CN111931076A - 基于有权有向图进行关系推荐的方法、装置和计算机设备 - Google Patents

基于有权有向图进行关系推荐的方法、装置和计算机设备 Download PDF

Info

Publication number
CN111931076A
CN111931076A CN202011004688.2A CN202011004688A CN111931076A CN 111931076 A CN111931076 A CN 111931076A CN 202011004688 A CN202011004688 A CN 202011004688A CN 111931076 A CN111931076 A CN 111931076A
Authority
CN
China
Prior art keywords
node
graph structure
relation
matrix
relationship
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011004688.2A
Other languages
English (en)
Other versions
CN111931076B (zh
Inventor
韩铃
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City 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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202011004688.2A priority Critical patent/CN111931076B/zh
Publication of CN111931076A publication Critical patent/CN111931076A/zh
Application granted granted Critical
Publication of CN111931076B publication Critical patent/CN111931076B/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
    • G06F16/90—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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F16/951—Indexing; Web crawling techniques
    • 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)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及人工智能技术领域，提供了一种基于有权有向图进行关系推荐的方法、装置、计算机设备和存储介质，包括：将用户、物品分别作为图结构的节点，用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，以构建图结构；基于所述图结构，针对每个节点，构建index索引关联的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵，将三组矩阵相乘得到特征矩阵，将所述特征矩阵与标签组成训练数据，训练图神经网络，使得图神经网络学习到更为细致的节点之间的关系特征，从而输出用户与用户、用户与物品、物品与物品之间具有关系的推荐列表，对于找出相似用户的商品推荐结果有着更高的准确性。

Description

基于有权有向图进行关系推荐的方法、装置和计算机设备
技术领域
本申请涉及人工智能技术领域，特别涉及一种基于有权有向图进行关系推荐的方法、装置、计算机设备和存储介质。
背景技术
目前各大互联网公司如BAT，拼多多，谷歌，微软等领头企业均使用协调过滤和DNN模型进行个性化推荐系统的构建。上述个性化推荐系统常见的技术路线是协同过滤和DNN网络，效果一般，即使经过多特征融合与多次迭代，模型也难以准确体现出用户与用户或者物品之间的关系特征。
发明内容
本申请的主要目的为提供一种基于有权有向图进行关系推荐的方法、装置、计算机设备和存储介质，旨在克服目前难以准确提取关系特征的缺陷。
为实现上述目的，本申请提供了一种基于有权有向图进行关系推荐的方法，包括以下步骤：
将用户、物品分别作为图结构的节点，用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，以构建图结构；其中，所述图结构的边携带有关系方向以及权重信息；
基于所述图结构，针对每个节点，构建index索引关联的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵；其中，index索引相同的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵相互关联；
将具有index关联的所述关系节点连接矩阵与所述节点边关系矩阵相乘之后，再与所述关系权重矩阵相乘得到特征矩阵；将所述图结构的边分别对应的关系信息作为标签，将所述特征矩阵与所述标签组成训练数据；
将所述训练数据输入至图神经网络中进行图卷积核的多次卷积和迭代训练，得到推荐模型；
基于所述推荐模型，输出用户与用户、用户与物品、物品与物品之间具有关系的推荐列表。
进一步地，所述基于所述图结构，针对每个节点，构建index索引关联的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵的步骤，包括：
针对所述图结构中的每个节点，创建一个index索引；
针对所述图结构中的每个节点，以所述节点为起始点，按照所述图结构的边的方向，获取所述节点所指向的下一级节点作为第一级链接节点；若第一级链接节点具有指向的下一级节点，则将其指向的下一级节点作为第二级链接节点，以此获取与所述节点链接的所有链接节点；将所述节点以及所有与所述节点链接的链接节点组成所述关系节点连接矩阵，并将所述关系节点连接矩阵与所述index索引进行关联；
