CN113836437A - 用于帖子推荐的方法、电子设备和存储介质 - Google Patents
用于帖子推荐的方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113836437A CN113836437A CN202111072879.7A CN202111072879A CN113836437A CN 113836437 A CN113836437 A CN 113836437A CN 202111072879 A CN202111072879 A CN 202111072879A CN 113836437 A CN113836437 A CN 113836437A
- Authority
- CN
- China
- Prior art keywords
- user
- post
- identifications
- node
- weight
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000006399 behavior Effects 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims 1
- 230000010365 information processing Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 26
- 238000012545 processing Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例涉及用于帖子推荐的方法、电子设备和计算机存储介质,涉及信息处理领域。根据该方法,获取多个用户标识、多项用户属性信息、指示多种用户间行为的第一行为信息、多个帖子标识、多项帖子属性信息以及指示多种用户帖子间行为的第二行为信息;基于多个用户标识、多个帖子标识、多项用户属性信息、多项帖子属性信息、第一行为信息和第二行为信息,生成有向带权图;基于图嵌入模型和有向带权图,生成多个用户特征表示和多个帖子特征表示;基于多个用户特征表示和多个帖子特征表示,经由推荐模型,预测关于用户针对帖子的点击概率,以用于基于点击概率向用户推荐帖子。由此,能够融合用户和帖子信息生成特征表示,更准确地推荐帖子。
Description
技术领域
本公开的实施例总体涉及信息处理领域,具体涉及用于帖子推荐的方法、电子设备和计算机存储介质。
背景技术
随着信息技术的发展,越来越多的用户通过网络发帖方式进行沟通交流。传统帖子推荐方法往往只考虑帖子的相关信息进行训练,然后将帖子推荐给用户,推荐的精准度不够高。
发明内容
提供了一种用于帖子推荐的方法、电子设备以及计算机存储介质,能够融合用户信息和帖子信息生成用户特征表示和帖子特征表示,更准确地向用户推荐帖子。
根据本公开的第一方面,提供了一种用于帖子推荐的方法。该方法包括:获取多个用户标识、与多个用户标识相关联的多项用户属性信息、指示多个用户标识之间的多种用户间行为的第一行为信息、多个帖子标识、与多个帖子标识相关联的多项帖子属性信息以及指示多个用户标识与多个帖子标识之间的多种用户帖子间行为的第二行为信息;基于多个用户标识、多个帖子标识、多项用户属性信息、多项帖子属性信息、第一行为信息和第二行为信息,生成有向带权图;基于图嵌入模型和有向带权图,生成与多个用户标识相关联的多个用户特征表示和与多个帖子标识相关联的多个帖子特征表示;以及基于多个用户特征表示和多个帖子特征表示,经由推荐模型,预测关于用户针对帖子的点击概率,以用于基于点击概率向用户推荐帖子。
根据本公开的第二方面,提供了一种电子设备。该电子设备包括: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根据第一方面所述的方法。
在本公开的第三方面中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的第一方面的方法。
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
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1是根据本公开的实施例的信息处理环境100的示意图。
图2是根据本公开的实施例的用于帖子推荐的方法200的示意图。
图3是根据本公开的实施例的用于生成与多个用户标识相关联的多个用户特征表示和与多个帖子标识相关联的多个帖子特征表示的方法300的示意图。
图4是根据本公开的实施例的用于生成有向带权图的方法400的示意图。
图5是根据本公开的实施例的用于生成有向带权图的方法500的示意图。
图6是根据本公开的实施例的用于生成有向带权图的方法600的示意框图。
图7是根据本公开的实施例的图嵌入模型的示意框图。
图8是用来实现本公开实施例的用于帖子推荐的方法的电子设备的框图。
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。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上所述,传统推荐方法往往仅考虑帖子相关信息进行训练和推荐,无法适应社交场景下多维度多目标输出的处理,精准度不够高。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于帖子推荐的方案。在该方案中,计算设备获取多个用户标识、与多个用户标识相关联的多项用户属性信息、指示多个用户标识之间的多种用户间行为的第一行为信息、多个帖子标识、与多个帖子标识相关联的多项帖子属性信息以及指示多个用户标识与多个帖子标识之间的多种用户帖子间行为的第二行为信息。计算设备基于多个用户标识、多个帖子标识、多项用户属性信息、多项帖子属性信息、第一行为信息和第二行为信息,生成有向带权图。随后,计算设备基于图嵌入模型和有向带权图,生成与多个用户标识相关联的多个用户特征表示和与多个帖子标识相关联的多个帖子特征表示;以及基于多个用户特征表示和多个帖子特征表示,经由推荐模型,预测关于用户针对帖子的点击概率,以用于基于点击概率向用户推荐帖子。以此方式,能够融合用户信息和帖子信息生成用户特征表示和帖子特征表示,更准确地向用户推荐帖子。
在下文中,将结合附图更详细地描述本方案的具体示例。
图1示出了根据本公开的实施例的信息处理环境100的示例的示意图。信息处理环境100可以包括计算设备110、多个用户标识120、与多个用户标识120相关联的多项用户属性信息130、指示多个用户标识120之间的多种用户间行为的第一行为信息140、多个帖子标识150、与多个帖子标识150相关联的多项帖子属性信息160、指示多个用户标识120与多个帖子标识150之间的多种用户帖子间行为的第二行为信息170、与多个用户标识120相关联的多个用户特征表示180和与多个帖子标识150相关联的多个帖子特征表示190。
计算设备110例如包括但不限于服务器计算机、多处理器系统、大型计算机、包括上述系统或设备中的任意一个的分布式计算环境等。在一些实施例中,计算设备110可以具有一个或多个处理单元,包括诸如图像处理单元GPU、现场可编程门阵列FPGA和专用集成电路ASIC等的专用处理单元以及诸如中央处理单元CPU的通用处理单元。
计算设备110用于获取多个用户标识120、与多个用户标识120相关联的多项用户属性信息130、指示多个用户标识120之间的多种用户间行为的第一行为信息140、多个帖子标识150、与多个帖子标识150相关联的多项帖子属性信息160以及指示多个用户标识120与多个帖子标识150之间的多种用户帖子间行为的第二行为信息170;基于多个用户标识120、多个帖子标识150、多项用户属性信息130、多项帖子属性信息160、第一行为信息140和第二行为信息170,生成有向带权图;以及基于图嵌入模型和有向带权图,生成与多个用户标识120相关联的多个用户特征表示和与多个帖子标识150相关联的多个帖子特征表示;以及基于多个用户特征表示和多个帖子特征表示,经由推荐模型,预测关于用户针对帖子的点击概率180,以用于基于点击概率向用户推荐帖子。
由此,能够融合用户信息和帖子信息生成用户特征表示和帖子特征表示,更准确地向用户推荐帖子。
图2示出了根据本公开的实施例的用于帖子推荐的方法200的流程图。例如,方法200可以由如图1所示的计算设备110来执行。应当理解的是,方法200还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在框202处,计算设备110获取多个用户标识120、与多个用户标识120相关联的多项用户属性信息130、指示多个用户标识120之间的多种用户间行为的第一行为信息140、多个帖子标识150、与多个帖子标识150相关联的多项帖子属性信息160以及指示多个用户标识120与多个帖子标识150之间的多种用户帖子间行为的第二行为信息170。
用户属性信息例如包括但不限于用户性别、年龄、常住地、标签等。帖子属性信息例如包括但不限于帖子类型、帖子年龄、帖子标签等。多种用户间行为例如包括但不限于关注、私聊、点击头像和回复评论。多种用户间行为例如可以与多个第一权重相关联。多种用户帖子间行为例如包括但不限于点赞、收藏、分享和评论。多种用户帖子间行为例如可以与多个第二权重相关联。
在一些实施例中,计算设备110可以获取满足以下至少一个条件的多个用户标识:不位于黑名单中、与多种用户间行为中的至少一种用户间行为相关联和预定时间间隔内预定用户间行为的次数小于或等于预定次数。例如,从用户标记集中过滤黑名单中的用户标识,过滤无关注、无私聊和无点击头像的三无用户,过滤过度活跃用户,例如一个月内私聊超过500的用户,1个月内点击头像超过1000的用户。
类似地,计算设备110可以获取满足以下至少一个条件的多个帖子标识:不位于黑名单中、与多种用户帖子间行为中的至少一种用户帖子间行为相关联和预定时间间隔内预定用户帖子间行为的次数小于或等于预定次数。例如,从帖子标识集过滤黑名单中的帖子标识,过滤无点赞、收藏、分享、评论的帖子,过滤过度热门的帖子,例如一周点赞数超过20万的帖子,一周评论超过1万的帖子等。
在框204处,计算设备110基于多个用户标识120、多个帖子标识150、多项用户属性信息130、多项帖子属性信息160、第一行为信息140和第二行为信息170,生成有向带权图。
有向带权图中的多个用户节点表示多个用户标识和多项用户属性。有向带权图中的多个帖子节点表示多个帖子标识和多项帖子属性。
有向带权图中的节点到另一节点的有向边表示所述节点所表示的用户标识或帖子标识对另一节点所表示的用户标识或帖子标识之间存在至少一种用户间行为或至少一种用户帖子间行为。
有向带权图中任意第一用户节点到任意第二用户节点之间的第一有向边表示第一用户节点表示的用户标识对第二用户节点表示的用户标识存在多种用户间行为中的至少一种用户间行为,第一有向边的权重基于与至少一种用户间行为相关联的至少一个权重。
例如,对于关注,边的方向为关注人->被关注人(如果互相关注,则为双向边)。对于私聊,边的方向为发起人->被发起人(如果双方都有发起,则为双向边)。对于点击头像,边的方向为查看人->被查看(如果双方都有查看,则为双向边)。对于回复评论,边的方向为回复人->被回复人(如果双方都有回复,则为双向边)。对于权重,例如私聊关系权重为w1,用户关注权重为w2,用户A和用户B之间是私聊和关注关系,则对应边的权重为w1+w2,用户A和用户C之间是私聊关系,则对应边的权重为w1。
第二有向带权图中任意用户节点到任意帖子节点的第二有向边表示用户节点表示的用户标识对帖子节点表示的帖子标识存在多种用户帖子间行为中的至少一种用户帖子间行为,第二有向边的权重基于与至少一种用户帖子间行为相关联的至少一个权重。
如点赞关系权重为y1,分享关系权重为y2,用户A和帖子B之间是点赞和分享关系,则对应边的权重为y1+y2,用户A和帖子C之间是点赞关系,则对应边的权重为y1。
在框206处,计算设备110基于图嵌入模型和有向带权图,生成与多个用户标识相关联的多个用户特征表示和与多个帖子标识相关联的多个帖子特征表示。下文将结合图3详细描述用于生成与多个用户标识相关联的多个用户特征表示和与多个帖子标识相关联的多个帖子特征表示的方法。
在框208处,计算设备110基于多个用户特征表示和多个帖子特征表示,经由推荐模型,预测关于用户针对帖子的点击概率,以用于基于点击概率向用户推荐帖子。
推荐模型可以采用任何合适的推荐模型,例如包括但不限于wide&deep模型。例如,将多个用户特征表示和多个帖子特征表示输入到wide&deep模型,应当理解wide&deep模型也可以输入其他的特征,本公开的实施例对此不做限制。通过联合训练,得到关于用户针对帖子的点击概率。wide模型例如y=ωT[x,φ(x)]+b其中x和φ(x)表示原始特征与叉乘特征。Deep模型采用前馈神经网络,每一层隐层计算例如al+1=f(Wlal+bl),其中al,bl,Wl是第1层的激活值、偏置和权重,f是激活函数,例如ReLu。损失函数可以采用逻辑损失函数。
由此,能够融合诸如用户标识、用户属性和用户间行为的用户信息和诸如帖子标识、帖子属性和用户帖子间行为的帖子信息生成用户特征表示和帖子特征表示,从而融合社交场景下不同类型的社交数据,训练得到更准确的用户特征和帖子特征,从而更准确地向用户推荐帖子。此外,通过在帖子冷启动的基础上引入用户特征,解决了新用户的冷启动帖子推荐问题,提高用户满意度。
图3示出了根据本公开的实施例的用于生成与多个用户标识相关联的多个用户特征表示和与多个帖子标识相关联的多个帖子特征表示的方法300的流程图。例如,方法300可以由如图1所示的计算设备110来执行。应当理解的是,方法300还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在框302处,计算设备110从有向带权图中的多个节点中随机选择至少两个节点。
在框304处,计算设备110以至少两个节点中的每个节点为起点在有向带权图上进行随机游走,以生成多个节点序列。
游走的概率基于节点的出边权重,例如节点A具有3个出边,连接到节点B、C和D,权重分别为w1、w2和w3,则节点A游走到节点B的概率为w1/(w1+w2+w3),节点A游走到节点C的概率为w2/(w1+w2+w3),节点A游走到节点D的概率为w3/(w1+w2+w3)。生成的节点序列中的节点数量可以为预定数量,例如5、6个等。
在框306处,计算设备110对于多个节点序列中的每个节点序列中的每个节点,从节点序列确定位于节点的预定窗口半径内的节点子序列。
例如,节点序列为[A,B,C,D,E],预定窗口半径为2,对于节点A而言,节点子序列为[A,B,C],对于节点B而言,节点子序列为[A,B,C,D],对于节点C而言,节点子序列为[A,B,C,D,E],以此类推。
在框308处,计算设备110对于多个节点序列中的每个节点序列中的每个节点,基于节点所表示的用户标识或帖子标识、与节点相关联的用户属性信息或帖子属性信息、节点的至少一个入边权重和节点子序列,训练图嵌入模型,以生成与节点相关联的特征表示和至少一个入边权重特征表示。
例如,以节点所表示的用户标识或帖子标识、与节点相关联的用户属性信息或帖子属性信息、节点的至少一个入边权重为图嵌入模型的输入,以节点子序列为图嵌入模型的输出,训练图嵌入模型,通过梯度下降法生成与节点相关联的特征表示和至少一个入边权重特征表示。
图7示出了根据本公开的实施例的图嵌入模型700的示意图。如图7所示,图嵌入模型700包括输入层710、嵌入层720、隐藏层730和输出层740。输入层710用于接收以节点所表示的用户标识或帖子标识、与节点相关联的用户属性信息或帖子属性信息和节点的至少一个入边权重,输入层710可以通过one hot编码生成它们的稀疏特征表示。嵌入层720通过待训练的权重矩阵与稀疏特征表示相乘,生成用户标识或帖子标识的特征表示、用户属性信息或帖子属性信息的特征表示、至少一个入边权重特征表示。隐藏层730将嵌入层720生成的特征表示进行加权后输入到输出层740。输出层740对节点子序列中的多个节点预测概率,例如实现为softmax,随后与节点子序列中的多个节点的真实概率(出现则为1,不出现则为0)计算损失,损失函数例如可以采用交叉熵损失,随后通过反向传播和梯度下降对图嵌入模型中的权重矩阵等参数进行更新,不断重复训练直至模型收敛。最终得到图嵌入模型训练的副产品,也就是与节点相关联的特征表示和至少一个入边权重特征表示。
在框310处,计算设备110对于多个节点序列中的每个节点序列中的每个节点,基于至少一个入边权重特征表示,更新节点的至少一个入边权重。
在一些实施例中,对于至少一个入边权重中的每个入边权重,计算设备110可以将与入边权重相关联的入边权重特征表示中的多个元素求和,以生成权重更新值,以及基于预定更新比例和权重更新值,更新入边权重。例如,w1=α*w1+sum(emb w1),其中w1入边权重,emb w1表示入边权重特征表示,α为预定更新比例,例如为0.8,emb w1例如为8维向量,sum(emb w1)可以将其中的8个元素相加,以生成权重更新值。
在框312处,计算设备110确定图嵌入模型是否收敛。例如,可以通过确定图嵌入模型的损失函数得到的损失是否平稳,也就是损失的变化是否小于预定值,来确定图嵌入模型是否收敛。如果损失的变化小于预定值,则收敛,否则不收敛。
如果在框312处计算设备110确定图嵌入模型收敛,则结束,得到与多个节点相关联的多个特征表示,也就是与多个用户标识相关联的多个用户特征表示和与多个帖子标识相关联的多个帖子特征表示,可以用于向用户推荐帖子。
如果在框312处计算设备110确定图嵌入模型未收敛,则回到框302。
由此,能够通过训练图嵌入模型生成的入边权重特征表示更新用于训练图嵌入模型的入边权重,使得图嵌入模型能够更快收敛。
图4示出了根据本公开的实施例的用于生成有向带权图的方法400的流程图。例如,方法400可以由如图1所示的计算设备110来执行。应当理解的是,方法400还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在框402处,计算设备110获取预定时间间隔内多个用户标识浏览的多个帖子标识序列。
在框404处,计算设备110对于多个帖子标识序列中的每个帖子标识序列中非末尾的每个帖子标识,生成从表示帖子标识的帖子节点到表示帖子标识序列中紧接帖子标识之后的帖子标识的帖子节点的第四有向边,第四有向边的权重基于第一预定值。
由此,能够使得有向图体现用户对帖子的浏览顺序,从而得到的用户特征表示和帖子特征表示能够考虑用户对帖子的浏览顺序,维度更加丰富也更贴近实际。
图5示出了根据本公开的实施例的用于生成有向带权图的方法500的流程图。例如,方法500可以由如图1所示的计算设备110来执行。应当理解的是,方法500还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在框502处,计算设备110确定多个用户标识中的任意用户标识对多个帖子标识中的任意帖子标识的评论次数是否多于预定次数。
如果在框502处计算设备110确定多个用户标识中的任意用户标识对多个帖子标识中的任意帖子标识的评论次数多于预定次数,则在框504处,生成从表示用户标识的用户节点到表示帖子标识的帖子节点的第五有向边,第五有向边的权重基于第二预定值。
由此,能够使得有向图体现用户对帖子多次评论的关系,从而得到的用户特征表示和帖子特征表示能够考虑用户对帖子多次评论的关系,维度更加丰富也更贴近实际。
图6示出了根据本公开的实施例的用于生成有向带权图的方法600的流程图。例如,方法600可以由如图1所示的计算设备110来执行。应当理解的是,方法600还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在框602处,计算设备110确定多个用户标识中的任意第一用户标识是否经由第二用户标识的分享进入多个帖子标识中的任意帖子标识。
如果在框602处计算设备110确定多个用户标识中的任意第一用户标识经由第二用户标识的分享进入多个帖子标识中的任意帖子标识,则在框604处,生成从表示帖子标识的帖子节点到表示第一用户标识的用户节点的第六有向边,第六有向边的权重基于第三预定值。
由此,能够使得有向图体现第一用户通过第二用户的分享进入帖子的关系,从而得到的用户特征表示和帖子特征表示能够考虑第一用户通过第二用户的分享进入帖子的关系,维度更加丰富也更贴近实际。
图8示出了可以用来实施本公开内容的实施例的示例设备800的示意性框图。例如,如图1所示的计算设备110可以由设备800来实施。如图所示,设备800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的计算机程序指令或者从存储单元808加载到随机存取存储器(RAM)803中的计算机程序指令,来执行各种适当的动作和处理。在随机存取存储器803中,还可存储设备800操作所需的各种程序和数据。中央处理单元801、只读存储器802以及随机存取存储器803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至输入/输出接口805,包括:输入单元806,例如键盘、鼠标、麦克风等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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。
上文所描述的各个过程和处理,例如方法200-600,可由中央处理单元801执行。例如,在一些实施例中,方法200-600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808。在一些实施例中,计算机程序的部分或者全部可以经由只读存储器802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序被加载到随机存取存储器803并由中央处理单元801执行时,可以执行上文描述的方法200-600的一个或多个动作。
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种用于帖子推荐的方法,包括:
获取多个用户标识、与所述多个用户标识相关联的多项用户属性信息、指示所述多个用户标识之间的多种用户间行为的第一行为信息、多个帖子标识、与所述多个帖子标识相关联的多项帖子属性信息以及指示所述多个用户标识与所述多个帖子标识之间的多种用户帖子间行为的第二行为信息;
基于所述多个用户标识、所述多个帖子标识、所述多项用户属性信息、所述多项帖子属性信息、所述第一行为信息和所述第二行为信息,生成有向带权图;
基于图嵌入模型和所述有向带权图,生成与所述多个用户标识相关联的多个用户特征表示和与所述多个帖子标识相关联的多个帖子特征表示;以及
基于所述多个用户特征表示和所述多个帖子特征表示,经由推荐模型,预测关于用户针对帖子的点击概率,以用于基于所述点击概率向用户推荐帖子。
2.根据权利要求1所述的方法,其中生成与所述多个用户标识相关联的多个用户特征表示和与所述多个帖子标识相关联的多个帖子特征表示包括重复执行以下步骤直至所述图嵌入模型收敛:
从所述有向带权图中的多个节点中随机选择至少两个节点;
以所述至少两个节点中的每个节点为起点在所述有向带权图上进行随机游走,以生成多个节点序列;
对于所述多个节点序列中的每个节点序列中的每个节点,执行以下步骤:
从所述节点序列确定位于所述节点的预定窗口半径内的节点子序列;
基于所述节点所表示的用户标识或帖子标识、与所述节点相关联的用户属性信息或帖子属性信息、所述节点的至少一个入边权重和所述节点子序列,训练所述图嵌入模型,以生成与所述节点相关联的特征表示和至少一个入边权重特征表示;以及
基于所述至少一个入边权重特征表示,更新所述节点的所述至少一个入边权重。
3.根据权利要求2所述的方法,其中更新所述节点的所述至少一个入边权重包括对于所述至少一个入边权重中的每个入边权重:
将与所述入边权重相关联的入边权重特征表示中的多个元素求和,以生成权重更新值;以及
基于预定更新比例和所述权重更新值,更新所述入边权重。
4.根据权利要求1所述的方法,其中所述有向带权图中的多个用户节点表示所述多个用户标识和所述多项用户属性,所述有向带权图中的多个帖子节点表示所述多个帖子标识和所述多项帖子属性,所述有向带权图中任意第一用户节点到任意第二用户节点之间的第一有向边表示所述第一用户节点表示的用户标识对所述第二用户节点表示的用户标识存在所述多种用户间行为中的至少一种用户间行为,所述第一有向边的权重基于与所述至少一种用户间行为相关联的至少一个权重,所述第二有向带权图中任意用户节点到任意帖子节点的第二有向边表示所述用户节点表示的用户标识对所述帖子节点表示的帖子标识存在所述多种用户帖子间行为中的至少一种用户帖子间行为,所述第二有向边的权重基于与所述至少一种用户帖子间行为相关联的至少一个权重。
5.根据权利要求1所述的方法,其中生成所述有向带权图包括:
获取预定时间间隔内所述多个用户标识浏览的多个帖子标识序列;以及
对于所述多个帖子标识序列中的每个帖子标识序列中非末尾的每个帖子标识,生成从表示所述帖子标识的帖子节点到表示所述帖子标识序列中紧接所述帖子标识之后的帖子标识的帖子节点的第四有向边,所述第四有向边的权重基于第一预定值。
6.根据权利要求1所述的方法,其中生成所述有向带权图包括:
如果确定所述多个用户标识中的任意用户标识对所述多个帖子标识中的任意帖子标识的评论次数多于预定次数,则生成从表示所述用户标识的用户节点到表示所述帖子标识的帖子节点的第五有向边,所述第五有向边的权重基于第二预定值;以及
如果确定所述多个用户标识中的任意第一用户标识经由第二用户标识的分享进入所述多个帖子标识中的任意帖子标识,则生成从表示所述帖子标识的帖子节点到表示所述第一用户标识的用户节点的第六有向边,所述第六有向边的权重基于第三预定值。
7.根据权利要求1所述的方法,其中获取所述多个用户标识包括获取满足以下至少一个条件的多个用户标识:
不位于黑名单中、与所述多种用户间行为中的至少一种用户间行为相关联和预定时间间隔内预定用户间行为的次数小于或等于预定次数。
8.根据权利要求1所述的方法,其中所述多种用户间行为包括关注、私聊、点击头像和回复评论,所述多种用户帖子间行为包括点赞、收藏、分享和评论。
9.一种电子设备,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1-8中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111072879.7A CN113836437B (zh) | 2021-09-14 | 2021-09-14 | 用于帖子推荐的方法、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111072879.7A CN113836437B (zh) | 2021-09-14 | 2021-09-14 | 用于帖子推荐的方法、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836437A true CN113836437A (zh) | 2021-12-24 |
CN113836437B CN113836437B (zh) | 2024-01-30 |
Family
ID=78959113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111072879.7A Active CN113836437B (zh) | 2021-09-14 | 2021-09-14 | 用于帖子推荐的方法、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836437B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522030A (zh) * | 2023-04-28 | 2023-08-01 | 上海任意门科技有限公司 | 信息处理方法、装置和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150213368A1 (en) * | 2012-10-08 | 2015-07-30 | Tencent Technology (Shenzhen) Company Limited | Information recommendation method, apparatus, and server |
CN105843799A (zh) * | 2016-04-05 | 2016-08-10 | 电子科技大学 | 一种基于多源异构信息图模型的学术论文标签推荐方法 |
CN110297987A (zh) * | 2019-07-02 | 2019-10-01 | 武汉斗鱼网络科技有限公司 | 一种帖子推荐方法、装置、设备和存储介质 |
CN110795627A (zh) * | 2019-10-28 | 2020-02-14 | 苏州跃盟信息科技有限公司 | 信息推荐方法及装置、电子设备 |
KR20200088134A (ko) * | 2019-01-14 | 2020-07-22 | 카페24 주식회사 | 상품 추천 방식 개선 방법 및 장치 |
CN112036979A (zh) * | 2020-08-26 | 2020-12-04 | 华东理工大学 | 评分预测方法、推荐方法、处理装置及存储介质 |
CN112115377A (zh) * | 2020-09-11 | 2020-12-22 | 安徽农业大学 | 一种基于社交关系的图神经网络链路预测推荐方法 |
-
2021
- 2021-09-14 CN CN202111072879.7A patent/CN113836437B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150213368A1 (en) * | 2012-10-08 | 2015-07-30 | Tencent Technology (Shenzhen) Company Limited | Information recommendation method, apparatus, and server |
CN105843799A (zh) * | 2016-04-05 | 2016-08-10 | 电子科技大学 | 一种基于多源异构信息图模型的学术论文标签推荐方法 |
KR20200088134A (ko) * | 2019-01-14 | 2020-07-22 | 카페24 주식회사 | 상품 추천 방식 개선 방법 및 장치 |
CN110297987A (zh) * | 2019-07-02 | 2019-10-01 | 武汉斗鱼网络科技有限公司 | 一种帖子推荐方法、装置、设备和存储介质 |
CN110795627A (zh) * | 2019-10-28 | 2020-02-14 | 苏州跃盟信息科技有限公司 | 信息推荐方法及装置、电子设备 |
CN112036979A (zh) * | 2020-08-26 | 2020-12-04 | 华东理工大学 | 评分预测方法、推荐方法、处理装置及存储介质 |
CN112115377A (zh) * | 2020-09-11 | 2020-12-22 | 安徽农业大学 | 一种基于社交关系的图神经网络链路预测推荐方法 |
Non-Patent Citations (2)
Title |
---|
YUEXIN HUANG等: "Best Answerers Prediction With Topic Based GAT In Q&A Sites", 《INTERNETWARE\'20: 12TH ASIA-PACIFIC SYMPOSIUM ON INTERNETWARE》, pages 156 - 164 * |
巨星海等: "一种基于用户偏好分析和论坛相似度计算的改进LFM推荐算法", 《信息工程大学学报》, vol. 22, no. 4, pages 433 - 437 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522030A (zh) * | 2023-04-28 | 2023-08-01 | 上海任意门科技有限公司 | 信息处理方法、装置和存储介质 |
CN116522030B (zh) * | 2023-04-28 | 2024-05-24 | 上海任意门科技有限公司 | 信息处理方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113836437B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9483580B2 (en) | Estimation of closeness of topics based on graph analytics | |
US10079819B2 (en) | Systems and methods for authenticating an avatar | |
US20100036936A1 (en) | Modification of social networks via design codes | |
CN111814977A (zh) | 训练事件预测模型的方法及装置 | |
CN110543943B (zh) | 一种网络融合方法及装置、电子设备、存储介质 | |
CN112100489B (zh) | 对象推荐的方法、装置和计算机存储介质 | |
US11336596B2 (en) | Personalized low latency communication | |
CN115270001B (zh) | 基于云端协同学习的隐私保护推荐方法及系统 | |
KR102676791B1 (ko) | 다중 프로필을 제공하는 방법 및 시스템 | |
CN111338549A (zh) | 信息共享方法及装置、存储介质及电子设备 | |
CN112446736A (zh) | 一种点击通过率ctr预测方法及装置 | |
CN113836437B (zh) | 用于帖子推荐的方法、电子设备和存储介质 | |
US11188846B1 (en) | Determining a sequential order of types of events based on user actions associated with a third party system | |
JP2024508502A (ja) | 情報をプッシュする方法および装置 | |
WO2021139513A1 (zh) | 处理交互序列数据的方法及装置 | |
Uc-Cetina et al. | Composition of web services using Markov decision processes and dynamic programming | |
CN113722546A (zh) | 异常用户账户获取方法及装置、电子设备、存储介质 | |
KR100863415B1 (ko) | 사용자 베이스 서비스 인맥정보 제공방법 및 그 시스템 | |
JP2022518671A (ja) | デュアル・ネットワークと共に訓練された主ネットワークを介した多目的タスクの実行 | |
CN110830306A (zh) | 确定网络用户影响力的方法、装置、存储介质及电子设备 | |
CN115329864A (zh) | 训练推荐模型的方法、装置和电子设备 | |
CN110879865B (zh) | 核身产品的推荐方法和装置 | |
CN112395490B (zh) | 用于生成信息的方法和装置 | |
CN113792784A (zh) | 用于用户聚类的方法、电子设备和存储介质 | |
CN113987345A (zh) | 数据处理的方法、装置、设备、存储介质及程序产品 |
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 |