CN113158047A - 推荐模型训练、信息推送方法、装置、设备及介质 - Google Patents

推荐模型训练、信息推送方法、装置、设备及介质 Download PDF

Info

Publication number
CN113158047A
CN113158047A CN202110434646.0A CN202110434646A CN113158047A CN 113158047 A CN113158047 A CN 113158047A CN 202110434646 A CN202110434646 A CN 202110434646A CN 113158047 A CN113158047 A CN 113158047A
Authority
CN
China
Prior art keywords
user
relationship
neighbor
vector
information
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
CN202110434646.0A
Other languages
English (en)
Inventor
王健宗
李泽远
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110434646.0A priority Critical patent/CN113158047A/zh
Publication of CN113158047A publication Critical patent/CN113158047A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于关系网络的推荐模型训练、信息推送方法、装置、设备及介质，该方法将样本用户的社会关系网络中，与各邻居用户关联的邻居用户向量输入至包含关系层级权重的初始推荐模型中，以根据各邻居用户向量生成与样本用户对应的样本用户向量；根据样本用户向量，确定与样本用户对应的推荐预测值，并获取与样本用户对应的推荐真实值；根据推荐预测值以及推荐真实值，确定初始推荐模型的预测损失值；在预测损失值未达到预设的收敛条件时，通过预设参数优化算法更新迭代各关系层级权重，直至预测损失值达到预设的收敛条件时，将收敛之后的初始推荐模型记录为社会化推荐模型。本发明提高了初始推荐模型的预测准确率。

Description

推荐模型训练、信息推送方法、装置、设备及介质
技术领域
本发明涉及预测模型技术领域，尤其涉及一种基于关系网络的推荐模型训练、信息推送方法、装置、设备及介质。
背景技术
随着科学技术的发展，越来越多的应用程序会给各个用户推送各类信息，例如新上映的电影、新福利活动信息等推荐信息，进而使得用户可以快速触及新产品或者新活动的内容。
目前，针对于用户进行信息推送或者产品推送，均是通过采集与用户信息，进而通过预测模型根据用户信息进行预测，以向用户推送与用户信息相关的信息或者产品。但是该方法存在以下不足：预测模型在预测到与用户信息相关的信息之后，为了提高信息推送效率，会选择将所有信息都推送至用户中，则会存在不能够针对性推送的现象，导致用户根本不会查收那些不感兴趣的信息，进而导致模型预测准确率较低。
发明内容
本发明实施例提供一种基于关系网络的推荐模型训练、信息推送方法、装置、设备及介质，以解决模型预测准确率较低的问题。
一种基于关系网络的推荐模型训练方法，包括：
获取样本用户的社会关系网络；所述社会关系网络包括与所述样本用户关联的多个关系层级，一个所述关系层级包含至少一个邻居用户，一个所述邻居用户关联一个邻居用户向量；
将各所述邻居用户向量输入至包含初始参数的初始推荐模型中，以根据各所述邻居用户向量生成与所述样本用户对应的样本用户向量；所述初始参数包含与各所述关系层级关联的关系层级权重；
根据所述样本用户向量，确定与所述样本用户对应的推荐预测值，并获取与所述样本用户对应的推荐真实值；
根据所述推荐预测值以及所述推荐真实值，确定所述初始推荐模型的预测损失值；
在所述预测损失值未达到预设的收敛条件时，通过预设参数优化算法更新迭代各所述关系层级权重，直至所述预测损失值达到所述预设的收敛条件时，将收敛之后的所述初始推荐模型记录为社会化推荐模型。
一种信息推送方法，包括：
接收待推送用户发送的信息推送指令；所述信息推送指令中包含与所述待推送用户关联的用户关系网络；所述用户关系网络包括与所述待推送用户关联的多个用户层级，一个所述用户层级包含至少一个关系用户，一个所述关系用户关联的一个信息推送向量；
将各所述信息推送向量输入至社会化推荐模型中，以根据各所述信息推送向量确定所述待推送用户的用户偏好信息；所述社会化推荐模型是根据上述基于关系网络的推荐模型训练方法得到的；
获取信息列表；所述信息列表中包含至少一个待推送信息；
根据所述用户偏好信息，对各所述待推送信息进行排序，得到信息推送序列，并将所述信息推送序列推送至所述待推送用户。
一种基于关系网络的推荐模型训练装置，包括：
社会关系网络获取模块，用于获取样本用户的社会关系网络；所述社会关系网络包括与所述样本用户关联的多个关系层级，一个所述关系层级包含至少一个邻居用户，一个所述邻居用户关联一个邻居用户向量；
样本用户向量生成模块，用于将各所述邻居用户向量输入至包含初始参数的初始推荐模型中，以根据各所述邻居用户向量生成与所述样本用户对应的样本用户向量；所述初始参数包含与各所述关系层级关联的关系层级权重；
电影偏好预测模块，用于根据所述样本用户向量，确定与所述样本用户对应的推荐预测值，并获取与所述样本用户对应的推荐真实值；
预测损失值确定模块，用于根据所述推荐预测值以及所述推荐真实值，确定所述初始推荐模型的预测损失值；
模型收敛判定模块，用于在所述预测损失值未达到预设的收敛条件时，通过预设参数优化算法更新迭代各所述关系层级权重，直至所述预测损失值达到所述预设的收敛条件时，将收敛之后的所述初始推荐模型记录为社会化推荐模型。
一种信息推送装置，其特征在于，包括：
信息推送指令接收模块，用于接收待推送用户发送的信息推送指令；所述信息推送指令中包含与所述待推送用户关联的用户关系网络；所述用户关系网络包括与所述待推送用户关联的多个用户层级，一个所述用户层级包含至少一个关系用户，一个所述关系用户关联的一个信息推送向量；
用户偏好信息确定模块，用于将各所述信息推送向量输入至社会化推荐模型中，以根据各所述信息推送向量确定所述待推送用户的用户偏好信息；所述社会化推荐模型是根据上述基于关系网络的推荐模型训练方法得到的；
信息列表获取模块，用于获取信息列表；所述信息列表中包含至少一个待推送信息；
信息推送模块，用于根据所述用户偏好信息，对各所述待推送信息进行排序，得到信息推送序列，并将所述信息推送序列推送至所述待推送用户。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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上述基于关系网络的推荐模型训练方法，或者所述处理器执行所述计算机程序时实现上述信息推送方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于关系网络的推荐模型训练方法，或者所述计算机程序被处理器执行时实现上述信息推送方法。
上述基于关系网络的推荐模型训练、信息推送方法、装置、设备及介质，该方法通过获取样本用户的社会关系网络；所述社会关系网络包括与所述样本用户关联的多个关系层级，一个所述关系层级包含至少一个邻居用户，一个所述邻居用户关联一个邻居用户向量；将各所述邻居用户向量输入至包含初始参数的初始推荐模型中，以根据各所述邻居用户向量生成与所述样本用户对应的样本用户向量；所述初始参数包含与各所述关系层级关联的关系层级权重；根据所述样本用户向量，确定与所述样本用户对应的推荐预测值，并获取与所述样本用户对应的推荐真实值；根据所述推荐预测值以及所述推荐真实值，确定所述初始推荐模型的预测损失值；在所述预测损失值未达到预设的收敛条件时，通过预设参数优化算法更新迭代各所述关系层级权重，直至所述预测损失值达到所述预设的收敛条件时，将收敛之后的所述初始推荐模型记录为社会化推荐模型。
本发明的基于关系网络的推荐模型训练方法，通过引入社会关系网络，并对社会关系网络中不同关系层级的邻居用户赋予不同的关系层级权重，也即，在通过邻居用户的邻居用户向量生成与样本用户对应的样本用户向量，每一关系层级提供的信息(也即邻居用户向量)对样本用户的影响不同，离样本用户更近的关系层级的邻居用户提供的信息更具有价值(关系层级权重更高)，如此，通过上述关系层级权重的确定，可以提高初始推荐模型的准确率。进一步地，在初始推荐模型的预测准确率不满足需求时，通过预设参数优化算法更新迭代关系层级权重，使得关系层级权重适配于各关系层级，进而提高初始推荐模型的预测准确率。
本发明中的信息推送方法，通过上述基于关系网络的推荐模型训练方法训练得到的社会化推荐模型，结合待推送用户的用户关系网络，进而根据通过用户关系网络中的各关系用户的信息推送向量确定待推送用户的用户偏好信息，也即利用关系用户的信息推送向量对待推送用户进行电影偏好预测，提高了信息推送的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于关系网络的推荐模型训练方法或信息推送方法的一应用环境示意图；
图2是本发明一实施例中基于关系网络的推荐模型训练方法的一流程图；
图3是本发明一实施例中基于关系网络的推荐模型训练方法的一流程图；
图4是本发明一实施例中信息推送方法的一流程图；
图5是本发明一实施例中基于关系网络的推荐模型训练装置的一原理框图；
图6是本发明一实施例中基于关系网络的推荐模型训练装置的一原理框图；
图7是本发明一实施例中信息推送装置的一原理框图；
图8是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明实施例提供的基于关系网络的推荐模型训练方法，该基于关系网络的推荐模型训练方法可应用如图1所示的应用环境中。具体地，该基于关系网络的推荐模型训练方法应用在基于关系网络的推荐模型训练系统中，该基于关系网络的推荐模型训练系统包括如图1所示的客户端和服务器，客户端与服务器通过网络进行通信，用于解决模型预测准确率较低的问题。其中，客户端又称为用户端，是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种基于关系网络的推荐模型训练方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S10：获取样本用户的社会关系网络；所述社会关系网络包括与所述样本用户关联的多个关系层级，一个所述关系层级包含至少一个邻居用户，一个所述邻居用户关联一个邻居用户向量。
可以理解地，社会关系网络通过与样本用户具有直接关系(如亲人、朋友、同事等)或者间接关系(如亲人的朋友、同事的亲人等)的各邻居用户构建生成的，该社会关系网络中包含多个关系层级，示例性地，可以将与样本用户具有直接关系的邻居用户设置在第一关系层级，与第一关系层级中的邻居用户具有直接关系的其它邻居用户设置在第二关系层级等。邻居用户向量的实质为一个三元组，该邻居用户向量中包含与邻居用户对应的关系画像向量、商品画像向量以及商品画像评分。
在一实施例中，所述获取样本用户的社会关系网络之前，包括：
在用户属性库中获取与所述样本用户存在关联的邻居用户，并将各所述邻居用户插入至关系层级确定序列中。
可以理解地，用户属性库可以为样本用户所使用的社交平台。关系层级确定序列用于存储等到确定关系层级的邻居用户，可以通过随机插入的方式将各邻居用户插入关系层级确定序列中。
将与所述样本用户具有直接关系的邻居用户记录为第一关系层级，并将与所述第一关系层级的邻居用户存在直接关系的邻居用户记录为第二关系层级。
可以理解地，直接关系的关系人指的是与样本用户具有直接关联关系的邻居用户，示例性地，如样本用户的亲人、朋友、同事等，进而将该与样本用户具有直接关系的邻居用户记录为第一关系层级。进一步地，将与第一关系层级的邻居用户存在关联的邻居用户记录为第二关系层级，示例性地，如样本用户的配偶的父母、样本用户的朋友的朋友等。需要说明的是，在本实施例中仅仅只提出第一关系层级以及第二关系层级作为示例，也即还可以存在如与第二关系层级的邻居用户具有直接关系的邻居用户记录为第三关系层级，在此不再赘述。
在所述关系层级确定序列中的所有所述邻居用户的关系层级均确定完毕之后，确定所述样本用户的社会关系网络构建完成。
可以理解地，在关系层级确定序列中的所有邻居用户的关系层级均确定完毕之后，进而形成以样本用户为中心的社会关系网络，该社会关系网络中包含样本用户，与样本用户关联的邻居用户，以及与各邻居用户对应的关系层级。
在一实施例中，所述在所述关系层级确定序列中的所有所述邻居用户的关系层级均确定完毕之后，还包括：
自所述社会关系网络中，对各个关系层级的邻居用户进行人群聚类，确定与各所述邻居用户对应的关系画像向量。
可以理解地，针对于每一个邻居用户均具有与其对应的用户标签，该用户标签表征该邻居用户的个体信息，如性别，年龄，职业等，进而根据各邻居用户的个体信息对邻居用户进行分类，如按照年龄段，性别，职业等，进而对各个关系层级的邻居用户进行人群聚类，进而得到与各邻居用户对应的关系画像向量。
获取与所有所述邻居用户关联的商品信息，并对所述商品信息进行商品聚类，确定与各所述邻居用户对应的商品画像向量。
示例性地，在电影推荐场景下，商品信息可以根据邻居用户在各个线上电影售票平台的电影票购买记录，亦或者线下电影票购买记录等进行获取；在音乐推荐场景下，商品信息可以根据邻居用户在各个线上音乐平台的音乐播放记录，或者音乐专辑购买记录等进行获取，进而在获取与所有邻居用户关联的商品信息，对邻居用户的商品信息进行商品聚类，确定与邻居用户对应的商品画像向量。进一步地，如一个邻居用户可能看过或者浏览过多部电影，且一个电影可能属于多个电影类别，如一个电影可能同时具有科幻与恐怖两个电影类别标签，进而根据每一个邻居用户的商品信息，确定该邻居用户的商品信息中具体包含的商品类别，进而生成与各邻居用户对应的商品画像向量。
获取各所述邻居用户对与其关联的商品信息对应的商品评分，并根据各所述商品评分，确定各邻居用户对各所述商品画像向量的商品画像评分。
可以理解地，商品评分指的是邻居用户商品的个人评分；示例性地，在电影推荐场景中，商品评分可以为邻居用户对其看过的电影的评分，进而在对商品信息进行商品聚类，确定与各邻居用户对应的商品画像向量之后，由于该商品画像向量包含与其对应的邻居用户观看的所有商品类别，进而对属于同一商品类别的商品对应的商品评分进行加权平均，以确定各邻居用户对商品画像向量的商品画像评分。示例性地，在电影推荐场景中，假设一个邻居用户总共看过10部电影，这10部电影中总共包含科幻、动作、爱情三个电影类别，假设一部电影对应一种电影类别，且这10部电影中属于科幻类别的有6部，动作类别的有3部，爱情类别的有1部，则对于该邻居用户的商品画像向量中的科幻类别的评分为6部电影的商品评分的平均值，对于该邻居用户的商品画像向量中的动作类别的评分为3部电影的商品评分的平均值，对于该邻居用户的商品画像向量中的爱情类别的评分为1部电影的商品评分；进而根据这三种类别的分值确定各邻居用户对各商品画像向量的商品画像评分。
根据与各所述邻居用户对应的所述关系画像向量、商品画像向量以及所述商品画像评分，生成与各所述邻居用户关联的邻居用户向量。
在确定与各邻居用户对应的关系画像向量、商品画像向量以及商品画像评分之后，根据关系画像向量、商品画像向量以及商品画像评分，生成与各邻居用户关联的邻居用户向量。
S20：将各所述邻居用户向量输入至包含初始参数的初始推荐模型中，以根据各所述邻居用户向量生成与所述样本用户对应的样本用户向量；所述初始参数包含与各所述关系层级关联的关系层级权重。
可以理解地，初始推荐模型可以为XGBoost模型，或者基于图神经网络构建的模型。样本用户向量是通过对社会关系网络中的所有邻居用户的邻居用户向量进行聚合后得到的。关系层级权重指的是预先赋予给社会关系网络中每一关系层级的权重值，由于每一关系层级与样本用户之间的关系是不同的，第一关系层级与样本用户具有直接关系，因此对样本用户具有更大的影响力，进而可以赋予第一关系层级较高的关系层级权重，而随着关系层级的增加，与样本用户之间的关系越来越小，进而赋予社会关系网络中最外层的关系层级最低的关系层级权重。
在一实施例中，如图3所示，步骤S20中，也即所述将各所述邻居用户向量输入至包含初始参数的初始推荐模型中，以根据各所述邻居用户向量生成与所述样本用户对应的样本用户向量，包括：
S201：自所述社会关系网络的第一关系层级开始，将所述第一关系层级中的各邻居用户向量依次输入至所述初始推荐模型中，通过所述初始推荐模型中的平均聚合函数对第一关系层级中各所述邻居用户向量进行加密聚合处理，得到与所述第一关系层级对应的聚合向量。
可选地，平均聚合函数可以采用基于同态加密的平均聚合函数，以确保样本用户与邻居用户之间进行信息传递时的信息安全，提高信息传递的安全性，保护用户的隐私。
在一具体实施方式中，步骤S201中，包括：
接收自所述样本用户发送的密匙以及密钥，并将所述密匙发送至第一关系层级中的所有邻居用户，以令各所述邻居用户根据所述密匙对与其关联的邻居用户向量进行加密后输出。
可以理解地，密匙以及密钥是样本用户预先生成的一对加密钥匙，密匙用于令邻居用户对邻居用户向量进行加密，密钥用于解密。
具体地，在将第一关系层级中的各邻居用户向量依次输入至初始推荐模型中之后，接收自样本用户发送的密匙以及密钥，并将密匙发送至第一关系层级中的所有邻居用户，进而令第一关系层级中所有邻居用户根据密匙对与其关联的邻居用户向量进行加密，并将加密后的邻居用户向量输出。
接收所述第一关系层级中各邻居用户输出的加密后的邻居用户向量，并将加密后的各邻居用户向量发送至所述样本用户，以令所述样本用户通过同态加密算法对加密后的各邻居用户向量进行聚合处理，得到加密聚合向量并输出。
具体地，在令各所述邻居用户根据所述密匙对与其关联的邻居用户向量进行加密后输出之后，接收第一关系层级中各邻居用户输出的加密后的邻居用户向量，并将加密后的各邻居用户向量发送至样本用户，以令样本用户通过同态加密算法对加密后的各邻居用户向量进行聚合处理，得到加密聚合向量并输出。可以理解地，由于样本用户也拥有密匙以及密钥，因此可以由样本用户对加密后的各邻居用户向量进行聚合处理；此外，也可以在接收到第一关系层级中各邻居用户输出的加密后的邻居用户向量之后，直接通过同态加密算法对加密后的各邻居用户向量进行聚合处理，得到加密聚合向量。
接收所述样本用户输出的所述加密聚合向量，通过所述密钥对所述加密聚合向量进行解密，并根据解密后的加密聚合向量确定所述聚合向量。
具体地，在令所述样本用户通过同态加密算法对加密后的各邻居用户向量进行聚合处理，得到加密聚合向量并输出之后，接收样本用户输出的加密聚合向量，通过密钥对加密聚合向量进行解密处理，并根据解密后的加密聚合向量与第一关系层级中邻居用户的总数，确定聚合向量。
S202：在所述社会关系网络中所有所述关系层级均确定与其对应的聚合向量之后，根据与各关系层级对应的聚合向量以及所述关系层级权重，确定所述样本用户向量。
可以理解地，在本实施例中，在每确定一个关系层级对应的聚合向量之后，均更新样本用户向量，示例性地，在未确定第一关系层级对应的聚合向量之前，与样本用户对应的样本用户向量可以设定为空值；在第一关系层级对应的聚合向量确定完毕之后，则根据第一关系层级的聚合向量以及第一关系层级的关系层级权重更新聚合向量；在第二关系层级对应的聚合向量确定完毕之后，则将第二关系层级的聚合向量以及第二关系层级的关系层级权重通过concat函数加入至此时的聚合向量(此时的聚合向量也即根据第一关系层级的聚合向量以及第一关系层级的关系层级权重更新得到的)，进而在社会关系网络中所有关系层级均确定与其对应的聚合向量之后，也即根据所有关系层级对应的聚合向量以及关系权重更新最终的聚合向量之后，对该最终的聚合向量进行归一化处理，进而得到样本用户向量。
S30：根据所述样本用户向量，确定与所述样本用户对应的推荐预测值，并获取与所述样本用户对应的推荐真实值。
其中，推荐预测值指的是通过初始推荐模型根据邻居用户的邻居用户向量预测得到的，示例性地，在电影推荐场景下，该推荐预测值可以表征预测样本用户对各种电影类别的偏好评分。推荐真实值指的是样本用户对各类商品的真实评分，该推荐真实值可以通过根据样本用户商品购买记录等确定；示例性地，在电影推荐场景下，该推荐真实值可以表征样本用户对各种电影类别的真实偏好评分。
具体地，在将各所述邻居用户向量输入至包含初始参数的初始推荐模型中，以根据各所述邻居用户向量生成与所述样本用户对应的样本用户向量之后，将该样本用户向量接入至全连接层中，以通过全连接层根据样本用户向量，对样本用户的电影偏好进行预测，得到与各电影类别对应的预测评分，也即推荐预测值。
S40：根据所述推荐预测值以及所述推荐真实值，确定所述初始推荐模型的预测损失值。
具体地，在根据所述样本用户向量，确定与所述样本用户对应的推荐预测值，并获取与所述样本用户对应的推荐真实值之后，根据推荐预测值以及推荐真实值，例如在电影推荐场景中，根据同一电影类别，确定预测评分与样本用户对该类电影的真实评分之间的差距，进而确定初始推荐模型的预测损失值。
S50：在所述预测损失值未达到预设的收敛条件时，通过预设参数优化算法更新迭代各所述关系层级权重，直至所述预测损失值达到所述预设的收敛条件时，将收敛之后的所述初始推荐模型记录为社会化推荐模型。
可以理解地，该收敛条件可以为预测损失值小于设定阈值的条件，也即在预测损失值小于设定阈值时(或者各关系层级对应的关系层级权重收敛)，停止训练；收敛条件还可以为预测损失值经过了10000次计算后值为很小且不会再下降的条件，也即预测损失值经过10000次计算后值很小且不会下降时，停止训练，并将收敛之后的所述初始推荐模型记录为社会化推荐模型。
进一步地，根据推荐预测值以及推荐真实值，确定初始推荐模型的预测损失值之后，在预测损失值未达到预设的收敛条件时，根据该预测损失值通过预设参数优化算法更新迭代各关系层级权重，并将与样本用户对应的各邻居用户向量输入至包含初始参数的初始推荐模型中，以在该样本用户对应的预测损失值达到预设的收敛条件时，选取另一样本用户的社会关系网络进行训练，并执行上述步骤S10至S40，并得到与该样本用户对应的预测损失值，并在该预测损失值未达到预设的收敛条件时，根据该预测损失值再次通过预设参数优化算法更新迭代各所述关系层级权重，使得该样本用户对应的预测损失值达到预设的收敛条件。
如此，在通过不同的样本用户的社会关系网络对初始推荐模型进行训练之后，使得初始推荐模型输出的结果可以不断向准确地结果靠拢，让识别准确率越来越高，直至各样本用户对应的预测损失值均达到预设的收敛条件时，将收敛之后的所述初始推荐模型记录为社会化推荐模型。