针对所述图结构中的每个节点，依次获取所述节点与对应链接的链接节点的边关系，构成所述节点边关系矩阵，并将所述节点边关系矩阵与所述index索引进行关联；
针对所述图结构中的每个节点，依次获取所述节点与对应的链接节点的边关系的权重信息，构成所述关系权重矩阵，并将所述关系权重矩阵与所述index索引进行关联。
进一步地，所述图神经网络的损失函数为：
Figure 154885DEST_PATH_IMAGE001
；
其中，
Figure 736039DEST_PATH_IMAGE002
为已标注的标签结果，
Figure DEST_PATH_IMAGE003
为图神经网络的输出结果，i为节点，P为输出结果的概率。
进一步地，所述将用户、物品分别作为图结构的节点，用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，以构建图结构的步骤之后，包括：
获取管理终端的终端属性，并根据所述终端属性生成一个存储编码；其中，所述管理终端为请求调用图结构数据的终端；
基于所述图结构中的用户、物品生成唯一令牌以及一个随机令牌；
将所述图结构存储于数据库中，在所述数据库中建立所述存储编码与所述唯一令牌以及随机令牌的映射表，并将所述图结构标记为未调用状态；其中，所述数据库中的图结构被所述管理终端每调用一次后，则将所述图结构标记为已调用状态；
将所述映射表发送至管理终端。
进一步地，所述将所述映射表发送至管理终端的步骤之后，包括：
接收到所述管理终端调用图结构的指令时，解析所述指令中携带的第一映射表，以解析出所述第一映射表中的存储编码、唯一令牌以及随机令牌；
基于所述存储编码以及所述唯一令牌在所述数据库中查询对应的第二映射表，并解析出所述第二映射表中存储的随机令牌；
判断所述第二映射表中存储的随机令牌与所述第一映射表中存储的随机令牌是否一致；
若一致，则检测所述图结构是否为未调用状态，若为未调用状态，则调用所述数据库中的图结构发送至所述管理终端，并将所述图结构标记为已调用状态；若为已调用状态，则禁止调用所述数据库中的图结构发送至所述管理终端，并反馈响应信息至所述管理终端；
若不一致，则验证所述管理终端的终端属性是否满足预设条件，若满足预设条件，则更新所述第二映射表中的所述随机令牌，将所述图结构标记为未调用状态，并将更新后的所述第二映射表发送至所述管理终端，以供所述管理终端重新发出调用图结构的指令。
进一步地，所述方法还包括：
将所述推荐模型、图结构存储至区块链中。
本申请还提供了一种基于有权有向图进行关系推荐的装置，包括：
第一构建单元，用于将用户、物品分别作为图结构的节点，用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，以构建图结构；其中，所述图结构的边携带有关系方向以及权重信息；
第二构建单元，用于基于所述图结构，针对每个节点，构建index索引关联的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵；其中，index索引相同的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵相互关联；
组合单元，用于将具有index关联的所述关系节点连接矩阵与所述节点边关系矩阵相乘之后，再与所述关系权重矩阵相乘得到特征矩阵；将所述图结构的边分别对应的关系信息作为标签，将所述特征矩阵与所述标签组成训练数据；
训练单元，用于将所述训练数据输入至图神经网络中进行图卷积核的多次卷积和迭代训练，得到推荐模型；
输出单元，用于基于所述推荐模型，输出用户与用户、用户与物品、物品与物品之间具有关系的推荐列表。
进一步地，所述第二构建单元，具体用于：
针对所述图结构中的每个节点，创建一个index索引；
针对所述图结构中的每个节点，以所述节点为起始点，按照所述图结构的边的方向，获取所述节点所指向的下一级节点作为第一级链接节点；若第一级链接节点具有指向的下一级节点，则将其指向的下一级节点作为第二级链接节点，以此获取与所述节点链接的所有链接节点；将所述节点以及所有与所述节点链接的链接节点组成所述关系节点连接矩阵，并将所述关系节点连接矩阵与所述index索引进行关联；
针对所述图结构中的每个节点，依次获取所述节点与对应链接的链接节点的边关系，构成所述节点边关系矩阵，并将所述节点边关系矩阵与所述index索引进行关联；
针对所述图结构中的每个节点，依次获取所述节点与对应的链接节点的边关系的权重信息，构成所述关系权重矩阵，并将所述关系权重矩阵与所述index索引进行关联。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请提供的基于有权有向图进行关系推荐的方法、装置、计算机设备和存储介质，将用户、物品分别作为图结构的节点，用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，以构建图结构；基于图结构得到三组矩阵，并相乘得到特征矩阵，将所述特征矩阵与标签组成训练数据，训练图神经网络，使得图神经网络学习到更为细致的节点之间的关系特征，从而输出用户与用户、用户与物品、物品与物品之间具有关系的推荐列表，对于找出相似用户的商品推荐结果有着更高的准确性。
附图说明
图1 是本申请一实施例中基于有权有向图进行关系推荐的方法步骤示意图；
图2是本申请一实施例中基于有权有向图进行关系推荐的装置结构框图；
图3 为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请一实施例中提供了一种基于有权有向图进行关系推荐的方法，包括以下步骤：
步骤S1，将用户、物品分别作为图结构的节点，用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，以构建图结构；其中，所述图结构的边携带有关系方向以及权重信息；
步骤S2，基于所述图结构，针对每个节点，构建index索引关联的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵；其中，index索引相同的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵相互关联；
步骤S3，将具有index关联的所述关系节点连接矩阵与所述节点边关系矩阵相乘之后，再与所述关系权重矩阵相乘得到特征矩阵；将所述图结构的边分别对应的关系信息作为标签，将所述特征矩阵与所述标签组成训练数据；
步骤S4，将所述训练数据输入至图神经网络中进行图卷积核的多次卷积和迭代训练，得到推荐模型；
步骤S5，基于所述推荐模型，输出用户与用户、用户与物品、物品与物品之间具有关系的推荐列表。
在本实施例中，上述方法应用于提取用户与用户、用户与物品、物品与物品之间关系的场景中。使用图神经网络学习到更为细致的节点之间的关系特征，对找出相似用户的商品推荐结果有着更高的准确性。上述方法还可应用于智慧城市领域中，以推动智慧城市的建设。
如上述步骤S1所述的，将用户与用户之间，用户与物品之间，物品与物品之间的图关系形成结构体，并且这种结构体包含了节点之间的连接方向和关系权重。
具体地，分别将用户、物品作为图结构的节点，例如节点可以表示为V0，V1，V2等；将用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，其中图结构的边上携带有关系方向（如箭头方向）以及权重信息（如边上记载的数字等）。上述图结构每个节点可以有多条边，每条边代表连接两个节点的关系方向。
如上述步骤S2-S3所述的，在本实施例中，针对每个节点，形成三组矩阵，分别为上述关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵；通过上述三组矩阵，可以把整张非结构化关系的图结构数据转化为结构化的数据，方便后续进行模型训练。在训练时，采用已知数据进行训练，因此需要将上述三组矩阵相乘得到的特征矩阵与对应的标签进行组合，从而得到训练数据。
如上述步骤S4-S5所述的，在本实施例中，上述推荐模型借用了有向有权图结构的特性，可以将带有指向性和权重的边的关系特征喂入图神经网络作为训练数据，所以该图神经网络可以学习到更为细致的用户与用户之间的关系特征，对于找出相似用户的商品推荐结果有着更高的准确性。
在本实施例中，上述推荐模型借用了有向有权图结构的特性，可以学习到更为细致的用户与用户之间的关系特征，便于输出精准的相似关系的推荐列表。
具体地，在此图神经网络训练过程中，图结构的每个节点v都可以用其特征矩阵
Figure 946572DEST_PATH_IMAGE004
表示，并且与已标记的标签
Figure 613177DEST_PATH_IMAGE005
相关联。给定部分标记的图结构G，目标是利用图结构中标记的节点来预测未标记的节点标签。通过学习得到每个节点的d维向量（状态）表示为
Figure 629674DEST_PATH_IMAGE007
，同时包含其相邻节点的信息。表达公式如下。
Figure 62405DEST_PATH_IMAGE008
；
其中，
Figure 568473DEST_PATH_IMAGE009
代表连接节点v的边的特征；
Figure 191215DEST_PATH_IMAGE010
代表节点v的邻居节点的嵌入表示；
Figure 11404DEST_PATH_IMAGE011
代表节点v的邻居节点特征。
f是将输入投影到d维空间的转移函数，由于要求出
Figure 301571DEST_PATH_IMAGE012
的唯一解，应用Banach不动点理论重写上述方程进行迭代更新。
H和X分别表示所有h和x的连接，通过将状态
Figure 181802DEST_PATH_IMAGE013
以及特征
Figure 557420DEST_PATH_IMAGE014
传递给输出函数g来计算GNN的输出如下：
Figure 181299DEST_PATH_IMAGE015
。
在一实施例中，所述基于所述图结构，针对每个节点，构建index索引关联的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵的步骤S2，包括：
针对所述图结构中的每个节点，创建一个index索引；
针对所述图结构中的每个节点，以所述节点为起始点，按照所述图结构的边的方向，获取所述节点所指向的下一级节点作为第一级链接节点；若第一级链接节点具有指向的下一级节点，则将其指向的下一级节点作为第二级链接节点，以此获取与所述节点链接的所有链接节点；将所述节点以及所有与所述节点链接的链接节点组成所述关系节点连接矩阵，并将所述关系节点连接矩阵与所述index索引进行关联；
针对所述图结构中的每个节点，依次获取所述节点与对应链接的链接节点的边关系，构成所述节点边关系矩阵，并将所述节点边关系矩阵与所述index索引进行关联；
针对所述图结构中的每个节点，依次获取所述节点与对应的链接节点的边关系的权重信息，构成所述关系权重矩阵，并将所述关系权重矩阵与所述index索引进行关联。
在本实施例中，关系节点连接矩阵，由节点名称，index索引构成。在一实施例中，上述关系节点连接矩阵如下表所示：
关系节点连接矩阵
Figure 797744DEST_PATH_IMAGE016
上述节点边关系矩阵，由index索引，边关系编号（图结构中箭头上方的数字）组成。在一实施例中，上述节点边关系矩阵表示为：
节点边关系矩阵
Figure 317718DEST_PATH_IMAGE017
上述关系权重矩阵，是两节点间的权重矩阵，也可以理解为边的权重矩阵，该矩阵是根据不同的业务场景计算出来。可以理解的是，如果上述有向图（图结构）表达的是用户购物关系网，则用户是节点，用户间的购物事件可以理解为边，边可以表示为购物，退货，换货等购物关系，而权重则可以理解为该关系在整个购物事件的影响力，比如大客户的权重高，小客户的权重低。权重可以通过购物数据分析得出，也可以根据经验人工设定，在此不作限定。
在一实施例中，上述关系权重矩阵表示为：
关系权重矩阵
Figure 180632DEST_PATH_IMAGE018
在本实施例中，所述图神经网络的损失函数为：
Figure 342623DEST_PATH_IMAGE019
；
其中，
