CN111881269A - 推荐对象确定方法、装置、电子设备及存储介质 - Google Patents
推荐对象确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111881269A CN111881269A CN202010588406.1A CN202010588406A CN111881269A CN 111881269 A CN111881269 A CN 111881269A CN 202010588406 A CN202010588406 A CN 202010588406A CN 111881269 A CN111881269 A CN 111881269A
- Authority
- CN
- China
- Prior art keywords
- information
- session information
- session
- target
- target session
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000012512 characterization method Methods 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例提供了一种推荐对象确定方法、装置、电子设备及存储介质。所述方法包括：获取目标会话信息，及与所述目标会话信息关联的至少一个会话信息；根据所述目标会话信息中所有对象的表征向量，确定所述目标会话信息对应的全局信息和局部信息；获取所述至少一个会话信息对所述目标会话信息的会话影响信息；根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的推荐对象。本公开实施例可以提高推荐的准确性。
Description
技术领域
本公开的实施例涉及会话信息处理技术领域，尤其涉及一种推荐对象确定方法、装置、电子设备及存储介质。
背景技术
在大数据时代，推荐系统扮演着越来越重要的角色，可以为用户筛选出用户感兴趣的信息来缓解各种应用领域中信息过载的问题。常规推荐方法通常是静态的，基于显式的用户标识(例用户的性别，年龄属性，用户的历史记录等)进行推荐，而用户偏好是随着时间动态变化的，并且用户的属性标识在某些应用域中可能是不可用的。
为了解决上述问题，基于会话(session)的序列推荐任务被提出，一个会话可以理解为是包含了很多item(例如商品等)的交易序列，该任务将一个会话作为基本单元，根据当前会话中用户的行为序列来动态预测用户的下一个动作，而无需任何用户标识。
然而，现有基于会话的序列推荐任务中，均是考虑到了会话内部的相互影响，没有充分考虑跨会话的信息，导致推荐准确性较低。
发明内容
本公开的实施例提供一种推荐对象确定方法、装置、电子设备及存储介质，用以提高推荐性能。
根据本公开的实施例的第一方面，提供了一种推荐对象确定方法，包括：
获取目标会话信息，及与所述目标会话信息关联的至少一个会话信息；
根据所述目标会话信息中所有对象的表征向量，确定所述目标会话信息对应的全局信息和局部信息；
获取所述至少一个会话信息对所述目标会话信息的会话影响信息；
根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的推荐对象。
可选地，所述获取目标会话信息，及与所述目标会话信息关联的至少一个会话信息，包括：
获取目标用户当前的目标会话信息；
根据所述目标用户在预设历史时段内的历史行为序列和所述目标会话信息中的所有对象，确定与所述目标会话信息关联的至少一个会话信息。
可选地，所述根据所述目标会话信息中所有对象的表征向量，确定所述目标会话信息对应的全局信息和局部信息，包括：
将所述所有对象的表征向量进行加权求和，得到所述目标会话信息的全局信息；
将所述所述所有对象的表征向量输入至时间卷积神经网络，得到所述所有对象的包含序列信息的表征向量；
根据所述序列信息的表征向量，确定所述目标会话信息的局部信息。
可选地，所述获取所述至少一个会话信息对所述目标会话信息的会话影响信息，包括：
根据所述至少一个会话信息和所述目标会话信息，构建会话图；
获取所述至少一个会话信息与所述目标会话信息之间的相似度值；
根据所述相似度值，在所述会话图中确定所述目标会话信息对应的临接会话信息；所述临接会话信息为所述至少一个会话信息中的会话信息；
根据所述临接会话信息和图神经网络模型，确定所述目标会话信息的会话影响信息。
可选地，所述根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的推荐对象，包括：
根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的融合信息；
根据所述融合信息，确定所述目标会话信息与所述目标会话信息和所述至少一个会话信息中的全部对象的相似度；
根据所述相似度，确定所述目标会话信息对应的推荐对象。
可选地，所述根据所述相似度，确定所述目标会话信息对应的推荐对象，包括：
对所述相似度进行归一化处理，生成所述目标会话信息相对于所述全部对象的概率；
根据所述概率由大到小的顺序，对所述全部对象进行排序；
根据排序结果，从所述全部对象中选取前N个对象作为所述推荐对象；其中，N为大于等于1的正整数。
可选地，在所述根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的推荐对象之后，还包括：
将所述推荐对象推荐给目标用户。
根据本公开的实施例的第二方面，提供了一种推荐对象确定装置，包括：
会话信息获取模块，用于获取目标会话信息，及与所述目标会话信息关联的至少一个会话信息；
全局信息确定模块，用于根据所述目标会话信息中所有对象的表征向量，确定所述目标会话信息对应的全局信息和局部信息；
会话影响获取模块，用于获取所述至少一个会话信息对所述目标会话信息的会话影响信息；
推荐对象确定模块，用于根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的推荐对象。
可选地，所述会话信息获取模块包括：
目标会话获取单元，用于获取目标用户当前的目标会话信息；
会话信息确定单元，用于根据所述目标用户在预设历史时段内的历史行为序列和所述目标会话信息中的所有对象，确定与所述目标会话信息关联的至少一个会话信息。
可选地，所述全局信息确定模块包括：
全局信息获取单元，用于将所述所有对象的表征向量进行加权求和，得到所述目标会话信息的全局信息；
表征向量获取单元，用于将所述所述所有对象的表征向量输入至时间卷积神经网络，得到所述所有对象的包含序列信息的表征向量；
局部信息确定单元，用于根据所述序列信息的表征向量，确定所述目标会话信息的局部信息。
可选地，所述会话影响获取模块包括：
会话图构建单元，用于根据所述至少一个会话信息和所述目标会话信息，构建会话图；
相似度值获取单元，用于获取所述至少一个会话信息与所述目标会话信息之间的相似度值；
临接会话确定单元，用于根据所述相似度值，在所述会话图中确定所述目标会话信息对应的临接会话信息；所述临接会话信息为所述至少一个会话信息中的会话信息；
会话影响确定单元，用于根据所述临接会话信息和图神经网络模型，确定所述目标会话信息的会话影响信息。
可选地，所述推荐对象确定模块包括：
融合信息确定单元，用于根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的融合信息；
相似度确定单元，用于根据所述融合信息，确定所述目标会话信息与所述目标会话信息和所述至少一个会话信息中的全部对象的相似度；
推荐对象确定单元，用于根据所述相似度，确定所述目标会话信息对应的推荐对象。
可选地，所述推荐对象确定单元包括：
概率生成子单元，用于对所述相似度进行归一化处理，生成所述目标会话信息相对于所述全部对象的概率；
对象排序子单元，用于根据所述概率由大到小的顺序，对所述全部对象进行排序；
推荐对象选取子单元，用于根据排序结果，从所述全部对象中选取前N个对象作为所述推荐对象；其中，N为大于等于1的正整数。
可选地，还包括：
推荐对象推荐模块，用于将所述推荐对象推荐给目标用户。
根据本公开的实施例的第三方面，提供了一种电子设备，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述的推荐对象确定方法
根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一项所述的推荐对象确定方法。
本公开的实施例提供的推荐对象确定方案，通过获取目标会话信息，及与目标会话信息关联的至少一个会话信息，根据目标会话信息中所有对象的表征向量，确定目标会话信息对应的全局信息和局部信息，获取至少一个会话信息对目标会话信息的会话影响信息，根据全局信息、局部信息和会话影响信息，确定目标会话信息对应的推荐对象。本公开实施例不仅考虑到当前目标会话信息，还结合了跨会话的信息对目标会话的影响，从而可以提升推荐的准确性，进而提升了推荐系统的推荐性能。
附图说明
为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种推荐对象确定方法的步骤流程图；
图2为本公开实施例提供的另一种推荐对象确定方法的步骤流程图；
图2a为本公开实施例提供的一种计算模型的示意图；
图2b为本公开实施例提供的一种试验数据的示意图；
图3为本公开实施例提供的一种推荐对象确定装置的结构示意图；
图4为本公开实施例提供的另一种推荐对象确定装置的结构示意图。
具体实施方式
下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开的实施例保护的范围。
实施例一
参照图1，示出了本公开实施例提供的一种推荐对象确定方法的步骤流程图，如图1所示，该推荐对象确定方法具体可以包括如下步骤：
步骤101：获取目标会话信息，及与所述目标会话信息关联的至少一个会话信息。
本公开实施例可以应用于确定用户下一步可能点击的对象，并将该对象推荐给用户的场景中。
目标会话信息是指目标用户在当前一段时间内点击对象(如商家、物品等)所形成的会话信息。
至少一个会话信息是指与目标会话信息关联的历史时段的会话信息。
可以理解地，至少一个会话信息可以是目标用户(即目标会话信息对赢的用户)点击对象所形成的会话信息，也可以为其他用户点击对象所形成的会话信息，也可以即包含目标用户的会话信息，还同时包含其他用户的会话信息等等。
当然，在本实施例中，至少一个会话信息与目标会话信息的关联体现于：在至少一个会话信息中包含有目标会话信息中所有对象中的一个或多个对象，例如，在目标会话信息中包含有对象1、对象2和对象3，至少一个会话信息中应该包含对象1、对象2和对象3中的至少一个。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本申请实施例的唯一限制。
在获取目标会话信息之后，可以根据网站平台存储的会话记录，从中筛选出与目标会话信息关联的至少一个会话信息，进而，执行步骤102。
步骤102：根据所述目标会话信息中所有对象的表征向量，确定所述目标会话信息对应的全局信息和局部信息。
表征向量是指目标会话信息中的对象的向量表征。
全局信息是指目标会话信息中整个对象序列的表征信息。
局部信息是指目标会话信息整个对象序列的表征信息中最后一个时刻输出的对象信息。
在获取到目标会话信息之后，可以提取出目标会话信息中包含的对象(item)，然后，可以将每一个item映射为一个d维的表征向量。
在获取目标会话信息中所有对象的表征向量之后，可以采用时间卷积神经网络模型来获取目标会话信息的全局信息和局部信息。目标会话信息是由多个item组成的，可以将目标会话信息中包含的多个item的表征向量输入至时间卷积神经网络模型中，对于目标会话信息中的每一个item进行膨胀卷积的计算，进行会话序列信息的抽取，如下述公式(1)所示：
上述公式(1)中，d为膨胀卷积参数，k为卷积核的大小，n-d*i为过去卷积的方向，F(vs,i*d f)为经过时间卷积后得到的包含序列信息的向量表示，vs为表征向量，i为会话中第i个item，f为时间卷积神经网络的卷积核，j为卷积核中的第j个元素。
在进行会话序列信息的抽取过程中，可以将会话中最后一个输出的item作为目标会话信息的局部信息，表示用户的当前兴趣点，如下述公式(2)所示：
slocal＝F(vs,n) (2)
上述公式(2)中，slocal为目标会话信息的局部信息，n为目标会话的长度，F(vs,n)为经过时间神经网络卷积后获得的会话中最后一个item的表示。
然后，可以采用目标会话信息中包含的全部item的序列信息的向量表示以加权求和的方式得到目标会话信息的全局表示，即目标会话信息的全局信息。
在根据目标会话信息中所有对象的表征向量，确定出目标会话信息对应的全局信息和局部信息之后，执行步骤103。
步骤103：获取所述至少一个会话信息对所述目标会话信息的会话影响信息。
会话影响信息是指至少一个会话信息对目标会话信息所产生的影响。
会话的局部信息和全局信息只专注于当前的会话，而忽略了会话间的影响。为了解决这个问题，可以构建一个上下文敏感的会话图结构(Session-Context-Graph)来考虑不同会话之间复杂的关系。
在会话图中，每一个节点代表一个会话，边的链接代表两个会话之间具有相似性。此时，需要考虑的一个重要问题是如何决定一条边是否存在。对于每一对会话，可以计算其二者表示的相似度，然后采用根据相似度值的KNN-Graph模型来决定一个会话节点的邻居。在构建会话图结构之后，可以采用会话层的注意力机制以及图神经网络模型来整合会话邻居节点对其自身的影响，最终得到基于会话上下文敏感的会话表示，即目标会话信息对应的会话影响信息。
在获取至少一个会话信息对目标会话信息的会话影响信息之后，执行步骤104。
步骤104：根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的推荐对象。
在获取目标会话的全局信息和局部信息，及至少一个会话信息对目标会话信息的会话影响信息之后，可以根据全局信息、局部信息和会话影响信息，确定出目标会话信息对应的推荐对象，具体地，为了更好地预测用户的下一个行为，本实施例采用融合函数将会话的局部信息、全局信息以及基于跨会话信息的会话影响信息进行融合，得到最终的会话表示。最后，在预测每一个候选item成为用户下一个点击的概率，可以根据概率进行逆序排序，筛选出概率值排在前预设位数的对象，作为用户偏好对象预测结果并进行逐个推荐。
本实施例通过结合跨会话的信息对目标会话的影响，从而可以提升推荐的准确性。
本公开的实施例提供的推荐对象确定方法，通过获取目标会话信息，及与目标会话信息关联的至少一个会话信息，根据目标会话信息中所有对象的表征向量，确定目标会话信息对应的全局信息和局部信息，获取至少一个会话信息对目标会话信息的会话影响信息，根据全局信息、局部信息和会话影响信息，确定目标会话信息对应的推荐对象。本公开实施例不仅考虑到当前目标会话信息，还结合了跨会话的信息对目标会话的影响，从而可以提升推荐的准确性，进而提升了推荐系统的推荐性能。
实施例二
参照图2，示出了本公开实施例提供的另一种推荐对象确定方法的步骤流程图，如图2所示，该推荐对象确定方法具体可以包括如下步骤：
步骤201：获取目标用户当前的目标会话信息。
本公开实施例可以应用于确定用户下一步可能点击的对象，并将该对象推荐给用户的场景中。
目标会话信息是指目标用户在当前一段时间内点击对象(如商家、物品等)所形成的会话信息。
在需要对目标用户的下一点击行为进行预测时，可以获取目标用户当前的目标会话信息，进而，执行步骤202。
步骤202：根据所述目标用户在预设历史时段内的历史行为序列和所述目标会话信息中的所有对象，确定与所述目标会话信息关联的至少一个会话信息。
至少一个会话信息是指与目标会话信息关联的历史时段的会话信息。
可以理解地，至少一个会话信息可以是目标用户(即目标会话信息对赢的用户)点击对象所形成的会话信息，也可以为其他用户点击对象所形成的会话信息，也可以即包含目标用户的会话信息，还同时包含其他用户的会话信息等等。
当然，在本实施例中，至少一个会话信息与目标会话信息的关联体现于：在至少一个会话信息中包含有目标会话信息中所有对象中的一个或多个对象，例如，在目标会话信息中包含有对象1、对象2和对象3，至少一个会话信息中应该包含对象1、对象2和对象3中的至少一个。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本申请实施例的唯一限制。
在获取目标用户当前的目标会话信息之后，可以根据目标用户在预设历史时段内的历史行为序列和目标会话信息中包含的所有对象，确定与目标会话信息关联的至少一个会话信息。
在确定与目标会话信息关联的至少一个会话信息之后，执行步骤203。
步骤203：将所述所有对象的表征向量进行加权求和，得到所述目标会话信息的全局信息。
步骤204：将所述所述所有对象的表征向量输入至时间卷积神经网络，得到所述所有对象的包含序列信息的表征向量。
表征向量是指目标会话信息中的对象的向量表征。
全局信息是指目标会话信息中整个对象序列的表征信息。
在获取目标会话信息和与目标会话信息关联的至少一个会话信息之后，可以对于用户历史行为序列中的对象(item)构造成一个跨会话的全局的item有向图(Item-Graph)，其中一个节点代表一个item，如图2a所示，会话s1包含对象v1,v2,v3,v4，会话s2包含对象v6,v2,v3，会话s3包含对象v4,v3,v1,v5，(s_i，s_i+1)作为一条边，代表用户在会话s中点击的s_i+1在s_i之后。与现有方法相比，跨会话的item图可以同时获取会话内部和会话外部信息，因为Item-Graph可以在出现在不同会话的items之间构建图的链接。其中，将每一个item映射为一个d维的embedding v∈R^d，采用图卷积神经网络模型学习items之间的相互关系，得到包含跨会话信息的item向量(item_vector)，具体地，可以如下述公式(3)所示：
Vl+1＝σ(D1-/2AD-1/2VlWl) (3)
上述公式(3)中，σ为激活函数，D为Item-Graph的度矩阵，A为Item-Graph的临接矩阵，W为特征转换矩阵，1表示图卷积神经网络的第l层，l为图卷积神经网络的层数，Vl+1为item经过图卷积神经网络的第l+1层的表示。
其中，度矩阵是指每个节点向外连出的边的数量，即在某个节点向外连出一条边时，则度矩阵为1，在该节点向外连出3条边时，则度矩阵为3等。
临接矩阵是指与某节点相连的节点组成的矩阵。
特征转换矩阵为一个变量，是实际初始化的值，可以随训练过程进行优化。
在获取到目标会话信息中所有对象的表征向量之后，可以将所有对象的表征向量进行加权求和，以得到目标会话信息的全局表示，即目标会话信息的全局信息。而为了区分不同的item对于会话的影响程度不同，采用item层次注意力机制，使得会话表示更加专注于重要程度高的item。
步骤205：根据所述序列信息的表征向量，确定所述目标会话信息的局部信息。
局部信息是指目标会话信息整个对象序列的表征信息中最后一个时刻输出的对象信息。
在获取到目标会话信息中所有对象的序列信息的表征向量之后，可以将目标会话信息中包含的多个item的表征向量输入至时间卷积神经网络模型中，对于目标会话信息中的每一个item进行膨胀卷积的计算，进行会话序列信息的抽取，在进行会话序列信息的抽取过程中，可以将会话中最后一个输出的item作为目标会话信息的局部信息，表示用户的当前兴趣点。
步骤206：根据所述至少一个会话信息和所述目标会话信息，构建会话图。
会话的局部信息和全局信息只专注于当前的会话，而忽略了会话间的影响。为了解决这个问题，可以构建一个上下文敏感的会话图结构(Session-Context-Graph)来考虑不同会话之间复杂的关系。
在会话图中，每一个节点代表一个会话，边的链接代表两个会话之间具有相似性。此时，需要考虑的一个重要问题是如何决定一条边是否存在。对于每一对会话，可以计算其二者表示的相似度，然后采用根据相似度值的KNN-Graph模型来决定一个会话节点的邻居。
在根据至少一个会话信息和目标会话信息，构建会话图之后，执行步骤207。
步骤207：获取所述至少一个会话信息与所述目标会话信息之间的相似度值。
相似度值可以用于表示一对会话信息之间的相似程度。
在构建会话图之后，进而可以计算目标会话信息与至少一个会话信息之间的相似度值，即至少一个会话信息与目标会话信息之间的相似度值。
在获取至少一个会话信息与目标会话信息之间的相似度值之后，执行步骤208。
步骤208：根据所述相似度值，在所述会话图中确定所述目标会话信息对应的临接会话信息；所述临接会话信息为所述至少一个会话信息中的会话信息。
在获取至少一个会话信息与目标会话信息之间的相似度之后，可以根据相似度值的KNN-Graph模型来决定一个会话节点的邻居，即根据相似度值在会话图中确定目标会话信息对应的临接会话信息。进而，执行步骤209。
步骤209：根据所述临接会话信息和图神经网络模型，确定所述目标会话信息的会话影响信息。
会话影响信息是指至少一个会话信息对目标会话信息所产生的影响。
在确定目标会话信息对应的临接会话信息之后，可以采用会话层的注意力机制以及图神经网络模型来整合会话邻居节点对其自身的影响，最终得到基于会话上下文敏感的会话表示，即确定目标会话信息的会话影响信息。
在根据临接会话信息和图神经网络模型，确定目标会话信息的会话影响信息之后，执行步骤210。
步骤210：根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的融合信息。
为了更好地预测用户的下一个行为，本实施例采用融合函数将会话的局部信息、全局信息以及基于跨会话信息的会话影响信息进行融合，得到最终的会话表示，即结合全局信息、局部信息和会话影响信息，确定目标会话信息对应的融合信息。
在根据全局信息、局部信息和会话影响信息确定目标会话信息对应的融合信息之后，执行步骤211。
步骤211：根据所述融合信息，确定所述目标会话信息与所述目标会话信息和所述至少一个会话信息中的全部对象的相似度。
全部对象是指目标会话信息和至少一个会话信息中所包含的所有的对象。
相似度是指目标会话信息和全部对象之间的相似程度。
在获取融合信息之后，可以根据融合信息确定目标会话信息与全部对象的相似度，进而，执行步骤212。
步骤212：根据所述相似度，确定所述目标会话信息对应的推荐对象。
在获取目标会话信息与全部对象的相似度之后，可以根据相似度确定目标会话信息对应的推荐对象，具体地，可以对相似度进行归一化处理，得到相似概率，并按照相似概率由大至小的顺序对候选对象进行排序，候选对象中选取排序在前的预设个数的候选对象作为推荐对象，具体地，可以结合下述具体实现方式进行详细描述。
在本实施例的一种具体实现方式中，上述步骤212可以包括：
子步骤S1：对所述相似度进行归一化处理，生成所述目标会话信息相对于所述全部对象的概率。
在本实施例中，概率即为目标会话信息相对于全部对象的相似概率，全部对象即为待推荐的候选对象。
在获取目标会话信息与全部对象的相似度之后，可以对相似度进行归一化处理，从而可以得到目标会话信息相对于全部对象的概率，进而，执行子步骤S2。
子步骤S2：根据所述概率由大到小的顺序，对所述全部对象进行排序、
在得到目标会话信息相对于全部对象的概率之后，可以按照概率由大到小的顺序，对全部对象进行排序，从而可以得到全部对象的排序结果。
子步骤S3：根据排序结果，从所述全部对象中选取前N个对象作为所述推荐对象；其中，N为大于等于1的正整数。
在得到排序结果之后，可以根据排序结果从全部对象中选取前N个对象作为推荐对象，其中N为大于等于1的正整数。
步骤213：将所述推荐对象推荐给目标用户。
在获取到推荐对象之后，可以将推荐对象推荐给目标用户，具体地，在获取推荐对象之后，可以将推荐对象逐个推荐给用户。
本实施例提出的基于跨会话信息及时间卷积神经网络(CA-HATCN)模型在2个公认的评价指标P@20以及MRR@20上均取得了最高值，即效果最好。如图2b所示，通过对比实验验证出跨会话信息的有效性，在对比实验中，CA--HATCN(sc.exl.)相比于HATCN(只利用TCN模型)增加跨会话的item信息的利用，CA-HATCN相比于CA-HATCN(sc.exl.)增加了会话上下文信息的利用。实验结果表明，引入跨会话信息，可以逐步提升序列推荐的性能，验证了跨会话信息的有效性。
本公开的实施例提供的推荐对象确定方法，通过获取目标会话信息，及与目标会话信息关联的至少一个会话信息，根据目标会话信息中所有对象的表征向量，确定目标会话信息对应的全局信息和局部信息，获取至少一个会话信息对目标会话信息的会话影响信息，根据全局信息、局部信息和会话影响信息，确定目标会话信息对应的推荐对象。本公开实施例不仅考虑到当前目标会话信息，还结合了跨会话的信息对目标会话的影响，从而可以提升推荐的准确性，进而提升了推荐系统的推荐性能。
实施例三
参照图3，示出了本公开实施例提供的一种推荐对象确定装置的结构示意图，如图3所示，该推荐对象确定装置具体可以包括如下模块：
会话信息获取模块310，用于获取目标会话信息，及与所述目标会话信息关联的至少一个会话信息；
全局信息确定模块320，用于根据所述目标会话信息中所有对象的表征向量，确定所述目标会话信息对应的全局信息和局部信息；
会话影响获取模块330，用于获取所述至少一个会话信息对所述目标会话信息的会话影响信息；
推荐对象确定模块340，用于根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的推荐对象。
本公开的实施例提供的推荐对象确定装置，通过获取目标会话信息，及与目标会话信息关联的至少一个会话信息，根据目标会话信息中所有对象的表征向量，确定目标会话信息对应的全局信息和局部信息，获取至少一个会话信息对目标会话信息的会话影响信息，根据全局信息、局部信息和会话影响信息，确定目标会话信息对应的推荐对象。本公开实施例不仅考虑到当前目标会话信息，还结合了跨会话的信息对目标会话的影响，从而可以提升推荐的准确性，进而提升了推荐系统的推荐性能。
实施例四
参照图4，示出了本公开实施例提供的另一种推荐对象确定装置的结构示意图，如图4所示，该推荐对象确定装置具体可以包括如下模块：
会话信息获取模块410，用于获取目标会话信息，及与所述目标会话信息关联的至少一个会话信息；
全局信息确定模块420，用于根据所述目标会话信息中所有对象的表征向量，确定所述目标会话信息对应的全局信息和局部信息；
会话影响获取模块430，用于获取所述至少一个会话信息对所述目标会话信息的会话影响信息；
推荐对象确定模块440，用于根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的推荐对象；
推荐对象推荐模块450，用于将所述推荐对象推荐给目标用户。
可选地，所述会话信息获取模块410包括：
目标会话获取单元411，用于获取目标用户当前的目标会话信息；
会话信息确定单元412，用于根据所述目标用户在预设历史时段内的历史行为序列和所述目标会话信息中的所有对象，确定与所述目标会话信息关联的至少一个会话信息。
可选地，所述全局信息确定模块420包括：
全局信息获取单元421，用于将所述所有对象的表征向量进行加权求和，得到所述目标会话信息的全局信息；
表征向量获取单元422，用于将所述所述所有对象的表征向量输入至时间卷积神经网络，得到所述所有对象的包含序列信息的表征向量；
局部信息确定单元423，用于根据所述序列信息的表征向量，确定所述目标会话信息的局部信息。
可选地，所述会话影响获取模块430包括：
会话图构建单元431，用于根据所述至少一个会话信息和所述目标会话信息，构建会话图；
相似度值获取单元432，用于获取所述至少一个会话信息与所述目标会话信息之间的相似度值；
临接会话确定单元433，用于根据所述相似度值，在所述会话图中确定所述目标会话信息对应的临接会话信息；所述临接会话信息为所述至少一个会话信息中的会话信息；
会话影响确定单元434，用于根据所述临接会话信息和图神经网络模型，确定所述目标会话信息的会话影响信息。
可选地，所述推荐对象确定模块440包括：
融合信息确定单元441，用于根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的融合信息；
相似度确定单元442，用于根据所述融合信息，确定所述目标会话信息与所述目标会话信息和所述至少一个会话信息中的全部对象的相似度；
推荐对象确定单元443，用于根据所述相似度，确定所述目标会话信息对应的推荐对象。
可选地，所述推荐对象确定单元443包括：
概率生成子单元，用于对所述相似度进行归一化处理，生成所述目标会话信息相对于所述全部对象的概率；
对象排序子单元，用于根据所述概率由大到小的顺序，对所述全部对象进行排序；
推荐对象选取子单元，用于根据排序结果，从所述全部对象中选取前N个对象作为所述推荐对象；其中，N为大于等于1的正整数。
本公开的实施例提供的推荐对象确定装置，通过获取目标会话信息，及与目标会话信息关联的至少一个会话信息，根据目标会话信息中所有对象的表征向量，确定目标会话信息对应的全局信息和局部信息，获取至少一个会话信息对目标会话信息的会话影响信息，根据全局信息、局部信息和会话影响信息，确定目标会话信息对应的推荐对象。本公开实施例不仅考虑到当前目标会话信息，还结合了跨会话的信息对目标会话的影响，从而可以提升推荐的准确性，进而提升了推荐系统的推荐性能。
本公开的实施例还提供了一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现前述实施例的推荐对象确定方法。
本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的推荐对象确定方法。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的动态图片的生成设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。
以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种推荐对象确定方法，其特征在于，包括：
获取目标会话信息，及与所述目标会话信息关联的至少一个会话信息；
根据所述目标会话信息中所有对象的表征向量，确定所述目标会话信息对应的全局信息和局部信息；
获取所述至少一个会话信息对所述目标会话信息的会话影响信息；
根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的推荐对象。
2.根据权利要求1所述的方法，其特征在于，所述获取目标会话信息，及与所述目标会话信息关联的至少一个会话信息，包括：
获取目标用户当前的目标会话信息；
根据所述目标用户在预设历史时段内的历史行为序列和所述目标会话信息中的所有对象，确定与所述目标会话信息关联的至少一个会话信息。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标会话信息中所有对象的表征向量，确定所述目标会话信息对应的全局信息和局部信息，包括：
将所述所有对象的表征向量进行加权求和，得到所述目标会话信息的全局信息；
将所述所述所有对象的表征向量输入至时间卷积神经网络，得到所述所有对象的包含序列信息的表征向量；
根据所述序列信息的表征向量，确定所述目标会话信息的局部信息。
4.根据权利要求1所述的方法，其特征在于，所述获取所述至少一个会话信息对所述目标会话信息的会话影响信息，包括：
根据所述至少一个会话信息和所述目标会话信息，构建会话图；
获取所述至少一个会话信息与所述目标会话信息之间的相似度值；
根据所述相似度值，在所述会话图中确定所述目标会话信息对应的临接会话信息；所述临接会话信息为所述至少一个会话信息中的会话信息；
根据所述临接会话信息和图神经网络模型，确定所述目标会话信息的会话影响信息。
5.根据权利要求1所述的方法，其特征在于，所述根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的推荐对象，包括：
根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的融合信息；
根据所述融合信息，确定所述目标会话信息与所述目标会话信息和所述至少一个会话信息中的全部对象的相似度；
根据所述相似度，确定所述目标会话信息对应的推荐对象。
6.根据权利要求5所述的方法，其特征在于，所述根据所述相似度，确定所述目标会话信息对应的推荐对象，包括：
对所述相似度进行归一化处理，生成所述目标会话信息相对于所述全部对象的概率；
根据所述概率由大到小的顺序，对所述全部对象进行排序；
根据排序结果，从所述全部对象中选取前N个对象作为所述推荐对象；其中，N为大于等于1的正整数。
7.根据权利要求1所述的方法，其特征在于，在所述根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的推荐对象之后，还包括：
将所述推荐对象推荐给目标用户。
8.一种推荐对象确定装置，其特征在于，包括：
会话信息获取模块，用于获取目标会话信息，及与所述目标会话信息关联的至少一个会话信息；
全局信息确定模块，用于根据所述目标会话信息中所有对象的表征向量，确定所述目标会话信息对应的全局信息和局部信息；
会话影响获取模块，用于获取所述至少一个会话信息对所述目标会话信息的会话影响信息；
推荐对象确定模块，用于根据所述全局信息、所述局部信息和所述会话影响信息，确定所述目标会话信息对应的推荐对象。
9.一种电子设备，其特征在于，包括：
处理器、存储器以及存储至所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至7任一项所述的推荐对象确定方法。
10.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行权利要求1至7任一项所述的推荐对象确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010588406.1A CN111881269A (zh) | 2020-06-24 | 2020-06-24 | 推荐对象确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010588406.1A CN111881269A (zh) | 2020-06-24 | 2020-06-24 | 推荐对象确定方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111881269A true CN111881269A (zh) | 2020-11-03 |
Family
ID=73156577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010588406.1A Withdrawn CN111881269A (zh) | 2020-06-24 | 2020-06-24 | 推荐对象确定方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881269A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801721A (zh) * | 2021-04-13 | 2021-05-14 | 腾讯科技（深圳）有限公司 | 信息处理方法、装置、电子设备及存储介质 |
| CN113704438A (zh) * | 2021-09-06 | 2021-11-26 | 中国计量大学 | 一种基于分层注意力机制的异构图的会话推荐方法 |
| CN114036400A (zh) * | 2021-12-07 | 2022-02-11 | 中国计量大学 | 一种基于超图的协同会话推荐方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110008408A (zh) * | 2019-04-12 | 2019-07-12 | 山东大学 | 一种会话推荐方法、系统、设备及介质 |
| CN111046257A (zh) * | 2019-12-09 | 2020-04-21 | 北京百度网讯科技有限公司 | 一种会话推荐方法、装置以及电子设备 |
-
2020
- 2020-06-24 CN CN202010588406.1A patent/CN111881269A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110008408A (zh) * | 2019-04-12 | 2019-07-12 | 山东大学 | 一种会话推荐方法、系统、设备及介质 |
| CN111046257A (zh) * | 2019-12-09 | 2020-04-21 | 北京百度网讯科技有限公司 | 一种会话推荐方法、装置以及电子设备 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801721A (zh) * | 2021-04-13 | 2021-05-14 | 腾讯科技（深圳）有限公司 | 信息处理方法、装置、电子设备及存储介质 |
| CN112801721B (zh) * | 2021-04-13 | 2021-08-10 | 腾讯科技（深圳）有限公司 | 信息处理方法、装置、电子设备及存储介质 |
| CN113704438A (zh) * | 2021-09-06 | 2021-11-26 | 中国计量大学 | 一种基于分层注意力机制的异构图的会话推荐方法 |
| CN113704438B (zh) * | 2021-09-06 | 2022-02-22 | 中国计量大学 | 一种基于分层注意力机制的异构图的会话推荐方法 |
| CN114036400A (zh) * | 2021-12-07 | 2022-02-11 | 中国计量大学 | 一种基于超图的协同会话推荐方法 |
| CN114036400B (zh) * | 2021-12-07 | 2022-04-08 | 中国计量大学 | 一种基于超图的协同会话推荐方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112000819B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
| CN109829775B (zh) | 一种物品推荐方法、装置、设备及可读存储介质 | |
| CN111881269A (zh) | 推荐对象确定方法、装置、电子设备及存储介质 | |
| CN105512180B (zh) | 一种搜索推荐方法及装置 | |
| CN111125495A (zh) | 一种信息推荐方法、设备及存储介质 | |
| CN108509466A (zh) | 一种信息推荐方法和装置 | |
| CN111125543B (zh) | 书籍推荐排序模型的训练方法、计算设备及存储介质 | |
| CN114691973A (zh) | 一种推荐方法、推荐网络及相关设备 | |
| US20220382795A1 (en) | Method and system for detection of misinformation | |
| CN113722583A (zh) | 推荐方法、推荐模型训练方法及相关产品 | |
| CN113139654B (zh) | 图神经网络模型的训练方法及装置 | |
| CN113742572B (zh) | 一种数据的推荐方法、装置、电子设备及存储介质 | |
| CN113010778A (zh) | 一种基于用户历史兴趣的知识图谱推荐方法和系统 | |
| CN113987387A (zh) | 页面展示方法、电子设备及计算机存储介质 | |
| CN112685648A (zh) | 一种资源推荐方法、电子设备及计算机可读存储介质 | |
| WO2023185925A1 (zh) | 一种数据处理方法及相关装置 | |
| CN118043802A (zh) | 一种推荐模型训练方法及装置 | |
| CN114861783A (zh) | 推荐模型训练方法、装置、电子设备及存储介质 | |
| WO2023029350A1 (zh) | 基于点击行为预测的信息推送方法及装置 | |
| CN115237732A (zh) | 一种操作预测方法及相关装置 | |
| CN112328881B (zh) | 文章推荐方法、装置、终端设备及存储介质 | |
| CN112085554A (zh) | 推荐理由生成方法、装置、电子设备及可读存储介质 | |
| CN110851600A (zh) | 基于深度学习的文本数据处理方法及装置 | |
| CN108491423B (zh) | 一种排序方法及装置 | |
| CN116204709A (zh) | 一种数据处理方法及相关装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201103 |