CN112035683A - 用户交互信息处理模型生成方法和用户交互信息处理方法 - Google Patents
用户交互信息处理模型生成方法和用户交互信息处理方法 Download PDFInfo
- Publication number
- CN112035683A CN112035683A CN202011062251.4A CN202011062251A CN112035683A CN 112035683 A CN112035683 A CN 112035683A CN 202011062251 A CN202011062251 A CN 202011062251A CN 112035683 A CN112035683 A CN 112035683A
- Authority
- CN
- China
- Prior art keywords
- users
- user interaction
- node
- information processing
- interaction information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 89
- 230000010365 information processing Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 239000010410 layer Substances 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000002356 single layer Substances 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims description 19
- 230000002452 interceptive effect Effects 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
- G06N3/105—Shells for specifying net layout
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
- H04L67/306—User profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种用户交互信息处理模型生成方法和用户交互信息处理方法,涉及图神经网络技术领域,具体涉及用户交互信息处理技术。该方法包括:通过迭代方式确定图神经网络中各层网络节点的节点表征,其中单层节点的节点表征由所述单层节点的邻居节点的表征得到;将所述各层网络节点中的各个节点的属性特征添加到所述各层网络节点的节点表征中,得到待训练的图神经网络;基于已有的用户交互信息,对所述待训练的图神经网络进行训练,得到用户交互信息处理模型,用户交互信息处理模型包括调整后的节点表征。本申请可应用于推荐系统。
Description
技术领域
本申请涉及知识图谱技术领域,具体涉及图神经网络技术,更具体地,涉及一种用户交互信息处理模型生成方法、用户交互信息处理方法、装置、设备以及存储介质。
背景技术
通常,用户交互网络属于一种互联网用户行为的聚合方式,通过把用户在网络上的交互行为(例如评论、点赞、关注等)聚合成网络结构数据,用于工程师们下一步对用户模型进行分析处理,挖掘有价值的数据信息。关于用户表征技术,目前大多采用标签(tag)的形式来表征用户的属性,例如为用户添加年龄、性别、教育等属性标签,之后可通过合适的模型建立用户标签与置信打分等的关系。标签表征技术具有便于理解、通用性强和可支持多种业务点的优点。但是,实际应用中,这种标签表征方式由于受限于提供的属性数据单一,在刻画用户交互方面的数据体现不足,缺乏对用户关联的其他类型信息的表现,导致后续的数据分析处理的结果可靠性差。
发明内容
本申请提供了一种用户交互信息处理模型生成方法、用户交互信息处理方法、装置、设备以及存储介质。
根据本申请的第一方面,提供了一种用户交互信息处理模型的生成方法,包括:
通过迭代方式确定图神经网络中各层网络节点的节点表征,其中单层节点的节点表征由所述单层节点的邻居节点的表征得到;
将所述各层网络节点中的各个节点的属性特征添加到所述各层网络节点的节点表征中,得到待训练的图神经网络;
基于已有的用户交互信息,对所述待训练的图神经网络进行训练,得到用户交互信息处理模型,用户交互信息处理模型包括调整后的节点表征;其中,所述用户交互信息包括用户与用户之间的交互行为数据以及用户自身的属性特征数据。
根据本申请的第二方面,提供了一种用户交互信息处理方法,所述用户交互信息处理方法基于前述方法生成的用户交互信息处理模型,所述用户交互信息处理方法包括:
将种子用户的交互信息以及待处理用户的交互信息输入所述用户交互信息处理模型中,基于所述种子用户的表征预测得到所述待处理用户的表征;
基于所述待处理用户的表征确定所述待处理用户之间的相似度,如果所述相似度大于或等于预设阈值,则对应的用户为相似用户;
获取所述相似用户的信息。
根据本申请的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述的用户交互信息处理模型的生成方法或用户交互信息处理方法。
根据本申请的第四方面,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,计算机指令用于使计算机执行前述的用户交互信息处理模型的生成方法或用户交互信息处理方法。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
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示意性地示出了一种简单的图结构;
图2是根据本申请实施例的用户交互信息处理模型生成方法的流程框图;
图3是根据本申请实施例的用户交互信息处理方法的流程框图;
图4是根据本申请实施例的户交互信息处理的业务流程示意图;
图5是根据本申请实施例的用户交互信息处理模型生成装置的结构框图;
图6是根据本申请实施例的户交互信息处理装置的结构框图;
图7是用来实现本申请实施例的交互信息处理模型生成方法或户交互信息处理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。
为便于描述本申请实施例的思想,以下对本申请实施例可能涉及的概念进行简要描述。
图1示意性地示出了一种简单的图(Graph)结构,其中包括多个节点(node)以及边(edge),根据节点之间是否存在方向依赖关系,边可以是有向的,也可以是无向的。
图向量(Graph Embedding)也称图嵌入,是一种针对网络结构数据的表征方法,操作方法主要是将网络节点表征为低维、稠密的向量(Vector),用于辅助认识网络结构数据的本质,可应用于识别相似节点、链路预测等图任务的处理。
用户表征学习(User Representation Learning)是用户画像下属的子方向,属于用户侧的表征学习,表征学习(Representation Learning)的主要目的是通过提取特征等方法,把复杂度较高的事物表示为复杂度较低或下游模型能够处理的形式。用户表征学习是用户画像的重要输出方式,一般用于推荐图文、视频、广告等业务。
基于此,本申请实施例提供一种用户交互信息处理模型生成方法,参考图1,该方法包括:
S101,通过迭代方式确定图神经网络中各层网络节点的节点表征,其中单层节点的节点表征由所述单层节点的邻居节点的表征得到;
S102,将所述各层网络节点中的各个节点的属性特征添加到所述各层网络节点的节点表征中,得到待训练的图神经网络;
S103,基于已有的用户交互信息,对所述待训练的图神经网络进行训练,得到用户交互信息处理模型,用户交互信息处理模型包括调整后的节点表征;其中,所述用户交互信息包括用户与用户之间的交互行为数据以及用户自身的属性特征数据。
本申请实施例提出利用图神经网络(Graph Neural Networks,GNN)来分析用户交互网络的思想,基于用户交互网络中具有节点属性的对象信息和具有边属性的交互信息,通过特定操作使构建得到GNN中不仅涵盖节点本身的属性特征(例如用户年龄、性别、教育情况等),还可涵盖节点与节点之间的交互关系特征(例如评论、点赞、关注等),训练后得到的图预测模型可以较全面地体现用户与用户之间的关联,能够达到召回相似度高的用户的目的,召回结果可用于下游相关业务中,例如推荐系统等。
在本申请的一些实施例中,可考虑网络节点由周边节点表示,例如,图神经网络中第i层网络的节点可通过其邻居节点表示,例如,可根据节点与其周边的一个或多个节点的关联关系(或者说依赖关系)表示该节点;进一步,各层节点可采取迭代的方式确定,具体可以为逐层迭代,例如,第i+1层节点可由第i层节点表示,由此可迭代确定每一层节点的表征。
在本申请的一些实施例中,可选地,所述图神经网络中的单个节点包括用户交互网络中的用户和/或物料,所述物料包括文本、图片、音频、视频中的至少一者。能够对用户交互网络中具有节点属性的用户、文本、图片、音频、视频等对象进行较为全面的分析处理,准确体现用户交互网络的全局交互特性。
在本申请的一些实施例中,可选地,所述将所述各层网络节点中的各个节点的属性特征添加到所述各层网络节点的节点表征中,包括:通过合并数组concat操作将所述各层网络节点中的各个节点的属性特征添加到所述各层网络节点的节点表征中。
通过concat操作使GNN中不仅涵盖节点本身的属性特征(例如用户年龄、性别、教育情况等),还可涵盖节点与节点之间的交互关系特征(例如评论、点赞、关注等),训练后得到的图预测模型可以较全面地体现用户与用户之间的关联。
在本申请的一些实施例中,可选地,所述对所述待训练的图神经网络进行训练,包括:通过链路预测的方式对待训练的图神经网络进行训练。
在本申请的一些实施例中,可选地,所述图神经网络采用图卷积网络GCN、图注意力网络GAT、图同构网络GIN中的至少一种;可选地,训练过程中采用的损失函数包括交叉熵损失函数,能够获得较好的收敛效果。
相应地,本申请实施例还提供一种用户交互信息处理方法,参考图3,所述用户交互信息处理方法基于由前述的用户交互信息处理模型的生成方法所生成的用户交互信息处理模型,所述用户交互信息处理方法包括:
S201,将种子用户的交互信息以及待处理用户的交互信息输入所述用户交互信息处理模型中,基于所述种子用户的表征预测得到所述待处理用户的表征;
S202,基于所述待处理用户的表征确定所述待处理用户之间的相似度,如果所述相似度大于或等于预设阈值,则对应的用户为相似用户;
S203,获取所述相似用户的信息。
本申请的实施例通过建立用户交互网络,以用户作为网络节点,采用图向量表征技术,得到用户向量,用于下游支持业务中,在推荐业务中落地应用,能够取得很好的召回效果。
以上描述了本申请的多个实施例,以下通过多个具体的例子,详细描述本申请实施例的可选实现方式和处理过程。
首先,在本申请的一种实施例中,考虑网络节点由周边节点表示,由下式迭代确定每一层节点表征:
hi+1=f(hi,{hj}j∈N)
其中,hi表示第i层网络节点的表征,N表示当前节点的邻居节点子图,f()为邻居-用户的计算函数,f()的形式可基于网络层选取的类型(例如图卷积网络GCN、图注意力网络GAT、图同构网络GIN)等有所不同,此外,f()也可用合并数组concat的方式实现,还可采用平均mean、最大值max等池化pooling函数实现。换句话说,每层用户节点由其周边邻居节点的表征得到,因此能够体现网络结构的信息以及周边邻居节点的特性。
第二,引入网络节点本身的属性特征,包括但不限于用户年龄、性别等自然属性,婚姻、教育等社会属性,兴趣点、点击历史等网络行为,可通过concat操作将网络节点本身的属性特征添加或者说拼接到前述的每一层节点表征中:
ui=concat(hi,∑feature)
其中,通过concat操作将用户特征表示及本身的隐藏层表示链接起来。
第三,通过链路预测(LinkPrediction)的方式进行模型训练,如下式所示:
yij,pred=Wf(Concat(hi,hj))