Figure 138540DEST_PATH_IMAGE020
为已标注的标签结果，
Figure 360574DEST_PATH_IMAGE021
为图神经网络的输出结果，i为节点，P为输出结果的概率。
在一实施例中，所述将用户、物品分别作为图结构的节点，用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，以构建图结构的步骤S1之后，包括：
步骤S11，获取管理终端的终端属性，并根据所述终端属性生成一个存储编码；其中，所述管理终端为请求调用图结构数据的终端；
步骤S12，基于所述图结构中的用户、物品生成唯一令牌以及一个随机令牌；
步骤S13，将所述图结构存储于数据库中，在所述数据库中建立所述存储编码与所述唯一令牌以及随机令牌的映射表，并将所述图结构标记为未调用状态；其中，所述数据库中的图结构被所述管理终端每调用一次后，则将所述图结构标记为已调用状态；
步骤S14，将所述映射表发送至管理终端。
在本实施例中，管理终端通常为企业内部调用上述图结构的终端设备，为了给予该管理终端相应的调用权限，因此可以获取所述管理终端的终端属性，并根据所述终端属性生成一个存储编码，该存储编码则作为后续管理终端请求调用图结构的标识。上述唯一令牌为一个不变的字符，其用于与上述终端属性进行绑定；上述随机令牌只能被使用一次，在使用之后则进行更新。
在上述数据库中建立所述存储编码与所述唯一令牌以及随机令牌的映射表，并将所述图结构标记为未调用状态；在上述存储编码与所述唯一令牌以及随机令牌的映射表发送至管理终端之后，当管理终端使用上述映射表调用上述图结构之后，则将图结构标记为已调用状态，此时，管理终端则无法继续使用上述映射表再次调用上述图结构，使得管理终端在获取到一次权限时，只能调用图结构一次，避免了其它终端截取到上述管理终端上的映射表，从而窃取图结构，保障了信息安全。
在一实施例中，所述将所述映射表发送至管理终端的步骤14之后，包括：
步骤S15，接收到所述管理终端调用图结构的指令时，解析所述指令中携带的第一映射表，以解析出所述第一映射表中的存储编码、唯一令牌以及随机令牌；上述第一映射表即是从上述数据库发送管理终端的映射表。
步骤S16，基于所述存储编码以及所述唯一令牌在所述数据库中查询对应的第二映射表，并解析出所述第二映射表中存储的随机令牌；
步骤S17，判断所述第二映射表中存储的随机令牌与所述第一映射表中存储的随机令牌是否一致；
步骤S180，若一致，则检测所述图结构是否为未调用状态，若为未调用状态，则调用所述数据库中的图结构发送至所述管理终端，并将所述图结构标记为已调用状态；若为已调用状态，则禁止调用所述数据库中的图结构发送至所述管理终端，并反馈响应信息至所述管理终端；
在本实施例中，若所述第二映射表中存储的随机令牌与所述第一映射表中存储的随机令牌一致，则表明此时管理终端具有调用图结构的权限，此时需要判断图结构是否被调用过，则需要检测所述图结构是否为未调用状态，若是，则可以调用所述数据库中的图结构发送至所述管理终端。若为已调用状态，则表明该图结构已经被调用过一次，不可继续再调用。此时，将反馈响应信息至所述管理终端，管理终端需要重新获取权限，以获取上述图结构。优选地，此时，可以更新上述第二映射表中存储的随机令牌，并将上述图结构标记为未调用状态。
步骤S181，若不一致，则验证所述管理终端的终端属性是否满足预设条件，若满足预设条件，则更新所述第二映射表中的所述随机令牌，将所述图结构标记为未调用状态，并将更新后的所述第二映射表发送至所述管理终端，以供所述管理终端重新发出调用图结构的指令。
在本实施例中，若所述第二映射表中存储的随机令牌与所述第一映射表中存储的随机令牌不一致，则表明该管理终端还未获取到调用权限，此时，需要验证所述管理终端的终端属性是否满足预设条件，若满足预设条件，则更新所述第二映射表中的所述随机令牌，将所述图结构标记为未调用状态，并将更新后的所述第二映射表发送至所述管理终端；管理终端接收到更新后的第二映射表，则重新发出调用请求，以调用上述图结构。在调用之后，则将上述图结构标记为已调用状态，避免再次使用上述更新后的第二映射表调用上述图结构。
在一实施例中，所述方法还包括：
将所述推荐模型、图结构存储至区块链中。其中，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。
参照图2，本申请一实施例中还提供了一种基于有权有向图进行关系推荐的装置，包括：
第一构建单元10，用于将用户、物品分别作为图结构的节点，用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，以构建图结构；其中，所述图结构的边携带有关系方向以及权重信息；
第二构建单元20，用于基于所述图结构，针对每个节点，构建index索引关联的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵；其中，index索引相同的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵相互关联；
组合单元30，用于将具有index关联的所述关系节点连接矩阵与所述节点边关系矩阵相乘之后，再与所述关系权重矩阵相乘得到特征矩阵；将所述图结构的边分别对应的关系信息作为标签，将所述特征矩阵与所述标签组成训练数据；
训练单元40，用于将所述训练数据输入至图神经网络中进行图卷积核的多次卷积和迭代训练，得到推荐模型；
输出单元50，用于基于所述推荐模型，输出用户与用户、用户与物品、物品与物品之间具有关系的推荐列表。
在一实施例中，所述第二构建单元20，具体用于：
针对所述图结构中的每个节点，创建一个index索引；
针对所述图结构中的每个节点，以所述节点为起始点，按照所述图结构的边的方向，获取所述节点所指向的下一级节点作为第一级链接节点；若第一级链接节点具有指向的下一级节点，则将其指向的下一级节点作为第二级链接节点，以此获取与所述节点链接的所有链接节点；将所述节点以及所有与所述节点链接的链接节点组成所述关系节点连接矩阵，并将所述关系节点连接矩阵与所述index索引进行关联；
针对所述图结构中的每个节点，依次获取所述节点与对应链接的链接节点的边关系，构成所述节点边关系矩阵，并将所述节点边关系矩阵与所述index索引进行关联；
针对所述图结构中的每个节点，依次获取所述节点与对应的链接节点的边关系的权重信息，构成所述关系权重矩阵，并将所述关系权重矩阵与所述index索引进行关联。
在一实施例中，所述图神经网络的损失函数为：
Figure 710784DEST_PATH_IMAGE022
；
其中，
Figure 676466DEST_PATH_IMAGE023
为已标注的标签结果，
Figure 792802DEST_PATH_IMAGE024
为图神经网络的输出结果，i为节点，P为输出结果的概率。
在一实施例中，所述装置还包括：
获取单元，用于获取所述管理终端的终端属性，并根据所述终端属性生成一个存储编码；其中，所述管理终端为请求调用图结构数据的终端；
生成单元，用于基于所述图结构中的用户、物品生成唯一令牌以及一个随机令牌；
存储单元，用于将所述图结构存储于数据库中，在所述数据库中建立所述存储编码与所述唯一令牌以及随机令牌的映射表，并将所述图结构标记为未调用状态；其中，所述数据库中的图结构被所述管理终端每调用一次后，则将所述图结构标记为已调用状态；
发送单元，用于将所述映射表发送至管理终端。
在一实施例中，所述装置还包括：
接收单元，用于接收到管理终端调用图结构的指令时，解析所述指令中携带的第一映射表，以解析出所述第一映射表中的存储编码、唯一令牌以及随机令牌；
查询单元，用于基于所述存储编码以及所述唯一令牌在所述数据库中查询对应的第二映射表，并解析出所述第二映射表中存储的随机令牌；
判断单元，用于判断所述第二映射表中存储的随机令牌与所述第一映射表中存储的随机令牌是否一致；
第一处理单元，用于所述第二映射表中存储的随机令牌与所述第一映射表中存储的随机令牌一致，则检测所述图结构是否为未调用状态，若为未调用状态，则调用所述数据库中的图结构发送至所述管理终端，并将所述图结构标记为已调用状态；若为已调用状态，则禁止调用所述数据库中的图结构发送至所述管理终端，并反馈响应信息至所述管理终端；
第二处理单元，用于所述第二映射表中存储的随机令牌与所述第一映射表中存储的随机令牌不一致，则验证所述管理终端的终端属性是否满足预设条件，若满足预设条件，则更新所述第二映射表中的所述随机令牌，将所述图结构标记为未调用状态，并将更新后的所述第二映射表发送至所述管理终端，以供所述管理终端重新发出调用图结构的指令。
在一实施例中，所述装置还包括：
数据存储单元，用于将所述推荐模型、图结构存储至区块链中。其中，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。
在本实施例中，上述实施例中各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图结构、推荐模型等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于有权有向图进行关系推荐的方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于有权有向图进行关系推荐的方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，为本申请实施例中提供的基于有权有向图进行关系推荐的方法、装置、计算机设备和存储介质，将用户、物品分别作为图结构的节点，用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，以构建图结构；基于图结构得到三组矩阵，并相乘得到特征矩阵，将所述特征矩阵与标签组成训练数据，训练图神经网络，使得图神经网络学习到更为细致的节点之间的关系特征，从而输出用户与用户、用户与物品、物品与物品之间具有关系的推荐列表，对于找出相似用户的商品推荐结果有着更高的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于有权有向图进行关系推荐的方法，其特征在于，包括以下步骤：
将用户、物品分别作为图结构的节点，用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，以构建图结构；其中，所述图结构的边携带有关系方向以及权重信息；
基于所述图结构，针对每个节点，构建index索引关联的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵；其中，index索引相同的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵相互关联；
将具有index关联的所述关系节点连接矩阵与所述节点边关系矩阵相乘之后，再与所述关系权重矩阵相乘得到特征矩阵；将所述图结构的边分别对应的关系信息作为标签，将所述特征矩阵与所述标签组成训练数据；
将所述训练数据输入至图神经网络中进行图卷积核的多次卷积和迭代训练，得到推荐模型；
基于所述推荐模型，输出用户与用户、用户与物品、物品与物品之间具有关系的推荐列表。
2.根据权利要求1所述的基于有权有向图进行关系推荐的方法，其特征在于，所述基于所述图结构，针对每个节点，构建index索引关联的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵的步骤，包括：
针对所述图结构中的每个节点，创建一个index索引；
针对所述图结构中的每个节点，以所述节点为起始点，按照所述图结构的边的方向，获取所述节点所指向的下一级节点作为第一级链接节点；若第一级链接节点具有指向的下一级节点，则将其指向的下一级节点作为第二级链接节点，以此获取与所述节点链接的所有链接节点；将所述节点以及所有与所述节点链接的链接节点组成所述关系节点连接矩阵，并将所述关系节点连接矩阵与所述index索引进行关联；
针对所述图结构中的每个节点，依次获取所述节点与对应链接的链接节点的边关系，构成所述节点边关系矩阵，并将所述节点边关系矩阵与所述index索引进行关联；
针对所述图结构中的每个节点，依次获取所述节点与对应的链接节点的边关系的权重信息，构成所述关系权重矩阵，并将所述关系权重矩阵与所述index索引进行关联。
