CN113505214B - 内容推荐方法、装置、计算机设备和存储介质 - Google Patents

内容推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113505214B
CN113505214B CN202110736636.2A CN202110736636A CN113505214B CN 113505214 B CN113505214 B CN 113505214B CN 202110736636 A CN202110736636 A CN 202110736636A CN 113505214 B CN113505214 B CN 113505214B
Authority
CN
China
Prior art keywords
node
vector
matrix
feature
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.)
Active
Application number
CN202110736636.2A
Other languages
English (en)
Other versions
CN113505214A (zh
Inventor
陈嘉真
徐凯波
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 Mininglamp Software System Co ltd
Original Assignee
Beijing Mininglamp Software System 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 Mininglamp Software System Co ltd filed Critical Beijing Mininglamp Software System Co ltd
Priority to CN202110736636.2A priority Critical patent/CN113505214B/zh
Publication of CN113505214A publication Critical patent/CN113505214A/zh
Application granted granted Critical
Publication of CN113505214B publication Critical patent/CN113505214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/35—Clustering; Classification
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种内容推荐方法、装置、计算机设备和存储介质。方法包括：根据用户知识图谱中的各个特征节点之间的互信息进行无监督学习，生成各个特征节点对应的表示向量，使用了用户知识图谱中所有的特征节点以及周边信息，最大程度利用上用户知识图谱全图的结构信息，在经过无监督学习之后的用户知识图谱中，确定目标对象对应的目标向量以及待预测物料对应的待预测向量，根据目标向量与待预测向量之间的匹配度，确定目标对象对待预测物料可能感兴趣的程度，将目标对象可能感兴趣的待预测物料对应的推送内容推送至目标对象对应的终端，为目标对象提供其可能感兴趣的推送内容。

Description

内容推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及数据推荐技术领域，尤其涉及一种内容推荐方法、装置、计算机设备和存储介质。
背景技术
现有的结合知识图谱和推荐系统的算法包括MKR、KGCN、RippleNet、KGAT等等，这些算法有的只使用和推荐系统中物料相关的知识图谱节点周边信息进行训练(如MKR|KGCN|RippleNet)，有的是借鉴图预训练技术来对推荐系统损失函数做正则化(KGAT)。只使用知识图谱中和物料相关的节点以及周边信息进行训练会很大程度上丢失了知识图谱全图的结构信息，从而不能充分的利用知识图谱带给推荐系统的优势。
发明内容
为了解决上述技术问题，本申请提供了一种内容推荐方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种内容推荐方法，包括：
对用户知识图谱中各个特征节点进行无监督学习，得到各个特征节点对应的表示向量，其中，所述特征节点为用户节点或物料节点；
根据所述用户知识图谱中各个特征节点对应的表示向量，确定目标对象对应的目标向量以及待预测物料对应的待预测向量；
确定所述目标向量与所述待预测向量之间的匹配度；
将所述匹配度满足推荐条件的待预测物料对应的推送内容，推送至所述目标对象对应的终端。
