CN111931069A - 用户兴趣确定方法、装置及计算机设备 - Google Patents

Abstract

本说明书实施例提供一种用户兴趣确定方法、装置及计算机设备，所述方法包括：获取用户的历史异构行为图，以及利用预设的知识图谱确定所述历史异构行为图的知识表达；其中，所述历史异构行为图表征：所述用户在至少一个历史场景下与历史预测对象的至少一次历史交互行为；获取当前用户所处场景的当前场景数据，以及利用所述知识图谱确定所述当前场景数据的知识表达；对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中确定与所述当前场景匹配的历史交互行为后，确定与当前场景匹配的用户兴趣。

Description

用户兴趣确定方法、装置及计算机设备

技术领域

本说明书涉及互联网技术领域，尤其涉及用户兴趣确定方法、装置及计算机设备。

背景技术

随着信息技术的不断发展，用户对个性化服务的需求越来越高。面对海量的网络信息，如何抓住用户的个人兴趣，为用户提供个性化服务已经成为当前Web技术研究的一个重要主题。特别的，针对一些特定业务场景，精确的搜索匹配方法有助于为用户提供更好的服务。而如何精确地确定用户兴趣，会影响到搜索或推荐等系统的整体匹配效果。

发明内容

为克服相关技术中存在的问题，本说明书实施例提供了用户兴趣确定方法、装置及计算机设备。

根据本说明书实施例的第一方面，提供一种用户兴趣确定方法，包括：

获取用户的历史异构行为图，以及利用预设的知识图谱确定所述历史异构行为图的知识表达；其中，所述历史异构行为图表征：所述用户在至少一个历史场景下与历史预测对象的至少一次历史交互行为；

获取当前用户所处场景的当前场景数据，以及利用所述跨域知识图谱确定所述当前场景数据的知识表达；

对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中确定与所述当前场景匹配的历史交互行为后，确定与当前场景匹配的用户兴趣。

根据本说明书实施例的第二方面，提供一种用户兴趣确定装置，包括：

行为图获取模块，用于：获取用户的历史异构行为图，以及利用预设的知识图谱确定所述历史异构行为图的知识表达；其中，所述历史异构行为图表征：所述用户在至少一个历史场景下与历史预测对象的至少一次历史交互行为；

场景数据获取模块，用于：获取当前用户所处场景的当前场景数据，以及利用所述知识图谱确定所述当前场景数据的知识表达；

兴趣确定模块，用于：对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中确定与所述当前场景匹配的历史交互行为后，确定与当前场景匹配的用户兴趣。

根据本说明书实施例的第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如前述用户兴趣确定方法的实施例。

本说明书的实施例提供的技术方案可以包括以下有益效果：

本实施例中，用户异构行为图和当前场景数据利用知识图谱进行了统一的知识表达，用户异构行为图和当前场景数据中涉及的不同类型数据有了统一的语义联系；基于此，可以对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，将历史异构行为图中的行为场景和当前用户所处场景进行匹配，得到与用户当前所处场景最为匹配的用户兴趣表达。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。

图1是本说明书根据一示例性实施例示出的一种用户兴趣确定方法的流程图。

图2是本说明书根据一示例性实施例示出的一种搜索业务中历史异构行为图的示意图。

图3是本说明书根据一示例性实施例示出的用户兴趣确定识别装置所在计算机设备的框图。

图4是本说明书根据一示例性实施例示出的一种用户兴趣确定装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

个性化服务中，确定用户兴趣是至关重要的步骤。用户兴趣是否准确直接影响了个性化服务提供的准确性和有效性。用户兴趣建模的目标是从用户的历史记录数据中挖掘出有价值的数据，来进行准确的用户兴趣表达。

例如，在搜索系统或推荐系统中的处理过程中，会有一批预测对象准备返回给用户，由于用户对于这批预测对象的兴趣不同，需要基于用户兴趣进行精确匹配，以对这批预测对象进行后续的排序等处理，向用户返回精确匹配有助于为用户提供更好的服务。因此如何精确地确定用户兴趣，会影响到搜索系统或推荐系统的整体匹配效果。

特别的，一些特定业务场景对上述精确确定用户兴趣的需求更为关注。以本地生活场景为例，本地生活场景是指本地、线下、具有实体店铺的餐饮、生活服务、休闲娱乐等商家服务信息，以一种线上店铺的方式呈现给用户的服务场景。与电商场景不同的是，此类场景对用户和店铺之间的距离较为关注。提供本地生活服务的业务方需要根据用户所处场景为用户提供准确的兴趣建模和搜索匹配。与其他线上服务平台不同的是，用户在本地生活客户端上的行为与用户所处的时间、地点等场景密切相关，故搭建一个对用户所处实时场景敏感的搜索系统/推荐系统有助于同时为商家和用户提供更好的服务。

以搜索系统为例，在搜索匹配方法中，需要对用户、搜索语句、店铺等物料进行特征提取和建模，并将建模好的物料送进模型训练和预测。其中由于用户数量众多、兴趣爱好变化差异较大等问题，用户兴趣建模成为物料建模中具有挑战的一个环节。利用用户历史行为进行用户兴趣建模是电商行业和内容分发行业的常用方法。

这种方法通过收集用户的历史行为进行分析，得到用户的潜在兴趣表达。但现有的用户行为建模方法有以下两个明显的缺点：1. 无法将用户的整条行为链路纳入同一个语义空间，例如用户的搜索词和用户的点击商铺是两种物料，原有行为建模方法是将其分别建模和考量；2. 用户行为序列方法只使用了时间这一维度的信息进行兴趣筛选，难以区分不同场景下的历史行为与当前待预测物料的相关关系。另外，本地生活服务平台需要根据用户所处场景进行动态理解，但目前的方法大多将用户场景作为特征输入至算法模型中，此类方法只建模了用户兴趣和场景特征的交叉关系，忽视了用户兴趣是跟随场景发生动态变化的特点。总的来说，现有用户兴趣建模方法和场景理解算法难以在高度复杂的本地生活场景下进行精准的求解，进而影响搜索方法的整体匹配效率。

基于此，本说明书实施例提供了一种用户兴趣确定方法。如图1所示，图1是本说明书根据一示例性实施例示出的一种用户兴趣确定方法的流程图，包括以下步骤：

在步骤102、获取用户的历史异构行为图，以及利用预设的知识图谱确定所述历史异构行为图的知识表达；其中，所述历史异构行为图表征：所述用户在至少一个历史场景下与历史预测对象的至少一次历史交互行为。

在步骤104、获取当前用户所处场景的当前场景数据，以及利用所述跨域知识图谱确定所述当前场景数据的知识表达。

在步骤106、对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中确定与所述当前场景匹配的历史交互行为后，确定与当前场景匹配的用户兴趣。

本实施例中，业务方可以根据业务需要准备多个不同知识领域的知识图谱，本说明书实施例可以将多个不同知识领域的知识图谱简称为跨域知识图谱。知识图谱是指存在语义关联的节点组成的图，对某个节点来说，与其关联的节点均可视为解释该节点的知识表达。

具体所需要的何种领域的知识图谱，则可根据业务而定，例如可以根据实际业务中用户兴趣确定方案涉及哪些实体而确定。

以本实施例方法应用于推荐系统为例，推荐系统的目标是向用户主动推送一批用户感兴趣的推荐对象，这批推荐对象在返回时需要基于用户的兴趣高低进行排序。基于此，本实施例的跨域知识图谱至少涉及三项关键内容：用户、推荐对象以及场景信息；因此，相应地可配置至少如下三个领域的知识图谱：用户、推荐对象以及场景。

以本实施例方法应用于搜索系统为例，搜索系统的目标，是根据用户的搜索语句搜索出一批搜索对象后返回给用户，这批推荐对象在返回时还可以基于用户的兴趣高低进行排序。基于此，本实施例的跨域知识图谱至少涉及四项关键内容：用户、用户的搜索语句、搜索对象以及场景信息；因此，相应地可配置有关这四项内容的四个知识领域的知识图谱。

在一些例子中，业务方既配置有推荐系统也配置有搜索系统，推荐系统涉及推荐对象，搜索系统涉及搜索对象，本实施例是为了示意说明而将其采用两个不同名称指代，业务方向用户返回的推荐对象和搜索对象实际上都是指业务方需要预测的预测对象。例如，本地生活业务场景下，推荐系统和搜索系统的目的都是为了向用户返回店铺。

可以理解，上述的搜索系统和推荐系统只是示意图，本说明书并不限定上述用户兴趣确定方法实施例的具体应用场景。

接下来继续对知识图谱进行说明。

针对搜索对象/推荐对象的知识图谱，其包含的节点可以包括：搜索对象/推荐对象、搜索对象/推荐对象的名称及相关属性，具体的何种属性可根据实际业务而定。作为例子，以本地生活业务为例，用户关注的对象是店铺，因此配置有关店铺的知识图谱，该知识图谱中的节点包括：店铺、店铺所处的地理位置、店铺所属类目、店铺商品、店铺提供的菜品等等。

用户的知识图谱，其包含的节点可以包括：用户及用户的属性信息（例如性别、年龄段、职业等）；本知识图谱中，不同用户节点之间可以是独立的，也可以是通过用户之间的关系（例如社交好友关系、亲属关系或同事关系等）进行关联。

场景知识图谱，其包括的节点可以是：地点、时间、天气、日期的类型（如工作日、周末或节日等）、基于对地点的语义理解而配置的自定义知识（如地点属于学校、商场、小区等）。

搜索语句知识图谱，其包括的节点是：搜索语句以及搜索语句的相关知识；例如：搜索语句的同义词；搜索语句的类型，例如表征该条搜索语句属于有关地址的搜索语句、属于店铺品牌的搜索语句、属于商品的搜索语句、属于类目的搜索语句；还可以是搜索语句的意图识别结果；或者还可以是与该搜索语句对应的高频搜索对象等等，具体可以根据实际业务而确定，本实施例对此不作限定。

综上，本说明书实施例构建了上述四个知识图谱，基于上述处理，若要查找某个节点的知识，可以在知识图谱中查找到有关该节点的知识表达；例如，若要查找有关店铺“肯德基”的知识表达，在店铺知识图谱中，根据与节点“肯德基”连接的其他所有节点，可获得有关店铺“肯德基”的知识表达。假设节点“肯德基”连接有5个节点，则这5个节点共同构成了节点“肯德基”的知识表达。

本说明书实施例涉及了多个知识领域的知识图谱，而各个知识图谱可能具有相同语义的节点，例如搜索对象知识图谱和搜索语句知识图谱可能都包含有“肯德基”节点；场景知识图谱和搜索语句知识图谱可能都包含有“西溪路”节点。为了将各个知识图谱进行关联，本说明书实施例可以统一为所述四个知识领域的知识图谱中的节点配置节点标识，基于此，在不同知识图谱中相同语义的节点具有统一的节点标识。作为例子，搜索对象知识图谱中“肯德基”节点的节点标识，与搜索语句知识图谱中“肯德基”节点的节点标识相同。

本实施例方案的后续处理中，涉及到从知识图谱中查找节点的知识表达的过程，而这些节点表征的主体，在业务系统上具有其业务上的原始标识，因此可以预先建立各个节点在业务上的原始标识与节点在知识图谱中的节点标识的映射关系。

因此，对于历史异构行为图，可以根据所述历史异构行为图中各节点的业务标识，从预设映射记录中查找所述历史行为图的知识标识后，利用所述历史行为图的知识标识从所述知识图谱中确定所述历史异构行为图的知识表达；其中，所述预设映射记录中记录有所述知识图谱中各个节点的知识标识与业务标识的对应关系。

对于当前场景数据，根据所述当前场景数据中各主体的业务标识，从所述预设映射记录中查找所述当前场景数据的知识标识后，利用所述当前场景数据的知识标识从所述知识图谱中确定所述当前场景数据的知识表达。

例如，在业务系统上，店铺“肯德基”的原始标识为aaaaa，而在知识图谱中，节点“肯德基”的节点标识为bbbbb，因此可以预先建立店铺“肯德基”的原始标识aaaaa与节点标识bbbbb的对应关系。因此，当业务上需要对店铺“肯德基”从知识图谱中查找到其知识表达时，可以通过该对应关系快速地查找到知识图谱中节点“肯德基”的节点标识，而知识图谱中包含有各个节点及各个节点的关系，因此可以快速地获取到节点“肯德基”的知识表达。

另一方面，为了便于后续的节点之间相似度的比对，本实施例中知识图谱中的每个节点可以采用向量进行表示。当然，实际业务中还可以采用如矩阵等其他方式对节点进行表示，本说明书实施例对此不作限定。可选的，还可以预先建立有统一知识表达向量库。则通过节点标识可以从库中快速地查找到每个节点的知识表达对应的向量，以便于后续的相似度比对，具体相似度比对这部分在后续例子中再详细介绍。

另一方面，业务方可以获取用户的历史数据，具体的，可以是指用户与搜索对象之间的历史交互行为数据，利用历史交互行为数据构建用户的历史异构行为图。

其中，历史交互行为的发生在不同应用场景下可以有不同的实现方式。

以搜索系统为例，用户在客户端中输入搜索语句后、在客户端展示搜索结果后发生的交互行为；还有一类是用户未搜索、用户直接在客户端中触发的交互行为。其中，交互行为可以是用户点击搜索对象，或者是用户收藏搜索对象等行为，本实施例对此不作限定。用户的这些交互行为表征了用户对搜索对象的关注，对这些搜索对象具有兴趣或偏好。可以理解，用户执行的每个交互行为都可以为分析用户对搜索对象的兴趣提供了贡献。而在推荐系统中，历史交互行为不涉及搜索系统中的搜索语句，只需要关注用户与推荐对象。

针对本实施例的历史异构行为图，图是数据结构的一种，是由顶点的有穷集合和顶点之间边的集合组成的一种数据结构。

本实施例中，由于涉及用户与搜索对象两种不同类型的节点，并且在搜索业务中用户与搜索对象之间的交互行为也有多种类型，因此，本实施例构建的用户交互行为的图结构为一种异构类型的图，异构类型的图即表示图中包括了多种类型的节点和边。本实施例将构建的表征用户的历史交互行为的图结构，称为用户的历史异构行为图。

在推荐系统中，本实施例的历史异构行为图可以包括两类节点：用户和搜索对象；在搜索系统中，本实施例的历史异构行为图，可以包括三类节点：用户、搜索对象以及搜索语句；其中，由于分析的是用户的兴趣，因此用户节点为根节点。

历史异构行为图中的边，表示两个节点之间的连接；历史异构行为图中从用户节点至历史预测对象节点之间所经过的路径（本实施例称之为元路径），表征了用户与历史预测对象交互的过程。

与前述的历史交互行为相对应，在推荐系统中历史异构行为图中的元路径表征用户与历史预测对象进行交互。

在搜索业务中，历史异构行为图中的元路径可以有两类，一类是由用户、搜索语句及搜索对象三者构成的元路径，表征用户是通过搜索语句与搜索对象交互；一类是由用户及搜索对象两者构成的元路径，表征用户与搜索对象直接交互。

如图2所示，是本说明书实施例示出的一种搜索业务中历史异构行为图的示意图，需要说明的是，图2中示出的是作为数据结构的历史异构行为图的图例示意，并不是表示计算机设备中该历史异构行为图的具体实现形式，实际上，作为数据结构的历史异构行为图的实现方式，可以采用列表、矩阵等多种方式实现。

该图2中包括3类节点，i类节点表示搜索对象，i₁至i₆表示6个搜索对象；q类节点表示搜索语句，q₁至q₂表示2条搜索语句；u类节点表示用户，u₁表示用户u₁。

图2中示出了用户u₁的6次与搜索对象的历史交互行为，例如，元路径i₁→q₁→u₁，表示用户u₁通过搜索语句q₁与搜索对象i₁交互，元路径i₃→u₁，表示用户u₁直接与搜索对象i₃交互。

其中图2示出的节点之间边的方向：从i类节点指向q类节点，以及从q类节点指向u类节点；该边的方向是为了后续的聚合处理过程进行示意，本实施例对此不作限定。

其中，本实施例中用户还对应有每个历史交互行为的场景信息的记录。本实施例的场景信息表征了用户的历史交互行为发生时所处的场景特点，具体的场景信息的种类可以根据业务而定，以本地生活业务为例，此类业务对于用户所处地理位置及时间信息较为关注，用户所处地理位置及时间信息对于用户兴趣会有影响，因此场景信息至少可包括：地理位置和时间；可选的，还可以包括日期的类型（如工作日、周末或节日等）。

可以理解，上述的每个历史交互行为的场景信息，也即是用户的历史异构行为图中，每条从用户至搜索对象的元路径对应有场景信息。

用户在客户端的交互行为随着时间推移可能会持续产生，因此用户的历史异构行为图会随着用户的交互行为持续更新。本说明书实施例中，可以是在本实施例方案触发执行后，实时生成当前时间的用户的历史异构行为图。当然，对于历史异构行为图中表征用户的多少个历史交互行为、或者是表征用户在哪些历史时间段的历史交互行为，实际业务中都可根据需要进行配置，本实施例对此不作限定。

以搜索业务为例，在搜索匹配的过程中，用户在客户端的搜索入口输入搜索语句，客户端可以获取到：用户、搜索语句、当前场景信息；搜索引擎会基于用户的搜索语句获取到待匹配搜索对象；这里的待匹配搜索对象可以理解为在返回给用户的搜索结果之前，需要进行相关处理的搜索对象。用户在不同场景下对于这些搜索对象可能具有不同的交互概率，因此需要基于用户的兴趣确定用户对这些搜索对象的交互概率。

由前述分析可知，本说明书实施例可以获取到：用户、搜索语句、当前场景信息及待预测搜索对象；接下来的处理，是要基于用户的历史交互行为，分析出在用户发起搜索的当前场景下用户的兴趣表达。

具体的，用户的历史异构行为图构造完成后，可以利用前述的跨域知识图谱，将历史异构行为图中所有节点，获取到对应的节点标识。也即是，将历史异构行为图中所有节点在跨域知识图谱中进行映射，得到每个节点对应的知识标识。通过该节点标识，可以快速地查找到历史异构行为图中所有节点在知识图谱中的知识表达。

例如，前述图2所示的历史异构行为图中的用户节点u1，可以从用户知识图谱中查找到对应的知识表达；历史异构行为图中的店铺节点i5，可以店铺知识图谱中查找到对应的知识表达。

同样，对于当前获取到的当前用户所处场景的当前场景数据，也从知识图谱中查找到每一项的知识表达。例如推荐业务中，当前场景数据至少包括：用户、待预测推荐对象以及场景，从知识图谱中查找到每一项的知识表达。搜索业务中，当前场景数据至少包括：用户、搜索语句、当前场景信息及待预测搜索对象，也从知识图谱中查找到每一项的知识表达。由此可见，本实施例将用户异构行为图的图中节点和当前待预测物料进行了统一的知识表达，使得不同类型节点和不同类型行为有了统一的语义联系。

由前述对历史异构行为图的分析可知，用户的历史异构行为图涉及了用户在不同场景下与不同历史预测对象的历史交互行为。而在需要预测用户兴趣是否对待预测对象感兴趣时，用户所处场景会影响到后续的处理结果。

例如，当用户发起搜索时，用户所处的搜索场景实际上会影响到搜索结果；假设工作日期间用户在公司搜索咖啡，以及周末用户在家里搜索咖啡，用户所处的搜索场景不同，相应的“咖啡”搜索结果也将不同；因此需要通过感知用户当前的搜索场景，从历史异构行为图中聚合出与当前搜索场景匹配的用户兴趣，以获得准确的搜索结果。

本实施例方案中，基于知识表达的相似度，可以对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中确定与所述当前场景匹配的历史交互行为后，确定与当前场景匹配的用户兴趣。

作为例子，仍以图2为例，针对图2中涉及的其中4条元路径：i5→q1→u1，i6→q1→u1；i1→q2→u1，i2→q2→u1；假设分别对应历史交互行为：用户u1在家里搜索咖啡q1点击了两个店铺i5和i6，用户u1在公司搜索咖啡q2点击了两个店铺i1和i2。并且，元路径i5→q1→u1和元路径i6→q1→u1对应的是同一场景信息（某个时间在家里搜索咖啡），元路径i1→q2→u1和元路径i2→q2→u1对应的是同一场景信息（某个时间在公司搜索咖啡）。

当服务端获取到用户u1发起的搜索，确定用户u1当前是周末在家里搜索了咖啡，基于搜索语句咖啡获取到多个待预测店铺（即待预测搜索对象），此时需要分析用户对这多个待预测店铺的交互概率（即将这些待预测店铺作为搜索结果返回给用户后，用户与这些待预测店铺交互的可能性）。

而用户u1对这每个待预测店铺的交互概率，需要从用户u1的历史异构行为图中，查找出与当前用户发起搜索时所处场景最相似的场景出来，以这个场景的历史交互行为来表达用户对待预测店铺的兴趣。本说明书实施例通过历史异构行为图可以快速地确定出，具体的，通过对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中确定与所述当前场景匹配的历史交互行为后，确定与当前场景匹配的用户兴趣。

其中，历史异构行为图中表示了用户在不同场景下历史交互行为，而为了快速找出与当前场景匹配的用户兴趣，一个可选的方式是聚合处理；作为例子，可以对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中最外层节点向用户节点进行节点聚合，获得所述用户节点对应的多条路径的聚合结果；对所述多条路径的聚合结果进行元路径聚合，根据路径聚合结果获得与当前场景匹配的用户兴趣。基于此，本实施例可以通过聚合的方式，从历史异构行为图中快速地找出与当前场景匹配的用户兴趣。

其中，历史异构行为图中涉及不同类型的节点，当前场景数据中也涉及不同的节点，本实施例可以对比所述历史异构行为图中目标节点的知识表达，与所述当前场景数据中与所述目标节点相同类型的节点的知识表达的相似度；根据所述相似度对比结果，从所述历史异构行为图中最外层节点向用户节点聚合，获得的所述用户节点对应的多条路径的聚合结果表征所述用户节点的不同场景下的兴趣表达；进一步的进行路径聚合处理，可以从所述用户节点的不同场景下的兴趣表达中，确定与所述当前场景数据的知识表达中匹配的场景，将所述匹配的场景的兴趣表达确定为与当前场景匹配的用户兴趣。

为了更快地计算相似度，本实施例中，前述的知识表达都可以采用向量表示；所述对比所述历史异构行为图中目标节点的知识表达，与所述当前场景数据中与所述目标节点相同类型的节点的知识表达的相似度，可以包括：

获取所述历史异构行为图中目标节点的知识表达对应的第一向量，以及获取所述当前场景数据中与所述目标节点相同类型的节点的知识表达的第二向量，计算所述第一向量与第二向量的相似度。

作为例子，首先对历史异构行为图进行节点层面的聚合。

从历史异构行为图的最外层节点开始向内聚合。其中，本说明书实施例中，对节点的知识表达采用向量进行表示。

聚合方式为：首先使用节点标识索引知识表达向量库得到历史异构行为图中各节点的向量表达，然后使用同样的方式得到所述当前场景数据中各节点的向量表达，接着将历史异构行为图和当前场景数据中同类型节点进行相似度计算，本实施例通过计算两个向量的相似度实现。

计算向量的相似度，可以采用多种向量相似度算法实现。以注意力神经网络为例，可以将两个向量表达输入至注意力神经网络，由注意力神经网络产出注意力权重，该注意力权重即表征两个向量的相似度。

例如针对历史异构行为图中的店铺节点，则采用当前场景数据中待预测店铺两者的向量进行相似度计算。针对历史异构行为图中的搜索语句节点，则采用当前场景数据中用户当前的搜索语句两者的向量进行相似度计算。将图中所有同层节点按照上述方式进行注意力权重系数的计算后，按照加权和的形式将图中同层向量表达进行累加，得到内层节点的向量表达。

例如：节点i1在知识图谱中对应有多条知识，节点i1的知识表达由其对应的多条知识构成，可以利用这多条知识对应的向量聚合得到节点i1的向量表达；作为例子，可以采用point-wise方法进行向量加权和得到节点i1的向量表达。

同样，节点i2在知识图谱中对应有多条知识，节点i2的知识表达由其对应的多条知识构成，可以利用这多条知识对应的向量聚合得到节点i2的向量表达。

图2所示的历史异构行为图中，节点q1的下层节点是节点i1和i2，因此节点q1的向量表达由节点q1自身的向量，以及节点i1的向量表达和i2的向量表达聚合得到；此时，节点i1和i2表征不同的店铺，本实施例通过计算节点i1和i2与待预测店铺的相似度后聚合至节点q1，从而可以基于与待预测店铺的相似度，从外层节点向内聚合至节点q1，使得最终聚合结果在当前预测场景下可以与待预测店铺更为相似，从而指示用户对该待预测店铺的兴趣高低。

具体的，需要计算节点i5与待预测店铺的相似度，具体的可以计算节点i5的向量与待预测店铺的向量的相似度（可采用注意力神经网络实现）；同理计算节点i6与待预测店铺的相似度。之后，将节点i5的向量及相似度，和节点i6及相似度，采用加权聚合方法的方式将历史异构行为图中同层向量表达进行聚合，得到内层节点q1的向量表达。在另一些例子中，还可以采用其他聚合方法，例如关注时间权重的时序方法等，本实施例对此不作限定。

由上述实施例可见，本实施例实现了动态的图节点聚合，动态的含义是指，本实施例中节点相似度的计算是由历史异构行为图中的节点和外部的当前场景数据中的待预测节点进行计算，由于用户每次搜索时所处的场景不同，那么外部的当前场景数据中的待预测节点也不同，因此本实施例可根据用户所处的预测场景动态改变聚合结果，从而可以获得匹配当前场景的聚合结果。

接着进行历史异构行为图中元路径层面的聚合。由前述分析可知，历史异构行为图中不涉及与场景有关的节点，用户的兴趣可以由搜索语句和所交互的店铺所描述，而场景信息是用于区分用户在不同场景下的兴趣表达。因此，以图2所示，当聚合至用户节点时，会产生多条路径的聚合向量表达结果（例如上图中所示聚合至用户节点u1时对应有4条路径，分别来自于两次搜索和两次点击，此时4条路径即对应得到4个向量表达）；由前述分析可知，每条元路径对应有不同的场景信息，而本实施例在聚合时多条相同场景的元路径被聚合至一条路径中，因此可以根据将路径对应的场景信息，利用知识图谱中查找到对应的向量形式的知识表达，将每条路径对应的场景的向量，和当前用户所处的场景向量输入至注意力网络，得到每条路径的场景与当前场景的相似度；此时用户节点对应的4条路径的向量，结合各条路径的场景的相似度再次进行聚合，得到用户最终的向量表达，并使用该向量作为用户的兴趣建模结果。

由上述实施例可见，本实施例实现了动态的元路径聚合，在最后聚合至用户节点时，为向量聚合引入了场景信息，可以在用户历史行为中找出与当前预测场景最为相似的历史行为场景，进而聚合出与当前场景有关的用户兴趣表达。

本实施例的用户兴趣，可以作为用户的兴趣特征，和其他特征作为神经网络的输入，得到用户在当前场景下对待预测物料的交互概率。作为例子，得到用户的兴趣表达后，与其他特征（包括商铺特征、搜索串特征、场景特征等）进行向量拼接（例如可以一起输入至神经网络的向量拼接层）得到统一特征向量。再将该向量输入至预测网络，可以得到最终的预测输出，完成当前搜索匹配方法。

本实施例利用跨域知识图谱为多个不同业务线上的历史交互行为数据提供统一的知识表达，可以打通用户行为中的不同节点和多种行为，将用户的全域行为纳入统一的表达。而外部的待预测节点也同样采用跨域知识图谱得到对应的知识表达，可以得到与用户历史行为异构图中节点协同建模的知识表达。

本实施例设计全新动态图在节点层面的聚合方法，相似度计算是由历史异构行为图中节点和用户当前场景下同类型节点进行计算，可根据预测场景动态改变聚合结果。此类方法可以选出历史行为节点与当前待预测物料最为匹配的节点作为用户兴趣的基础节点，相比行为序列类型的方法，可以聚合更多不同类型的节点作为用户全域的多重兴趣表达。

本实施例设计全新动态图在元路径层面的聚合方法，为用户兴趣向量聚合引入场景信息，可以在用户历史行为中找出与当前预测场景最为相似的历史行为场景，进而聚合出与当前场景有关的用户兴趣表达。相比原有图聚合方法和行为序列方法，引入了场景这一维度的信息，可以得到与当前用户所处场景最为相关的用户潜在兴趣。

本实施例中方案中，用户在不同业务场景中存在大量异构的历史行为，协同并融合这些数据为下游业务提供了极高的使用价值。并且用户的历史交互行为来自于多种不同的使用场景，根据用户所处的场景动态变化用户兴趣，可以极大的增加算法平台的匹配效率。本说明书实施例中基于知识图谱的跨域统一知识表达方式，将用户异构行为图的图中节点和当前待预测物料进行了统一表达，使得不同类型节点和不同类型行为有了统一的语义联系。本实施例使用历史行为图中路径所处的行为场景和当前用户所处场景进行匹配，得到与用户当前所处场景最为匹配的用户兴趣表达，并使用该表达进行后续的搜索匹配，得到当前场景下用户对待预测物料的交互概率。

与前述用户兴趣确定方法的实施例相对应，本说明书还提供了用户兴趣确定装置及其所应用的终端的实施例。

本说明书用户兴趣确定装置的实施例可以应用在计算机设备上，例如服务器或终端设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本说明书用户兴趣确定装置所在计算机设备的一种硬件结构图，除了图3所示的处理器310、内存330、网络接口320、以及非易失性存储器340之外，实施例中用户兴趣确定装置331所在的服务器或电子设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。

如图4所示，图4是本说明书根据一示例性实施例示出的一种用户兴趣确定装置的框图，所述装置包括：

行为图获取模块41，用于：获取用户的历史异构行为图，以及利用预设的跨域知识图谱确定所述历史异构行为图的知识表达；其中，所述历史异构行为图表征：所述用户与历史预测对象的至少一次历史交互行为；

场景数据获取模块42，用于：获取当前用户所处场景的当前场景数据，以及利用所述跨域知识图谱确定所述当前场景数据的知识表达；

兴趣确定模块43，用于：对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中确定与所述当前场景匹配的历史交互行为后，确定与当前场景匹配的用户兴趣。

可选的，所述装置应用于推荐系统，所述预设的知识图谱至少包括如下三个领域的知识图谱：用户、推荐对象以及场景；

所述当前场景数据至少包括：用户、待预测推荐对象以及场景。

可选的，所述装置应用于搜索系统，所述预设的知识图谱至少包括如下四个领域的知识图谱：用户、搜索语句、搜索对象以及场景；

所述当前场景数据至少包括：用户、待预测搜索对象、搜索语句以及场景。

可选的，所述用户兴趣用于：与待预测对象的其他特征组合，共同预测所述用户在当前场景下对所述待预测对象的交互概率。

可选的，所述历史异构行为图中包括有用户节点和历史预测对象节点，所述用户节点为根节点，从所述用户节点至所述历史预测对象节点之间的元路径表征所述用户对所述历史预测对象节点之间的一次历史交互行为；每条所述元路径对应有该次历史交互行为的历史场景信息。

可选的，所述装置应用于搜索系统，所述历史异构行为图中还包括搜索语句节点，所述搜索语句节点处于所述用户节点和历史预测对象节点之间。

可选的，所述预设的知识图谱有多个，所述多个知识图谱的各个节点配置有统一的节点标识。

可选的，所述行为图获取模块，具体用于：

根据所述历史异构行为图中各节点的业务标识，从预设映射记录中查找所述历史行为图的知识标识后，利用所述历史行为图的知识标识从所述知识图谱中确定所述历史异构行为图的知识表达；其中，所述预设映射记录中记录有所述知识图谱中各个节点的知识标识与业务标识的对应关系；

所述场景数据获取模块，具体用于：

根据所述当前场景数据中各主体的业务标识，从所述预设映射记录中查找所述当前场景数据的知识标识后，利用所述当前场景数据的知识标识从所述知识图谱中确定所述当前场景数据的知识表达。

可选的，所述兴趣确定模块，具体用于：

对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中最外层节点向用户节点进行节点聚合，获得所述用户节点对应的多条路径的聚合结果；

对所述多条路径的聚合结果进行路径聚合，根据路径聚合结果获得与当前场景匹配的用户兴趣。

可选的，所述兴趣确定模块，具体用于：

对比所述历史异构行为图中目标节点的知识表达，与所述当前场景数据中与所述目标节点相同类型的节点的知识表达的相似度；

根据所述相似度对比结果，从所述历史异构行为图中最外层节点向用户节点聚合，获得所述用户节点对应的多条路径的聚合结果，所述多条路径的聚合结果表征所述用户节点的不同场景下的兴趣表达；

从所述用户节点的不同场景下的兴趣表达中，确定与所述当前场景数据的知识表达中匹配的场景，将所述匹配的场景的兴趣表达确定为与当前场景匹配的用户兴趣。

可选的，所述知识表达采用向量表示；

所述兴趣确定模块，具体用于：

获取所述历史异构行为图中目标节点的知识表达对应的第一向量，以及获取所述当前场景数据中与所述目标节点相同类型的节点的知识表达的第二向量，计算所述第一向量与第二向量的相似度。

相应的，本说明书还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现前述用户兴趣确定方法的实施例。

上述用户兴趣确定装置中各个模块的功能和作用的实现过程具体详见上述用户兴趣确定方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (23)

1.一种用户兴趣确定方法，包括：

获取用户的历史异构行为图，以及利用预设的知识图谱确定所述历史异构行为图的知识表达；其中，所述历史异构行为图表征：所述用户在至少一个历史场景下与历史预测对象的至少一次历史交互行为；

获取当前用户所处场景的当前场景数据，以及利用所述知识图谱确定所述当前场景数据的知识表达；

对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中确定与所述当前场景匹配的历史交互行为后，确定与当前场景匹配的用户兴趣。

2.根据权利要求1所述的方法，所述方法应用于推荐系统，所述预设的知识图谱至少包括如下三个领域的知识图谱：用户、推荐对象以及场景；

所述当前场景数据至少包括：用户、待预测推荐对象以及场景。

3.根据权利要求1所述的方法，所述方法应用于搜索系统，所述预设的知识图谱至少包括如下四个领域的知识图谱：用户、搜索语句、搜索对象以及场景；

所述当前场景数据至少包括：用户、待预测搜索对象、搜索语句以及场景。

4.根据权利要求1所述的方法，所述用户兴趣用于：与待预测对象的其他特征组合，共同预测所述用户在当前场景下对所述待预测对象的交互概率。

5.根据权利要求1所述的方法，所述历史异构行为图中包括有用户节点和历史预测对象节点，所述用户节点为根节点，从所述用户节点至所述历史预测对象节点之间的元路径表征所述用户对所述历史预测对象节点之间的一次历史交互行为；每条所述元路径对应有该次历史交互行为的历史场景信息。

6.根据权利要求5所述的方法，所述方法应用于搜索系统，所述历史异构行为图中还包括搜索语句节点，所述搜索语句节点处于所述用户节点和历史预测对象节点之间。

7.根据权利要求1所述的方法，所述预设的知识图谱有多个，所述多个知识图谱的各个节点配置有统一的节点标识。

8.根据权利要求5所述的方法，所述获取用户的历史异构行为图，以及利用预设的知识图谱确定所述历史异构行为图的知识表达，包括：

根据所述历史异构行为图中各节点的业务标识，从预设映射记录中查找所述历史行为图的知识标识后，利用所述历史行为图的知识标识从所述知识图谱中确定所述历史异构行为图的知识表达；其中，所述预设映射记录中记录有所述知识图谱中各个节点的知识标识与业务标识的对应关系；

所述获取当前用户所处场景的当前场景数据，以及利用所述知识图谱确定所述当前场景数据的知识表达，包括：

根据所述当前场景数据中各主体的业务标识，从所述预设映射记录中查找所述当前场景数据的知识标识后，利用所述当前场景数据的知识标识从所述知识图谱中确定所述当前场景数据的知识表达。

9.根据权利要求5所述的方法，所述对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中确定与所述当前场景匹配的历史交互行为后，确定与当前场景匹配的用户兴趣，包括：

对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中最外层节点向用户节点进行节点聚合，获得所述用户节点对应的多条路径的聚合结果；

对所述多条路径的聚合结果进行路径聚合，根据路径聚合结果获得与当前场景匹配的用户兴趣。

10.根据权利要求9所述的方法，所述对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中最外层节点向用户节点进行节点聚合，获得所述用户节点对应的多条路径的聚合结果，包括：

对比所述历史异构行为图中目标节点的知识表达，与所述当前场景数据中与所述目标节点相同类型的节点的知识表达的相似度；

根据所述相似度对比结果，从所述历史异构行为图中最外层节点向用户节点聚合，获得所述用户节点对应的多条路径的聚合结果，所述多条路径的聚合结果表征所述用户节点的不同场景下的兴趣表达；

所述对所述多条路径的聚合结果进行路径聚合，根据路径聚合结果获得与当前场景匹配的用户兴趣，包括：

从所述用户节点的不同场景下的兴趣表达中，确定与所述当前场景数据的知识表达中匹配的场景，将所述匹配的场景的兴趣表达确定为与当前场景匹配的用户兴趣。

11.根据权利要求10所述的方法，所述知识表达采用向量表示；

所述对比所述历史异构行为图中目标节点的知识表达，与所述当前场景数据中与所述目标节点相同类型的节点的知识表达的相似度，包括：

获取所述历史异构行为图中目标节点的知识表达对应的第一向量，以及获取所述当前场景数据中与所述目标节点相同类型的节点的知识表达的第二向量，计算所述第一向量与第二向量的相似度。

12.一种用户兴趣确定装置，包括：

行为图获取模块，用于：获取用户的历史异构行为图，以及利用预设的知识图谱确定所述历史异构行为图的知识表达；其中，所述历史异构行为图表征：所述用户在至少一个历史场景下与历史预测对象的至少一次历史交互行为；

场景数据获取模块，用于：获取当前用户所处场景的当前场景数据，以及利用所述知识图谱确定所述当前场景数据的知识表达；

兴趣确定模块，用于：对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中确定与所述当前场景匹配的历史交互行为后，确定与当前场景匹配的用户兴趣。

13.根据权利要求12所述的装置，所述装置应用于推荐系统，所述预设的知识图谱至少包括如下三个领域的知识图谱：用户、推荐对象以及场景；

所述当前场景数据至少包括：用户、待预测推荐对象以及场景。

14.根据权利要求12所述的装置，所述装置应用于搜索系统，所述预设的知识图谱至少包括如下四个领域的知识图谱：用户、搜索语句、搜索对象以及场景；

所述当前场景数据至少包括：用户、待预测搜索对象、搜索语句以及场景。

15.根据权利要求12所述的装置，所述用户兴趣用于：与待预测对象的其他特征组合，共同预测所述用户在当前场景下对所述待预测对象的交互概率。

16.根据权利要求12所述的装置，所述历史异构行为图中包括有用户节点和历史预测对象节点，所述用户节点为根节点，从所述用户节点至所述历史预测对象节点之间的元路径表征所述用户对所述历史预测对象节点之间的一次历史交互行为；每条所述元路径对应有该次历史交互行为的历史场景信息。

17.根据权利要求16所述的装置，所述装置应用于搜索系统，所述历史异构行为图中还包括搜索语句节点，所述搜索语句节点处于所述用户节点和历史预测对象节点之间。

18.根据权利要求12所述的装置，所述预设的知识图谱有多个，所述多个知识图谱的各个节点配置有统一的节点标识。

19.根据权利要求16所述的装置，所述行为图获取模块，具体用于：

根据所述历史异构行为图中各节点的业务标识，从预设映射记录中查找所述历史行为图的知识标识后，利用所述历史行为图的知识标识从所述知识图谱中确定所述历史异构行为图的知识表达；其中，所述预设映射记录中记录有所述知识图谱中各个节点的知识标识与业务标识的对应关系；

所述场景数据获取模块，具体用于：

根据所述当前场景数据中各主体的业务标识，从所述预设映射记录中查找所述当前场景数据的知识标识后，利用所述当前场景数据的知识标识从所述知识图谱中确定所述当前场景数据的知识表达。

20.根据权利要求16所述的装置，所述兴趣确定模块，具体用于：

对比所述历史异构行为图的知识表达与所述当前场景数据的知识表达，从所述历史异构行为图中最外层节点向用户节点进行节点聚合，获得所述用户节点对应的多条路径的聚合结果；

对所述多条路径的聚合结果进行路径聚合，根据路径聚合结果获得与当前场景匹配的用户兴趣。

21.根据权利要求20所述的装置，所述兴趣确定模块，具体用于：

对比所述历史异构行为图中目标节点的知识表达，与所述当前场景数据中与所述目标节点相同类型的节点的知识表达的相似度；

根据所述相似度对比结果，从所述历史异构行为图中最外层节点向用户节点聚合，获得所述用户节点对应的多条路径的聚合结果，所述多条路径的聚合结果表征所述用户节点的不同场景下的兴趣表达；

从所述用户节点的不同场景下的兴趣表达中，确定与所述当前场景数据的知识表达中匹配的场景，将所述匹配的场景的兴趣表达确定为与当前场景匹配的用户兴趣。

22.根据权利要求21所述的装置，所述知识表达采用向量表示；

所述兴趣确定模块，具体用于：

获取所述历史异构行为图中目标节点的知识表达对应的第一向量，以及获取所述当前场景数据中与所述目标节点相同类型的节点的知识表达的第二向量，计算所述第一向量与第二向量的相似度。

23.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至11任一所述的方法。

Images