其中,通过前置确定的相似用户,建立从hi到hj相似链路,得到i、j链接边的未归一化logits概率,其中W为最后一层权重矩阵,W∈Rd*c,其中d为上一层输出维度,c为分类class数,在此情况下为二分类。训练时下游可用交叉熵等损失函数确定损失Loss。
整体网络构建完毕,可用带有用户周边节点、特征的图数据训练预测,得到节点表征。用上述方法得到的节点表征具有稠密、低维的特点,能够适用于得到相似用户业务,可在推荐系统的召回侧起到明显增益。
参考图4所示的业务流程结构示意图,通过上述模型构建网络节点表征,下游流程可以应用到相似用户判定的业务中,整体分为三块:网络构建模块、节点表征模块、相似度判定模块。
该场景中图网络由用户交互网络构建,比如用户A在某APP上关注了用户B,此即为一条互动网络边。通过把一段时间内的网络边聚合起来,合并成用户交互网络。基于业务日志也可以构建异构网络,其中节点可以由图文、视频等物料构成。
节点表征模块主要利用上述模型得到低维稠密向量表示,由预测模块覆盖到网络中每个节点。业务上会使用种子用户的策略,事先圈定一部分高活跃或重点用户,以它们的表征为起点,通过预测任务推广到全部网络用户上。
相似度判定模块主要使用人工神经网络(Artificial Neural Network,ANN)相关技术,把输入来的全量用户表征,计算得到与其相似度较高的用户返回。其具体有多种实现形式,如可用两个用户的向量计算cos距离或曼哈顿距离,距离较大说明两个用户更相似。
相似用户常用于推荐系统中,如召回通路、UCF等方式都基于优质的相似用户才能做出良好推荐结果。本申请的实施例可应用于用户表征推荐系统(Recommended System)中,可为用户滤掉不感兴趣或不关注的信息,并提供个性化信息,例如,可执行召回(Recall)及排序(Rank)两个阶段,部分精细化推荐系统还包括粗排、精排、重排等,便于精细个性化推荐,召回阶段主要从整个互联网庞大的数据中快速得到部分,属于整个推荐系统的最上游。
以上通过多个实施例从不同角度描述了本申请实施例的具体设置和实现方式。与上述至少一个实施例的处理方法相对应地,本申请实施例还提供一种用户交互信息处理模型的生成装置100,参考图5,其包括:
确定模块110,用于通过迭代方式确定图神经网络中各层网络节点的节点表征,其中单层节点的节点表征由所述单层节点的邻居节点的表征得到;
添加模块120,用于将所述各层网络节点中的各个节点的属性特征添加到所述各层网络节点的节点表征中,得到待训练的图神经网络;
训练模块130,用于基于已有的用户交互信息,对所述待训练的图神经网络进行训练,得到用户交互信息处理模型,用户交互信息处理模型包括调整后的节点表征;其中,所述用户交互信息包括用户与用户之间的交互行为数据以及用户自身的属性特征数据。
与上述至少一个实施例的处理方法相对应地,本申请实施例还提供一种代码生成装置200,参考图6,其包括:
输入模块210,用于将种子用户的交互信息以及待处理用户的交互信息输入所述用户交互信息处理模型中,基于所述种子用户的表征预测得到所述待处理用户的表征;
确定模块220,用于基于所述待处理用户的表征确定所述待处理用户之间的相似度,如果所述相似度大于或等于预设阈值,则对应的用户为相似用户;
获取模块230,用于获取所述相似用户的信息。
本申请实施例各装置中的各模块的功能可以参见上述方法实施例中的对应描述的处理,在此不再赘述。
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7所示,是根据本申请实施例的代码生成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7所示,该电子设备包括:一个或多个处理器1001、存储器1002,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)上显示图形用户界面(Graphical User Interface,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7中以一个处理器1001为例。
存储器1002即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的代码生成方法。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代码生成方法。
存储器1002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代码生成方法对应的程序指令/模块(例如,附图3所示的代码处理模块110、第一转换模块120和第二转换模块130)。处理器1001通过运行存储在存储器1002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代码生成方法。
存储器1002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搜索结果的分析处理电子设备的使用所创建的数据等。此外,存储器1002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1002可选包括相对于处理器1001远程设置的存储器,这些远程存储器可以通过网络连接至搜索结果的分析处理电子设备。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。
本申请实施例的代码生成方法对应的电子设备还可以包括:输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接,本申请图7实施例中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息,以及产生与搜索结果的分析处理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1004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(Liquid Crystal Display,LCD)、发光二极管(Light EmittingDiode,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、专用集成电路(Application Specific Integrated Circuits,ASIC)、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(programmable logic device,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(Cathode Ray Tube,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(Local Area Network,LAN)、广域网(Wide Area Network,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。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种用户交互信息处理模型的生成方法,包括:
通过迭代方式确定图神经网络中各层网络节点的节点表征,其中单层节点的节点表征由所述单层节点的邻居节点的表征得到;
将所述各层网络节点中的各个节点的属性特征添加到所述各层网络节点的节点表征中,得到待训练的图神经网络;
基于已有的用户交互信息,对所述待训练的图神经网络进行训练,得到用户交互信息处理模型,用户交互信息处理模型包括调整后的节点表征;其中,
所述用户交互信息包括用户与用户之间的交互行为数据以及用户自身的属性特征数据。
2.根据权利要求1所述的方法,其中,
所述将所述各层网络节点中的各个节点的属性特征添加到所述各层网络节点的节点表征中,包括:通过合并数组concat操作将所述各层网络节点中的各个节点的属性特征添加到所述各层网络节点的节点表征中。
3.根据权利要求1所述的方法,其中,
所述对所述待训练的图神经网络进行训练,包括:通过链路预测的方式对待训练的图神经网络进行训练。
4.根据权利要求1所述的方法,其中,
所述图神经网络采用图卷积网络GCN、图注意力网络GAT、图同构网络GIN中的至少一种;和/或,
训练过程中采用的损失函数包括交叉熵损失函数。
5.根据权利要求1-4中任一项所述的方法,其中,
所述图神经网络中的单个节点包括用户交互网络中的用户和/或物料,所述物料包括文本、图片、音频、视频中的至少一者。
6.一种用户交互信息处理方法,所述用户交互信息处理方法基于由权利要求1-5中任一项所述的方法生成的用户交互信息处理模型,所述用户交互信息处理方法包括:
将种子用户的交互信息以及待处理用户的交互信息输入所述用户交互信息处理模型中,基于所述种子用户的表征预测得到所述待处理用户的表征;
基于所述待处理用户的表征确定所述待处理用户之间的相似度,如果所述相似度大于或等于预设阈值,则对应的用户为相似用户;
获取所述相似用户的信息。
7.根据权利要求6所述的方法,其中,
所述基于所述待处理用户的表征确定所述待处理用户之间的相似度,包括:通过所述待处理用户的向量计算所述待处理用户之间的距离,通过所述待处理用户之间的距离表示所述待处理用户之间的相似度。
8.一种用户交互信息处理模型的生成装置,包括:
确定模块,用于通过迭代方式确定图神经网络中各层网络节点的节点表征,其中单层节点的节点表征由所述单层节点的邻居节点的表征得到;
添加模块,用于将所述各层网络节点中的各个节点的属性特征添加到所述各层网络节点的节点表征中,得到待训练的图神经网络;
训练模块,用于基于已有的用户交互信息,对所述待训练的图神经网络进行训练,得到用户交互信息处理模型,用户交互信息处理模型包括调整后的节点表征;其中,所述用户交互信息包括用户与用户之间的交互行为数据以及用户自身的属性特征数据。
9.根据权利要求8所述的装置,其中,
所述添加模块通过合并数组concat操作将所述各层网络节点中的各个节点的属性特征添加到所述各层网络节点的节点表征中。
10.根据权利要求8所述的装置,其中,
所述训练模块通过链路预测的方式对待训练的图神经网络进行训练。
11.根据权利要求8所述的装置,其中,
所述图神经网络采用图卷积网络GCN、图注意力网络GAT、图同构网络GIN中的至少一种;和/或,
所述训练模块采用的损失函数包括交叉熵损失函数。
12.根据权利要求8-11中任一项所述的装置,其中,
所述图神经网络中的单个节点包括用户交互网络中的用户和/或物料,所述物料包括文本、图片、音频、视频中的至少一者。
13.一种用户交互信息处理装置,所述用户交互信息处理方法基于由权利要求1-5中任一项所述的方法生成的用户交互信息处理模型,所述用户交互信息处理方法包括:
输入模块,用于将种子用户的交互信息以及待处理用户的交互信息输入所述用户交互信息处理模型中,基于所述种子用户的表征预测得到所述待处理用户的表征;
确定模块,用于基于所述待处理用户的表征确定所述待处理用户之间的相似度,如果所述相似度大于或等于预设阈值,则对应的用户为相似用户;
获取模块,用于获取所述相似用户的信息。
14.根据权利要求13所述的装置,其中,
所述确定模块通过所述待处理用户的向量计算所述待处理用户之间的距离,通过所述待处理用户之间的距离表示所述待处理用户之间的相似度。
15.一种电子设备,其特征在于,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1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011062251.4A CN112035683A (zh) | 2020-09-30 | 2020-09-30 | 用户交互信息处理模型生成方法和用户交互信息处理方法 |
US17/210,034 US20210209446A1 (en) | 2020-09-30 | 2021-03-23 | Method for generating user interactive information processing model and method for processing user interactive information |
EP21164621.1A EP3896618A1 (en) | 2020-09-30 | 2021-03-24 | Method for generating user interactive information processing model and method for processing user interactive information |
KR1020210038053A KR20210040316A (ko) | 2020-09-30 | 2021-03-24 | 사용자 상호작용 정보 처리모델 생성방법, 사용자 상호작용 정보 처리방법 및 프로그램 |
JP2021072004A JP7076030B2 (ja) | 2020-09-30 | 2021-04-21 | ユーザーインタラクション情報処理モデルの生成方法と装置、ユーザーインタラクション情報処理方法と装置、設備、媒体、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011062251.4A CN112035683A (zh) | 2020-09-30 | 2020-09-30 | 用户交互信息处理模型生成方法和用户交互信息处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112035683A true CN112035683A (zh) | 2020-12-04 |
Family
ID=73572927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011062251.4A Pending CN112035683A (zh) | 2020-09-30 | 2020-09-30 | 用户交互信息处理模型生成方法和用户交互信息处理方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210209446A1 (zh) |
EP (1) | EP3896618A1 (zh) |
JP (1) | JP7076030B2 (zh) |
KR (1) | KR20210040316A (zh) |
CN (1) | CN112035683A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113314188A (zh) * | 2021-06-16 | 2021-08-27 | 中国科学技术大学 | 图结构增强的小样本学习方法、系统、设备及存储介质 |
CN114547308A (zh) * | 2022-02-28 | 2022-05-27 | 腾讯科技(深圳)有限公司 | 文本处理的方法、装置、电子设备及存储介质 |
CN114925279A (zh) * | 2022-06-07 | 2022-08-19 | 支付宝(杭州)信息技术有限公司 | 推荐模型训练方法、推荐方法以及装置 |
WO2023029744A1 (zh) * | 2021-08-30 | 2023-03-09 | 支付宝(杭州)信息技术有限公司 | 图节点关系表征生成和图节点业务关系预测 |
CN115841098A (zh) * | 2023-02-24 | 2023-03-24 | 天津爱波瑞科技发展有限公司 | 基于数据识别的交互式批量填充方法与系统 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11860977B1 (en) * | 2021-05-04 | 2024-01-02 | Amazon Technologies, Inc. | Hierarchical graph neural networks for visual clustering |
CN113220997B (zh) * | 2021-05-13 | 2023-07-25 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN113535912B (zh) * | 2021-05-18 | 2023-12-26 | 北京邮电大学 | 基于图卷积网络和注意力机制的文本关联方法及相关设备 |
CN113255769B (zh) * | 2021-05-26 | 2024-03-29 | 北京百度网讯科技有限公司 | 化合物属性预测模型训练方法和化合物属性预测方法 |
KR102535018B1 (ko) * | 2021-07-02 | 2023-05-26 | 주식회사 유디엠텍 | Gnn 기반의 plc 제어 로직 자동 검수 방법 |
CN113744023B (zh) * | 2021-08-20 | 2023-09-29 | 太原理工大学 | 一种基于图卷积网络的双通道协同过滤推荐方法 |
WO2023033322A1 (ko) * | 2021-09-02 | 2023-03-09 | (주)에이아이클라우드 | 치료제 후보 물질 발굴 시스템 및 그 방법 |
CN116150425A (zh) * | 2021-11-19 | 2023-05-23 | 腾讯科技(深圳)有限公司 | 推荐内容的选择方法、装置、设备、存储介质及程序产品 |
KR20230162896A (ko) | 2022-05-17 | 2023-11-29 | 주식회사 Lg 경영개발원 | 그룹화 행렬을 기반으로 계층적 구조의 그래프 데이터를 풀링하기 위한 학습 처리 장치 및 방법과, 인공지능 모델을 학습시키는 방법 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190236464A1 (en) * | 2018-01-29 | 2019-08-01 | EmergeX, LLC | System and method for facilitating affective-state-based artificial intelligence |
CN111382843A (zh) * | 2020-03-06 | 2020-07-07 | 浙江网商银行股份有限公司 | 企业上下游关系识别模型建立、关系挖掘的方法及装置 |
CN111445020A (zh) * | 2019-01-16 | 2020-07-24 | 阿里巴巴集团控股有限公司 | 一种基于图的卷积网络训练方法、装置及系统 |
CN111651671A (zh) * | 2020-05-27 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 用户对象推荐方法、装置、计算机设备和存储介质 |
CN111695719A (zh) * | 2020-04-20 | 2020-09-22 | 清华大学 | 一种用户价值预测方法及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018063484A (ja) * | 2016-10-11 | 2018-04-19 | 凸版印刷株式会社 | ユーザ評価予測システム、ユーザ評価予測方法及びプログラム |
US10360494B2 (en) * | 2016-11-30 | 2019-07-23 | Altumview Systems Inc. | Convolutional neural network (CNN) system based on resolution-limited small-scale CNN modules |
US11301774B2 (en) * | 2017-02-28 | 2022-04-12 | Nec Corporation | System and method for multi-modal graph-based personalization |
US20180336645A1 (en) * | 2017-05-22 | 2018-11-22 | Google Inc. | Using machine learning to recommend live-stream content |
US11574122B2 (en) * | 2018-08-23 | 2023-02-07 | Shenzhen Keya Medical Technology Corporation | Method and system for joint named entity recognition and relation extraction using convolutional neural network |
JP7266838B2 (ja) * | 2018-08-29 | 2023-05-01 | 国立大学法人 東京大学 | 情報分析装置及びプログラム |
CN109587554B (zh) * | 2018-10-29 | 2021-08-03 | 百度在线网络技术(北京)有限公司 | 视频数据的处理方法、装置及可读存储介质 |
US10387754B1 (en) * | 2019-01-23 | 2019-08-20 | StradVision, Inc. | Learning method and learning device for object detector based on CNN using 1×H convolution to be used for hardware optimization, and testing method and testing device using the same |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
US11184301B2 (en) * | 2019-08-15 | 2021-11-23 | Microsoft Technology Licensing, Llc | Message recommendation system |
US20210287067A1 (en) * | 2020-03-11 | 2021-09-16 | Insilico Medicine Ip Limited | Edge message passing neural network |
-
2020
- 2020-09-30 CN CN202011062251.4A patent/CN112035683A/zh active Pending
-
2021
- 2021-03-23 US US17/210,034 patent/US20210209446A1/en active Pending
- 2021-03-24 KR KR1020210038053A patent/KR20210040316A/ko not_active Application Discontinuation
- 2021-03-24 EP EP21164621.1A patent/EP3896618A1/en not_active Ceased
- 2021-04-21 JP JP2021072004A patent/JP7076030B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190236464A1 (en) * | 2018-01-29 | 2019-08-01 | EmergeX, LLC | System and method for facilitating affective-state-based artificial intelligence |
CN111445020A (zh) * | 2019-01-16 | 2020-07-24 | 阿里巴巴集团控股有限公司 | 一种基于图的卷积网络训练方法、装置及系统 |
CN111382843A (zh) * | 2020-03-06 | 2020-07-07 | 浙江网商银行股份有限公司 | 企业上下游关系识别模型建立、关系挖掘的方法及装置 |
CN111695719A (zh) * | 2020-04-20 | 2020-09-22 | 清华大学 | 一种用户价值预测方法及系统 |
CN111651671A (zh) * | 2020-05-27 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 用户对象推荐方法、装置、计算机设备和存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113314188A (zh) * | 2021-06-16 | 2021-08-27 | 中国科学技术大学 | 图结构增强的小样本学习方法、系统、设备及存储介质 |
CN113314188B (zh) * | 2021-06-16 | 2022-07-15 | 中国科学技术大学 | 图结构增强的小样本学习方法、系统、设备及存储介质 |
WO2023029744A1 (zh) * | 2021-08-30 | 2023-03-09 | 支付宝(杭州)信息技术有限公司 | 图节点关系表征生成和图节点业务关系预测 |
CN114547308A (zh) * | 2022-02-28 | 2022-05-27 | 腾讯科技(深圳)有限公司 | 文本处理的方法、装置、电子设备及存储介质 |
CN114925279A (zh) * | 2022-06-07 | 2022-08-19 | 支付宝(杭州)信息技术有限公司 | 推荐模型训练方法、推荐方法以及装置 |
CN115841098A (zh) * | 2023-02-24 | 2023-03-24 | 天津爱波瑞科技发展有限公司 | 基于数据识别的交互式批量填充方法与系统 |
CN115841098B (zh) * | 2023-02-24 | 2023-05-12 | 天津爱波瑞科技发展有限公司 | 基于数据识别的交互式批量填充方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
US20210209446A1 (en) | 2021-07-08 |
KR20210040316A (ko) | 2021-04-13 |
EP3896618A1 (en) | 2021-10-20 |
JP2021120874A (ja) | 2021-08-19 |
JP7076030B2 (ja) | 2022-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112035683A (zh) | 用户交互信息处理模型生成方法和用户交互信息处理方法 | |
JP7166322B2 (ja) | モデルを訓練するための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
US11106995B2 (en) | Automatic segmentation of a collection of user profiles | |
US11379296B2 (en) | Intelligent responding to error screen associated errors | |
KR102476056B1 (ko) | 아이템 추천방법, 시스템, 전자기기 및 기록매체 | |
CN111311321B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
CN112070226A (zh) | 在线预测模型的训练方法、装置、设备及存储介质 | |
US11343572B2 (en) | Method, apparatus for content recommendation, electronic device and storage medium | |
CN111460384B (zh) | 策略的评估方法、装置和设备 | |
CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
US20180012237A1 (en) | Inferring user demographics through categorization of social media data | |
CN111708876A (zh) | 生成信息的方法和装置 | |
CN111667056A (zh) | 用于搜索模型结构的方法和装置 | |
CN112559870A (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
CN111680517A (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN112380104A (zh) | 用户属性识别方法、装置、电子设备及存储介质 | |
CN111639753A (zh) | 用于训练超网络的方法、装置、设备以及存储介质 | |
CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN112580723B (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
CN111125445B (zh) | 社区主题生成方法、装置、电子设备及存储介质 | |
WO2023131275A1 (en) | Artificial intelligence operations adaptive multi-granularity event grouping | |
CN117651950A (zh) | 具有上下文感知的经阐明的自然语言人工产物重组 | |
CN112036486A (zh) | 训练标签生成模型的方法、装置、设备及其存储介质 | |
CN111274497A (zh) | 社区推荐及模型训练方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |