CN112765373B - 资源推荐方法、装置、电子设备和存储介质 - Google Patents
资源推荐方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112765373B CN112765373B CN202110122954.XA CN202110122954A CN112765373B CN 112765373 B CN112765373 B CN 112765373B CN 202110122954 A CN202110122954 A CN 202110122954A CN 112765373 B CN112765373 B CN 112765373B
- Authority
- CN
- China
- Prior art keywords
- resource
- target object
- node
- media
- target
- 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
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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/45—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/483—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种资源推荐方法、装置、电子设备和存储介质。用于解决相关技术推荐方式的推荐效果不能满足预期的期望的问题。本申请实施例中,对用户的历史浏览记录、用户之间的社交网络、以及短视频之间的内容关系进行挖掘,并基于构建的这三种关系训练图卷积神经网络建模以便于能够将用户与视频映射到同一个网络空间进行统一的学习,从而可以根据用户信息和短视频信息的相似性检索,实现对用户的个性化推荐。
Description
技术领域
本申请涉及神经网络技术领域,尤其涉及一种资源推荐方法、装置、电子设备和存储介质。
背景技术
近年来随着各种短视频应用的蓬勃发展,短视频已从拍摄、分享变成一个融合了电商、新闻资讯、社交网络的综合互联网平台。其中短视频的个性化推荐是短视频平台的核心功能。
目前的短视频推荐中,往往会基于用户画像、短视频的视觉特征、或者用户协同过滤等单方面的特征信息进行个性化推荐。而这种推荐方式的推荐效果不能满足预期的期望,进而导致进行资源推荐时所耗费的处理资源和宽带资源的浪费。
发明内容
本申请的目的是提供一种资源推荐方法、装置、电子设备和存储介质,用于解决相关技术推荐方式的推荐效果不能满足预期的期望的问题。
第一方面,本申请实施例提供了一种资源推荐的方法,所述方法包括:
获取参考对象对应的特征信息,其中所述特征信息是基于图卷积网络模型为所述参考对象提取的特征,所述图卷积网络模型是基于以下关联关系进行训练的:不同目标对象之间的第一关联关系、目标对象与媒体资源之间的第二关联关系以及不同媒体资源之间的第三关联关系;
获取与所述参考对象的所述特征信息匹配的待推荐资源,向所述参考对象进行推荐操作,所述待推荐资源包括目标对象和/或媒体资源。
在一个实施例中,所述方法还包括:
对待训练图卷积网络模型,采用所述第一关联关系、所述第二关联关系以及所述第三关联关系逐一进行训练,得到所述图卷积网络模型;其中,所述第一关联关系、所述第二关联关系以及所述第三关联关系中的任一关联关系作为目标关联关系训练所述待训练图卷积网络模型,包括:
在所述目标关联关系中,在所述种子节点的指定跳数内的邻居节点中进行采样操作,得到指定数量的采样节点;
从最远的采样节点的属性信息开始向所述种子节点的属性信息逐层进行聚合,得到所述种子节点的特征表达;
对所述特征表达进行分类预测,得到所述待训练图卷积网络模型输出的分类结果;
基于所述分类结果与所述种子节点的训练标签之间的损失,训练所述待训练图卷积模型。
在一个实施例中,所述方法还包括:
针对任一所述目标关联关系,基于以下方法确定所述种子节点的所述训练标签:
在所述指定数量的所述采样节点中选择与所述种子节点满足指定关系的邻居节点;
若满足所述指定关系的邻居节点在所述指定数量的所述采样节点中的占比小于第一预设值,则所述种子节点的所述训练标签为第一标签;
若满足所述指定关系的邻居节点在所述指定数量的所述采样节点中的占比大于或等于所述第一预设值,则所述种子节点的所述训练标签为第二标签。
在一个实施例中,针对所述目标对象与媒体资源之间的第二关联关系,所述在所述种子节点的指定跳数内的邻居节点中进行采样操作,得到指定数量的采样节点,包括:
在第一跳邻居节点内,随机采样得到第一数量的采样节点;
在第二跳邻居节点内,随机采样得到第二数量的采样节点;其中,所述种子节点的所述第二跳邻居节点为指定节点的第一跳邻居节点,且若所述种子节点为目标对象,则所述指定节点位于所述种子节点在所述第一关联关系中的一跳邻居节点中,若所述种子节点为媒体资源,则所述指定节点位于所述种子节点在所述第三关联关系的一跳邻居节点中。
在一个实施例中,构建所述不同目标对象之间的所述第一关联关系,包括:
获取各目标对象的对象属性信息;
并确定不同目标对象之间的社交关系;
基于不同目标对象之间的社交关系以及各目标对象的对象属性信息构建所述第一关联关系;
其中,针对任一第一目标对象,所述第一目标对象和任一第二目标对象之间的社交关系,包括:
采用第一对象权重表示的所述第一目标对象关注所述第二目标对象;
采用第二对象权重表示的所述第二目标对象关注所述第一目标对象;
采用第三对象权重表示的所述第二目标对象为所述第一目标对象的好友;
采用第四对象权重表示的所述第一目标对象为所述第一目标对象的好友。
在一个实施例中,构建所述目标对象与所述媒体资源之间的第二关联关系,包括:
获取各所述目标对象的对象属性信息,并获取各所述媒体资源的资源属性信息;
基于各所述目标对象的对象属性信息、各所述媒体资源的资源属性信息以及不同目标对象的媒体资源操作记录,构建所述第二关联关系;
其中,在所述第二关联关系中,任一目标对象和任一媒体资源之间的关联关系包括:
采用第一对象资源权重表示的所述目标对象拥有所述媒体资源;
采用第二对象资源权重表示的所述目标对象浏览过所述媒体资源;
采用第三对象资源权重表示的所述目标对象浏览了所述媒体资源的全量内容;
采用第四对象资源权重表示的所述目标对象为所述媒体资源点赞。
在一个实施例中,构建所述不同媒体资源之间的第三关联关系,包括:
获取各所述媒体资源的资源属性信息,并确定不同媒体资源之间的资源内容关系;
基于不同媒体资源之间的所述资源内容关系以及各媒体资源的资源属性信息构建所述第三关联关系;
其中,在所述第三关联关系中,所述不同媒体资源之间的所述资源内容关系包括:
采用第一资源权重表示的所述不同媒体资源的相同标签统计量;
采用第二资源权重表示的所述不同媒体资源的类别相同所占比例大于预设类别相同值;
采用第三资源权重表示的所述不同媒体资源的分辨率相同;
采用第四资源权重表示的所述不同媒体资源的评分差值小于预设评分差值。
在一个实施例中,所述方法还包括:
基于所述图卷积网络模型对各已知资源进行特征提取,得到各所述已知资源的资源特征;所述已知资源包括目标对象和/或媒体资源;
所述获取与所述参考对象的所述特征信息匹配的待推荐资源,包括:
基于所述参考对象的所述特征信息与各所述已知资源之间的特征相似度,从所述已知资源中筛选出所述待推荐资源。
第二方面,本申请实施例提供了一种资源推荐的装置,所述装置包括:
特征信息获取模块,被配置为获取参考对象对应的特征信息,其中所述特征信息是基于图卷积网络模型为所述参考对象提取的特征,所述图卷积网络模型是基于以下关联关系进行训练的:不同目标对象之间的第一关联关系、目标对象与媒体资源之间的第二关联关系以及不同媒体资源之间的第三关联关系;
待推荐资源获取模块,被配置为获取与所述参考对象的所述特征信息匹配的待推荐资源,向所述参考对象进行推荐操作,所述待推荐资源包括目标对象和/或媒体资源。
在一个实施例中,所述装置还包括:
网络模型获取模块,被配置为对待训练图卷积网络模型,采用所述第一关联关系、所述第二关联关系以及所述第三关联关系逐一进行训练,得到所述图卷积网络模型;其中,所述第一关联关系、所述第二关联关系以及所述第三关联关系中的任一关联关系作为目标关联关系训练所述待训练图卷积网络模型,包括:
在所述目标关联关系中,在所述种子节点的指定跳数内的邻居节点中进行采样操作,得到指定数量的采样节点;
从最远的采样节点的属性信息开始向所述种子节点的属性信息逐层进行聚合,得到所述种子节点的特征表达;
对所述特征表达进行分类预测,得到所述待训练图卷积网络模型输出的分类结果;
基于所述分类结果与所述种子节点的训练标签之间的损失,训练所述待训练图卷积模型。
在一个实施例中,所述装置还包括:
训练标签获取模块,被配置为针对任一所述目标关联关系,基于以下方法确定所述种子节点的所述训练标签:
在所述指定数量的所述采样节点中选择与所述种子节点满足指定关系的邻居节点;
若满足所述指定关系的邻居节点在所述指定数量的所述采样节点中的占比小于第一预设值,则所述种子节点的所述训练标签为第一标签;
若满足所述指定关系的邻居节点在所述指定数量的所述采样节点中的占比大于或等于所述第一预设值,则所述种子节点的所述训练标签为第二标签。
在一个实施例中,针对所述目标对象与媒体资源之间的第二关联关系,所述网络模型获取模块,包括:
第一跳采样节点获取单元,被配置为在第一跳邻居节点内,随机采样得到第一数量的采样节点;
第二跳采样节点获取单元,被配置为在第二跳邻居节点内,随机采样得到第二数量的采样节点;其中,所述种子节点的所述第二跳邻居节点为指定节点的第一跳邻居节点,且若所述种子节点为目标对象,则所述指定节点位于所述种子节点在所述第一关联关系中的一跳邻居节点中,若所述种子节点为媒体资源,则所述指定节点位于所述种子节点在所述第三关联关系的一跳邻居节点中。
在一个实施例中,特征信息获取模块执行构建所述不同目标对象之间的所述第一关联关系时,被配置为:
获取各目标对象的对象属性信息;
并确定不同目标对象之间的社交关系;
基于不同目标对象之间的社交关系以及各目标对象的对象属性信息构建所述第一关联关系;
其中,针对任一第一目标对象,所述第一目标对象和任一第二目标对象之间的社交关系,包括:
采用第一对象权重表示的所述第一目标对象关注所述第二目标对象;
采用第二对象权重表示的所述第二目标对象关注所述第一目标对象;
采用第三对象权重表示的所述第二目标对象为所述第一目标对象的好友;
采用第四对象权重表示的所述第一目标对象为所述第一目标对象的好友。
在一个实施例中,特征信息获取模块执行构建所述目标对象与所述媒体资源之间的第二关联关系时,被配置为:
获取各所述目标对象的对象属性信息,并获取各所述媒体资源的资源属性信息;
基于各所述目标对象的对象属性信息、各所述媒体资源的资源属性信息以及不同目标对象的媒体资源操作记录,构建所述第二关联关系;
其中,在所述第二关联关系中,任一目标对象和任一媒体资源之间的关联关系包括:
采用第一对象资源权重表示的所述目标对象拥有所述媒体资源;
采用第二对象资源权重表示的所述目标对象浏览过所述媒体资源;
采用第三对象资源权重表示的所述目标对象浏览了所述媒体资源的全量内容;
在一个实施例中,特征信息获取模块执行构建所述不同媒体资源之间的第三关联关时系,被配置为:
获取各所述媒体资源的资源属性信息,并确定不同媒体资源之间的资源内容关系;
基于不同媒体资源之间的所述资源内容关系以及各媒体资源的资源属性信息构建所述第三关联关系;
其中,在所述第三关联关系中,所述不同媒体资源之间的所述资源内容关系包括:
采用第一资源权重表示的所述不同媒体资源的相同标签统计量;
采用第二资源权重表示的所述不同媒体资源的类别相同所占比例大于预设类别相同值;
采用第三资源权重表示的所述不同媒体资源的分辨率相同;
采用第四资源权重表示的所述不同媒体资源的评分差值小于预设评分差值。
在一个实施例中,所述装置还包括:
特征提取模块,被配置为基于所述图卷积网络模型对各已知资源进行特征提取,得到各所述已知资源的资源特征;所述已知资源包括目标对象和/或媒体资源;
所述待推荐资源获取模块,包括:
相似度确定单元,被配置为基于所述参考对象的所述特征信息与各所述已知资源之间的特征相似度,从所述已知资源中筛选出所述待推荐资源。
第三方面,本申请另一实施例还提供了一种电子设备,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本申请实施例提供的资源推荐的方法。
第四方面,本申请另一实施例还提供了一种计算机存储介质,其中,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行本申请实施例中的资源推荐的方法。
第五方面,本申请还提供了一种计算机程序产品,其中所述计算机程序产品被配置为执行本申请实施例中的资源推荐的方法。
本申请实施例中,能够通过卷积神经网络来挖掘用户的喜好、用户社交关系以及媒体资源之间的关系,将不同目标对象之间用第一关联关系进行关联、将目标对象与媒体资源之间用第二关联关系进行关联,将不同媒体资源之间用第三关联关系关联起来,在给用户进行个性化推荐时,根据上述关联关系进行个性化推荐相当于考虑了用户之间的关系、媒体资源之间的关系以及用户和媒体资源之间的关系。由此,本申请实施例可通过这三种关系全面准确的描述参考对象和其他用户之间的关联、参考对象和媒体资源之间的关联、参考对象感兴趣的媒体资源和其他媒体资源之间的关联,基于这些关联关系训练图卷积网络模型,使得该模型能够学习这些关联关系挖掘出用户的一些喜好特征,故此基于图卷积网络模型学习的内容得到的推荐结果更为符合参考对象的需求,能够提高个性化推荐的准确性,进而提高媒体资源推荐所占用的处理资源和带宽资源的利用率。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍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为本申请实施例提供的资源推荐的方法的应用场景图;
图2a为本申请实施例提供的资源推荐的方法的整体流程图;
图2b为本申请实施例提供的资源推荐的方法的训练待训练图卷积模型的流程图;
图3为本申请实施例提供的资源推荐的方法的训练待训练图卷积模型的流程图;
图4为本申请实施例提供的资源推荐的方法的邻居节点示意图;
图5为本申请实施例提供的资源推荐的方法的确定种子节点的训练标签的示意图;
图6为本申请实施例提供的资源推荐的方法的采样示意图;
图7为本申请实施例提供的资源推荐的方法的采样示意图;
图8为本申请实施例提供的资源推荐的方法的采样示意图;
图9为本申请实施例提供的资源推荐的方法的装置示意图;
图10为本申请实施例提供的资源推荐的方法的电子设备图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本申请的说明书和权利要求书的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
本申请实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
近年来随着各种短视频应用的蓬勃发展,短视频已从拍摄、分享变成一个融合了电商、新闻资讯、社交网络的综合互联网平台。其中短视频的个性化推荐是短视频平台的核心功能。短视频涉及图像、音频、文本等多模态信息,同时也涉及用户行为、视频内容、用户社交等复杂网络体系。短视频用户越来越多,用户粘性越来越强。
发明人研究发现,目前的短视频推荐中,往往会基于用户画像、短视频的视觉特征、或者用户协同过滤等单方面的特征信息进行个性化推荐,因此,导致很难全面衡量用户的特征进行准确的个性化推荐,导致短视频推荐过程中所采用的处理资源以及带宽资源利用率不高。因此,如何根据短视频在复杂网络场景下的综合信息,提供更准确的短视频个性化推荐是至关重要的。
有鉴于此,本申请实施例提出了一种资源推荐的方法、装置、电子设备和存储介质,用于解决上述问题。本申请实施例提供的资源推荐的方法,不仅适用于短视频推荐场景,任何基于网络资源的推荐均可以适用于本申请的技术方案。以短视频应用场景为例,本申请的发明构思可概括为:对用户的历史浏览记录、用户之间的社交网络、以及短视频之间的内容关系进行挖掘,并基于构建的这三种关系训练图卷积神经网络建模以便于能够将用户与视频映射到同一个网络空间进行统一的学习,从而可以根据用户信息和短视频信息的相似性检索,实现对用户的个性化推荐。
需要说明的是本申请实施例中任何用户有关的信息都是在获得用户授权的前提下获取的。
如图1所示,为本申请实施例中的资源推荐方法的应用场景图。图中包括:网络10、服务器20、存储器30、终端设备40;其中:
参考对象通过网络10在终端设备40上对媒体资源或目标对象进行操作,服务器20通过网络10在存储器30中获取预先存储的参考对象的特征信息,即与其他目标对象之间的第一关联关系与参考对象与媒体资源之间的第二关联关系;服务器20根据上述关系通过网络10对参考对象进行资源推荐。
其中:上述媒体资源包括但不限于:短视频、长视频、网页内容、电子书、小说等。上述特征信息是预先基于图卷积网络模型对参考对象提取的特征,该图卷积网络模型学习了不同目标对象之间的第一关联关系、目标对象与媒体资源之间的第二关联关系以及不同媒体资源之间的第三关联关系。
本申请中的描述中仅就单个服务器或终端设备加以详述,但是本领域技术人员应当理解的是,示出的终端设备40、服务器20和存储器30旨在表示本公开的技术方案涉及的终端设备、服务器以及存储器的操作。对单个服务器和存储器加以详述至少为了说明方便,而非暗示对终端设备和服务器的数量、类型或是位置等具有限制。应当注意,如果向图示环境中添加附加模块或从其中去除个别模块,不会改变本申请的示例实施例的底层概念。另外,虽然为了方便说明而在图1中示出了从存储器30到服务器20的双向箭头,但本领域技术人员可以理解的是,上述数据的收发也是需要通过网络10实现的。
需要说明的是,本公开实施例中的存储器例如可以是缓存系统、也可以是硬盘存储、内存存储等等。此外,本公开提出的资源推荐方法不仅适用于图1所示的应用场景,还适用于任何有资源推荐需求的装置。
如图2a所示,本申请实施例提供的一种资源推荐方法的整体流程为:
在步骤201中:获取参考对象对应的特征信息;
在步骤202中:获取与参考对象的特征信息匹配的待推荐资源,并进行推荐操作,其中待推荐资源包括目标对象和/或媒体资源。
由此,本申请实施例中,能够通过卷积神经网络来挖掘用户的喜好、用户社交关系以及媒体资源之间的关系,将不同目标对象之间、目标对象与媒体资源之间,不同媒体资源之间采用关联关系关联起来,在给用户进行个性化推荐时,根据上述关联关系进行个性化推荐相当于考虑了用户之间的关系、媒体资源之间的关系以及用户和媒体资源之间的关系。故此,本申请实施例可通过这三种关系全面准确的描述参考对象和其他用户之间的关联、参考对象和媒体资源之间的关联、参考对象感兴趣的媒体资源和其他媒体资源之间的关联,故此得到的推荐结果更为符合参考对象的需求,能够提高个性化推荐的准确性,进而提高媒体资源推荐所占用的处理资源和带宽资源的利用率。
在本申请实施例中,可基于不同目标对象之间、目标对象与媒体资源之间,不同媒体资源之间的任意一种关联关系训练本申请实施例提出的图卷积网络模型,也可基于这三种关联关系训练同一图卷积网络模型,在后文会进行详细介绍,在此不再赘述。
本申请实施例中,上述整体流程涉及的主要部分包括:构建目标对象和媒体资源各自的属性数据;基于属性数据构建不同目标对象之间的第一关联关系、目标对象与媒体资源之间的第二关联关系以及不同媒体资源之间的第三关联关系;训练图卷积网络模型,以及个性化推荐。下面对上述几个主要部分分别进行说明:
一、构建属性数据
该部分包括构建目标对象的属性数据与构建媒体资源的属性数据两部分内容:
1、构建目标对象的属性数据
在本申请实施例中结合用户画像,构建目标对象节点ID(Identity document,身份标识号)及目标对象的属性数据,其中目标对象属性数据包括但不限于年龄、性别、所属地区、学历、手机型号等,并采用预设的分隔符(下面以“:”为分隔符为例进行说明)将上述属性组成属性信息,在本申请实施例中采用embeding编码的形式将属性数据用向量表示出来,如表1所示,第二行为embeding形式的目标对象节点ID及目标对象的属性信息,第三行为用户属性数据:
表1
列 | 数据类型 | 示例 |
用户ID | 长整型(bigint) | 100000000001 |
用户1 | 线型(string) | 20:男:北京:本科:手机型号 |
本领域的技术人员需要知道的是,本申请实施例采用的目标对象的属性数据,不限于上述所罗列的属性数据,还可以根据实际需求扩展或减少属性数据。
2、构建媒体资源的属性数据
为了便于理解,首先对媒体资源属性数据进行名词解释:
标签:用户可根据视频内容进行自定义,例如:宠物、猫、狗等;
所属类别:服务器根据视频内容进行划分;
视频质量分:服务器对视频的画面质量或内容质量给出的评分,也可以是二者的加权平均值;
完播率:浏览了视频的全量内容在该视频播放量中所占概率;
平均播放时长:所有浏览视频的用户观看该视频所用的时长。
在本申请实施例中结合媒体资源的特征来构建媒体资源的媒体资源属性数据,其中媒体资源属性数据包括但不限于标签、所属类别、分辨率、上传时间、视频质量分、完播率、平均播放时长等,并采用预设的分隔符(下表2中以“:”为分隔符为例进行说明)将上述属性组成属性信息,并采用embeding编码的形式将属性数据用向量表示出来。例如:对string类型的数据做散列函数(hash)编码,然后再进行独热(onehot)编码,然后和数字型数据拼接后更新节点的embeding向量。
如表2所示,第二行为embeding形式的媒体资源节点ID及媒体资源的属性信息,第三行为媒体资源属性数据:
表2
在本申请实施例中采用上述属性数据来构建目标对象节点及媒体资源节点,为图卷积网络模型提供了丰富的信息,并将该信息作为资源推荐的依据,大大提高了资源推荐的准确性。
下面对基于上述属性信息点构建的不同目标对象之间的第一关联关系、目标对象与媒体资源之间的第二关联关系以及不同媒体资源之间的第三关联关系进行详细说明:
二、关系的构建
下面对不同目标对象之间的第一关联关系、目标对象与媒体资源之间的第二关联关系以及不同媒体资源之间的第三关联关系分别进行说明:
1、构建第一关联关系
在本申请实施例中构建不同目标对象之间的关联关系可实施为:获取各目标对象的对象属性信息;确定不同目标对象之间的社交关系;基于不同目标对象之间的社交关系以及各目标对象的对象属性信息构建第一关联关系。
其中,针对任一第一目标对象,该第一目标对象和任一第二目标对象之间的社交关系,包括:
采用第一对象权重表示的第一目标对象关注第二目标对象;例如:用户A关注用户B,权重为0.15;
采用第二对象权重表示的第二目标对象关注第一目标对象;例如:用户B关注用户A,权重位0.15;
采用第三对象权重表示的第二目标对象为第一目标对象的好友;例如:用户A加用户B为好友,权重位0.35;
采用第四对象权重表示的第一目标对象为第一目标对象的好友;例如:用户B添加用户A为好友,权重为0.35。
其中:上述4个权重的和为1,且具体权重可以根据不同业务的关注点进行调整,本申请对此不作限定。
由此,本申请实施例中构建的不同目标对象之间的关联关系不仅考虑了不同用户之间的社交关系,还进一步考虑了用户的属性信息(如外貌、职业特点等),实现了全面准确的描述每个用户及其社交关系。故此,采用这样的关联关系实现对用户之间的社交网络的图卷积神经网络建模,可以使得图卷积网络模型输出的特征更为全面和准确的,进而提高个性化推荐的准确率。
2、构建第二关联关系
在本申请实施例中,构建目标对象与媒体资源之间的第二关联关系可实施为:获取各目标对象的对象属性信息,并获取各媒体资源的资源属性信息;基于各目标对象的对象属性信息、各媒体资源的资源属性信息以及不同目标对象的媒体资源操作记录,构建第二关联关系。
其中:在第二关联关系中,任一目标对象和任一媒体资源之间的关联关系包括:
采用第一对象资源权重表示的目标对象拥有媒体资源;例如:用户A拥有视频A,权重为0.4;
采用第二对象资源权重表示的目标对象浏览过媒体资源;例如:用户A浏览过视频A,权重为0.1;
采用第三对象资源权重表示的目标对象浏览了媒体资源的全量内容;例如:用户A浏览了视频A的全部内容,权重为0.2;
采用第四对象资源权重表示的目标对象为媒体资源点赞;例如:用户A对视频A进行点赞,权重为0.3。
其中:上述4个权重的和为1,且具体权重可以根据不同业务的关注点进行调整,本申请对此不作限定。
由此,本申请实施例中通过用户的历史视频信息构建了目标对象与媒体资源之间的第二关联关系,不仅考虑了用户对媒体资源的兴趣,还进一步考虑了用户与视频之间的关系(如点赞、关注等),实现了全面准确的描述每个用户的兴趣爱好。故此,采用这种关联关系将用户与视频映射到了同一网络空间,可以使得图卷积网络模型输出的特征更为全面和准确的,进而提高个性化推荐的准确率。
3、构建第三关联关系
在本申请实施例中,构建不同媒体资源之间的第三关联关系可实施为:获取各媒体资源的资源属性信息:并确定不同媒体资源之间的关联关系;基于不同媒体资源之间的关联关系以及各媒体资源的资源属性信息构建第三关联关系。
其中,在第三关联关系中,不同媒体资源之间的关联关系包括:
采用第一资源权重表示的不同媒体资源的标签相同的比例大于预设标签相同值;例如:视频A与视频B标签相同的比例大于预设标签相同值,权重为0.25;
在一个实施例中,标签相同的比例为两个媒体资源中相同标签的比例,在比例计算中,分母为两个媒体资源标签数量的均值,分子为两个媒体资源中相同标签的数量;例如:视频A的第一个标签为宠物,第二个标签为狗;视频B的第一个标签为宠物,第二个标签为猫;则视频A与视频B的相同标签的比例为:0.5。
采用第二资源权重表示的不同媒体资源的类别相同所占比例大于预设类别相同值;例如:视频A与视频B类别相同所占比例为0.7,预设类别相同值为0.5,权重为0.25;
在一个实施例中,视频的标签可由用户自定义,视频的类别由服务器基于视频的内容进行划分,且类目的划分具有层级,例如:第一层有宠物和人物两个类目;人物下由进一步划分为:男人、女人、小孩等类目。例如:视频A的类别为宠物、猫;视频B的类别为宠物、狗;则视频A和视频B类别相同所占的比例为0.5。
采用第三资源权重表示的不同媒体资源的分辨率相同;例如:视频A与视频B分辨率相同,权重为0.25;
采用第四资源权重表示的不同媒体资源的评分差值小于预设评分差值;
在一个实施例中,服务器会对视频进行质量评分,因此不同的媒体资源会有不同的评分例如:视频A的视频评分为80,视频B的视频评分为70,预设评分产值为30,权重为0.25。
其中:上述4个权重的和为1,且具体权重可以根据不同业务的关注点进行调整,本申请对此不作限定。
由此,本申请实施例中构建的不同媒体资源之间的第三关联关系不仅考虑了不同视频之间的内容的关联关系,还进一步考虑了视频的属性信息(如分辨率、标签等),实现了全面准确的描述了视频内容之间的关联关系。故此,采用这样的关系实现了对视频之间的视频内容的图卷积神经网络建模,可以使得图卷积网络模型输出的特征更为全面和准确的,进而提高个性化推荐的准确率。
三、训练图卷积网络模型
在一个实施例中,为了使得图卷积网络模型可以根据同目标对象之间、目标对象与媒体资源之间,不同媒体资源之间采用关联关系进行个性化推荐,本申请中采用三种关联关系对图卷积网络迷行依次进行训练,如图2b所示:
在步骤b201中:采用第一关联关系,作为目标关联关系训练待训练图卷积网络模型,得到第一待训练图卷积网络模型;
在步骤b202中:采用第二关联关系,作为目标关联关系训练第一待训练图卷积网络模型,得到第二待训练图卷积网络模型;
在步骤b203中:采用第三关联关系,作为目标关联关系训练第二待训练图卷积网络模型,得到图卷积网络模型。
需要知道的是,采用上述关联关系对图卷积网络模型进行训练的顺序不受限。
在本申请实施例中,按照上述第一关联关系、第二关联关系以及第三关联关系的预设排序,依序训练待训练图卷积网络模型,得到所述图卷积网络模型。例如,可以先基于上述第一关联关系训练,然后基于第二关联关系训练,然后再基于第三关联关系训练。在本申请实施例中可采用包括但不限于PinSage、GraphSage、图注意力网络(Graph AttentionNetwork,GAT)等图卷积网络模型,为了便于理解,下面以GraphSage图卷积网络为例,对图卷积模型的通用结构进行说明,如表3所示:
表3
层类型 | 图卷积网络 |
输入(input) | 邻接矩阵A,X |
图卷积层1:GraphConv1 | O1=GraphConv1(A,W1,X) |
图卷积层2:GraphConv22 | 02=GraphConv2(A,W2,O1) |
全连接预测Dense | y^=f(W,O2) |
其中,上述X为目标对象节点ID或媒体资源节点ID;在第一层中输入A和X来训练W1,并输出O1;在第二层中输入A和W1来训练W2,并输出02;在全连接层输入O2来训练W,并输出预测结果,其中O2为一个embeding形式的向量,该向量将目标对象和媒体资源的属性信息均映射到同一语义空间中。
在一个实施例中,首先采用第一关联关系对本申请实施例提出的图卷积网络模型训练n次迭代;然后采用第二关联关系对图卷积网络模型训练m次迭代最后采用第三关联关系对图卷积网络模型训练k次迭代;本领域技术人员需要知道的是,上述n、m、k均指多次训练,直至训练收敛。其中采用不同的关系对图卷积网络进行训练的过程相同,下面针对任一目标关联关系,以目标对象节点做为种子节点,如图3所示,训练待训练图卷积模型具体实施为:
在步骤301中:在种子节点的指定跳数内的邻居节点中进行采样操作,得到指定数量的采样节点;
在一个实施例中,以目标对象与媒体资源之间的第二关联关系为例,在种子节点的指定跳数内的邻居节点中进行采样操作,得到指定数量的采样节点,可实施为以下方法:
在第一跳邻居节点内,随机采样得到x个采样节点;在第二跳邻居节点内,随机采样得到y个采样节点;其中,种子节点的第二跳邻居节点为指定节点的第一跳邻居节点,若该种子节点为目标对象,则指定节点位于该种子节点在第一关联关系中的第一跳邻居节点中,若该种子节点为媒体资源,则指定节点为该种子节点在第三关联关系的第一跳邻居节点。
即将种子节点的第一跳邻居节点作为指定节点,则该指定节点的第一跳邻居节点为种子节点的第二跳邻居节点。如图4所示,例如:种子节点为用户A,第一跳邻居节点为与用户A有第二关联关系的视频1、视频2、视频3、视频4、视频5;第二跳邻居节点为与用户A第一关联关系的用户B有第二关联关系的视频a、视频b、视频c、视频d、视频e……视频n;在第一跳邻居节点视频1、视频2、视频3、视频4、视频5中随机采样得到3个采样节点视频2、视频3、视频4;对视频2、视频3、视频4的第一跳邻居进行随机采样得到5个第二跳邻居节点,H1 0,H2 2,H3 0,H4 0,H5 0;由上述方法得到种子节点用户A的8个采样节点。
由此,在本申请实施例中,除了采集一跳节点的信息还采集二跳节点的信息来考虑用户和资源的关系之外,还进一步在二跳节点信息中涵盖了用户之间的关系,或媒体资源的关系。如种子节点为用户时,采样的二跳节点是基于与种子节点具有社交关系的用户的关联媒体资源来确定的,如种子节点为媒体资源时,二跳节点是基于种子节点有关系的媒体资源的用户节点,实现在异构的关联关系中,提取用户、媒体资源之间的信息来训练图卷积网络模型,使之能够学习到更为丰富的用户与媒体资源的关系特征。
本申请实施例,通过采样的方法,避免了图卷积网络模型重复学习到某一特征,使得图卷积网络模型具有泛化能力。
在步骤302中:从最远的采样节点的属性信息开始向种子节点的属性信息逐层进行聚类分析,得到种子节点的特征表达;
继续以图4为例,将种子节点的第二跳邻居节点的属性信息进行聚合操作,生成第一跳邻居节点的embeding向量;本领域的技术人员需要知道的是,聚合(Aggreate)操作包括但不限于平均(Mean)、最大值(Max)、加权求和、长短期记忆网络(Long Short-TermMemory,LSTM)聚合器等。在本身中采用Aggreate聚合的方法,即在GraphConv1中:聚合2跳邻居特征及节点属性特征,生成一跳邻居embedding;例如一跳邻居节点为Hi,其采样的5个二跳邻居节点为H1 0,H2 0,H3 0,H4 0,H5 0;Hi-agg 1=Meank=2(H1 0,H2 0,H3 0,H4 0,H5 0);Hi 1=Activate(W1.Concat(Hi-agg 1,Hi 0))。即将采样的5个二跳邻居节点进行平均聚合,将聚合值和平均值做拼接,再通过激活函数(Activate)后作为下一层的输入。GraphConv2中:聚合第一跳邻居节点的embedding及自身属性信息,生成种子节点的embedding,从而获得第二跳邻居节点的信息;例如种子节点为Hj,第一跳邻居节点为H1 1,H2 1,H3 1;Hi-agg 2=Meank=1(H1 1,H2 1,H3 1);Hi 2=Activate(W2.Concat(Hi-agg 2,Hi 1))。即根据3个采样的节点做平均聚合,然后将聚合值和平均值进行拼接,再通过激活函数后作为下一层的输入。
在步骤303中:对特征表达进行分类预测,得到分类结果;
在步骤304中:基于分类结果与种子节点的训练标签之间的损失,训练待训练图卷积模型。
在本申请实施例中对所有关联关系确定训练标签的方法类似,在一个实施例中,针对任一目标关联关系,如图5所示,基于以下方法确定种子节点的训练标签:
在步骤501中:在指定数量的采样节点中选择满足指定关系的邻居节点;
在一个实施例中,如图6所示例如:在第一关联关系下,以用户A作为种子节点,第一跳邻居节点为与用户A有第一关联关系的用户B、用户C、用户D、用户E、用户F,第二跳邻居节点为与用户B、用户C、用户D、用户E、用户F有第一关联关系的用户G、用户H、用户I、用户J、用户K……用户Z;在第一跳邻居节点用户B、用户C、用户D、用户E、用户F随机采样得到3个采样节点用户C、用户D、用户E;对用户C、用户D、用户E的第一跳邻居随机采样得到4个采样节点用户H、用户I、用户J、用户K;其中指定关系为用户A关注其他用户。
在步骤502中:若满足指定关系的邻居节点在指定数量的采样节点中的占比小于第一预设值,则种子节点的训练标签为第一标签;
若用户A关注的用户有用户C、用户D、用户I、用户J;第一预设值为0.8;用户A关注的用户在总采样用户中的占比为4/7;则该用户A的训练标签为第一标签。
在步骤503中:若满足指定关系的邻居节点在指定数量的采样节点中的占比大于或等于第一预设值,则种子节点的训练标签为第二标签。
若用户A关注的用户有用户C、用户D、用户E、用户I、用户J、用户K;第一预设值为0.8;用户A关注的用户在总采样用户中的占比为6/7;则该用户A的训练标签为第二标签。
根据采用上述得到的训练标签与分类结果之间的损失训练上述本申请实施例提出的图卷积模型,直至训练收敛。
在一个实施例中,如图7所示,在第二关联关系下,以用户A作为种子节点,第一跳邻居节点为与用户A有第二关联关系的视频B、视频C、视频D、视频E、视频F,第二跳邻居节点为与视频B、视频C、视频D、视频E、视频F有第三关联关系的视频G、视频H、视频I、视频J、视频K……视频Z;在第一跳邻居节点视频B、视频C、视频D、视频E、视频F随机采样得到3个采样节点;对视频C、视频D、视频E的第一跳邻居节点进行随机采样,得到4个采样节点视频H、视频I、视频J、视频K;其中指定关系为用户关注该视频。
若用户A关注的视频有视频C、视频D、视频I、视频J,第一预设值为0.8;用户A关注的视频在采样视频中的占比为4/7;则该用户A的训练标签为第一标签。
若用户A关注的视频有视频C、视频D、视频E、视频I、视频J、视频K,第一预设值为0.8;用户A关注的视频在采样视频中的占比为6/7;则该用户A的训练标签为第二标签。
在一个实施例中,如图8所示,在第三关联关系下,以视频A作为种子节点,第一跳邻居节点为与视频A有第三关联关系的视频B、视频C、视频D、视频E、视频F,第二跳邻居节点为与视频B、视频C、视频D、视频E、视频F有第三关联关系的视频G、视频H、视频I、视频J、视频K……视频Z;在第一跳邻居节点视频B、视频C、视频D、视频E、视频F随机采样得到3个采样节点;对视频C、视频D、视频E的第一跳邻居节点进行随机采样,得到4个采样节点视频H、视频I、视频J、视频K;其中指定关系为视频分辨率相同。
若与视频A分辨率相同的视频有视频C、视频D、视频I、视频J,第一预设值为0.8;与视频A分辨率相同的视频在采样视频中的占比为4/7;则该用户A的训练标签为第一标签。
若与视频A分辨率相同的视频有视频C、视频D、视频E、视频I、视频J、视频K,第一预设值为0.8;与视频A分辨率相同的视频在采样视频中的占比为6/7;则该用户A的训练标签为第二标签。
在本申请实施例中通过采样的方法确定种子节点的训练标签,实现自动确定训练标签,有效的提升了确定种子节点的训练标签的效率。此外,本申请实施例中还可以根据种子的节点的训练标签与模型输出标签确定模型是否收敛,避免了在不确定模型是否收敛的情况下继续对模型进行训练导致的资源浪费。
四、个性化推荐
在本申请实施例中采用训练好的图卷积网络模型进行资源推荐,具体实施为:基于图卷积网络模型对各已知资源进行特征提取,得到各已知资源的资源特征;获取与参考对象的特征信息匹配的待推荐资源,包括:基于参考对象的特征信息与各已知资源之间的特征相似度,从已知资源中筛选出待推荐资源。
在一个实施例中,基于图卷积网络模型对各已知资源进行特征提取,得到各已知资源的资源特征后,将所有的特征信息存储在特征库中;在给用户进行资源推荐时,先获取用户的特征信息,在特征库中计算该用户的特征信息与已知资源特征的相似度,并根据相似度进行个性化推荐,其中推荐内容可以包括:含有多个用户的用户推荐表,含有多个媒体资源的资源推荐表。
在本申请实施例中,预先将所有资源包括用户资源和媒体资源的特征信息基于训练好的图卷积网络模型进行提取,并存储在特征库,以便于在给用户进行资源推荐时,直接在特征库中计算,避免了直接在所有特征信息中计算导致的计算量大的问题,不仅节约了资源,还提升了对用户进行个性化推荐的效率。
在另一实施例中,从训练好的图卷积网络模型中导出用于表征目标对象和媒体资源的embeding向量,将embeding向量作为可以覆盖目标对象全部信息的Euser(用户)向量和可以覆盖媒体资源全部信息的Evideo(视频)向量;基于Euser和Evideo分别构建人工神经网络(Artificial Neural Network,ANN)近似检索索引文件。在给用户进行资源推荐时,先获取用户的Euser向量,根据ANN近似检索索引文件进行个性化推荐,其中推荐内容可以包括:含有多个用户的用户推荐表,含有多个媒体资源的资源推荐表。
本发明同时考虑了用户历史兴趣、用户间的社交网络、以及短视频内容关系三个复杂网络维度,构建了用户-短视频、短视频-短视频、用户-用户三个复杂的异构的、属性感知的图模型,最终将用户与视频同时表达在同一个网络空间中,在个性化推荐结果中同时考虑用户的兴趣、社交偏好、视频内容关联关系,实现了对用户感兴趣的短视频及社交网络的多维个性化推荐。
基于相同的发明构思,如图9所示,本申请实施例还提供一种资源推荐装置900:
特征信息获取模块9001,被配置为获取参考对象对应的特征信息,其中所述特征信息是基于图卷积网络模型为所述参考对象提取的特征,所述图卷积网络模型是基于以下关联关系进行训练的:不同目标对象之间的第一关联关系、目标对象与媒体资源之间的第二关联关系以及不同媒体资源之间的第三关联关系;
待推荐资源获取模块9002,被配置为获取与所述参考对象的所述特征信息匹配的待推荐资源,向所述参考对象进行推荐操作,所述待推荐资源包括目标对象和/或媒体资源。
在一个实施例中,所述装置还包括:
网络模型获取模块,被配置为对待训练图卷积网络模型,采用所述第一关联关系、所述第二关联关系以及所述第三关联关系逐一进行训练,得到所述图卷积网络模型;其中,所述第一关联关系、所述第二关联关系以及所述第三关联关系中的任一关联关系作为目标关联关系训练所述待训练图卷积网络模型,包括:
在所述目标关联关系中,在所述种子节点的指定跳数内的邻居节点中进行采样操作,得到指定数量的采样节点;
从最远的采样节点的属性信息开始向所述种子节点的属性信息逐层进行聚合,得到所述种子节点的特征表达;
对所述特征表达进行分类预测,得到所述待训练图卷积网络模型输出的分类结果;
基于所述分类结果与所述种子节点的训练标签之间的损失,训练所述待训练图卷积模型。
在一个实施例中,所述装置还包括:
训练标签获取模块,被配置为针对任一所述目标关联关系,基于以下方法确定所述种子节点的所述训练标签:
在所述指定数量的所述采样节点中选择与所述种子节点满足指定关系的邻居节点;
若满足所述指定关系的邻居节点在所述指定数量的所述采样节点中的占比小于第一预设值,则所述种子节点的所述训练标签为第一标签;
若满足所述指定关系的邻居节点在所述指定数量的所述采样节点中的占比大于或等于所述第一预设值,则所述种子节点的所述训练标签为第二标签。
在一个实施例中,针对所述目标对象与媒体资源之间的第二关联关系,所述网络模型获取模块,包括:
第一跳采样节点获取单元,被配置为在第一跳邻居节点内,随机采样得到第一数量的采样节点;
第二跳采样节点获取单元,被配置为在第二跳邻居节点内,随机采样得到第二数量的采样节点;其中,所述种子节点的所述第二跳邻居节点为指定节点的第一跳邻居节点,且若所述种子节点为目标对象,则所述指定节点位于所述种子节点在所述第一关联关系中的一跳邻居节点中,若所述种子节点为媒体资源,则所述指定节点位于所述种子节点在所述第三关联关系的一跳邻居节点中。
在一个实施例中,特征信息获取模块执行构建所述不同目标对象之间的所述第一关联关系时,被配置为:
获取各目标对象的对象属性信息;
并确定不同目标对象之间的社交关系;
基于不同目标对象之间的社交关系以及各目标对象的对象属性信息构建所述第一关联关系;
其中,针对任一第一目标对象,所述第一目标对象和任一第二目标对象之间的社交关系,包括:
采用第一对象权重表示的所述第一目标对象关注所述第二目标对象;
采用第二对象权重表示的所述第二目标对象关注所述第一目标对象;
采用第三对象权重表示的所述第二目标对象为所述第一目标对象的好友;
采用第四对象权重表示的所述第一目标对象为所述第一目标对象的好友。
在一个实施例中,特征信息获取模块执行构建所述目标对象与所述媒体资源之间的第二关联关系时,被配置为:
获取各所述目标对象的对象属性信息,并获取各所述媒体资源的资源属性信息;
基于各所述目标对象的对象属性信息、各所述媒体资源的资源属性信息以及不同目标对象的媒体资源操作记录,构建所述第二关联关系;
其中,在所述第二关联关系中,任一目标对象和任一媒体资源之间的关联关系包括:
采用第一对象资源权重表示的所述目标对象拥有所述媒体资源;
采用第二对象资源权重表示的所述目标对象浏览过所述媒体资源;
采用第三对象资源权重表示的所述目标对象浏览了所述媒体资源的全量内容;
在一个实施例中,特征信息获取模块执行构建所述不同媒体资源之间的第三关联关时系,被配置为:
获取各所述媒体资源的资源属性信息,并确定不同媒体资源之间的资源内容关系;
基于不同媒体资源之间的所述资源内容关系以及各媒体资源的资源属性信息构建所述第三关联关系;
其中,在所述第三关联关系中,所述不同媒体资源之间的所述资源内容关系包括:
采用第一资源权重表示的所述不同媒体资源的相同标签统计量;
采用第二资源权重表示的所述不同媒体资源的类别相同所占比例大于预设类别相同值;
采用第三资源权重表示的所述不同媒体资源的分辨率相同;
采用第四资源权重表示的所述不同媒体资源的评分差值小于预设评分差值。
在一个实施例中,所述装置还包括:
特征提取模块,被配置为基于所述图卷积网络模型对各已知资源进行特征提取,得到各所述已知资源的资源特征;所述已知资源包括目标对象和/或媒体资源;
所述待推荐资源获取模块,包括:
相似度确定单元,被配置为基于所述参考对象的所述特征信息与各所述已知资源之间的特征相似度,从所述已知资源中筛选出所述待推荐资源。
在介绍了本申请示例性实施方式的资源推荐方法和装置之后,接下来,介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,根据本申请的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的资源推荐方法中的步骤。
下面参照图10来描述根据本申请的这种实施方式的电子设备130。图10显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备130使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本申请提供的一种资源推荐方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种资源推荐方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于资源推荐的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
最后,基于相同的发明构思,本申请还提供了一种计算机程序产品,其中该计算机程序产品被配置为执行本申请实施例中的资源推荐的方法。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (14)
1.一种资源推荐方法,其特征在于,所述方法包括:
获取参考对象对应的特征信息,其中所述特征信息是基于图卷积网络模型为所述参考对象提取的特征,所述图卷积网络模型是基于以下关联关系进行训练的:
对待训练图卷积网络模型,采用不同目标对象之间的第一关联关系、目标对象与媒体资源之间的第二关联关系以及不同媒体资源之间的第三关联关系中的任一关联关系需作为目标关联关系进行训练,得到所述图卷积网络模型;
其中,采用所述第一关联关系、所述第二关联关系以及所述第三关联关系中的任一关联关系作为目标关联关系训练所述待训练图卷积网络模型,包括:在所述目标关联关系中,在种子节点的指定跳数内的邻居节点中进行采样操作,得到指定数量的采样节点;从最远的采样节点的属性信息开始向所述种子节点的属性信息逐层进行聚合,得到所述种子节点的特征表达;对所述特征表达进行分类预测,得到所述待训练图卷积网络模型输出的分类结果;基于所述分类结果与所述种子节点的训练标签之间的损失,训练所述待训练图卷积网络模型;
其中,针对所述目标对象与媒体资源之间的第二关联关系,所述在种子节点的指定跳数内的邻居节点中进行采样操作,得到指定数量的采样节点,包括:在第一跳邻居节点内,随机采样得到第一数量的采样节点;在第二跳邻居节点内,随机采样得到第二数量的采样节点;其中,所述种子节点的所述第二跳邻居节点为指定节点的第一跳邻居节点,且若所述种子节点为目标对象,则所述指定节点位于所述种子节点在所述第一关联关系中的一跳邻居节点中,若所述种子节点为媒体资源,则所述指定节点位于所述种子节点在所述第三关联关系的一跳邻居节点中;
获取与所述参考对象的所述特征信息匹配的待推荐资源,向所述参考对象进行推荐操作,所述待推荐资源包括目标对象和/或媒体资源。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
针对任一所述目标关联关系,基于以下方法确定所述种子节点的所述训练标签:
在所述指定数量的所述采样节点中选择与所述种子节点满足指定关系的邻居节点;
若满足所述指定关系的邻居节点在所述指定数量的所述采样节点中的占比小于第一预设值,则所述种子节点的所述训练标签为第一标签;
若满足所述指定关系的邻居节点在所述指定数量的所述采样节点中的占比大于或等于所述第一预设值,则所述种子节点的所述训练标签为第二标签。
3.根据权利要求1所述的方法,其特征在于,构建所述不同目标对象之间的所述第一关联关系,包括:
获取各目标对象的对象属性信息;
并确定不同目标对象之间的社交关系;
基于不同目标对象之间的社交关系以及各目标对象的对象属性信息构建所述第一关联关系;
其中,针对任一第一目标对象,所述第一目标对象和任一第二目标对象之间的社交关系,包括:
采用第一对象权重表示的所述第一目标对象关注所述第二目标对象;
采用第二对象权重表示的所述第二目标对象关注所述第一目标对象;
采用第三对象权重表示的所述第二目标对象为所述第一目标对象的好友;
采用第四对象权重表示的所述第一目标对象为所述第一目标对象的好友。
4.根据权利要求1所述的方法,其特征在于,构建所述目标对象与所述媒体资源之间的第二关联关系,包括:
获取各所述目标对象的对象属性信息,并获取各所述媒体资源的资源属性信息;
基于各所述目标对象的对象属性信息、各所述媒体资源的资源属性信息以及不同目标对象的媒体资源操作记录,构建所述第二关联关系;
其中,在所述第二关联关系中,任一目标对象和任一媒体资源之间的关联关系包括:
采用第一对象资源权重表示的所述目标对象拥有所述媒体资源;
采用第二对象资源权重表示的所述目标对象浏览过所述媒体资源;
采用第三对象资源权重表示的所述目标对象浏览了所述媒体资源的全量内容;
采用第四对象资源权重表示的所述目标对象为所述媒体资源点赞。
5.根据权利要求1所述的方法,其特征在于,构建所述不同媒体资源之间的第三关联关系,包括:
获取各所述媒体资源的资源属性信息,并确定不同媒体资源之间的资源内容关系;
基于不同媒体资源之间的所述资源内容关系以及各媒体资源的资源属性信息构建所述第三关联关系;
其中,在所述第三关联关系中,所述不同媒体资源之间的所述资源内容关系包括:
采用第一资源权重表示的所述不同媒体资源的相同标签统计量;
采用第二资源权重表示的所述不同媒体资源的类别相同所占比例大于预设类别相同值;
采用第三资源权重表示的所述不同媒体资源的分辨率相同;
采用第四资源权重表示的所述不同媒体资源的评分差值小于预设评分差值。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述图卷积网络模型对各已知资源进行特征提取,得到各所述已知资源的资源特征;所述已知资源包括目标对象和/或媒体资源;
所述获取与所述参考对象的所述特征信息匹配的待推荐资源,包括:
基于所述参考对象的所述特征信息与各所述已知资源之间的特征相似度,从所述已知资源中筛选出所述待推荐资源。
7.一种资源推荐装置,其特征在于,所述装置包括:
特征信息获取模块,被配置为获取参考对象对应的特征信息,其中所述特征信息是基于图卷积网络模型为所述参考对象提取的特征;
网络模型获取模块,被配置为采用不同目标对象之间的第一关联关系、目标对象与媒体资源之间的第二关联关系以及不同媒体资源之间的第三关联关系中的任一关联关系需作为目标关联关系进行训练,得到图卷积网络模型;
其中,网络模型获取模块执行采用所述第一关联关系、所述第二关联关系以及所述第三关联关系中的任一关联关系作为目标关联关系训练待训练图卷积网络模型时,具体被配置为:在所述目标关联关系中,在种子节点的指定跳数内的邻居节点中进行采样操作,得到指定数量的采样节点;从最远的采样节点的属性信息开始向所述种子节点的属性信息逐层进行聚合,得到所述种子节点的特征表达;对所述特征表达进行分类预测,得到所述待训练图卷积网络模型输出的分类结果;基于所述分类结果与所述种子节点的训练标签之间的损失,训练所述待训练图卷积网络模型;
其中,针对所述目标对象与媒体资源之间的第二关联关系,所述在种子节点的指定跳数内的邻居节点中进行采样操作,得到指定数量的采样节点,包括:在第一跳邻居节点内,随机采样得到第一数量的采样节点;在第二跳邻居节点内,随机采样得到第二数量的采样节点;其中,所述种子节点的所述第二跳邻居节点为指定节点的第一跳邻居节点,且若所述种子节点为目标对象,则所述指定节点位于所述种子节点在所述第一关联关系中的一跳邻居节点中,若所述种子节点为媒体资源,则所述指定节点位于所述种子节点在所述第三关联关系的一跳邻居节点中;
待推荐资源获取模块,被配置为获取与所述参考对象的所述特征信息匹配的待推荐资源,向所述参考对象进行推荐操作,所述待推荐资源包括目标对象和/或媒体资源;
所述第一关联关系、所述第二关联关系以及所述第三关联关系中的任一关联关系作为目标关联关系训练所述待训练图卷积网络模型。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
训练标签获取模块,被配置为针对任一所述目标关联关系,基于以下方法确定所述种子节点的所述训练标签:
在所述指定数量的所述采样节点中选择与所述种子节点满足指定关系的邻居节点;
若满足所述指定关系的邻居节点在所述指定数量的所述采样节点中的占比小于第一预设值,则所述种子节点的所述训练标签为第一标签;
若满足所述指定关系的邻居节点在所述指定数量的所述采样节点中的占比大于或等于所述第一预设值,则所述种子节点的所述训练标签为第二标签。
9.根据权利要求7所述的装置,其特征在于,特征信息获取模块执行构建所述不同目标对象之间的所述第一关联关系时,被配置为:
获取各目标对象的对象属性信息;
并确定不同目标对象之间的社交关系;
基于不同目标对象之间的社交关系以及各目标对象的对象属性信息构建所述第一关联关系;
其中,针对任一第一目标对象,所述第一目标对象和任一第二目标对象之间的社交关系,包括:
采用第一对象权重表示的所述第一目标对象关注所述第二目标对象;
采用第二对象权重表示的所述第二目标对象关注所述第一目标对象;
采用第三对象权重表示的所述第二目标对象为所述第一目标对象的好友;
采用第四对象权重表示的所述第一目标对象为所述第一目标对象的好友。
10.根据权利要求7所述的装置,其特征在于,特征信息获取模块执行构建所述目标对象与所述媒体资源之间的第二关联关系时,被配置为:
获取各所述目标对象的对象属性信息,并获取各所述媒体资源的资源属性信息;
基于各所述目标对象的对象属性信息、各所述媒体资源的资源属性信息以及不同目标对象的媒体资源操作记录,构建所述第二关联关系;
其中,在所述第二关联关系中,任一目标对象和任一媒体资源之间的关联关系包括:
采用第一对象资源权重表示的所述目标对象拥有所述媒体资源;
采用第二对象资源权重表示的所述目标对象浏览过所述媒体资源;
采用第三对象资源权重表示的所述目标对象浏览了所述媒体资源的全量内容。
11.根据权利要求7所述的装置,其特征在于,特征信息获取模块执行构建所述不同媒体资源之间的第三关联关系,被配置为:
获取各所述媒体资源的资源属性信息,并确定不同媒体资源之间的资源内容关系;
基于不同媒体资源之间的所述资源内容关系以及各媒体资源的资源属性信息构建所述第三关联关系;
其中,在所述第三关联关系中,所述不同媒体资源之间的所述资源内容关系包括:
采用第一资源权重表示的所述不同媒体资源的相同标签统计量;
采用第二资源权重表示的所述不同媒体资源的类别相同所占比例大于预设类别相同值;
采用第三资源权重表示的所述不同媒体资源的分辨率相同;
采用第四资源权重表示的所述不同媒体资源的评分差值小于预设评分差值。
12.根据权利要求7所述的装置,其特征在于,所述装置还包括:
特征提取模块,被配置为基于所述图卷积网络模型对各已知资源进行特征提取,得到各所述已知资源的资源特征;所述已知资源包括目标对象和/或媒体资源;
所述待推荐资源获取模块,包括:
相似度确定单元,被配置为基于所述参考对象的所述特征信息与各所述已知资源之间的特征相似度,从所述已知资源中筛选出所述待推荐资源。
13.一种电子设备,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1-6中任何一项所述的方法。
14.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行权利要求1-6任何一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110122954.XA CN112765373B (zh) | 2021-01-29 | 2021-01-29 | 资源推荐方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110122954.XA CN112765373B (zh) | 2021-01-29 | 2021-01-29 | 资源推荐方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112765373A CN112765373A (zh) | 2021-05-07 |
CN112765373B true CN112765373B (zh) | 2023-03-21 |
Family
ID=75706604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110122954.XA Active CN112765373B (zh) | 2021-01-29 | 2021-01-29 | 资源推荐方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112765373B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113271478B (zh) * | 2021-05-17 | 2023-01-10 | 北京大米科技有限公司 | 学习视频推荐方法、信息交互方法和装置 |
CN113378899B (zh) * | 2021-05-28 | 2024-05-28 | 百果园技术(新加坡)有限公司 | 非正常账号识别方法、装置、设备和存储介质 |
CN113254707B (zh) * | 2021-06-10 | 2021-12-07 | 北京达佳互联信息技术有限公司 | 模型确定、关联媒体资源确定方法和装置 |
CN113221016A (zh) * | 2021-07-08 | 2021-08-06 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、计算机设备及介质 |
WO2023015554A1 (en) * | 2021-08-13 | 2023-02-16 | Ebay Inc. | Mapping micro-video hashtags to content categories |
CN113592198B (zh) * | 2021-08-24 | 2023-09-26 | 腾讯科技(深圳)有限公司 | 需求参考信息的确定方法、服务器及终端 |
CN114579176A (zh) * | 2022-03-02 | 2022-06-03 | 支付宝实验室(新加坡)有限公司 | 资源处理方法、装置以及系统 |
CN114639044A (zh) * | 2022-03-17 | 2022-06-17 | 北京达佳互联信息技术有限公司 | 标签确定方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241311A (zh) * | 2020-01-09 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 媒体信息推荐方法、装置、电子设备及存储介质 |
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 |
WO2020156389A1 (zh) * | 2019-01-30 | 2020-08-06 | 北京字节跳动网络技术有限公司 | 信息推送方法和装置 |
CN111611472A (zh) * | 2020-03-31 | 2020-09-01 | 清华大学 | 一种基于图卷积神经网络的捆绑推荐方法及系统 |
CN111737573A (zh) * | 2020-06-17 | 2020-10-02 | 北京三快在线科技有限公司 | 资源推荐方法、装置、设备及存储介质 |
CN112131411A (zh) * | 2020-09-21 | 2020-12-25 | 腾讯科技(深圳)有限公司 | 一种多媒体资源推荐方法、装置、电子设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11797838B2 (en) * | 2018-03-13 | 2023-10-24 | Pinterest, Inc. | Efficient convolutional network for recommender systems |
US11373233B2 (en) * | 2019-02-01 | 2022-06-28 | Target Brands, Inc. | Item recommendations using convolutions on weighted graphs |
US11544535B2 (en) * | 2019-03-08 | 2023-01-03 | Adobe Inc. | Graph convolutional networks with motif-based attention |
CN110337016B (zh) * | 2019-06-13 | 2020-08-14 | 山东大学 | 基于多模态图卷积网络的短视频个性化推荐方法、系统、可读存储介质以及计算机设备 |
CN111428147B (zh) * | 2020-03-25 | 2021-07-27 | 合肥工业大学 | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 |
CN111598710B (zh) * | 2020-05-11 | 2023-04-18 | 北京邮电大学 | 社交网络事件的检测方法和装置 |
CN111881342A (zh) * | 2020-06-23 | 2020-11-03 | 北京工业大学 | 一种基于图孪生网络的推荐方法 |
CN111859166B (zh) * | 2020-07-28 | 2022-11-25 | 重庆邮电大学 | 一种基于改进的图卷积神经网络的物品评分预测方法 |
CN112085172B (zh) * | 2020-09-16 | 2022-09-16 | 支付宝(杭州)信息技术有限公司 | 图神经网络的训练方法及装置 |
-
2021
- 2021-01-29 CN CN202110122954.XA patent/CN112765373B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020156389A1 (zh) * | 2019-01-30 | 2020-08-06 | 北京字节跳动网络技术有限公司 | 信息推送方法和装置 |
CN111241311A (zh) * | 2020-01-09 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 媒体信息推荐方法、装置、电子设备及存储介质 |
CN111611472A (zh) * | 2020-03-31 | 2020-09-01 | 清华大学 | 一种基于图卷积神经网络的捆绑推荐方法及系统 |
CN111737573A (zh) * | 2020-06-17 | 2020-10-02 | 北京三快在线科技有限公司 | 资源推荐方法、装置、设备及存储介质 |
CN112131411A (zh) * | 2020-09-21 | 2020-12-25 | 腾讯科技(深圳)有限公司 | 一种多媒体资源推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于复合关系图卷积的属性网络嵌入方法;陈亦琦等;《计算机研究与发展》;20200806(第08期);第1674-1682页 * |
面向推荐系统的图卷积网络;葛尧等;《软件学报》;20200114(第04期);第1101-1112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112765373A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112765373B (zh) | 资源推荐方法、装置、电子设备和存储介质 | |
US11574145B2 (en) | Cross-modal weak supervision for media classification | |
Costa-Montenegro et al. | Which App? A recommender system of applications in markets: Implementation of the service for monitoring users’ interaction | |
US9665663B2 (en) | Generating user recommendations | |
CN112948708B (zh) | 一种短视频推荐方法 | |
CN111708901A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN111859160A (zh) | 一种基于图神经网络会话序列推荐方法及系统 | |
CN102165441A (zh) | 用于分级媒体共享频道的方法、系统以及设备 | |
CN114845149B (zh) | 视频片段的剪辑方法、视频推荐方法、装置、设备及介质 | |
CN113395594A (zh) | 一种视频处理方法、装置、设备以及介质 | |
CN112231580B (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
WO2024114034A1 (zh) | 内容推荐方法、装置、设备、介质和程序产品 | |
WO2023231542A1 (zh) | 表示信息的确定方法、装置、设备及存储介质 | |
CN116452263A (zh) | 一种信息推荐方法、装置、设备及存储介质、程序产品 | |
CN115618024A (zh) | 多媒体推荐方法、装置及电子设备 | |
CN116628345B (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
CN117725220A (zh) | 文档表征和文档检索的方法、服务器及存储介质 | |
CN116956183A (zh) | 多媒体资源推荐方法、模型训练方法、装置及存储介质 | |
CN115114467B (zh) | 图片神经网络模型的训练方法以及装置 | |
CN116049566A (zh) | 对象表示方法、装置、设备、存储介质及计算机程序产品 | |
CN114090848A (zh) | 数据推荐及分类方法、特征融合模型及电子设备 | |
CN114996435A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN114596108A (zh) | 一种对象推荐方法、装置、电子设备及存储介质 | |
CN113128225A (zh) | 命名实体的识别方法、装置、电子设备及计算机存储介质 | |
CN114996561B (zh) | 一种基于人工智能的信息推荐方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |