容
本申请提供一种用于提高推荐准确性的多媒体资源的推荐的方法、装置、电子设备和存储介质。
根据第一方面，提供了一种多媒体资源的推荐方法，包括：
根据多个用户对象浏览的多媒体资源，生成关系图谱，其中，所述关系图谱中的一个节点对应一个所述用户对象或一个所述多媒体资源，所述关系图谱中的一条边用于指示连接的两节点之间存在浏览行为；
根据所述关系图谱中的路径，将在同一所述路径内间隔节点数小于节点个数阈值的两节点作为训练样本；
采用所述训练样本，对图模型进行训练，以使所述图模型学习得到所述训练样本中各节点的表征向量，其中，属于同一训练样本的两节点的表征向量相似；
根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐。
本申请实施例的多媒体资源的推荐方法，通过根据多个用户对象浏览的多媒体资源，生成关系图谱，将关系图谱中同一路径内间隔节点数小于节点个数阈值的两节点作为训练样本，以对图模型进行训练得到训练样本中各个节点的表征向量，根据各个用户对象对应的表征向量和/或多媒体资源节点的表征向量，进行多媒体资源推荐。由此，在图模型训练中，将关系图谱中同一路径的邻近的节点作为训练样本，从而使得图模型学习到的表征向量能够指示同一用户浏览的资源的内在联系性，提高了节点的表征向量的准确性，由此根据表征向量进行推荐，提高了推荐的准确性。
根据第二方面，提供了一种多媒体资源的推荐装置，包括：
生成模块，用于根据多个用户对象浏览的多媒体资源，生成关系图谱，其中，所述关系图谱中的一个节点对应一个所述用户对象或一个所述多媒体资源，所述关系图谱中的一条边用于指示连接的两节点之间存在浏览行为；
第一确定模块，用于根据所述关系图谱中的路径，将在同一所述路径内间隔节点数小于节点个数阈值的两节点作为训练样本；
训练模块，用于采用所述训练样本，对图模型进行训练，以使所述图模型学习得到所述训练样本中各节点的表征向量，其中，属于同一训练样本的两节点的表征向量相似；
推荐模块，用于根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐。
本申请实施例的多媒体资源的推荐装置，通过根据多个用户对象浏览的多媒体资源，生成关系图谱，将关系图谱中同一路径内间隔节点数小于节点个数阈值的两节点作为训练样本，以对图模型进行训练得到训练样本中各个节点的表征向量，根据各个用户对象对应的表征向量和/或多媒体资源节点的表征向量，进行多媒体资源推荐。由此，在图模型训练中，将关系图谱中同一路径的邻近的节点作为训练样本，从而使得图模型学习到的表征向量能够指示同一用户浏览的资源的内在联系性，提高了节点的表征向量的准确性，由此根据表征向量进行推荐，提高了推荐的准确性。
根据第三方面，提供了一种电子设备，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上述一方面实施例所述的多媒体资源的推荐方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，所述计算机指令用于使所述计算机执行上述一方面实施例所述的多媒体资源的推荐方法。
根据第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述一方面实施例所述的多媒体资源的推荐方法。
根据本申请的实施例，在图模型训练中，将关系图谱中同一路径的邻近的节点作为训练样本，从而使得图模型学习到的表征向量能够指示同一用户浏览的资源的内在联系性，提高了节点的表征向量的准确性，由此根据表征向量进行推荐，提高了推荐的准确性。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
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为本申请实施例提供的一种多媒体资源的推荐方法的流程示意图；
图2为本申请实施例提供的一个关系图谱的示意图；
图3为本申请实施例提供的另一种多媒体资源的推荐方法的流程示意图；
图4为本申请实施例提供的另一种多媒体资源的推荐方法的流程示意图；
图5为本申请实施例提供的一种训练示意图；
图6为本申请实施例提供的另一种多媒体资源的推荐方法的流程示意图；
图7为本申请实施例提供的另一种多媒体资源的推方法的流程示意图；
图8为本申请实施例提供的一种多媒体资源的推荐装置的结构示意图；
图9为根据本申请实施例的多媒体资源的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。
下面参考附图描述本申请实施例的多媒体资源的推荐方法、装置、电子设备和存储介质。
本申请实施例的多媒体资源的推荐方法，在图模型训练中，将关系图谱中同一路径的邻近的节点作为训练样本，从而使得图模型学习到的表征向量能够指示同一用户浏览的资源的内在联系性，提高了节点的表征向量的准确性，由此根据表征向量进行推荐，提高了推荐的准确性
图1为本申请实施例提供的一种多媒体资源的推荐方法的流程示意图。
本申请实施例的多媒体资源的推荐方法，可由本申请实施例提供的多媒体资源的推荐装置执行，该装置可配置于电子设备中，以提高关系图谱中节点的表征向量的准确性，从而提高推荐的准确性。
如图1所示，该多媒体资源的推荐方法包括：
步骤101，根据多个用户对象浏览的多媒体资源，生成关系图谱，其中，关系图谱中的一个节点对应一个用户对象或一个多媒体资源。
本实施例中，获取多个用户对象对多媒体资源的浏览记录，确定每个用户对象浏览的多媒体资源，将一个用户对象作为一个节点，一个多媒体资源作为一个节点，若用户对象与多媒体资源之间存在浏览行为，则用户对象与多媒体资源对应的两节点之间用边连接，由此生成关系图谱。
也就是说，关系图谱中的一个节点对应一个用户对象或一个多媒体资源，关系图谱中的一条边用于指示连接的两节点之间存在浏览行为。
本实施例中，多媒体资源可以包括文章、视频、音乐等等。
图2为本申请实施例提供的一个关系图谱的示意图。假设用户u1浏览了文章i1和i2,用户u2浏览了文章i2,用户u3浏览了文章i2，可生成如图2所示的关系图谱。图2中，圆圈表示节点，u1、u2、u3表示用户，i1、i2表示文章，两个节点之间的边表示用户与文章之间存在浏览行为。
步骤102，根据关系图谱中的路径，将在同一路径内间隔节点数小于节点个数阈值的两节点作为训练样本。
本实施例中，关系图谱中路径上的节点之间具有关系。其中，关系图谱中的路径是指从一个节点开始游走经过的节点，可以看作路径。比如图2中，u1-i1-u2为一条路径，u1-i2-u3也是一条路径。
需要说明的是，一个节点可能在多个路径上。
本实施例中，可将同一路径内间隔节点数小于节点个数阈值的两节点作为训练样本。也就是说，一个训练样本中包括两个节点。其中，节点个数阈值可以根据需要设定，为了提高模型的准确性，通常节点个数阈值不选太大。
比如，节点个数阈值为2，那么路径上直接相邻的两个节点可作为训练样本，间隔1个节点的两节点也可作为训练样本。
以图2中的路径u1-i1-u2为例，如果节点个数阈值为2,那么直接相邻的节点u1和i1两节点，i1和u2两节点可以作为训练样本，间隔1个节点的u1和u2两节点也可作为训练样本。
由于路径上两节点间隔的节点数越多，说明两节点之间的关联程度越小，因此，本实施例中设置了节点个数阈值，以保证训练样本中两节点的关联程度较大，避免路径上的节点较多时，选择路径上两节点间隔节点数较多关联程度较小的两节点作为训练样本，从而影响模型的准确性。
步骤103，采用训练样本，对图模型进行训练，以使图模型学习得到训练样本中各节点的表征向量。
本实施例中，采用多个训练样本，对图模型进行训练，以使图模型学习得到各个训练样中各个节点的表征向量。具体地，针对每个训练样本，将一个训练样本中的两节点的信息输入至图模型中，图模型输出每个节点的表征向量。由此，通过图模型可以得到各个用户对象对应节点的表征向量，和各多媒体资源对应节点的表征向量。
这里的节点的表征向量可以是图模型根据该节点信息得到的。
对于用户对象可将用户对象的信息，如用户对象的性别、年龄、爱好等信息输入至图模型中，对于多媒体资源可将多媒体资源的标题、作者等信息，输入至图模型中。
由于训练样本中两节点在同一路径上，且两节点间隔的节点数小于节点个数阈值，说明两节点之间的关联程度比较大，因此通过图模型学习得到属于同一训练样本的两节点的表征向量相似。
步骤104，根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐。
本实施例中，两节点的表征向量越相似，说明两节点的关联程度越大，因此可以根据各用户对象对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐。比如，两个用户对应节点的表征向量之间的相似度大于相似度阈值，则可将两个用户浏览的多媒体资源进行互相推荐。
或者，根据各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐。比如，两个多媒体资源对应节点的表征向量之间的向量相似度大于相似度阈值，若用户浏览过其中一个多媒体资源，则可将另一个多媒体资源推荐给用户。
又或者，根据各用户对象对应节点的表征向量和各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐。比如，某用户对应节点的表征向量，与某多媒体资源对应节点的表征向量之间的相似度大于相似度阈值，可将该多媒体资源推荐给该用户。
对于上述确定训练样本，在本申请的一个实施例中，也可利用滑动窗口获取训练样本。下面结合图3进行说明，图3为本申请实施例提供的另一种多媒体资源的推荐方法的流程示意图。
如图3所示，上述根据关系图谱中的路径，将在同一路径内间隔节点数小于阈值的两节点作为训练样本，包括：
步骤301，对每一条路径，采用滑动窗口，以固定步长在路径中移动，其中，滑动窗口的长度与节点个数阈值相对应。
本实施例中，在关系图谱中的每一条路径上，采用一定长度的滑动窗口，以固定步长在路径中移动。
为了保证训练样本中两节点的关联程度较大，这里滑动窗口的长度与节点个数阈值对应，比如节点个数阈值为2，滑动窗口的长度可以为5。其中，滑动窗口移动的步长可小于窗口长度。
步骤302，每当滑动窗口移动一个固定步长，获取滑动窗口内的节点。
本实施例中，在路径上每当滑动窗口往同一方向移动一个步长，便获取滑动窗口内的节点。这里的移动方向可以是指远离移动起始位置处的方向。
比如，某路径上为p1-p2-p3-p4，窗口可向远离节点p1的方向移动。
步骤303，将处于滑动窗口中心的中心节点分别与滑动窗口内的其余节点两两组合，以将每一组合作为一个训练样本。
本实施例中，滑动窗口每移动一个固定步长后，将处于滑动窗口中心的中心节点分别与滑动窗口内的其余节点两两组合，每一个组合作为一个训练样本。
比如，初始时滑动窗口内节点从左到右依次为p1、p2、p3、p4、p5，那么处于滑动窗口中心的中心节点为p3,将p3分别与p1、p2、p4、p5两两组合，得到(p1、p3)、(p2、p3)、(p3、p4)、(p3、p5)四组组合，每个组合为一个训练样本，得到4个训练样本。
将滑动窗口移动一个节点，这时滑动窗口内的节点从左到右依次为p2、p3、p4、p5、P6，那么处于滑动窗口中心的中心节点为p4，将p4分别与p2、p3、p5、P6两两组合，得到(p2、p4)、(p3、p4)、(p4、p5)、(p4、p6)四组组合，每个组合为一个训练样本，得到4个训练样本。
本申请实施例中，在根据所述关系图谱中的路径，将在同一所述路径内间隔节点数小于阈值的两节点作为训练样本时，对每一条路径，通过移动与节点个数阈值相对应的滑动窗口，获取滑动窗口内的节点，将滑动窗口内的中心节点与滑动窗口内的其他两两组合，每个组合作为一个训练样本，由此多个训练样本，不仅获取方法简单，而且获取的训练样本两两节点的关联程度比较高，利用这种方式得到训练样本，训练图模型，提高了模型的准确性。
在实际应用中，随着用户对象数量的增加和多媒体资源数量的增加，基于单机的训练方法受到约束。基于此，为了解决大数据量用户的推荐，在本申请的一个实施例中，可以通过多机分布式方式进行训练。下面结合图4和图5进行说明，图4为本申请实施例提供的另一种多媒体资源的推荐方法的流程示意图，图5为本申请实施例提供的一种训练示意图。
如图4所示，上述采用训练样本，对图模型进行训练，以使图模型学习得到训练样本中各节点的表征向量，包括：
步骤401，从服务器集群中，确定运行有图模型的第一子集群。
本实施例中，可根据用户对象的数量和多媒体资源的数量，确定服务器集群中用于运行有图模型的服务器或者虚拟机的数量，这些运行图模型的服务器或虚拟构成第一子集群。
或者，可将服务器集群中一半的服务器或虚拟机作为第一子集群，以用于运行图模型。
步骤402，根据训练样本，生成预测任务和对应的调参任务。
由于是对图模型进行训练，那么可根据训练样本生成两种任务，一种是预测任务，另一种是调参任务。
步骤403，分配服务器集群中的第一子集群执行预测任务。
本实施例中，第一子集群运行有图模型，分配服务器集群中的第一子集群执行预测任务。
具体地，第一子集群中每个服务器或虚拟机，读取训练样本中对两节点信息，采用图模型预测训练样本中两节点的表征向量，并根据预测出的表征向量，得到训练样本中两节点属于同一训练样本的概率，并根据概率得到概率梯度。
这里的节点的表征向量可以是图模型根据该节点信息得到的。
由于输入至图模型的两节点是属于同一训练样本，那么两节点的标签为属于同一训练样本。如果根据预测出的表征向量得到的概率越小，说明图模型越不准确，得到的概率梯度用于调整图模型的参数。
步骤404，分配服务器集群中除第一子集群以外的第二子集群执行对应的调参任务。
本实施例中，服务器集群中第一子集群运行图模型，用于执行预测任务，可分配服务集群除第一子集群以为的第二子集群执行对应的调参任务。也就是，让第二子集群中服务器或虚拟机执行调整图模型参数的任务。
其中，调参任务是指根据上述得到概率梯度调整图模型的参数，使得第一子集群中的服务器或虚拟机，根据参数调整后的图模型预测训练样本两节点的表征向量，得到两节点属于同一训练样本的概率，及概率梯度。
如图5所示，服务器集群中的机器分为两部分，一部分属于第一子集群，剩余一部分属于第二子集群，其中，第一子集群中的机器执行预测任务，第二子集群的机器执行调参任务。
具体地，第一子集执行预测任务，对训练样本进行预测，根据预测得到的训练样本中两节点的表征向量得到概率梯度，将概率梯度传递给调参任务。第二子集群执行调参任务，根据概率梯度调整模型参数，从而获取到最新的模型参数。然后，第一子集群根据最新的模型参数执行预测任务，然后再将概率提取传递给调参任务，第二子集群继续执行调参任务，获取新的模型参数，直至满足训练结束条件。
在实际应用中，当用户对象量和多媒体资源量增加时，可增加服务集群的规模，提高训练度。
本申请实施例中，在采用训练样本，对图模型进行训练，以使图模型学习得到训练样本中各节点的表征向量时，通过分配服务集群中两个集群分别执行预测任务和调参任务，从而不仅提高了训练速度，而且能够支持大数据量的用户对象、多媒体资源的训练和预测，而且可以根据需要训练的用户对象量，通过添加机器实现扩展、可扩展性高。
为了提高表征向量的准确性，在本申请的一个实施例中，可以利用节点的邻居节点的特征向量得到表示节点的表征向量，从而充分利用用户对象的浏览行为。下面结合图6进行说明，图6为本申请实施例提供的另一种多媒体资源的推荐方法的流程示意图。
如图6所示，上述执行预测任务包括：
步骤501，根据训练样本，查询关系图谱，得到训练样本中每一节点的多个邻居节点。
本实施例中，图模型包括聚合函数和特征函数。其中，特征函数用于确定节点的特征向量，聚合函数用于聚合多个节点的特征向量得到表征向量。那么，图模型的参数包括聚合函数中的参数和特征函数中的参数。
在执行预测任务时，查询关系图谱，根据关系图谱中训练样本的节点和关系图谱中的边，得到训练样本中每一个节点的多个邻居节点。其中，邻居节点可以包括与训练样本中的节点直接相邻的节点，称为一跳邻居节点，还可以包括直接相邻的节点的邻居节点，称为二跳邻居节点，依次还可能有三跳邻居节点。因此，在确定邻居节点时，可以根据设定的调数获取邻居节点。
如图2中，节点u1的邻居节点为i1和u2，可以看出i1是u1的直接相邻的邻居节点，u2是i1的直接相邻的邻居节点。
或者，对训练样本中的每一个节点，也可查询关系图谱，随机选取固定个数的邻居节点。比如，随机选取3个邻居节点。由此，对训练样本的两节点，获取固定个数的邻居节点，避免一个节点的邻居节点较多，另一节点邻居节点较少，从而影响概率的准确性的情况。
步骤502，根据特征函数，生成每一邻居节点的特征向量。
本实施例中，可根据每一邻居节点和特征函数，生成每一邻居节点的特征向量。
步骤503，将多个邻居节点的特征向量采用聚合函数进行聚合，得到训练样本中对应节点的表征向量。
本实施例中，在获取每一邻居节点的特征向量，通过聚合函数对每一邻居节点的特征向量进行聚合，得到训练样本中对应节点的表征向量。
比如，某一训练样本的两节点为A和B，对A节点的所有邻居节点的特征向量通过聚合函数进行聚合，得到A的表征向量，对B节点的所有邻居节点的特征向量通过聚合函数进行聚合，得到B的表征向量。
也就是说，用邻居节点的特征向量聚合得到的表征向量，作为训练样本中样本的表征向量。从而，使得训练样本中的节点的表征向量融合了邻居节点的特征。
步骤504，根据训练样本中两节点的表征向量之间的向量相似度，确定训练样本中两节点属于同一训练样本的概率。
在获取训练样本中两节点的表征向量后，可计算两节点的表征向量之间的向量相似度，具体的，可以计算两个表征向量之间的余弦。其中，相似度越高，说明两节点属于同一训练样本的概率越大，相似度越低，说明两节点属于同一训练样本的概率越小。
具体地，可预先建立相似度与概率之间的映射关系，根据该映射关系，确定训练样本中两节点的表征向量之间的向量相似度对应的概率，该概率即为训练样本中两节点属于同一训练样本的概率。
本实施例中，模型参数包括聚合函数中的参数和特征函数中的参数，那么在执行调参任务时，可根据概率梯度调整特征函数中函数以提高节点的特征向量准确性，调整聚合函数中参数，以提高聚合得到表征向量的准确性，进而提高图模型的准确性。
本申请实施例中，图模型包括特征函数和聚合函数，在执行预测任务时，通过特征函数，生成训练样本中每一节点的每一邻居节点的特征向量，通过聚合函数聚合所有邻居节点的特征向量，得到训练样本中对应节点的表征向量，根据训练样本两节点的表征向量之间的向量相似度，确定两节点属于同一训练样本的概率。由此，通过聚合函数，将训练样本中一节点的所有邻居节点的特征向量聚合得到表征向量，作为该节点的表征向量，从而使得训练样本中的节点的表征向量融合了邻居节点的特征，捕捉到被同一个用户浏览的多媒体资源，根据此表征向量得到两节点属于同一训练样本的概率，提高了概率的准确性，提高了模型的收敛速度。
在实际应用中，用户浏览的多媒体资源可能会发生变化。基于此，为了提高推荐的实时性，在本申请的一个实施例中，在上述根据多个用户对象浏览的多媒体资源，生成关系图谱之前，可先统计最近周期内监测到的浏览行为，并根据最近统计周期内监测到的浏览行为，确定执行浏览行为的多个用户对象，和用户浏览的多媒体资源。
其中，统计周期可以根据需要设定，可以是每个小时，每两个小时等等。比如，根据最近统计的一个小时内的浏览行为，确定执行浏览行为的用户对象，和用户对象浏览的多媒体资源。
以多媒体资源为文章例，从线上日志获取用户以及文章之间的交互点击数据，并获取每个小时的点击数据，并确定浏览文章的用户，以及用户浏览的文章。
在确定执行浏览行为的多个用户对象，和用户浏览的多媒体资源之后，可根据多个用户对象和用户对象浏览的多媒体资源，以及用户对文章的浏览行为，生成关系图谱。
本申请实施例中，在根据多个用户对象浏览的多媒体资源，生成关系图谱之前，可先根据最近统计周期内监测到的浏览行为，确定执行浏览行为的多个用户对象，以及多个用户对象所浏览的多媒体资源。由此，通过根据最近统计周内的浏览行为，可生成实时性较强的关系图谱，根据关系图谱进行训练时，从而使得图模型学习到的表征向量能够指示同一用户在较短时间内浏览的资源的内在联系性，提高了表征向量的实时性和准确性，从而提高了推荐的实时性和准确性。
对于上述进行多媒体资源的推荐，在本申请的一个实施例中，可根据关系图谱中各多媒体资源的表征向量，进行多媒体资源的推荐。下面结合图6进行说明，图7为本申请实施例提供的另一种多媒体资源的推方法的流程示意图。
如图7所示，上述根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐，包括：
步骤601，查询目标用户对象已浏览的多媒体资源的目标表征向量。
本实施例中，可通过训练好的图模型获取各个用户对象和多媒体资源的表征向量，并进行存储。当对关系图谱中某用户对象进行推荐时，为了便于描述称为目标用户对象，确定目标用户对象已浏览的多媒体资源，然后查询已浏览的多媒体资源的目标表征向量。
步骤602，根据目标表征向量，从各多媒体资源中，确定第一多媒体资源，其中，第一多媒体资源的表征向量与目标表征向量之间的向量相似度高于相似度阈值。
在已浏览的多媒体资源的目标表征向量后，可计算已浏览的每个多媒体资源分别与各多媒体资源中其他多媒体资源的表征向量之间的向量相似度，将向量相似度高于相似度阈值的多媒体资源作为第一多媒体资源。可见，第一多媒体资源可能是一个，也可能是多个。
其中，向量相似度可通过计算两个表征向量的余弦得到。
步骤603，向目标用户对象推荐第一多媒体资源。
本实施例中，在目标用户对象浏览多媒体资源时，向用户推荐第一多媒体资源。比如，当用户使用音乐播放器时，可以在显示界面的预设区域推荐其他歌曲。
比如，用户浏览过一则体育新闻，那么可将与该体育新闻的表征向量之间相似度较高的一篇文章推荐给用户。
本申请实施例中，通过根据目标用户对象已浏览的多媒体资源的目标表征向量，确定各多媒体资源中与目标表征向量之间的向量相似度高于相似度阈值的多媒体资源推荐给目标用户对象，从而实现了根据用户已浏览的多媒体资源与其他多媒体资源的表征向量之间的向量相似度，进行多媒体资源的推荐。
上述是根据多媒体资源之间的表征向量的相似度，进行推荐。在本申请的一个实施例中，还可根据用户对象的表征向量与多媒体资源的表征向量，进行多媒体资源的推荐。
具体地，可通过训练好的图模型获取各个用户对象和多媒体资源的表征向量，并进行存储。当对关系图谱中某用户对象进行推荐时，即目标用户对象，可根据目标用户对象的标识，获取该目标用户对象对应的表征向量。
在获取目标对象的表征向量后，可计算目标用户对象的表征向量分别与各多媒体资源的表征向量之间的向量相似度，将向量相似度高于相似度阈值的多媒体资源作为第二多媒体资源。然后，向目标用户对象推荐第二多媒体资源。其中，第二多媒体资源可能是一个，也可能是多个。
本申请实施例中，通过根据目标用户对象的表征向量，将与目标用户对象的目标表征向量之间的向量相似度高于相似度阈值的多媒体资源，推荐给目标用户对象，从而实现了根据用户对象的表征向量与多媒体资源的表征向量，进行多媒体资源的推荐。
在本申请的一个实施例中，还可根据用户对象之间的表征向量进行多媒体资源的推荐。
具体地，具可通过训练好的图模型获取各个用户对象和多媒体资源的表征向量，并进行存储。当对关系图谱中某用户对象进行推荐时，即目标用户对象，可根据目标用户对象的标识，获取该目标用户对象对应的表征向量。
在获取目标对象的表征向量后，可计算目标用户对象的表征向量分别与其他用户对象的表征向量之间的向量相似度，将向量相似度高于相似度阈值的用户对象作为候选用户对象。然后，向目标用户对象推荐候选用户对象已浏览的第三多媒体资源。其中，第三多媒体资源可能是一个，也可能是多个。
也就是说，如果两个用户对象之间的关联程度比较高，可将两用户对象已浏览的多媒体资源进行相互推荐。
比如，用户a与用户b的表征向量的相似度高于相似度阈值，那么可将用户a已浏览的多媒体资源推荐给用户b，当然也可将用户b已浏览的多媒体资源推荐给用户a。
本申请实施例中，通过根据目标用户对象的表征向量，从各用户对象中，确定出与目标对象的表征向量的相似度大于相似度阈值的候选用户对象，将候选用户已浏览的多媒体资源推荐给目标用户对象，从而实现了根据用户对象之间的表征向量，进行多媒体资源的推荐。
为了实现上述实施例，本申请实施例还提出一种多媒体资源的推荐装置。图8为本申请实施例提供的一种多媒体资源的推荐装置的结构示意图。
如图8所示，该多媒体资源的推荐装置700包括：生成模块710、第一确定模块720、训练模块730、推荐模块740。
生成模块710，用于根据多个用户对象浏览的多媒体资源，生成关系图谱，其中，关系图谱中的一个节点对应一个用户对象或一个多媒体资源，关系图谱中的一条边用于指示连接的两节点之间存在浏览行为；
第一确定模块720，用于根据关系图谱中的路径，将在同一路径内间隔节点数小于节点个数阈值的两节点作为训练样本；
训练模块730，用于采用训练样本，对图模型进行训练，以使图模型学习得到训练样本中各节点的表征向量，其中，属于同一训练样本的两节点的表征向量相似；
推荐模块740，用于根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐。
在本申请实施例一种可能的实现方式中，上述第一确定模块720，用于：
移动单元，用于对每一条路径，采用滑动窗口，以固定步长在路径中移动，其中，滑动窗口的长度与节点个数阈值相对应；
获取单元，每当滑动窗口移动一个固定步长，获取滑动窗口内的节点；
组合单元，用于将处于滑动窗口中心的中心节点分别与滑动窗口内的其余节点两两组合，以将每一组合作为一个训练样本。
在本申请实施例一种可能的实现方式中，上述训练模块730，包括：
第一确定单元，用于从服务器集群中，确定运行有图模型的第一子集群；
生成单元，用于根据训练样本，生成预测任务和对应的调参任务；
分配单元，用于分配服务器集群中的第一子集群执行预测任务，其中，预测任务用于采用图模型对训练样本中的两节点进行表征向量预测，根据预测出的表征向量，得到训练样本中两节点属于同一训练样本的概率，以及得到概率梯度；
上述分配单元，还用于分配服务器集群中除第一子集群以外的第二子集群执行对应的调参任务，其中，调参任务，用于根据对应的预测任务生成的概率梯度，调整图模型的模型参数。
在本申请实施例一种可能的实现方式中，上述图模型包括特征函数和聚合函数，其中，上述分配单元包括：
子查询单元，用于根据训练样本，查询关系图谱，得到训练样本中每一节点的多个邻居节点；
子生成单元，用于根据特征函数，生成每一邻居节点的特征向量；
子聚合单元，用于将多个邻居节点的特征向量采用聚合函数进行聚合，得到训练样本中对应节点的表征向量；
子确定单元，用于根据训练样本中两节点的表征向量之间的向量相似度，确定训练样本中两节点属于同一训练样本的概率。
在本申请实施例一种可能的实现方式中，上述模型参数包括聚合函数中的参数和特征函数中的参数。
在本申请实施例一种可能的实现方式中，上述子查询单元，用于：
对训练样本中的一个节点，查询关系图谱，随机选取固定个数的邻居节点。
在本申请实施例一种可能的实现方式中，该装置还可包括：
第二确定模块，用于根据最近统计周期内监测到的浏览行为，确定执行浏览行为的多个用户对象，以及多个用户对象所浏览的多媒体资源。
在本申请实施例一种可能的实现方式中，上述推荐模块740，包括：
第一查询单元，用于查询目标用户对象已浏览的多媒体资源的目标表征向量；
第二确定单元，用于根据目标表征向量，从各多媒体资源中，确定第一多媒体资源，其中，第一多媒体资源的表征向量与目标表征向量之间的向量相似度高于相似度阈值；
第一推荐单元，用于向目标用户对象推荐第一多媒体资源。
在本申请实施例一种可能的实现方式中，上述推荐模块740，包括：
第二查询单元，用于查询目标用户对象的表征向量；
第三确定单元，用于根据目标用户对象的表征向量，从各多媒体资源中，确定第二多媒体资源，其中，第二多媒体资源的表征向量与目标用户对象的表征向量之间的向量相似度高于相似度阈值；
第二推荐单元，用于向目标用户对象推荐第二多媒体资源。
在本申请实施例一种可能的实现方式中，上述推荐模块740，包括：
第二查询单元，用于查询目标用户对象的表征向量；
第四确定单元，用于根据目标用户对象的表征向量，从各用户对象中，确定候选用户对象，其中，候选用户对象的表征向量与目标用户对象的表征向量之间的向量相似度高于相似度阈值；
第三推荐单元，用于向目标用户对象推荐候选用户对象已浏览的多媒体资源。
需要说明的是，前述多媒体资源的推荐方法实施例的解释说明，也适用于该实施例的多媒体资源的推荐装置，故在此不再赘述。
本申请实施例的多媒体资源的推荐装置，通过根据多个用户对象浏览的多媒体资源，生成关系图谱，将关系图谱中同一路径内间隔节点数小于节点个数阈值的两节点作为训练样本，以对图模型进行训练得到训练样本中各个节点的表征向量，根据各个用户对象对应的表征向量和/或多媒体资源节点的表征向量，进行多媒体资源推荐。由此，在图模型训练中，将关系图谱中同一路径的邻近的节点作为训练样本，从而使得图模型学习到的表征向量能够指示同一用户浏览的资源的内在联系性，提高了节点的表征向量的准确性，由此根据表征向量进行推荐，提高了推荐的准确性。
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9所示，是根据本申请实施例的多媒体资源的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9所示，该电子设备包括：一个或多个处理器801、存储器802，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9中以一个处理器801为例。
存储器802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多媒体资源的推荐方法。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多媒体资源的推荐方法。
存储器802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多媒体资源的推荐方法对应的程序指令/模块(例如，附图8所示的生成模块710、第一确定模块720、训练模块730、推荐模块740)。处理器801通过运行存储在存储器802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多媒体资源的推荐方法。
存储器802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多媒体资源的推荐电子设备的使用所创建的数据等。此外，存储器802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802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至多媒体资源的推荐方法的电子设备。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。
多媒体资源的推荐方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图9中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与多媒体资源的推荐方法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804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。
为了实现上述实施例，本申请实施例还提出一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述实施例所述的多媒体资源的推荐方法。
根据本申请实施例的技术方案，在图模型训练中，将关系图谱中同一路径的邻近的节点作为训练样本，从而使得图模型学习到的表征向量能够指示同一用户浏览的资源的内在联系性，提高了节点的表征向量的准确性，由此根据表征向量进行推荐，提高了推荐的准确性。
在本说明书的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (22)

1.一种多媒体资源的推荐方法，其特征在于，包括：
根据多个用户对象浏览的多媒体资源，生成关系图谱，其中，所述关系图谱中的一个节点对应一个所述用户对象或一个所述多媒体资源，所述关系图谱中的一条边用于指示连接的两节点之间存在浏览行为；
根据所述关系图谱中的路径，将在同一所述路径内间隔节点数小于节点个数阈值的两节点作为训练样本；
采用所述训练样本，对图模型进行训练，以使所述图模型学习得到所述训练样本中各节点的表征向量，其中，属于同一训练样本的两节点的表征向量相似；
根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐。
2.根据权利要求1所述的推荐方法，其中，所述根据所述关系图谱中的路径，将在同一所述路径内间隔节点数小于阈值的两节点作为训练样本，包括：
对每一条所述路径，采用滑动窗口，以固定步长在所述路径中移动，其中，所述滑动窗口的长度与所述节点个数阈值相对应；
每当所述滑动窗口移动一个所述固定步长，获取所述滑动窗口内的节点；
将处于所述滑动窗口中心的中心节点分别与所述滑动窗口内的其余节点两两组合，以将每一所述组合作为一个所述训练样本。
3.根据权利要求1所述的推荐方法，其中，所述采用所述训练样本，对图模型进行训练，以使所述图模型学习得到所述训练样本中各节点的表征向量，包括：
从服务器集群中，确定运行有所述图模型的第一子集群；
根据所述训练样本，生成预测任务和对应的调参任务；
分配所述服务器集群中的第一子集群执行所述预测任务，其中，所述预测任务用于采用所述图模型对所述训练样本中的两节点进行表征向量预测，根据预测出的所述表征向量，得到所述训练样本中两节点属于同一训练样本的概率，以及得到概率梯度；
分配所述服务器集群中除所述第一子集群以外的第二子集群执行对应的所述调参任务，其中，所述调参任务，用于根据对应的所述预测任务生成的概率梯度，调整所述图模型的模型参数。
4.根据权利要求3所述的推荐方法，所述图模型包括特征函数和聚合函数，其中，执行所述预测任务包括：
根据所述训练样本，查询所述关系图谱，得到所述训练样本中每一节点的多个邻居节点；
根据所述特征函数，生成每一所述邻居节点的特征向量；
将所述多个邻居节点的特征向量采用聚合函数进行聚合，得到所述训练样本中对应节点的表征向量；
根据所述训练样本中两节点的表征向量之间的向量相似度，确定所述训练样本中两节点属于同一训练样本的概率。
5.根据权利要求4所述的推荐方法，其中，所述模型参数包括所述聚合函数中的参数和所述特征函数中的参数。
6.根据权利要求4所述的推荐方法，其中，所述根据所述训练样本，查询所述关系图谱，得到所述训练样本中每一节点的多个邻居节点，包括：
对所述训练样本中的一个节点，查询所述关系图谱，随机选取固定个数的所述邻居节点。
7.根据权利要求1-6任一项所述的推荐方法，其中，在所述根据多个用户对象浏览的多媒体资源，生成关系图谱之前，还包括：
根据最近统计周期内监测到的浏览行为，确定执行所述浏览行为的所述多个用户对象，以及所述多个用户对象所浏览的所述多媒体资源。
8.根据权利要求1-6任一项所述的推荐方法，其中，所述根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐，包括：
查询目标用户对象已浏览的多媒体资源的目标表征向量；
根据所述目标表征向量，从所述各多媒体资源中，确定第一多媒体资源，其中，所述第一多媒体资源的表征向量与所述目标表征向量之间的向量相似度高于相似度阈值；
向所述目标用户对象推荐所述第一多媒体资源。
9.根据权利要求1-6任一项所述的推荐方法，其中，所述根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐，包括：
查询目标用户对象的表征向量；
根据所述目标用户对象的表征向量，从所述各多媒体资源中，确定第二多媒体资源，其中，所述第二多媒体资源的表征向量与所述目标用户对象的表征向量之间的向量相似度高于相似度阈值；
向所述目标用户对象推荐所述第二多媒体资源。
10.根据权利要求1-6任一项所述的推荐方法，其中，所述根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐，包括：
查询目标用户对象的表征向量；
根据所述目标用户对象的表征向量，从所述各用户对象中，确定候选用户对象，其中，所述候选用户对象的表征向量与所述目标用户对象的表征向量之间的向量相似度高于相似度阈值；
向所述目标用户对象推荐所述候选用户对象已浏览的多媒体资源。
11.一种多媒体资源的推荐装置，其特征在于，包括：
生成模块，用于根据多个用户对象浏览的多媒体资源，生成关系图谱，其中，所述关系图谱中的一个节点对应一个所述用户对象或一个所述多媒体资源，所述关系图谱中的一条边用于指示连接的两节点之间存在浏览行为；
第一确定模块，用于根据所述关系图谱中的路径，将在同一所述路径内间隔节点数小于节点个数阈值的两节点作为训练样本；
训练模块，用于采用所述训练样本，对图模型进行训练，以使所述图模型学习得到所述训练样本中各节点的表征向量，其中，属于同一训练样本的两节点的表征向量相似；
推荐模块，用于根据各用户对象对应节点的表征向量和/或各多媒体资源对应节点的表征向量之间的向量相似度，进行多媒体资源的推荐。
12.根据权利要求11所述的推荐装置，其中，所述第一确定模块，用于：
移动单元，用于对每一条所述路径，采用滑动窗口，以固定步长在所述路径中移动，其中，所述滑动窗口的长度与所述节点个数阈值相对应；
获取单元，每当所述滑动窗口移动一个所述固定步长，获取所述滑动窗口内的节点；
组合单元，用于将处于所述滑动窗口中心的中心节点分别与所述滑动窗口内的其余节点两两组合，以将每一所述组合作为一个所述训练样本。
13.根据权利要求11所述的推荐装置，其中，所述训练模块，包括：
第一确定单元，用于从服务器集群中，确定运行有所述图模型的第一子集群；
生成单元，用于根据所述训练样本，生成预测任务和对应的调参任务；
分配单元，用于分配所述服务器集群中的第一子集群执行所述预测任务，其中，所述预测任务用于采用所述图模型对所述训练样本中的两节点进行表征向量预测，根据预测出的所述表征向量，得到所述训练样本中两节点属于同一训练样本的概率，以及得到概率梯度；
所述分配单元，还用于分配所述服务器集群中除所述第一子集群以外的第二子集群执行对应的所述调参任务，其中，所述调参任务，用于根据对应的所述预测任务生成的概率梯度，调整所述图模型的模型参数。
14.根据权利要求13所述的推荐装置，其中，所述图模型包括特征函数和聚合函数，其中，所述分配单元包括：
子查询单元，用于根据所述训练样本，查询所述关系图谱，得到所述训练样本中每一节点的多个邻居节点；
子生成单元，用于根据所述特征函数，生成每一所述邻居节点的特征向量；
子聚合单元，用于将所述多个邻居节点的特征向量采用聚合函数进行聚合，得到所述训练样本中对应节点的表征向量；
子确定单元，用于根据所述训练样本中两节点的表征向量之间的向量相似度，确定所述训练样本中两节点属于同一训练样本的概率。
15.根据权利要求14所述的推荐装置，其中，所述模型参数包括所述聚合函数中的参数和所述特征函数中的参数。
16.根据权利要求14所述的推荐装置，其中，所述子查询单元，用于：
对所述训练样本中的一个节点，查询所述关系图谱，随机选取固定个数的所述邻居节点。
17.根据权利要求11-16任一项所述的推荐装置，其中，还包括：
第二确定模块，用于根据最近统计周期内监测到的浏览行为，确定执行所述浏览行为的所述多个用户对象，以及所述多个用户对象所浏览的所述多媒体资源。
18.根据权利要求11-16任一项所述的推荐装置，其中，所述推荐模块，包括：
第一查询单元，用于查询目标用户对象已浏览的多媒体资源的目标表征向量；
第二确定单元，用于根据所述目标表征向量，从所述各多媒体资源中，确定第一多媒体资源，其中，所述第一多媒体资源的表征向量与所述目标表征向量之间的向量相似度高于相似度阈值；
第一推荐单元，用于向所述目标用户对象推荐所述第一多媒体资源。
19.根据权利要求11-16任一项所述的推荐装置，其中，所述推荐模块，包括：
第二查询单元，用于查询目标用户对象的表征向量；
第三确定单元，用于根据所述目标用户对象的表征向量，从所述各多媒体资源中，确定第二多媒体资源，其中，所述第二多媒体资源的表征向量与所述目标用户对象的表征向量之间的向量相似度高于相似度阈值；
第二推荐单元，用于向所述目标用户对象推荐所述第二多媒体资源。
20.根据权利要求11-16任一项所述的推荐装置，其中，所述推荐模块，包括：
第二查询单元，用于查询目标用户对象的表征向量；
第四确定单元，用于根据所述目标用户对象的表征向量，从所述各用户对象中，确定候选用户对象，其中，所述候选用户对象的表征向量与所述目标用户对象的表征向量之间的向量相似度高于相似度阈值；
第三推荐单元，用于向所述目标用户对象推荐所述候选用户对象已浏览的多媒体资源。
21.一种电子设备，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权利要求1-10中任一项所述的多媒体资源的推荐方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的多媒体资源的推荐方法。
CN202010462953.5A 2020-05-27 2020-05-27 多媒体资源的推荐方法、装置、电子设备和存储介质 Active CN111708964B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010462953.5A CN111708964B (zh) 2020-05-27 2020-05-27 多媒体资源的推荐方法、装置、电子设备和存储介质
US17/128,047 US20210374174A1 (en) 2020-05-27 2020-12-19 Method and apparatus for recommending multimedia resource, electronic device and storage medium
JP2020216266A JP7194163B2 (ja) 2020-05-27 2020-12-25 マルチメディアリソースの推薦方法、マルチメディアリソースの推薦装置、電子機器、非一時的なコンピュータ読み取り可能な記憶媒体及びコンピュータプログラム
EP21150499.8A EP3916587A1 (en) 2020-05-27 2021-01-07 Method and apparatus for recommending multimedia resource, electronic device and storage medium
KR1020210053053A KR102588055B1 (ko) 2020-05-27 2021-04-23 멀티미디어 리소스 추천 방법, 장치, 전자 기기 및 저장 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010462953.5A CN111708964B (zh) 2020-05-27 2020-05-27 多媒体资源的推荐方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111708964A CN111708964A (zh) 2020-09-25
CN111708964B true CN111708964B (zh) 2023-06-20

Family

ID=72537369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010462953.5A Active CN111708964B (zh) 2020-05-27 2020-05-27 多媒体资源的推荐方法、装置、电子设备和存储介质

Country Status (5)

Country Link
US (1) US20210374174A1 (zh)
EP (1) EP3916587A1 (zh)
JP (1) JP7194163B2 (zh)
KR (1) KR102588055B1 (zh)
CN (1) CN111708964B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765453A (zh) * 2020-12-31 2021-05-07 平安资产管理有限责任公司 内容推荐方法、装置、计算机设备和存储介质
CN113743974A (zh) * 2021-01-14 2021-12-03 北京沃东天骏信息技术有限公司 一种资源推荐方法及装置、设备、存储介质
CN113590849A (zh) * 2021-01-27 2021-11-02 腾讯科技（深圳）有限公司 多媒体资源分类模型训练方法和多媒体资源推荐方法
CN113254707B (zh) * 2021-06-10 2021-12-07 北京达佳互联信息技术有限公司 模型确定、关联媒体资源确定方法和装置
CN113342998B (zh) * 2021-08-05 2022-06-10 北京达佳互联信息技术有限公司 一种多媒体资源推荐方法、装置、电子设备及存储介质
CN113792163B (zh) * 2021-08-09 2022-12-27 北京达佳互联信息技术有限公司 多媒体推荐方法、装置、电子设备及存储介质
CN113672783B (zh) * 2021-08-11 2023-07-11 北京达佳互联信息技术有限公司 特征处理方法、模型训练方法及媒体资源处理方法
CN113792212B (zh) * 2021-08-31 2023-09-01 北京百度网讯科技有限公司 多媒体资源推荐方法、装置、设备以及存储介质
CN113469298B (zh) * 2021-09-03 2022-01-21 北京达佳互联信息技术有限公司 模型训练方法及资源推荐方法
CN113886686A (zh) * 2021-09-24 2022-01-04 北京沃东天骏信息技术有限公司 向用户推荐物品信息的方法、设备、存储介质及程序产品
CN113919446A (zh) * 2021-11-12 2022-01-11 北京达佳互联信息技术有限公司 多媒体资源的模型训练及相似度确定方法和装置
CN114036397B (zh) * 2021-11-26 2023-08-01 北京百度网讯科技有限公司 数据推荐方法、装置、电子设备和介质
KR102555244B1 (ko) * 2021-12-20 2023-07-13 아주대학교산학협력단 서비스 요청에 대응한 단말 군집을 추천하기 위한 서브 그래프 생성 장치 및 방법
CN114780867B (zh) * 2022-05-10 2023-11-03 杭州网易云音乐科技有限公司 推荐方法、介质、装置和计算设备
CN114996487B (zh) * 2022-05-24 2023-04-07 北京达佳互联信息技术有限公司 媒体资源推荐方法、装置、电子设备以及存储介质
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
CN114936323B (zh) * 2022-06-07 2023-06-30 北京百度网讯科技有限公司 图表示模型的训练方法、装置及电子设备
CN115809364B (zh) * 2022-09-30 2023-12-08 北京百度网讯科技有限公司 对象推荐方法和模型训练方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202012013130U1 (de) * 2012-10-10 2014-12-15 Nugg.Ad Ag Prädiktives verhaltensorientiertes Targeting
EP3267386A1 (en) * 2016-07-07 2018-01-10 Yandex Europe AG Method and apparatus for generating a content recommendation in a recommendation system
WO2018090793A1 (zh) * 2016-11-18 2018-05-24 腾讯科技（深圳）有限公司 多媒体推荐方法和装置

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11222052B2 (en) * 2011-02-22 2022-01-11 Refinitiv Us Organization Llc Machine learning-based relationship association and related discovery and
EP2817970B1 (en) * 2012-02-21 2022-12-21 Ooyala, Inc. Automatically recommending content
WO2014146265A1 (en) * 2013-03-20 2014-09-25 Nokia Corporation Method and apparatus for personalized resource recommendations
CN104219672B (zh) * 2014-10-14 2017-08-22 北京奇虎科技有限公司 来电或短信识别方法和装置
US20160112761A1 (en) * 2014-10-20 2016-04-21 United Video Properties, Inc. Systems and methods for generating media asset recommendations using a neural network generated based on consumption information
JP6543986B2 (ja) * 2015-03-25 2019-07-17 日本電気株式会社 情報処理装置、情報処理方法およびプログラム
WO2016201631A1 (en) * 2015-06-17 2016-12-22 Yahoo! Inc. Systems and methods for online content recommendation
CN106997474A (zh) * 2016-12-29 2017-08-01 南京邮电大学 一种基于深度学习的图节点多标签分类方法
US11782992B2 (en) * 2017-02-17 2023-10-10 Kyndi, Inc. Method and apparatus of machine learning using a network with software agents at the network nodes and then ranking network nodes
JP6907701B2 (ja) * 2017-05-23 2021-07-21 大日本印刷株式会社 情報処理装置、情報処理システム、情報処理方法およびプログラム
