CN112767054A - 数据推荐方法、装置、服务器和计算机可读存储介质 - Google Patents

Abstract

本公开关于一种数据推荐方法、装置、服务器和计算机可读存储介质，该方法包括：获取广告数据，广告数据包括基础广告、待投放广告、基础账号以及全量账号，其中，待投放广告与基础广告具有关联关系，基础账号为基础广告对应的账号；采用预定模型对广告数据对应的向量进行分析，得到基础账号的图特征向量、全量账号的图特征向量以及待投放广告的图特征向量；根据基础账号的图特征向量和全量账号的图特征向量的相似度，确定目标账号；根据目标账号的图特征向量和待投放广告的图特征向量的相似度，确定目标待投放广告并将目标待投放广告推荐给目标账号。该方法保证了给目标账号推荐的待投放广告与目标账号匹配性较好。

Description

数据推荐方法、装置、服务器和计算机可读存储介质

技术领域

本公开涉及人群拓展领域，尤其涉及一种数据推荐方法、装置、服务器、计算机可读存储介质和计算机程序产品。

背景技术

相关技术中，在基于人群拓展方式的广告投放过程中，广告主提供基础账号数据以及需要投放的待投放广告。其中，基础账号数据就是基础账号的数据，基础账号通常是指投放端平台的部分账号。投放平台根据广告主提供的基础账号数据，在给定人群范围内，将上述待投放广告推荐给人群集合。然而，现有技术中，并不能将待投放的广告较为准确地推荐给对应的受众，即不能准确地将广告推荐给对应的用户，存在推荐的广告与对应的人群集合的匹配性较差的问题。

因此，亟需一种可以提高推荐的广告与对应的人群集合的匹配性的方法。

发明内容

本公开提供一种数据推荐方法、装置、服务器、计算机可读存储介质和计算机程序产品，以至少解决相关技术中存在推荐的广告与对应的人群集合的匹配性较差的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种数据推荐方法，包括：获取广告数据，所述广告数据包括基础广告、待投放广告、基础账号以及全量账号，其中，所述待投放广告与所述基础广告具有关联关系，所述基础账号为所述基础广告对应的账号；采用预定模型对所述广告数据对应的向量进行分析，得到所述基础账号的图特征向量、所述全量账号的图特征向量以及所述待投放广告的图特征向量；根据所述基础账号的图特征向量和所述全量账号的图特征向量的相似度，确定目标账号；根据所述目标账号的图特征向量和所述待投放广告的图特征向量的相似度，确定目标待投放广告并将所述目标待投放广告推荐给所述目标账号。

可选地，所述采用预定模型对所述广告数据对应的向量进行分析，得到所述基础账号的图特征向量、所述全量账号的图特征向量以及所述待投放广告的图特征向量步骤包括：以计算异构图的节点为第一中心节点，采样预定跳数内的第一邻居节点，得到包括所述第一中心节点和所述第一邻居节点的计算采样子图，所述计算异构图为基于所述广告数据建立的，所述计算异构图的节点包括所述基础广告对应的基础广告节点、所述待投放广告对应的待投放广告节点、所述基础账号对应的基础账号节点以及所述全量账号对应的全量账号节点中的至少两个，所述计算异构图中的边用于表示相邻的两个所述节点之间的关联关系；获取所述第一邻居节点的初始向量；采用所述预定模型并根据所述第一邻居节点的初始向量，计算所述第一邻居节点对应的所述第一中心节点的图特征向量，所述第一中心节点为所述基础账号节点、所述全量账号节点或所述待投放广告节点，所述第一中心节点的图特征向量对应为所述基础账号的图特征向量、所述全量账号的图特征向量或所述待投放广告的图特征向量。

可选地，在所述采用预定模型对所述广告数据对应的向量进行分析，得到所述基础账号的图特征向量、所述全量账号的图特征向量以及所述待投放广告的图特征向量步骤之前，所述方法还包括：基于所述广告数据，构建训练异构图，所述训练异构图的节点包括所述基础账号节点、所述待投放广告节点以及所述基础广告节点，所述训练异构图中的边用于表示所述基础广告节点之间的关联关系、所述基础广告节点和所述基础账号节点的关联关系或所述基础广告节点和所述待投放广告节点之间的关联关系；以所述训练异构图的节点为第二中心节点，采样第四预定跳数内的第二邻居节点，得到包括所述第二中心节点和所述第二邻居节点的训练采样子图；基于所述训练采样子图，确定初始模型，所述初始模型为所述第二邻居节点的初始向量表示所述第二中心节点的模型；获取包括所述训练采样子图的训练样本，并采用所述训练样本训练所述初始模型，得到所述预定模型。

可选地，所述获取包括所述训练采样子图的训练样本，并采用所述训练样本训练所述初始模型，得到所述预定模型步骤包括：获取第一训练采样子图和第二训练采样子图，所述第一训练采样子图为以所述基础账号节点为所述第二中心节点的所述训练采样子图，所述第二训练采样子图为所述基础广告节点为所述第二中心节点的所述训练采样子图；获取正样本和负样本，所述正样本包括所述第二中心节点之间存在所述边的所述第一训练采样子图和所述第二训练采样子图，所述负样本包括所述第二中心节点之间不存在所述边的所述第一训练采样子图和所述第二训练采样子图；采用所述正样本和所述负样本训练所述初始模型，得到所述预定模型。

可选地，所述采用所述正样本和所述负样本训练所述初始模型，得到所述预定模型步骤包括：根据所述正样本和所述负样本的相似度，构建所述初始模型的目标损失函数；训练所述初始模型，直到所述目标损失函数收敛，得到所述预定模型，所述预定模型为所述目标损失函数收敛时的所述初始模型。

可选地，所述根据所述正样本和所述负样本的相似度，构建所述初始模型的目标损失函数步骤包括：构建所述目标损失函数

其中，Z_U ^T和Zv分别表示所述正样本中的两个所述第二中心节点对应的图特征向量，Z_U ^T和Zv_n分别为所述负样本中的两个所述第二中心节点对应的图特征向量，Z_U ^T为所述基础账号节点对应的图特征向量，Ev_n～p_n(v)为所述负样本的期望概率值，Q为所述负样本的个数，vn表示第v个节点的负样本节点；Pn表示所述负样本的概率分布。

根据本公开实施例的第二方面，提供一种数据推荐装置，包括第一获取单元、分析单元、第一确定单元和第二确定单元，其中，所述第一获取单元被配置为执行获取广告数据，所述广告数据包括基础广告、待投放广告、基础账号以及全量账号，其中，所述待投放广告与所述基础广告具有关联关系，所述基础账号为所述基础广告对应的账号；所述分析单元被配置为执行采用预定模型对所述广告数据对应的向量进行分析，得到所述基础账号的图特征向量、所述全量账号的图特征向量以及所述待投放广告的图特征向量；所述第一确定单元被配置为执行根据所述基础账号的图特征向量和所述全量账号的图特征向量的相似度，确定目标账号；所述第二确定单元被配置为执行根据所述目标账号的图特征向量和所述待投放广告的图特征向量的相似度，确定目标待投放广告并将所述目标待投放广告推荐给所述目标账号。

根据本公开实施例的第三方面，提供一种服务器，包括处理器和用于存储所述处理器可执行指令的存储器，其中，所述处理器被配置为执行所述指令，以实现任一种所述的方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由服务器的处理器执行时，使得所述服务器能够执行任一种所述的方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现任一种所述的方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

本申请的数据推荐方法中，首先获取广告数据，所述广告数据包括基础广告、待投放广告、基础账号以及全量账号；然后通过预定模型对所述广告数据对应的向量进行分析，得到所述基础账号的图特征向量、所述全量账号的图特征向量以及所述待投放广告的图特征向量；之后，根据所述基础账号的图特征向量和所述全量账号的图特征向量的相似度，确定了与所述基础账号关联的所述目标账号；最后，根据所述目标账号的图特征向量和所述待投放广告的图特征向量的相似度，确定了目标待投放广告，并将所述目标待投放广告推荐给所述目标账号。所述方法通过预定模型对基础广告、待投放广告、基础账号以及全量账号这些广告数据对应的向量进行分析，得到所述基础账号的图特征向量、所述全量账号的图特征向量以及所述待投放广告的图特征向量，后续根据这些图特征向量，得到与基础账号相关联的目标账号，且根据这些图特征向量确定向目标账号推荐的待投放广告并投放给对应的目标账号。所述方法通过综合考虑基础账号与基础广告之间的关联性、基础账号与全量账号之间的关联性以及基础广告与待投放广告之间的关联性，保证了给目标账号推荐的待投放广告与目标账号匹配性较好，有效地缓解了现有技术中推荐的广告与对应的人群集合的匹配性较差的问题，保证了根据所述广告数据进行广告投放的效果较好、广告推广收益较高。

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

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种实施环境的架构图。

图2是根据一示例性实施例示出的一种数据推荐方法的流程图。

图3是根据一示例性实施例示出的一种第二异构图的示意图。

图4是根据一示例性实施例示出的一种正样本的示意图。

图5是根据一示例性实施例示出的一种负样本的示意图。

图6是根据一示例性实施例示出的一种采样子图的示意图。

图7是根据一示例性实施例示出的一种人群拓展的示意图。

图8是根据一示例性实施例示出的一种数据推荐装置的框图。

其中，附图说明如下：

01、电子设备；02、服务器；100、基础广告节点；101、基础账号节点；102、待投放广告节点；103、中心节点；104、采样邻居节点；105、未采样邻居节点。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“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，以便这里描述的本公开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公开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、本公开的一些方面相一致的装置和方法的例子。

现有的基于基础账号做相似人群拓展的方案主要有以下三种：第一种、利用账号画像，给账号打标签，利用相同标签找到目标人群；第二种、利用分类算法来实现，种子人群为正样本，候选对象为负样本，训练分类模型，然后用模型对所有候选对象进行筛选；第三种、利用社交网络进行人群扩散，比如，利用好友关系，将种子人群标签传给社区中的好友，从而实现人群扩散。

上述的第一种方法需要投入大量人力成本；第二种方法未考虑账号的社交网络属性，并且未涉及账号和候选对象集合的空间关联性。账号和候选商品的关系仅包含正样本(是种子账号)和负样本(非种子账号)两类，同时，第二种方法中，默认基础广告外的账号为负样本，这个假设是不一定成立的；第三种方法仅考虑社交属性，不涉及账号和候选对象的关系。

以上三种的拓展方案，或是只考虑了基础账号与目标账号的关联性，或是只考虑了基础广告与待投放广告的关联性，并没有综合考虑基础账号与基础广告之间的关联性、基础账号与全量账号之间的关联性以及基础广告与待投放广告之间的关联性，导致了全量账号与待投放广告之间的匹配性不高。因此，正如背景技术所说，现有技术中存在推荐的广告与对应的人群集合的匹配性较差的问题。

图1是根据一示例性实施例示出的一种实施环境的架构图，如图1所示，下述数据推荐方法可以应用于该实施环境中。该实施环境包括电子设备01和服务器02。其中，电子设备01和服务器02可以通过网络互连并通信。

其中，电子设备01可以为显示待投放广告的设备。电子设备01可以从服务器02获取对应的待投放广告中，并在界面中显示该待投放广告。

电子设备01可以是任何一种可与账号通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品，例如手机、平板电脑、掌上电脑、个人计算机(Personal Computer，PC)、可穿戴设备、智能电视等。

服务器02可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。服务器02可以包括处理器、存储器以及网络接口等。

本领域技术人员应能理解上述电子设备和服务器仅为举例，其他现有的或今后可能出现的电子设备或服务器如可适用于本公开，也应包含在本公开保护范围以内，并在此以引用方式包含于此。

基于此，本公开的实施例提供了一种数据推荐方法、装置、服务器、计算机可读存储介质和计算机程序产品。

本公开实施例提供的数据推荐方法的执行主体可以为上述的电子设备或者服务器，也可以为该电子设备或者服务器中能够实现该数据推荐方法的功能模块和/或功能实体，具体的可以根据实际使用需求确定，本公开实施例不作限定。下面以执行主体为电子设备为例，对本公开实施例提供的显示方法进行示例性的说明。

图2是根据一示例性实施例示出的一种数据推荐方法的流程图，如图2所示，该数据推荐方法应用于广告投放中，包括以下步骤。

在步骤S11中，获取广告数据，上述广告数据包括基础广告、待投放广告、基础账号以及全量账号，其中，上述待投放广告与上述基础广告具有关联关系，上述基础账号为上述基础广告对应的账号；

