CN112749331B - 一种数据推荐方法、装置以及计算机可读存储介质 - Google Patents
一种数据推荐方法、装置以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112749331B CN112749331B CN202010596047.4A CN202010596047A CN112749331B CN 112749331 B CN112749331 B CN 112749331B CN 202010596047 A CN202010596047 A CN 202010596047A CN 112749331 B CN112749331 B CN 112749331B
- Authority
- CN
- China
- Prior art keywords
- browsing
- data
- user
- behavior
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种数据推荐方法、装置以及计算机可读存储介质,该方法包括:获取至少两个浏览用户和至少两个浏览数据,根据每个浏览用户分别对每个浏览数据的浏览行为,生成浏览行为特征表示;根据浏览行为特征表示,拟合每个浏览用户的用户特征表示、以及每个浏览数据的数据特征表示;根据每个用户特征表示和每个数据特征表示,获取每个浏览用户分别与每个浏览数据之间的预测关联特征;一个浏览用户与一个浏览数据之间对应于一个预测关联特征;根据每个浏览用户与每个浏览数据之间的预测关联特征,从至少两个浏览数据中,获取每个浏览用户分别对应的推荐浏览数据。采用本申请,可丰富针对推荐浏览数据的数据类型。
Description
技术领域
本申请涉及数据处理的技术领域,尤其涉及一种数据推荐方法、装置以及计算机可读存储介质。
背景技术
由于短视频娱乐的兴起,各种短视频应用层出不穷,并且每种短视频应用中的短视频类型也多种多样,因此,对于如何向不同用户推荐其专属的短视频,成为各种短视频应用的一大重点研究问题。
现有技术中,在向用户A推荐短视频时,系统可以将与用户A浏览过的短视频类型相似的短视频推荐给用户A。而若是一直通过此种方式向用户A推荐短视频,则会导致推荐给用户A的短视频都是相似类型的,用户A就很少有机会关注到其他类型的短视频。由此可见,现有技术中在向用户推荐短视频时,所推荐的短视频的类型单一。
发明内容
本申请提供了一种数据推荐方法、装置以及计算机可读存储介质,可丰富针对浏览用户的推荐浏览数据的数据类型。
本申请一方面提供了一种数据推荐方法,该方法包括:
获取至少两个浏览用户和至少两个浏览数据,根据每个浏览用户分别对每个浏览数据的浏览行为,生成浏览行为特征表示;
根据浏览行为特征表示,拟合每个浏览用户的用户特征表示、以及每个浏览数据的数据特征表示;每个用户特征表示以及每个数据特征表示,均与至少两个浏览用户针对至少两个浏览数据的浏览行为相关联;
根据每个用户特征表示和每个数据特征表示,获取每个浏览用户分别与每个浏览数据之间的预测关联特征;一个浏览用户与一个浏览数据之间对应于一个预测关联特征;
根据每个浏览用户与每个浏览数据之间的预测关联特征,从至少两个浏览数据中,获取每个浏览用户分别对应的推荐浏览数据。
本申请一方面提供了一种数据推荐装置,该装置包括:
获取模块,用于获取至少两个浏览用户和至少两个浏览数据,根据每个浏览用户分别对每个浏览数据的浏览行为,生成浏览行为特征表示;
拟合模块,用于根据浏览行为特征表示,拟合每个浏览用户的用户特征表示、以及每个浏览数据的数据特征表示;每个用户特征表示以及每个数据特征表示,均与至少两个浏览用户针对至少两个浏览数据的浏览行为相关联;
关联特征获取模块,用于根据每个用户特征表示和每个数据特征表示,获取每个浏览用户分别与每个浏览数据之间的预测关联特征;一个浏览用户与一个浏览数据之间对应于一个预测关联特征;
推荐数据获取模块,用于根据每个浏览用户与每个浏览数据之间的预测关联特征,从至少两个浏览数据中,获取每个浏览用户分别对应的推荐浏览数据。
其中,浏览行为包括已浏览行为和未浏览行为;
获取模块,包括:
参数获取单元,用于获取用于表示已浏览行为的已浏览参数,获取用于表示未浏览行为的未浏览参数;
行为特征确定单元,用于根据每个浏览用户分别对每个浏览数据的浏览行为、已浏览参数和未浏览参数,生成浏览行为特征矩阵,将浏览行为特征矩阵,确定为浏览行为特征表示。
其中,拟合模块,包括:
初始矩阵获取单元,用于获取针对至少两个浏览用户的初始用户特征矩阵,获取针对至少两个浏览数据的初始数据特征矩阵;
初始矩阵生成单元,用于根据初始用户特征矩阵和初始数据特征矩阵,生成初始行为特征矩阵;
损失函数生成单元,用于根据浏览行为特征矩阵和初始行为特征矩阵之间的矩阵误差,生成第一损失函数;
矩阵调整单元,用于基于第一损失函数,调整初始行为特征矩阵;
调整矩阵确定单元,用于当调整后的初始行为特征矩阵与浏览行为特征矩阵之间的矩阵误差小于误差阈值时,根据调整后的初始行为特征矩阵,确定调整后的初始用户特征矩阵和调整后的初始数据特征矩阵;
特征表示获取单元,用于从调整后的初始用户特征矩阵中,获取每个浏览用户的用户特征表示,从调整后的初始数据特征矩阵中,获取每个浏览数据的数据特征表示。
其中,浏览行为包括已浏览行为;
关联特征获取模块,包括:
用户传递信息获取单元,用于根据每个用户特征表示和每个数据特征表示,获取至少两个浏览数据针对每个浏览用户的用户传递信息;一个浏览用户对应于一个用户传递信息;一个浏览用户的用户传递信息,与该浏览用户具有已浏览行为的浏览数据相关联;
数据传递信息获取单元,用于根据每个用户特征表示和每个数据特征表示,获取至少两个浏览用户针对每个浏览数据的数据传递信息;一个浏览数据对应于一个数据传递信息;一个浏览数据的数据传递信息,与对该浏览数据具有已浏览行为的浏览用户相关联;
关联特征确定单元,用于根据每个浏览用户对应的用户传递信息和每个浏览数据对应的数据传递信息,确定每个浏览用户分别与每个浏览数据之间的预测关联特征。
其中,至少两个浏览用户为图神经网络中的用户节点;至少两个浏览数据为图神经网络中的数据节点;至少两个浏览用户包括浏览用户ya,a为小于或等于至少两个浏览用户的用户总数量的正整数;
用户传递信息获取单元,包括:
第一表示确定子单元,用于将至少两个浏览数据对应的数据节点中,浏览用户ya具有已浏览行为的浏览数据所对应的数据节点,确定为目标数据节点;
第一传递信息确定子单元,用于根据浏览用户ya的用户特征表示和目标数据节点对应的数据特征表示,确定目标数据节点向浏览用户ya对应的用户节点所传递的用户传递信息。
其中,至少两个浏览用户为图神经网络中的用户节点;至少两个浏览数据为图神经网络中的数据节点;至少两个浏览数据包括浏览数据sb,b为小于或等于至少两个浏览数据的数据总数量的正整数;
数据传递信息获取单元,包括:
第二表示确定子单元,用于将至少两个浏览用户对应的用户节点中,对浏览数据sb具有已浏览行为的浏览用户对应的用户节点,确定为目标用户节点;
第二传递信息确定子单元,用于根据浏览数据sb的数据特征表示和目标用户节点对应的用户特征表示,确定目标用户节点向浏览数据sb对应的数据节点所传递的数据传递信息。
其中,至少两个浏览用户包括浏览用户ya,a为小于或等于至少两个浏览用户的用户总数量的正整数;至少两个浏览数据包括浏览数据sb,b为小于或等于至少两个浏览数据的数据总数量的正整数;
关联特征确定单元,包括:
第一递进信息确定子单元,用于根据浏览用户ya对应的用户传递信息和浏览用户ya具有已浏览行为的浏览数据的数据传递信息,确定浏览用户ya对应的用户递进传递信息,将浏览用户ya对应的用户传递信息和用户递进传递信息进行拼接,得到浏览用户ya的目标用户特征表示;
第二递进信息确定子单元,用于根据浏览数据sb对应的数据传递信息和对浏览数据sb具有已浏览行为的浏览用户的用户传递信息,确定浏览数据sb对应的数据递进传递信息,将浏览数据sb对应的数据传递信息和数据递进传递信息进行拼接,得到浏览数据sb的目标数据特征表示;
关联特征确定子单元,用于根据浏览用户ya的目标用户特征表示和浏览数据sb的目标数据特征表示,确定浏览用户ya与浏览数据sb之间的预测关联特征。
其中,浏览行为包括未浏览行为;至少两个浏览用户包括浏览用户ya,a为小于或等于至少两个浏览用户的用户总数量的正整数;
推荐数据获取模块,包括:
数据确定单元,用于将至少两个浏览数据中,浏览用户ya具有未浏览行为的浏览数据,确定为未浏览数据;
输入单元,用于将浏览用户ya与未浏览数据之间的预测关联特征,输入排序推荐模型;
排序单元,用于在排序推荐模型中,根据浏览用户ya与未浏览数据之间的预测关联特征,生成未浏览数据对应的推荐权重值,根据推荐权重值对未浏览数据进行推荐排序,得到排序后的未浏览数据;
推荐数据获取单元,用于根据推荐数据数量,在排序后的未浏览数据中,获取浏览用户ya对应的推荐浏览数据。
其中,数据推荐装置,还用于:
将浏览用户ei对应的推荐浏览数据,发送至浏览用户ei所属的终端设备,以使终端设备在终端推荐页面中,输出浏览用户ei对应的推荐浏览数据。
其中,数据推荐装置,还包括:
样本获取模块,用于获取样本浏览用户对应的正样本预测关联特征、和样本浏览用户对应的负样本预测关联特征;正样本预测关联特征,为样本浏览用户与样本已浏览数据之间的样本预测关联特征;负样本预测关联特征,为样本浏览用户与样本未浏览数据之间的样本预测关联特征;
样本输入模块,用于将正样本预测关联特征和负样本预测关联特征,输入初始排序推荐模型;
权重获取模块,用于基于初始排序推荐模型、正样本预测关联特征和负样本预测关联特征,获取样本已浏览数据的第一推荐权重值和样本未浏览数据的第二推荐权重值;
修正模块,用于基于第二损失函数、第一推荐权重值和第二推荐权重值,修正初始排序推荐模型的模型参数,得到排序推荐模型;第二损失函数用于使初始排序推荐模型生成的第一推荐权重值大于第二推荐权重值;初始排序推荐模型用于根据第二推荐权重值,对样本未浏览数据进行排序。
本申请一方面提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行本申请中一方面中的方法。
本申请一方面提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令被处理器执行时使该处理器执行上述一方面中的方法。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述一方面等各种可选方式中提供的方法。
本申请可以获取至少两个浏览用户和至少两个浏览数据,根据每个浏览用户分别对每个浏览数据的浏览行为,生成浏览行为特征表示;根据浏览行为特征表示,拟合每个浏览用户的用户特征表示、以及每个浏览数据的数据特征表示;每个用户特征表示以及每个数据特征表示,均与至少两个浏览用户针对至少两个浏览数据的浏览行为相关联;根据每个用户特征表示和每个数据特征表示,获取每个浏览用户分别与每个浏览数据之间的预测关联特征;一个浏览用户与一个浏览数据之间对应于一个预测关联特征;根据每个浏览用户与每个浏览数据之间的预测关联特征,从至少两个浏览数据中,获取每个浏览用户分别对应的推荐浏览数据。由此可见,本申请提出的方法可以根据至少两个浏览用户针对至少两个浏览数据的浏览行为,来得到每个浏览用户对应的推荐浏览数据,不局限推荐浏览数据的数据类型,从而丰富了推荐浏览数据的数据类型。并且,本申请可以直接建立浏览用户与浏览数据之间的预测关联特征,进而通过该预测关联特征来得到浏览用户的推荐浏览数据,这属于端到端(即从浏览用户到浏览视频)的一种数据推荐方法,因此还提高了获取推荐浏览数据的效率。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种网络架构的结构示意图;
图2是本申请提供的一种数据推荐的场景示意图;
图3是本申请提供的一种数据推荐方法的流程示意图;
图4是本申请提供的一种获取特征表示的场景示意图;
图5是本申请提供的一种信息传递的场景示意图;
图6是本申请提供的一种获取推荐浏览数据的场景示意图;
图7是本申请提供的一种终端页面的页面示意图;
图8是本申请提供的一种终端页面的页面示意图;
图9是本申请提供的一种数据推荐装置的结构示意图;
图10是本申请提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请中主要涉及到了人工智能中的机器学习。其中,机器学习(MachineLearning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本申请中所涉及到的机器学习主要指,通过机器学习来构建浏览用户与浏览数据之间的预测关联特征,该预测关联特征包含了浏览用户对浏览数据感兴趣的可能性。本申请中所涉及到的机器学习还指,可以通过浏览用户与浏览数据之间的预测关联特征,获取到用于向浏览用户进行推荐的推荐浏览数据,该具体过程可以参见下述图3对应的实施例中的描述。
请参见图1,图1是本申请实施例提供的一种网络架构的结构示意图。如图1所示,网络架构可以包括服务器200和终端设备集群,终端设备集群可以包括一个或者多个终端设备,这里将不对终端设备的数量进行限制。如图1所示,多个终端设备具体可以包括终端设备100a、终端设备101a、终端设备102a、…、终端设备103a;如图1所示,终端设备100a、终端设备101a、终端设备102a、…、终端设备103a均可以与服务器200进行网络连接,以便于每个终端设备可以通过网络连接与服务器200之间进行数据交互。
如图1所示的服务器200可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备可以是:智能手机、平板电脑、笔记本电脑、桌上型电脑、智能电视等智能终端。
下面以终端设备100a与服务器200之间的通信为例,进行本申请实施例的具体描述。本申请实施例具体描述了服务器200如何通过浏览用户针对浏览数据的浏览行为,来为浏览用户推荐相应的浏览数据的过程。
请一并参见图2,图2是本申请提供的一种数据推荐的场景示意图。如图2中的区域100b所示,一共存在4个浏览用户,分别为浏览用户a、浏览用户b、浏览用户c和浏览用户d。一共存在4个浏览数据,分别为浏览数据1、浏览数据2、浏览数据3和浏览数据4。其中,浏览用户指可以对浏览数据进行浏览查看的用户,浏览数据可以指任何能被浏览查看的数据,例如浏览数据可以是书籍数据或者为视频数据等。
如区域103b所示,区域103b中展示了各个浏览用户针对每个浏览数据的浏览行为,浏览行为可以包括未浏览行为和已浏览行为。其中,若某个浏览用户针对某个浏览数据的浏览行为为未浏览行为,则表明该浏览用户没有点击查看过该浏览数据。反之,若某个浏览用户针对某个浏览数据的浏览行为为已浏览行为,则表明该浏览用户点击查看过该浏览数据。
具体的,如区域103b所示,浏览用户a针对浏览数据1和浏览数据2的浏览行为,都为已浏览行为,浏览用户a针对浏览数据3和浏览数据4的浏览行为,都为未浏览行为。浏览用户b针对浏览数据1、浏览数据2、浏览数据3和浏览数据4的浏览行为,都为已浏览行为。浏览用户c针对浏览数据1、浏览数据2、浏览数据3和浏览数据4的浏览行为,都为未浏览行为。浏览用户d针对浏览数据1和浏览数据3的浏览行为,都为未浏览行为,浏览用户d针对浏览数据2和浏览数据4的浏览行为,都为已浏览行为。
服务器200可以通过上述各个浏览用户分别针对每个浏览数据的浏览行为,生成浏览行为特征矩阵101b。在浏览行为特征矩阵101b中,可以用“1”来表示浏览用户针对浏览数据的已浏览行为,用“0”来表示浏览用户针对浏览数据的未浏览行为。
具体的,在浏览行为特征矩阵101b中,行100c表示了浏览用户a针对每个浏览数据的浏览行为,行101c表示了浏览用户b针对每个浏览数据的浏览行为,行102c表示了浏览用户c针对每个浏览数据的浏览行为,行103c表示了浏览用户d针对每个浏览数据的浏览行为。在浏览行为特征矩阵101b中,列104c表示了各个浏览用户针对浏览数据1的浏览行为,列105c表示了各个浏览用户针对浏览数据2的浏览行为,列106c表示了各个浏览用户针对浏览数据3的浏览行为,列107c表示了各个浏览用户针对浏览数据4的浏览行为。
接着,服务器200可以通过上述所得到的浏览行为特征矩阵101b,来拟合得到用户特征矩阵104b和数据特征矩阵105b,其中,用户特征矩阵104b中包括了每个浏览用户分别对应的用户特征表示,数据特征矩阵105b中包括了每个浏览数据分别对应的数据特征表示。如何通过浏览行为特征矩阵101b来得到用户特征矩阵104b和数据特征矩阵105b的具体过程,可以参见下述步骤S102。
接着,服务器200通过上述所得到的用户特征矩阵104b,可以得到每个浏览用户的用户特征表示,通过上述所得到的数据特征矩阵105b,可以得到每个浏览数据的数据特征表示。服务器200通过各个浏览用户的用户特征表示和各个浏览数据的数据特征表示,进一步地,还可以得到每个浏览用户与每个浏览数据之间的预测关联特征。一个浏览用户与一个浏览数据之间对应于一个预测关联特征,该预测关联特征可以用于表征浏览用户针对浏览数据可能感兴趣的程度。其中,如何通过各个浏览用户的用户特征表示和各个浏览数据的数据特征表示,得到每个浏览用户与每个浏览数据之间的预测关联特征的具体过程,可以参见下述步骤S103。
服务器200可以将上述每个浏览用户与每个浏览数据之间的预测关联特征,输入排序推荐模型107b中。其中,排序推荐模型107b为训练完成的,可以通过所输入的浏览用户与浏览数据之间的预测关联特征,对应得到每个浏览数据针对每个浏览用户的推荐权重值。一个浏览用户与一个浏览数据之间对应有一个推荐权重值,该推荐权重值表征了某个浏览用户对某个浏览数据可能感兴趣的程度。推荐权重值越大,表明浏览用户对浏览数据可能感兴趣的程度越大,推荐权重值越小,表明浏览用户对浏览数据可能感兴趣的程度越小。排序推荐模型的具体训练过程,也可以参见下述步骤S104。
排序推荐模型107b可以根据各个浏览用户与各个浏览数据之间的推荐权重值,得到每个浏览用户对应的浏览数据排序,一个浏览用户对应于一个浏览数据排序。一个浏览数据排序中可以包括一个浏览用户具有未浏览行为的所有浏览数据,推荐权重值越大,浏览数据在浏览数据排序中的排序位置也就越靠前。如区域108b所示,排序推荐模型107b得到的浏览用户a的浏览数据排序为浏览数据排序1,排序推荐模型107b得到的浏览用户b的浏览数据排序为浏览数据排序2,排序推荐模型107b得到的浏览用户c的浏览数据排序为浏览数据排序3,排序推荐模型107b得到的浏览用户d的浏览数据排序为浏览数据排序4。
如区域109b所示,服务器200可以将每个浏览用户的浏览数据排序中,排序位置最靠前的n个浏览数据,分别作为每个浏览用户的推荐浏览数据。其中,n的值可以根据实际应用场景自行设置,对此不作限制,例如n可以为5、10或者20等。举个例子,浏览用户c具有未浏览行为的浏览数据包括浏览数据1、浏览数据2、浏览数据3和浏览数据4,并且,浏览用户c的浏览数据排序为:浏览数据3、浏览数据2、浏览数据1和浏览数据4,并且上述n等于2,那么服务器200可以将浏览数据3和浏览数据2,作为浏览用户c的推荐浏览数据。
服务器200还可以将获取到的每个浏览用户对应的推荐浏览数据,分别发送至每个浏览用户所属的终端设备中,使得浏览用户所属的终端设备可以在终端页面中输出获取到的推荐浏览数据,以实现向浏览用户推荐其可能感兴趣的推荐浏览数据。例如,若浏览用户a的终端设备为终端设备100a,那么,服务器200可以将浏览用户a的推荐浏览数据,发送至终端设备100a,终端设备100a可以在终端页面中输出浏览用户a的推荐浏览数据,以向浏览用户a推荐其对应的推荐浏览数据。
通过本申请所提供的方法,在向浏览用户推荐浏览数据时,不限制向浏览用户推荐的浏览数据的数据类型,而是根据浏览用户针对浏览数据的浏览行为来向浏览用户推荐浏览数据,因此,可以丰富向每个浏览用户推荐的浏览数据的数据类型。
此外,由于是通过浏览用户针对浏览数据的浏览行为,直接得到浏览用户与浏览数据之间的预测关联特征,而不是得到不同浏览用户之间的用户关联特征或者不同浏览数据之间的数据关联特征,进而得到不同浏览用户之间的用户相似度或者不同浏览数据之间的数据相似度,以此来向浏览用户推荐浏览数据,因此,还可以减少在实际获取浏览用户的推荐浏览数据时所用到的模型,同时减少针对模型的人工调参量,因此,还提高了获取浏览用户的推荐浏览数据的效率。
换句话说,本申请所提供的数据推荐方法,为一种端到端的数据推荐方法,其中,端到端是指直接从用户端到视频端。而不是端到端的数据推荐方法,可以指用户端到用户端(例如求用户相似度),再根据用户端到用户端的特征来指向视频端。由此可知,本申请中的端到端的数据推荐方法相较于不是端到端的数据推荐方法,步骤更为简洁,因此使用到的辅助模型更少,针对模型的人工调参量也更少。
请参见图3,图3是本申请提供的一种数据推荐方法的流程示意图,如图3所示,该方法可以包括:
步骤S101,获取至少两个浏览用户和至少两个浏览数据,根据每个浏览用户分别对每个浏览数据的浏览行为,生成浏览行为特征表示;
具体的,本实施例中的执行主体可以为任意一个服务器。服务器可以获取到至少两个浏览用户以及至少两个浏览数据,其中,浏览数据可以指任意可以被浏览查看的数据,例如,浏览数据可以是视频数据、书籍数据、音频数据或者商品数据等。浏览用户指可以对浏览数据进行查看浏览的用户。
服务器可以获取到每个浏览数据针对每个浏览数据的浏览行为,一个浏览用户对一个浏览数据具有一个浏览行为,该浏览行为可以是已浏览行为或者是未浏览行为。其中,一个浏览用户对一个浏览数据具有未浏览行为,是指该浏览用户没有点击查看过该浏览数据。反之,一个浏览用户对一个浏览数据具有已浏览行为,是指该浏览用户点击查看过该浏览数据。
服务器可以通过每个浏览用户分别对每个浏览数据的浏览行为,来生成浏览行为特征表示,该浏览行为特征表示中包括每个浏览用户针对每个浏览数据的浏览行为。具体的,该浏览行为特征表示可以是一个矩阵,服务器可以获取用于表示已浏览行为的已浏览参数,例如已浏览参数可以是1,还可以获取用于表示未浏览行为的未浏览参数,例如未浏览参数可以是0。服务器可以根据每个浏览用户对每个浏览数据的浏览行为、以及已浏览参数和未浏览参数,生成浏览行为特征矩阵。服务器可以将该浏览行为特征矩阵,作为上述浏览行为特征表示。
其中,浏览行为特征矩阵的维度为(M,N),即浏览行为特征矩阵一共有M行和N列,M等于浏览用户的用户数量,N等于浏览数据的数据数量。浏览行为特征矩阵中一共包括M乘以N个元素,浏览行为特征矩阵中的一个元素,对应于一个浏览用户针对一个浏览数据的浏览行为,若某个元素对应的浏览行为为未浏览行为,则该元素的值就为0(即未浏览参数),若某个元素对应的浏览行为为已浏览行为,则该元素的值就为1(即已浏览参数)。例如,上述图2中的浏览行为特征矩阵101b就为一个浏览行为特征表示。
步骤S102,根据浏览行为特征表示,拟合每个浏览用户的用户特征表示、以及每个浏览数据的数据特征表示;每个用户特征表示以及每个数据特征表示,均与至少两个浏览用户针对至少两个浏览数据的浏览行为相关联;
具体的,首先,本申请采用异构图神经网络的嵌入,来获取每个浏览用户的用户特征表示和每个浏览数据的数据特征表示。其中,异构图神经网络的嵌入可以通过矩阵分解的方法,来获取每个浏览用户的用户特征表示和每个浏览数据的数据特征表示。可以将每个浏览用户的用户特征表示,理解为浏览用户的初始化表示,将每个浏览数据的数据特征表示,理解为浏览数据的初始化表示。其中,异构图神经网络所包含的网络节点的种类可以有多种,此处包括两种,一种为浏览用户对应的用户节点,一种为浏览数据对应的数据节点。通过异构图神经网络,可以得到浏览用户直接与浏览数据之间的关联特征,请参见下述。
服务器可以获取所有浏览用户的初始用户特征矩阵,该初始用户特征矩阵的维度为(M,K),其中,M为所有浏览用户的用户数量,K可以为合理范围内的值,例如K可以等于6或者等于7等。因此,可以知道的是,初始用户特征矩阵中有M行,一行可以代表一个浏览用户。该初始用户特征矩阵中的每个元素的值此刻是未知的。
服务器还可以获取所有浏览数据的初始数据特征矩阵,该初始数据特征矩阵的维度为(N,K),其中N为所有浏览数据的数据数量,K与初始用户特征矩阵对应的K是相同的。因此,可以知道的是,初始数据特征矩阵中有N行,一行可以代表一个浏览数据。该初始数据特征矩阵中的每个元素的值此刻也是未知的。
接着,服务器可以通过上述初始用户特征矩阵和初始数据特征矩阵,生成初始行为特征矩阵。其中,将上述初始用户特征矩阵记为P,将初始数据特征矩阵记为Q,则初始行为特征矩阵为请参见下述公式(1):
其中,QT表示初始数据特征矩阵的转置。由此也可以很清晰地看出,若初始数据特征矩阵记为Q的维度为(N,K),初始用户特征矩阵P的维度为(M,K),则初始行为特征矩阵为的维度就为(M,N),初始行为特征矩阵/>的维度与浏览行为特征矩阵的维度相同。
服务器可以根据浏览行为特征矩阵和初始行为特征矩阵之间的矩阵误差,生成第一损失函数,其中,浏览行为特征矩阵和初始行为特征矩阵之间的矩阵误差,就为浏览行为特征矩阵和初始行为特征矩阵之间的差值。其中,可以将浏览行为特征矩阵记为R,第一损失函数L如下述公式(2)所示:
其中,公式(2)也可以写为下述公式(3)的形式:
其中,rij为浏览行为特征矩阵中第i行第j列的元素,为初始行为特征矩阵中的第i行第j列的元素,pij为初始用户特征矩阵中的第i行第k列的元素,qij为初始数据特征矩阵中的第k行第j列的元素。其中,1≤i≤M,1≤j≤N,1≤k≤K。
服务器可以通过第一损失函数,来调整初始行为特征矩阵,使得初始行为特征矩阵逐渐趋近于浏览行为特征矩阵,即使初始行为特征矩阵为与浏览行为特征矩阵R近乎相同,换句话说,就是让第一损失函数的值趋近于0。其中,当调整后的初始行为特征矩阵与浏览行为特征矩阵之间的矩阵误差(可以理解为是两者间的差值)小于误差阈值时,就可以认为初始行为特征矩阵与浏览行为特征矩阵近乎相同。其中,误差阈值可以为一个趋近于0的值。
当初始行为特征矩阵与浏览行为特征矩阵近乎相同时,可以根据调整后的初始行为特征矩阵,来得到调整后的初始用户特征矩阵和调整后的初始数据特征矩阵。由上述公式(3)可以看出,由于初始行为特征矩阵中的元素,就是通过初始用户特征矩阵中的元素和初始数据特征矩阵中元素相乘求和得到的,因此,调整初始行为特征矩阵,也就是调整pij和qij,即也就是调整初始数据特征矩阵和初始用户特征矩阵。因此,当调整pij和qij,使得上述第一损失函数的值趋近于0时,就可以通过此时调整后的pij,来得到调整后的初始用户特征矩阵,并通过此时调整后的qij,来得到调整后的初始数据特征矩阵。
调整后的初始用户特征矩阵中的各个元素的值是确定的。调整后的初始用户特征矩阵中有M行,一行对应于一个浏览用户,服务器可以从调整后的初始用户特征矩阵中,获取到每个浏览用户分别对应的那一行所构成的向量,作为每个浏览用户的用户特征表示。换句话说,调整后的初始用户特征矩阵中,一行就为一个浏览用户的用户特征表示,一个用户特征表示为一个向量,可以将该向量称之为浏览用户的隐变量。
同理,调整后的初始数据特征矩阵中的各个元素的值也是确定的。调整后的初始数据特征矩阵中有N行,一行对应于一个浏览用户,服务器可以从调整后的初始数据特征矩阵中,获取到每个浏览数据分别对应的那一行所构成的向量,作为每个浏览数据的数据特征表示。换句话说,调整后的初始数据特征矩阵中,一行就为一个浏览数据的数据特征表示,一个数据特征表示也为一个向量,可以将该向量称之为浏览数据的隐变量。
更多的,通常可以使用梯度下降算法来更新得到矩阵分解的结果,也就是更新得到初始用户特征矩阵P和初始数据特征矩阵Q。通过梯度下降的方法来更新得到P和Q的过程,可以参见下述公式:
其中,上述公式中的α为学习率,通常可以取10-1或者10-5。
请参见图4,图4是本申请提供的一种获取特征表示的场景示意图。如图4所示,初始用户特征矩阵P(也就是矩阵100d)的维度为(2,4),即上述浏览用户的用户总数量M等于2,K等于4。初始数据特征矩阵Q(也就是矩阵101d)的维度为(3,4),即上述浏览数据的数据总数量N等于3。初始数据特征矩阵Q的转置QT(也就是矩阵102d)的维度为(4,3)。
那么,初始用户特征矩阵P乘以初始数据特征矩阵Q的转置QT,就可以得到初始行为特征矩阵初始行为特征矩阵/>的维度为(2,3)。如图4所示,初始行为特征矩阵/>中第1行第1列的元素101e,等于P11*q11+p12*q12+p13*q13+p14*q14也就是等于/>即上述公式(3)中的i和j均等于1,也就是等于初始用户特征矩阵P中第1行元素与初始数据特征矩阵Q的转置QT中第1列的元素进行对应相乘求和。初始行为特征矩阵/>中第1行第2列的元素102e,等于P11*q21+p12*q22+p13*q23+p14*q24,也就是等于/>即上述公式(3)中的i等于1,j等于2,也就是等于初始用户特征矩阵P中第1行元素与初始数据特征矩阵Q的转置QT中第2列的元素进行对应相乘求和。初始行为特征矩阵/>中第1行第3列的元素103e,等于P11*q31+p12*q32+p13*q33+p14*q34,也就是等于/>即上述公式(3)中的i等于1,j等于3,也就是等于初始用户特征矩阵P中第1行元素与初始数据特征矩阵Q的转置QT中第3列的元素进行对应相乘求和。初始行为特征矩阵/>中第2行第1列的元素104e,等于P21*q11+p22*q12+p23*q13+p24*q14,也就是等于/>即上述公式(3)中的i等于2,j等于1,也就是等于初始用户特征矩阵P中第2行元素与初始数据特征矩阵Q的转置QT中第1列的元素进行对应相乘求和。初始行为特征矩阵/>中第2行第2列的元素105e,等于P21*q21+p22*q22+p23*q23+p24*q24,也就是等于/>即上述公式(3)中的i等于2,j等于2,也就是等于初始用户特征矩阵P中第2行元素与初始数据特征矩阵Q的转置QT中第2列的元素进行对应相乘求和。初始行为特征矩阵/>中第2行第3列的元素106e,等于P21*q31+p22*q32+p23*q33+p24*q34,也就是等于/>即上述公式(3)中的i等于2,j等于3,也就是等于初始用户特征矩阵P中第2行元素与初始数据特征矩阵Q的转置QT中第3列的元素进行对应相乘求和。
此处,假设浏览行为特征矩阵R为浏览行为特征矩阵104d,因此,可以通过上述第一损失函数,调整初始行为特征矩阵也就是调整初始用户特征矩阵P和调整初始数据特征矩阵Q,使得调整后的初始行为特征矩阵/>趋近于浏览行为特征矩阵R。调整之后,即可得到调整后的初始用户特征矩阵105d以及调整后的初始数据特征矩阵106d。其中,在调整后的初始用户特征矩阵105d的行107e中的元素所构成的向量,即为浏览用户1的用户特征表示,行108e中的元素所构成的向量,即为浏览用户2的用户特征表示。在调整后的初始数据特征矩阵106d的行109e中的元素所构成的向量,即为浏览数据1的数据特征表示,行110e中的元素所构成的向量,即为浏览数据2的数据特征表示,行111e中的元素所构成的向量,即为浏览数据3的数据特征表示。
可以理解的是,上述初始用户特征矩阵100d和初始数据特征矩阵101d中的各个元素的值,均为未知的。通过对初始用户特征矩阵100d和初始数据特征矩阵101d进行调整,所得到的调整后的初始用户特征矩阵105d和调整后的初始数据特征矩阵106d中的各个元素的值,就为确定的值。
通过上述过程,即得到了每个浏览用户的用户特征表示和每个浏览数据的数据特征表示,用户特征表示和数据特征表示均为向量。
步骤S103,根据每个用户特征表示和每个数据特征表示,获取每个浏览用户分别与每个浏览数据之间的预测关联特征;一个浏览用户与一个浏览数据之间对应于一个预测关联特征;
具体的,服务器可以根据每个用户特征表示和每个数据特征表示,获取到每个浏览用户分别与每个浏览数据之间的预测关联特征,一个浏览用户与一个浏览数据之间对应于一个预测关联特征。该预测关联特征包含了浏览用户对浏览数据可能感兴趣的程度。
其中,本申请是通过异构图神经网络,来得到浏览用户与浏览数据之间的预测关联特征。异构图神经网络属于一种图神经网络,异构图神经网络不同于一般的图神经网络,一般的图神经网络中通常只包括一种网络节点,例如,包括多个浏览用户的用户节点,或者包括多个浏览数据的数据节点。而在本申请中,异构图神经网络同时包括两种网络节点,一种为浏览用户的用户节点,一种为浏览数据的数据节点。
换句话说,上述至少两个浏览用户均为异构图神经网络中的用户节点,上述至少两个浏览数据均为异构图神经网络中的数据节点。由于需要计算浏览用户直接与浏览数据之间的预测关联特征,并且,浏览用户和浏览数据属于不同类型的对象,因此,在异构图神经网络中,需要通过浏览数据的数据特征表示和浏览用户的用户特征表示,来计算浏览数据向浏览用户传递的信息,进而来得到浏览用户最终的用户特征表示。同理,在异构图神经网络中,也需要通过浏览数据的数据特征表示和浏览用户的用户特征表示,来计算浏览用户向浏览数据传递的信息,进而来得到浏览数据最终的数据特征表示。
其中,浏览数据向浏览用户传递的信息,也就是在异构图神经网络中数据节点向用户节点传递的信息。同理,浏览用户向浏览数据传递的信息,也就是在异构图神经网络中用户节点向数据节点传递的信息。在异构图神经网络中,数据节点和用户节点之间可以相互连接,相互传递信息。
可以将浏览用户具有已浏览行为的浏览数据,称之为浏览用户的已浏览数据,可以将浏览用户具有未浏览行为的浏览数据,称之为浏览用户的未浏览数据。每个浏览用户被浏览数据传递的信息,可以是每个浏览用户对应的已浏览数据向其传递的。换句话说,可以通过每个浏览用户具有已浏览行为的浏览数据,来得到至少两个浏览数据向每个浏览用户传递的信息。
可以将已浏览数据向浏览用户传递的信息称之为用户传递信息,一个浏览用户对应有一个用户传递信息。浏览数据i向浏览用户u传递的信息mu←i可以参见下述公式(4):
其中,ei表示浏览数据i的数据特征表示,eu表示浏览用户u的用户特征表示。Nu表示浏览用户u对应的已浏览数据,|Nu|表示浏览用户u对应的已浏览数据的数据数量。Ni表示对浏览数据i具有已浏览行为的浏览用户,|Ni|表示对浏览数据i具有已浏览行为的浏览用户的用户数量。w1表示单类传播的参数,w2表示交叉传播的参数,w1和w2均为反向传播参数。⊙表示按位向量乘积。
因此,浏览用户u的已浏览数据向浏览用户u传递的用户传递信息可以参见下述公式(5):
其中,LeakyReLU为一个激活函数,Nu表示浏览用户u点击查看过的所有浏览数据,即浏览用户u的已浏览数据。因此,可以理解的是,在公式(5)中浏览数据i可以属于浏览用户u点击查看过的所有浏览数据,换句话说,浏览数据i属于浏览用户u的已浏览数据。
上述获取用户传递信息的过程也可以换种说法:假设存在浏览用户ya,那么可以将浏览用户ya的已浏览数据在异构图神经网络中的数据节点,称之为目标数据节点。那么,由上述公式(4)和公式(5)可知,可以通过浏览用户ya的用户特征表示以及目标数据节点对应的浏览数据的数据特征表示,来得到目标数据节点向浏览用户ya对应的用户节点所传递的用户传递信息,也就是得到浏览用户ya的已浏览数据向浏览用户ya传递的用户传递信息。其中,a为小于或等于浏览用户的用户总数量的正整数。
通过上述过程即可得到每个浏览用户对应的用户传递信息。
同理,可以将对浏览数据具有已浏览行为的浏览用户,称之为浏览数据的已浏览用户,可以将对浏览数据具有未浏览行为的浏览用户,称之为浏览数据的未浏览用户。每个浏览数据被浏览用户传递的信息,可以是每个浏览数据对应的已浏览用户向其传递的。换句话说,可以通过对每个浏览数据具有已浏览行为的浏览用户,来得到至少两个浏览用户向每个浏览数据传递的信息。
可以将已浏览用户向浏览数据传递的信息称之为数据传递信息,一个浏览数据对应有一个数据传递信息。浏览用户u向浏览数据i传递的信息mi←u可以参见下述公式(6):
其中,ei表示浏览数据i的数据特征表示,eu表示浏览用户u的用户特征表示。Nu表示浏览用户u对应的已浏览数据,|Nu|表示浏览用户u对应的已浏览数据的数据数量。Ni表示对浏览数据i具有已浏览行为的浏览用户,|Ni|表示对浏览数据i具有已浏览行为的浏览用户的用户数量。w1表示单类传播的参数,w2表示交叉传播的参数,w1和w2均为反向传播参数。⊙表示按位向量乘积。
因此,浏览数据i的已浏览用户向浏览数据i传递的数据传递信息可以参见下述公式(6):
其中,LeakyReLU为一个激活函数,Ni表示浏览数据i的所有已浏览用户。因此,可以理解的是,在公式(7)中浏览用户u可以属于对浏览数据i具有已浏览行为的所有浏览用户,换句话说,浏览用户u属于浏览用户i的已浏览用户。
上述获取用户传递信息的过程也可以换种说法:假设存在浏览数据sb,那么可以将浏览数据sb的已浏览用户在异构图神经网络中的用户节点,称之为目标用户节点。那么,由上述公式(6)和公式(7)可知,可以通过浏览数据sb的用户数据表示以及目标用户节点对应的浏览用户的用户特征表示,来得到目标用户节点向浏览数据sb对应的数据节点所传递的数据传递信息,也就是得到浏览数据sb的已浏览用户向浏览数据sb传递的数据传递信息。其中,b为小于或等于浏览数据的数据总数量的正整数。
通过上述过程即可得到每个浏览数据对应的数据传递信息。
接着,可以通过每个浏览用户的用户传递信息和每个浏览数据的数据传递信息,来得到每个浏览用户对应的用户递进传递信息和每个浏览数据对应的数据递进传递信息。由于上述浏览用户的用户特征表示和浏览数据的数据特征表示均可以理解为是初始的隐变量,那么通过获取浏览用户的用户递进传递信息和浏览数据的数据递进传递信息,即为通过堆叠多层传递与聚合函数来获取高层次的隐变量。
其中,结合上述公式(4)和公式(5),获取浏览用户u的用户递进传递信息的过程可以通过下述公式(8)来体现:
其中,l表示传递的层数,1≤l≤L,L通常可以等于2或者3。l每取一个值,均可以得到浏览用户u对应的一个用户递进传递信息。可以看出,当l取1时,上述用户递进传递信息就为上述公式(5)中得到的用户传递信息/>因此,可以将用户传递信息/>理解为是初始的用户递进传递信息。/>和/>也是反向传播参数,每递进一次,/>和/>就有不同的取值,换句话说,当l取不同的值,/>和/>也会不同,l每取一个值,就对应有一个/>和当l取1时,/>就为/>也就是上述公式(4)中的w1,/>就为/>也就是上述公式(4)中的w2。
可以理解的是,当l取1时,等于/>也就是浏览用户u的用户特征表示,也就是上述公式(4)中的eu。当l取1时,/>等于/>也就是浏览数据i的数据特征表示,也就是上述公式(4)中的ei。其中,当l取不同的值时,/>的获取方式可以参见下述所描述的获取浏览数据的数据递进传递信息的过程。
通过上述过程,即可得到l的每一个取值分别所对应的浏览用户u的用户递进传递信息。例如,当L等于3时,那么,l的取值就包括1、2和3。因此,l取1时,可以得到浏览用户u的用户传递信息(可以理解为是一个初始的用户递进传递信息),l取2时,可以得到浏览用户u的用户递进传递信息/>l取3时,可以得到浏览用户u的用户递进传递信息/>
可以将上述浏览用户u的用户特征表示、浏览用户u的用户传递信息以及浏览用户u的用户递进传递信息进行拼接,即可得到浏览用户u最终的用户特征表示。例如,当L等于3时,浏览用户u最终的用户特征表示就为其中,“||”表示拼接。
可以将最终所得到的浏览用户u最终的用户特征表示记为 可以将浏览用户最终的用户特征表示称之为目标用户特征表示。
通过上述过程,可以理解的是,每个浏览用户的用户递进传递信息,也是分别通过每个浏览用户的已浏览数据的数据传递信息和数据递进传递信息、以及每个浏览用户的用户传递信息所得到的。举个例子,若存在浏览用户ya,则浏览用户ya的用户递进传递信息,是通过浏览用户ya的已浏览数据的数据传递信息、浏览用户ya的已浏览数据的数据递进传递信息、以及浏览用户ya的用户传递信息所得到的。其中,a为小于或等于浏览用户的用户总数量的正整数。
同理,可以通过类似的方式来得到浏览数据最终的数据特征表示。请参见下述:
其中,结合上述公式(6)和公式(7),获取浏览数据i的用户递进传递信息的过程可以通过下述公式(9)来体现:
其中,l表示传递的层数,1≤l≤L,L通常可以等于2或者3。l每取一个值,均可以得到浏览数据i对应的一个数据递进传递信息。可以看出,当l取1时,上述数据递进传递信息就为上述公式(5)中得到的数据传递信息/>因此,可以将数据传递信息/>理解为是初始的数据递进传递信息。/>和/>与上述获取用户递进传递信息时的/>和/>相同,其均为反向传播参数,换句话说,公式(8)中的/>和/>与公式(9)中的/>和/>相同。
可以理解的是,当l取1时,等于/>也就是浏览数据i的数据特征表示,也就是上述公式(4)中的ei。当l取1时,/>等于/>也就是浏览用户u的用户特征表示,也就是上述公式(4)中的eu。其中,当l取不同的值时,/>的获取方式可以参见上述所描述的获取浏览用户的用户递进传递信息的过程。
通过上述过程,即可得到l的每一个取值分别所对应的浏览数据i的数据递进传递信息。例如,当L等于3时,那么,l的取值就包括1、2和3。因此,l取1时,可以得到浏览数据i的数据传递信息(可以理解为是一个初始的用户递进传递信息),l取2时,可以得到浏览数据i的数据递进传递信息/>l取3时,可以得到浏览数据i的数据递进传递信息/>
可以将上述浏览数据i的数据特征表示、浏览数据i的数据传递信息以及浏览数据i的数据递进传递信息进行拼接,即可得到浏览数据i最终的数据特征表示。例如,当L等于3时,浏览数据i最终的数据特征表示就为其中,“||”表示拼接。
可以将最终所得到的浏览数据i最终的数据特征表示记为 可以将浏览数据最终的数据特征表示称之为目标数据特征表示。
通过上述过程,可以理解的是,每个浏览数据的数据递进传递信息,也是分别通过每个浏览数据的已浏览用户的用户传递信息和用户递进传递信息、以及每个浏览数据的数据传递信息所得到的。举个例子,若存在浏览数据sb,则浏览用户sb的用户递进传递信息,是通过浏览用户sb的已浏览数据的数据传递信息、浏览用户sb的已浏览数据的数据递进传递信息、以及浏览用户sb的用户传递信息所得到的。其中,b为小于或等于浏览数据的数据总数量的正整数。
因此,在得到上述浏览用户最终的用户特征表示和浏览数据最终的数据特征表示之后,可以将浏览用户最终的用户特征表示的转置乘上浏览数据最终的数据特征表示,即可得到浏览用户与浏览数据之间的预测关联特征。记浏览数据u和浏览用户i之间的预测关联特征为则/>再举个例子,若存在浏览用户ya和浏览数据sb,则浏览用户ya和浏览数据sb之间的预测关联特征,就为浏览用户ya的目标用户特征表示的转置乘以浏览数据sb的目标数据特征表示。
请参见图5,图5是本申请提供的一种信息传递的场景示意图。如图5所示,假设上述至少两个浏览用户包括浏览用户eu1,浏览用户eu1具有已浏览行为的浏览数据包括浏览数据ei1、浏览数据ei2和浏览数据ei3。首先,当上述传递次数l等于1时,可以通过区域101f中的浏览数据ei1的数据特征表示ei1(0)、浏览数据ei2的数据特征表示ei2(0)、浏览数据ei3的数据特征表示ei3(0)、以及浏览用户eu1的用户特征表示eu1(0),计算得到浏览数据ei1、浏览数据ei2和浏览数据ei3向浏览用户eu1传递的用户传递信息eu1(1)。同样,当传递次数l等于1时,也可以计算得到区域102f中的浏览数据ei1的已浏览用户向浏览数据ei1传递的数据传递信息ei1(1)、浏览数据ei2的已浏览用户向浏览数据ei2传递的数据传递信息ei2(1)、以及浏览数据ei3的已浏览用户向浏览数据ei3传递的数据传递信息ei3(1)。
接着,当传递次数l等于2时,同样可以通过区域102f中的浏览数据ei1的数据传递信息ei1(1)、浏览数据ei2的数据传递信息ei2(1)、浏览数据ei3的数据传递信息ei3(1)以及浏览用户eu1的用户传递信息eu1(1),得到区域103f中的浏览用户eu1的用户递进传递信息eu1(2)。当传递次数l等于2时,也可以得到浏览数据ei1的数据递进传递信息ei1(2)、浏览数据ei2的数据递进传递信息ei2(2)以及浏览数据ei3的数据递进传递信息ei3(2)。
接着,当传递次数l等于3时,同样可以通过区域103f中的浏览数据ei1的数据递进传递信息ei1(2)、浏览数据ei2的数据递进传递信息ei2(2)、浏览数据ei3的数据递进传递信息ei3(2)以及浏览用户eu1的用户递进传递信息eu1(2),得到区域104f中的浏览用户eu1的用户递进传递信息eu1(3)。当传递次数l等于3时,也可以得到浏览数据ei1的数据递进传递信息ei1(3)、浏览数据ei2的数据递进传递信息ei2(3)以及浏览数据ei3的数据递进传递信息ei3(3)。
若L就等于3,则浏览用户eu1的目标用户特征表示105f,可以为eu1*=eu1(0)||eu1(1)||eu1(2)||eu1(3),浏览数据ei1的目标数据特征表示106f,可以为ei1*=ei1(0)||ei1(1)||ei1(2)||ei1(3),浏览数据ei2的目标数据特征表示107f,可以为ei2*=ei2(0)||ei2(1)||ei2(2)||ei2(3),浏览数据ei3的目标数据特征表示108f,可以为ei3*=ei3(0)||ei3(1)||ei3(2)||ei3(3)。
因此,浏览用户eu1与浏览数据ei1之间的预测关联特征109f,就可以为eu1*T×ei1*,浏览用户eu1与浏览数据ei2之间的预测关联特征110f,就可以为eu1*T×ei2*,浏览用户eu1与浏览数据ei3之间的预测关联特征111f,就可以为eu1*T×ei3*。
步骤S104,根据每个浏览用户与每个浏览数据之间的预测关联特征,从至少两个浏览数据中,获取每个浏览用户分别对应的推荐浏览数据;
具体的,每个浏览用户的推荐浏览数据,可以是从每个浏览用户的未浏览数据中获取到的。因此,可以获取每个浏览用户与其未浏览数据之间的预测关联特征,并将该预测关联特征输入排序推荐模型中。其中,排序推荐模型为训练好的,可以根据浏览用户与浏览数据之间的预测关联特征,对浏览数据进行排序的模型。其中,排序推荐模型对浏览数据进行排序的规则即为,将浏览用户可能感兴趣的程度越大的浏览数据排在前面,将浏览用户可能感兴趣的程度越小的浏览数据排在后面。一个浏览用户对应于一个浏览数据的排序,一个浏览用户所对应的浏览数据的排序,是对该浏览用户的未浏览数据的排序。
可以设置推荐数据数量,该推荐数据数量即为需要向浏览用户推荐的浏览数据的数量,可以记推荐数据数量为n。可以将每个浏览用户对应浏览数据的排序中,排在前面的n个浏览数据,分别作为每个浏览用户的推荐浏览数据。
服务器可以将每个浏览用户分别对应的推荐浏览数据,分别发送至每个浏览用户所属的终端设备,使得每个浏览用户所属的终端设备都可以在终端推荐页面中,输出所获取到的推荐浏览数据,以实现向对应的浏览用户推荐其可能感兴趣程度较深的浏览数据。
其中,上述排序推荐模型的训练过程可以是:首先,可以获取样本浏览用户对应的正样本预测关联特征,并获取样本浏览用户对应的负样本预测关联特征。可以将样本浏览用户与样本浏览数据之间的预测关联特征称之为样本预测关联特征,可以将样本浏览用户的已浏览数据称之为样本已浏览数据,可以将样本浏览用户的未浏览数据称之为样本未浏览数据。其中,正样本预测关联特征,即为样本浏览用户与其样本已浏览数据之间的预测关联特征。负样本预测关联特征,即为样本浏览用户与其未浏览数据之间的预测关联特征。
其中,上述样本浏览用户的正样本预测关联特征和负样本预测关联特征,也是通过上述步骤S103中所描述的方法获取到的,换句话说,获取正样本预测关联特征与获取负样本预测关联特征的方法,与上述获取浏览用户与浏览数据之间的预测关联特征的方法相同。
可以将上述所获取到的正样本预测关联特征和负样本预测关联特征,输入初始排序推荐模型。初始排序推荐模型可以生成针对正样本预测关联特征的推荐权重值,还可以生成针对负样本预测关联特征的推荐权重值。其中,一个样本预测关联特征对应于一个推荐权重值,即一个浏览用户和一个浏览数据对应于一个推荐权重值。推荐权重值表征了浏览用户对对应的浏览数据可能感兴趣的程度,推荐权重值越大,表明浏览用户对对应的浏览数据感兴趣的可能性就越大,反之,推荐权重值越小,表明浏览用户对对应的浏览数据感兴趣的可能性就越小。
其中,可以将针对正样本预测关联特征的推荐权重值,称之为第一推荐权重值,将针对负样本预测关联特征的推荐权重值,称之为第二推荐权重值。在实际训练过程中,针对一个样本浏览用户对应的多个正样本预测关联特征,可以为每个正样本预测关联特征,均随机获取到该样本浏览用户的一个负样本预测关联特征。即正样本预测关联特征可以与负样本预测关联特征成对出现,一对正样本预测关联特征和负样本预测关联特征,包括一个样本浏览用户的一个正样本预测关联特征和一个负样本预测关联特征。在训练时,需要使得每对正样本预测关联特征和负样本预测关联特征中,正样本预测关联特征对应的第一推荐权重值,要大于负样本预测关联特征对应的第二推荐权重值,以此来修正初始排序推荐模型的模型参数。
其中,可以将初始排序推荐模型的损失函数称之为第二损失函数,第二损失函数可以是基于贝叶斯个性化排序的损失函数,第二损失函数loss的公式如下述公式(10)所示:
其中,σ是表示用于训练初始排序推荐模型的激活函数,λ表示二范数的约束系数,θ表示初始排序推荐模型的所有模型参数。表示一个样本浏览用户u与其某个已浏览数据i之间的正样本预测关联特征,/>表示该样本浏览用户u与其某个未浏览数据j之间的负样本预测关联特征。o表示训练集,R+表示正样本预测关联特征集合,R-表示负样本预测关联特征集合,(u,i)表示一个正样本预测关联特征集合对应的一对样本浏览用户u和样本已浏览数据i,(u,j)表示一个负样本预测关联特征集合对应的一对样本浏览用户u和样本未浏览数据j。
通过上述第二损失函数,可以训练初始排序推荐模型所生成的每对正样本预测关联特征和负样本预测关联特征中,正样本预测关联特征对应的第一权重值大于负样本预测关联特征对应的第二推荐权重值。
其中,可以存在多个样本浏览用户,每个样本浏览用户均可以对应有多对正样本预测关联特征和负样本预测关联特征。当通过所有样本浏览用户对应的每对正样本预测关联特征和负样本预测关联特征,对初始排序推荐模型训练完成时,即可将训练完成的初始排序推荐模型,作为所训练得到的排序推荐模型。
其中,在实际应用排序推荐模型时,排序推荐模型也可以生成所输入的每个预测关联特征对应的推荐权重值,排序推荐模型可以根据每个预测关联特征对应的推荐权重值,对每个预测关联特征所属的浏览数据进行排序。
举个例子,若存在浏览用户ya,则可以将获取到浏览用户ya与其未浏览数据之间的预测关联特征。服务器可以将浏览用户ya与其未浏览数据之间的预测关联特征输入排序推荐模型中,排序推荐模型可以生成浏览用户ya与其每个未浏览数据之间的预测关联特征对应的推荐权重值。排序推荐模型可以根据浏览用户ya的每个未浏览数据对应的推荐权重值,对浏览用户ya的每个未浏览数据进行排序,并得到排序后的未浏览数据。
接着排序推荐模型可以根据推荐数据数量,从浏览用户ya排序后的未浏览数据中,获取相应数量的未浏览数据,作为浏览用户ya对应的推荐浏览数据。其中,推荐数据数量为需要向浏览用户ya推荐的浏览数据的个数。例如,若推荐数据数量为10,则可以从浏览用户ya排序后的未浏览数据中,获取到排列在前10个的未浏览数据,作为浏览用户ya的推荐浏览数据。
服务器还可以将浏览用户ya的推荐浏览数据,发送至浏览用户ya所属的终端设备,使得浏览用户ya所属的终端设备可以在终端推荐页面中,输出浏览用户ya的推荐浏览数据,以实现向浏览用户ya推荐其对应的推荐浏览数据的目的。
更多的,需要进行说明的是,在对初始排序推荐模型进行训练时,所输入的样本预测关联特征中的反向传播参数是初始化的参数,可以理解为此时的反向传播参数是未知的,该反向传播参数可以指上述公式(8)和公式(9)中的和/>在对初始排序推荐模型进行训练的过程中,也会不断调整初始化的反向传播参数,等到初始排序推荐模型被训练完成时,初始化的反向传播参数也被调整完成,此时反向传播参数就是一个确定的参数。换句话说,反向传播参数是在对初始排序推荐模型进行训练时,所调整得到的。在对初始排序推荐模型训练完成之前,反向传播参数是未知的不确定的参数,在对初始排序推荐模型训练完成之后,反向传播参数就被确定了,是已知的参数。
其中,通常可以使用梯度下降算法来更新得到上述反向传播参数和反向传播参数/>通过梯度下降的方法来更新得到反向传播参数/>和反向传播参数/>的过程,可以参见下述公式:
其中,上述公式中的α为学习率,通常可以取10-1或者10-5。
因此,可以理解的是,在应用排序推荐模型时,反向传播参数是确定的,可以理解的是,在通过排序推荐模型得到浏览用户的推荐浏览数据时,浏览用户与浏览数据之间的预测关联特征中的反向传播参数是确定的已知的参数,该反向传播参数就是对初始排序推荐模型训练完成时,所得到的确定的反向传播参数。
请参见图6,图6是本申请提供的一种获取推荐浏览数据的场景示意图。如图6所示,存在浏览用户1、浏览用户2和浏览用户3,共3个浏览用户。由于可以从浏览用户的未浏览数据中获取浏览用户的推荐浏览数据,因此,可以只将浏览用户与其未浏览数据之间的预测关联特征,输入排序推荐模型,而不需要将浏览用户与其已浏览数据之间的预测关联特征,输入排序推荐模型。
因此,如区域100g所示,若浏览用户1具有未浏览行为的浏览数据包括浏览数据1、浏览数据5和浏览数据6,则可以将浏览用户1与浏览数据1之间的预测关联特征、浏览用户1与浏览数据5之间的预测关联关系、以及浏览用户1与浏览数据6之间的预测关联关系,输入排序推荐模型103g中。
同理,如区域101g所示,若浏览用户2具有未浏览行为的浏览数据包括浏览数据4、浏览数据6、浏览数据7和浏览数据8,则可以将浏览用户2与浏览数据4之间的预测关联特征、浏览用户2与浏览数据6之间的预测关联特征、浏览用户2和浏览数据7之间的预测关联特征、以及浏览用户2与浏览数据8之间的预测关联特征,输入排序推荐模型103g。
同理,如区域102g所示,若浏览用户3具有未浏览行为的浏览数据包括浏览数据3、浏览数据10、浏览数据11和浏览数据15,则可以将浏览用户3与浏览数据3之间的预测关联特征、浏览用户3与浏览数据10之间的预测关联特征、浏览用户3和浏览数据11之间的预测关联特征、以及浏览用户3与浏览数据15之间的预测关联特征,输入排序推荐模型103g。
继而,排序推荐模型103g就可以得到每个浏览用户与其未浏览数据之间的推荐权重值,一个浏览用户与一个浏览数据之间对应于一个推荐权重值,排序推荐模型可以根据每个浏览数据对应的推荐权重值,对每个浏览用户的未浏览数据进行排序,得到每个浏览用户分别对应的排序后的未浏览数据。
具体的,排序推荐模型103g所得到的浏览用户1的排序后的未浏览数据为排序104g,排序104g中的浏览数据依次为未浏览数据5、未浏览数据1和未浏览数据6,表明未浏览数据5的推荐权重值大于未浏览数据1的推荐权重值,未浏览数据1的推荐权重值大于未浏览数据6的推荐权重值。
排序推荐模型103g所得到的浏览用户2的排序后的未浏览数据为排序105g,排序105g中的浏览数据依次为未浏览数据4、未浏览数据7、未浏览数据8和未浏览数据6,表明未浏览数据4的推荐权重值大于未浏览数据7的推荐权重值,未浏览数据7的推荐权重值大于未浏览数据8的推荐权重值,未浏览数据8的推荐权重值大于未浏览数据6的推荐权重值。
排序推荐模型103g所得到的浏览用户3的排序后的未浏览数据为排序106g,排序106g中的浏览数据依次为未浏览数据11、未浏览数据15、未浏览数据3和未浏览数据10,表明未浏览数据11的推荐权重值大于未浏览数据15的推荐权重值,未浏览数据15的推荐权重值大于未浏览数据3的推荐权重值,未浏览数据3的推荐权重值大于未浏览数据10的推荐权重值。
假设推荐数据数量为2,则表明需要为每个浏览用户推荐2个浏览数据,则可以将每个浏览用户的排序后的未浏览数据中的前2个未浏览数据,分别作为每个浏览用户的推荐浏览数据。如区域107g所示,此处获取到的浏览用户1的推荐浏览数据,为排序104g中的前2个浏览数据,即包括未浏览数据5和未浏览数据1。如区域108g所示,此处获取到的浏览用户2的推荐浏览数据,为排序105g中的前2个浏览数据,即包括未浏览数据4和未浏览数据7。如区域109g所示,此处获取到的浏览用户3的推荐浏览数据,为排序106g中的前2个浏览数据,即包括未浏览数据11和未浏览数据15。
服务器可以将浏览用户1的推荐浏览数据(包括未浏览数据5和未浏览数据1),发送至浏览用户1所属的终端设备中,使得浏览用户1所属的终端设备可以在终端推荐页面中,输出未浏览数据5和未浏览数据1,以实现向浏览用户1推荐未浏览数据5和未浏览数据1的目的。同样,服务器也可以将浏览用户2的推荐浏览数据(包括未浏览数据4和未浏览数据7),发送至浏览用户2所属的终端设备中,使得浏览用户2所属的终端设备可以在终端推荐页面中,输出未浏览数据4和未浏览数据7,以实现向浏览用户2推荐未浏览数据4和未浏览数据7的目的。同样,服务器也可以将浏览用户3的推荐浏览数据(包括未浏览数据11和未浏览数据15),发送至浏览用户3所属的终端设备中,使得浏览用户3所属的终端设备可以在终端推荐页面中,输出未浏览数据11和未浏览数据15,以实现向浏览用户3推荐未浏览数据11和未浏览数据15的目的。
请参见图7,图7是本申请提供的一种终端页面的页面示意图。假设浏览数据为视频数据,那么,浏览用户的推荐浏览数据就为需要向浏览用户推荐的视频数据。如图7所示,终端页面100h为某个浏览用户所属的终端设备中的一个终端推荐页面。终端页面100h中输出显示有向浏览用户推荐的视频1、视频2、视频3、视频4和视频5。其中,视频1、视频2、视频3、视频4和视频5,均可以是通过上述所描述的方法获取到的浏览用户的推荐浏览数据。
请参见图8,图8是本申请提供的一种终端页面的页面示意图。假设浏览数据为书籍数据,那么,浏览用户的推荐浏览数据就为需要向浏览用户推荐的书籍数据。如图8所示,终端页面101h为某个浏览用户所属的终端设备中的一个终端推荐页面。终端页面101h中输出显示有向浏览用户推荐的书籍1、书籍2、书籍3、书籍4、书籍5和书籍6。其中,书籍1、书籍2、书籍3、书籍4、书籍5和书籍6,均可以是通过上述所描述的方法获取到的浏览用户的推荐浏览数据。
本申请可以获取至少两个浏览用户和至少两个浏览数据,根据每个浏览用户分别对每个浏览数据的浏览行为,生成浏览行为特征表示;根据浏览行为特征表示,拟合每个浏览用户的用户特征表示、以及每个浏览数据的数据特征表示;每个用户特征表示以及每个数据特征表示,均与至少两个浏览用户针对至少两个浏览数据的浏览行为相关联;根据每个用户特征表示和每个数据特征表示,获取每个浏览用户分别与每个浏览数据之间的预测关联特征;一个浏览用户与一个浏览数据之间对应于一个预测关联特征;根据每个浏览用户与每个浏览数据之间的预测关联特征,从至少两个浏览数据中,获取每个浏览用户分别对应的推荐浏览数据。由此可见,本申请提出的方法可以根据至少两个浏览用户针对至少两个浏览数据的浏览行为,来得到每个浏览用户对应的推荐浏览数据,不局限推荐浏览数据的数据类型,从而丰富了推荐浏览数据的数据类型。并且,本申请可以直接建立浏览用户与浏览数据之间的预测关联特征,进而通过该预测关联特征来得到浏览用户的推荐浏览数据,这属于端到端(即从浏览用户到浏览视频)的一种数据推荐方法,因此还提高了获取推荐浏览数据的效率。
请参见图9,图9是本申请提供的一种数据推荐装置的结构示意图。如图9所示,该数据推荐装置1可以包括:获取模块11、拟合模块12、关联特征获取模块13和推荐数据获取模块14;
获取模块11,用于获取至少两个浏览用户和至少两个浏览数据,根据每个浏览用户分别对每个浏览数据的浏览行为,生成浏览行为特征表示;
拟合模块12,用于根据浏览行为特征表示,拟合每个浏览用户的用户特征表示、以及每个浏览数据的数据特征表示;每个用户特征表示以及每个数据特征表示,均与至少两个浏览用户针对至少两个浏览数据的浏览行为相关联;
关联特征获取模块13,用于根据每个用户特征表示和每个数据特征表示,获取每个浏览用户分别与每个浏览数据之间的预测关联特征;一个浏览用户与一个浏览数据之间对应于一个预测关联特征;
推荐数据获取模块14,用于根据每个浏览用户与每个浏览数据之间的预测关联特征,从至少两个浏览数据中,获取每个浏览用户分别对应的推荐浏览数据。
其中,获取模块11、拟合模块12、关联特征获取模块13和推荐数据获取模块14的具体功能实现方式请参见图3对应的实施例中的步骤S101-步骤S104,这里不再进行赘述。
其中,浏览行为包括已浏览行为和未浏览行为;
获取模块11,包括:参数获取单元111和行为特征确定单元112;
参数获取单元111,用于获取用于表示已浏览行为的已浏览参数,获取用于表示未浏览行为的未浏览参数;
行为特征确定单元112,用于根据每个浏览用户分别对每个浏览数据的浏览行为、已浏览参数和未浏览参数,生成浏览行为特征矩阵,将浏览行为特征矩阵,确定为浏览行为特征表示。
其中,参数获取单元111和行为特征确定单元112的具体功能实现方式请参见图3对应的实施例中的步骤S101,这里不再进行赘述。
其中,拟合模块12,包括:初始矩阵获取单元121、初始矩阵生成单元122、损失函数生成单元123、矩阵调整单元124、调整矩阵确定单元125和特征表示获取单元126;
初始矩阵获取单元121,用于获取针对至少两个浏览用户的初始用户特征矩阵,获取针对至少两个浏览数据的初始数据特征矩阵;
初始矩阵生成单元122,用于根据初始用户特征矩阵和初始数据特征矩阵,生成初始行为特征矩阵;
损失函数生成单元123,用于根据浏览行为特征矩阵和初始行为特征矩阵之间的矩阵误差,生成第一损失函数;
矩阵调整单元124,用于基于第一损失函数,调整初始行为特征矩阵;
调整矩阵确定单元125,用于当调整后的初始行为特征矩阵与浏览行为特征矩阵之间的矩阵误差小于误差阈值时,根据调整后的初始行为特征矩阵,确定调整后的初始用户特征矩阵和调整后的初始数据特征矩阵;
特征表示获取单元126,用于从调整后的初始用户特征矩阵中,获取每个浏览用户的用户特征表示,从调整后的初始数据特征矩阵中,获取每个浏览数据的数据特征表示。
其中,初始矩阵获取单元121、初始矩阵生成单元122、损失函数生成单元123、矩阵调整单元124、调整矩阵确定单元125和特征表示获取单元126的具体功能实现方式请参见图3对应的实施例中的步骤S102,这里不再进行赘述。
其中,浏览行为包括已浏览行为;
关联特征获取模块13,包括:用户传递信息获取单元131、数据传递信息获取单元132和关联特征确定单元133;
用户传递信息获取单元131,用于根据每个用户特征表示和每个数据特征表示,获取至少两个浏览数据针对每个浏览用户的用户传递信息;一个浏览用户对应于一个用户传递信息;一个浏览用户的用户传递信息,与该浏览用户具有已浏览行为的浏览数据相关联;
数据传递信息获取单元132,用于根据每个用户特征表示和每个数据特征表示,获取至少两个浏览用户针对每个浏览数据的数据传递信息;一个浏览数据对应于一个数据传递信息;一个浏览数据的数据传递信息,与对该浏览数据具有已浏览行为的浏览用户相关联;
关联特征确定单元133,用于根据每个浏览用户对应的用户传递信息和每个浏览数据对应的数据传递信息,确定每个浏览用户分别与每个浏览数据之间的预测关联特征。
其中,用户传递信息获取单元131、数据传递信息获取单元132和关联特征确定单元133的具体功能实现方式请参见图3对应的实施例中的步骤S104,这里不再进行赘述。
其中,至少两个浏览用户为图神经网络中的用户节点;至少两个浏览数据为图神经网络中的数据节点;至少两个浏览用户包括浏览用户ya,a为小于或等于至少两个浏览用户的用户总数量的正整数;
用户传递信息获取单元131,包括:第一表示确定子单元1311和第一传递信息确定子单元1312;
第一表示确定子单元1311,用于将至少两个浏览数据对应的数据节点中,浏览用户ya具有已浏览行为的浏览数据所对应的数据节点,确定为目标数据节点;
第一传递信息确定子单元1312,用于根据浏览用户ya的用户特征表示和目标数据节点对应的数据特征表示,确定目标数据节点向浏览用户ya对应的用户节点所传递的用户传递信息。
其中,第一表示确定子单元1311和第一传递信息确定子单元1312的具体功能实现方式请参见图3对应的实施例中的步骤S103,这里不再进行赘述。
其中,至少两个浏览用户为图神经网络中的用户节点;至少两个浏览数据为图神经网络中的数据节点;至少两个浏览数据包括浏览数据sb,b为小于或等于至少两个浏览数据的数据总数量的正整数;
数据传递信息获取单元132,包括:第二表示确定子单元1321和第二传递信息确定子单元1322;
第二表示确定子单元1321,用于将至少两个浏览用户对应的用户节点中,对浏览数据sb具有已浏览行为的浏览用户对应的用户节点,确定为目标用户节点;
第二传递信息确定子单元1322,用于根据浏览数据sb的数据特征表示和目标用户节点对应的用户特征表示,确定目标用户节点向浏览数据sb对应的数据节点所传递的数据传递信息。
其中,第二表示确定子单元1321和第二传递信息确定子单元1322的具体功能实现方式请参见图3对应的实施例中的步骤S103,这里不再进行赘述。
其中,至少两个浏览用户包括浏览用户ya,a为小于或等于至少两个浏览用户的用户总数量的正整数;至少两个浏览数据包括浏览数据sb,b为小于或等于至少两个浏览数据的数据总数量的正整数;
关联特征确定单元133,包括:第一递进信息确定子单元1331、第二递进信息确定子单元1332和关联特征确定子单元1333;
第一递进信息确定子单元1331,用于根据浏览用户ya对应的用户传递信息和浏览用户ya具有已浏览行为的浏览数据的数据传递信息,确定浏览用户ya对应的用户递进传递信息,将浏览用户ya对应的用户传递信息和用户递进传递信息进行拼接,得到浏览用户ya的目标用户特征表示;
第二递进信息确定子单元1332,用于根据浏览数据sb对应的数据传递信息和对浏览数据sb具有已浏览行为的浏览用户的用户传递信息,确定浏览数据sb对应的数据递进传递信息,将浏览数据sb对应的数据传递信息和数据递进传递信息进行拼接,得到浏览数据sb的目标数据特征表示;
关联特征确定子单元1333,用于根据浏览用户ya的目标用户特征表示和浏览数据sb的目标数据特征表示,确定浏览用户ya与浏览数据sb之间的预测关联特征。
其中,第一递进信息确定子单元1331、第二递进信息确定子单元1332和关联特征确定子单元1333的具体功能实现方式请参见图3对应的实施例中的步骤S103,这里不再进行赘述。
其中,浏览行为包括未浏览行为;至少两个浏览用户包括浏览用户ya,a为小于或等于至少两个浏览用户的用户总数量的正整数;
推荐数据获取模块14,包括:数据确定单元141、输入单元142、排序单元143和推荐数据获取单元144;
数据确定单元141,用于将至少两个浏览数据中,浏览用户ya具有未浏览行为的浏览数据,确定为未浏览数据;
输入单元142,用于将浏览用户ya与未浏览数据之间的预测关联特征,输入排序推荐模型;
排序单元143,用于在排序推荐模型中,根据浏览用户ya与未浏览数据之间的预测关联特征,生成未浏览数据对应的推荐权重值,根据推荐权重值对未浏览数据进行推荐排序,得到排序后的未浏览数据;
推荐数据获取单元144,用于根据推荐数据数量,在排序后的未浏览数据中,获取浏览用户ya对应的推荐浏览数据。
其中,数据确定单元141、输入单元142、排序单元143和推荐数据获取单元144的具体功能实现方式请参见图3对应的实施例中的步骤S104,这里不再进行赘述。
其中,数据推荐装置1,还用于:
将浏览用户ya对应的推荐浏览数据,发送至浏览用户ya所属的终端设备,以使终端设备在终端推荐页面中,输出浏览用户ya对应的推荐浏览数据。
其中,数据推荐装置1,还包括:样本获取模块15、样本输入模块16、权重获取模块17和修正模块18;
样本获取模块15,用于获取样本浏览用户对应的正样本预测关联特征、和样本浏览用户对应的负样本预测关联特征;正样本预测关联特征,为样本浏览用户与样本已浏览数据之间的样本预测关联特征;负样本预测关联特征,为样本浏览用户与样本未浏览数据之间的样本预测关联特征;
样本输入模块16,用于将正样本预测关联特征和负样本预测关联特征,输入初始排序推荐模型;
权重获取模块17,用于基于初始排序推荐模型、正样本预测关联特征和负样本预测关联特征,获取样本已浏览数据的第一推荐权重值和样本未浏览数据的第二推荐权重值;
修正模块18,用于基于第二损失函数、第一推荐权重值和第二推荐权重值,修正初始排序推荐模型的模型参数,得到排序推荐模型;第二损失函数用于使初始排序推荐模型生成的第一推荐权重值大于第二推荐权重值;初始排序推荐模型用于根据第二推荐权重值,对样本未浏览数据进行排序。
其中,样本获取模块15、样本输入模块16、权重获取模块17和修正模块18的具体功能实现方式请参见图3对应的实施例中的步骤S104,这里不再进行赘述。
本申请可以获取至少两个浏览用户和至少两个浏览数据,根据每个浏览用户分别对每个浏览数据的浏览行为,生成浏览行为特征表示;根据浏览行为特征表示,拟合每个浏览用户的用户特征表示、以及每个浏览数据的数据特征表示;每个用户特征表示以及每个数据特征表示,均与至少两个浏览用户针对至少两个浏览数据的浏览行为相关联;根据每个用户特征表示和每个数据特征表示,获取每个浏览用户分别与每个浏览数据之间的预测关联特征;一个浏览用户与一个浏览数据之间对应于一个预测关联特征;根据每个浏览用户与每个浏览数据之间的预测关联特征,从至少两个浏览数据中,获取每个浏览用户分别对应的推荐浏览数据。由此可见,本申请提出的方法可以根据至少两个浏览用户针对至少两个浏览数据的浏览行为,来得到每个浏览用户对应的推荐浏览数据,不局限推荐浏览数据的数据类型,从而丰富了推荐浏览数据的数据类型。并且,本申请可以直接建立浏览用户与浏览数据之间的预测关联特征,进而通过该预测关联特征来得到浏览用户的推荐浏览数据,这属于端到端(即从浏览用户到浏览视频)的一种数据推荐方法,因此还提高了获取推荐浏览数据的效率。
请参见图10,图10是本申请提供的一种计算机设备的结构示意图。如图10所示,计算机设备1000可以包括:处理器1001,网络接口1004和存储器1005,此外,计算机设备1000还可以包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图10所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图10所示的计算机设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于为用户提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现前文图3所对应实施例中对数据推荐方法的描述。应当理解,本申请中所描述的计算机设备1000也可执行前文图9所对应实施例中对数据推荐装置1的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
此外,这里需要指出的是:本申请还提供了一种计算机可读存储介质,且计算机可读存储介质中存储有前文提及的数据推荐装置1所执行的计算机程序,且计算机程序包括程序指令,当处理器执行程序指令时,能够执行前文图3所对应实施例中对数据推荐方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。
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,上述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖范围。
Claims (14)
1.一种数据推荐方法,其特征在于,包括:
获取至少两个浏览用户和至少两个浏览数据,根据每个浏览用户分别对每个浏览数据的浏览行为,生成浏览行为特征表示;
根据所述浏览行为特征表示,拟合所述每个浏览用户的用户特征表示、以及所述每个浏览数据的数据特征表示;每个用户特征表示以及每个数据特征表示,均与所述至少两个浏览用户针对所述至少两个浏览数据的浏览行为相关联;所述浏览行为包括已浏览行为;
根据所述每个用户特征表示和所述每个数据特征表示,获取所述至少两个浏览数据针对所述每个浏览用户的用户传递信息;一个浏览用户对应于一个用户传递信息;一个浏览用户的用户传递信息,与该浏览用户具有所述已浏览行为的浏览数据相关联;
根据所述每个用户特征表示和所述每个数据特征表示,获取所述至少两个浏览用户针对所述每个浏览数据的数据传递信息;一个浏览数据对应于一个数据传递信息;一个浏览数据的数据传递信息,与对该浏览数据具有所述已浏览行为的浏览用户相关联;
根据所述每个浏览用户对应的用户传递信息和所述每个浏览数据对应的数据传递信息,确定所述每个浏览用户分别与所述每个浏览数据之间的预测关联特征;一个浏览用户与一个浏览数据之间对应于一个预测关联特征;
根据所述每个浏览用户与所述每个浏览数据之间的预测关联特征,从所述至少两个浏览数据中,获取所述每个浏览用户分别对应的推荐浏览数据。
2.根据权利要求1所述的方法,其特征在于,所述浏览行为还包括未浏览行为;
所述根据每个浏览用户分别对每个浏览数据的浏览行为,生成浏览行为特征表示,包括:
获取用于表示所述已浏览行为的已浏览参数,获取用于表示所述未浏览行为的未浏览参数;
根据所述每个浏览用户分别对所述每个浏览数据的所述浏览行为、所述已浏览参数和所述未浏览参数,生成浏览行为特征矩阵,将所述浏览行为特征矩阵,确定为所述浏览行为特征表示。
3.根据权利要求2所述的方法,其特征在于,所述根据所述浏览行为特征表示,拟合所述每个浏览用户的用户特征表示、以及所述每个浏览数据的数据特征表示,包括:
获取针对所述至少两个浏览用户的初始用户特征矩阵,获取针对所述至少两个浏览数据的初始数据特征矩阵;
根据所述初始用户特征矩阵和所述初始数据特征矩阵,生成初始行为特征矩阵;
根据所述浏览行为特征矩阵和所述初始行为特征矩阵之间的矩阵误差,生成第一损失函数;
基于所述第一损失函数,调整所述初始行为特征矩阵;
当调整后的初始行为特征矩阵与所述浏览行为特征矩阵之间的矩阵误差小于误差阈值时,根据所述调整后的初始行为特征矩阵,确定调整后的初始用户特征矩阵和调整后的初始数据特征矩阵;
从所述调整后的初始用户特征矩阵中,获取所述每个浏览用户的用户特征表示,从所述调整后的初始数据特征矩阵中,获取所述每个浏览数据的数据特征表示。
4.根据权利要求1所述的方法,其特征在于,所述至少两个浏览用户为图神经网络中的用户节点;所述至少两个浏览数据为所述图神经网络中的数据节点;所述至少两个浏览用户包括浏览用户,/>为小于或等于所述至少两个浏览用户的用户总数量的正整数;
所述获取所述至少两个浏览数据针对所述每个浏览用户的用户传递信息,包括:
将所述至少两个浏览数据对应的数据节点中,所述浏览用户具有所述已浏览行为的浏览数据所对应的数据节点,确定为目标数据节点;
根据所述浏览用户的用户特征表示和所述目标数据节点对应的数据特征表示,确定所述目标数据节点向所述浏览用户/>对应的用户节点所传递的用户传递信息。
5.根据权利要求1所述的方法,其特征在于,所述至少两个浏览用户为图神经网络中的用户节点;所述至少两个浏览数据为所述图神经网络中的数据节点;所述至少两个浏览数据包括浏览数据,/>为小于或等于所述至少两个浏览数据的数据总数量的正整数;
所述获取所述至少两个浏览用户针对所述每个浏览数据的数据传递信息,包括:
将所述至少两个浏览用户对应的用户节点中,对所述浏览数据具有已浏览行为的浏览用户对应的用户节点,确定为目标用户节点;
根据所述浏览数据的数据特征表示和所述目标用户节点对应的用户特征表示,确定所述目标用户节点向所述浏览数据/>对应的数据节点所传递的数据传递信息。
6.根据权利要求1所述的方法,其特征在于,所述至少两个浏览用户包括浏览用户,为小于或等于所述至少两个浏览用户的用户总数量的正整数;所述至少两个浏览数据包括浏览数据/>,/>为小于或等于所述至少两个浏览数据的数据总数量的正整数;
所述根据所述每个浏览用户对应的用户传递信息和所述每个浏览数据对应的数据传递信息,确定所述每个浏览用户分别与所述每个浏览数据之间的预测关联特征,包括:
根据所述浏览用户对应的用户传递信息和所述浏览用户/>具有已浏览行为的浏览数据的数据传递信息,确定所述浏览用户/>对应的用户递进传递信息,将所述浏览用户/>对应的用户传递信息和所述用户递进传递信息进行拼接,得到所述浏览用户/>的目标用户特征表示;
根据所述浏览数据对应的数据传递信息和对所述浏览数据/>具有已浏览行为的浏览用户的用户传递信息,确定所述浏览数据/>对应的数据递进传递信息,将所述浏览数据对应的数据传递信息和所述数据递进传递信息进行拼接,得到所述浏览数据/>的目标数据特征表示;
根据所述浏览用户的所述目标用户特征表示和所述浏览数据/>的所述目标数据特征表示,确定所述浏览用户/>与所述浏览数据/>之间的预测关联特征。
7.根据权利要求1所述的方法,其特征在于,所述浏览行为包括未浏览行为;所述至少两个浏览用户包括浏览用户,/>为小于或等于所述至少两个浏览用户的用户总数量的正整数;
所述根据所述每个浏览用户与所述每个浏览数据之间的预测关联特征,从所述至少两个浏览数据中,获取所述每个浏览用户分别对应的推荐浏览数据,包括:
将所述至少两个浏览数据中,所述浏览用户具有所述未浏览行为的浏览数据,确定为未浏览数据;
将所述浏览用户与所述未浏览数据之间的预测关联特征,输入排序推荐模型;
在所述排序推荐模型中,根据所述浏览用户与所述未浏览数据之间的预测关联特征,生成所述未浏览数据对应的推荐权重值,根据所述推荐权重值对所述未浏览数据进行推荐排序,得到排序后的未浏览数据;
根据推荐数据数量,在所述排序后的未浏览数据中,获取所述浏览用户对应的推荐浏览数据。
8.根据权利要求7所述的方法,其特征在于,还包括:
将所述浏览用户对应的推荐浏览数据,发送至所述浏览用户/>所属的终端设备,以使所述终端设备在终端推荐页面中,输出所述浏览用户/>对应的推荐浏览数据。
9.根据权利要求7所述的方法,其特征在于,还包括:
获取样本浏览用户对应的正样本预测关联特征、和所述样本浏览用户对应的负样本预测关联特征;所述正样本预测关联特征,为所述样本浏览用户与样本已浏览数据之间的样本预测关联特征;所述负样本预测关联特征,为所述样本浏览用户与样本未浏览数据之间的样本预测关联特征;
将所述正样本预测关联特征和所述负样本预测关联特征,输入初始排序推荐模型;
基于所述初始排序推荐模型、所述正样本预测关联特征和所述负样本预测关联特征,获取所述样本已浏览数据的第一推荐权重值和所述样本未浏览数据的第二推荐权重值;
基于第二损失函数、所述第一推荐权重值和所述第二推荐权重值,修正所述初始排序推荐模型的模型参数,得到所述排序推荐模型;所述第二损失函数用于使所述初始排序推荐模型生成的所述第一推荐权重值大于所述第二推荐权重值;所述初始排序推荐模型用于根据所述第二推荐权重值,对所述样本未浏览数据进行排序。
10.一种数据推荐装置,其特征在于,包括:
获取模块,用于获取至少两个浏览用户和至少两个浏览数据,根据每个浏览用户分别对每个浏览数据的浏览行为,生成浏览行为特征表示;
拟合模块,用于根据所述浏览行为特征表示,拟合所述每个浏览用户的用户特征表示、以及所述每个浏览数据的数据特征表示;每个用户特征表示以及每个数据特征表示,均与所述至少两个浏览用户针对所述至少两个浏览数据的浏览行为相关联;所述浏览行为包括已浏览行为;
关联特征获取模块,用于根据所述每个用户特征表示和所述每个数据特征表示,获取所述至少两个浏览数据针对所述每个浏览用户的用户传递信息;一个浏览用户对应于一个用户传递信息;一个浏览用户的用户传递信息,与该浏览用户具有所述已浏览行为的浏览数据相关联;根据所述每个用户特征表示和所述每个数据特征表示,获取所述至少两个浏览用户针对所述每个浏览数据的数据传递信息;一个浏览数据对应于一个数据传递信息;一个浏览数据的数据传递信息,与对该浏览数据具有所述已浏览行为的浏览用户相关联;根据所述每个浏览用户对应的用户传递信息和所述每个浏览数据对应的数据传递信息,确定所述每个浏览用户分别与所述每个浏览数据之间的预测关联特征;一个浏览用户与一个浏览数据之间对应于一个预测关联特征;
推荐数据获取模块,用于根据所述每个浏览用户与所述每个浏览数据之间的预测关联特征,从所述至少两个浏览数据中,获取所述每个浏览用户分别对应的推荐浏览数据。
11.根据权利要求10所述的装置,其特征在于,所述浏览行为还包括未浏览行为;
所述获取模块,包括:
参数获取单元,用于获取用于表示所述已浏览行为的已浏览参数,获取用于表示所述未浏览行为的未浏览参数;
行为特征确定单元,用于根据所述每个浏览用户分别对所述每个浏览数据的所述浏览行为、所述已浏览参数和所述未浏览参数,生成浏览行为特征矩阵,将所述浏览行为特征矩阵,确定为所述浏览行为特征表示。
12.根据权利要求11所述的装置,其特征在于,所述拟合模块,包括:
初始矩阵获取单元,用于获取针对所述至少两个浏览用户的初始用户特征矩阵,获取针对所述至少两个浏览数据的初始数据特征矩阵;
初始矩阵生成单元,用于根据所述初始用户特征矩阵和所述初始数据特征矩阵,生成初始行为特征矩阵;
损失函数生成单元,用于根据所述浏览行为特征矩阵和所述初始行为特征矩阵之间的矩阵误差,生成第一损失函数;
矩阵调整单元,用于基于所述第一损失函数,调整所述初始行为特征矩阵;
调整矩阵确定单元,用于当调整后的初始行为特征矩阵与所述浏览行为特征矩阵之间的矩阵误差小于误差阈值时,根据所述调整后的初始行为特征矩阵,确定调整后的初始用户特征矩阵和调整后的初始数据特征矩阵;
特征表示获取单元,用于从所述调整后的初始用户特征矩阵中,获取所述每个浏览用户的用户特征表示,从所述调整后的初始数据特征矩阵中,获取所述每个浏览数据的数据特征表示。
13.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1-9中任一项所述方法的步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时,执行权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596047.4A CN112749331B (zh) | 2020-06-28 | 2020-06-28 | 一种数据推荐方法、装置以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596047.4A CN112749331B (zh) | 2020-06-28 | 2020-06-28 | 一种数据推荐方法、装置以及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749331A CN112749331A (zh) | 2021-05-04 |
CN112749331B true CN112749331B (zh) | 2023-09-19 |
Family
ID=75645204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010596047.4A Active CN112749331B (zh) | 2020-06-28 | 2020-06-28 | 一种数据推荐方法、装置以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749331B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014056408A1 (zh) * | 2012-10-08 | 2014-04-17 | 腾讯科技(深圳)有限公司 | 推荐信息的方法、装置和服务器 |
WO2018041168A1 (zh) * | 2016-08-31 | 2018-03-08 | 腾讯科技(深圳)有限公司 | 信息推送方法、存储介质和服务器 |
WO2018121619A1 (zh) * | 2016-12-29 | 2018-07-05 | 腾讯科技(深圳)有限公司 | 业务多媒体数据处理方法以及装置、服务器及存储介质 |
CN109241427A (zh) * | 2018-09-04 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN109508417A (zh) * | 2018-11-12 | 2019-03-22 | 北京三快在线科技有限公司 | 推荐对象的方法、装置、电子设备及可读存储介质 |
CN110377818A (zh) * | 2019-06-14 | 2019-10-25 | 平安科技(深圳)有限公司 | 用户信息推送方法、装置、存储介质和计算机设备 |
CN110781391A (zh) * | 2019-10-22 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
WO2020037930A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN110910209A (zh) * | 2019-11-12 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置以及计算机可读存储介质 |
-
2020
- 2020-06-28 CN CN202010596047.4A patent/CN112749331B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014056408A1 (zh) * | 2012-10-08 | 2014-04-17 | 腾讯科技(深圳)有限公司 | 推荐信息的方法、装置和服务器 |
WO2018041168A1 (zh) * | 2016-08-31 | 2018-03-08 | 腾讯科技(深圳)有限公司 | 信息推送方法、存储介质和服务器 |
WO2018121619A1 (zh) * | 2016-12-29 | 2018-07-05 | 腾讯科技(深圳)有限公司 | 业务多媒体数据处理方法以及装置、服务器及存储介质 |
WO2020037930A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN109241427A (zh) * | 2018-09-04 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN109508417A (zh) * | 2018-11-12 | 2019-03-22 | 北京三快在线科技有限公司 | 推荐对象的方法、装置、电子设备及可读存储介质 |
CN110377818A (zh) * | 2019-06-14 | 2019-10-25 | 平安科技(深圳)有限公司 | 用户信息推送方法、装置、存储介质和计算机设备 |
CN110781391A (zh) * | 2019-10-22 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
CN110910209A (zh) * | 2019-11-12 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置以及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112749331A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Understanding self-supervised learning dynamics without contrastive pairs | |
CN108959396B (zh) | 机器阅读模型训练方法及装置、问答方法及装置 | |
EP3862893A1 (en) | Recommendation model training method, recommendation method, device, and computer-readable medium | |
CN111708950A (zh) | 内容推荐方法、装置及电子设备 | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
CN113688304A (zh) | 搜索推荐模型的训练方法、搜索结果排序的方法及装置 | |
US20230017667A1 (en) | Data recommendation method and apparatus, computer device, and storage medium | |
CN110889747B (zh) | 商品推荐方法、装置、系统、计算机设备及存储介质 | |
CN108595493B (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
CN109903103B (zh) | 一种推荐物品的方法和装置 | |
CN112712418B (zh) | 推荐商品信息的确定方法和装置、存储介质及电子设备 | |
CN111400603A (zh) | 一种信息推送方法、装置、设备及计算机可读存储介质 | |
CN114202061A (zh) | 基于生成对抗网络模型及深度强化学习的物品推荐方法、电子设备及介质 | |
CN112765461A (zh) | 一种基于多兴趣胶囊网络的会话推荐方法 | |
Liu et al. | Top-aware reinforcement learning based recommendation | |
CN112149604A (zh) | 视频特征提取模型的训练方法、视频推荐方法及装置 | |
CN112699310A (zh) | 基于深度神经网络的冷启动跨域混合推荐的方法及系统 | |
CN116108267A (zh) | 一种推荐方法及相关设备 | |
CN113536105A (zh) | 推荐模型训练方法和装置 | |
CN117216281A (zh) | 一种基于知识图谱的用户兴趣扩散推荐方法及系统 | |
CN112749331B (zh) | 一种数据推荐方法、装置以及计算机可读存储介质 | |
CN117056595A (zh) | 一种交互式的项目推荐方法、装置及计算机可读存储介质 | |
CN115482021A (zh) | 多媒体信息推荐方法、装置、电子设备及存储介质 | |
Atan et al. | Data-driven online recommender systems with costly information acquisition | |
CN115809339A (zh) | 跨领域推荐方法、系统、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40043838 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |