CN112884548A - 基于路径推理的对象推荐方法、装置、电子设备 - Google Patents

基于路径推理的对象推荐方法、装置、电子设备 Download PDF

Info

Publication number
CN112884548A
CN112884548A CN202110148569.2A CN202110148569A CN112884548A CN 112884548 A CN112884548 A CN 112884548A CN 202110148569 A CN202110148569 A CN 202110148569A CN 112884548 A CN112884548 A CN 112884548A
Authority
CN
China
Prior art keywords
entities
path
entity
vector representation
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110148569.2A
Other languages
English (en)
Inventor
张路浩
方瑞玉
胡懋地
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202110148569.2A priority Critical patent/CN112884548A/zh
Publication of CN112884548A publication Critical patent/CN112884548A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

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)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种基于路径推理的对象推荐方法，属于计算机技术领域，有助于提升推荐对象与用户的匹配度。所述方法包括：通过第一图卷积神经网络，对表达预设实体之间的关系的第一知识图谱进行学习，得到实体的第一向量表示；其中，实体包括用户和推荐对象；基于实体的第一向量表示，通过执行强化学习的路径推理模型确定实体间的若干路径；对若干路径表达的实体之间的关系进行学习，并根据学习结果更新实体的第一向量表示，并迭代执行路径推理模型，直至路径推理模型的执行结果满足预设迭代终止条件，从最终推理得到的若干路径中筛选用户至推荐对象的路径；并根据筛选得到的用户至推荐对象的路径，向用户推荐推荐对象。

Description

基于路径推理的对象推荐方法、装置、电子设备
技术领域
本申请实施例涉及计算机技术领域，特别是涉及一种基于路径推理的对象推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
现有技术中，在对用户进行商品、信息、服务等对象的推荐时，采用的一种基于路径推理的推荐方法为：根据用户到商品的决策记录构建静态知识图谱，基于静态知识图谱的结构推理用户到商品的多跳路径，基于推理得到的多跳路径对用户进行商品推荐。现有技术中的基于路径推理的推荐方法，将路径游走问题建模为马尔科夫决策过程，并使用强化学习方法中的动作-策略网络求解图谱中用户到商品的多跳路径，该方法中的动作-策略网络依赖于静态图谱上预训练好的节点或实体的向量表示，预训练向量表示的质量对最终模型的性能影响较大。当预训练向量表示的质量低下时，会导致推荐的商品与用户的匹配度降低。
现有技术中的基于路径推理的对象推荐方法还有待改进。
发明内容
本申请实施例提供一种基于路径推理的对象推荐方法，有助于提升推荐对象与用户的匹配度。
第一方面，本申请实施例提供了一种基于路径推理的对象推荐方法，包括：
通过第一图卷积神经网络，对表达预设实体之间的关系的第一知识图谱进行学习，得到所述实体的第一向量表示；其中，所述实体包括第一实体和第二实体，所述第一实体包括：用户；所述第二实体包括：推荐对象；
基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径；
响应于所述执行强化学习的路径推理模型的执行结果不满足预设迭代终止条件，对所述若干路径表达的所述实体之间的关系进行学习，并根据学习结果更新所述实体的第一向量表示，之后，跳转至执行所述基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径的步骤；
响应于所述执行强化学习的路径推理模型的执行结果满足预设迭代终止条件，从所述若干路径中筛选所述用户至所述推荐对象的所述路径；
根据筛选得到的所述用户至所述推荐对象的所述路径，向用户推荐所述推荐对象。
第二方面，本申请实施例提供了一种基于路径推理的对象推荐装置，包括：
第一向量表示学习模块，用于通过第一图卷积神经网络，对表达预设实体之间的关系的第一知识图谱进行学习，得到所述实体的第一向量表示；其中，所述实体包括第一实体和第二实体，所述第一实体包括：用户；所述第二实体包括：推荐对象；
路径推理模块，用于基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径；
向量更新模块，用于响应于所述路径推理模块的执行结果不满足预设迭代终止条件，对所述若干路径表达的所述实体之间的关系进行学习，并根据学习结果更新所述实体的第一向量表示，之后，跳转至执行所述路径推理模块；
路径筛选模块，用于响应于所述路径推理模块的执行结果满足预设迭代终止条件，从所述若干路径中筛选所述用户至所述推荐对象的所述路径；
对象推荐模块，用于根据筛选得到的所述用户至所述推荐对象的所述路径，向用户推荐所述推荐对象。
第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的基于路径推理的对象推荐方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本申请实施例公开的基于路径推理的对象推荐方法的步骤。
本申请实施例公开的基于路径推理的对象推荐方法，通过第一图卷积神经网络，对表达预设实体之间的关系的第一知识图谱进行学习，得到所述实体的第一向量表示；其中，所述实体包括：用户和推荐对象；基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径；响应于路径推理模型的执行结果不满足预设迭代终止条件，对所述若干路径表达的所述实体之间的关系进行学习，并根据学习结果更新所述实体的第一向量表示，并迭代执行路径推理模型，直至路径推理模型的执行结果满足预设迭代终止条件，然后，从所述若干路径中筛选所述用户至所述推荐对象的所述路径；并根据筛选得到的所述用户至所述推荐对象的所述路径，向用户推荐所述推荐对象，有助于提升推荐对象与用户的匹配度。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
图1是本申请实施例一的基于路径推理的对象推荐方法流程图；
图2是本申请实施例一中的第一知识图谱示意图；
图3是本申请实施例二的基于路径推理的对象推荐装置结构示意图；
图4示意性地示出了用于执行根据本申请的方法的电子设备的框图；以及
图5示意性地示出了用于保持或者携带实现根据本申请的方法的程序代码的存储单元。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
实施例一
本申请实施例公开的一种基于路径推理的对象推荐方法，如图1所示，所述方法包括：步骤100至步骤160。
步骤100，通过第一图卷积神经网络，对表达预设实体之间的关系的第一知识图谱进行学习，得到所述实体的第一向量表示。
其中，所述实体包括第一实体和第二实体，所述第一实体进一步包括：用户；所述第二实体进一步包括以下一种或多种：推荐对象、用户属性、推荐对象属性。
本申请实施例中所述的基于路径推理的对象推荐方法适用于向用户推荐商品、服务、信息等应用页面或者网页可以浏览、点击的对象。例如，所述对象可以为菜品、图书、服装、旅游景点、娱乐项目等对象。所述对象可以通过页面显示的图像、文本的形式推荐给用户，也可以以其他渠道或载体触达到用户，本申请对具体的对象推荐渠道和形式不做限定。
本申请实施例中所述的预设实体包括：第一实体，本申请实施例中所述的第一实体指用户。本申请实施例中所述的预设实体还包括：第二实体，所述第二实体为区别于第一实体的实体，所述第二实体包括：推荐对象、用户属性、推荐对象属性。对应不同的推荐场景，所述第二实体有所不同。例如，在向用户推荐菜品的应用场景中，所述推荐对象包括：菜品，所述用户属性包括：口味偏好、常驻商圈等，所述推荐对象属性包括：菜系、口味、食材、商家等。又例如，在向用户推荐服装的应用场景中，所述推荐对象包括：服装，所述用户属性可以包括：性别、年龄，所述推荐对象属性可以包括：商家、品牌、风格、颜色、面料等。
在不同的应用场景中，实体之间的关系定义为不同动作。例如，在向用户推荐菜品的应用场景中，所述实体之间的关系包括以下一种或多种：购买、浏览等；在向用户推荐服装的应用场景中，所述实体之间的关系包括以下一种或多种：购买、浏览、咨询等。
本申请具体实施时，首先需要获取根据指定应用场景下实体之间的关系后见的第一知识图谱。本申请的一些实施例中，所述第一知识图谱可以表示为
Figure BDA0002927619440000051
其中，每一个三元组(e,r,e′)表示头实体e到尾实体e′在关系r下的事实，
Figure BDA0002927619440000052
表示关系集合(例如包括点击行为、购买行为),ξ表示实体集合。所述第一知识图谱中包括:第一实体集合和第二实体集合，以及连接第一实体和第二实体的关系rui。所述第一知识图谱可以为有向图，所述第一知识图谱的顶点根据实体构建，第一知识图谱的边根据实体之间的关系构建。
例如，在菜品推荐场景下，根据用户浏览、购买菜品的历史数据构建的用户-菜品知识图谱。其中，所述用户-菜品知识图谱中包括:用户集合u(即前述第一实体集合)和菜品集合
Figure BDA0002927619440000053
(即前述第二实体集合)，存在交互关系的实体构成了用户-菜品知识图谱
Figure BDA0002927619440000054
以及连接用户和菜品的关系rui。具体实施时，例如可以根据用户A浏览了菜品1的事实，可以得到一个三元组。
本申请的一些实施例中，对于预先构建的第一知识图谱，可以通过第一图卷积神经网络对所述第一知识图谱进行无监督学习，得到所述第一知识图谱中各实体的第一向量表示。本申请实施例中所述的第一图卷积神经网络为图卷积神经网络，所述第一图卷积神经网络的具体训练过程参见现有技术，本申请实施例中不再赘述。
通过第一图卷积神经网络对所述第一知识图谱进行无监督学习，得到所述第一知识图谱中各实体的第一向量表示的具体实施方式参见现有技术，本申请实施例中不再赘述。
通过第一图卷积神经网络对所述第一知识图谱中各实体的关系进行学习，可以得到所述第一知识图谱中包括的第一实体的第一向量表示，以及，所述第一知识图谱中包括的第二实体的第一向量表示。
步骤120，基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径。
为了在给定用户u和指定对象数量，以及制定关系紧密度的条件下，能够为用户产生一个推荐对象集合，本申请基于用户与对象的历史交互数据，构建第一知识图谱，之后，通过对第一知识图谱中用户至对象的路径进一步确定为用户产生的推荐对象集合。
为了推理出用户-对象之间的有效路径，我们将求解有效路径的问题建模为马尔科夫决策过程，并使用强化学习中的方法对有效路径进行求解。本申请的一些实施例中，基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径，包括：执行预先构建的马尔科夫决策过程模型，求解所述实体之间的若干路径；所述马尔科夫决策过程的要素包括：状态、动作、策略和奖励，其中，当前步的所述状态表示为：由求解的所述多跳路径的起始实体的第一向量表示、所述多跳路径的当前步所达到的实体的第一向量表示，以及对应当前步的历史状态构成的三元组；当前步的所述动作表示为：当前步的所述状态对应的动作空间中执行偏好最高的预设数量个动作；所述策略表示为：当前步的所述状态执行下一个所述动作的概率分布；所述奖励表示为：所述多跳路径达到指定的所述第二实体，获得正向奖励，否则，不获得奖励。其中，所述路径为连接实体的实体序列。例如，连接用户至推荐对象的推荐对象序列。
本申请的一些实施例中，将求解所述第一实体到所述第二实体的多跳路径问题，建模为马尔科夫决策过程模型，根据所述第一知识图谱中的实体向量，以及第一知识图谱中表示的实体之间的动作关系，表示马尔科夫决策过程模型的要素，之后，通过执行所述马尔科夫决策过程模型，即可求解出实体间的有效路径。本申请实施例中所述的路径指从一个实体到另一个实体之间由一系列动作连接的实体序列。马尔科夫决策过程模型包括四个要素，分别为：状态、动作、策略和奖励，下面分别举例说明马尔科夫决策过程模型的四个要素在求解实体间多跳路径场景下的实现方式，以辅助读者理解将求解所述第一实体到所述第二实体的多跳路径问题，建模为马尔科夫决策过程模型的过程。
要素之一：状态
在求解实体间的多跳路径的场景中，状态指由一个实体到另一个实体执行的动作中第t步的状态，其中，t为大于等于1的整数。本申请的一些实施例中，以当前步为第t步为例，第t步的状态st可以定义为三元组(u,et,ht)，其中，u为给定的起始实体(如用户)，et为当前步所到达的实体(选自于第二实体，如菜品)，ht为记录的对应第t步的历史状态如果给定步长T，则终态sT可以表示为sT＝(u,eT,hT)。
要素之二：动作
如果将状态st的动作空间定义为At，则状态st的动作空间At可以表示为：
Figure BDA0002927619440000071
其中，
Figure BDA0002927619440000075
为第一知识图谱，et表示第t步所到达的实体，第t步状态st的动作空间为实体et在不包括历史关系和实体的情况下所有可能的出度边，即第t步的下一步可能到达的所有实体对应的动作。之后，从状态st的动作空间中选出预设数量的动作用于路径推理。
有前述分析可知，动作空间受实体的出度影响，为了动态地捕获当前状态对于下一步动作的偏好，并对动作空间进行剪枝，本申请的一些实施例中，基于当前状态和动作的向量表示，引入多头注意力机制为每个动作计算一个注意力得分αi，根据注意力得分从当前状态的动作空间中选择动作。例如，当前步的所述状态对应的动作空间中执行偏好最高的预设数量个动作通过以下方法确定：根据所述第一知识图谱确定当前步的所述状态的动作空间；通过预设多头注意力机制网络，根据所述当前步的所述状态的向量表示和所述动作空间中各动作的向量表示，计算每个所述动作的注意力得分；按照所述注意力得分由高到低的顺序选择预设数量个所述动作，作为当前步的所述状态对应的动作空间中执行偏好最高的预设数量个动作。
其中，多头注意力机制网络的输入为当前状态的向量表示st和当前状态的动作空间中各动作的向量表示
Figure BDA0002927619440000072
所述多头注意力机制网络可以表示为：
Figure BDA0002927619440000073
其中，i为动作索引，
Figure BDA0002927619440000074
表示第t步状态的动作空间中第i个动作的向量表示，αi表示第t步状态的动作空间中第i个动作的注意力得分。之后，按照注意力得分由高到低的顺序选择注意力得分最高的预设数量个动作，作为第t步的下一步执行可能性最大的动作。
本申请的一些实施例中，不同动作的向量表示可以通过现有技术中的向量编码方式确定(例如通过word2vec对点击、购买等动作进行分别编码)，本申请实施例中对此不做限定。
要素之三：策略
本申请的一些实施例中，马尔科夫决策过程模型的决策网络为计算当前状态执行下一个动作的概率分布网络。本申请实施例中，马尔科夫决策过程模型的决策网络定义为：π(at|st,At),at∈At，其中，at表示第t步的下一个动作，st表示第t步的状态(即当前状态),At表示第t步状态的动作空间。所述决策网络根据第t步的状态和动作空间，计算下一步执行所述动作空间中的各个动作的概率。
本申请的一些实施例中，决策网络可采用分类网络，决策网络可以表示为：π(at|st,At)＝Softmax(α)，其中，α为当前状态的动作空间中所有动作的注意力得分组成的注意力得分向量。
本申请的一些实施例中，为了防止模型过拟合，所述当前步的所述状态执行下一个所述动作的概率分布通过以下方法确定：通过所述动作空间的二值掩码向量对所述动作空间中所有动作的注意力得分组成的注意力得分向量进行随机屏蔽；根据屏蔽后的所述注意力得分向量，计算当前步的所述状态执行下一个所述动作的概率分布。例如，决策网络可以表示为：
Figure BDA0002927619440000081
其中，
Figure BDA0002927619440000082
为状态st的动作空间At的二值掩码向量，通过所述二值掩码向量
Figure BDA0002927619440000084
可以随机屏蔽掉所述动作空间中的部分动作。
要素之四：奖励
给定任意一个用户，在路径推理过程中，模型并不知道其终态到达的实体是什么。为了激励策略网络走出合理或者正确的路径，在马尔科夫决策过程模型的执行过程中，本申请的一些实施例中，使用二值奖励函数激励策略网络走出合理或者正确的路径。例如，当路径到达目标实体时，获得正向奖励，否则不奖励。所述奖励可以表示为：
Figure BDA0002927619440000083
其中，eT表示路径推理得到的终态到达的实体，Target表示该多跳路径的三元组中的尾实体。