进一步地，在本实施例中，预设参数优化算法可以采用基于差分隐私SGD方法优化关系层级权重，使得分配给每一关系层级的更适配的关系层级权重，进而可以提高初始推荐模型的预测准确率。
在本实施例中，通过引入社会关系网络，并对社会关系网络中不同关系层级的邻居用户赋予不同的关系层级权重，也即，在通过邻居用户的邻居用户向量生成与样本用户对应的样本用户向量，每一关系层级提供的信息(也即邻居用户向量)对样本用户的影响不同，离样本用户更近的关系层级的邻居用户提供的信息更具有价值(关系层级权重更高)，如此，通过上述关系层级权重的确定，可以提高初始推荐模型的准确率。进一步地，在初始推荐模型的预测准确率不满足需求时，通过预设参数优化算法更新迭代关系层级权重，使得关系层级权重适配于各关系层级，进而提高初始推荐模型的预测准确率。
在一实施例中，如图4所示，提出一种信息推送方法，包括：
S60：接收待推送用户发送的信息推送指令；所述信息推送指令中包含与所述待推送用户关联的用户关系网络；所述用户关系网络包括与所述待推送用户关联的多个用户层级，一个所述用户层级包含至少一个关系用户，一个所述关系用户关联的一个信息推送向量。
可以理解地，待推送用户为等待向其发送待推送信息的用户。信息推送指令可以在待推送用户上传用户关系网络之后自动生成，也可以由待推送用户通过移动终端等设备发送。用户关系网络通过与待推送用户具有直接关系(如亲人、朋友、同事等)或者间接关系(如亲人的朋友、同事的亲人等)的各关系用户构建生成的，该用户关系网络中包含多个用户层级，示例性地，可以将与待推送用户具有直接关系的关系用户设置在第一用户层级，与第一用户层级中的关系用户具有直接关系的其它关系用户设置在第二用户层级等。信息推送向量的实质为一个三元组，该信息推送向量中包含与关系用户对应的用户画像向量、用户商品画像向量以及用户商品评分。
S70：将各所述信息推送向量输入至社会化推荐模型中，以根据各所述信息推送向量确定所述待推送用户的用户偏好信息；所述社会化推荐模型是根据上述基于关系网络的推荐模型训练方法得到的。
具体地，在接收待推送用户发送的信息推送指令之后，将用户关系网络中各信息推送向量输入至社会化推荐模型中，以通过上述实施例中基于关系网络的推荐模型训练方法得到的社会化推荐模型，根据各社会化推荐模型对待推送用户进行电影偏好预测，得到与待推送用户对应的用户偏好信息。
S80：获取信息列表；所述信息列表中包含至少一个待推送信息。
示例性地，在电影推荐场景中，信息列表可以为电影信息列表，该电影信息列表中包含至少一个当前上映电影(也即上述待推送信息)，也即当前各大线上平台，或者线下平台在售电影票的电影；一个当前上映电影可以对应一个或者多个电影类别标签。
S90：根据所述用户偏好信息，对各所述待推送信息进行排序，得到信息推送序列，并将所述信息推送序列推送至所述待推送用户。
具体地，在获取信息列表之后，根据用户偏好信息，对待推送信息进行排序，也即根据用户偏好信息，确定待推送信息中待推送用户的感兴趣程度；示例性地，用户偏好信息中记录与各类信息对应的评分(该评分表征待推送用户对不同类别的信息的感兴趣程序，评分越高表明待推送用户越感兴趣)，进而根据待推送信息中以及用户偏好信息中各各类信息对应的评分，对各待推送信息进行排序(可以评分从高到低排序，也可以评分从低到高排序)，生成信息推送序列，进而将信息推送序列推送至待推送用户。示例性地，可以将该信息推送序列推送至待推送用户中，以令待推送用户根据该信息推送序列进行选择待推送信息，亦或者将信息推送序列中评分最高的待推送信息推送至待推送用户中。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种基于关系网络的推荐模型训练装置，该基于关系网络的推荐模型训练装置与上述实施例中基于关系网络的推荐模型训练方法一一对应。如图5所示，该装置包括模块社会关系网络获取模块10、样本用户向量生成模块20、电影偏好预测模块30、预测损失值确定模块40和模型收敛判定模块50。各功能模块详细说明如下：
社会关系网络获取模块10，用于获取样本用户的社会关系网络；所述社会关系网络包括与所述样本用户关联的多个关系层级，一个所述关系层级包含至少一个邻居用户，一个所述邻居用户关联一个邻居用户向量；
样本用户向量生成模块20，用于将各所述邻居用户向量输入至包含初始参数的初始推荐模型中，以根据各所述邻居用户向量生成与所述样本用户对应的样本用户向量；所述初始参数包含与各所述关系层级关联的关系层级权重；
电影偏好预测模块30，用于根据所述样本用户向量，确定与所述样本用户对应的推荐预测值，并获取与所述样本用户对应的推荐真实值；
预测损失值确定模块40，用于根据所述推荐预测值以及所述推荐真实值，确定所述初始推荐模型的预测损失值；
模型收敛判定模块50，用于在所述预测损失值未达到预设的收敛条件时，通过预设参数优化算法更新迭代各所述关系层级权重，直至所述预测损失值达到所述预设的收敛条件时，将收敛之后的所述初始推荐模型记录为社会化推荐模型。
优选地，基于关系网络的推荐模型训练装置还包括：
邻居用户获取模块，用于在用户属性库中获取与所述样本用户存在关联的邻居用户，并将各所述邻居用户插入至关系层级确定序列中；
关系层级确定模块，用于将与所述样本用户具有直接关系的邻居用户记录为第一关系层级，并将与所述第一关系层级的邻居用户存在直接关系的邻居用户记录为第二关系层级；
社会关系网络构建模块，用于在所述关系层级确定序列中的所有所述邻居用户的关系层级均确定完毕之后，确定所述样本用户的社会关系网络构建完成。
优选地，基于关系网络的推荐模型训练装置还包括：
人群聚类模块，用于自所述社会关系网络中，对各个关系层级的邻居用户进行人群聚类，确定与各所述邻居用户对应的关系画像向量；
商品聚类模块，用于获取与所有所述邻居用户关联的商品信息，并对所述商品信息进行商品聚类，确定与各所述邻居用户对应的商品画像向量；
商品评分确定模块，用于获取各所述邻居用户对与其关联的商品信息对应的商品评分，并根据各所述商品评分，确定各邻居用户对各所述商品画像向量的商品画像评分；
邻居用户向量生成模块，用于根据所述关系画像向量、商品画像向量以及所述商品画像评分，生成与各所述邻居用户关联的邻居用户向量。
优选地，如图6所示，样本用户向量生成模块20包括：
加密聚合单元201，用于自所述社会关系网络的第一关系层级开始，将所述第一关系层级中的各邻居用户向量依次输入至所述初始推荐模型中，通过所述初始推荐模型中的平均聚合函数对第一关系层级中各所述邻居用户向量进行加密聚合处理，得到与所述第一关系层级对应的聚合向量；
样本用户向量生成单元202，用于在所述社会关系网络中所有所述关系层级均确定与其对应的聚合向量之后，根据与各关系层级对应的聚合向量以及所述关系层级权重，确定所述样本用户向量。
优选地，加密聚合单元201包括：
密匙发送子单元，用于令所述样本用户将密匙发送至所述第一关系层级中的所有邻居用户，以令各所述邻居用户通过所述密匙，对与其关联的邻居用户向量进行加密后发送至所述样本用户；
加密聚合子单元，用于令所述样本用户通过同态加密算法聚合第一关系层级中所有所述邻居用户的邻居用户向量，得到加密聚合向量；
向量解密子单元，用于令所述样本用户通过与所述密匙对应的密钥，对所述加密聚合向量进行解密，并根据解密后的加密聚合向量确定所述聚合向量。
关于基于关系网络的推荐模型训练装置的具体限定可以参见上文中对于基于关系网络的推荐模型训练方法的限定，在此不再赘述。上述基于关系网络的推荐模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一实施例中，如图7所示，提出一种信息推送装置，包括：
信息推送指令接收模块60，用于接收待推送用户发送的信息推送指令；所述信息推送指令中包含与所述待推送用户关联的用户关系网络；所述用户关系网络包括与所述待推送用户关联的多个用户层级，一个所述用户层级包含至少一个关系用户，一个所述关系用户关联的一个信息推送向量；
用户偏好信息确定模块70，用于将各所述信息推送向量输入至社会化推荐模型中，以根据各所述信息推送向量确定所述待推送用户的用户偏好信息；所述社会化推荐模型是根据上述基于关系网络的推荐模型训练方法得到的；
信息列表获取模块80，用于获取信息列表；所述信息列表中包含至少一个待推送信息；
信息推送模块90，用于根据所述用户偏好信息，对各所述待推送信息进行排序，得到信息推送序列，并将所述信息推送序列推送至所述待推送用户。
关于信息推送装置的具体限定可以参见上文中对于信息推送方法的限定，在此不再赘述。上述信息推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储上述实施例中基于关系网络的推荐模型训练方法或信息推送方法所使用到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于关系网络的推荐模型训练方法，或一种信息推送方法。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述实施例中基于关系网络的推荐模型训练方法，或处理器执行计算机程序时实现上述实施例中信息推送方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于关系网络的推荐模型训练方法，或计算机程序被处理器执行时实现上述实施例中信息推送方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于关系网络的推荐模型训练方法，其特征在于，包括：
获取样本用户的社会关系网络；所述社会关系网络包括与所述样本用户关联的多个关系层级，一个所述关系层级包含至少一个邻居用户，一个所述邻居用户关联一个邻居用户向量；
将各所述邻居用户向量输入至包含初始参数的初始推荐模型中，以根据各所述邻居用户向量生成与所述样本用户对应的样本用户向量；所述初始参数包含与各所述关系层级关联的关系层级权重；
根据所述样本用户向量，确定与所述样本用户对应的推荐预测值，并获取与所述样本用户对应的推荐真实值；
根据所述推荐预测值以及所述推荐真实值，确定所述初始推荐模型的预测损失值；
在所述预测损失值未达到预设的收敛条件时，通过预设参数优化算法更新迭代各所述关系层级权重，直至所述预测损失值达到所述预设的收敛条件时，将收敛之后的所述初始推荐模型记录为社会化推荐模型。
2.如权利要求1所述的基于关系网络的推荐模型训练方法，其特征在于，所述获取样本用户的社会关系网络之前，包括：
在用户属性库中获取与所述样本用户存在关联的邻居用户，并将各所述邻居用户插入至关系层级确定序列中；
将与所述样本用户具有直接关系的邻居用户记录为第一关系层级，并将与所述第一关系层级的邻居用户存在直接关系的邻居用户记录为第二关系层级；
在所述关系层级确定序列中的所有所述邻居用户的关系层级均确定完毕之后，确定所述样本用户的社会关系网络构建完成。
3.如权利要求2所述的基于关系网络的推荐模型训练方法，其特征在于，所述在所述关系层级确定序列中的所有所述邻居用户的关系层级均确定完毕之后，包括：
自所述社会关系网络中，对各个关系层级的邻居用户进行人群聚类，确定与各所述邻居用户对应的关系画像向量；
获取与所有所述邻居用户关联的商品信息，并对所述商品信息进行商品聚类，确定与各所述邻居用户对应的商品画像向量；
获取各所述邻居用户对与其关联的商品信息对应的商品评分，并根据各所述商品评分，确定各邻居用户对各所述商品画像向量的商品画像评分；
根据与各所述邻居用户对应的所述关系画像向量、商品画像向量以及所述商品画像评分，生成与各所述邻居用户关联的邻居用户向量。
4.如权利要求1所述的基于关系网络的推荐模型训练方法，其特征在于，所述将各所述邻居用户向量输入至包含初始参数的初始推荐模型中，以根据各所述邻居用户向量生成与所述样本用户对应的样本用户向量，包括：
自所述社会关系网络的第一关系层级开始，将所述第一关系层级中的各邻居用户向量依次输入至所述初始推荐模型中，通过所述初始推荐模型中的平均聚合函数对第一关系层级中各所述邻居用户向量进行加密聚合处理，得到与所述第一关系层级对应的聚合向量；
在所述社会关系网络中所有所述关系层级均确定与其对应的聚合向量之后，根据与各关系层级对应的聚合向量以及所述关系层级权重，确定所述样本用户向量。
5.如权利要求4所述的基于关系网络的推荐模型训练方法，其特征在于，所述通过所述初始推荐模型中的平均聚合函数对第一关系层级中各所述邻居用户向量进行加密聚合处理，得到与所述第一关系层级对应的聚合向量，包括：
接收自所述样本用户发送的密匙以及密钥，并将所述密匙发送至第一关系层级中的所有邻居用户，以令各所述邻居用户根据所述密匙对与其关联的邻居用户向量进行加密后输出；
接收所述第一关系层级中各邻居用户输出的加密后的邻居用户向量，并将加密后的各邻居用户向量发送至所述样本用户，以令所述样本用户通过同态加密算法对加密后的各邻居用户向量进行聚合处理，得到加密聚合向量并输出；
接收所述样本用户输出的所述加密聚合向量，通过所述密钥对所述加密聚合向量进行解密，并根据解密后的加密聚合向量确定所述聚合向量。
6.一种信息推送方法，其特征在于，包括：
接收待推送用户发送的信息推送指令；所述信息推送指令中包含与所述待推送用户关联的用户关系网络；所述用户关系网络包括与所述待推送用户关联的多个用户层级，一个所述用户层级包含至少一个关系用户，一个所述关系用户关联一个信息推送向量；
将各所述信息推送向量输入至社会化推荐模型中，以根据各所述信息推送向量确定所述待推送用户的用户偏好信息；所述社会化推荐模型是根据如权利要求1至5任一项所述基于关系网络的推荐模型训练方法得到的；
获取信息列表；所述信息列表中包含至少一个待推送信息；
根据所述用户偏好信息，对各所述待推送信息进行排序，得到信息推送序列，并将所述信息推送序列推送至所述待推送用户。
7.一种基于关系网络的推荐模型训练装置，其特征在于，包括：
社会关系网络获取模块，用于获取样本用户的社会关系网络；所述社会关系网络包括与所述样本用户关联的多个关系层级，一个所述关系层级包含至少一个邻居用户，一个所述邻居用户关联一个邻居用户向量；
样本用户向量生成模块，用于将各所述邻居用户向量输入至包含初始参数的初始推荐模型中，以根据各所述邻居用户向量生成与所述样本用户对应的样本用户向量；所述初始参数包含与各所述关系层级关联的关系层级权重；
电影偏好预测模块，用于根据所述样本用户向量，确定与所述样本用户对应的推荐预测值，并获取与所述样本用户对应的推荐真实值；
预测损失值确定模块，用于根据所述推荐预测值以及所述推荐真实值，确定所述初始推荐模型的预测损失值；
模型收敛判定模块，用于在所述预测损失值未达到预设的收敛条件时，通过预设参数优化算法更新迭代各所述关系层级权重，直至所述预测损失值达到所述预设的收敛条件时，将收敛之后的所述初始推荐模型记录为社会化推荐模型。
8.一种信息推送装置，其特征在于，包括：
信息推送指令接收模块，用于接收待推送用户发送的信息推送指令；所述信息推送指令中包含与所述待推送用户关联的用户关系网络；所述用户关系网络包括与所述待推送用户关联的多个用户层级，一个所述用户层级包含至少一个关系用户，一个所述关系用户关联的一个信息推送向量；
用户偏好信息确定模块，用于将各所述信息推送向量输入至社会化推荐模型中，以根据各所述信息推送向量确定所述待推送用户的用户偏好信息；所述社会化推荐模型是根据如权利要求1至5任一项所述基于关系网络的推荐模型训练方法得到的；
信息列表获取模块，用于获取信息列表；所述信息列表中包含至少一个待推送信息；
信息推送模块，用于根据所述用户偏好信息，对各所述待推送信息进行排序，得到信息推送序列，并将所述信息推送序列推送至所述待推送用户。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至5任一项所述基于关系网络的推荐模型训练方法，或所述处理器执行所述计算机程序时实现如权利要求6所述信息推送方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于关系网络的推荐模型训练方法，或所述计算机程序被处理器执行时实现如权利要求6所述信息推送方法。
CN202110434646.0A 2021-04-22 2021-04-22 推荐模型训练、信息推送方法、装置、设备及介质 Pending CN113158047A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110434646.0A CN113158047A (zh) 2021-04-22 2021-04-22 推荐模型训练、信息推送方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110434646.0A CN113158047A (zh) 2021-04-22 2021-04-22 推荐模型训练、信息推送方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN113158047A true CN113158047A (zh) 2021-07-23

Family

ID=76869485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110434646.0A Pending CN113158047A (zh) 2021-04-22 2021-04-22 推荐模型训练、信息推送方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113158047A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592593A (zh) * 2021-07-29 2021-11-02 平安科技（深圳）有限公司 序列推荐模型的训练及应用方法、装置、设备及存储介质
CN116684480A (zh) * 2023-07-28 2023-09-01 支付宝(杭州)信息技术有限公司 信息推送模型的确定及信息推送的方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592593A (zh) * 2021-07-29 2021-11-02 平安科技（深圳）有限公司 序列推荐模型的训练及应用方法、装置、设备及存储介质
CN113592593B (zh) * 2021-07-29 2023-05-30 平安科技（深圳）有限公司 序列推荐模型的训练及应用方法、装置、设备及存储介质
CN116684480A (zh) * 2023-07-28 2023-09-01 支付宝(杭州)信息技术有限公司 信息推送模型的确定及信息推送的方法及装置
CN116684480B (zh) * 2023-07-28 2023-10-31 支付宝(杭州)信息技术有限公司 信息推送模型的确定及信息推送的方法及装置

Similar Documents

Publication Publication Date Title
Sun et al. A framework for recommending accurate and diverse items using bayesian graph convolutional neural networks
TWI689841B (zh) 資料加密、機器學習模型訓練方法、裝置及電子設備
WO2021114911A1 (zh) 用户风险评估方法及装置、电子设备、存储介质
WO2021120677A1 (zh) 一种仓储模型训练方法、装置、计算机设备及存储介质
Zhang et al. Cold-start recommendation using bi-clustering and fusion for large-scale social recommender systems
CN111967615A (zh) 基于特征抽取的多模型训练方法及系统、电子设备和介质
CN112132676B (zh) 联合训练目标模型的贡献度的确定方法、装置和终端设备
CN111553744A (zh) 联邦产品推荐方法、装置、设备及计算机存储介质
CN113158047A (zh) 推荐模型训练、信息推送方法、装置、设备及介质
CN111339412A (zh) 纵向联邦推荐召回方法、装置、设备及可读存储介质
WO2023024408A1 (zh) 用户特征向量确定方法、相关设备及介质
Devi et al. Smoothing approach to alleviate the meager rating problem in collaborative recommender systems
Rafi et al. Fairness and privacy preserving in federated learning: A survey
CN112989182B (zh) 信息处理方法、装置、信息处理设备及存储介质
Meryem et al. A novel approach in detecting intrusions using NSLKDD database and MapReduce programming
CN111161009B (zh) 信息推送方法、装置、计算机设备和存储介质
US20230214711A1 (en) Governance mechanisms for reuse of machine learning models and features
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN113112312B (zh) 针对用户生成模型的方法、装置和计算机可读存储介质
Wang et al. Prediction of purchase behaviors across heterogeneous social networks
CN113268563A (zh) 基于图神经网络的语义召回方法、装置、设备及介质
Lu et al. A Feature Distribution Smoothing Network Based on Gaussian Distribution for QoS Prediction.
CN117709444B (zh) 基于去中心化联邦学习的差分隐私模型更新方法以及系统
US20230267373A1 (en) End-to-end artificial intelligence system with universal training and deployment
CN115456731A (zh) 电力产品推荐方法、装置、计算机设备、存储介质

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