在步骤S12中，采用预定模型对上述广告数据对应的向量进行分析，得到上述基础账号的图特征向量、上述全量账号的图特征向量以及上述待投放广告的图特征向量；

在步骤S13中，根据上述基础账号的图特征向量和上述全量账号的图特征向量的相似度，确定目标账号；

在步骤S14中，根据上述目标账号的图特征向量和上述待投放广告的图特征向量的相似度，确定目标待投放广告并将上述目标待投放广告推荐给上述目标账号。

上述的数据推荐方法中，首先获取广告数据，上述广告数据包括基础广告、待投放广告、基础账号以及全量账号；然后通过预定模型对上述广告数据对应的向量进行分析，得到上述基础账号的图特征向量、上述全量账号的图特征向量以及上述待投放广告的图特征向量；之后，根据上述基础账号的图特征向量和上述全量账号的图特征向量的相似度，确定了与上述基础账号关联的上述目标账号；最后，根据上述目标账号的图特征向量和上述待投放广告的图特征向量的相似度，确定了目标待投放广告，并将上述目标待投放广告推荐给上述目标账号。上述方法通过预定模型对基础广告、待投放广告、基础账号以及全量账号这些广告数据对应的向量进行分析，得到上述基础账号的图特征向量、上述全量账号的图特征向量以及上述待投放广告的图特征向量，后续根据这些图特征向量，得到与基础账号相关联的目标账号，且根据这些图特征向量确定向目标账号推荐的待投放广告并投放给对应的目标账号。上述方法通过综合考虑基础账号与基础广告之间的关联性、基础账号与全量账号之间的关联性以及基础广告与待投放广告之间的关联性，保证了给目标账号推荐的待投放广告与目标账号匹配性较好，有效地缓解了现有技术中推荐的广告与对应的人群集合的匹配性较差的问题，保证了根据上述广告数据进行广告投放的效果较好、广告推广收益较高。

一种具体的实施例中，上述图特征向量为低纬度图特征向量。

在实际的应用过程中，上述基础账号与上述基础广告的对应关系，是指上述基础账号对上述基础广告或者上述基础广告对应的广告内容中的目标对象感兴趣，上述目标对象可以为上述广告内容中的产品，如日用品、食物、影视作品或者其他产品，也可以为上述广告内容中的活动，如演唱会等活动，感兴趣可以为点击、浏览过上述基础广告中的目标对象，也可以为购买过上述基础广告中的目标对象。

根据本申请的一种具体的实施例，上述采用预定模型对上述广告数据对应的向量进行分析，得到上述基础账号的图特征向量、上述全量账号的图特征向量以及上述待投放广告的图特征向量步骤包括：以计算异构图的节点为第一中心节点，采样预定跳数内的第一邻居节点，得到包括上述第一中心节点和上述第一邻居节点的计算采样子图，上述计算异构图为基于上述广告数据建立的，上述计算异构图的节点包括上述基础广告对应的基础广告节点、上述待投放广告对应的待投放广告节点、上述基础账号对应的基础账号节点以及上述全量账号对应的全量账号节点中的至少两个，上述计算异构图中的边用于表示相邻的两个上述节点之间的关联关系；获取上述第一邻居节点的初始向量；采用上述预定模型并根据上述第一邻居节点的初始向量，计算上述第一邻居节点对应的上述第一中心节点的图特征向量，上述第一中心节点为上述基础账号节点、上述全量账号节点或上述待投放广告节点，上述第一中心节点的图特征向量对应为上述基础账号的图特征向量、上述全量账号的图特征向量或上述待投放广告的图特征向量，其中，计算异构图为用于计算图特征向量的异构图。这样保证了确定的各个上述节点的图特征向量较为准确和合理，进而进一步地为后续较为准确地确定与上述基础账号关联的上述全量账号，以及较为准确地确定与上述目标账号关联的待投放广告提供了保障。

本申请的再一种具体的实施例中，上述以计算异构图的节点为第一中心节点，采样预定跳数内的第一邻居节点，得到包括上述第一中心节点和上述第一邻居节点的计算采样子图步骤包括：以第一异构图的节点为上述第一中心节点，采样第一预定跳数内的第一邻居节点，得到三个第一计算采样子图，其中，三个上述计算采样子图的上述第一中心节点分别为上述基础账号节点、上述待投放广告节点和上述全量账号节点，上述第一异构图的节点包括上述基础账号节点、上述待投放广告节点、上述基础广告节点以及上述全量账号节点。上述方法，通过以第一异构图的节点为上述第一中心节点，得到三个第一计算采样子图，这样进一步地保证较为简单且准确地确定上述计算采样子图，进而进一步地保证较为准确且高效地确定与上述基础账号关联的上述全量账号，以及与上述目标账号关联的待投放广告，进一步地方便了后续将上述待投放广告推荐至上述目标账号。

为了进一步地保证较为准确地确定上述计算采样子图，根据本申请的又一种具体的实施例，上述以计算异构图的节点为第一中心节点，采样预定跳数内的第一邻居节点，得到包括上述第一中心节点和上述第一邻居节点的计算采样子图步骤包括：以第二异构图的节点为上述第一中心节点，采样第二预定跳数内的第一邻居节点，得到两个第二计算采样子图，其中，两个上述第二计算采样子图的上述第一中心节点分别为上述基础账号节点和上述待投放广告节点，上述第二异构图的节点包括上述基础账号节点、上述待投放广告节点以及上述基础广告节点；基于上述广告数据，构建第三异构图，上述第三异构图中的节点包括上述基础广告节点、上述待投放广告节点、上述基础账号节点以及上述全量账号节点；以上述第三异构图的节点为上述第一中心节点，采样第三预定跳数内的上述第一邻居节点，得到一个第三计算采样子图，其中，上述第三计算采样子图的上述第一中心节点为上述全量账号节点。

一种具体的实施例中，如图3所示，上述第二异构图中的边用于表示上述基础广告节点100之间的关联关系、上述基础广告节点100和上述基础账号节点101的关联关系或上述基础广告节点100和上述待投放广告节点102之间的关联关系，也就是说，上述第二异构图中的边用于表示三种关联关系，第一种，基础广告节点100之间的连线用于表述“相似”，这种相似既可以是社交关系中的由于“点赞”或“关注”等行为建立的相似关系(此处假设一个账号在社交网络中关注了另外一个账号，就认定他们之间具有相似性)，也可以是账号画像中属性的相似，比方说两个账号属于同一地区，或具有相同爱好等，这种类型的边可以是通过投放端的账号属性或社交属性构建的；第二种，基础广告节点100和基础账号节点101的连线用于表述是“属于”，简而言之就是，如果基础广告节点100和基础账号节点101之间有连线，即说明此账号是该基础广告的一个种子账号。这种类型的边可以是通过基础广告数据构建的；第三种，基础广告节点100和待投放广告节点102之间的连线，用于表述基础广告和待投放广告之间的关联性，以及基础广告之间的基于特征的一些关系，比如相同类目而形成的“同类”关系。

根据本申请的另一种具体的实施例，在上述采用预定模型对上述广告数据对应的向量进行分析，得到上述基础账号的图特征向量、上述全量账号的图特征向量以及上述待投放广告的图特征向量步骤之前，上述方法还包括：基于上述广告数据，构建训练异构图，上述训练异构图的节点包括上述基础账号节点、上述待投放广告节点以及上述基础广告节点，上述训练异构图中的边用于表示上述基础广告节点之间的关联关系、上述基础广告节点和上述基础账号节点的关联关系或上述基础广告节点和上述待投放广告节点之间的关联关系，其中，训练异构图为用于训练预定模型的异构图；以上述训练异构图的节点为第二中心节点，采样第四预定跳数内的第二邻居节点，得到包括上述第二中心节点和上述第二邻居节点的训练采样子图；基于上述训练采样子图，确定初始模型，上述初始模型为上述第二邻居节点的初始向量表示上述第二中心节点的模型；获取包括上述训练采样子图的训练样本，并采用上述训练样本训练上述初始模型，得到上述预定模型。这样可以得到较为准确地上述预定模型，进一步地保证了后续根据上述预定模型确定的上述图特征向量较为准确，从而进一步地保证了较为确定地确定上述目标账号以及与上述目标账号关联的上述待投放广告，进而进一步地保证了给目标账号推荐的待投放广告与目标账号匹配性较好。

一种具体的实施例中，上述训练异构图与上述计算异构图相同。这样省去了至少一个构建计算异构图的过程，进一步地保证了数据推荐的过程较为简单。具体地，如果训练异构图为第一异构图，则在计算图特征向量的过程中，就无需再构建计算异构图了；如果训练异构图为第二异构图，则在计算图特征向量的过程中，还需要构建第三异构图。

本申请的又一种具体的实施例中，上述获取包括上述训练采样子图的训练样本，并采用上述训练样本训练上述初始模型，得到上述预定模型步骤包括：获取第一训练采样子图和第二训练采样子图，上述第一训练采样子图为以上述基础账号节点为上述第二中心节点的上述训练采样子图，上述第二训练采样子图为上述基础广告节点为上述第二中心节点的上述训练采样子图；获取正样本和负样本，上述正样本包括上述第二中心节点之间存在上述边的上述第一训练采样子图和上述第二训练采样子图，如图4所示，上述负样本包括上述第二中心节点之间不存在上述边的上述第一训练采样子图和上述第二训练采样子图，如图5所示；采用上述正样本和上述负样本训练上述初始模型，得到上述预定模型。上述方法通过获取上述正样本和上述负样本，并采用上述正样本和上述负样本训练上述初始模型，这样进一步地保证了得到的上述预定模型较为准确。

一种具体的实施例中，获取上述第一训练采样子图和上述第二训练采样子图的具体过程如下：如图6所示，选取一个中心节点103，并指定采样的最远邻居范围，即图6中的h。同时指定每一层采样的节点类型和采样个数。如图6所示，针对中心节点，假设它是账号节点，我们规定：1次采样4个基础账号节点，2次采样8个基础广告节点，那么一个针对中心节点的h＝2的子图采样过程最终得到了图6所示的采样子图，由中心节点103和采样邻居节点104构成，其中为采样的邻居节点为未采样邻居节点105。另外一个例子中，假设中心节点是一个基础广告节点，可以1次采样4个基础广告节点，2次采样6个待投放广告节点，构成该中心节点的采样子图(图中未示出)。

在实际的应用过程中，上述采用上述正样本和上述负样本训练上述初始模型，得到上述预定模型步骤包括：根据上述正样本和上述负样本的相似度，构建上述初始模型的目标损失函数；训练上述初始模型，直到上述目标损失函数收敛，得到上述预定模型，上述预定模型为上述目标损失函数收敛时的上述初始模型。具体地，上述目标损失函数收敛时的模型参数为最终的模型参数，将最终的模型参数作为初始模型的参数，得到预定模型。上述方法根据上述正样本和上述负样本的相似度，来构建上述目标损失函数，并训练上述初始模型至上述目标损失函数收敛，得到上述预定模型，这样进一步地保证了建立的上述预定模型较为准确。

根据本申请的再一种具体的实施例，上述根据上述正样本和上述负样本的相似度，构建上述初始模型的目标损失函数步骤包括：构建上述目标损失函数

其中，Z_U ^T和Zv分别表示上述正样本中的两个上述第二中心节点对应的图特征向量，Z_U ^T和Zv_n分别为上述负样本中的两个上述第二中心节点对应的图特征向量，Z_U ^T为上述基础账号节点对应的图特征向量，Ev_n～p_n(v)为上述负样本的期望概率值，Q为上述负样本的个数，vn表示第v个节点的负样本节点；Pn表示上述负样本的概率分布。上述方法，通过将不同空间维度的事物映射到相同维度，这样使得上述正样本中的任意两个中心节点的聚合距离较近，上述负样本中的任意两个中心节点的聚合距离尽量远，进一步地保证了后续确定的上述图特征向量较为准确，进而进一步地保证了推荐的待投放广告与对应的目标账号的匹配性较好，进一步地保证了广告推广的效果较好。

具体的，上述目标损失函数

的前半部分可以理解为正样本的两个第二中心节点的点乘，后面部分为负样本的两个第二中心节点的点乘，使上述目标损失函数收敛即为求上述目标损失函数的最小值，即可认为是同时考虑了上述两个过程。

为了进一步地保证较为准确且快捷地从上述全量账号中确定与上述基础账号关联的上述目标账号，从而进一步地保证待投放广告与对应的目标长高较为匹配，本申请的另一种具体的实施例中，上述根据上述基础账号的图特征向量和上述全量账号的图特征向量的相似度，确定目标账号步骤包括：确定每个上述基础账号的图特征向量和多个上述全量账号的图特征向量的相似度，得到多个第一相似度；确定最大的第一相似度对应的上述全量账号为目标账号，上述目标账号为与对应的上述基础账号关联上述全量账号。也就是说，确定一个上述基础账号的图特征向量和多个上述全量账号的图特征向量的相似度，得到多个第一相似度，确定最大的第一相似度对应的上述全量账号为目标账号，重复上述过程，直到得到与每个上述基础账号关联的上述目标账号。

为了进一步地保证较为准确且快捷地从上述待投放广告中确定与上述目标账号关联的上述目标待投放广告，从而进一步地保证待投放广告与对应的目标长高较为匹配，本申请的另一种具体的实施例中，上述根据上述目标账号的图特征向量和上述待投放广告的图特征向量的相似度，确定目标待投放广告并将上述目标待投放广告推荐给上述目标账号步骤包括：确定上述目标账号的图特征向量和多个上述待投放广告的图特征向量的相似度，得到多个第二相似度；确定最大的上述第二相似度对应的上述待投放广告为上述目标待投放广告；将上述目标待投放广告推荐给对应的上述目标账号。也就是说，确定一个上述目标账号的图特征向量和多个待投放广告的图特征向量的相似度，得到多个第二相似度，确定最大的第二相似度对应的上述待投放广告为上述目标待投放广告，重复上述过程，直到得到与每个上述目标账号关联的上述目标待投放广告。

根据本申请的再一种具体的实施例，在上述根据上述预定模型，确定上述基础账号的图特征向量、上述基础广告的图特征向量、上述全量账号的图特征向量以及上述待投放广告的图特征向量步骤之后，上述方法还包括：确定上述全量账号的图特征向量和多个上述待投放广告节点的图特征向量的相似度，得到多个第三相似度；确定最大的上述第三相似度对应的上述待投放广告为与上述全量账号匹配的上述待投放广告；将匹配的上述待投放广告中的数据推荐给对应的上述全量账号。上述方法，通过确定上述全量账号的图特征向量和多个上述待投放广告节点的图特征向量的相似度，确定与上述全量账号匹配的上述待投放广告，并将匹配的上述待投放广告中的数据推荐给对应的上述全量账号，保证了待投放广告的推广范围更大，进而进一步地保证了广告投放的效果较好、广告推广收益较高。

本申请的一种具体的实施例中，如图7所示，把现有的人群包拓展问题，由只学习全量账号与待投放广告的关联关系，变为同时学习基础账号(与图7中的用户一一对应)与基础广告(对应图中的种子包)的关联关系、基础账号和全量账号的关联关系以及全量账号和待投放广告(对应图中的拓展包)的关联关系，本申请基本可以涵盖现有的人群包拓展方案，并且通过结合多类关联关系，让算法可以学习到更加深层的潜在关联，并根据该潜在的关系将目标账号对应的用户B拓展到待投放广告A’中。

图8是根据一示例性实施例示出的一种数据推荐装置框图。参照图8，包括第一获取单元10、分析单元20、第一确定单元30和第二确定单元40，其中，上述第一获取单元10被配置为执行获取广告数据，上述广告数据包括基础广告、待投放广告、基础账号以及全量账号，其中，上述待投放广告与上述基础广告具有关联关系，上述基础账号为上述基础广告对应的账号；上述分析单元20被配置为执行采用预定模型对上述广告数据对应的向量进行分析，得到上述基础账号的图特征向量、上述全量账号的图特征向量以及上述待投放广告的图特征向量；上述第一确定单元30被配置为执行根据上述基础账号的图特征向量和上述全量账号的图特征向量的相似度，确定目标账号；上述第二确定单元40被配置为执行根据上述目标账号的图特征向量和上述待投放广告的图特征向量的相似度，确定目标待投放广告并将上述目标待投放广告推荐给上述目标账号。

上述的数据推荐装置中，通过上述第一获取单元获取广告数据，上述广告数据包括基础广告、待投放广告、基础账号以及全量账号；通过上述分析单元通过预定模型对上述广告数据对应的向量进行分析，得到上述基础账号的图特征向量、上述全量账号的图特征向量以及上述待投放广告的图特征向量；通过上述第一确定单元根据上述基础账号的图特征向量和上述全量账号的图特征向量的相似度，确定了与上述基础账号关联的上述目标账号；通过上述第二确定单元根据上述目标账号的图特征向量和上述待投放广告的图特征向量的相似度，确定了目标待投放广告，并将上述目标待投放广告推荐给上述目标账号。上述装置通过综合考虑基础账号与基础广告之间的关联性、基础账号与全量账号之间的关联性以及基础广告与待投放广告之间的关联性，保证了给目标账号推荐的待投放广告与目标账号匹配性较好，有效地缓解了现有技术中推荐的广告与对应的人群集合的匹配性较差的问题，保证了根据上述广告数据进行广告投放的效果较好、广告推广收益较高。

一种具体的实施例中，上述图特征向量为低纬度图特征向量。

在实际的应用过程中，上述基础账号与上述基础广告的对应关系，是指上述基础账号对上述基础广告或者上述基础广告对应的广告内容中的目标对象感兴趣，上述目标对象可以为上述广告内容中的产品，如日用品、食物、影视作品或者其他产品，也可以为上述广告内容中的活动，如演唱会等活动，感兴趣可以为点击、浏览过上述基础广告中的目标对象，也可以为购买过上述基础广告中的目标对象。

根据本申请的一种具体的实施例，上述分析单元包括采样子单元、获取子单元和计算子单元，其中，上述采样子单元被配置为执行以计算异构图的节点为第一中心节点，采样预定跳数内的第一邻居节点，得到包括上述第一中心节点和上述第一邻居节点的计算采样子图，上述计算异构图为基于上述广告数据建立的，上述计算异构图的节点包括上述基础广告对应的基础广告节点、上述待投放广告对应的待投放广告节点、上述基础账号对应的基础账号节点以及上述全量账号对应的全量账号节点中的至少两个，上述计算异构图中的边用于表示相邻的两个上述节点之间的关联关系；上述获取子单元被配置为执行获取上述第一邻居节点的初始向量；上述计算子单元被配置为执行采用上述预定模型并根据上述第一邻居节点的初始向量，计算上述第一邻居节点对应的上述第一中心节点的图特征向量，上述第一中心节点为上述基础账号节点、上述全量账号节点或上述待投放广告节点，上述第一中心节点的图特征向量对应为上述基础账号的图特征向量、上述全量账号的图特征向量或上述待投放广告的图特征向量，其中，计算异构图为用于计算图特征向量的异构图。这样保证了确定的各个上述节点的图特征向量较为准确和合理，进而进一步地为后续较为准确地确定与上述基础账号关联的上述全量账号，以及较为准确地确定与上述目标账号关联的待投放广告提供了保障。

本申请的再一种具体的实施例中，上述采样子单元包括第一采样模块，上述第一采样模块被配置为执行以第一异构图的节点为上述第一中心节点，采样第一预定跳数内的第一邻居节点，得到三个第一计算采样子图，其中，三个上述计算采样子图的上述第一中心节点分别为上述基础账号节点、上述待投放广告节点和上述全量账号节点，上述第一异构图的节点包括上述基础账号节点、上述待投放广告节点、上述基础广告节点以及上述全量账号节点。上述装置，通过以第一异构图的节点为上述第一中心节点，得到三个第一计算采样子图，这样进一步地保证较为简单且准确地确定上述计算采样子图，进而进一步地保证较为准确且高效地确定与上述基础账号关联的上述全量账号，以及与上述目标账号关联的待投放广告，进一步地方便了后续将上述待投放广告推荐至上述目标账号。

为了进一步地保证较为准确地确定上述计算采样子图，根据本申请的又一种具体的实施例，上述采样子单元包括第二采样模块、第一构建模块和第三采样模块，其中，上述第二采样模块被配置为执行以第二异构图的节点为上述第一中心节点，采样第二预定跳数内的第一邻居节点，得到两个第二计算采样子图，其中，两个上述第二计算采样子图的上述第一中心节点分别为上述基础账号节点和上述待投放广告节点，上述第二异构图的节点包括上述基础账号节点、上述待投放广告节点以及上述基础广告节点；上述第一构建模块被配置为执行基于上述广告数据，构建第三异构图，上述第三异构图中的节点包括上述基础广告节点、上述待投放广告节点、上述基础账号节点以及上述全量账号节点；上述第三采样模块被配置为执行以上述第三异构图的节点为上述第一中心节点，采样第三预定跳数内的上述第一邻居节点，得到一个第三计算采样子图，其中，上述第三计算采样子图的上述第一中心节点为上述全量账号节点。

一种具体的实施例中，如图3所示，上述第二异构图中的边用于表示上述基础广告节点100之间的关联关系、上述基础广告节点100和上述基础账号节点101的关联关系或上述基础广告节点100和上述待投放广告节点102之间的关联关系，也就是说，上述第二异构图中的边用于表示三种关联关系，第一种，基础广告节点100之间的连线用于表述“相似”，这种相似既可以是社交关系中的由于“点赞”或“关注”等行为建立的相似关系(此处假设一个账号在社交网络中关注了另外一个账号，就认定他们之间具有相似性)，也可以是账号画像中属性的相似，比方说两个账号属于同一地区，或具有相同爱好等，这种类型的边可以是通过投放端的账号属性或社交属性构建的；第二种，基础广告节点100和基础账号节点101的连线用于表述是“属于”，简而言之就是，如果基础广告节点100和基础账号节点101之间有连线，即说明此账号是该基础广告的一个种子账号。这种类型的边可以是通过基础广告数据构建的；第三种，基础广告节点100和待投放广告节点102之间的连线，用于表述基础广告和待投放广告之间的关联性，以及基础广告之间的基于特征的一些关系，比如相同类目而形成的“同类”关系。

根据本申请的另一种具体的实施例，上述装置还包括构建单元、采样单元、第三确定单元和第二获取单元，其中，上述构建单元被配置为执行在上述采用预定模型对上述广告数据对应的向量进行分析，得到上述基础账号的图特征向量、上述全量账号的图特征向量以及上述待投放广告的图特征向量步骤之前，基于上述广告数据，构建训练异构图，上述训练异构图的节点包括上述基础账号节点、上述待投放广告节点以及上述基础广告节点，上述训练异构图中的边用于表示上述基础广告节点之间的关联关系、上述基础广告节点和上述基础账号节点的关联关系或上述基础广告节点和上述待投放广告节点之间的关联关系，其中，训练异构图为用于训练预定模型的异构图；上述采样单元被配置为执行以上述训练异构图的节点为第二中心节点，采样第四预定跳数内的第二邻居节点，得到包括上述第二中心节点和上述第二邻居节点的训练采样子图；上述第三确定单元被配置为执行基于上述训练采样子图，确定初始模型，上述初始模型为上述第二邻居节点的初始向量表示上述第二中心节点的模型；上述第二获取单元被配置为执行获取包括上述训练采样子图的训练样本，并采用上述训练样本训练上述初始模型，得到上述预定模型。这样可以得到较为准确地上述预定模型，进一步地保证了后续根据上述预定模型确定的上述图特征向量较为准确，从而进一步地保证了较为确定地确定上述目标账号以及与上述目标账号关联的上述待投放广告，进而进一步地保证了给目标账号推荐的待投放广告与目标账号匹配性较好。

一种具体的实施例中，上述训练异构图与上述计算异构图相同。这样省去了至少一个构建计算异构图的过程，进一步地保证了数据推荐的过程较为简单。具体地，如果训练异构图为第一异构图，则在计算图特征向量的过程中，就无需再构建计算异构图了；如果训练异构图为第二异构图，则在计算图特征向量的过程中，还需要构建第三异构图。

本申请的又一种具体的实施例中，上述第二获取单元包括第一获取子单元、第二获取子单元和训练子单元，其中，上述第一获取子单元被配置为执行获取第一训练采样子图和第二训练采样子图，上述第一训练采样子图为以上述基础账号节点为上述第二中心节点的上述训练采样子图，上述第二训练采样子图为上述基础广告节点为上述第二中心节点的上述训练采样子图；上述第二获取子单元被配置为执行获取正样本和负样本，上述正样本包括上述第二中心节点之间存在上述边的上述第一训练采样子图和上述第二训练采样子图，如图4所示，上述负样本包括上述第二中心节点之间不存在上述边的上述第一训练采样子图和上述第二训练采样子图，如图5所示；上述训练子单元被配置为执行采用上述正样本和上述负样本训练上述初始模型，得到上述预定模型。上述装置通过获取上述正样本和上述负样本，并采用上述正样本和上述负样本训练上述初始模型，这样进一步地保证了得到的上述预定模型较为准确。

一种具体的实施例中，获取上述第一训练采样子图和上述第二训练采样子图的具体过程如下：如图6所示，选取一个中心节点103，并指定采样的最远邻居范围，即图6中的h。同时指定每一层采样的节点类型和采样个数。如图6所示，针对中心节点，假设它是账号节点，我们规定：1次采样4个基础账号节点，2次采样8个基础广告节点，那么一个针对中心节点的h＝2的子图采样过程最终得到了图6所示的采样子图，由中心节点103和采样邻居节点104构成，其中为采样的邻居节点为未采样邻居节点105。另外一个例子中，假设中心节点是一个基础广告节点，可以1次采样4个基础广告节点，2次采样6个待投放广告节点，构成该中心节点的采样子图(图中未示出)。

在实际的应用过程中，上述训练子单元包括第二构建模块和训练模块，其中，上述第二构建模块被配置为执行根据上述正样本和上述负样本的相似度，构建上述初始模型的目标损失函数；上述训练模块被配置为执行训练上述初始模型，直到上述目标损失函数收敛，得到上述预定模型，上述预定模型为上述目标损失函数收敛时的上述初始模型。具体地，上述目标损失函数收敛时的模型参数为最终的模型参数，将最终的模型参数作为初始模型的参数，得到预定模型。上述装置根据上述正样本和上述负样本的相似度，来构建上述目标损失函数，并训练上述初始模型至上述目标损失函数收敛，得到上述预定模型，这样进一步地保证了建立的上述预定模型较为准确。

根据本申请的再一种具体的实施例，上述第二构建模块包括构建子模块，上述构建子模块被配置为执行构建上述目标损失函数

其中，Z_U ^T和Zv分别表示上述正样本中的两个上述第二中心节点对应的图特征向量，Z_U ^T和Zv_n分别为上述负样本中的两个上述第二中心节点对应的图特征向量，Z_U ^T为上述基础账号节点对应的图特征向量，Ev_n～p_n(v)为上述负样本的期望概率值，Q为上述负样本的个数，vn表示第v个节点的负样本节点；Pn表示上述负样本的概率分布。上述装置，通过将不同空间维度的事物映射到相同维度，这样使得上述正样本中的任意两个中心节点的聚合距离较近，上述负样本中的任意两个中心节点的聚合距离尽量远，进一步地保证了后续确定的上述图特征向量较为准确，进而进一步地保证了推荐的待投放广告与对应的目标账号的匹配性较好，进一步地保证了广告推广的效果较好。

具体的，上述目标损失函数

的前半部分可以理解为正样本的两个第二中心节点的点乘，后面部分为负样本的两个第二中心节点的点乘，使上述目标损失函数收敛即为求上述目标损失函数的最小值，即可认为是同时考虑了上述两个过程。

为了进一步地保证较为准确且快捷地从上述全量账号中确定与上述基础账号关联的上述目标账号，从而进一步地保证待投放广告与对应的目标长高较为匹配，本申请的另一种具体的实施例中，上述第一确定单元包括第一确定子单元和第二确定子单元，其中，上述第一确定子单元被配置为执行确定每个上述基础账号的图特征向量和多个上述全量账号的图特征向量的相似度，得到多个第一相似度；上述第二确定子单元被配置为执行确定最大的第一相似度对应的上述全量账号为目标账号，上述目标账号为与对应的上述基础账号关联上述全量账号。也就是说，确定一个上述基础账号的图特征向量和多个上述全量账号的图特征向量的相似度，得到多个第一相似度，确定最大的第一相似度对应的上述全量账号为目标账号，重复上述过程，直到得到与每个上述基础账号关联的上述目标账号。

为了进一步地保证较为准确且快捷地从上述待投放广告中确定与上述目标账号关联的上述目标待投放广告，从而进一步地保证待投放广告与对应的目标长高较为匹配，本申请的另一种具体的实施例中，上述第二确定单元包括第三确定子单元、第四确定子单元和推荐子单元，其中，上述第三确定子单元被配置为执行确定上述目标账号的图特征向量和多个上述待投放广告的图特征向量的相似度，得到多个第二相似度；上述第四确定子单元被配置为执行确定最大的上述第二相似度对应的上述待投放广告为上述目标待投放广告；上述推荐子单元被配置为执行将上述目标待投放广告推荐给对应的上述目标账号。也就是说，确定一个上述目标账号的图特征向量和多个待投放广告的图特征向量的相似度，得到多个第二相似度，确定最大的第二相似度对应的上述待投放广告为上述目标待投放广告，重复上述过程，直到得到与每个上述目标账号关联的上述目标待投放广告。

根据本申请的再一种具体的实施例，上述装置还包括第四确定单元、第五确定单元和推荐单元，其中，上述第四确定单元被配置为执行在上述根据上述预定模型，确定上述基础账号的图特征向量、上述基础广告的图特征向量、上述全量账号的图特征向量以及上述待投放广告的图特征向量步骤之后，确定上述全量账号的图特征向量和多个上述待投放广告节点的图特征向量的相似度，得到多个第三相似度；上述第五确定单元被配置为执行确定最大的上述第三相似度对应的上述待投放广告为与上述全量账号匹配的上述待投放广告；上述推荐单元被配置为执行将匹配的上述待投放广告中的数据推荐给对应的上述全量账号。上述装置，通过确定上述全量账号的图特征向量和多个上述待投放广告节点的图特征向量的相似度，确定与上述全量账号匹配的上述待投放广告，并将匹配的上述待投放广告中的数据推荐给对应的上述全量账号，保证了待投放广告的推广范围更大，进而进一步地保证了广告投放的效果较好、广告推广收益较高。

本申请的一种具体的实施例中，如图7所示，把现有的人群包拓展问题，由只学习全量账号与待投放广告的关联关系，变为同时学习基础账号(与图7中的用户一一对应)与基础广告(对应图中的种子包)的关联关系、基础账号和全量账号的关联关系以及全量账号和待投放广告(对应图中的拓展包)的关联关系，本申请基本可以涵盖现有的人群包拓展方案，并且通过结合多类关联关系，让算法可以学习到更加深层的潜在关联，并根据该潜在的关系将目标账号对应的用户B拓展到待投放广告A’中。

根据本申请的又一种典型的实施例中，还提供了一种服务器，上述服务器包括处理器和用于存储上述处理器可执行指令的存储器，其中，上述处理器被配置为执行上述指令，以实现任一种上述的方法。

根据本申请的再一种典型的实施例，还提供了一种计算机可读存储介质，当上述计算机可读存储介质中的指令由服务器的处理器执行时，使得上述服务器能够执行任一种上述的方法。

根据本申请的又一种典型的实施例，还提供了一种计算机程序产品，包括计算机程序，上述计算机程序被处理器执行时实现任一种上述的方法。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

可选地，存储介质可以是非临时性计算机可读存储介质，例如，上述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

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

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

Claims (10)

1.一种数据推荐方法，其特征在于，包括：

获取广告数据，所述广告数据包括基础广告、待投放广告、基础账号以及全量账号，其中，所述待投放广告与所述基础广告具有关联关系，所述基础账号为所述基础广告对应的账号；

采用预定模型对所述广告数据对应的向量进行分析，得到所述基础账号的图特征向量、所述全量账号的图特征向量以及所述待投放广告的图特征向量；

根据所述基础账号的图特征向量和所述全量账号的图特征向量的相似度，确定目标账号；

根据所述目标账号的图特征向量和所述待投放广告的图特征向量的相似度，确定目标待投放广告并将所述目标待投放广告推荐给所述目标账号。

2.根据权利要求1所述的方法，其特征在于，所述采用预定模型对所述广告数据对应的向量进行分析，得到所述基础账号的图特征向量、所述全量账号的图特征向量以及所述待投放广告的图特征向量步骤包括：

以计算异构图的节点为第一中心节点，采样预定跳数内的第一邻居节点，得到包括所述第一中心节点和所述第一邻居节点的计算采样子图，所述计算异构图为基于所述广告数据建立的，所述计算异构图的节点包括所述基础广告对应的基础广告节点、所述待投放广告对应的待投放广告节点、所述基础账号对应的基础账号节点以及所述全量账号对应的全量账号节点中的至少两个，所述计算异构图中的边用于表示相邻的两个所述节点之间的关联关系；

获取所述第一邻居节点的初始向量；

采用所述预定模型并根据所述第一邻居节点的初始向量，计算所述第一邻居节点对应的所述第一中心节点的图特征向量，所述第一中心节点为所述基础账号节点、所述全量账号节点或所述待投放广告节点，所述第一中心节点的图特征向量对应为所述基础账号的图特征向量、所述全量账号的图特征向量或所述待投放广告的图特征向量。

3.根据权利要求2所述的方法，其特征在于，在所述采用预定模型对所述广告数据对应的向量进行分析，得到所述基础账号的图特征向量、所述全量账号的图特征向量以及所述待投放广告的图特征向量步骤之前，所述方法还包括：

基于所述广告数据，构建训练异构图，所述训练异构图的节点包括所述基础账号节点、所述待投放广告节点以及所述基础广告节点，所述训练异构图中的边用于表示所述基础广告节点之间的关联关系、所述基础广告节点和所述基础账号节点的关联关系或所述基础广告节点和所述待投放广告节点之间的关联关系；

以所述训练异构图的节点为第二中心节点，采样第四预定跳数内的第二邻居节点，得到包括所述第二中心节点和所述第二邻居节点的训练采样子图；

基于所述训练采样子图，确定初始模型，所述初始模型为所述第二邻居节点的初始向量表示所述第二中心节点的模型；

获取包括所述训练采样子图的训练样本，并采用所述训练样本训练所述初始模型，得到所述预定模型。

4.根据权利要求3所述的方法，其特征在于，所述获取包括所述训练采样子图的训练样本，并采用所述训练样本训练所述初始模型，得到所述预定模型步骤包括：

获取第一训练采样子图和第二训练采样子图，所述第一训练采样子图为以所述基础账号节点为所述第二中心节点的所述训练采样子图，所述第二训练采样子图为所述基础广告节点为所述第二中心节点的所述训练采样子图；

获取正样本和负样本，所述正样本包括所述第二中心节点之间存在所述边的所述第一训练采样子图和所述第二训练采样子图，所述负样本包括所述第二中心节点之间不存在所述边的所述第一训练采样子图和所述第二训练采样子图；

采用所述正样本和所述负样本训练所述初始模型，得到所述预定模型。

5.根据权利要求4所述的方法，其特征在于，所述采用所述正样本和所述负样本训练所述初始模型，得到所述预定模型步骤包括：

根据所述正样本和所述负样本的相似度，构建所述初始模型的目标损失函数；

训练所述初始模型，直到所述目标损失函数收敛，得到所述预定模型，所述预定模型为所述目标损失函数收敛时的所述初始模型。

6.根据权利要求5所述的方法，其特征在于，所述根据所述正样本和所述负样本的相似度，构建所述初始模型的目标损失函数步骤包括：

构建所述目标损失函数

其中，Z_U ^T和Zv分别表示所述正样本中的两个所述第二中心节点对应的图特征向量，Z_U ^T和Zv_n分别为所述负样本中的两个所述第二中心节点对应的图特征向量，Z_U ^T为所述基础账号节点对应的图特征向量，Ev_n～p_n(v)为所述负样本的期望概率值，Q为所述负样本的个数，vn表示第v个节点的负样本节点；Pn表示所述负样本的概率分布。

7.一种数据推荐装置，其特征在于，包括：

第一获取单元，被配置为执行获取广告数据，所述广告数据包括基础广告、待投放广告、基础账号以及全量账号，其中，所述待投放广告与所述基础广告具有关联关系，所述基础账号为所述基础广告对应的账号；

分析单元，被配置为执行采用预定模型对所述广告数据对应的向量进行分析，得到所述基础账号的图特征向量、所述全量账号的图特征向量以及所述待投放广告的图特征向量；

第一确定单元，被配置为执行根据所述基础账号的图特征向量和所述全量账号的图特征向量的相似度，确定目标账号；

第二确定单元，被配置为执行根据所述目标账号的图特征向量和所述待投放广告的图特征向量的相似度，确定目标待投放广告并将所述目标待投放广告推荐给所述目标账号。

8.一种服务器，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的方法。

9.一种计算机可读存储介质，当所述计算机可读存储介质中的指令由服务器的处理器执行时，使得所述服务器能够执行如权利要求1至6中任一项所述的方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。

Images