CN113365090A - 对象推荐方法、对象推荐装置、电子设备及可读存储介质 - Google Patents

对象推荐方法、对象推荐装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN113365090A
CN113365090A CN202110605889.6A CN202110605889A CN113365090A CN 113365090 A CN113365090 A CN 113365090A CN 202110605889 A CN202110605889 A CN 202110605889A CN 113365090 A CN113365090 A CN 113365090A
Authority
CN
China
Prior art keywords
user
similar
target
social
determining
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.)
Granted
Application number
CN202110605889.6A
Other languages
English (en)
Other versions
CN113365090B (zh
Inventor
李学兵
朱晓星
彭志洺
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110605889.6A priority Critical patent/CN113365090B/zh
Publication of CN113365090A publication Critical patent/CN113365090A/zh
Application granted granted Critical
Publication of CN113365090B publication Critical patent/CN113365090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/21—Server components or server architectures
    • H04N21/218—Source of audio or video content, e.g. local disk arrays
    • H04N21/2187—Live feed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/235—Processing of additional data, e.g. scrambling of additional data or processing content descriptors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
    • H04N21/4788—Supplemental services, e.g. displaying phone caller identification, shopping application communicating with other users, e.g. chatting

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开公开了对象推荐方法、对象推荐装置、电子设备及可读存储介质，涉及人工智能领域，尤其涉及大数据领域。具体实现方案为：根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定相似用户集，其中，用户社交向量用于表征用户社交互动属性，相似用户集包括一个或多个相似用户；根据每个相似用户与一个或多个候选对象之间的直播互动数据以及每个相似用户与目标用户之间的相似值，从多个候选对象中确定目标对象，其中，每个相似用户与目标用户之间的相似值是根据相似用户的用户社交向量和目标用户的用户社交向量得到的；向目标用户推荐目标对象。

Description

对象推荐方法、对象推荐装置、电子设备及可读存储介质
技术领域
本公开涉及人工智能技术领域，尤其涉及大数据领域。
背景技术
随着互联网技术的发展，直播已经成为一种新兴的娱乐方式，使得越来越多的用户选择通过直播平台观看直播来获取资源。直播可以利用在现场架设的信号采集设备，将采集到的视频和音频导入导播端，并通过网络发布至直播平台，供用户观看。
为了满足用户的个性化需求以提高用户粘性，可以采用向用户推荐目标对象的方式实现，其中，目标对象表征用户可能感兴趣的直播中的资源。
发明内容
本公开提供了一种对象推荐方法、对象推荐装置、电子设备及可读存储介质。
根据本公开的一方面，提供了一种对象推荐方法，包括：根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从上述用户集中确定相似用户集，其中，上述用户社交向量用于表征用户社交互动属性，上述相似用户集包括一个或多个相似用户；根据每个上述相似用户与一个或多个候选对象之间的直播互动数据以及每个上述相似用户与上述目标用户之间的相似值，从上述多个候选对象中确定目标对象，其中，每个上述相似用户与上述目标用户之间的相似值是根据上述相似用户的用户社交向量和上述目标用户的用户社交向量得到的；以及，向上述目标用户推荐上述目标对象。
根据本公开的另一方面，提供了一种对象推荐装置，包括：第一确定模块，用于根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从上述用户集中确定相似用户集，其中，上述用户社交向量用于表征用户社交互动属性，上述相似用户集包括一个或多个相似用户；第二确定模块，用于根据每个上述相似用户与一个或多个候选对象之间的直播互动数据以及每个上述相似用户与上述目标用户之间的相似值，从上述多个候选对象中确定目标对象，其中，每个上述相似用户与上述目标用户之间的相似值是根据上述相似用户的用户社交向量和上述目标用户的用户社交向量得到的；以及，推荐模块，用于向上述目标用户推荐上述目标对象。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如上所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行如上所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如上所述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1示意性示出了根据本公开实施例的可以应用对象推荐方法及装置的示例性系统架构；
图2示意性示出了根据本公开实施例的对象推荐方法的流程图；
图3示意性示出了根据本公开实施例的对象推荐方法的原理示意图；
图4示意性示出了根据本公开实施例的利用图嵌入处理社交关系模型，得到与每个用户节点所表征的用户对应的用户社交向量的流程图；
图5示意性示出了根据本公开实施例的用户社交向量生成过程的示意图；
图6示意性示出了根据本公开实施例的利用近似最近邻算法，根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定相似用户集的流程图；
图7示意性示出了根据本公开另一实施例的利用近似最近邻算法，根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定相似用户集的流程图；
图8示意性示出了根据本公开实施例的从多个候选对象中确定目标对象的流程图；
图9示意性示出了根据本公开实施例的对象推荐装置的框图；以及
图10示出了可以用来实施本公开的实施例的示例电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
直播是与录播视频、录播音频、图片和文字等资源具有较大区别的资源，其具有实时性较强和互动性较强等特点，由此，吸引了较多主播和用户的参与。直播可以包括直播视频或直播音频。
为了满足用户的个性化需求以提高用户粘性，可以采用向用户推荐目标对象的方式实现，其中，目标对象可以表征用户可能感兴趣的直播中的资源。相比于录播视频、录播音频、图片和文字等已经具有确定内容的资源，直播所具有的上述特点成为了实现推荐的难点。
由于协同过滤算法(Collaborative Filtering Algorithm，CFA)简单易于实现、需要的信息量较少且执行速度快，因此，可以采用基于协同过滤算法来实现对象推荐。协同过滤算法可以包括基于用户的协同过滤算法和基于项目的协同过滤算法。基于用户的协同过滤算法是通过发现与目标用户具有相似偏好的相似用户集，将相似用户集所包括的相似用户感兴趣的对象推荐给目标用户。该算法本质即是通过挖掘相似用户的历史项目特征信息，来有效的为目标用户提供推荐服务。
在实现本公开构思的过程中，发现采用基于用户的协同过滤算法向用户进行对象推荐的准确性欠佳。为了提高对象推荐的准确性，发现可以从如何能够更为精准地挖掘出体现用户感兴趣的对象的信息出发，并进一步发现由于用户的社交互动信息是可以体现用户感兴趣的对象的，因此，提出一种将用户的社交互动信息引入到对象推荐的方案。社交互动信息可以包括关注、打赏、评论、弹幕、点赞、收藏、分享和转发等信息中的至少一项。
本公开实施例提供了一种对象推荐方法、对象推荐装置、电子设备、存储有计算机指令的非瞬时计算机可读存储介质及计算机程序产品。该对象推荐方法包括：根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定相似用户集，其中，用户社交向量用于表征用户社交互动属性，相似用户集包括一个或多个相似用户，根据每个相似用户与一个或多个候选对象之间的直播互动数据以及每个相似用户与目标用户之间的相似值，从多个候选对象中确定目标对象，其中，每个相似用户与目标用户之间的相似值是根据相似用户的用户社交向量和目标用户的用户社交向量得到的，并向目标用户推荐目标对象。
需要说明的是，本公开实施例提供的技术方案可以适用于各种类型的直播平台，例如，适用于游戏类直播平台、电商类直播平台或娱乐类直播平台等。
图1示意性示出了根据本公开实施例的可以应用对象推荐方法及装置100的示例性系统架构。
需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用对象推荐方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的内容处理方法及装置。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如直播类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的对象推荐方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的对象推荐装置也可以设置于终端设备101、102、或103中。
或者，本公开实施例所提供的对象推荐方法一般也可以由服务器105执行。相应地，本公开实施例所提供的对象推荐装置一般可以设置于服务器105中。本公开实施例所提供的对象推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的对象推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
例如，服务器105根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定相似用户集，根据每个相似用户与一个或多个候选对象之间的直播互动数据以及每个相似用户与目标用户之间的相似值，从多个候选对象中确定目标对象，并向目标用户所在的终端设备101、102、103推荐目标对象。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量进行分析，并最终实现向目标用户所在的终端设备101、102、103推荐目标对象。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的对象推荐方法200的流程图。
如图2所示，该方法包括操作S210～S230。
在操作S210，根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定相似用户集，其中，用户社交向量用于表征用户社交互动属性，相似用户集包括一个或多个相似用户。
在操作S220，根据每个相似用户与一个或多个候选对象之间的直播互动数据以及每个相似用户与目标用户之间的相似值，从多个候选对象中确定目标对象，其中，每个相似用户与目标用户之间的相似值是根据相似用户的用户社交向量和目标用户的用户社交向量得到的。
在操作S230，向目标用户推荐目标对象。
根据本公开的实施例，目标用户可以表征需要进行对象推荐的用户。用户集可以包括多个用户。目标用户具有用于表征目标用户的用户社交互动属性的用户社交向量。用户集中的每个用户也具有用于表征该用户的用户社交互动属性的用户社交向量。用户社交互动属性可以包括用户的关注、打赏、评论、弹幕、点赞、收藏、分享和转发中的至少一项。用户社交向量可以是对用户社交关系信息进行特征提取后得到的向量。上述用户社交向量的生成方式仅是示例性实施例，但不限于此，还可以包括本领域已知的生成方式，只要能够实现用户社交向量生成即可。用户社交向量的维度可以根据实际业务需求进行配置，在此不作限定。例如，用户社交向量的维度可以为100维。
根据本公开的实施例，直播互动数据可以理解为相似用户在观看直播过程中，产生的与候选对象之间的互动数据。候选对象可以理解为是与相似用户之间具有直播互动数据的对象。直播互动数据的形式可以包括点击、关注、打赏、评论、点赞、收藏、分享和转发中的至少一项。不同直播互动数据的形式可以具有相同或不同的权重。每个相似用户可以具有与一个或多个候选对象之间的直播互动数据。不同相似用户可以具有与相同或不同的候选对象之间的直播互动数据，即，针对某个候选对象，可能存在一个或多个相似用户与该候选对象之间具有直播互动数据。候选对象的形式可以根据实际业务需求进行配置，在此不作限定。例如，候选对象的形式可以包括主播或与直播相关的内容。
根据本公开的实施例，可以获取目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量。获取目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量可以包括：响应于触发请求，获取目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量。触发请求可以是在检测到针对目标应用程序的开启操作被触发的情况下生成的。
根据本公开的实施例，在获取目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量之后，可以根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定包括一个或多个相似用户的相似用户集。相似用户可以理解为与目标用户之间的相似值满足预设条件的用户。
根据本公开的实施例，根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定相似用户集，可以包括：根据目标用户的用户社交向量和用户集所包括的部分用户的用户社交向量或全部用户的用户社交向量，确定目标用户与每个用户之间各自的相似值，或，目标用户与部分用户中的每个用户之间各自的相似值，并根据相似值，从用户集中确定相似用户集，其中，相似值表征两个用户之间的相似程度。相似值可以根据实际业务需求进行设定，在此不作限定。例如，相似值可以包括余弦相似度、皮尔逊相关系数、欧式距离或Jaccard距离。
根据本公开的实施例，根据相似值，从用户集中确定相似用户集，可以包括：对各个相似值进行排序，得到第一相似值排序结果，并根据第一相似值排序结果，从用户集中确定相似用户集。排序可以包括按照相似值由小到大的顺序进行排序或按照相似值由大到小的顺序进行排序。备选地，可以根据预设相似阈值和相似值，从用户集中确定相似用户集，其中，相似用户可以理解为预设相似阈值与用户集所包括的用户的相似值之间的关系满足预设关系的用户。预设相似阈值可以用于作为从用户集中确定相似用户集的依据之一。预设相似阈值的取值可以根据实际业务需求进行配置，在此不作限定。例如，预设相似阈值可以为0.6。
根据本公开的实施例，由于候选对象可以理解为是与相似用户之间具有直播互动数据的对象，因此，可以根据相似用户集，确定候选对象集，候选对象集可以包括一个或多个候选对象，即，将与相似用户集中的相似用户产生了直播互动数据的对象确定为候选对象集中的候选对象。可以获取相似用户集所包括的每个相似用户与一个或多个候选对象之间的直播互动数据。在此基础上，可以根据每个相似用户与一个或多个候选对象之间的直播互动数据和每个相似用户与目标用户之间的相似值，得到每个候选对象的推荐值，根据多个推荐值，从多个候选对象中确定用于向目标用户推荐的目标对象，目标对象的数量可以包括一个或多个。可以以对象列表的形式存储和展示目标对象。
根据本公开的实施例，上述对象推荐方法还可以包括展示目标对象。
下面参考图3，结合具体实施例对图2所示的方法做进一步说明。
图3示意性示出了根据本公开实施例的对象推荐方法的原理示意图。
如图3的示例所示，用户集301包括100个用户，分别为用户3001、用户3002、......、用户3099和用户3100。例如，用户3010与候选对象303A之间具有直播互动数据。用户3012分别与候选对象303A和候选对象303B之间具有直播互动数据。
根据目标用户的用户社交向量和用户集301所包括的每个用户的用户社交向量，从用户集301中确定用户3010和用户3012为相似用户，因此相似用户集302可以包括用户3010和用户3012。
根据相似用户集302，确定候选对象集303。在以上示例中，候选对象集303可以包括候选对象303A和候选对象303B，其中，用户3010与候选对象303A相关，用户3012与候选对象303A和候选对象303B相关联。
根据目标用户与每个相似用户之间的相似值和每个相似用户与候选对象之间的直播互动数据，可以得到每个候选对象的推荐值。由于候选对象303A的推荐值大于候选对象303B的推荐值，因此，从候选对象303A和候选对象303B中确定目标对象为候选对象303A。
根据本公开的实施例，由于是利用用于表征用户社交互动属性的用户社交向量来从用户集中确定与目标用户对应的相似用户集，因此，相似用户集是与目标用户具有相似社交互动属性的用户集。在此基础上，根据相似用户集的直播互动数据和每个相似用户与目标用户之间的相似值，确定用于向目标用户推荐的目标对象，提高了对象推荐的准确性，因而，至少部分地克服了对象推荐的准确性欠佳的技术问题。
根据本公开的实施例，上述对象推荐方法还可以包括如下操作。
利用社交关系模型，得到用户社交向量。社交关系模型包括多个用户节点、多个资源节点和多个边，每个边用于表征连接的两个节点之间的互动操作，两个节点包括一个用户节点和一个资源节点或两个用户节点。
根据本公开的实施例，社交关系模型可以包括两种类型的节点，即，用户节点和资源节点，其中，用户节点可以表征用户，资源节点可以表征资源，同时，社交关系模型还包括用于表征连接两个节点之间的互动操作的边。例如，边用于表征连接的一个用户节点和一个资源节点之间的互动操作，即，用户节点所表征的用户对资源节点所表征的资源产生的互动操作，或，资源节点所表征的资源对用户节点所表征的用户产生的互动操作。此外，边用于表征连接的两个用户节点之间的互动操作，即，一个用户节点所表征的用户对另一个用户节点所表征的用户产生的互动操作。
根据本公开的实施例，可以从目标数据源获取目标数据，根据目标数据，构建社交关系模型。目标数据源可以包括直播应用程序或其他应用程序。由于同一用户在不同应用程序中可能使用不同的用户标识来表征，而当构建社交关系模型时，需要将同一用户在不同应用程序的数据进行聚合分析，因此，当构建社交关系模型时，可以将同一用户在不同应用程序中的用户标识进行关联，并使用统一的用户标识表征，以便于利用社交关系模型，得到用户社交向量。
根据本公开的实施例，利用社交关系模型，得到用户社交向量，可以包括如下操作。
利用图嵌入处理社交关系模型，得到与每个用户节点所表征的用户对应的用户社交向量。
根据本公开的实施例，图嵌入(Graph Embedding)是一种有效分析图类型数据的手段，它将复杂的图结构数据转化为低维空间向量，并最大程度保留原始图的拓扑结构信息和各类属性信息。图嵌入可以包括基于游走的图嵌入、直接定义损失函数的图嵌入或利用图神经网络模型的图嵌入。可以根据实际业务需求确定图嵌入的方式，在此不作限定。
需要说明的是，在本公开实施例的技术方案中，所涉及的用户集、社交关系模型和相似用户与一个或多个候选对象之间的直播互动数据的获取、存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
根据本公开的实施例，资源节点所表征的资源是来自直播应用程序和其他应用程序中的资源，资源包括如下至少一项：视频、音频、图片和文字。
根据本公开的实施例，视频可以包括直播视频和录播视频。音频可以包括直播音频和录播音频。用户节点所表征的用户可以是来自直播应用程序和其他应用程序中的用户。
根据本公开的实施例，由于是从直播应用程序和其他应用程序来获取资源的，因此，用户社交向量融合了不同场景下的社交互动属性，在此基础上，利用用户社交向量来进行目标对象的推荐，提高了对象推荐的准确性。
根据本公开的实施例，上述对象推荐方法还可以包括如下操作。
在满足模型更新条件的情况下，对社交关系模型进行更新。
根据本公开的实施例，模型更新条件可以包括模型更新周期或是否获取到新的节点和边，其中，模型更新周期可以根据实际业务需求进行配置，在此不作限定。新的节点可以包括新的用户节点和/或新的资源节点。相应的，满足模型更新条件可以包括满足模型更新周期或获取到新的节点和边。
根据本公开的实施例，确定是否满足模型更新条件。如果满足模型更新条件，则对社交关系模型进行更新。如果不满足模型更新条件，则维持社交关系模型不变。对社交关系模型进行更新，可以包括：重新训练社交关系模型或对社交关系模型进行局部调整。
根据本公开的实施例，通过对社交关系模型进行调整，使得其能够与实际应用更加匹配，由此，进一步提高对象推荐的准确性。
根据本公开的实施例，上述对象推荐方法还可以包括如下操作。
根据用户筛选条件，构建用户集。用户筛选条件包括观看直播时长与观看直播时长阈值，和/或，观看直播频次与观看直播频次阈值。
根据本公开的实施例，用户筛选条件可以作为从初始用户集中确定用户集的依据。观看直播时长阈值和观看直播频次阈值的取值可以根据实际业务需求进行配置，在此不作限定。例如，观看直播时长阈值可以为5分钟。观看直播频次阈值可以为10次。
根据本公开的实施例，观看直播时长可以包括预设时间段的单次观看直播时长、预设时间段内的累计观看直播时长或预设时间段内的累计观看直播时长的平均值。预设时间段的单次观看直播时长可以包括预设时间段内的最长观看直播时长。观看直播频次可以包括预设时间段内的累计观看直播频次。
根据用户筛选条件构建用户集可以包括：针对初始用户集所包括的每个初始用户，在确定该初始用户的观看直播时长大于或等于观看直播时长阈值和/或该初始用户的观看直播频次大于或等于观看直播频次阈值的情况下，将该初始用户确定为用户集中的用户。
根据本公开的实施例，上述所述的社交关系模型中的用户节点所表征的用户可以是来自初始用户集中的用户。
根据本公开的实施例，操作S210可以包括如下操作。
利用近似最近邻算法，根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定相似用户集。
根据本公开的实施例，近似最近邻(Approximate Nearest Neighbor，ANN)算法是指用于解决最近邻搜索问题的近似算法。近似最近邻算法可以包括基于树的近似最近邻算法、基于哈希的近似最近邻算法、基于矢量量化的近似最近邻算法或基于近邻图的近似最近邻算法。树可以包括KD-Tree、Ball-Tree或Annoy。可以根据实际业务需求确定用于处理目标用户的用户社交向量和每个用户的用户社交向量的近似最近邻算法，在此不作限定。
根据本公开的实施例，利用近似最近邻算法来处理目标用户的用户社交向量和每个用户的用户社交向量，可以提高确定效率。
下面参考图4～图8，结合具体实施例对图2所示的方法做进一步说明。
图4示意性示出了根据本公开实施例的利用图嵌入处理社交关系模型，得到与每个用户节点所表征的用户对应的用户社交向量400的流程图。
如图4所示，该方法包括操作S410～S420。
在操作S410，根据社交关系模型和与每个用户节点对应的边的权重，得到与每个用户节点对应的用户序列。
在操作S420，对与每个用户节点对应的用户序列进行处理，得到与每个用户节点所表征的用户对应的用户社交向量。
根据本公开的实施例，例如，利用基于游走的图嵌入来处理社交关系模型，得到与每个用户节点所表征的用户对应的用户社交向量，可以包括：根据与每个用户节点对应的边的权重来确定在社交关系模型上的游走路径，根据游走路径，得到与每个用户节点对应的用户序列。利用预设模型处理每个用户序列，得到与每个用户节点所表征的用户相对应的用户社交向量。该边连接的两个节点在图上的距离可以用来表示边的权重。本领域技术人可以理解，该边连接的两个节点的结构相似程度越高，该边连接的两个节点的距离越大，该边的权重越大。
图5示意性示出了根据本公开实施例的用户社交向量生成过程500的示意图。
如图5所示，从目标数据源501获取目标数据502，其中，目标数据源501包括直播应用程序5010和其他应用程序5011。目标数据502包括用户5020、资源5021和互动操作5022。
对目标数据502进行处理，得到社交关系模型503。社交关系模型包括多个用户节点、多个资源节点和多个边，其中，用户节点例如包括用户节点5030、用户节点5032和用户节点5033。资源节点例如包括资源节点5031和资源节点5034。连接用户节点5030与用户节点5032的边表征用户节点5030与用户节点5032之间的互动操作为打赏。连接用户节点5030与用户节点5033的边表征用户节点5030与用户节点5033之间的互动操作为关注。连接用户节点5030与资源节点5031的边表征用户节点5030与资源节点5031之间的互动操作为评论。连接用户节点5030与资源节点5034的边表征用户节点5030与资源节点5034之间的互动操作为转发。
利用图嵌入对社交关系模型进行处理，得到与每个用户节点所表征的用户对应的用户社交向量。根据多个用户社交向量，构成用户社交向量集504。用户社交向量集504可以包括多个用户社交向量，例如，包括用户社交向量5040、用户社交向量5041、用户社交向量5042、......。
图6示意性示出了根据本公开实施例的利用近似最近邻算法，根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定相似用户集600的流程图。
如图6所示，该方法包括操作S611～S612。
在操作S611，根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，确定目标用户与每个用户之间各自的第一相似值。
在操作S612，利用基于哈希的近似最近邻算法，根据相似用户集确定条件，从用户集中确定相似用户集。相似用户集确定条件包括目标用户的用户社交向量、用户集所包括的每个用户的用户社交向量和目标用户与每个用户之间各自的第一相似值。
根据本公开的实施例，根据相似用户集确定条件，从用户集中确定相似用户集，可以包括：根据相似用户集确定条件，从用户集中确定第一初始相似用户集。根据第一相似值，从第一初始相似用户集中确定相似用户集。根据第一相似值，从第一初始相似用户集中确定相似用户集，可以包括：对各个第一相似值进行排序，得到第二相似值排序结果，根据第二相似值排序结果，从第一初始相似用户集中确定相似用户集。备选地，根据第一预设相似阈值和第一相似值，从第一初始相似用户集中确定相似用户集。
根据本公开的实施例，操作S612可以包括如下操作。
根据相似用户集确定条件，从用户集中确定第一初始相似用户集。然后，根据第一预设相似阈值和第一相似值，从第一初始相似用户集中确定相似用户集。
根据本公开的实施例，第一预设相似阈值可以用于作为从第一初始相似用户集中确定相似用户集的依据之一。第一预设相似阈值的取值可以根据实际业务需求进行配置，在此不作限定。例如，第一预设相似阈值可以为0.6。
根据相似用户集确定条件，从用户集中确定第一初始相似用户集，可以包括：利用目标哈希函数将目标用户的用户社交向量转换为目标用户的哈希向量。利用目标哈希函数将用户集所包括的每个用户的用户社交向量转换为用户的哈希向量。第一初始相似用户集可以包括一个或多个第一初始相似用户，第一初始相似用户是具有与目标用户的哈希向量一致的哈希向量的用户。根据第一预设阈值和目标用户与第一初始相似用户集所包括的每个第一初始相似用户之间各自的第一相似值，从第一初始相似用户集中确定相似用户集。
根据本公开的实施例，根据第一预设相似阈值和第一相似值，从第一初始相似用户集中确定相似用户集，可以包括：针对每个第一相似值，在确定第一相似值大于或等于第一预设相似阈值的情况下，将第一初始相似用户集中与第一相似值对应的第一初始相似用户确定为相似用户集中的相似用户。
图7示意性示出了根据本公开另一实施例的利用近似最近邻算法，根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定相似用户集700的流程图。
如图7所示，该方法包括操作S711～S713。
在操作S711，利用基于矢量量化的近似最近邻算法，根据用户集所包括的每个用户的用户社交向量，确定用户集所包括的一个或多个聚类中心。
在操作S712，根据目标用户的用户社交向量和每个聚类中心的用户社交向量，确定目标用户与每个聚类中心之间各自的第二相似值。
在操作S713，根据第二相似值，从用户集中确定相似用户集。
根据本公开的实施例，可以利用聚类算法处理用户集所包括的每个用户的用户社交向量，得到用户集所包括的一个或多个聚类中心。聚类算法可以包括K均值聚类算法、K中心聚类算法、CLARA(Clustering LARge Application)算法或模糊C均值算法。
根据本公开的实施例，根据第二相似值，从用户集中确定相似用户集，可以包括：对各个第二相似值进行排序，得到第三相似值排序结果，根据第三相似值排序结果，从用户集中确定相似用户集。备选地，可以根据第二预设相似阈值和第二相似值，从用户集中确定相似用户集。
根据本公开的实施例，操作S713可以包括如下操作。
根据第二相似值，从用户集中确定第二初始相似用户集。然后，根据目标用户的用户社交向量和第二初始相似用户集所包括的每个初始相似用户的用户社交向量，确定目标用户与每个初始相似用户之间各自的第三相似值。接下来，根据第二预设相似阈值和第三相似值，从第二初始相似用户集中确定相似用户集。
根据本公开的实施例，第二预设相似阈值可以用于作为从第二初始相似用户集中确定相似用户集的依据之一。第二预设相似阈值的取值可以根据实际业务需求进行配置，在此不作限定。例如，第二预设相似阈值可以为0.6。
根据第二相似值，从用户集中确定第二初始相似用户集，可以理解为根据目标用户与每个聚类中心之间各自的第二相似值，确定目标聚类中心，并将与目标聚类中心对应的用户集确定为第二初始相似用户集。
根据本公开的实施例，根据第二预设相似阈值和第三相似值，从第二初始相似用户集中确定相似用户集，可以包括：针对每个第三相似值，在确定第三相似值大于或等于第二预设相似阈值的情况下，将第二初始相似用户集中与第三相似值对应的初始相似用户确定为相似用户集中的相似用户。其中，第二初始相似用户集所包括的每个初始相似用户可以称为第二初始相似用户。
图8示意性示出了根据本公开实施例的从多个候选对象中确定目标对象800的流程图。
如图8所示，该方法包括操作S821～S823。
在操作S821，针对多个候选对象中的每个候选对象，将每个目标相似用户与候选对象之间的直播互动数据和目标相似用户与目标用户之间的相似值相乘，得到乘积。目标相似用户是与候选对象之间具有直播互动数据的相似用户。
在操作S822，根据各个乘积，确定候选对象的推荐值。
在操作S823，根据多个推荐值，从多个候选对象中确定目标对象。
根据本公开的实施例，目标相似用户的数量可以包括一个或多个。根据各个乘积，确定候选对象的推荐值，可以包括：将各个乘积相加，得到相加之和，将相加之和确定为候选对象的推荐值。其中，推荐值与推荐程度之间的关系可以根据实际业务需求进行配置，在此不作限定。例如，候选对象的推荐值越大，候选对象的推荐程度越高。或，候选对象的推荐值越小，候选对象的推荐程度越高。
根据本公开的实施例，例如，包括4个候选对象，分别为候选对象A、候选对象B、候选对象C和候选对象D。包括5个相似用户，分别为相似用户a、相似用户b、相似用户c、相似用户d和相似用户e。
相似用户a分别与候选对象A和候选对象B之间具有直播互动数据IAa和直播互动数据IBa。相似用户b分别与候选对象B、候选对象C和候选对象D之间具有直播互动数据IBb、直播互动数据ICb和直播互动数据IDb。相似用户c分别与候选对象B和候选对象D之间具有直播互动数据IBc和直播互动数据IDc。相似用户d与候选对象A之间具有直播互动数据IAd。相似用户e分别与候选对象C和候选对象D之间具有直播互动数据ICe和直播互动数据IDe。
目标用户与相似用户a之间的相似值为相似值S1、目标用户与相似用户b之间的相似值为相似值S2、目标用户与相似用户c之间的相似值为相似值S3、目标用户与相似用户d之间的相似值为相似值S4和目标用户与相似用户e之间的相似值为相似值S5。
针对候选对象A，确定与候选对象A对应的目标相似用户包括相似用户a和相似用户d。将直播互动数据IAa与相似值S1相乘，得到第一乘积IAa*S1，将直播互动数据IAd与相似值S4相乘，得到第二乘积IAd*S4。将第一乘积和第二乘积相加，得到第一相加之和IAa*S1+IAd*S4，将第一相加之和确定为候选对象A的推荐值RA＝IAa*S1+IAd*S4。
针对候选对象B，确定与候选对象B对应的目标相似用户包括相似用户a、相似用户b和相似用户c。将直播互动数据IBa与相似值S1相乘，得到第三乘积IBa*S1，将直播互动数据IBb与相似值S2相乘，得到第四乘积IBb*S2，将直播互动数据IBc与相似值S3相乘，得到第五乘积IBc*S3。将第三乘积、第四乘积和第五乘积相加，得到第二相加之和IBa*S1+IBb*S2+IBc*S3，将第二相加之和确定为候选对象B的推荐值RB＝IBa*S1+IBb*S2+IBc*S3。
针对候选对象C，确定与候选对象C对应的目标相似用户包括相似用户b和相似用户e。将直播互动数据ICb与相似值S2相乘，得到第六乘积ICb*S2，将直播互动数据ICe与相似值S5相乘，得到第七乘积ICe*S5。将第六乘积和第七乘积相加，得到第三相加之和ICb*S2+ICe*S5，将第三相加之和确定为候选对象C的推荐值RC＝ICb*S2+ICe*S5。
针对候选对象D，确定与候选对象D对应的目标相似用户包括相似用户b、相似用户c和相似用户e。将直播互动数据IDb与相似值S2相乘，得到第八乘积IDb*S2，将直播互动数据IDc与相似值S3相乘，得到第九乘积IDc*S3，将直播互动数据IDe与相似值S5相乘，得到第十乘积IDe*S5。将第八乘积、第九乘积和第十乘积相加，得到第四相加之和IDb*S2+IDc*S3+IDe*S5，将第四相加之和确定为候选对象D的推荐值RD＝IDb*S2+IDc*S3+IDe*S5。
根据推荐值RA、推荐值RB、推荐值RC和推荐值RD，从候选对象A、候选对象B、候选对象C和候选对象D中确定目标对象。
根据本公开的实施例，根据多个推荐值，从多个候选对象中确定目标对象，可以包括如下操作。
根据多个推荐值和候选对象的排序结果，从多个候选对象中确定目标对象。
根据本公开的实施例，候选对象的排序结果可以用于表征初步推荐结果。候选对象的排序结果可以是利用预先训练得到的排序模型对候选对象进行排序得到的，即，是利用预先训练得到的排序模型得到候选对象的排序值，根据候选对象的排序值，对候选对象进行排序得到的。排序值与推荐程度之间的关系可以根据实际业务需求进行配置，在此不作限定。例如，候选对象的排队值越大，候选对象的推荐程度越高。或，候选对象的排序值越小，候选对象的推荐程度越高。在获得针对每个候选对象的推荐值之后，可以结合候选对象的排序结果，从多个候选对象中确定目标对象。例如，可以根据将候选对象的推荐值和排序值相乘得到的乘积，从多个候选对象中确定目标对象。
例如，候选对象的排队值越大，候选对象被推荐的可能性越高。候选对象的推荐值越大，候选对象被推荐的可能性越高。在以上示例中，候选对象A、候选对象C、候选对象B和候选对象D的排序值依次增大，同时，候选对象A、候选对象B、候选对象C和候选对象D的推荐值依次增大。根据上述四个候选对象的推荐值和排序值，可以确定从上述四个候选对象中确定目标对象为候选对象D。
根据本公开的实施例，上述对象推荐方法还可以包括如下操作。
根据多个推荐值对候选对象的排序结果进行调整。
根据本公开的实施例，由于推荐值可以用于表征候选对象的推荐程度，因此，可以根据推荐值对候选对象的排序结果进行调整，以使得候选对象的排序结果更为准确。
图9示意性示出了根据本公开实施例的对象推荐装置900的框图。
如图9所示，对象推荐装置900可以包括第一确定模块910、第二确定模块920和推荐模块930。
第一确定模块910，用于根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定相似用户集，其中，用户社交向量用于表征用户社交互动属性，相似用户集包括一个或多个相似用户。
第二确定模块920，用于根据每个相似用户与一个或多个候选对象之间的直播互动数据以及每个相似用户与目标用户之间的相似值，从多个候选对象中确定目标对象，其中，每个相似用户与目标用户之间的相似值是根据相似用户的用户社交向量和目标用户的用户社交向量得到的。
推荐模块930，用于向目标用户推荐目标对象。
根据本公开的实施例，上述对象推荐装置900还可以包括获得模块。
获得模块，用于利用社交关系模型，得到用户社交向量，其中，社交关系模型包括多个用户节点、多个资源节点和多个边，每个边用于表征连接的两个节点之间的互动操作，两个节点包括一个用户节点和一个资源节点或两个用户节点。
根据本公开的实施例，获得模块可以包括第一获得子模块。
第一获得子模块，用于利用图嵌入处理所述社交关系模型，得到与每个所述用户节点所表征的用户对应的用户社交向量。
根据本公开的实施例，第一获得子模块可以包括第一获得单元和第二获得单元。
第一获得单元，用于根据社交关系模型和与每个用户节点对应的边的权重，得到与每个用户节点对应的用户序列。
第二获得单元，用于对与每个用户节点对应的用户序列进行处理，得到与每个用户节点所表征的用户对应的用户社交向量。
根据本公开的实施例，上述对象推荐装置900还可以包括更新模块。
更新模块，用于在满足模型更新条件的情况下，对社交关系模型进行更新。
根据本公开的实施例，资源节点所表征的资源是来自直播应用程序和其他应用程序中的资源，资源包括如下至少一项：视频、音频、图片和文字。
根据本公开的实施例，上述对象推荐装置900还可以包括构建模块。
构建模块，用于根据用户筛选条件，构建用户集，其中，用户筛选条件包括观看直播时长与观看直播时长阈值，和/或，观看直播频次与观看直播频次阈值。
根据本公开的实施例，第一确定模块910可以包括第一确定子模块。
第一确定子模块，用于利用近似最近邻算法，根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从用户集中确定相似用户集。
根据本公开的实施例，第一确定子模块可以包括第一确定单元和第二确定单元。
第一确定单元，用于根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，确定目标用户与每个用户之间各自的第一相似值。
第二确定单元，用于利用基于哈希的近似最近邻算法，根据相似用户集确定条件，从用户集中确定相似用户集，其中，相似用户集确定条件包括目标用户的用户社交向量、用户集所包括的每个用户的用户社交向量和目标用户与每个用户之间各自的第一相似值。
根据本公开的实施例，第二确定单元可以包括第一确定子单元和第二确定子单元。
第一确定子单元，用于根据相似用户集确定条件，从用户集中确定第一初始相似用户集。
第二确定子单元，用于根据第一预设相似阈值和第一相似值，从第一初始相似用户集中确定相似用户集。
根据本公开的实施例，第一确定子模块可以包括第三确定单元、第四确定单元和第五确定单元。
第三确定单元，用于利用基于矢量量化的近似最近邻算法，根据用户集所包括的每个用户的用户社交向量，确定用户集所包括的一个或多个聚类中心。
第四确定单元，用于根据目标用户的用户社交向量和每个聚类中心的用户社交向量，确定目标用户与每个聚类中心之间各自的第二相似值。
第五确定单元，用于根据第二相似值，从用户集中确定相似用户集。
根据本公开的实施例，第五确定单元可以包括第三确定子单元、第四确定子单元和第五确定子单元。
第三确定子单元，用于根据第二相似值，从用户集中确定第二初始相似用户集。
第四确定子单元，用于根据目标用户的用户社交向量和第二初始相似用户集所包括的每个初始相似用户的用户社交向量，确定目标用户与每个初始相似用户之间各自的第三相似值。
第五确定子单元，用于根据第二预设相似阈值和第三相似值，从第二初始相似用户集中确定相似用户集。
根据本公开的实施例，第二确定模块920可以包括第二获得子模块、第二确定子模块和第三确定子模块。
第二获得子模块，用于针对多个候选对象中的每个候选对象，将每个目标相似用户与候选对象之间的直播互动数据和目标相似用户与目标用户之间的相似值相乘，得到乘积，其中，目标相似用户是与候选对象之间具有直播互动数据的相似用户。
第二确定子模块，用于根据各个乘积，确定候选对象的推荐值。
第三确定子模块，用于根据多个推荐值，从多个候选对象中确定目标对象。
根据本公开的实施例，第三确定子模块可以包括第六确定单元。
第六确定单元，用于根据多个推荐值和候选对象的排序结果，从多个候选对象中确定目标对象。
根据本公开的实施例，上述对象推荐装置900还可以包括调整模块。
调整模块，用于根据多个推荐值对候选对象的排序结果进行调整。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。
根据本公开的实施例，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如对象推荐方法。例如，在一些实施例中，对象推荐方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的对象推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行对象推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (20)

1.一种对象推荐方法，包括：
根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从所述用户集中确定相似用户集，其中，所述用户社交向量用于表征用户社交互动属性，所述相似用户集包括一个或多个相似用户；
根据每个所述相似用户与一个或多个候选对象之间的直播互动数据以及每个所述相似用户与所述目标用户之间的相似值，从所述多个候选对象中确定目标对象，其中，每个所述相似用户与所述目标用户之间的相似值是根据所述相似用户的用户社交向量和所述目标用户的用户社交向量得到的；以及
向所述目标用户推荐所述目标对象。
2.根据权利要求1所述的方法，还包括：
利用社交关系模型，得到所述用户社交向量，其中，所述社交关系模型包括多个用户节点、多个资源节点和多个边，每个所述边用于表征连接的两个节点之间的互动操作，所述两个节点包括一个所述用户节点和一个所述资源节点或两个所述用户节点。
3.根据权利要求2所述的方法，其中，所述利用社交关系模型，得到所述用户社交向量，包括：
利用图嵌入处理所述社交关系模型，得到与每个所述用户节点所表征的用户对应的用户社交向量。
4.根据权利要求3所述的方法，其中，所述利用图嵌入处理所述社交关系模型，得到与每个所述用户节点对应的用户社交向量，包括：
根据所述社交关系模型和与每个所述用户节点对应的边的权重，得到与每个所述用户节点对应的用户序列；以及
对与每个所述用户节点对应的用户序列进行处理，得到与每个所述用户节点所表征的用户对应的用户社交向量。
5.根据权利要求2～4中任一项所述的方法，还包括：
在满足模型更新条件的情况下，对所述社交关系模型进行更新。
6.根据权利要求1～5中任一项所述的方法，其中，所述资源节点所表征的资源是来自直播应用程序和其他应用程序中的资源，所述资源包括如下至少一项：视频、音频、图片和文字。
7.根据权利要求1～5中任一项所述的方法，还包括：
根据用户筛选条件，构建所述用户集，其中，所述用户筛选条件包括观看直播时长与观看直播时长阈值，和/或，观看直播频次与观看直播频次阈值。
8.根据权利要求1～5中任一项所述的方法，其中，所述根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从所述用户集中确定相似用户集，包括：
利用近似最近邻算法，根据所述目标用户的用户社交向量和所述用户集所包括的每个用户的用户社交向量，从所述用户集中确定相似用户集。
9.根据权利要求8所述的方法，其中，所述利用近似最近邻算法，根据所述目标用户的用户社交向量和所述用户集所包括的每个用户的用户社交向量，从所述用户集中确定相似用户集，包括：
根据所述目标用户的用户社交向量和所述用户集所包括的每个用户的用户社交向量，确定所述目标用户与所述每个用户之间各自的第一相似值；
利用基于哈希的近似最近邻算法，根据相似用户集确定条件，从所述用户集中确定所述相似用户集，其中，所述相似用户集确定条件包括所述目标用户的用户社交向量、所述用户集所包括的每个用户的用户社交向量和所述目标用户与所述每个用户之间各自的第一相似值。
10.根据权利要求9所述的方法，其中，所述根据相似用户集确定条件，从所述用户集中确定所述相似用户集，包括：
根据所述相似用户集确定条件，从所述用户集中确定第一初始相似用户集；以及
根据第一预设相似阈值和所述第一相似值，从所述第一初始相似用户集中确定所述相似用户集。
11.根据权利要求8所述的方法，其中，所述利用近似最近邻算法，根据所述目标用户的用户社交向量和所述用户集所包括的每个用户的用户社交向量，从所述用户集中确定相似用户集，包括：
利用基于矢量量化的近似最近邻算法，根据所述用户集所包括的每个用户的用户社交向量，确定所述用户集所包括的一个或多个聚类中心；
根据所述目标用户的用户社交向量和每个所述聚类中心的用户社交向量，确定所述目标用户与每个所述聚类中心之间各自的第二相似值；以及
根据所述第二相似值，从所述用户集中确定所述相似用户集。
12.根据权利要求11所述的方法，其中，所述根据所述第二相似值，从所述用户集中确定所述相似用户集，包括：
根据所述第二相似值，从所述用户集中确定第二初始相似用户集；
根据所述目标用户的用户社交向量和所述第二初始相似用户集所包括的每个初始相似用户的用户社交向量，确定所述目标用户与所述每个初始相似用户之间各自的第三相似值；以及
根据第二预设相似阈值和所述第三相似值，从所述第二初始相似用户集中确定所述相似用户集。
13.根据权利要求1～5中任一项所述的方法，其中，所述根据每个所述相似用户与一个或多个候选对象之间的直播互动数据以及每个所述相似用户与所述目标用户之间的相似值，从所述多个候选对象中确定目标对象，包括：
针对所述多个候选对象中的每个候选对象，将每个目标相似用户与所述候选对象之间的直播互动数据和所述目标相似用户与所述目标用户之间的相似值相乘，得到乘积，其中，所述目标相似用户是与所述候选对象之间具有直播互动数据的相似用户；
根据各个所述乘积，确定所述候选对象的推荐值；以及
根据多个所述推荐值，从所述多个候选对象中确定所述目标对象。
14.根据权利要求13所述的方法，其中，所述根据多个所述推荐值，从所述多个候选对象中确定所述目标对象，包括：
根据多个所述推荐值和所述候选对象的排序结果，从所述多个候选对象中确定所述目标对象。
15.根据权利要求14所述的方法，还包括：
根据多个所述推荐值对所述候选对象的排序结果进行调整。
16.一种对象推荐装置，包括：
第一确定模块，用于根据目标用户的用户社交向量和用户集所包括的每个用户的用户社交向量，从所述用户集中确定相似用户集，其中，所述用户社交向量用于表征用户社交互动属性，所述相似用户集包括一个或多个相似用户；
第二确定模块，用于根据每个所述相似用户与一个或多个候选对象之间的直播互动数据以及每个所述相似用户与所述目标用户之间的相似值，从所述多个候选对象中确定目标对象，其中，每个所述相似用户与所述目标用户之间的相似值是根据所述相似用户的用户社交向量和所述目标用户的用户社交向量得到的；以及
推荐模块，用于向所述目标用户推荐所述目标对象。
17.根据权利要求16所述的装置，还包括：
获得模块，用于利用社交关系模型，得到所述用户社交向量，其中，所述社交关系模型包括多个用户节点、多个资源节点和多个边，每个所述边用于表征连接的两个节点之间的互动操作，所述两个节点包括一个所述用户节点和一个所述资源节点或两个所述用户节点。
18.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1～15中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1～15中任一项所述的方法。
20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1～15中任一项所述的方法。
CN202110605889.6A 2021-05-31 2021-05-31 对象推荐方法、对象推荐装置、电子设备及可读存储介质 Active CN113365090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110605889.6A CN113365090B (zh) 2021-05-31 2021-05-31 对象推荐方法、对象推荐装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110605889.6A CN113365090B (zh) 2021-05-31 2021-05-31 对象推荐方法、对象推荐装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113365090A true CN113365090A (zh) 2021-09-07
CN113365090B CN113365090B (zh) 2022-11-18

Family

ID=77530755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110605889.6A Active CN113365090B (zh) 2021-05-31 2021-05-31 对象推荐方法、对象推荐装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113365090B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114205653A (zh) * 2021-12-06 2022-03-18 广东飞翔云计算有限公司 一种基于大数据的预览视频推送方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130117265A1 (en) * 2010-08-06 2013-05-09 Nec Corporation Communication assistance device, communication assistance method, and computer readable recording medium
CN104317900A (zh) * 2014-10-24 2015-01-28 重庆邮电大学 一种面向社交网络的多属性协同过滤推荐方法
CN109118379A (zh) * 2017-06-22 2019-01-01 腾讯科技（深圳）有限公司 基于社交网络的推荐方法和装置
CN109241425A (zh) * 2018-08-31 2019-01-18 腾讯科技（深圳）有限公司 一种资源推荐方法、装置、设备及存储介质
CN111222053A (zh) * 2019-11-27 2020-06-02 腾讯音乐娱乐科技（深圳）有限公司 一种对象推荐方法、装置以及相关设备
CN111556327A (zh) * 2020-04-02 2020-08-18 北京达佳互联信息技术有限公司 直播间推荐方法、装置、终端、服务器、系统及存储介质
CN112328865A (zh) * 2019-07-31 2021-02-05 北京达佳互联信息技术有限公司 信息处理和推荐方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130117265A1 (en) * 2010-08-06 2013-05-09 Nec Corporation Communication assistance device, communication assistance method, and computer readable recording medium
CN104317900A (zh) * 2014-10-24 2015-01-28 重庆邮电大学 一种面向社交网络的多属性协同过滤推荐方法
CN109118379A (zh) * 2017-06-22 2019-01-01 腾讯科技（深圳）有限公司 基于社交网络的推荐方法和装置
CN109241425A (zh) * 2018-08-31 2019-01-18 腾讯科技（深圳）有限公司 一种资源推荐方法、装置、设备及存储介质
CN112328865A (zh) * 2019-07-31 2021-02-05 北京达佳互联信息技术有限公司 信息处理和推荐方法、装置、设备及存储介质
CN111222053A (zh) * 2019-11-27 2020-06-02 腾讯音乐娱乐科技（深圳）有限公司 一种对象推荐方法、装置以及相关设备
CN111556327A (zh) * 2020-04-02 2020-08-18 北京达佳互联信息技术有限公司 直播间推荐方法、装置、终端、服务器、系统及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114205653A (zh) * 2021-12-06 2022-03-18 广东飞翔云计算有限公司 一种基于大数据的预览视频推送方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113365090B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN113301442B (zh) 确定直播资源的方法、设备、介质及程序产品
CN112035683A (zh) 用户交互信息处理模型生成方法和用户交互信息处理方法
CN109471978B (zh) 一种电子资源推荐方法及装置
CN110020162B (zh) 用户识别方法和装置
CN112100489B (zh) 对象推荐的方法、装置和计算机存储介质
CN109377401B (zh) 一种数据处理方法、装置、系统、服务器及存储介质
CN107710262B (zh) 利用网页脚本对网站的客户端会话进行分段的系统和方法
CN112818224B (zh) 信息推荐方法、装置、电子设备及可读存储介质
CN111246257B (zh) 视频推荐方法、装置、设备及存储介质
CN112241327A (zh) 分享信息处理方法、装置、存储介质与电子设备
KR20240054365A (ko) 다중 프로필을 제공하는 방법 및 시스템
CN113365090B (zh) 对象推荐方法、对象推荐装置、电子设备及可读存储介质
CN108521366A (zh) 表情推送方法和电子设备
CN114391144A (zh) 信息推送方法、装置、电子设备及计算机可读介质
CN115329078B (zh) 文本数据处理方法、装置、设备以及存储介质
CN116597443A (zh) 素材标签处理方法、装置、电子设备及介质
US11855945B2 (en) Method, computer device, and non-transitory computer-readable recording medium to pick and display message in messaging-based social network service
CN113435523B (zh) 预测内容点击率的方法、装置、电子设备以及存储介质
US20190089659A1 (en) Bursty detection for message streams
JP6129815B2 (ja) 情報処理装置、方法及びプログラム
CN113961797A (zh) 资源推荐方法、装置、电子设备和可读存储介质
CN113722593A (zh) 事件数据处理方法、装置、电子设备和介质
CN114969493A (zh) 一种内容推荐方法和相关装置
CN112100507A (zh) 对象推荐的方法、计算设备和计算机可读存储介质
CN113704596A (zh) 用于生成召回信息集合的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant