CN113010780A - 一种模型训练以及点击率预估方法及装置 - Google Patents

Abstract

本说明书公开了一种模型训练以及点击率预估方法及装置，通过根据用户信息、产品信息、用户历史行为构建多模态知识图谱的结构，以及确定该多模态知识图谱内各节点的基础特征，并根据该多模态知识图谱的结构以及图谱内各节点的基础特征，确定各节点的增强特征，进而确定图谱中各用户节点与各产品节点的增强表示，以确定由用户节点的图谱表示和产品节点的图谱表示构成的各训练样本，以及样本标签，并根据标签及预测结果对该点击率预估模型进行训练。基于多模态知识图谱，确定用户节点和产品节点的图谱表示，得到训练样本和样本标签，使得训练出的点击率预估模型，可基于该图谱中的各条知识进行点击率预估，提高了模型的预测准确率。

Description

一种模型训练以及点击率预估方法及装置

技术领域

本说明书涉及计算机技术领域，尤其涉及一种模型训练以及点击率预估方法及装置。

背景技术

目前，随着计算机技术的发展，如何从海量信息中选择有价值的信息，从而为用户推荐合适的产品，已经成为服务提供方需要解决的问题之一。而点击率预估模型因为能够基于用户的历史行为以及产品特性为用户推荐合适的产品的特性，被广泛应用于服务提供方为用户提供服务的场景中。

在现有技术中，一种常用的点击率预估方法是将用户的用户信息、用户的历史行为信息、以及产品的产品信息进行特征提取，并将提取出来的用户特征、用户的历史行为特征，以及产品特征作为输入，输入到预先训练好的基于深度学习的点击率预估模型中，由该点击率预估模型确定出该用户对于该产品的点击率。

但是，在缺少用户信息以及用户的历史行为信息的情况下，如，冷启动场景中，现有技术无法准确地确定出产品的点击率，因此，为了提高点击率预估的准确度，亟需一种改进的点击率预估方法。

发明内容

本说明书提供模型训练以及点击率预估方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供的点击率预估模型的训练方法，包括：

根据各用户的用户信息、各产品的产品信息，以及各用户的历史行为，确定多模态知识图谱的结构，所述多模态知识图谱中至少包括用户节点以及产品节点；

根据各用户的用户信息以及各产品的产品信息，通过待训练的点击率预估模型的图谱表示模块的编码器，确定所述多模态知识图谱中各节点的基础特征；

根据所述多模态知识图谱中各节点的基础特征以及所述多模态知识图谱的结构，确定各节点的增强特征，其中，所述节点的增强特征可根据所述节点的相邻节点的基础特征确定；

根据所述多模态知识图谱的结构、各节点的基础特征以及增强特征，分别确定各用户节点的图谱表示以及各产品节点的图谱表示；

确定由用户节点的图谱表示和产品节点的图谱表示构成的各训练样本，并根据用户历史行为，确定各训练样本的标签；

将各训练样本作为输入，输入待训练的点击率预估模型的预测模块，并根据所述预测模块的预测结果以及各训练样本的标签，确定损失函数，并以损失函数最小为优化目标调整所述预测模块的参数，训练完成的所述点击率预估模型用于对用户点击产品的概率进行预测。

可选地，根据各用户的用户信息、各产品的产品信息，以及各用户的历史行为，确定多模态知识图谱的结构，具体包括：

根据各用户的用户信息，以及各产品的产品信息，确定所述多模态知识图谱的各节点；

根据各用户的用户信息、各产品的产品信息、各用户的历史行为，确定所述多模态知识图谱中的各节点的关联关系；

根据所述多模态知识图谱的各节点，以及所述多模态知识图谱中的各节点的关联关系，确定所述多模态知识图谱的结构。

可选地，根据各用户的用户信息以及各产品的产品信息，通过待训练的点击率预估模型的图谱表示模块的编码器，确定所述多模态知识图谱中各节点的基础特征，具体包括：

根据各用户的用户信息和各产品的产品信息，确定所述多模态知识图谱中各节点的节点信息；

针对所述多模态知识图谱中的每个节点，根据该节点在所述多模态知识图谱中对应的模态，通过待训练的点击率预估模型的图谱表示模块的编码器，确定该节点对应的编码规则；

根据确定出的编码规则，对该节点的节点信息进行编码，并将编码结果作为该节点的基础特征。

可选地，根据所述多模态知识图谱中各节点的基础特征以及所述多模态知识图谱的结构，确定各节点的增强特征，具体包括：

针对所述多模态知识图谱中的每个节点，根据多模态知识图谱的结构，确定该节点的相邻节点，所述相邻节点为多模态知识图谱中的与该节点具有关联关系的节点；

根据该节点的相邻节点的基础特征确定该节点的增强特征。

可选地，根据所述多模态知识图谱中各节点的基础特征以及所述多模态知识图谱的结构，确定各节点的增强特征，具体包括：

针对所述多模态知识图谱中的每个节点，根据预设的步长范围，从所述多模态知识图谱中，确定该节点的距离在所述步长范围内的其他节点，作为相邻节点；

根据各相邻节点的关联关系以及各相邻节点的基础特征，确定所述步长范围内，不同步长的相邻节点对该节点的增强特征。

可选地，根据所述多模态知识图谱的结构、各节点的基础特征以及增强特征，分别确定各用户节点的图谱表示以及各产品节点的图谱表示，具体包括：

针对所述多模态知识图谱中的每个用户节点，根据预设的步长范围，将该节点的基础特征分别与不同步长的相邻节点对该节点的增强特征进行合并，将合并后的特征进行拼接，并将拼接结果作为该用户节点的图谱表示；

针对所述多模态知识图谱中的每个产品节点，根据预设的步长范围，将该节点的基础特征分别与不同步长的相邻节点对该节点的增强特征进行合并，将合并后的特征进行拼接，并将拼接结果作为该产品节点的图谱表示。

可选地，所述方法还包括：

随机确定所述多模态知识图谱中的多组具有关联关系的节点，将确定出来的各组节点与各组节点的关联关系作为各训练样本；

将各训练样本作为输入，输入待训练的点击率预估模型的图谱表示模块，并根据所述图谱表示结果，以及各训练样本中包含的关联关系，确定图谱损失函数，并以损失函数最小为优化目标调整所述图谱表示模块的参数，训练完成的所述点击率预估模型的图谱表示模块用于对所述多模态知识图谱中的各节点进行图谱表示。

本说明书还提供一种点击率预估方法，包括：

获取用户的用户信息与产品的产品信息；

将所述用户信息、所述产品信息作为输入，输入到训练好的点击率预估模型的图谱表示模块，确定用户信息对应的用户节点的图谱表示以及产品信息对应的产品节点的图谱表示；所述图谱表示根据多模态知识图谱的结构、各节点的基础特征以及增强特征确定；所述多模态知识图谱的结构由各用户的用户信息、各产品的产品信息，以及各用户的历史行为确定；各节点的基础特征由各用户的用户信息、各产品的产品信息，通过待训练的点击率预估模型的图谱表示模块的编码器确定；各节点的增强特征根据所述多模态知识图谱中各节点的基础特征，以及所述多模态知识图谱的结构确定；

将所述用户节点的图谱表示以及所述产品节点的图谱表示作为输入，输入到所述点击率预估模型的预测模块，确定所述产品的点击率，所述点击率用于为所述用户进行业务处理，其中，所述预测模块是基于所述多模态知识图谱中各节点图谱表示训练完成的。

本说明书提供的计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现任一上述的点击率预估模型的训练方法或点击率预估方法。

本说明书提供的电子设备，包括存储器、处理器及存储在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程序时实现任一上述的点击率预估模型的训练方法或点击率预估方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的点击率预估模型的训练方法中，通过根据用户信息、产品信息、用户历史行为构建多模态知识图谱的结构，通过用户信息、产品信息与编码器确定多模态知识图谱中的各节点的基础特征，根据多模态知识图谱的结构以及图谱内各节点的基础特征，确定各节点的增强特征，进而确定图谱中各用户节点与各产品节点的增强表示，以确定由用户节点的图谱表示和产品节点的图谱表示构成的各训练样本，以及根据用户历史行为确定各训练样本的标签，将该训练样本作为输入，以预测结果和样本标签确定损失函数，对该点击率预估模型进行训练。

从上述方法中可见，本方法基于多模态知识图谱，确定用户节点和产品节点的图谱表示，得到训练样本和样本标签，使得训练出的点击率预估模型，可基于该图谱中的各条知识进行点击率预估，提高了模型的预测准确率。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为知识图谱的结构示意图；

图2为本说明书提供的点击率预估模型的训练方法的流程示意图；

图3为本说明书提供的多模态知识图谱的结构示意图；

图4为本说明书提供的确定节点的预设步长对应的增强特征的示意图；

图5为本说明书提供的点击率预估方法的流程示意图；

图6为本说明书提供的点击率预估模型的训练装置示意图；

图7为本说明书提供的点击率预估装置的示意图；

图8为本说明书提供的对应于图2或图5的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

在现有技术中，知识图谱常用于描述现实世界中的实体、概念、事件等之间的客观关系。知识图谱由一条条知识组成，且每条知识都可表示为一个主谓宾(Subject-Predicate-Object，SPO)三元组，即，知识图谱由一些相互连接的实体和他们的属性构成。而在传统知识图谱的实体节点的基础上，将图像、文本、语音、地理信息等各种模态的信息都纳入到知识图谱的建模的范畴内，即可确定多模态知识图谱。如图1所示。

图1为知识图谱的结构示意图，其中，每个方框代表了一个实体节点，节点之间的边代表了实体之间的关系，箭头方向为该关系中主语指向宾语的方向。则图中最左侧为一个SPO三元组，即，一条知识，如，玩具总动员—演员—汤姆·汉克斯，表示：玩具总动员的演员是汤姆·汉克斯。则由多条知识可组成中间部分的知识图谱，该图谱表示了玩具总动员的演员、导演、生厂商等关系。而在知识图谱的实体节点基础上，加入语音、文本等不同模态的节点，即可构成多模态知识图谱。如图中最右边部分所示，实线表示了传统的知识图谱中的SPO三元组关系，而虚线代表了新加入的多模态节点与其相连的节点的关系，如：玩具总动员的简介为“《玩具总动员》讲述的是人们不在身边时‘玩具的秘密生活’，……”等文字信息，其中“玩具总动员的海报”表示玩具总动员的图片信息。

因此，多模态知识图谱具有比传统的知识图谱更加丰富的信息量，因而可以更清楚地描述该多模态知识图谱中的节点。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中提供的点击率预估模型的训练方法的流程示意图，具体包括以下步骤：

S100：根据各用户的用户信息、各产品的产品信息，以及各用户的历史行为，确定多模态知识图谱的结构，所述多模态知识图谱中至少包括用户节点以及产品节点。

在本说明书提供的一个或多个实施例中，为了使训练出的点击率预估模型更加准确，训练模型的服务器可基于更丰富的信息对该点击率预估模型进行训练，即，该训练模型的服务器可获取各用户的用户信息、各产品的产品信息，以及各用户的历史行为，并根据该获取到的各用户的用户信息、各产品的产品信息，以及各用户的历史行为，构建多模态知识图谱的结构。其中，针对每个用户，该用户的用户信息可包括有该用户的性别、年龄、常住地等信息，该用户的历史行为可包括该用户对于各产品的点击、收藏、下单等信息，针对每个产品，该产品的产品信息可包括有该产品的颜色、价格、所属类目、文本描述、图片等信息。当然，具体的用户信息、产品信息，以及历史行为应该包括的内容可根据需要进行设置，本说明书对此不做限制。

具体的，该服务器可首先根据各用户的用户信息以及各产品的产品信息，确定该多模态知识图谱的各节点。该多模态知识图谱中的节点可包括：用户节点、产品节点、类目节点等离散的ID编号型实体节点，还可包括图像及文本型图谱节点等等。如：针对每个用户，根据该用户的用户信息，可确定该用户的用户ID对应的用户节点，该用户的年龄对应的年龄段节点等节点，针对每个产品，可根据该产品的产品信息，确定该产品的产品ID对应的产品节点，该产品所属的类目对应的类目节点，该产品的文本描述对应的文本节点，该产品的图像对应的图像节点等。当然，还可包括有语音节点等，具体的节点类型可根据需要进行设置。

其次，该服务器可根据各用户的用户信息、各产品的产品信息、各用户的历史行为，确定该多模态知识图谱中的各节点的关联关系。针对每个用户，根据该用户的用户信息，确定该用户ID对应的用户节点与该用户的用户信息对应的其他节点的关联关系。针对每个产品，根据该产品的产品信息，确定该产品ID对应的产品节点与该产品的产品信息对应的其他节点的关联关系。根据各用户的历史行为，确定用户ID对应的用户节点与产品ID对应的产品节点的关联关系。如，针对每个用户，可根据该用户当前年龄确定用户节点与年龄段节点的所属关系，根据该用户的历史行为确定该用户节点与各产品的点击、收藏等关系，针对每个产品，根据该产品所属类目确定产品节点与类目节点的所属关系等。

最后，根据该多模态知识图谱的各节点，以及各节点的关联关系，确定该多模态知识图谱的结构。在确定出各节点与各节点之间的关联关系后，该服务器可根据各节点与各节点之间的关联关系，确定该多模态知识图谱的结构，如图3所示。

图3为本说明书提供的多模态知识图谱的结构示意图，其中，白色圆点表示用户节点，浅灰色圆点表示产品节点，深灰色圆点表示离散的ID编号类实体节点，黑色圆点表示文本节点、图像节点等，虚线为各节点之间的关联关系。且具有关联关系的两个节点与该关联关系可以视为一条知识，包括头节点head，关联关系relation，尾节点tail，如，e₅、e₂与他们之间的关联关系即为一条知识，e₅为这条知识的头节点，e₂为这条知识的尾节点。

另外，该服务器获取到的各用户的用户信息、各产品的产品信息，以及各用户的历史行为可为该服务器预先存储在本地的，也可为由该服务器向存储设备发送获取请求，该存储设备根据该获取请求将各用户的用户信息、各产品的产品信息，以及各用户的历史行为返回至该训练模型的服务器。

S102：根据各用户的用户信息以及各产品的产品信息，通过待训练的点击率预估模型的图谱表示模块的编码器，确定所述多模态知识图谱中各节点的基础特征。

在本说明书提供的一个或多个实施例中，在确定出多模态知识图谱后，多模态知识图谱中每个节点对应的信息的模态都不完全相同，因此为了方便后续基于多模态知识图谱确定训练样本，该服务器可确定节点的基础特征。

具体的，该服务器可首先根据各用户的用户信息和各产品的产品信息，确定该多模态知识图谱中各节点的节点信息。其中，各节点的节点信息为该多模态知识图谱中各节点包含的具体内容。例如，图1所示的多模态知识图谱中，“玩具总动员”所在节点是该产品ID对应的产品节点，该节点的节点信息即为“玩具总动员”。

然后，该服务器可针对该多模态知识图谱中的每个节点，确定该节点在该多模态知识图谱中对应的模态。该图谱表示模块中预设有针对该多模态知识图谱对应的各模态的编码规则，于是，该服务器可根据确定出的该节点的模态，从该图谱表示模块的编码器中确定该模态对应的编码规则，作为该节点对应的编码规则。

最后，该服务器可根据确定出的编码规则，对该节点的节点信息进行编码，并将编码结果作为该节点的基础特征。

以该多模态知识图谱对应的模态包括离散ID型模态、图像型模态、文本型模态为例，离散ID型模态对应独热编码规则，图像型模态对应残差网络(Residual Network，ResNet)结构图像特征提取编码规则，文本型模态对应词向量嵌入表示(Word To Vector，Word2Vec)编码规则。当然，该多模态知识图谱中还可包含有其他模态和其他模态对应的编码规则，以及各编码规则的形式可以是具体的编码规则，也可以是训练好的模型，即，将节点信息作为输入，得到输出的编码结果，作为基础特征。具体的模态及编码规则的类型以及编码规则的形式可根据需要进行设置，本说明书对此不做限制。

需要说明的是，该编码器不仅适用于该多模态知识图谱中的各节点，还适用于该多模态知识图谱中各节点之间的关联关系，即，可将该多模态知识图谱中各节点之间的关联关系，看作离散ID型模态，于是，各关联关系可确定对应独热编码规则，且各关联关系进行编码后的编码结果可作为关联特征。

S104：根据所述多模态知识图谱中各节点的基础特征以及所述多模态知识图谱的结构，确定各节点的增强特征，其中，所述节点的增强特征可根据所述节点的相邻节点的基础特征确定。

在本说明书提供的一个或多个实施例中，该服务器可根据在步骤S102中确定出的该多模态知识图谱中各节点的基础特征，以及该多模态知识图谱中各节点的关联关系，确定各节点的增强特征。

具体的，针对多模态知识图谱中的每个节点，与该节点具有关联关系的节点，都可用来描述该节点，如图1所示的多模态知识图谱，玩具总动员可被描述为“《玩具总动员》由约翰·拉塞特导演的，演员汤姆·汉克斯主演的，迪士尼公司生产的一部电影，它讲述的是人们不在身边时‘玩具的秘密生活’，……”。于是，针对该多模态知识图谱中的每个节点，该服务器可首先根据该多模态知识图谱的结构，确定该节点的相邻节点。其中，该相邻节点为多模态知识图谱中的与该节点具有关联关系的节点，以图3中的e₂节点为例，该节点的相邻节点为i₁和i₃节点。

然后，该服务器可确定该节点与该节点的相邻节点的基础特征，以及该节点与各相邻节点之间的关联特征，即，关联关系对应的特征，并将确定出的各基础特征与各关联特征作为输入，通过公式

e(h,r,t)＝w₁(e_h‖e_r‖e_t)，确定该节点的相邻节点对该节点的增强特征。其中，e_agg表示增强特征，(h,r,t)为一条知识，h为该条知识的头节点，r为该条知识的关联关系，t为该条知识的尾节点，N_h表示与该节点相连的各条知识，于是，(h,r,t)∈N_h表示与该节点相连的任意一条知识，e_h为知识的头节点的特征，e_r为知识的关联特征，e_t为知识的尾节点的特征，||符号代表拼接，w₁为将向量输入一层卷积神经网络，以将该向量转换为合适的维度，π(h,r,t)为注意力机制的权重，可通过以下公式来进行确定：

π(h,r,t)＝LeakyReLU(w₂e(h,r,t))

或

其中，(h,r′,t′)∈N_h表示与该节点相连的其他各条知识，则

为该于该节点相连的所有知识的权重之和，exp(π(h,r,t))表示当前需计算注意力权重的该条知识的权重，于是，

表示了每条知识的注意力权重要根据该条知识的权重与该节点周围的所有知识的权重之和的比值确定，w₂为将向量输入一层卷积神经网络，以将该向量转换为合适的维度。

进一步地，为了更加清楚地描述多模态知识图谱中各节点的关系，该服务器还可预设不同步长，并针对多模态知识图谱中的每个节点，根据预设的步长范围，从该多模态知识图谱中，确定该节点的距离在该步长范围内的其他节点，作为相邻节点。并根据各相邻节点的关联关系以及各相邻节点的基础特征，确定该步长范围内，不同步长的相邻节点对该节点的增强特征。

具体的，针对每个节点，该服务器可根据预设步长范围内的每个步长，确定该节点对应的不完全相同的各相邻节点。例如，假设步长范围为3，则根据步长为3、2以及1，该服务器可将多模态知识图谱中不同的节点，确定为该节点的相邻节点。

而根据不同的步长，该服务器可确定该节点不同的增强特征。为了方便说明，将多模态知识图谱具有关联关系的节点，按照关联关系定义为上游节点和下游节点。如图3所示的多模态知识图谱，若起始节点为e₆，且预设的步长为2，则2步长对应的上游节点为i₁和i₃，e₂为i₁和i₃的下游节点，且，由上游节点指向下游节点为下游方向。

该服务器可针对预设的步长范围内的每个步长，可先确定从该节点出发，按照关联关系经过该步长后，到达的各相邻节点，作为该步长对应的上游节点。之后，根据该步长对应的上游节点的基础特征，继续按照关联关系确定，该步长对应的上游节点的下游方向的相邻节点的增强特征。然后，根据确定出的该下游的相邻节点的增强特征以及基础特征，继续按照关联关系向下游方向确定相邻节点的增强特征，直至到达该节点确定出该节点的增强特征为止，作为该步长的相邻节点对该节点的增强特征。以图4所示。

图4为本说明书提供的确定节点的预设步长对应的增强特征的示意图，类似于图3，白色圆点表示用户节点，浅灰色圆点表示产品节点，深灰色圆点表示离散的ID编号类实体节点，黑色圆点表示文本节点、图像节点等多模态节点，虚线代表多模态知识图谱结构中各节点之间的关联关系，A代表节点的基础特征，B代表节点的增强特征，w为注意力权重。以确定e₇的预设的步长的增强向量为例，若预设步长为0，没有上游节点，则e₇的增强特征为0。若预设步长为1，则1步长对应的上游节点为e₃，则e₇的特征为A₁+B₁，其中，B₁＝w₁A₂。若预设步长为2，则2步长对应的上游节点为i₂和e₆，则e₇的特征为A₁+B₁，其中，B₁＝w₁(A₂+B₂)，B₂＝w₂A₄+w₃A₃。若预设步长为3，3步长对应的上游节点为e₂，则e₇的特征为A₁+B₁，其中，B₁＝w₁(A₂+B₂)，B₂＝w₂A₄+w₃(A₃+B₃)，B₃＝w₄A₅。可以看出，针对每个节点，不同步长对应的该节点的增强特征不完全相同。

S106：将根据所述多模态知识图谱的结构、各节点的基础特征以及增强特征，分别确定各用户节点的图谱表示以及各产品节点的图谱表示。

在本说明书提供的一个或多个实施例中，该服务器可根据确定出的多模态知识图谱的结构、各节点的基础特征以及增强特征，分别确定各用户节点的图谱表示以及各产品节点的图谱表示。

具体的，针对该多模态知识图谱中的每个用户节点，该服务器可根据预设的步长范围，将该节点的基础特征分别与不同步长的相邻节点对该节点的增强特征进行合并，将合并后的特征进行拼接，并将拼接结果作为该用户节点的图谱表示，以图4中的e₇节点为例，令预设的步长为2，该节点的图谱表示为A₁||A₁+w₁A₂||A₁+w₁(A₂+w₂A₄+w₃A₃)。

同样的，针对该多模态知识图谱中的每个产品节点，该服务器可根据预设的步长范围，将该节点的基础特征分别与不同步长的相邻节点对该节点的增强特征进行合并，将合并后的特征进行拼接，并将拼接结果作为该产品节点的图谱表示。

S108：确定由用户节点的图谱表示和产品节点的图谱表示构成的各训练样本，并根据用户历史行为，确定各训练样本的标签。

S110：将各训练样本作为输入，输入待训练的点击率预估模型的预测模块，并根据所述预测模块的预测结果以及各训练样本的标签，确定损失函数，并以损失函数最小为优化目标调整所述预测模块的参数，训练完成的所述点击率预估模型用于对用户点击产品的概率进行预测。

在本说明书提供的一个或多个实施例中，本说明书使用的点击率预估模型包括图谱表示模块和预测模块。在训练预测模块时，训练模型的服务器，可首先确定用于训练的数据。其中，每个训练样本中包括一个用户节点的图谱表示，记作

一个产品节点的图谱表示，记作

其次，针对每个训练样本，以根据各用户历史行为确定出的该用户与该产品是否有点击和/或下单、和/或收藏等关系，作为样本标签，若有，则标签的值为100％，若没有，标签的值为0％。且该样本标签还可根据多模态知识图谱的结构，以及每个训练样本的用户节点与产品节点确定。

最后，在训练该预测模块时，该训练模型的服务器将确定出的训练样本输入待训练的点击率预估模型的预测模块，得到预测结果，根据各预测结果与各训练样本的标签，确定损失函数，并以损失函数最小为优化目标，对该预测模块进行训练。其中，该模型使用的预测函数为

损失函数可为由预测结果与样本标签确定出的，以最小化该预测结果与样本标签的差值为目标的损失函数，也可为

其中，L为损失函数，以样本集中标签为100％的样本预估出的点击率与标签为0％的样本对应预估出的点击率差值最大为训练目标，差值越大，表征确定出的点击率越准确，O表征预测模块的各训练样本构成的样本集，(u,i)为样本标签为100％的样本，(u,j)为样本标签为0％的样本，λ

为参数对应的正则项，用于避免参数过大。当然，具体采用何种损失函数，可以根据需要设置。

基于图2的点击率预估模型的训练方法，通过根据用户信息、产品信息、用户历史行为构建多模态知识图谱的结构，以及确定该多模态知识图谱内各节点的基础特征，并根据该多模态知识图谱的结构以及图谱内各节点的基础特征，确定各节点的增强特征，进而确定图谱中各用户节点与各产品节点的增强表示，以确定由用户节点的图谱表示和产品节点的图谱表示构成的各训练样本，以及根据用户的历史行为确定样本标签，并根据标签及预测结果对该点击率预估模型进行训练。本方法基于多模态知识图谱，确定用户节点和产品节点的图谱表示，得到训练样本和样本标签，使得训练出的点击率预估模型，可基于该图谱中的各条知识进行点击率预估，提高了模型的预测准确率。且即使是在缺少用户的历史行为信息地情况下，如，冷启动场景，训练出的点击率预估模型可仅根据用户的用户信息以及产品的产品信息，如，年龄，常驻地区等，通过多模态知识图谱对用户信息进行补充，从而解决现有技术中存在信息量不足的问题，提高了确定出的点击率的准确度。

另外，本说明书提供的点击率预估模型中采用的多模态知识图谱不同于知识图谱，信息量较之知识图谱更加丰富，且能够为用户与产品提供文本、图像、或语音等丰富且有效的信息，因此，基于该多模态知识图谱训练完成的点击率预估模型确定出的点击率的准确性更高。

进一步地，在训练本说明书使用的点击率预估模型中的图谱表示模块时，训练模型的服务器，可首先确定用于训练的数据。其中，每个训练样本为该多模态知识图谱中的一条知识，包括头节点e_h、关联特征e_r、尾节点e_t。

在训练该图谱表示模块时，该训练模型的服务器将确定出的训练样本输入待训练的点击率预估模型的图谱表示模块，得到图谱表示结果，根据各图谱表示结果以及各训练样本中包含的关联关系，确定图谱损失函数，并以损失函数最小为优化目标，对该预测模块进行训练。其中，该模型使用的损失函数可为

并以该损失函数最小化进行训练，即，以该多模态知识图谱中的每条知识的e_h+e_r＝e_t为目标函数，进行训练。也可为L_KG＝∑_{(h,r,t,t′)∈D}-lnσ(score(h,r,t′)-score(h,r,t))，其中，其中(h,r,t)为图谱中真实存在的三元组关系，而(h,r,t′)为随机构造的伪三元组关系，t′可为与当前输入该模型的真实三元组关系(h,r,t)中的头节点h具有其他关联关系的尾节点，则e_h+e_r＝e_t′显然是不成立的，t′也可为与该头节点不具有关联关系的尾节点，score为针对三元组关系的损失函数，即与目标h+r＝t的偏差值，且无论是t还是t′，计算时使用的r都为训练样本中的关联特征e_r，D为图谱表示模块各训练样本构成的样本集，以样本集中真实存在的三元组关系，与随机构造的伪三元组关系的偏差值最大训练目标，差值越大，表征确定出的图谱表示越准确。当然，具体采用何种损失函数，可以根据需要设置。

需要说明的是，本说明书提供的点击率预估模型的预测模块的训练样本，不仅可以包括各用户节点与各产品节点的特征表示，还可包括有各用户的用户特征以及各产品的产品特征，即，将各用户节点与各产品节点的特征表示作为外援特征加入到点击率预估模型中，用于辅助该点击率预估模型进行训练。

另外，本说明书提供的点击率预估模型的训练方法训练完成的点击率预估模型，是基于静态的多模态知识图谱进行点击率预估的，即，基于获取到的各用户的用户信息、各产品的产品信息，以及各用户的历史行为特征构建出的多模态知识图谱，以及训练完成的各节点的图谱表示等，在该多模态知识图谱确定出后，在一段时间内会保持不变，直至该点击率预估模型需要更新时，重新构建多模态知识图谱。则该点击率预估模型仅可对多模态知识图谱中包含的用户节点与产品节点预估点击率。

基于图2所示的点击率预估模型的训练方法，本说明书还提供一种点击率预估方法，如图5所示。

图5为本说明书提供的点击率预估方法的流程示意图，包括：

S200：获取用户的用户信息与产品的产品信息。

在本说明书提供的一个或多个实施例中，能够基于用户的历史行为以及产品特性等，为用户推荐合适的产品的特性。于是，服务提供方的服务器可获取用户的用户信息以及产品的产品信息，以获取该产品的点击率。其中，该用户的用户信息以及产品的产品信息可仅包括用户的ID以及产品ID。

S202：将所述用户信息、所述产品信息作为输入，输入到训练好的点击率预估模型的图谱表示模块，确定用户信息对应的用户节点的图谱表示以及产品信息对应的产品节点的图谱表示；所述图谱表示根据多模态知识图谱的结构、各节点的基础特征以及增强特征确定；所述多模态知识图谱的结构由各用户的用户信息、各产品的产品信息，以及各用户的历史行为确定；各节点的基础特征由各用户的用户信息、各产品的产品信息，通过待训练的点击率预估模型的图谱表示模块的编码器确定；各节点的增强特征根据所述多模态知识图谱中各节点的基础特征，以及所述多模态知识图谱的结构确定。

在本说明书提供的一个或多个实施例中，该服务提供方的服务器可将步骤S200中获取到的用户信息以及产品信息作为输入，输入到训练好的点击率预估模型的图谱表示模块，确定用户信息对应的用户节点的图谱表示以及产品信息对应的产品节点的图谱表示。其中，该点击率预估模块是通过上述点击率预估模型的训练方法训练得到的。

S204：将所述用户节点的图谱表示以及所述产品节点的图谱表示作为输入，输入到所述点击率预估模型的预测模块，确定所述产品的点击率，其中，所述预测模块是基于所述多模态知识图谱中各节点图谱表示训练完成的，所述点击率用于为所述用户进行业务处理。

在本说明书提供的一个或多个实施例中，该服务提供方的服务器可将该用户节点的图谱表示以及该产品节点的图谱表示作为输入，输入到该点击率预估模型的预测模块，确定该产品的点击率。该点击率可用于为用户进行业务处理，如，根据确定出的点击率向用户投放广告等。

以上为本说明书的一个或多个实施例提供的点击率预估模型的训练方法和点击率预估方法，基于同样的思路，本说明书还提供了相应的点击率预估模型的训练装置和点击率预估装置，如图6和7所示。

图6为本说明书提供的点击率预估模型的训练装置示意图，具体包括：

结构确定模块300，用于根据各用户的用户信息、各产品的产品信息，以及各用户的历史行为，确定多模态知识图谱的结构，所述多模态知识图谱中至少包括用户节点以及产品节点。

编码模块302，用于根据各用户的用户信息以及各产品的产品信息，通过待训练的点击率预估模型的图谱表示模块的编码器，确定所述多模态知识图谱中各节点的基础特征。

增强模块304，用于根据所述多模态知识图谱中各节点的基础特征以及所述多模态知识图谱的结构，确定各节点的增强特征，其中，所述节点的增强特征可根据所述节点的相邻节点的基础特征确定。

图谱确定模块306，用于根据所述多模态知识图谱的结构、各节点的基础特征以及增强特征，分别确定各用户节点的图谱表示以及各产品节点的图谱表示。

标签确定模块308，用于确定由用户节点的图谱表示和产品节点的图谱表示构成的各训练样本，并根据用户历史行为，确定各训练样本的标签。

预估模块310，用于将各训练样本作为输入，输入待训练的点击率预估模型的预测模块，并根据所述预测模块的预测结果以及各训练样本的标签，确定损失函数，并以损失函数最小为优化目标调整所述预测模块的参数，训练完成的所述点击率预估模型用于对用户点击产品的概率进行预测。

所述装置还包括：

图谱训练模块312，用于随机确定所述多模态知识图谱中的多组具有关联关系的节点，将确定出来的各组节点与各组节点的关联关系作为各训练样本。

将各训练样本作为输入，输入待训练的点击率预估模型的图谱表示模块，并根据所述图谱表示结果，以及各训练样本中包含的关联关系，确定图谱损失函数，并以损失函数最小为优化目标调整所述图谱表示模块的参数，训练完成的所述点击率预估模型的图谱表示模块用于对所述多模态知识图谱中的各节点进行图谱表示。

可选地，所述结构确定模块300，具体用于根据各用户的用户信息，以及各产品的产品信息，确定所述多模态知识图谱的各节点，根据各用户的用户信息、各产品的产品信息、各用户的历史行为，确定所述多模态知识图谱中的各节点的关联关系，根据所述多模态知识图谱的各节点，以及所述多模态知识图谱中的各节点的关联关系，确定所述多模态知识图谱的结构。

可选地，所述编码模块302，具体用于根据各用户的用户信息和各产品的产品信息，确定所述多模态知识图谱中各节点的节点信息，针对所述多模态知识图谱中的每个节点，根据该节点在所述多模态知识图谱中对应的模态，通过待训练的点击率预估模型的图谱表示模块的编码器，确定该节点对应的编码规则，根据确定出的编码规则，对该节点的节点信息进行编码，并将编码结果作为该节点的基础特征。

可选地，所述增强模块304，具体用于针对所述多模态知识图谱中的每个节点，根据多模态知识图谱的结构，确定该节点的相邻节点，所述相邻节点为多模态知识图谱中的与该节点具有关联关系的节点，根据该节点的相邻节点的基础特征确定该节点的增强特征。

可选地，所述增强模块304，具体用于针对所述多模态知识图谱中的每个节点，根据预设的步长范围，从所述多模态知识图谱中，确定该节点的距离在所述步长范围内的其他节点，作为相邻节点，根据各相邻节点的关联关系以及各相邻节点的基础特征，确定所述步长范围内，不同步长的相邻节点对该节点的增强特征。

可选地，图谱确定模块306，具体用于针对所述多模态知识图谱中的每个用户节点，根据预设的步长范围，将该节点的基础特征分别与不同步长的相邻节点对该节点的增强特征进行合并，将合并后的特征进行拼接，并将拼接结果作为该用户节点的图谱表示，针对所述多模态知识图谱中的每个产品节点，根据预设的步长范围，将该节点的基础特征分别与不同步长的相邻节点对该节点的增强特征进行合并，将合并后的特征进行拼接，并将拼接结果作为该产品节点的图谱表示。

图7为本说明书提供的点击率预估装置示意图，包括：

获取模块400，用于获取用户的用户信息与产品的产品信息。

第一确定模块402，用于将所述用户信息、所述产品信息作为输入，输入到训练好的点击率预估模型的图谱表示模块，确定用户信息对应的用户节点的图谱表示以及产品信息对应的产品节点的图谱表示；所述图谱表示根据多模态知识图谱的结构、各节点的基础特征以及增强特征确定；所述多模态知识图谱的结构由各用户的用户信息、各产品的产品信息，以及各用户的历史行为确定；各节点的基础特征由各用户的用户信息、各产品的产品信息，通过待训练的点击率预估模型的图谱表示模块的编码器确定；各节点的增强特征根据所述多模态知识图谱中各节点的基础特征，以及所述多模态知识图谱的结构确定。

第二确定模块404，用于将所述用户节点的图谱表示以及所述产品节点的图谱表示作为输入，输入到所述点击率预估模型的预测模块，确定所述产品的点击率，其中，所述预测模块是基于所述多模态知识图谱中各节点图谱表示训练完成的，所述点击率用于为所述用户进行业务处理。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图2提供的点击率预估模型的训练方法和上述图5提供的点击率预估方法中的至少一种。

本说明书还提供了图8所示的电子设备的示意结构图。如图8所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图2所述的点击率预估模型的训练方法和上述图5提供的点击率预估方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种点击率预估模型的训练方法，其特征在于，所述方法包括：

根据各用户的用户信息、各产品的产品信息，以及各用户的历史行为，确定多模态知识图谱的结构，所述多模态知识图谱中至少包括用户节点以及产品节点；

根据各用户的用户信息以及各产品的产品信息，通过待训练的点击率预估模型的图谱表示模块的编码器，确定所述多模态知识图谱中各节点的基础特征；

根据所述多模态知识图谱中各节点的基础特征以及所述多模态知识图谱的结构，确定各节点的增强特征，其中，所述节点的增强特征可根据所述节点的相邻节点的基础特征确定；

根据所述多模态知识图谱的结构、各节点的基础特征以及增强特征，分别确定各用户节点的图谱表示以及各产品节点的图谱表示；

确定由用户节点的图谱表示和产品节点的图谱表示构成的各训练样本，并根据用户历史行为，确定各训练样本的标签；

将各训练样本作为输入，输入待训练的点击率预估模型的预测模块，并根据所述预测模块的预测结果以及各训练样本的标签，确定损失函数，并以损失函数最小为优化目标调整所述预测模块的参数，训练完成的所述点击率预估模型用于对用户点击产品的概率进行预测。

2.如权利要求1所述的方法，其特征在于，根据各用户的用户信息、各产品的产品信息，以及各用户的历史行为，确定多模态知识图谱的结构，具体包括：

根据各用户的用户信息，以及各产品的产品信息，确定所述多模态知识图谱的各节点；

根据各用户的用户信息、各产品的产品信息、各用户的历史行为，确定所述多模态知识图谱中的各节点的关联关系；

根据所述多模态知识图谱的各节点，以及所述多模态知识图谱中的各节点的关联关系，确定所述多模态知识图谱的结构。

3.如权利要求1所述的方法，其特征在于，根据各用户的用户信息以及各产品的产品信息，通过待训练的点击率预估模型的图谱表示模块的编码器，确定所述多模态知识图谱中各节点的基础特征，具体包括：

根据各用户的用户信息和各产品的产品信息，确定所述多模态知识图谱中各节点的节点信息；

针对所述多模态知识图谱中的每个节点，根据该节点在所述多模态知识图谱中对应的模态，通过待训练的点击率预估模型的图谱表示模块的编码器，确定该节点对应的编码规则；

根据确定出的编码规则，对该节点的节点信息进行编码，并将编码结果作为该节点的基础特征。

4.如权利要求2所述的方法，其特征在于，根据所述多模态知识图谱中各节点的基础特征以及所述多模态知识图谱的结构，确定各节点的增强特征，具体包括：

针对所述多模态知识图谱中的每个节点，根据多模态知识图谱的结构，确定该节点的相邻节点，所述相邻节点为多模态知识图谱中的与该节点具有关联关系的节点；

根据该节点的相邻节点的基础特征确定该节点的增强特征。

5.如权利要求2所述的方法，其特征在于，根据所述多模态知识图谱中各节点的基础特征以及所述多模态知识图谱的结构，确定各节点的增强特征，具体包括：

针对所述多模态知识图谱中的每个节点，根据预设的步长范围，从所述多模态知识图谱中，确定该节点的距离在所述步长范围内的其他节点，作为相邻节点；

根据各相邻节点的关联关系以及各相邻节点的基础特征，确定所述步长范围内，不同步长的相邻节点对该节点的增强特征。

6.如权利要求4或5所述的方法，其特征在于，根据所述多模态知识图谱的结构、各节点的基础特征以及增强特征，分别确定各用户节点的图谱表示以及各产品节点的图谱表示，具体包括：

针对所述多模态知识图谱中的每个用户节点，根据预设的步长范围，将该节点的基础特征分别与不同步长的相邻节点对该节点的增强特征进行合并，将合并后的特征进行拼接，并将拼接结果作为该用户节点的图谱表示；

针对所述多模态知识图谱中的每个产品节点，根据预设的步长范围，将该节点的基础特征分别与不同步长的相邻节点对该节点的增强特征进行合并，将合并后的特征进行拼接，并将拼接结果作为该产品节点的图谱表示。

7.如权利要求2所述的方法，其特征在于，所述方法还包括：

随机确定所述多模态知识图谱中的多组具有关联关系的节点，将确定出来的各组节点与各组节点的关联关系作为各训练样本；

将各训练样本作为输入，输入待训练的点击率预估模型的图谱表示模块，并根据所述图谱表示结果，以及各训练样本中包含的关联关系，确定图谱损失函数，并以损失函数最小为优化目标调整所述图谱表示模块的参数，训练完成的所述点击率预估模型的图谱表示模块用于对所述多模态知识图谱中的各节点进行图谱表示。

8.一种点击率预估方法，其特征在于，所述方法包括：

获取用户的用户信息与产品的产品信息；

将所述用户信息、所述产品信息作为输入，输入到训练好的点击率预估模型的图谱表示模块，确定用户信息对应的用户节点的图谱表示以及产品信息对应的产品节点的图谱表示；所述图谱表示根据多模态知识图谱的结构、各节点的基础特征以及增强特征确定；所述多模态知识图谱的结构由各用户的用户信息、各产品的产品信息，以及各用户的历史行为确定；各节点的基础特征由各用户的用户信息、各产品的产品信息，通过待训练的点击率预估模型的图谱表示模块的编码器确定；各节点的增强特征根据所述多模态知识图谱中各节点的基础特征，以及所述多模态知识图谱的结构确定；

将所述用户节点的图谱表示以及所述产品节点的图谱表示作为输入，输入到所述点击率预估模型的预测模块，确定所述产品的点击率，其中，所述预测模块是基于所述多模态知识图谱中各节点图谱表示训练完成的，所述点击率用于为所述用户进行业务处理。

9.一种点击率预估模型的训练装置，其特征在于，所述装置包括：

结构确定模块，用于根据各用户的用户信息、各产品的产品信息，以及各用户的历史行为，确定多模态知识图谱的结构，所述多模态知识图谱中至少包括用户节点以及产品节点；

编码模块，用于根据各用户的用户信息以及各产品的产品信息，通过待训练的点击率预估模型的图谱表示模块的编码器，确定所述多模态知识图谱中各节点的基础特征；

增强模块，用于根据所述多模态知识图谱中各节点的基础特征以及所述多模态知识图谱的结构，确定各节点的增强特征，其中，所述节点的增强特征可根据所述节点的相邻节点的基础特征确定；

图谱确定模块，用于根据所述多模态知识图谱的结构、各节点的基础特征以及增强特征，分别确定各用户节点的图谱表示以及各产品节点的图谱表示；

标签确定模块，用于确定由用户节点的图谱表示和产品节点的图谱表示构成的各训练样本，并根据用户历史行为，确定各训练样本的标签；

预估模块，用于将各训练样本作为输入，输入待训练的点击率预估模型的预测模块，并根据所述预测模块的预测结果以及各训练样本的标签，确定损失函数，并以损失函数最小为优化目标调整所述预测模块的参数，训练完成的所述点击率预估模型用于对用户点击产品的概率进行预测。

10.一种点击率预估装置，其特征在于，所述装置包括：

获取模块，用于获取用户的用户信息与产品的产品信息；

第一确定模块，用于将所述用户信息、所述产品信息作为输入，输入到训练好的点击率预估模型的图谱表示模块，确定用户信息对应的用户节点的图谱表示以及产品信息对应的产品节点的图谱表示；所述图谱表示根据多模态知识图谱的结构、各节点的基础特征以及增强特征确定；所述多模态知识图谱的结构由各用户的用户信息、各产品的产品信息，以及各用户的历史行为确定；各节点的基础特征由各用户的用户信息、各产品的产品信息，通过待训练的点击率预估模型的图谱表示模块的编码器确定；各节点的增强特征根据所述多模态知识图谱中各节点的基础特征，以及所述多模态知识图谱的结构确定；

第二确定模块，用于将所述用户节点的图谱表示以及所述产品节点的图谱表示作为输入，输入到所述点击率预估模型的预测模块，确定所述产品的点击率，其中，所述预测模块是基于所述多模态知识图谱中各节点图谱表示训练完成的，所述点击率用于为所述用户进行业务处理。

11.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项或权利要求8所述的方法。

12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～7任一项或权利要求8所述的方法。

Images