US10984045B2 (en) * 2017-05-24 2021-04-20 International Business Machines Corporation Neural bit embeddings for graphs
US20190073580A1 (en) * 2017-09-01 2019-03-07 Facebook, Inc. Sparse Neural Network Modeling Infrastructure
US11995564B2 (en) * 2018-06-21 2024-05-28 Samsung Electronics Co., Ltd. System and method for generating aspect-enhanced explainable description-based recommendations
JP6695953B1 (ja) * 2018-11-20 2020-05-20 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
CN110263242B (zh) * 2019-01-04 2023-10-20 腾讯科技（深圳）有限公司 内容推荐方法、装置、计算机可读存储介质和计算机设备
US10970350B2 (en) * 2019-08-15 2021-04-06 Advanced New Technologies Co., Ltd. Method and apparatus for processing user interaction sequence data
US11544527B2 (en) * 2020-02-06 2023-01-03 International Business Machines Corporation Fuzzy cyber detection pattern matching
US20210279279A1 (en) * 2020-03-05 2021-09-09 International Business Machines Corporation Automated graph embedding recommendations based on extracted graph features
CN111985622A (zh) * 2020-08-25 2020-11-24 支付宝(杭州)信息技术有限公司 一种图神经网络训练方法和系统
CN112215604B (zh) * 2020-10-15 2022-06-07 支付宝(杭州)信息技术有限公司 交易双方关系信息识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202012013130U1 (de) * 2012-10-10 2014-12-15 Nugg.Ad Ag Prädiktives verhaltensorientiertes Targeting
EP3267386A1 (en) * 2016-07-07 2018-01-10 Yandex Europe AG Method and apparatus for generating a content recommendation in a recommendation system
WO2018090793A1 (zh) * 2016-11-18 2018-05-24 腾讯科技（深圳）有限公司 多媒体推荐方法和装置

Also Published As

Publication number Publication date
JP7194163B2 (ja) 2022-12-21
US20210374174A1 (en) 2021-12-02
JP2021190086A (ja) 2021-12-13
KR102588055B1 (ko) 2023-10-12
EP3916587A1 (en) 2021-12-01
CN111708964A (zh) 2020-09-25
KR20210053823A (ko) 2021-05-12

Similar Documents

Publication Publication Date Title
CN111708964B (zh) 多媒体资源的推荐方法、装置、电子设备和存储介质
US11023441B2 (en) Distributed storage and processing of hierarchical data structures
US11714816B2 (en) Information search method and apparatus, device and storage medium
Gentile et al. On context-dependent clustering of bandits
CN111143686B (zh) 资源推荐方法及装置
US20150332672A1 (en) Knowledge Source Personalization To Improve Language Models
CN110851706B (zh) 用户点击模型的训练方法、装置、电子设备及存储介质
Agarwal et al. Content recommendation on web portals
US20190213485A1 (en) Systems and methods for generating and communicating application recommendations at uninstall time
JP2021174516A (ja) ナレッジグラフ構築方法、装置、電子機器、記憶媒体およびコンピュータプログラム
WO2017052671A1 (en) Regularized model adaptation for in-session recommendations
CN111694646A (zh) 资源调度方法、装置、电子设备及计算机可读存储介质
CN111881358B (zh) 一种对象推荐系统、方法、装置、电子设备和存储介质
CN111506803B (zh) 内容推荐方法、装置、电子设备及存储介质
CN111246257A (zh) 视频推荐方法、装置、设备及存储介质
CN108304432A (zh) 信息推送处理方法、信息推送处理装置及存储介质
CN111461343A (zh) 模型参数更新方法及其相关设备
CN111460292A (zh) 模型评估方法、装置、设备和介质
CN111756832B (zh) 推送信息的方法、装置、电子设备及计算机可读存储介质
CN113765873A (zh) 用于检测异常访问流量的方法和装置
CN110427436A (zh) 实体相似度计算的方法及装置
CN108874813B (zh) 一种信息处理方法、装置及存储介质
CN113220982A (zh) 广告搜索方法、装置、电子设备和介质
CN111241225A (zh) 常驻区域变更的判断方法、装置、设备及存储介质
US20220284242A1 (en) Debiasing training data based upon information seeking behaviors

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