CN113722603A - 对象推送方法、产品推送方法、计算机终端及存储介质 - Google Patents

对象推送方法、产品推送方法、计算机终端及存储介质 Download PDF

Info

Publication number
CN113722603A
CN113722603A CN202111285512.3A CN202111285512A CN113722603A CN 113722603 A CN113722603 A CN 113722603A CN 202111285512 A CN202111285512 A CN 202111285512A CN 113722603 A CN113722603 A CN 113722603A
Authority
CN
China
Prior art keywords
decoupling
target
entity
representation
pushed
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
CN202111285512.3A
Other languages
English (en)
Inventor
赵鑫
牟善磊
李雅亮
李思晴
文继荣
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.)
Alibaba Damo Institute Hangzhou Technology Co Ltd
Original Assignee
Alibaba Damo Institute Hangzhou 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 Alibaba Damo Institute Hangzhou Technology Co Ltd filed Critical Alibaba Damo Institute Hangzhou Technology Co Ltd
Priority to CN202111285512.3A priority Critical patent/CN113722603A/zh
Publication of CN113722603A publication Critical patent/CN113722603A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请公开了一种对象推送方法、产品推送方法、计算机终端及存储介质。其中，该方法包括：获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息；对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征；基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象；向目标用户推送目标推送对象。本申请解决了相关技术中学习到的解耦表征缺乏明确的含义或解释，导致推送准确度降低的技术问题。

Description

对象推送方法、产品推送方法、计算机终端及存储介质
技术领域
本申请涉及计算机领域，具体而言，涉及一种对象推送方法、产品推送方法、计算机终端及存储介质。
背景技术
在推荐系统中，目前大多数方案可以利用解耦表征学习从用户和产品的交互数据中学习到单个向量形式来表示用户和项目，但是，由于上述方案学习到的解耦表征缺乏明确的含义或解释，导致推送准确度降低，并且容易受到数据稀疏问题的影响。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种对象推送方法、产品推送方法、计算机终端及存储介质，以至少解决相关技术中学习到的解耦表征缺乏明确的含义或解释，导致推送准确度降低的技术问题。
根据本申请实施例的第一方面，提供了一种对象推送方法，包括：获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息；对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征；基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象；向目标用户推送目标推送对象。
根据本申请实施例的第二方面，还提供了一种对象推送方法，包括：云服务器接收客户端发生的对象推送请求，其中，对象推送请求包括：目标用户和至少一个待推送对象；云服务器获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息；云服务器对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征；云服务器基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象；云服务器向目标用户推送目标推送对象。
根据本申请实施例的第三方面，还提供了一种产品推送方法，包括：获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送产品进行交互操作后产生的交互关系信息，目标知识图谱用于表征至少一个待推送产品和至少一个产品属性之间的关联关系信息；对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送产品的第二解耦表征；基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送产品中的目标推送产品；向目标用户推送目标推送产品。
根据本申请实施例的第四方面，提供了一种对象推送装置，包括：获取模块，用于获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息；解耦模块，用于对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征；确定模块，用于基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象；推送模块，用于向目标用户推送目标推送对象。
根据本申请实施例的第五方面，还提供了一种对象推送装置，设置于云服务器，包括：接收模块，用于接收客户端发生的对象推送请求，其中，对象推送请求包括：目标用户和至少一个待推送对象；获取模块，用于获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息；解耦模块，用于对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征；确定模块，用于基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象；推送模块，用于向目标用户推送目标推送对象。
根据本申请实施例的第六方面，还提供了一种产品推送装置，包括：获取模块，用于获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送产品进行交互操作后产生的交互关系信息，目标知识图谱用于表征至少一个待推送产品和至少一个产品属性之间的关联关系信息；解耦模块，用于对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送产品的第二解耦表征；确定模块，用于基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送产品中的目标推送产品；推送模块，用于向目标用户推送目标推送产品。
根据本申请实施例的第七方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述实施例中的对象推送方法，或，上述实施例中的产品推送方法。
根据本申请实施例的第八方面，还提供了一种计算机终端，包括：存储器和处理器，处理器用于运行存储器中存储的程序，其中，程序运行时执行上述实施例中的对象推送方法，或，上述实施例中的产品推送方法。
在本申请实施例中，在获取到目标交互图和目标知识图谱之后，对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征，进一步地，基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象，最后向目标用户推送目标推送对象，实现了对象推送的目的。容易注意到的是，由于第一解耦表征和第二解耦表征的处理过程中结合了目标知识图谱，而且目标知识图谱中包含对象属性，使得第一解耦表征和第二解耦表征更加具有可解释性，从而达到了提升推送准确度的技术效果，进而解决了相关技术中学习到的解耦表征缺乏明确的含义或解释，导致推送准确度降低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种用于实现对象推送方法的计算机终端的硬件结构框图；
图2是根据本申请实施例的一种可选的计算机终端作为服务器的示意图；
图3是根据本申请实施例的第一种对象推送方法的流程图；
图4是根据本申请实施例的一种可选的交互界面的示意图；
图5是根据本申请实施例的一种可选的对象推送方法的示意图；
图6是根据本申请实施例的第二种对象推送方法的流程图；
图7是根据本申请实施例的一种产品推送方法的流程图；
图8是根据本申请实施例的第一种对象推送装置的示意图；
图9是根据本申请实施例的第二种对象推送装置的示意图；
图10是根据本申请实施例的一种产品推送装置的示意图；
图11是根据本申请实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
知识图谱:是一种使用图结构数据模型或拓扑来集成数据的知识库。知识图谱通常用于存储具有自由形式语义的实体（对象、事件、情况或抽象概念）的相互关联描述。
解耦表征:是一种表征学习技术，可以将每个特征分解或解耦为狭义的变量，并将它们编码为单独的维度。
图神经网络: Graph Neural Networks，缩写为GNN，是一种基于图域分析的深度学习方法，主要靠图中节点之间的信息传递来捕捉图中的依赖关系。
目前，在推荐系统中，解耦表征学习主要包括DGCF（Disentangled GraphCollaborative Filtering，解耦图协同过滤）和DisenGCN（Disentangled GraphConvolutional Networks，解耦图卷积网络）两种，其中，DGCF可以利用图解耦模块迭代地优化意图交互图和推荐系统表示；DisenGCN提出了一个解耦图卷积网络来学习图上的节点表示，使用邻居路由机制来识别潜在因素并对潜在因素的特定特征进行卷积。
但是，通过上述方法学习到的解耦表征缺乏明确的含义，通常很难推断出与某些特定解耦向量相关联的相应方面，而且，更有可能受到数据稀疏问题的影响，特别是对于不活跃的用户或不流行的产品。
为了解决上述问题，本申请提供了一种利用知识图谱指导解耦表征学习的方法，成为KDR（Knowledge-guided Disentangled Representation，知识图引导的解耦表征）。通过利用知识图谱数据，可以增强解耦表征学习的能力和可解释性。
需要说明的是，在本申请中，目标交互图和目标知识图谱的获取、保存、解耦表征处理，以及目标推送对象的推送等，都是在获得用户的明确同意之后进行的，均符合相关法律法规，且不违背公序良俗。另外，在处理过程中，用户随时可以选择删除自己的交互行为，从而本申请提供的方案停止执行（包括停止对该用户的交互行为进行解耦表征处理，以及停止向该用户进行推送），并且删除已获取并保存的该用户的交互行为。
实施例1
根据本申请实施例，提供了一种对象推送方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现对象推送方法的计算机终端（或移动设备）的硬件结构框图。如图1所示，计算机终端10（或移动设备）可以包括一个或多个（图中采用102a、102b，……，102n来示出）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口（I/O接口）、通用串行总线（USB）端口（可以作为BUS总线的端口中的一个端口被包括）、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10（或移动设备）中的其他元件中的任意一个内。该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的对象推送方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的对象推送方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器（LCD），该液晶显示器可使得用户能够与计算机终端10（或移动设备）的用户界面进行交互。
图1示出的硬件结构框图，不仅可以作为上述计算机终端10（或移动设备）的示例性框图，还可以作为上述服务器的示例性框图，一种可选实施例中，图2以框图示出了使用上述图1所示的计算机终端10（或移动设备）作为服务器的一种实施例。如图2所示，计算机终端10（或移动设备）可以经由数据网络连接或电子连接到一个或多个客户端20。数据网络连接可以是局域网连接、广域网连接、因特网连接，或其他类型的数据网络连接。计算机终端10（或移动设备）可以执行对象推送的网络服务。
在上述运行环境下，本申请提供了如图3所示的对象推送方法。图3是根据本申请实施例的第一种对象推送方法的流程图。如图3所示，该方法可以包括如下步骤：
步骤S302，获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息。
上述步骤中的目标用户可以推荐系统中希望推送待推送对象的用户，在目标用户为多个的情况下，可以依次对每个目标用户进行对象推送。上述的待推送对象可以是不同推荐场景中，希望推送给目标用户的对象，例如，在信息推荐场景中，待推送对象可以是待推送的信息；在产品推荐场景，例如电商平台中商品推荐场景中，待推送对象可以是待推送的产品；在社交网络推荐场景中，待推送对象可以是其他用户，但不仅限于此。上述的对象属性可以是待推送对象的属性，不同类型的待推送对象的对象属性不同，例如，当待推送对象为产品时，对象属性可以是名称、厂商名称、生成日期、保修日期等；当待推送对象为其他用户时，对象属性可以是用户的个人信息。
在一种可选的实施例中，可以收集目标用户对待推送对象进行交互后产生的交互关系信息，并基于该交互关系信息构建目标交互图，可以使用该图中的节点表示目标用户和待推送对象，并通过连接在两个节点之间的连线表示这两个节点之间的交互关系信息。同理，可以收集待推送对象的信息，该信息包含有对象属性，并基于待推送对象的信息构建知识图谱，可以使用图谱中的节点表示待推送对象和对象属性，并通过连接在两个节点之间的连线表示这两个节点之间的关联关系信息。
在另一种可选的实施例中，可以预先针对不同用户和对象，构建并存储不同的交互图和知识图谱，从而在需要向目标用户进行对象推送的时候，可以直接从存储设备中读取出与目标用户相关的交互图作为目标交互图，并读取出与待推送对象相关的知识图谱作为目标知识图谱。
在又一种可选的实施例中，可以给工作人员提供一个如图4所示的交互界面，工作人员可以通过点击“上传”按钮选择目标交互图和目标知识图谱，并上传至服务器，或者通过将目标交互图和目标知识图谱拖动至虚线框内，上传目标交互图和目标知识图谱至服务器。服务器在接收到目标交互图和目标知识图谱之后，可以通过目标知识图谱引导解耦表征学习，并基于学习到的解耦表征确定目标推送对象，进而向目标用户推送目标推送对象。
步骤S304，对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征。
在一种可选的实施例中，目标交互图和目标知识图谱均采用图结构，可以使用图神经网络对目标交互图进行解耦表征，得到上述的第一解耦表征和第二解耦表征，并且，图神经网络的训练过程可以结合知识图谱完成，从而通过利用知识图谱数据，可以增强解耦表征学习的能力和可解释性。
在另一种可选的实施例中，目标交互图和目标知识图谱均采用图结构，可以使用图神经网络分别对目标交互图和目标知识图谱进行解耦表征，得到上述的第一解耦表征、待推送对象的第三解耦表征和第四解耦表征，进而可以将第三解耦表征和第四解耦表征进行融合，得到上述的第二解耦表征。而且，图神经网络的训练过程可以结合知识图谱完成，从而通过利用知识图谱数据，可以增强解耦表征学习的能力和可解释性。
步骤S306，基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象。
上述步骤中的目标推送对象可以是最终推送给目标用户的对象，在不同推荐系统中，可以采用不同推送策略确定目标推送对象，推送策略可以由工作人员人为设定。
在一种可选的实施例中，可以利用目标用户的第一解耦表征和每个待推送对象的第二解耦表征，确定每个待推送对象的匹配分值，其中，匹配分值越高表明目标用户对待推送对象的偏好程度越高，进而选择出分值最高的N个待推送对象，作为最终的目标推送对象。
在另一种可选的实施例中，可以预先训练一个对象确定模型，利用该模型对目标用户的第一解耦表征和每个待推送对象的第二解耦表征进行处理，该模型输出的结果即可作为目标推送对象。
步骤S308，向目标用户推送目标推送对象。
在一种可选的实施例中，可以根据目标推送对象的类型，确定目标推送对象的推送方式，并按照该推送方式直接将目标推送对象，或者目标推送对象的相关信息推送给目标用户，此处的推送方式可以是短信、电子邮件、应用程序消息等，但不仅限于此。例如，在目标推送对象为信息的情况下，可以采用短信的方式将该信息发送至目标用户的手机，或采用邮件的方式将该信息发送至目标用户的电子邮箱。又例如，在目标推送对象为产品的情况下，可以采用短信的方式将该产品的相关信息发送至目标用户的手机，或，采用应用程序消息的方式向目标用户推送该产品的购买链接。还例如，在目标推送对象为其他用户的情况下，可以采用短信的方式将该用户的账号信息发送至目标用户的手机，或，采用应用程序消息的方式直接向目标用户推送该用户的账号信息。
在电商平台中商品推荐的场景中，当需要向买家推荐商品时，可以根据买家的购买记录创建目标交互图和目标知识图谱，进一步结合目标知识图谱对目标交互图进行解耦表征学习，得到买家的第一解耦表征和每个商品的第二解耦表征，然后根据第一解耦表征和每个第二解耦表征，确定相应的匹配分值，并根据匹配分值确定需要推送给该买家的目标推送商品，最后将目标推送商品的购买链接发送至该买家，由该买家确认是否购买给该目标推送商品。
在社交网络中联系人推荐的场景中，当需要向用户推荐联系人时，可以根据用户的社交记录创建目标交互图和目标知识图谱，进一步结合目标知识图谱对目标交互图进行解耦表征学习，得到该用户的第一解耦表征和每个联系人的第二解耦表征，然后根据第一解耦表征和每个第二解耦表征，确定相应的匹配分值，并根据匹配分值确定需要推送给该用户的目标推送联系人，最后将目标推送联系人的名片信息发送至该用户，由该用户确认是否添加该联系人。
通过上述步骤，在获取到目标交互图和目标知识图谱之后，对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征，进一步地，基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象，最后向目标用户推送目标推送对象，实现了对象推送的目的。容易注意到的是，由于第一解耦表征和第二解耦表征的处理过程中结合了目标知识图谱，而且目标知识图谱中包含对象属性，使得第一解耦表征和第二解耦表征更加具有可解释性，从而达到了提升推送准确度的技术效果，进而解决了相关技术中学习到的解耦表征缺乏明确的含义或解释，导致推送准确度降低的技术问题。
在本申请上述实施例中，对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征包括：利用图神经网络对目标交互图进行解耦表征处理，得到第一解耦表征和至少一个待推送对象的第三解耦表征；利用多关系图神经网络对目标知识图谱进行解耦表征处理，得到至少一个待推送对象的第四解耦表征；获取第三解耦表征和第四解耦表征之和，得到第二解耦表征。
上述步骤中的图神经网络可以是DisenGCN，但不仅限于此，还可以是DGCF等。上述步骤中的多关系图神经网络可以是mRGCN（multi-Relational Graph ConvolutionalNetworks）结构，但不仅限于此，还可以是CompGCN（多关系异质图神经网络，Composition-based Multi-Relational Graph Convolutional Networks）等。
由于目标交互图通常会受到很多因素的影响，而且上述因素会通过交互行为隐藏或未被观察到，因此，在本申请实施例中，可以采用解耦图卷积网络对目标交互图进行处理，发现目标交互图中隐含的上述潜在因素。利用解耦图卷积网络学习到的模拟用户偏好的对象特征可以作为隐式解耦表征，但是，这种隐式解耦表征缺乏可解释性，并且学习到的不活跃用户和对象的解耦表征可能是不够的。
在一种可选的实施例中，可以采用现有的解耦图卷积网络对目标交互图进行处理。具体地，可以采用邻居路由机制动态识别两个节点之间交互的潜在因素，并相应地提取出这些不同因素下的信息。解耦图卷积网络的关键元素是DisenConv层
Figure DEST_PATH_IMAGE001
，可以根据第
Figure 876446DEST_PATH_IMAGE002
层上的节点
Figure DEST_PATH_IMAGE003
及其邻居
Figure 324745DEST_PATH_IMAGE004
的历史表征，更新
Figure 901220DEST_PATH_IMAGE003
节点的解耦表征
Figure DEST_PATH_IMAGE005
：
Figure 562008DEST_PATH_IMAGE006
,
输出
Figure DEST_PATH_IMAGE007
可以看作是在第
Figure 655342DEST_PATH_IMAGE008
层的
Figure 274542DEST_PATH_IMAGE010
方面下的节点
Figure 72733DEST_PATH_IMAGE003
的解耦表征，
Figure DEST_PATH_IMAGE011
表示第
Figure 802792DEST_PATH_IMAGE012
方面下节点
Figure 206092DEST_PATH_IMAGE003
的解耦表征，
Figure DEST_PATH_IMAGE013
表示目标交互图。
为了学习解耦表征，DisenGCN需要计算
Figure 481346DEST_PATH_IMAGE012
因子从节点到
Figure 32413DEST_PATH_IMAGE003
达邻居
Figure DEST_PATH_IMAGE015
的概率
Figure 35004DEST_PATH_IMAGE016
，概率
Figure DEST_PATH_IMAGE017
满足：
Figure 89548DEST_PATH_IMAGE018
。相反的，
Figure DEST_PATH_IMAGE019
反映邻居
Figure 801283DEST_PATH_IMAGE015
构造表征
Figure 574067DEST_PATH_IMAGE020
的贡献概率。因此，邻居路由机制通过如下公式交替构造
Figure 645928DEST_PATH_IMAGE020
和推断
Figure 23820DEST_PATH_IMAGE019
：
Figure DEST_PATH_IMAGE021
其中，
Figure 890145DEST_PATH_IMAGE022
是控制分配难度的超参数。最后的
Figure DEST_PATH_IMAGE023
是节点
Figure 900957DEST_PATH_IMAGE003
在第
Figure 510930DEST_PATH_IMAGE008
层的解耦表征。DisenConv层迭代计算通过上述公式进行初始化：
Figure 805645DEST_PATH_IMAGE024
向量
Figure 311713DEST_PATH_IMAGE023
是节点
Figure 59089DEST_PATH_IMAGE003
在第
Figure 676015DEST_PATH_IMAGE008
层的解耦表征。
对于
Figure 578899DEST_PATH_IMAGE013
中的用户
Figure DEST_PATH_IMAGE025
和对象
Figure 52606DEST_PATH_IMAGE026
，可以使用初始嵌入
Figure DEST_PATH_IMAGE027
作为第一个DisenConv层的输入，即
Figure 21699DEST_PATH_IMAGE028
。在经过L个DisenConv层之后，可以获取到第
Figure 176737DEST_PATH_IMAGE008
隐式解耦表征：
Figure DEST_PATH_IMAGE029
。
在此基础上，由于目标知识图谱包含对象的结构属性信息，因此，在本申请实施例中，为了有效地利用目标知识图谱，可以采用多关系图卷积网络学习来自目标知识图谱的对象的多方面表征（称为显式解耦表征）。
在现有的RGCN中，每个节点只有一种表征。而在本申请任务中，需要学习目标知识图谱每个节点的多方面表征。因此，可以通过合并一个多表征RGCN层
Figure 180465DEST_PATH_IMAGE030
得到mRGCN。mRGCN，结合第
Figure 841384DEST_PATH_IMAGE002
层上的节点
Figure 501036DEST_PATH_IMAGE003
及其邻居
Figure 522081DEST_PATH_IMAGE004
的历史表征，以及节点
Figure 317999DEST_PATH_IMAGE003
与其邻居
Figure 399088DEST_PATH_IMAGE004
的关系链接，更新节点
Figure 546035DEST_PATH_IMAGE003
的多方面表征
Figure DEST_PATH_IMAGE031
：
Figure 105192DEST_PATH_IMAGE032
，
同样，
Figure 834245DEST_PATH_IMAGE003
和
Figure 758339DEST_PATH_IMAGE015
表示目标知识图谱
Figure DEST_PATH_IMAGE033
上任何节点的占位符，而
Figure 189320DEST_PATH_IMAGE031
表示学习到的节点
Figure 552168DEST_PATH_IMAGE003
的解耦表征。
输出
Figure 384995DEST_PATH_IMAGE034
可以看作是在第
Figure DEST_PATH_IMAGE035
层的
Figure 27460DEST_PATH_IMAGE036
关系下的节点
Figure DEST_PATH_IMAGE037
的多方面表征，其中
Figure 680158DEST_PATH_IMAGE038
表示关系
Figure DEST_PATH_IMAGE039
下的节点
Figure 581118DEST_PATH_IMAGE003
的表征。具体来说，对于
Figure 268452DEST_PATH_IMAGE040
，可以定义如下传播方法计算多关系图中节点的前向更新：
Figure DEST_PATH_IMAGE041
，
其中，
Figure 344468DEST_PATH_IMAGE042
表示关系
Figure DEST_PATH_IMAGE043
下节点
Figure 218883DEST_PATH_IMAGE003
的邻居集合，并且
Figure 189113DEST_PATH_IMAGE044
是一个归一化项，而
Figure DEST_PATH_IMAGE045
是sigmoid函数。
对于
Figure 730952DEST_PATH_IMAGE033
中的对象实体
Figure 433329DEST_PATH_IMAGE046
和属性实体
Figure DEST_PATH_IMAGE047
，可以使用初始嵌入
Figure 811352DEST_PATH_IMAGE048
作为第一个多表征RGCN层的输入，即
Figure DEST_PATH_IMAGE049
。在经过L个DisenConv层之后，可以获取到对象和属性的多方面表征：
Figure 54115DEST_PATH_IMAGE050
。
在获取到隐式解耦表征和显式解耦表征之后，可以使用上述表征得到最终的解耦表征。
对于目标用户
Figure 716040DEST_PATH_IMAGE025
，可以直接使用隐式解耦表征
Figure DEST_PATH_IMAGE051
作为上述的第一解耦表征
Figure 386056DEST_PATH_IMAGE052
：
Figure DEST_PATH_IMAGE053
对于待推送对象
Figure 251375DEST_PATH_IMAGE046
，可以将隐式和显式解耦表示（即上述的第三解耦表征和第四解耦表征）相加作为上述的第二解耦表征
Figure 235511DEST_PATH_IMAGE054
：
Figure DEST_PATH_IMAGE055
。
在本申请上述实施例中，该方法还包括：获取训练样本，其中，训练样本包括：交互图样本和知识图谱样本，交互图样本用于表征第一实体对交互界面上展示的至少一个第二实体进行交互操作后产生的交互关系信息，目标知识图谱用于表征至少一个第二实体和至少一个实体属性之间的关联关系信息；利用图神经网络对交互图样本进行解耦表征处理，得到第一实体的隐式解耦表征和至少一个第二实体的隐式解耦表征；利用多关系图神经网络对知识图谱样本进行解耦表征处理，得到至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征；基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征、至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征，构建目标损失函数；基于目标损失函数对图神经网络的网络参数和多关系图神经网络的网络参数进行调整。
需要说明的是，训练样本的处理过程与上述目标交互图和目标知识图谱的处理过程相同，在此不做赘述。
在从交互图样本中获得隐式解耦表征
Figure 751943DEST_PATH_IMAGE056
，并从知识图谱样本中获得显示解耦表征
Figure DEST_PATH_IMAGE057
之后，在一种可选的实施例中，可以基于上述解耦表征进行推荐预测，然后基于推荐预测结果构建目标损失函数。在另一种可选的实施例中，由于多关系图神经网络需要确保实体之间关系预测的准确性，因此，可以结合推荐预测结果和关系预测结果构建目标损失函数。在又一种可选的实施例中，由于利用图神经网络和多关系图神经网络可以分别得到第二实体的隐式和显示解耦表征，为了使得两个解耦表征接近、差异性较小，可以将隐式解耦表征和显示解耦表征对齐，是得隐式空间和显示空间之间的解耦因素强制对齐。因此，可以结合推荐预测结果、关系预测结果、以及隐式和显示解耦表示的对齐结果构建目标损失函数。
最后将目标损失函数与预先设定的最小损失函数进行比较，如果目标损失函数大于最小损失函数，则确定图神经网络和多关系图神经网络仍然需要进行训练，也即，需要继续调整两个网络的网络参数；如果目标损失函数小于或等于最小损失函数，则确定图神经网络和多关系图神经网络训练完成，可以用于实际推荐系统。
在本申请上述实施例中，基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征、至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征，构建目标损失函数包括：基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于互信息构建第一损失函数；基于至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征预测至少一个第二实体和至少一个实体属性之间的关联关系，并基于预测结果构建第二损失函数；基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征确定第一实体和至少一个第二实体之间的样本匹配分值，并基于匹配分值构建第三损失函数；对第一损失函数、第二损失函数、第三损失函数、图神经网络的网络参数和多关系图神经网络的网络参数进行加权和处理，得到目标损失函数。
需要说明的是，可以使用
Figure 389598DEST_PATH_IMAGE058
表示两个变量x和y之间的互信息，理解为已知x用来减少y中的不确定性。
在一种可选的实施例中，可以基于隐式和显示解耦表征之间的最大互信息的对比学习，构建第一损失函数。
对于多关系图神经网络输出的两个显式解耦表征，可以利用两个显式解耦表征预测两个实体之间的关系，进一步通过交叉熵损失构建第二损失函数：
Figure DEST_PATH_IMAGE059
，
其中，
Figure 742213DEST_PATH_IMAGE060
是one-hot向量形式的真实关系标签，
Figure DEST_PATH_IMAGE061
表示从输入向量为
Figure 530041DEST_PATH_IMAGE062
的softmax函数所选关系集的预测分布。
可以获取第二实体的隐式解耦表征和显式解耦表征之和，得到第二实体的目标解耦表征，进而基于第一实体的隐式解耦表征和第二实体的目标解耦表征进行推荐预测，并基于推荐预测结果构建第三损失函数。为了优化推荐性能，可以选择贝叶斯个性化排名(BPR)损失。具体来说，它假设能够反映用户偏好的观察到的交互，应该分配比未观察到的更高的预测分数，即第三损失函数：
Figure DEST_PATH_IMAGE063
，
其中，D表示训练集，
Figure 697717DEST_PATH_IMAGE064
分别表示第一实体
Figure 912797DEST_PATH_IMAGE025
的交互记录中观察到或未观察到的项目。
最后，可以将第一损失函数
Figure DEST_PATH_IMAGE065
，第二损失函数
Figure 736397DEST_PATH_IMAGE066
和第三损失函数
Figure DEST_PATH_IMAGE067
的损失联合进行最小化，得到目标损失函数L：
Figure 890034DEST_PATH_IMAGE068
其中，
Figure DEST_PATH_IMAGE069
表示平衡超参数，
Figure 115479DEST_PATH_IMAGE070
表示所有模型参数。
在本申请上述实施例中，基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于互信息构建第一损失函数包括：基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征，利用互信息估计器得到多个解耦方面的互信息；对多个解耦方面的互信息进行累加，得到最大互信息；基于最大互信息构建第一损失函数。
每个第二实体
Figure 298198DEST_PATH_IMAGE046
都与每个解耦方面中两种类型的解耦表征相关联，无论是隐式
Figure DEST_PATH_IMAGE071
还是显式
Figure 874673DEST_PATH_IMAGE072
，希望最大化
Figure 817353DEST_PATH_IMAGE073
之间的互信息，使得
Figure DEST_PATH_IMAGE074
相似。但是，直接最大化互信息通常是棘手的。在一种可选的实施例中，如图5所示，可以采用Jensen-Shannon互信息估计器来处理第k解耦方面：
Figure 100566DEST_PATH_IMAGE075
，
可以根据（均匀）实体分布或方面分布计算期望，
Figure DEST_PATH_IMAGE076
是softplus函数。函数
Figure 516504DEST_PATH_IMAGE077
是用内积实现的：
Figure DEST_PATH_IMAGE078
考虑到有
Figure 314696DEST_PATH_IMAGE010
个解耦方面，可以积累
Figure 513596DEST_PATH_IMAGE010
方面的互信息的最大损失，并且第一损失函数是通过如下方式最小化负和：
Figure 198786DEST_PATH_IMAGE079
。
在本申请上述实施例中，基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征确定第一实体和至少一个第二实体之间的样本匹配分值包括：获取每个第二实体的隐式解耦表征和每个第二实体的显式解耦表征之和，得到每个第二实体的目标解耦表征；获取第一实体的隐式解耦表征和每个第二实体的目标解耦表征的内积，得到样本匹配分值。
在一种可选的实施例中，在解耦表征对齐之后，可以使用这些解耦表征来导出最终的解耦表征，其中，可以将第二实体的隐式解耦表征和显式解耦表征相加，得到第二实体的目标解耦表征，进一步地，通过如下公式得到样本匹配分
Figure DEST_PATH_IMAGE080
：
Figure 988888DEST_PATH_IMAGE081
其中，
Figure DEST_PATH_IMAGE082
表示第一实体
Figure 274376DEST_PATH_IMAGE025
的隐式解耦表征，
Figure 745808DEST_PATH_IMAGE083
表示第二实体
Figure 65931DEST_PATH_IMAGE026
的目标解耦表征。
在本申请上述实施例中，基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象包括：获取第一解耦表征和每个第二解耦表征的内积，得到每个待推送对象对应的对象匹配分值；基于至少一个待推送对象对应的对象匹配分值，确定目标推送对象。
在一种可选的实施例中，对象匹配分值的计算方法与上述的样本匹配分值的计算方法相同，在此不做赘述。在到对象匹配分值之后，可以根据不同的推荐策略确定目标推送对象，例如，可以按照对象匹配分值从高到低对所有的待推送对象进行排序，并确定排序最高的N个待推送对象为目标推送对象。
下面结合图5以电商平台中商品推荐的场景为例，对本申请一种优选的实施例进行详细说明。如图5所示，该方法可以由三个模块组成：隐式解耦表征模块、显式解耦表征模块和表征对齐模块，在前两个模块中，可以从用户-商品交互图和知识图谱中学习隐式解耦表征
Figure 230196DEST_PATH_IMAGE051
和
Figure 753713DEST_PATH_IMAGE084
，以及显示解耦表征
Figure DEST_PATH_IMAGE085
，然后
Figure 559995DEST_PATH_IMAGE086
求和可以得到商品的最终表示
Figure DEST_PATH_IMAGE087
，进一步地，基于
Figure 734624DEST_PATH_IMAGE051
和
Figure 866528DEST_PATH_IMAGE087
可以得到匹配分值
Figure 329871DEST_PATH_IMAGE088
，并通过BPR计算损失函数
Figure DEST_PATH_IMAGE089
；基于
Figure 687646DEST_PATH_IMAGE085
可以预测他们的关系，并通过交叉损失函数得到知识图谱关系预测损失函数
Figure 716782DEST_PATH_IMAGE090
；通过表征对齐模块可以将
Figure DEST_PATH_IMAGE091
和
Figure 754008DEST_PATH_IMAGE092
进行对齐，基于隐式和显式解耦表征之间的最大互信息的对比学习，得到对齐损失函数
Figure DEST_PATH_IMAGE093
。最后，基于三个损失函数中的损失联合最小化来训练三个模块。
通过上述方案，通过利用知识图谱来推导出可解释的解耦表征，有助于缓解数据系数问题；通过对比学习的损失函数引导解耦表征学习，使显式和隐式解耦表征之间的互信息最大化，使得解耦表征更具可解释性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
实施例2
根据本申请实施例，还提供了一种对象推送方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图6是根据本申请实施例的第二种对象推送方法的流程图。如图6所示，该方法可以包括如下步骤：
步骤S602，云服务器接收客户端发生的对象推送请求，其中，对象推送请求包括：目标用户和至少一个待推送对象。
上述步骤中的客户端可以实现对象推送功能，安装智能手机、平板电脑、笔记本电脑、掌上电脑、个人计算机等终端上。
在一种可选的实施例中，当工作人员需要向某个用户推送目标推送对象时，工作人员可以在客户端上进行操作，选择需要进行对象推送的用户作为目标用户，并选择多个准备推送给该用户的对象作为待推送对象，从而客户端可以基于工作人员的选择生成对象推送请求，并发送给云服务器。
步骤S604，云服务器获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息。
步骤S606，云服务器对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征。
步骤S608，云服务器基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象。
步骤S610，云服务器向目标用户推送目标推送对象。
在本申请上述实施例中，云服务器对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征包括：利用图神经网络对目标交互图进行解耦表征处理，得到第一解耦表征和至少一个待推送对象的第三解耦表征；利用多关系图神经网络对目标知识图谱进行解耦表征处理，得到至少一个待推送对象的第四解耦表征；获取第三解耦表征和第四解耦表征之和，得到第二解耦表征。
在本申请上述实施例中，该方法还包括：云服务器获取训练样本，其中，训练样本包括：交互图样本和知识图谱样本，交互图样本用于表征第一实体对交互界面上展示的至少一个第二实体进行交互操作后产生的交互关系信息，目标知识图谱用于表征至少一个第二实体和至少一个实体属性之间的关联关系信息；云服务器利用图神经网络对交互图样本进行解耦表征处理，得到第一实体的隐式解耦表征和至少一个第二实体的隐式解耦表征；云服务器利用多关系图神经网络对知识图谱样本进行解耦表征处理，得到至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征；云服务器基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征、至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征，构建目标损失函数；云服务器基于目标损失函数对图神经网络的网络参数和多关系图神经网络的网络参数进行调整。
在本申请上述实施例中，云服务器基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征、至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征，构建目标损失函数包括：基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于互信息构建第一损失函数；基于至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征预测至少一个第二实体和至少一个实体属性之间的关联关系，并基于预测结果构建第二损失函数；基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征确定第一实体和至少一个第二实体之间的样本匹配分值，并基于匹配分值构建第三损失函数；对第一损失函数、第二损失函数、第三损失函数、图神经网络的网络参数和多关系图神经网络的网络参数进行加权和处理，得到目标损失函数。
在本申请上述实施例中，基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于互信息构建第一损失函数包括：基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征，利用互信息估计器得到多个解耦方面的互信息；对多个解耦方面的互信息进行累加，得到最大互信息；基于最大互信息构建第一损失函数。
在本申请上述实施例中，基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征确定第一实体和至少一个第二实体之间的样本匹配分值包括：获取每个第二实体的隐式解耦表征和每个第二实体的显式解耦表征之和，得到每个第二实体的目标解耦表征；获取第一实体的隐式解耦表征和每个第二实体的目标解耦表征的内积，得到样本匹配分值。
在本申请上述实施例中，云服务器基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象包括：获取第一解耦表征和每个第二解耦表征的内积，得到每个待推送对象对应的对象匹配分值；基于至少一个待推送对象对应的对象匹配分值，确定目标推送对象。
在本申请上述实施例中，在云服务器向目标用户推送目标推送对象之前，该方法还包括：云服务器输出目标推送对象至客户端；云服务器接收客户端发送的反馈信息，其中，反馈信息用于表征确认推送目标推送对象，或，新的推送对象；云服务器向目标用户推送目标推送对象，或，新的推送对象。
在一种可选的实施例中，云服务器提供给工作人员核查反馈的功能，云服务器在确定出目标推送对象之后，可以先不进行目标推送对象的推送流程，而是将目标推送对象发送给客户端，由工作人员在客户端上进行反馈，并返回相应的反馈信息至云服务器。如果工作人员确定目标推送对象正确，则生成确认信息作为反馈信息并上传至云服务器；如果工作人员确定目标推送对象不正确，则可以选择一个新的推送对象，并生成包含新的推送对象的反馈信息，然后上传至云服务器。云服务器在接收到反馈信息之后，如果该反馈信息是确认信息，则向目标用户推送目标推送对象；如果该反馈信息包含新的推送对象，则云服务器仅向目标用户推送新的推送对象，不再推送目标推送对象。
需要说明的是，如果反馈信息包含新的推送对象，则云服务器可以基于客户端的反馈对所有模型的参数进行调整，达到提升云服务器性能的效果。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例3
根据本申请实施例，还提供了一种产品推送方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图7是根据本申请实施例的一种产品推送方法的流程图。如图7所示，该方法可以包括如下步骤：
步骤S702，获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送产品进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送产品和至少一个产品属性之间的关联关系信息。
步骤S704，对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送产品的第二解耦表征。
步骤S706，基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送产品中的目标推送产品。
步骤S708，向目标用户推送目标推送产品。
在本申请上述实施例中，对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送产品的第二解耦表征包括：利用图神经网络对目标交互图进行解耦表征处理，得到第一解耦表征和至少一个待推送产品的第三解耦表征；利用多关系图神经网络对目标知识图谱进行解耦表征处理，得到至少一个待推送产品的第四解耦表征；获取第三解耦表征和第四解耦表征之和，得到第二解耦表征。
在本申请上述实施例中，该方法还包括：获取训练样本，其中，训练样本包括：交互图样本和知识图谱样本，交互图样本用于表征第一实体对交互界面上展示的至少一个第二实体进行交互操作后产生的交互关系信息，目标知识图谱用于表征至少一个第二实体和至少一个实体属性之间的关联关系信息；利用图神经网络对交互图样本进行解耦表征处理，得到第一实体的隐式解耦表征和至少一个第二实体的隐式解耦表征；利用多关系图神经网络对知识图谱样本进行解耦表征处理，得到至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征；基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征、至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征，构建目标损失函数；基于目标损失函数对图神经网络的网络参数和多关系图神经网络的网络参数进行调整。
在本申请上述实施例中，基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征、至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征，构建目标损失函数包括：基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于互信息构建第一损失函数；基于至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征预测至少一个第二实体和至少一个实体属性之间的关联关系，并基于预测结果构建第二损失函数；基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征确定第一实体和至少一个第二实体之间的样本匹配分值，并基于匹配分值构建第三损失函数；对第一损失函数、第二损失函数、第三损失函数、图神经网络的网络参数和多关系图神经网络的网络参数进行加权和处理，得到目标损失函数。
在本申请上述实施例中，基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于互信息构建第一损失函数包括：基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征，利用互信息估计器得到多个解耦方面的互信息；对多个解耦方面的互信息进行累加，得到最大互信息；基于最大互信息构建第一损失函数。
在本申请上述实施例中，基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征确定第一实体和至少一个第二实体之间的样本匹配分值包括：获取每个第二实体的隐式解耦表征和每个第二实体的显式解耦表征之和，得到每个第二实体的目标解耦表征；获取第一实体的隐式解耦表征和每个第二实体的目标解耦表征的内积，得到样本匹配分值。
在本申请上述实施例中，基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送产品中的目标推送产品包括：获取第一解耦表征和每个第二解耦表征的内积，得到每个待推送产品对应的产品匹配分值；基于至少一个待推送产品对应的产品匹配分值，确定目标推送产品。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例4
根据本申请实施例，还提供了一种用于实施上述对象推送方法的对象推送装置，如图8所示，该装置800包括：获取模块802、解耦模块804、确定模块806和推送模块808。
其中，获取模块802用于获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息；解耦模块804用于对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征；确定模块806用于基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象；推送模块808用于向目标用户推送目标推送对象。
此处需要说明的是，上述获取模块802、解耦模块804、确定模块806和推送模块808对应于实施例1中的步骤S302至步骤S308，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在本申请上述实施例中，解耦模块包括：第一解耦单元、第二解耦单元和第一获取单元。
其中，第一解耦单元用于利用图神经网络对目标交互图进行解耦表征处理，得到第一解耦表征和至少一个待推送对象的第三解耦表征；第二解耦单元用于利用多关系图神经网络对目标知识图谱进行解耦表征处理，得到至少一个待推送对象的第四解耦表征；第一获取单元用于获取第三解耦表征和第四解耦表征之和，得到第二解耦表征。
在本申请上述实施例中，该装置还包括：构建模块和调整模块。
其中，获取模块还用于获取训练样本，其中，训练样本包括：交互图样本和知识图谱样本，交互图样本用于表征第一实体对交互界面上展示的至少一个第二实体进行交互操作后产生的交互关系信息，目标知识图谱用于表征至少一个第二实体和至少一个实体属性之间的关联关系信息；解耦模块还用于利用图神经网络对交互图样本进行解耦表征处理，得到第一实体的隐式解耦表征和至少一个第二实体的隐式解耦表征，并利用多关系图神经网络对知识图谱样本进行解耦表征处理，得到至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征；构建模块用于基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征、至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征，构建目标损失函数；调整模块用于基于目标损失函数对图神经网络的网络参数和多关系图神经网络的网络参数进行调整。
在本申请上述实施例中，构建模块包括：第一构建单元、第二构建单元、第三构建单元和处理单元。
其中，第一构建单元用于基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于互信息构建第一损失函数；第二构建单元用于基于至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征预测至少一个第二实体和至少一个实体属性之间的关联关系，并基于预测结果构建第二损失函数；第三构建单元用于基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征确定第一实体和至少一个第二实体之间的样本匹配分值，并基于匹配分值构建第三损失函数；处理单元用于对第一损失函数、第二损失函数、第三损失函数、图神经网络的网络参数和多关系图神经网络的网络参数进行加权和处理，得到目标损失函数。
在本申请上述实施例中，第一构建单元还用于基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征，利用互信息估计器得到多个解耦方面的互信息；对多个解耦方面的互信息进行累加，得到最大互信息；基于最大互信息构建第一损失函数。
在本申请上述实施例中，第三构建单元还用于获取每个第二实体的隐式解耦表征和每个第二实体的显式解耦表征之和，得到每个第二实体的目标解耦表征；获取第一实体的隐式解耦表征和每个第二实体的目标解耦表征的内积，得到样本匹配分值。
在本申请上述实施例中，确定模块包括：第二获取单元和确定单元。
其中，第二获取单元用于获取第一解耦表征和每个第二解耦表征的内积，得到每个待推送对象对应的对象匹配分值；确定单元用于基于至少一个待推送对象对应的对象匹配分值，确定目标推送对象。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例5
根据本申请实施例，还提供了一种用于实施上述对象推送方法的对象推送装置，该装置设置于云服务器，使得云服务器可以执行上述对象推送方法。如图9所示，该装置900包括：接收模块902、获取模块904、解耦模块906、确定模块908和推送模块910。
其中，接收模块902用于接收客户端发生的对象推送请求，其中，对象推送请求包括：目标用户和至少一个待推送对象；获取模块904用于获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息；解耦模块906用于对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征；确定模块908用于基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象；推送模块910用于向目标用户推送目标推送对象。
此处需要说明的是，上述接收模块902、获取模块904、解耦模块906、确定模块908和推送模块910对应于实施例2中的步骤S602至步骤S610，无个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例2所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在本申请上述实施例中，解耦模块包括：第一解耦单元、第二解耦单元和第一获取单元。
其中，第一解耦单元用于利用图神经网络对目标交互图进行解耦表征处理，得到第一解耦表征和至少一个待推送对象的第三解耦表征；第二解耦单元用于利用多关系图神经网络对目标知识图谱进行解耦表征处理，得到至少一个待推送对象的第四解耦表征；第一获取单元用于获取第三解耦表征和第四解耦表征之和，得到第二解耦表征。
在本申请上述实施例中，该装置还包括：构建模块和调整模块。
其中，获取模块还用于获取训练样本，其中，训练样本包括：交互图样本和知识图谱样本，交互图样本用于表征第一实体对交互界面上展示的至少一个第二实体进行交互操作后产生的交互关系信息，目标知识图谱用于表征至少一个第二实体和至少一个实体属性之间的关联关系信息；解耦模块还用于利用图神经网络对交互图样本进行解耦表征处理，得到第一实体的隐式解耦表征和至少一个第二实体的隐式解耦表征，并利用多关系图神经网络对知识图谱样本进行解耦表征处理，得到至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征；构建模块用于基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征、至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征，构建目标损失函数；调整模块用于基于目标损失函数对图神经网络的网络参数和多关系图神经网络的网络参数进行调整。
在本申请上述实施例中，构建模块包括：第一构建单元、第二构建单元、第三构建单元和处理单元。
其中，第一构建单元用于基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于互信息构建第一损失函数；第二构建单元用于基于至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征预测至少一个第二实体和至少一个实体属性之间的关联关系，并基于预测结果构建第二损失函数；第三构建单元用于基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征确定第一实体和至少一个第二实体之间的样本匹配分值，并基于匹配分值构建第三损失函数；处理单元用于对第一损失函数、第二损失函数、第三损失函数、图神经网络的网络参数和多关系图神经网络的网络参数进行加权和处理，得到目标损失函数。
在本申请上述实施例中，第一构建单元还用于基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征，利用互信息估计器得到多个解耦方面的互信息；对多个解耦方面的互信息进行累加，得到最大互信息；基于最大互信息构建第一损失函数。
在本申请上述实施例中，第三构建单元还用于获取每个第二实体的隐式解耦表征和每个第二实体的显式解耦表征之和，得到每个第二实体的目标解耦表征；获取第一实体的隐式解耦表征和每个第二实体的目标解耦表征的内积，得到样本匹配分值。
在本申请上述实施例中，确定模块包括：第二获取单元和确定单元。
其中，第二获取单元用于获取第一解耦表征和每个第二解耦表征的内积，得到每个待推送对象对应的对象匹配分值；确定单元用于基于至少一个待推送对象对应的对象匹配分值，确定目标推送对象。
在本申请上述实施例中，该装置还包括：输出模块。
其中，输出模块用于输出目标推送对象至客户端；接收模块还用于接收客户端发送的反馈信息，其中，反馈信息用于表征确认推送目标推送对象，或，新的推送对象；推送模块还用于向目标用户推送目标推送对象，或，新的推送对象。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例6
根据本申请实施例，还提供了一种用于实施上述产品推送方法的产品推送装置，如图10所示，该装置1000包括：获取模块1002、解耦模块1004、确定模块1006和推送模块1008。
其中，获取模块1002用于获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送产品进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送产品和至少一个产品属性之间的关联关系信息；解耦模块1004用于对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送产品的第二解耦表征；确定模块1006用于基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送产品中的目标推送产品；推送模块1008用于向目标用户推送目标推送产品。
此处需要说明的是，上述取模块1002、解耦模块1004、确定模块1006和推送模块1008对应于实施例3中的步骤S702至步骤S708，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例3所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在本申请上述实施例中，解耦模块包括：第一解耦单元、第二解耦单元和第一获取单元。
其中，第一解耦单元用于利用图神经网络对目标交互图进行解耦表征处理，得到第一解耦表征和至少一个待推送产品的第三解耦表征；第二解耦单元用于利用多关系图神经网络对目标知识图谱进行解耦表征处理，得到至少一个待推送产品的第四解耦表征；第一获取单元用于获取第三解耦表征和第四解耦表征之和，得到第二解耦表征。
在本申请上述实施例中，该装置还包括：构建模块和调整模块。
其中，获取模块还用于获取训练样本，其中，训练样本包括：交互图样本和知识图谱样本，交互图样本用于表征第一实体对交互界面上展示的至少一个第二实体进行交互操作后产生的交互关系信息，目标知识图谱用于表征至少一个第二实体和至少一个实体属性之间的关联关系信息；解耦模块还用于利用图神经网络对交互图样本进行解耦表征处理，得到第一实体的隐式解耦表征和至少一个第二实体的隐式解耦表征，并利用多关系图神经网络对知识图谱样本进行解耦表征处理，得到至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征；构建模块用于基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征、至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征，构建目标损失函数；调整模块用于基于目标损失函数对图神经网络的网络参数和多关系图神经网络的网络参数进行调整。
在本申请上述实施例中，构建模块包括：第一构建单元、第二构建单元、第三构建单元和处理单元。
其中，第一构建单元用于基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于互信息构建第一损失函数；第二构建单元用于基于至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征预测至少一个第二实体和至少一个实体属性之间的关联关系，并基于预测结果构建第二损失函数；第三构建单元用于基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征确定第一实体和至少一个第二实体之间的样本匹配分值，并基于匹配分值构建第三损失函数；处理单元用于对第一损失函数、第二损失函数、第三损失函数、图神经网络的网络参数和多关系图神经网络的网络参数进行加权和处理，得到目标损失函数。
在本申请上述实施例中，第一构建单元还用于基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征，利用互信息估计器得到多个解耦方面的互信息；对多个解耦方面的互信息进行累加，得到最大互信息；基于最大互信息构建第一损失函数。
在本申请上述实施例中，第三构建单元还用于获取每个第二实体的隐式解耦表征和每个第二实体的显式解耦表征之和，得到每个第二实体的目标解耦表征；获取第一实体的隐式解耦表征和每个第二实体的目标解耦表征的内积，得到样本匹配分值。
在本申请上述实施例中，确定模块包括：第二获取单元和确定单元。
其中，第二获取单元用于获取第一解耦表征和每个第二解耦表征的内积，得到每个待推送产品对应的产品匹配分值；确定单元用于基于至少一个待推送产品对应的产品匹配分值，确定目标推送产品。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例7
本申请的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行对象推送方法中以下步骤的程序代码：获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息；对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征；基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象；向目标用户推送目标推送对象。
可选地，图11是根据本申请实施例的一种计算机终端的结构框图。如图11所示，该计算机终端A可以包括：一个或多个（图中仅示出一个）处理器1102、以及存储器1104。
其中，存储器可用于存储软件程序以及模块，如本申请实施例中的对象推送方法和装置、产品推送方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的对象推送方法和产品推送方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息；对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征；基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象；向目标用户推送目标推送对象。
可选的，上述处理器还可以执行如下步骤的程序代码：利用图神经网络对目标交互图进行解耦表征处理，得到第一解耦表征和至少一个待推送对象的第三解耦表征；利用多关系图神经网络对目标知识图谱进行解耦表征处理，得到至少一个待推送对象的第四解耦表征；获取第三解耦表征和第四解耦表征之和，得到第二解耦表征。
可选的，上述处理器还可以执行如下步骤的程序代码：获取训练样本，其中，训练样本包括：交互图样本和知识图谱样本，交互图样本用于表征第一实体对交互界面上展示的至少一个第二实体进行交互操作后产生的交互关系信息，目标知识图谱用于表征至少一个第二实体和至少一个实体属性之间的关联关系信息；利用图神经网络对交互图样本进行解耦表征处理，得到第一实体的隐式解耦表征和至少一个第二实体的隐式解耦表征；利用多关系图神经网络对知识图谱样本进行解耦表征处理，得到至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征；基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征、至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征，构建目标损失函数；基于目标损失函数对图神经网络的网络参数和多关系图神经网络的网络参数进行调整。
可选的，上述处理器还可以执行如下步骤的程序代码：基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于互信息构建第一损失函数；基于至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征预测至少一个第二实体和至少一个实体属性之间的关联关系，并基于预测结果构建第二损失函数；基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征确定第一实体和至少一个第二实体之间的样本匹配分值，并基于匹配分值构建第三损失函数；对第一损失函数、第二损失函数、第三损失函数、图神经网络的网络参数和多关系图神经网络的网络参数进行加权和处理，得到目标损失函数。
可选的，上述处理器还可以执行如下步骤的程序代码：基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征，利用互信息估计器得到多个解耦方面的互信息；对多个解耦方面的互信息进行累加，得到最大互信息；基于最大互信息构建第一损失函数。
可选的，上述处理器还可以执行如下步骤的程序代码：获取每个第二实体的隐式解耦表征和每个第二实体的显式解耦表征之和，得到每个第二实体的目标解耦表征；获取第一实体的隐式解耦表征和每个第二实体的目标解耦表征的内积，得到样本匹配分值。
可选的，上述处理器还可以执行如下步骤的程序代码：获取第一解耦表征和每个第二解耦表征的内积，得到每个待推送对象对应的对象匹配分值；基于至少一个待推送对象对应的对象匹配分值，确定目标推送对象。
采用本申请实施例，提供了一种对象推送方案。通过对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征，进一步地，基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象，最后向目标用户推送目标推送对象，由于目标知识图谱中包含对象属性，使得第一解耦表征和第二解耦表征更加具有可解释性，从而达到了提升推送准确度的技术效果，进而解决了相关技术中学习到的解耦表征缺乏明确的含义或解释，导致推送准确度降低的技术问题。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：云服务器接收客户端发生的对象推送请求，其中，对象推送请求包括：目标用户和至少一个待推送对象；云服务器获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息；云服务器对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征；云服务器基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象；云服务器向目标用户推送目标推送对象。
可选的，上述处理器还可以执行如下步骤的程序代码：云服务器输出目标推送对象至客户端；云服务器接收客户端发送的反馈信息，其中，反馈信息用于表征确认推送目标推送对象，或，新的推送对象；云服务器向目标用户推送目标推送对象，或，新的推送对象。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送产品进行交互操作后产生的交互关系信息，目标知识图谱用于表征至少一个待推送产品和至少一个产品属性之间的关联关系信息；对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送产品的第二解耦表征；基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送产品中的目标推送产品；向目标用户推送目标推送产品。
本领域普通技术人员可以理解，图11所示的结构仅为示意，计算机终端也可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（MobileInternet Devices，MID）、PAD等终端设备。图11其并不对上述电子装置的结构造成限定。例如，计算机终端A还可包括比图11中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图11所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（RandomAccess Memory，RAM）、磁盘或光盘等。
实施例8
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例所提供的对象推送方法和产品推送方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息；对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征；基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象；向目标用户推送目标推送对象。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：利用图神经网络对目标交互图进行解耦表征处理，得到第一解耦表征和至少一个待推送对象的第三解耦表征；利用多关系图神经网络对目标知识图谱进行解耦表征处理，得到至少一个待推送对象的第四解耦表征；获取第三解耦表征和第四解耦表征之和，得到第二解耦表征。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：获取训练样本，其中，训练样本包括：交互图样本和知识图谱样本，交互图样本用于表征第一实体对交互界面上展示的至少一个第二实体进行交互操作后产生的交互关系信息，目标知识图谱用于表征至少一个第二实体和至少一个实体属性之间的关联关系信息；利用图神经网络对交互图样本进行解耦表征处理，得到第一实体的隐式解耦表征和至少一个第二实体的隐式解耦表征；利用多关系图神经网络对知识图谱样本进行解耦表征处理，得到至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征；基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征、至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征，构建目标损失函数；基于目标损失函数对图神经网络的网络参数和多关系图神经网络的网络参数进行调整。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于互信息构建第一损失函数；基于至少一个第二实体的显式解耦表征和至少一个实体属性的显式解耦表征预测至少一个第二实体和至少一个实体属性之间的关联关系，并基于预测结果构建第二损失函数；基于第一实体的隐式解耦表征、至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征确定第一实体和至少一个第二实体之间的样本匹配分值，并基于匹配分值构建第三损失函数；对第一损失函数、第二损失函数、第三损失函数、图神经网络的网络参数和多关系图神经网络的网络参数进行加权和处理，得到目标损失函数。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：基于至少一个第二实体的隐式解耦表征和至少一个第二实体的显式解耦表征，利用互信息估计器得到多个解耦方面的互信息；对多个解耦方面的互信息进行累加，得到最大互信息；基于最大互信息构建第一损失函数。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：获取每个第二实体的隐式解耦表征和每个第二实体的显式解耦表征之和，得到每个第二实体的目标解耦表征；获取第一实体的隐式解耦表征和每个第二实体的目标解耦表征的内积，得到样本匹配分值。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：获取第一解耦表征和每个第二解耦表征的内积，得到每个待推送对象对应的对象匹配分值；基于至少一个待推送对象对应的对象匹配分值，确定目标推送对象。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：云服务器接收客户端发生的对象推送请求，其中，对象推送请求包括：目标用户和至少一个待推送对象；云服务器获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，目标知识图谱用于表征至少一个待推送对象和至少一个对象属性之间的关联关系信息；云服务器对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送对象的第二解耦表征；云服务器基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送对象中的目标推送对象；云服务器向目标用户推送目标推送对象。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：云服务器输出目标推送对象至客户端；云服务器接收客户端发送的反馈信息，其中，反馈信息用于表征确认推送目标推送对象，或，新的推送对象；云服务器向目标用户推送目标推送对象，或，新的推送对象。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标交互图和目标知识图谱，其中，目标交互图用于表征目标用户与至少一个待推送产品进行交互操作后产生的交互关系信息，目标知识图谱用于表征至少一个待推送产品和至少一个产品属性之间的关联关系信息；对目标交互图和目标知识图谱进行解耦表征处理，得到目标用户的第一解耦表征和至少一个待推送产品的第二解耦表征；基于第一解耦表征和至少一个第二解耦表征，确定至少一个待推送产品中的目标推送产品；向目标用户推送目标推送产品。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (14)

1.一种对象推送方法，其特征在于，包括：
获取目标交互图和目标知识图谱，其中，所述目标交互图用于表征目标用户与至少一个待推送对象进行交互后产生的交互关系信息，所述目标知识图谱用于表征所述至少一个待推送对象和至少一个对象属性之间的关联关系信息；
对所述目标交互图和所述目标知识图谱进行解耦表征处理，得到所述目标用户的第一解耦表征和所述至少一个待推送对象的第二解耦表征；
基于所述第一解耦表征和至少一个第二解耦表征，确定所述至少一个待推送对象中的目标推送对象；
向所述目标用户推送所述目标推送对象。
2.根据权利要求1所述的方法，其特征在于，对所述目标交互图和所述目标知识图谱进行解耦表征处理，得到所述目标用户的第一解耦表征和所述至少一个待推送对象的第二解耦表征包括：
利用图神经网络对所述目标交互图进行解耦表征处理，得到所述第一解耦表征和所述至少一个待推送对象的第三解耦表征；
利用多关系图神经网络对所述目标知识图谱进行解耦表征处理，得到所述至少一个待推送对象的第四解耦表征；
获取所述第三解耦表征和所述第四解耦表征之和，得到所述第二解耦表征。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取训练样本，其中，所述训练样本包括：交互图样本和知识图谱样本，所述交互图样本用于表征第一实体对交互界面上展示的至少一个第二实体进行交互操作后产生的交互关系信息，所述目标知识图谱用于表征所述至少一个第二实体和至少一个实体属性之间的关联关系信息；
利用所述图神经网络对所述交互图样本进行解耦表征处理，得到所述第一实体的隐式解耦表征和所述至少一个第二实体的隐式解耦表征；
利用所述多关系图神经网络对所述知识图谱样本进行解耦表征处理，得到所述至少一个第二实体的显式解耦表征和所述至少一个实体属性的显式解耦表征；
基于所述第一实体的隐式解耦表征、所述至少一个第二实体的隐式解耦表征、所述至少一个第二实体的显式解耦表征和所述至少一个实体属性的显式解耦表征，构建目标损失函数；
基于所述目标损失函数对所述图神经网络的网络参数和所述多关系图神经网络的网络参数进行调整。
4.根据权利要求3所述的方法，其特征在于，基于所述第一实体的隐式解耦表征、所述至少一个第二实体的隐式解耦表征、所述至少一个第二实体的显式解耦表征和所述至少一个实体属性的显式解耦表征，构建目标损失函数包括：
基于所述至少一个第二实体的隐式解耦表征和所述至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于所述互信息构建第一损失函数；
基于所述至少一个第二实体的显式解耦表征和所述至少一个实体属性的显式解耦表征预测所述至少一个第二实体和所述至少一个实体属性之间的关联关系，并基于预测结果构建第二损失函数；
基于所述第一实体的隐式解耦表征、所述至少一个第二实体的隐式解耦表征和所述至少一个第二实体的显式解耦表征确定所述第一实体和所述至少一个第二实体之间的样本匹配分值，并基于所述匹配分值构建第三损失函数；
对所述第一损失函数、所述第二损失函数、所述第三损失函数、所述图神经网络的网络参数和所述多关系图神经网络的网络参数进行加权和处理，得到所述目标损失函数。
5.根据权利要求4所述的方法，其特征在于，基于所述至少一个第二实体的隐式解耦表征和所述至少一个第二实体的显式解耦表征构建解耦表征之间的互信息，并基于所述互信息构建第一损失函数包括：
基于所述至少一个第二实体的隐式解耦表征和所述至少一个第二实体的显式解耦表征，利用互信息估计器得到多个解耦方面的互信息；
对所述多个解耦方面的互信息进行累加，得到最大互信息；
基于所述最大互信息构建所述第一损失函数。
6.根据权利要求4所述的方法，其特征在于，基于所述第一实体的隐式解耦表征、所述至少一个第二实体的隐式解耦表征和所述至少一个第二实体的显式解耦表征确定所述第一实体和所述至少一个第二实体之间的样本匹配分值包括：
获取每个第二实体的隐式解耦表征和所述每个第二实体的显式解耦表征之和，得到所述每个第二实体的目标解耦表征；
获取所述第一实体的隐式解耦表征和所述每个第二实体的目标解耦表征的内积，得到所述样本匹配分值。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，基于所述第一解耦表征和至少一个第二解耦表征，确定所述至少一个待推送对象中的目标推送对象包括：
获取所述第一解耦表征和每个第二解耦表征的内积，得到每个待推送对象对应的对象匹配分值；
基于所述至少一个待推送对象对应的对象匹配分值，确定所述目标推送对象。
8.一种对象推送方法，其特征在于，包括：
云服务器接收客户端发生的对象推送请求，其中，所述对象推送请求包括：目标用户和至少一个待推送对象；
所述云服务器获取目标交互图和目标知识图谱，其中，所述目标交互图用于表征所述目标用户与所述至少一个待推送对象进行交互后产生的交互关系信息，所述目标知识图谱用于表征所述至少一个待推送对象和至少一个对象属性之间的关联关系信息；
所述云服务器对所述目标交互图和所述目标知识图谱进行解耦表征处理，得到所述目标用户的第一解耦表征和所述至少一个待推送对象的第二解耦表征；
所述云服务器基于所述第一解耦表征和至少一个第二解耦表征，确定所述至少一个待推送对象中的目标推送对象；
所述云服务器向所述目标用户推送所述目标推送对象。
9.根据权利要求8所述的方法，其特征在于，所述云服务器对所述目标交互图和所述目标知识图谱进行解耦表征处理，得到所述目标用户的第一解耦表征和所述至少一个待推送对象的第二解耦表征包括：
所述云服务器利用图神经网络对所述目标交互图进行解耦表征处理，得到所述第一解耦表征和所述至少一个待推送对象的第三解耦表征；
所述云服务器利用多关系图神经网络对所述目标知识图谱进行解耦表征处理，得到所述至少一个待推送对象的第四解耦表征；
所述云服务器获取所述第三解耦表征和所述第四解耦表征之和，得到所述第二解耦表征。
10.根据权利要求8或9所述的方法，其特征在于，在所述云服务器向所述目标用户推送所述目标推送对象之前，所述方法还包括：
所述云服务器输出所述目标推送对象至所述客户端；
所述云服务器接收所述客户端发送的反馈信息，其中，所述反馈信息用于表征确认推送所述目标推送对象，或，新的推送对象；
所述云服务器向所述目标用户推送所述目标推送对象，或，所述新的推送对象。
11.一种产品推送方法，其特征在于，包括：
获取目标交互图和目标知识图谱，其中，所述目标交互图用于表征目标用户与至少一个待推送产品进行交互操作后产生的交互关系信息，所述目标知识图谱用于表征所述至少一个待推送产品和至少一个产品属性之间的关联关系信息；
对所述目标交互图和所述目标知识图谱进行解耦表征处理，得到所述目标用户的第一解耦表征和所述至少一个待推送产品的第二解耦表征；
基于所述第一解耦表征和至少一个第二解耦表征，确定所述至少一个待推送产品中的目标推送产品；
向所述目标用户推送所述目标推送产品。
12.根据权利要求11所述的方法，其特征在于，对所述目标交互图和所述目标知识图谱进行解耦表征处理，得到所述目标用户的第一解耦表征和所述至少一个待推送产品的第二解耦表征包括：
利用图神经网络对所述目标交互图进行解耦表征处理，得到所述第一解耦表征和所述至少一个待推送产品的第三解耦表征；
利用多关系图神经网络对所述目标知识图谱进行解耦表征处理，得到所述至少一个待推送产品的第四解耦表征；
获取所述第三解耦表征和所述第四解耦表征之和，得到所述第二解耦表征。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至10中任意一项所述的对象推送方法，或，权利要求11至12中任意一项所述的产品推送方法。
14.一种计算机终端，其特征在于，包括：存储器和处理器，所述处理器用于运行所述存储器中存储的程序，其中，所述程序运行时执行权利要求1至10中任意一项所述的对象推送方法，或，权利要求11至12中任意一项所述的产品推送方法。
CN202111285512.3A 2021-11-02 2021-11-02 对象推送方法、产品推送方法、计算机终端及存储介质 Pending CN113722603A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111285512.3A CN113722603A (zh) 2021-11-02 2021-11-02 对象推送方法、产品推送方法、计算机终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111285512.3A CN113722603A (zh) 2021-11-02 2021-11-02 对象推送方法、产品推送方法、计算机终端及存储介质

Publications (1)

Publication Number Publication Date
CN113722603A true CN113722603A (zh) 2021-11-30

Family

ID=78686358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111285512.3A Pending CN113722603A (zh) 2021-11-02 2021-11-02 对象推送方法、产品推送方法、计算机终端及存储介质

Country Status (1)

Country Link
CN (1) CN113722603A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112000689A (zh) * 2020-08-17 2020-11-27 吉林大学 一种基于文本分析的多知识图谱融合方法
CN113918738A (zh) * 2021-12-07 2022-01-11 北京达佳互联信息技术有限公司 多媒体资源推荐方法、装置、电子设备及存储介质
CN114282101A (zh) * 2021-12-20 2022-04-05 北京百度网讯科技有限公司 产品推荐模型的训练方法、装置、电子设备及存储介质
CN115114542A (zh) * 2022-08-26 2022-09-27 北京高德云信科技有限公司 一种对象推荐方法、系统、训练方法、介质及计算机设备
CN115330357A (zh) * 2022-10-09 2022-11-11 深圳市奇见科技有限公司 智能立体车库数据管理方法、装置、设备及存储介质
CN116167828A (zh) * 2023-04-25 2023-05-26 江苏亿友慧云软件股份有限公司 一种基于图协同和对比学习的物品推荐方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060053090A1 (en) * 2002-11-27 2006-03-09 Paul Cotter Personalising content provided to a user
WO2020206876A1 (zh) * 2019-04-08 2020-10-15 清华大学 学习分离表征的图卷积神经网络构建方法及装置
CN112700296A (zh) * 2019-10-23 2021-04-23 阿里巴巴集团控股有限公司 业务对象搜索/属性确定方法、装置、系统及设备
CN113378062A (zh) * 2021-07-06 2021-09-10 广东工业大学 一种基于解耦和记忆的图协同过滤的推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060053090A1 (en) * 2002-11-27 2006-03-09 Paul Cotter Personalising content provided to a user
WO2020206876A1 (zh) * 2019-04-08 2020-10-15 清华大学 学习分离表征的图卷积神经网络构建方法及装置
CN112700296A (zh) * 2019-10-23 2021-04-23 阿里巴巴集团控股有限公司 业务对象搜索/属性确定方法、装置、系统及设备
CN113378062A (zh) * 2021-07-06 2021-09-10 广东工业大学 一种基于解耦和记忆的图协同过滤的推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHANLEI MU 等: "Knowledge-Guided Disentangled Representation Learning for Recommender Systems", 《ACM TRANSACTIONS ON INFORMATION SYSTEMS》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112000689A (zh) * 2020-08-17 2020-11-27 吉林大学 一种基于文本分析的多知识图谱融合方法
CN112000689B (zh) * 2020-08-17 2022-10-18 吉林大学 一种基于文本分析的多知识图谱融合方法
CN113918738A (zh) * 2021-12-07 2022-01-11 北京达佳互联信息技术有限公司 多媒体资源推荐方法、装置、电子设备及存储介质
CN114282101A (zh) * 2021-12-20 2022-04-05 北京百度网讯科技有限公司 产品推荐模型的训练方法、装置、电子设备及存储介质
CN115114542A (zh) * 2022-08-26 2022-09-27 北京高德云信科技有限公司 一种对象推荐方法、系统、训练方法、介质及计算机设备
CN115114542B (zh) * 2022-08-26 2022-11-18 北京高德云信科技有限公司 一种对象推荐方法、系统、训练方法、介质及计算机设备
CN115330357A (zh) * 2022-10-09 2022-11-11 深圳市奇见科技有限公司 智能立体车库数据管理方法、装置、设备及存储介质
CN115330357B (zh) * 2022-10-09 2022-12-23 深圳市奇见科技有限公司 智能立体车库数据管理方法、装置、设备及存储介质
CN116167828A (zh) * 2023-04-25 2023-05-26 江苏亿友慧云软件股份有限公司 一种基于图协同和对比学习的物品推荐方法

Similar Documents

Publication Publication Date Title
CN113722603A (zh) 对象推送方法、产品推送方法、计算机终端及存储介质
Zhao et al. Deep reinforcement learning for list-wise recommendations
Zhao et al. Deep reinforcement learning for page-wise recommendations
Stai et al. A holistic approach for personalization, relevance feedback & recommendation in enriched multimedia content
CN112000819B (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
Li et al. A multi-theoretical kernel-based approach to social network-based recommendation
CN107766547A (zh) 电子书推荐方法、电子设备及计算机存储介质
CN111581450B (zh) 确定用户的业务属性的方法及装置
CN110413867B (zh) 用于内容推荐的方法及系统
CN115270001B (zh) 基于云端协同学习的隐私保护推荐方法及系统
CN113450167A (zh) 一种商品推荐方法和装置
CN112950321A (zh) 一种物品推荐方法和装置
CN114119123A (zh) 信息推送的方法和装置
CN115599990A (zh) 一种知识感知结合深度强化学习的跨域推荐方法及系统
CN111353103A (zh) 用于确定用户社群信息的方法和装置
US9594756B2 (en) Automated ranking of contributors to a knowledge base
CN110288444A (zh) 实现用户相关推荐的方法和系统
Khelloufi et al. A multimodal latent-features-based service recommendation system for the social Internet of Things
CN114461893B (zh) 一种信息推荐的方法、相关装置、设备以及存储介质
CN116541716B (zh) 基于序列图和超图的推荐模型训练方法及装置
CN116401450A (zh) 一种基于知识图谱的推荐方法、装置及计算机设备
CN110874639A (zh) 操作信息的获取方法及装置
CN115809339A (zh) 跨领域推荐方法、系统、设备及存储介质
Zafari et al. Proposing a Highly Accurate Hybrid Component-Based Factorised Preference Model in Recommender Systems.
CN113836437A (zh) 用于帖子推荐的方法、电子设备和存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211130

RJ01 Rejection of invention patent application after publication