3.根据权利要求1所述的基于有权有向图进行关系推荐的方法，其特征在于，所述图神经网络的损失函数为：
Figure 173916DEST_PATH_IMAGE002
；
其中，
Figure 169685DEST_PATH_IMAGE004
为已标注的标签结果，
Figure 152685DEST_PATH_IMAGE006
为图神经网络的输出结果，i为节点，P为输出结果的概率。
4.根据权利要求1所述的基于有权有向图进行关系推荐的方法，其特征在于，所述将用户、物品分别作为图结构的节点，用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，以构建图结构的步骤之后，包括：
获取管理终端的终端属性，并根据所述终端属性生成一个存储编码；其中，所述管理终端为请求调用图结构数据的终端；
基于所述图结构中的用户、物品生成唯一令牌以及一个随机令牌；
将所述图结构存储于数据库中，在所述数据库中建立所述存储编码与所述唯一令牌以及随机令牌的映射表，并将所述图结构标记为未调用状态；其中，所述数据库中的图结构被所述管理终端每调用一次后，则将所述图结构标记为已调用状态；
将所述映射表发送至管理终端。
5.根据权利要求4所述的基于有权有向图进行关系推荐的方法，其特征在于，所述将所述映射表发送至管理终端的步骤之后，包括：
接收到所述管理终端调用图结构的指令时，解析所述指令中携带的第一映射表，以解析出所述第一映射表中的存储编码、唯一令牌以及随机令牌；
基于所述存储编码以及所述唯一令牌在所述数据库中查询对应的第二映射表，并解析出所述第二映射表中存储的随机令牌；
判断所述第二映射表中存储的随机令牌与所述第一映射表中存储的随机令牌是否一致；
若一致，则检测所述图结构是否为未调用状态，若为未调用状态，则调用所述数据库中的图结构发送至所述管理终端，并将所述图结构标记为已调用状态；若为已调用状态，则禁止调用所述数据库中的图结构发送至所述管理终端，并反馈响应信息至所述管理终端；
若不一致，则验证所述管理终端的终端属性是否满足预设条件，若满足预设条件，则更新所述第二映射表中的所述随机令牌，将所述图结构标记为未调用状态，并将更新后的所述第二映射表发送至所述管理终端，以供所述管理终端重新发出调用图结构的指令。
6.根据权利要求1所述的基于有权有向图进行关系推荐的方法，其特征在于，所述方法还包括：
将所述推荐模型、图结构存储至区块链中。
7.一种基于有权有向图进行关系推荐的装置，其特征在于，包括：
第一构建单元，用于将用户、物品分别作为图结构的节点，用户与用户之间的关系、用户与物品之间的关系以及用户与物品之间的关系作为图结构的边，以构建图结构；其中，所述图结构的边携带有关系方向以及权重信息；
第二构建单元，用于基于所述图结构，针对每个节点，构建index索引关联的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵；其中，index索引相同的关系节点连接矩阵、节点边关系矩阵以及关系权重矩阵相互关联；
组合单元，用于将具有index关联的所述关系节点连接矩阵与所述节点边关系矩阵相乘之后，再与所述关系权重矩阵相乘得到特征矩阵；将所述图结构的边分别对应的关系信息作为标签，将所述特征矩阵与所述标签组成训练数据；
训练单元，用于将所述训练数据输入至图神经网络中进行图卷积核的多次卷积和迭代训练，得到推荐模型；
输出单元，用于基于所述推荐模型，输出用户与用户、用户与物品、物品与物品之间具有关系的推荐列表。
8.根据权利要求7所述的基于有权有向图进行关系推荐的装置，其特征在于，所述第二构建单元，具体用于：
针对所述图结构中的每个节点，创建一个index索引；
针对所述图结构中的每个节点，以所述节点为起始点，按照所述图结构的边的方向，获取所述节点所指向的下一级节点作为第一级链接节点；若第一级链接节点具有指向的下一级节点，则将其指向的下一级节点作为第二级链接节点，以此获取与所述节点链接的所有链接节点；将所述节点以及所有与所述节点链接的链接节点组成所述关系节点连接矩阵，并将所述关系节点连接矩阵与所述index索引进行关联；
针对所述图结构中的每个节点，依次获取所述节点与对应链接的链接节点的边关系，构成所述节点边关系矩阵，并将所述节点边关系矩阵与所述index索引进行关联；
针对所述图结构中的每个节点，依次获取所述节点与对应的链接节点的边关系的权重信息，构成所述关系权重矩阵，并将所述关系权重矩阵与所述index索引进行关联。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，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6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，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6中任一项所述的方法的步骤。
CN202011004688.2A 2020-09-22 2020-09-22 基于有权有向图进行关系推荐的方法、装置和计算机设备 Active CN111931076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011004688.2A CN111931076B (zh) 2020-09-22 2020-09-22 基于有权有向图进行关系推荐的方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011004688.2A CN111931076B (zh) 2020-09-22 2020-09-22 基于有权有向图进行关系推荐的方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN111931076A true CN111931076A (zh) 2020-11-13
CN111931076B CN111931076B (zh) 2021-02-09

Family

ID=73334000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011004688.2A Active CN111931076B (zh) 2020-09-22 2020-09-22 基于有权有向图进行关系推荐的方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN111931076B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112380417A (zh) * 2020-12-01 2021-02-19 厦门市美亚柏科信息股份有限公司 一种基于标签与图的网页推荐方法、终端设备及存储介质
CN112464042A (zh) * 2020-11-25 2021-03-09 平安科技（深圳）有限公司 根据关系图卷积网络的任务标签生成方法及相关装置
CN112650944A (zh) * 2020-12-29 2021-04-13 哈尔滨理工大学 一种基于高阶连接图的协同过滤推荐算法
CN112948694A (zh) * 2021-03-31 2021-06-11 北京奇艺世纪科技有限公司 数据处理方法、装置、电子设备及可读存储介质
CN113269616A (zh) * 2021-06-03 2021-08-17 北京睿芯高通量科技有限公司 一种面向图神经网络的多层购物推荐方法
WO2022111385A1 (zh) * 2020-11-30 2022-06-02 腾讯科技（深圳）有限公司 基于图神经网络的临床组学数据处理方法、装置、设备及介质
WO2022169480A1 (en) * 2021-02-05 2022-08-11 Visa International Service Association Structured graph convolutional networks with stochastic masks for network embeddings
CN117575744A (zh) * 2024-01-15 2024-02-20 成都帆点创想科技有限公司 一种基于用户关联关系的物品推荐方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017165363A1 (en) * 2016-03-21 2017-09-28 The Procter & Gamble Company Systems and methods for providing customized product recommendations
CN108536856A (zh) * 2018-04-17 2018-09-14 重庆邮电大学 基于双边网络结构的混合协同过滤电影推荐模型
CN108874914A (zh) * 2018-05-29 2018-11-23 吉林大学 一种基于图卷积与神经协同过滤的信息推荐方法
CN109299373A (zh) * 2018-10-20 2019-02-01 上海交通大学 基于图卷积技术的推荐系统
WO2019074545A1 (en) * 2017-10-13 2019-04-18 iHealthScreen Inc. IMAGE-BASED SCREENING SYSTEM FOR PREDICTING AN INDIVIDUAL TO HAVE THE RISK OF AGE-RELATED MACULAR DEGENERATION (AMD)
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
CN110321484A (zh) * 2019-06-18 2019-10-11 中国平安财产保险股份有限公司 一种产品推荐方法及装置
CN110674407A (zh) * 2019-09-30 2020-01-10 杭州电子科技大学 基于图卷积神经网络的混合推荐方法
CN111667067A (zh) * 2020-05-28 2020-09-15 平安医疗健康管理股份有限公司 基于图神经网络的推荐方法、装置和计算机设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017165363A1 (en) * 2016-03-21 2017-09-28 The Procter & Gamble Company Systems and methods for providing customized product recommendations
WO2019074545A1 (en) * 2017-10-13 2019-04-18 iHealthScreen Inc. IMAGE-BASED SCREENING SYSTEM FOR PREDICTING AN INDIVIDUAL TO HAVE THE RISK OF AGE-RELATED MACULAR DEGENERATION (AMD)
CN108536856A (zh) * 2018-04-17 2018-09-14 重庆邮电大学 基于双边网络结构的混合协同过滤电影推荐模型
CN108874914A (zh) * 2018-05-29 2018-11-23 吉林大学 一种基于图卷积与神经协同过滤的信息推荐方法
CN109299373A (zh) * 2018-10-20 2019-02-01 上海交通大学 基于图卷积技术的推荐系统
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
CN110321484A (zh) * 2019-06-18 2019-10-11 中国平安财产保险股份有限公司 一种产品推荐方法及装置
CN110674407A (zh) * 2019-09-30 2020-01-10 杭州电子科技大学 基于图卷积神经网络的混合推荐方法
CN111667067A (zh) * 2020-05-28 2020-09-15 平安医疗健康管理股份有限公司 基于图神经网络的推荐方法、装置和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐冰冰等: "图卷积神经网络综述", 《计算机学报》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021213156A1 (zh) * 2020-11-25 2021-10-28 平安科技（深圳）有限公司 根据关系图卷积网络的任务标签生成方法及相关装置
CN112464042A (zh) * 2020-11-25 2021-03-09 平安科技（深圳）有限公司 根据关系图卷积网络的任务标签生成方法及相关装置
CN112464042B (zh) * 2020-11-25 2023-07-28 平安科技（深圳）有限公司 根据关系图卷积网络的任务标签生成方法及相关装置
WO2022111385A1 (zh) * 2020-11-30 2022-06-02 腾讯科技（深圳）有限公司 基于图神经网络的临床组学数据处理方法、装置、设备及介质
CN112380417A (zh) * 2020-12-01 2021-02-19 厦门市美亚柏科信息股份有限公司 一种基于标签与图的网页推荐方法、终端设备及存储介质
CN112650944A (zh) * 2020-12-29 2021-04-13 哈尔滨理工大学 一种基于高阶连接图的协同过滤推荐算法
WO2022169480A1 (en) * 2021-02-05 2022-08-11 Visa International Service Association Structured graph convolutional networks with stochastic masks for network embeddings
US11966832B2 (en) 2021-02-05 2024-04-23 Visa International Service Association Structured graph convolutional networks with stochastic masks for network embeddings
CN112948694A (zh) * 2021-03-31 2021-06-11 北京奇艺世纪科技有限公司 数据处理方法、装置、电子设备及可读存储介质
CN112948694B (zh) * 2021-03-31 2023-06-27 北京奇艺世纪科技有限公司 数据处理方法、装置、电子设备及可读存储介质
CN113269616A (zh) * 2021-06-03 2021-08-17 北京睿芯高通量科技有限公司 一种面向图神经网络的多层购物推荐方法
CN113269616B (zh) * 2021-06-03 2023-10-27 北京睿芯高通量科技有限公司 一种面向图神经网络的多层购物推荐方法
CN117575744A (zh) * 2024-01-15 2024-02-20 成都帆点创想科技有限公司 一种基于用户关联关系的物品推荐方法及系统
CN117575744B (zh) * 2024-01-15 2024-03-26 成都帆点创想科技有限公司 一种基于用户关联关系的物品推荐方法及系统

Also Published As

Publication number Publication date
CN111931076B (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN111931076B (zh) 基于有权有向图进行关系推荐的方法、装置和计算机设备
CN112131471B (zh) 基于无权无向图进行关系推荐的方法、装置、设备及介质
CN111008335B (zh) 一种信息处理方法、装置、设备及存储介质
CN108701309A (zh) 一种用于电子商务交易安全的分布式用户简档身份验证系统
CN107852412A (zh) 用于网络钓鱼和品牌保护的系统和方法
CN110598118A (zh) 资源对象的推荐方法、装置及计算机可读介质
CN115668194A (zh) 分区的防篡改数据存储装置中的跨分区调用
US11128479B2 (en) Method and apparatus for verification of social media information
CN110704418A (zh) 区块链信息查询方法、装置和设备
CN110837653A (zh) 标签预测方法、装置以及计算机可读存储介质
US20240176910A1 (en) Systems and methods to maintain user privacy while providing recommendations
Kumar et al. An information theoretic approach for feature selection
CN110659394A (zh) 基于双向邻近度的推荐方法
CN110442764B (zh) 基于数据爬取的合约生成方法、装置和计算机设备
CN114580794A (zh) 数据处理方法、装置、程序产品、计算机设备和介质
CN113779380B (zh) 跨域推荐、内容推荐方法、装置及设备
CN113726545B (zh) 基于知识增强生成对抗网络的网络流量生成方法及装置
CN113704805A (zh) 一种风控规则匹配方法、装置及电子设备
CN112102015B (zh) 物品推荐方法、元网络处理方法、装置、存储介质和设备
CN114021175B (zh) 用户画像的配置方法、装置、计算机设备及介质
CN113271319B (zh) 一种基于区块链的通讯数据加密方法及系统
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN115222112A (zh) 一种行为预测方法、行为预测模型的生成方法及电子设备
CN115114519A (zh) 基于人工智能的推荐方法、装置、电子设备及存储介质
CN114692012A (zh) 一种基于Bert的神经协同过滤的电子政务推荐方法

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