在一实施方式中，所述对用户知识图谱中各个特征节点进行无监督学习，得到各个特征节点对应的表示向量，包括：
根据所述用户知识图谱中各个特征节点，确定节点特征矩阵和所述节点特征矩阵对应的邻接矩阵，其中，所述节点特征矩阵包含各个所述特征节点对应的初始向量；
对所述节点特征矩阵进行随机变换，得到负例特征矩阵；
根据所述负例特征矩阵和所述邻接矩阵，调节所述节点特征矩阵中各个特征节点对应的初始向量，得到各个特征节点对应的表示向量。
在一实施方式中，所述根据所述负例特征矩阵和所述邻接矩阵，调节所述节点特征矩阵中各个特征节点对应的初始向量，得到各个特征节点对应的表示向量，包括：
对所述节点特征矩阵和所述邻接矩阵进行编码处理，得到第一隐式矩阵；
对所述负例特征矩阵和所述邻接矩阵进行编码处理，得到第二隐式矩阵；
根据所述第一隐式矩阵和所述第二隐式矩阵，确定损失函数的熵；
根据所述损失函数的熵调节所述特征节点对应的初始向量；
在所述损失函数的熵符合预设条件的情况下，确定各个所述特征节点对应的表示向量。
在一实施方式中，所述根据所述用户知识图谱中各个特征节点对应的表示向量，确定目标对象对应的目标向量，包括：
在所述用户知识图谱中，将所述目标对象相匹配的特征节点作为中心节点；
将与所述中心节点存在邻接关系的特征节点作为相邻节点；
获取所述目标对象以及所述相邻节点对应的表示向量；
对各个所述相邻节点对应的表示向量进行加权聚合，得到邻域向量；
根据所述目标对象对应的表示向量和所述邻域向量，确定所述目标对象对应的目标向量。
在一实施方式中，所述对对各个所述相邻节点对应的表示向量进行加权聚合，得到邻域向量，包括：
根据所述中心节点与所述相邻节点之间的关系，确定所述中心节点与所述相邻节点之间的相似度，其中，所述中心节点与所述相邻节点之间的相似度，作为所述相邻节点对应的权重；
按照各个所述相邻节点对应的权重，对各个所述相邻节点对应的表示向量进行加权求和，得到所述邻域向量。
在一实施方式中，所述根据所述目标对象对应的表示向量和所述邻域向量，确定所述目标对象对应的目标向量，包括：
将所述目标对象对应的表示向量与所述邻域向量的和，作为激活函数的输入参数，得到输出向量，其中，所述输出向量作为所述目标对象对应的目标向量。
在一实施方式中，所述确定所述目标向量与所述待预测向量之间的匹配度，包括：
将所述目标向量和所述待预测向量作为输入参数，输入至预设推荐模型中，得到所述目标向量与所述待预测向量之间的匹配度。
第二方面，本申请提供了一种内容推荐装置，包括：
学习模块，用于对用户知识图谱中各个特征节点进行无监督学习，得到各个特征节点对应的表示向量，其中，所述特征节点为用户节点或物料节点；
向量确定模块，用于根据所述用户知识图谱中各个特征节点对应的表示向量，确定目标对象对应的目标向量以及待预测物料对应的待预测向量；
匹配模块，用于确定所述目标向量与所述待预测向量之间的匹配度；
推送模块，用于将所述匹配度满足推荐条件的待预测物料对应的推送内容，推送至所述目标对象对应的终端。
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，所述处理器执行所述计算机程序时实现以下步骤：
对用户知识图谱中各个特征节点进行无监督学习，得到各个特征节点对应的表示向量，其中，所述特征节点为用户节点或物料节点；
根据所述用户知识图谱中各个特征节点对应的表示向量，确定目标对象对应的目标向量以及待预测物料对应的待预测向量；
确定所述目标向量与所述待预测向量之间的匹配度；
将所述匹配度满足推荐条件的待预测物料对应的推送内容，推送至所述目标对象对应的终端。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对用户知识图谱中各个特征节点进行无监督学习，得到各个特征节点对应的表示向量，其中，所述特征节点为用户节点或物料节点；
根据所述用户知识图谱中各个特征节点对应的表示向量，确定目标对象对应的目标向量以及待预测物料对应的待预测向量；
确定所述目标向量与所述待预测向量之间的匹配度；
将所述匹配度满足推荐条件的待预测物料对应的推送内容，推送至所述目标对象对应的终端。
上述内容推荐方法应用于推荐技术领域用于优化推荐算法，根据用户知识图谱中的各个特征节点之间的互信息进行无监督学习，生成各个特征节点对应的表示向量，使用了用户知识图谱中所有的特征节点以及周边信息，最大程度利用上用户知识图谱全图的结构信息，从而充分利用用户知识图谱给推荐系统引入了更多的语义关系、提供了不同的关系连接种类，可以深层次地发现用户兴趣，并有利于推荐结果的发散。在经过无监督学习之后的用户知识图谱中，确定目标对象对应的目标向量以及待预测物料对应的待预测向量，根据目标向量与待预测向量之间的匹配度，确定目标对象对待预测物料可能感兴趣的程度，将目标对象可能感兴趣的待预测物料对应的推送内容推送至目标对象对应的终端，为目标对象提供其可能感兴趣的推送内容。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为一个实施例中内容推荐方法的应用环境图；
图2为一个实施例中内容推荐方法的流程示意图；
图3为一个实施例中用户知识图谱的数据结构示意图；
图4为一个实施例中内容推荐装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
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的一部分实施例，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做出创造性劳动的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为一个实施例中内容推荐方法的应用环境图。参照图1，该内容推荐方法应用于内容推荐系统。该内容推荐系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端，移动终端具体可以为手机、平板电脑、笔记本电脑等中的至少一种。服务器120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。
在一个实施例中，图2为一个实施例中一种内容推荐方法的流程示意图，参照图2，提供了一种内容推荐方法。本实施例主要以该方法应用于上述图1中的服务器120来举例说明，该内容推荐方法具体包括如下步骤：
步骤S210，对用户知识图谱中各个特征节点进行无监督学习，得到各个特征节点对应的表示向量，其中，所述特征节点为用户节点或物料节点。
在本实施例中，用户知识图谱包括多个特征节点以及各个特征节点之间的关系，对用户知识图谱中各个特征节点进行无监督学习，也就是以无监督的方式去学习特征节点的嵌入向量，为用户知识图谱中的每个实体和关系学习生成一个表示向量，同时保持图中原有的结构或语义信息，进行无监督的特征学习算法包括DGI(DEEP GRAPH INFOMAX)、Deepwalk、node2vev、sdne、VGAE或EP等，最终得到的特征节点对应的表示向量可以表示特征节点与其相邻特征节点之间的相互关系。
步骤S220，根据所述用户知识图谱中各个特征节点对应的表示向量，确定目标对象对应的目标向量以及待预测物料对应的待预测向量。
在本实施例中，在用户知识图谱中查找与待预测物料相匹配的物料节点，并将该物料节点对应的表示向量作为待预测向量。根据目标对象对应的表示向量以及目标对象周围的特征节点对应的表示向量，确定目标对象对应的目标向量，目标向量为融合了目标对象周围特征节点的特征信息以及目标对象与周围特征节点之间关系的向量。
步骤S230，确定所述目标向量与所述待预测向量之间的匹配度。
在本实施例中，匹配度用于指示目标对象对于待预测物料感兴趣的程度。
步骤S240，将所述匹配度满足推荐条件的待预测物料对应的推送内容，推送至所述目标对象对应的终端。
在本实施例中，匹配度满足推荐条件包括：将匹配度大于或等于推荐阈值的待预测物料对应的推送内容作为待推送内容；将各个待预测物料与目标对象之间的匹配度进行降序排列，将排列组合中匹配度最高的待预测物料对应的推送内容作为待推送内容，或，将排列组合中匹配度位于前N名的待预测物料对应的推送内容作为待推送内容，其中，N为正整数。再将待推送内容推送至目标对象对应的终端，从而为用户提供其可能感兴趣的内容。
在一个实施例中，所述对用户知识图谱中各个特征节点进行无监督学习，得到各个特征节点对应的表示向量，包括：根据所述用户知识图谱中各个特征节点，确定节点特征矩阵和所述节点特征矩阵对应的邻接矩阵，其中，所述节点特征矩阵包含各个所述特征节点对应的初始向量；对所述节点特征矩阵进行随机变换，得到负例特征矩阵；根据所述负例特征矩阵和所述邻接矩阵，调节所述节点特征矩阵中各个特征节点对应的初始向量，得到各个特征节点对应的表示向量。
在本实施例中，根据用户知识图谱的图结构数据构建节点特征矩阵和邻接矩阵，节点特征矩阵记为X，N为节点特征矩阵中的节点数，/>代表特征节点i的初始向量，F为特征节点对应的特征长度，邻接矩阵记为A，A∈RN×N，其中默认所有处理的图是无权图，且邻接矩阵中的值为0或1。
保持邻接矩阵不变，对节点特征矩阵中的行数据进行随机变化，即对节点特征矩阵进行扰动，得到负例特征矩阵根据节点特征矩阵X、邻接矩阵A以及负例特征矩阵/>调节节点特征矩阵中各个特征节点对应的初始向量，最终得到各个特征节点对应的表示向量。
在一个实施例中，所述根据所述负例特征矩阵和所述邻接矩阵，调节所述节点特征矩阵中各个特征节点对应的初始向量，得到各个特征节点对应的表示向量，包括：对所述节点特征矩阵和所述邻接矩阵进行编码处理，得到第一隐式矩阵；对所述负例特征矩阵和所述邻接矩阵进行编码处理，得到第二隐式矩阵；根据所述第一隐式矩阵和所述第二隐式矩阵，确定损失函数的熵；根据所述损失函数的熵调节所述特征节点对应的初始向量；在所述损失函数的熵符合预设条件的情况下，确定各个所述特征节点对应的表示向量。
在本实施例中，基于GCN图神经网络对节点特征矩阵和邻接矩阵进行编码处理，得到第一隐式矩阵H， 表示将特征节点i以及其周围邻居的信息整合起来形成一个节点向量，/>通过不断聚合特征节点i周围的邻居来完成特征学习，并总结了以特征节点i为中心的图的一个区域信息。
同理，对负例特征矩阵和邻接矩阵进行编码处理，得到第二隐式矩阵其中，/>
根据第一隐式矩阵H确定用户知识图谱全图对应的摘要向量其中R为简单的取平均方程，即根据第一隐式矩阵中所有特征节点对应的表示向量取平均，则得到表示整个图的全局信息的摘要向量，根据第一隐式矩阵和摘要向量形成正样本对/>根据第二隐式矩阵和摘要向量形成负样本对/>通过判别器D对样本对进行打分，得到和/>将第一隐私矩阵、第二隐式矩阵以及摘要向量带入损失函数中确定损失函数的熵，损失函数如下：
通过损失函数可以有效地最大化和/>之间的互信息，通过梯度下降法最小化损失函数更新E、R、D中的参数，从而达到调节初始向量的效果，将损失函数的熵为最小值时各个特征节点所对应的向量作为表示向量。
在一个实施例中，所述根据所述用户知识图谱中各个特征节点对应的表示向量，确定目标对象对应的目标向量，包括：在所述用户知识图谱中，将所述目标对象相匹配的特征节点作为中心节点；将与所述中心节点存在邻接关系的特征节点作为相邻节点；获取所述目标对象以及所述相邻节点对应的表示向量；对各个所述相邻节点对应的表示向量进行加权聚合，得到邻域向量；根据所述目标对象对应的表示向量和所述邻域向量，确定所述目标对象对应的目标向量。
在本实施例中，相邻节点为在用户知识图谱中位于中心节点的周围，并与中心节点直接或间接相连的特征节点，对各个所述相邻节点对应的表示向量进行加权聚合得到领域向量，就是利用中心节点周围的相邻节点信息的线性组合来刻画中心节点的领域信息，再将领域向量与目标对象对应的表示向量进行结合，从而得到目标对象对应的目标向量，目标向量用于指示在用户知识图谱内中心节点所处区域内的领域信息的集合，以便辅助提升推荐内容的多样性。
在一个实施例中，所述对对各个所述相邻节点对应的表示向量进行加权聚合，得到邻域向量，包括：根据所述中心节点与所述相邻节点之间的关系，确定所述中心节点与所述相邻节点之间的相似度，其中，所述中心节点与所述相邻节点之间的相似度，作为所述相邻节点对应的权重；按照各个所述相邻节点对应的权重，对各个所述相邻节点对应的表示向量进行加权求和，得到所述邻域向量。
在本实施例中，将中心节点记为u，中心节点与相邻节点之间的关系记为r，中心节点与关系之间的分数为该分数用于表示中心节点u对于不同关系的偏好程度，根据中心节点与不同关系之间的分数确定各个相邻节点相对于中心节点的权重，计算如下：
其中，N(v)为所有和节点v存在邻接关系的节点集合，e用于指示相邻节点对应的表示向量，rv,e表示节点v和节点e之间的关系，这里的节点v用于泛指中心节点u与周围的相邻节点e经过加权聚合后的节点，该节点根据迭代加权后的结果进行更新，即根据中心节点与其周围的相邻节点进行加权聚合后视为一个节点，在将该节点重新作为中心节点与周围的相邻节点继续进行加权聚合，从而逐渐扩大用户知识图谱中结构数据的利用率。
对各个所述相邻节点对应的表示向量进行加权求和，得到所述邻域向量，领域向量计算公式如下：
根据领域向量来刻画节点v的领域信息，包含了所有位于中心节点u周围的相邻节点的节点信息。
在一个实施例中，所述根据所述目标对象对应的表示向量和所述邻域向量，确定所述目标对象对应的目标向量，包括：将所述目标对象对应的表示向量与所述邻域向量的和，作为激活函数的输入参数，得到输出向量，其中，所述输出向量作为所述目标对象对应的目标向量。
在本实施例中，将目标对象对应的表示向量与领域向量组合形成目标向量的方式，具体包括求和方式、组合方式、邻近替换方式，其中，求和方式就是将目标对象对应的表示向量与所述邻域向量的和，作为激活函数的输入参数，计算方式如下：
其中，w和b用于指示待学习的训练参数，σ为Sigmoid函数，在中心节点u未与周围相邻节点进行加权聚合的情况下，v用于指示中心节点的初始向量；在中心节点u已与周围相邻节点进行加权聚合之后的情况下，v用于指示加权聚合后的表示向量。
组合方式为将目标对象对应的表示向量与所述邻域向量进行拼接之后，输入至激活函数，计算方式如下：
邻近替换方式就是将领域向量作为输入参数，输入至激活函数中，计算方式如下：
激活函数的输出参数即为目标向量。
在中心节点u周围存在多个相邻节点的情况下，为了减少计算量，则选取k个相邻节点进行计算，则领域向量为其中：
S(v)→{e|e∈N(v)},|S(v)|＝k
在根据领域向量与中心节点对应的表示向量进行聚合的时候，则根据替换作为激活函数的输入参数。
其中，各个相连节点与中心节点之间的距离为h，例如h＝1，表示相邻节点为相对于中心节点的一阶节点；若h＝2，表示相邻节点为相对于中心节点的二阶节点。如图3所示，k＝6，中心节点先根据与一阶节点之间的关系，分别确定两个一阶节点各自对应的权重，再根据一阶节点以及一阶节点对应的权重进行加权求和，得到一阶邻域向量，利用一阶领域向量与中心节点对应的表示向量输入至激活函数中，得到中心节点对应的一阶目标向量，此时需要将中心节点以及其周围参与聚合计算的一阶节点集合视为一个新的节点，将一阶目标向量作为新的节点的初始向量，再按照上述流程对新的节点周围的二阶节点进行迭代加权聚合，从而得到二阶目标向量。
以此类推，中心节点周围存在多少阶级的相邻节点，就需要迭代加权多少次，最终得到一个集合了中心节点周围节点信息的目标向量。
在一个实施例中，所述确定所述目标向量与所述待预测向量之间的匹配度，包括：将所述目标向量和所述待预测向量作为输入参数，输入至预设推荐模型中，得到所述目标向量与所述待预测向量之间的匹配度。
在本实施例中，预设推荐模型具体可以为任意能够实现预测概率的函数或模型，预设推荐模型具体包括回归模型和分类模型，将目标向量和待预测向量输入至分类模型和回归模型中，分类模型输出分类结果，即目标对象对待预测物料的偏好结果，偏好结果包括感兴趣和不感兴趣，用数字表示为1和0。回归模型输出偏好结果对应的置信度，置信度用于表示偏好结果的可信程度，也就是上述的匹配度。
图2为一个实施例中内容推荐方法的流程示意图。应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种内容推荐装置，包括：
学习模块310，用于对用户知识图谱中各个特征节点进行无监督学习，得到各个特征节点对应的表示向量，其中，所述特征节点为用户节点或物料节点；
向量确定模块320，用于根据所述用户知识图谱中各个特征节点对应的表示向量，确定目标对象对应的目标向量以及待预测物料对应的待预测向量；
匹配模块330，用于确定所述目标向量与所述待预测向量之间的匹配度；
推送模块340，用于将所述匹配度满足推荐条件的待预测物料对应的推送内容，推送至所述目标对象对应的终端。
在一个实施例中，所述学习模块310还用于：
根据所述用户知识图谱中各个特征节点，确定节点特征矩阵和所述节点特征矩阵对应的邻接矩阵，其中，所述节点特征矩阵包含各个所述特征节点对应的初始向量；
对所述节点特征矩阵进行随机变换，得到负例特征矩阵；
根据所述负例特征矩阵和所述邻接矩阵，调节所述节点特征矩阵中各个特征节点对应的初始向量，得到各个特征节点对应的表示向量。
在一个实施例中，所述学习模块310还用于：
对所述节点特征矩阵和所述邻接矩阵进行编码处理，得到第一隐式矩阵；
对所述负例特征矩阵和所述邻接矩阵进行编码处理，得到第二隐式矩阵；
根据所述第一隐式矩阵和所述第二隐式矩阵，确定损失函数的熵；
根据所述损失函数的熵调节所述特征节点对应的初始向量；
在所述损失函数的熵符合预设条件的情况下，确定各个所述特征节点对应的表示向量。
在一个实施例中，所述向量确定模块320还用于：
在所述用户知识图谱中，将所述目标对象相匹配的特征节点作为中心节点；
将与所述中心节点存在邻接关系的特征节点作为相邻节点；
获取所述目标对象以及所述相邻节点对应的表示向量；
对各个所述相邻节点对应的表示向量进行加权聚合，得到邻域向量；
根据所述目标对象对应的表示向量和所述邻域向量，确定所述目标对象对应的目标向量。
在一个实施例中，所述向量确定模块320还用于：
根据所述中心节点与所述相邻节点之间的关系，确定所述中心节点与所述相邻节点之间的相似度，其中，所述中心节点与所述相邻节点之间的相似度，作为所述相邻节点对应的权重；
按照各个所述相邻节点对应的权重，对各个所述相邻节点对应的表示向量进行加权求和，得到所述邻域向量。
在一个实施例中，所述向量确定模块320还用于：
将所述目标对象对应的表示向量与所述邻域向量的和，作为激活函数的输入参数，得到输出向量，其中，所述输出向量作为所述目标对象对应的目标向量。
在一个实施例中，所述匹配模块330还用于：
将所述目标向量和所述待预测向量作为输入参数，输入至预设推荐模型中，得到所述目标向量与所述待预测向量之间的匹配度。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器120。如图5所示，该计算机设备包括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、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现内容推荐方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行内容推荐方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的内容推荐装置可以实现为一种计算机程序的形式，计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该内容推荐装置的各个程序模块，比如，图4所示的学习模块310、向量确定模块320、匹配模块330和推送模块340。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的内容推荐方法中的步骤。
图5所示的计算机设备可以通过如图4所示的内容推荐装置中的学习模块310执行对用户知识图谱中各个特征节点进行无监督学习，得到各个特征节点对应的表示向量，其中，所述特征节点为用户节点或物料节点。计算机设备可通过向量确定模块320执行根据所述用户知识图谱中各个特征节点对应的表示向量，确定目标对象对应的目标向量以及待预测物料对应的待预测向量。计算机设备可通过匹配模块330执行确定所述目标向量与所述待预测向量之间的匹配度。计算机设备可通过推送模块340执行将所述匹配度满足推荐条件的待预测物料对应的推送内容，推送至所述目标对象对应的终端。
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任一项实施例所述的方法。
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任一项实施例所述的方法。
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示相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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)、双倍速率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。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种内容推荐方法，其特征在于，所述方法包括：
对用户知识图谱中各个特征节点进行无监督学习，得到各个特征节点对应的表示向量，其中，所述特征节点为用户节点或物料节点；
根据所述用户知识图谱中各个特征节点对应的表示向量，确定目标对象对应的目标向量以及待预测物料对应的待预测向量；
确定所述目标向量与所述待预测向量之间的匹配度；
将所述匹配度满足推荐条件的待预测物料对应的推送内容，推送至所述目标对象对应的终端；
所述对用户知识图谱中各个特征节点进行无监督学习，得到各个特征节点对应的表示向量，包括：
根据所述用户知识图谱中各个特征节点，确定节点特征矩阵和所述节点特征矩阵对应的邻接矩阵，其中，所述节点特征矩阵包含各个所述特征节点对应的初始向量；
对所述节点特征矩阵进行随机变换，得到负例特征矩阵；
对所述节点特征矩阵和所述邻接矩阵进行编码处理，得到第一隐式矩阵；
对所述负例特征矩阵和所述邻接矩阵进行编码处理，得到第二隐式矩阵；
根据所述第一隐式矩阵和所述第二隐式矩阵，确定损失函数的熵；
根据所述损失函数的熵调节所述特征节点对应的初始向量；
在所述损失函数的熵符合预设条件的情况下，确定各个所述特征节点对应的表示向量；
其中，根据所述第一隐式矩阵和所述第二隐式矩阵，确定损失函数的熵，包括：根据所述第一隐式矩阵中所有特征节点对应的表示向量取平均，得到表示整个图的全局信息的摘要向量；根据所述第一隐式矩阵和所述摘要向量形成正样本对；根据所述第二隐式矩阵和所述摘要向量形成负样本对；通过判别器分别对所述正样本对、所述负样本对进行打分，得到正样本对打分值和负样本对打分值；将所述第一隐式矩阵、所述第二隐式矩阵、所述摘要向量、所述正样本对打分值、所述负样本对打分值带入损失函数中确定损失函数的熵。
2.根据权利要求1所述的方法，其特征在于，所述根据所述用户知识图谱中各个特征节点对应的表示向量，确定目标对象对应的目标向量，包括：
在所述用户知识图谱中，将所述目标对象相匹配的特征节点作为中心节点；
将与所述中心节点存在邻接关系的特征节点作为相邻节点；
获取所述目标对象以及所述相邻节点对应的表示向量；
对各个所述相邻节点对应的表示向量进行加权聚合，得到邻域向量；
根据所述目标对象对应的表示向量和所述邻域向量，确定所述目标对象对应的目标向量。
3.根据权利要求2所述的方法，其特征在于，所述对各个所述相邻节点对应的表示向量进行加权聚合，得到邻域向量，包括：
根据所述中心节点与所述相邻节点之间的关系，确定所述中心节点与所述相邻节点之间的相似度，其中，所述中心节点与所述相邻节点之间的相似度，作为所述相邻节点对应的权重；
按照各个所述相邻节点对应的权重，对各个所述相邻节点对应的表示向量进行加权求和，得到所述邻域向量。
4.根据权利要求2所述的方法，其特征在于，所述根据所述目标对象对应的表示向量和所述邻域向量，确定所述目标对象对应的目标向量，包括：
将所述目标对象对应的表示向量与所述邻域向量的和，作为激活函数的输入参数，得到输出向量，其中，所述输出向量作为所述目标对象对应的目标向量。
5.根据权利要求1所述的方法，其特征在于，所述确定所述目标向量与所述待预测向量之间的匹配度，包括：
将所述目标向量和所述待预测向量作为输入参数，输入至预设推荐模型中，得到所述目标向量与所述待预测向量之间的匹配度。
6.一种内容推荐装置，其特征在于，所述装置包括：
学习模块，用于对用户知识图谱中各个特征节点进行无监督学习，得到各个特征节点对应的表示向量，其中，所述特征节点为用户节点或物料节点；
向量确定模块，用于根据所述用户知识图谱中各个特征节点对应的表示向量，确定目标对象对应的目标向量以及待预测物料对应的待预测向量；
匹配模块，用于确定所述目标向量与所述待预测向量之间的匹配度；
推送模块，用于将所述匹配度满足推荐条件的待预测物料对应的推送内容，推送至所述目标对象对应的终端；
所述学习模块还用于：
根据所述用户知识图谱中各个特征节点，确定节点特征矩阵和所述节点特征矩阵对应的邻接矩阵，其中，所述节点特征矩阵包含各个所述特征节点对应的初始向量；
对所述节点特征矩阵进行随机变换，得到负例特征矩阵；
对所述节点特征矩阵和所述邻接矩阵进行编码处理，得到第一隐式矩阵；
对所述负例特征矩阵和所述邻接矩阵进行编码处理，得到第二隐式矩阵；
根据所述第一隐式矩阵和所述第二隐式矩阵，确定损失函数的熵；
根据所述损失函数的熵调节所述特征节点对应的初始向量；
在所述损失函数的熵符合预设条件的情况下，确定各个所述特征节点对应的表示向量；
其中，根据所述第一隐式矩阵和所述第二隐式矩阵，确定损失函数的熵，包括：根据所述第一隐式矩阵中所有特征节点对应的表示向量取平均，得到表示整个图的全局信息的摘要向量；根据所述第一隐式矩阵和所述摘要向量形成正样本对；根据所述第二隐式矩阵和所述摘要向量形成负样本对；通过判别器分别对所述正样本对、所述负样本对进行打分，得到正样本对打分值和负样本对打分值；将所述第一隐式矩阵、所述第二隐式矩阵、所述摘要向量、所述正样本对打分值、所述负样本对打分值带入损失函数中确定损失函数的熵。
7.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述方法的步骤。
CN202110736636.2A 2021-06-30 2021-06-30 内容推荐方法、装置、计算机设备和存储介质 Active CN113505214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110736636.2A CN113505214B (zh) 2021-06-30 2021-06-30 内容推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110736636.2A CN113505214B (zh) 2021-06-30 2021-06-30 内容推荐方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113505214A CN113505214A (zh) 2021-10-15
CN113505214B true CN113505214B (zh) 2024-06-14

Family

ID=78009705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110736636.2A Active CN113505214B (zh) 2021-06-30 2021-06-30 内容推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113505214B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597856A (zh) * 2018-12-05 2019-04-09 北京知道创宇信息技术有限公司 一种数据处理方法、装置、电子设备及存储介质
CN112884548A (zh) * 2021-02-01 2021-06-01 北京三快在线科技有限公司 基于路径推理的对象推荐方法、装置、电子设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109189937B (zh) * 2018-08-22 2021-02-09 创新先进技术有限公司 一种特征关系推荐方法及装置、一种计算设备及存储介质
CN112148888A (zh) * 2020-09-18 2020-12-29 南京邮电大学 基于图神经网络的知识图谱构建方法
CN112232925A (zh) * 2020-11-02 2021-01-15 哈尔滨工程大学 一种融合知识图谱对商品进行个性化推荐的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597856A (zh) * 2018-12-05 2019-04-09 北京知道创宇信息技术有限公司 一种数据处理方法、装置、电子设备及存储介质
CN112884548A (zh) * 2021-02-01 2021-06-01 北京三快在线科技有限公司 基于路径推理的对象推荐方法、装置、电子设备

Also Published As

Publication number Publication date
CN113505214A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
US11770571B2 (en) Matrix completion and recommendation provision with deep learning
CN108491511B (zh) 基于图数据的数据挖掘方法和装置、模型训练方法和装置
Tama et al. Tree-based classifier ensembles for early detection method of diabetes: an exploratory study
Zhou et al. PURE: Positive-unlabeled recommendation with generative adversarial network
CN109389151B (zh) 一种基于半监督嵌入表示模型的知识图谱处理方法和装置
Friedman Contrast trees and distribution boosting
WO2023087914A1 (zh) 推荐内容的选择方法、装置、设备、存储介质及程序产品
Gambs et al. Growing synthetic data through differentially-private vine copulas
Liu et al. PHD: A probabilistic model of hybrid deep collaborative filtering for recommender systems
CN115271980A (zh) 风险值预测方法、装置、计算机设备和存储介质
Kim et al. The Fermi–Dirac distribution provides a calibrated probabilistic output for binary classifiers
Zhao et al. Collaborative filtering via factorized neural networks
Gashler et al. Missing value imputation with unsupervised backpropagation
Zhou et al. Gan-based recommendation with positive-unlabeled sampling
Mishra et al. Unsupervised functional link artificial neural networks for cluster Analysis
CN116522232A (zh) 文档分类方法、装置、设备及存储介质
CN113505214B (zh) 内容推荐方法、装置、计算机设备和存储介质
CN116842171A (zh) 文章推荐方法、装置、计算机设备和存储介质
KR20180028610A (ko) 관련도 벡터 머신을 이용한 기계학습방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 정보처리장치
CN114722273A (zh) 基于局部结构特征增强的网络对齐方法、装置及设备
CN112580916B (zh) 数据评估方法、装置、计算机设备和存储介质
Tran et al. Improvement graph convolution collaborative filtering with weighted addition input
Miche et al. A framework for privacy quantification: measuring the impact of privacy techniques through mutual information, distance mapping, and machine learning
Peska Linking content information with Bayesian personalized ranking via multiple content alignments
CN110059219A (zh) 一种视频偏好预测方法、装置、设备及可读存储介质

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
GR01 Patent grant
GR01 Patent grant