通过执行上述方法构建的马尔科夫决策过程模型，对于一个给定的实体，和第一知识图谱，所述马尔科夫决策过程模型将推理出以该实体为头实体的一条或多条路径。以向用户推荐菜品的应用场景为例，通过执行上述方法构建的马尔科夫决策过程模型，对于一个给定用户，所述马尔科夫决策过程模型将推理出以该用户到菜品或商家或口味等第二实体的一条或多条路径。
步骤130，判断所述执行强化学习的路径推理模型的执行结果是否满足预设迭代终止条件，若是，执行步骤140，否则，执行步骤150。
为了提升路径推理的准确性，本申请设置的迭代执行马尔科夫决策过程模型的流程。例如，可以预先根据路径推理步骤的执行结果设置迭代终止条件，在模型执行过程中，如果执行马尔科夫决策过程模型进行路径推理的结果满足预先设置的迭代终止条件，则停止模型迭代执行，继续执行根据所述马尔科夫决策过程模型推理得到的结果进行数据处理的步骤；如果不满足预先设置的迭代终止条件，则重复执行马尔科夫决策过程模型的推理过程。本申请的一些实施例中，所述迭代终止条件可以为迭代次数达到预设次数，也可以为马尔科夫决策过程模型的损失值小于预设损失值阈值。
步骤140，响应于所述执行强化学习的路径推理模型的执行结果不满足预设迭代终止条件，对所述若干路径表达的所述实体之间的关系进行学习，并根据学习结果更新所述实体的第一向量表示，之后，跳转至执行所述步骤120。
在重复执行马尔科夫决策过程模型时，本申请实施例中通过微调所述第一知识图谱中的实体的向量表示的形式，使得所述马尔科夫决策过程模型能够在再一次基于第一知识图谱中的实体的向量表示进行路径推理时，推理出更加有效或合理的路径。本申请的一些实施例中，通过对当前执行马尔科夫决策过程模型推理得到的若干路径中表达的实体之间的关系进行进一步学习，得到所述路径中包括的各实体的第二向量表示，并通过各实体的第二向量表示微调所述第一知识图谱中的相应实体的第一向量表示。
本申请的一些实施例中，所述对所述若干路径表达的所述实体之间的关系进行学习，并根据学习结果更新所述实体的第一向量表示，包括：根据所述若干路径构建第二知识图谱，其中，所述第二知识图谱用于表达所述若干路径对应的实体序列中包括的所述实体之间的关系；通过第二图卷积神经网络对所述第二知识图谱中的结构特征进行学习，得到所述实体的第二向量表示；通过所述实体的第二向量表示更新相应实体的所述第一向量表示。
由前述描述可知，给定实体e0，和路径长度k,通过上述的路径推理过程，可以得到一条从e0到ek的k跳路径
Figure BDA0002927619440000101
因此，通过对第一知识图谱进行推理，可以得到若干条路径的集合。以向用户推荐菜品的应用场景为例，在用户-菜品知识图谱进行推理，对于所有用户u，将可以得到一个包含N条路径的集合
Figure BDA0002927619440000102
ε表示用户-菜品知识图谱对应的实体集合。
然后，根据当前执行马尔科夫决策过程模型进行路径推理得到的所有路径构建第二知识图谱。根据当前执行马尔科夫决策过程模型进行路径推理得到的所有路径构建第二知识图谱的具体实施方式参见现有技术，本申请实施例中不再赘述。本申请的一些实施例中，所述第二知识图谱可以表示为：
Figure BDA0002927619440000103
其中，ε表示第一知识图谱中实体集合，
Figure BDA0002927619440000104
表示第一知识图谱中的关系集合，V表示第二知识图谱的顶点，E表示第二知识图谱的边，所述第二知识图谱用于表达前述步骤确定的若干路径中包括的实体以及实体之间的关系。
以向用户推荐菜品的应用场景为例，假设用户与菜品的交互数据中包括：用户A点击了菜品1，然后购买了菜品2的交互记录，那么，第一知识图谱中将包括用户A对应的顶点(如图2中的顶点A)、菜品1对应的顶点(如图2中的顶点N1)、菜品2对应的顶点(如图2中的顶点N11)，连接用户A和菜品1的边，和连接菜品1与菜品2的边，执行马尔科夫决策过程模型进行路径推理，将可以得到由用户A至菜品1至菜品2的路径。在基于执行马尔科夫决策过程模型进行路径推理得到的若干路径构建第二知识图谱
Figure BDA0002927619440000105
时，将根据由用户A至菜品1至菜品2的路径，构建分别与用户A、菜品1和菜品2对应的顶点，以及连接用户A至菜品1的边、连接菜品1至菜品2的边。
接下来，通过图卷积神经网络对所述第二知识图谱
Figure BDA0002927619440000111
中的结构特征进行学习，得到所述第二知识图谱
Figure BDA0002927619440000112
中各实体的第二向量表示和第二向量表示。图卷积神经网络通过邻居聚合的方式将卷积神经网络从图像的网格数据泛化到任意结构的图数据上。通过聚合邻居节点及自身特征，图卷积神经网络可以学习到第二知识图谱
Figure BDA0002927619440000113
的局部结构特征，即直接连边的实体的向量表示是相似的。并且，随着卷积层数的堆叠，图卷积神经网络可以捕获更高阶的邻居特征，例如，不相邻的节点之间的结构特征和节点自身特征。仍以前述向用户推荐菜品的应用场景中构建的第二知识图谱
Figure BDA0002927619440000114
为例，所述图卷积神经网络不仅可以学习到用户A和菜品1之间的相似性，还可以学习到用户A和菜品2之间的相似性。因此，通过图卷积神经网络对第二知识图谱进行学习，相当于对实体之间有效的交互路径进行学习，得到的实体的向量表示(即第二向量表示)将能够更加准确的表达实体之间的关联关系。
进一步的，通过对第二知识图谱进行学习得到的实体的第二向量表示更新第一知识图谱中相应实体的第一向量表示。例如，根据从所述第二知识图谱
Figure BDA0002927619440000115
中学习到的用户A的向量表示，更新第一知识图谱中用户A的第一向量表示；根据从所述第二知识图谱
Figure BDA0002927619440000116
中学习到的菜品1的向量表示，更新第一知识图谱中菜品1的第一向量表示等。通过进行向量更新，使得下一次执行马尔科夫决策过程模型时可以基于有效路径学习到的实体向量表示进行路径推理，从而提升推理得到的路径的准确性。
步骤150，响应于所述执行强化学习的路径推理模型的执行结果满足预设迭代终止条件，从所述若干路径中筛选所述用户至所述推荐对象的所述路径的执行结果满足预设迭代终止条件，从所述若干路径中筛选所述用户至所述推荐对象的所述路径。
如果执行马尔科夫决策过程模型进行路径推理的结果满足预先设置的迭代终止条件，则停止模型迭代执行，继续执行根据所述马尔科夫决策过程模型推理得到的结果进行数据处理的步骤。例如，进行路径推理产生的损失值小于预设损失值阈值，或者，迭代执行马尔科夫决策过程模型的次数达到预设次数阈值。
本申请实施例中进行路径推理的目的是为了在给定用户u，路径跳数K和推荐对象数量N的情况下，为用户u产生一个推荐对象集{in}n∈[N]，其中，每一对用户-对象(u,in)通过一条推理路径pk(u,in)(2≤k≤K)关联。为了学习到更加全面的关联信息，本申请实施例中在构建第一知识图谱时，对应第一知识图谱的顶点的实体不仅包括：用户和推荐对象，还包括：用户属性、推荐对象等实体。因此，需要对执行马尔科夫决策过程模型进行路径推理得到的的路径进行筛选，仅保留由用户至推荐对象的路径。
步骤160，根据筛选得到的所述用户至所述推荐对象的所述路径，向用户推荐所述推荐对象。
在推荐过程中，当需要确定为用户推荐的推荐对象时，可以根据用户当前到达的对象，与筛选得到的所述用户至所述推荐对象的所述路径中的实体进行匹配，并将匹配成功的实体所在路径的下一步到达的实体作为推荐对象，推荐给所述用户。
本申请的另一些实施例中，还可以采用其他方法根据筛选得到的所述用户至所述推荐对象的所述路径，向用户推荐所述推荐对象，本申请实施例中不再一一例举。本申请对根据筛选得到的所述用户至所述推荐对象的所述路径，向用户推荐所述推荐对象的具体实施方式不做限定。
本申请实施例公开的基于路径推理的对象推荐方法，通过第一图卷积神经网络，对表达预设实体之间的关系的第一知识图谱进行学习，得到所述实体的第一向量表示；其中，所述实体包括：用户和推荐对象；基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径；响应于路径推理模型的执行结果不满足预设迭代终止条件，对所述若干路径表达的所述实体之间的关系进行学习，并根据学习结果更新所述实体的第一向量表示，并迭代执行路径推理模型，直至路径推理模型的执行结果满足预设迭代终止条件，然后，从所述若干路径中筛选所述用户至所述推荐对象的所述路径；并根据筛选得到的所述用户至所述推荐对象的所述路径，向用户推荐所述推荐对象，有助于提升推荐对象与用户的匹配度。
本申请实施例公开的基于路径推理的对象推荐方法，联合图卷积神经网络和路径推理的可解释性推荐模型，首先使用强化学习的方法推理出用户到推荐对象的多跳路径，并将得到的路径用于图卷积神经网络的学习中，最后图卷积神经网络学习到的实体向量表示被进一步应用于路径推理当中，动态学习实体向量用于对象推荐，从而提升了推荐对象与用户的匹配度。进一步的，由于基于路径推理方法学习实体之间的关系，不依赖人工定义的路径或者规则，能够更加准确的体现用户和推荐对象之间的关联关系，进一步提升推荐对象与用户的匹配度。另一方面，基于前述方法更新的知识图谱学习到的路径进行对象推荐，可以提升推荐对象的可解释性。
实施例二
本申请实施例公开的一种基于路径推理的对象推荐装置，如图3所示，所述装置包括：
第一向量表示学习模块310，用于通过第一图卷积神经网络，对表达预设实体之间的关系的第一知识图谱进行学习，得到所述实体的第一向量表示；其中，所述实体包括第一实体和第二实体，所述第一实体包括：用户；所述第二实体包括：推荐对象；
路径推理模块320，用于基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径；
向量更新模块330，用于响应于所述路径推理模块的执行结果不满足预设迭代终止条件，对所述若干路径表达的所述实体之间的关系进行学习，并根据学习结果更新所述实体的第一向量表示，之后，跳转至执行所述路径推理模块320；
路径筛选模块340，用于响应于所述路径推理模块320的执行结果满足预设迭代终止条件，从所述若干路径中筛选所述用户至所述推荐对象的所述路径；
对象推荐模块350，用于根据筛选得到的所述用户至所述推荐对象的所述路径，向用户推荐所述推荐对象。
本申请的一些实施例中，所述向量更新模块330，进一步用于：
根据所述若干路径构建第二知识图谱，其中，所述第二知识图谱用于表达所述若干路径对应的实体序列中包括的所述实体之间的关系；
通过第二图卷积神经网络对所述第二知识图谱中的结构特征进行学习，得到所述实体的第二向量表示；
通过所述实体的第二向量表示更新相应实体的所述第一向量表示。
本申请的一些实施例中，所述路径推理模块320，进一步用于：
执行预先构建的马尔科夫决策过程模型，求解所述实体之间的若干路径；所述马尔科夫决策过程的要素包括：状态、动作、策略和奖励，其中，
当前步的所述状态表示为：由求解的所述多跳路径的起始实体的第一向量表示、所述多跳路径的当前步所达到的实体的第一向量表示，以及对应当前步的历史状态构成的三元组；
当前步的所述动作表示为：当前步的所述状态对应的动作空间中执行偏好最高的预设数量个动作；
所述策略表示为：当前步的所述状态执行下一个所述动作的概率分布；
所述奖励表示为：所述多跳路径达到指定的所述第二实体，获得正向奖励，否则，不获得奖励。
本申请的一些实施例中，所述当前步的所述状态对应的动作空间中执行偏好最高的预设数量个动作通过以下方法确定：
根据所述第一知识图谱确定当前步的所述状态的动作空间，
通过预设多头注意力机制网络，根据所述当前步的所述状态的向量表示和所述动作空间中各动作的向量表示，计算每个所述动作的注意力得分；
按照所述注意力得分由高到低的顺序选择预设数量个所述动作，作为当前步的所述状态对应的动作空间中执行偏好最高的预设数量个动作。
本申请的一些实施例中，所述当前步的所述状态执行下一个所述动作的概率分布通过以下方法确定，包括：
通过所述动作空间的二值掩码向量对所述动作空间中所有动作的注意力得分组成的注意力得分向量进行随机屏蔽；
根据屏蔽后的所述注意力得分向量，计算当前步的所述状态执行下一个所述动作的概率分布。
本申请的一些实施例中，所述第二实体还包括：用户属性和/或推荐对象属性。
本申请实施例公开的基于路径推理的对象推荐装置，用于实现本申请实施例一中所述的基于路径推理的对象推荐方法，装置的各模块的具体实施方式不再赘述，可参见方法实施例相应步骤的具体实施方式。
本申请实施例公开的基于路径推理的对象推荐装置，通过第一图卷积神经网络，对表达预设实体之间的关系的第一知识图谱进行学习，得到所述实体的第一向量表示；其中，所述实体包括：用户和推荐对象；基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径；响应于路径推理模型的执行结果不满足预设迭代终止条件，对所述若干路径表达的所述实体之间的关系进行学习，并根据学习结果更新所述实体的第一向量表示，并迭代执行路径推理模型，直至路径推理模型的执行结果满足预设迭代终止条件，然后，从所述若干路径中筛选所述用户至所述推荐对象的所述路径；并根据筛选得到的所述用户至所述推荐对象的所述路径，向用户推荐所述推荐对象，有助于提升推荐对象与用户的匹配度。
本申请实施例公开的基于路径推理的对象推荐装置，联合图卷积神经网络和路径推理的可解释性推荐模型，首先使用强化学习的方法推理出用户到推荐对象的多跳路径，并将得到的路径用于图卷积神经网络的学习中，最后图卷积神经网络学习到的实体向量表示被进一步应用于路径推理当中，动态学习实体向量用于对象推荐，从而提升了推荐对象与用户的匹配度。进一步的，由于基于路径推理方法学习实体之间的关系，不依赖人工定义的路径或者规则，能够更加准确的体现用户和推荐对象之间的关联关系，进一步提升推荐对象与用户的匹配度。另一方面，基于前述方法更新的知识图谱学习到的路径进行对象推荐，可以提升推荐对象的可解释性。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上对本申请提供的一种基于路径推理的对象推荐方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其一种核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的电子设备中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
例如，图4示出了可以实现根据本申请的方法的电子设备。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。该电子设备传统上包括处理器410和存储器420及存储在所述存储器420上并可在处理器410上运行的程序代码430，所述处理器410执行所述程序代码430时实现上述实施例中所述的方法。所述存储器420可以为计算机程序产品或者计算机可读介质。存储器420可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器420具有用于执行上述方法中的任何方法步骤的计算机程序的程序代码430的存储空间4201。例如，用于程序代码430的存储空间4201可以包括分别用于实现上面的方法中的各种步骤的各个计算机程序。所述程序代码430为计算机可读代码。这些计算机程序可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。所述计算机程序包括计算机可读代码，当所述计算机可读代码在电子设备上运行时，导致所述电子设备执行根据上述实施例的方法。
本申请实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例一所述的基于路径推理的对象推荐方法的步骤。
这样的计算机程序产品可以为计算机可读存储介质，该计算机可读存储介质可以具有与图4所示的电子设备中的存储器420类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩存储在所述计算机可读存储介质中。所述计算机可读存储介质通常为如参考图5所述的便携式或者固定存储单元。通常，存储单元包括计算机可读代码430’，所述计算机可读代码430’为由处理器读取的代码，这些代码被处理器执行时，实现上面所描述的方法中的各个步骤。
本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着，结合实施例描述的特定特征、结构或者特性包括在本申请的至少一个实施例中。此外，请注意，这里“在一个实施例中”的词语例子不一定全指同一个实施例。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于路径推理的对象推荐方法，其特征在于，包括：
通过第一图卷积神经网络，对表达预设实体之间的关系的第一知识图谱进行学习，得到所述实体的第一向量表示；其中，所述实体包括第一实体和第二实体，所述第一实体包括：用户；所述第二实体包括：推荐对象；
基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径；
响应于所述执行强化学习的路径推理模型的执行结果不满足预设迭代终止条件，对所述若干路径表达的所述实体之间的关系进行学习，并根据学习结果更新所述实体的第一向量表示，之后，跳转至执行所述基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径的步骤；
响应于所述执行强化学习的路径推理模型的执行结果满足预设迭代终止条件，从所述若干路径中筛选所述用户至所述推荐对象的所述路径；
根据筛选得到的所述用户至所述推荐对象的所述路径，向用户推荐所述推荐对象。
2.根据权利要求1所述的方法，其特征在于，所述对所述若干路径表达的所述实体之间的关系进行学习，并根据学习结果更新所述实体的第一向量表示的步骤，包括：
根据所述若干路径构建第二知识图谱，其中，所述第二知识图谱用于表达所述若干路径对应的实体序列中包括的所述实体之间的关系；
通过第二图卷积神经网络对所述第二知识图谱中的结构特征进行学习，得到所述实体的第二向量表示；
通过所述实体的第二向量表示更新相应实体的所述第一向量表示。
3.根据权利要求1所述的方法，其特征在于，所述基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径的步骤，包括：
执行预先构建的马尔科夫决策过程模型，求解所述实体之间的若干路径；所述马尔科夫决策过程的要素包括：状态、动作、策略和奖励，其中，
当前步的所述状态表示为：由求解的所述多跳路径的起始实体的第一向量表示、所述多跳路径的当前步所达到的实体的第一向量表示，以及对应当前步的历史状态构成的三元组；
当前步的所述动作表示为：当前步的所述状态对应的动作空间中执行偏好最高的预设数量个动作；
所述策略表示为：当前步的所述状态执行下一个所述动作的概率分布；
所述奖励表示为：所述多跳路径达到指定的所述第二实体，获得正向奖励，否则，不获得奖励。
4.根据权利要求3所述的方法，其特征在于，所述当前步的所述状态对应的动作空间中执行偏好最高的预设数量个动作通过以下方法确定：
根据所述第一知识图谱确定当前步的所述状态的动作空间，
通过预设多头注意力机制网络，根据所述当前步的所述状态的向量表示和所述动作空间中各动作的向量表示，计算每个所述动作的注意力得分；
按照所述注意力得分由高到低的顺序选择预设数量个所述动作，作为当前步的所述状态对应的动作空间中执行偏好最高的预设数量个动作。
5.根据权利要求3所述的方法，其特征在于，所述当前步的所述状态执行下一个所述动作的概率分布通过以下方法确定，包括：
通过所述动作空间的二值掩码向量对所述动作空间中所有动作的注意力得分组成的注意力得分向量进行随机屏蔽；
根据屏蔽后的所述注意力得分向量，计算当前步的所述状态执行下一个所述动作的概率分布。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述第二实体还包括：用户属性和/或推荐对象属性。
7.一种基于路径推理的对象推荐装置，其特征在于，包括：
第一向量表示学习模块，用于通过第一图卷积神经网络，对表达预设实体之间的关系的第一知识图谱进行学习，得到所述实体的第一向量表示；其中，所述实体包括第一实体和第二实体，所述第一实体包括：用户；所述第二实体包括：推荐对象；
路径推理模块，用于基于所述实体的第一向量表示，通过执行强化学习的路径推理模型，确定所述实体间的若干路径；
向量更新模块，用于响应于所述路径推理模块的执行结果不满足预设迭代终止条件，对所述若干路径表达的所述实体之间的关系进行学习，并根据学习结果更新所述实体的第一向量表示，之后，跳转至执行所述路径推理模块；
路径筛选模块，用于响应于所述路径推理模块的执行结果满足预设迭代终止条件，从所述若干路径中筛选所述用户至所述推荐对象的所述路径；
对象推荐模块，用于根据筛选得到的所述用户至所述推荐对象的所述路径，向用户推荐所述推荐对象。
8.根据权利要求7所述的装置，其特征在于，所述向量更新模块，进一步用于：
根据所述若干路径构建第二知识图谱，其中，所述第二知识图谱用于表达所述若干路径对应的实体序列中包括的所述实体之间的关系；
通过第二图卷积神经网络对所述第二知识图谱中的结构特征进行学习，得到所述实体的第二向量表示；
通过所述实体的第二向量表示更新相应实体的所述第一向量表示。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的程序代码，其特征在于，所述处理器执行所述程序代码时实现权利要求1至6任意一项所述的基于路径推理的对象推荐方法。
10.一种计算机可读存储介质，其上存储有程序代码，其特征在于，该程序代码被处理器执行时实现权利要求1至6任意一项所述的基于路径推理的对象推荐方法的步骤。
CN202110148569.2A 2021-02-01 2021-02-01 基于路径推理的对象推荐方法、装置、电子设备 Pending CN112884548A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110148569.2A CN112884548A (zh) 2021-02-01 2021-02-01 基于路径推理的对象推荐方法、装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110148569.2A CN112884548A (zh) 2021-02-01 2021-02-01 基于路径推理的对象推荐方法、装置、电子设备

Publications (1)

Publication Number Publication Date
CN112884548A true CN112884548A (zh) 2021-06-01

Family

ID=76056947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110148569.2A Pending CN112884548A (zh) 2021-02-01 2021-02-01 基于路径推理的对象推荐方法、装置、电子设备

Country Status (1)

Country Link
CN (1) CN112884548A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297338A (zh) * 2021-07-27 2021-08-24 平安科技（深圳）有限公司 产品推荐路径生成方法、装置、设备及存储介质
CN113505214A (zh) * 2021-06-30 2021-10-15 北京明略软件系统有限公司 内容推荐方法、装置、计算机设备和存储介质
CN114820139A (zh) * 2022-05-25 2022-07-29 重庆大学 一种基于知识图谱路径推理的多用户推荐系统
CN115640410A (zh) * 2022-12-06 2023-01-24 南京航空航天大学 基于强化学习路径推理的知识图谱多跳问答方法
CN116010621A (zh) * 2023-01-10 2023-04-25 华中师范大学 一种基于规则引导的自适应路径生成方法
CN117041139A (zh) * 2023-10-09 2023-11-10 腾讯科技（深圳）有限公司 数据包传输方法、装置、计算机设备和存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505214A (zh) * 2021-06-30 2021-10-15 北京明略软件系统有限公司 内容推荐方法、装置、计算机设备和存储介质
CN113505214B (zh) * 2021-06-30 2024-06-14 北京明略软件系统有限公司 内容推荐方法、装置、计算机设备和存储介质
CN113297338A (zh) * 2021-07-27 2021-08-24 平安科技（深圳）有限公司 产品推荐路径生成方法、装置、设备及存储介质
CN113297338B (zh) * 2021-07-27 2022-03-29 平安科技（深圳）有限公司 产品推荐路径生成方法、装置、设备及存储介质
CN114820139A (zh) * 2022-05-25 2022-07-29 重庆大学 一种基于知识图谱路径推理的多用户推荐系统
CN114820139B (zh) * 2022-05-25 2024-05-28 重庆大学 一种基于知识图谱路径推理的多用户推荐系统
CN115640410A (zh) * 2022-12-06 2023-01-24 南京航空航天大学 基于强化学习路径推理的知识图谱多跳问答方法
CN116010621A (zh) * 2023-01-10 2023-04-25 华中师范大学 一种基于规则引导的自适应路径生成方法
CN116010621B (zh) * 2023-01-10 2023-08-11 华中师范大学 一种基于规则引导的自适应路径生成方法
CN117041139A (zh) * 2023-10-09 2023-11-10 腾讯科技（深圳）有限公司 数据包传输方法、装置、计算机设备和存储介质
CN117041139B (zh) * 2023-10-09 2024-03-26 腾讯科技（深圳）有限公司 数据包传输方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN112884548A (zh) 基于路径推理的对象推荐方法、装置、电子设备
Dang et al. Msr-gcn: Multi-scale residual graph convolution networks for human motion prediction
Gulli et al. Deep learning with Keras
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
CN111931062A (zh) 一种信息推荐模型的训练方法和相关装置
JP2015528618A (ja) 製品情報の推薦
CN110619081A (zh) 一种基于交互图神经网络的新闻推送方法
CN111985622A (zh) 一种图神经网络训练方法和系统
CN112380449B (zh) 信息推荐方法、模型训练方法及相关装置
CN110046301B (zh) 对象推荐方法和装置
CN113255798A (zh) 一种分类模型训练方法、装置、设备及介质
CN112784118A (zh) 一种对三角形结构敏感的图中的社区发现方法和装置
CN110781405B (zh) 基于联合卷积矩阵分解的文档上下文感知推荐方法及系统
KR20220122414A (ko) 인공지능 기반 유저와 판매자의 마이데이터를 활용하여 정기구독 플랫폼에서 큐레이팅 서비스를 제공하는 방법
CN110111184B (zh) 一种基于加权贝叶斯推理的负序列推荐方法及系统
CN115309997B (zh) 一种基于多视图自编码特征的商品推荐方法及装置
CN116204723A (zh) 一种基于动态超图表示学习的社交推荐方法
CN110020195A (zh) 文章推荐方法及装置、存储介质、电子设备
Hodnett et al. Deep Learning with R for Beginners: Design neural network models in R 3.5 using TensorFlow, Keras, and MXNet
CN114861072A (zh) 一种基于层间组合机制的图卷积网络推荐方法及装置
CN108848152A (zh) 一种对象推荐的方法及服务器
CN115345291A (zh) 一种图处理方法及相关装置
Chen et al. Autoencoder-based patch learning for real-world image denoising
Wang et al. Website recommendation with side information aided variational autoencoder
KR102545366B1 (ko) 빅데이터를 처리하여 구매자에게 수면용품을 자동으로 추천하는 오픈마켓 플랫폼의 운영방법

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