CN113886686A - 向用户推荐物品信息的方法、设备、存储介质及程序产品 - Google Patents
向用户推荐物品信息的方法、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN113886686A CN113886686A CN202111123077.4A CN202111123077A CN113886686A CN 113886686 A CN113886686 A CN 113886686A CN 202111123077 A CN202111123077 A CN 202111123077A CN 113886686 A CN113886686 A CN 113886686A
- Authority
- CN
- China
- Prior art keywords
- node
- vector
- topological graph
- nodes
- user
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供的向用户推荐物品信息的方法、设备、存储介质及程序产品,涉及数据处理技术,包括:获取用于表征用户与物品间关联关系的预设拓扑图,以及用于更新预设拓扑图的更新数据;根据更新数据更新预设拓扑图中的边得到更新后的拓扑图;获取预先训练得到的与预设拓扑图对应的向量模型,并根据更新后的拓扑图、获取的向量模型,更新拓扑图中任一节点的向量,向量用于表征节点的特征;根据各节点的向量,确定用户节点的相似物品节点,并向用户节点对应的用户推荐相似物品节点的物品信息。本申请提供的方案中,能够基于更新数据快速更新节点向量,进而可以基于更新后的节点向量更精准的向用户推荐信息。
Description
技术领域
本申请涉及数据处理技术,尤其涉及一种向用户推荐物品信息的方法、设备、存储介质及程序产品。
背景技术
为了向用户提供更加丰富的网络信息,可以向用户主动推送信息,比如,可以推送商品信息,还可以推送用户可能感兴趣的资讯等。
为了能够向用户推送其感兴趣的网络信息,现有技术中存在个性化推荐方法,通过将用户与信息进行向量化表示,能够确定各个用户的感兴趣信息,进而向用户推荐。
为了记录用户与信息之间的关系,可以选择网络拓扑图的方式存储用户与信息间的关系。但是,图的复杂性往往使得实时推荐成为一个难点,因此,如何提高个性化推荐的时效性,是本领域技术人员亟需解决的技术问题。
发明内容
本申请提供一种向用户推荐物品信息的方法、设备、存储介质及程序产品,以解决现有技术中个性化推荐时效性差的问题。
本申请的第一个方面是提供一种用于向用户推荐物品信息的方法,包括:
获取用于表征用户与物品间关联关系的预设拓扑图,以及用于更新所述预设拓扑图的更新数据;其中,其中,所述预设拓扑图中包括节点,所述节点包括用户节点、物品节点,通过边连接的用户节点和物品节点之间具有关联关系;
根据所述更新数据更新所述预设拓扑图中的边得到更新后的拓扑图;
获取预先利用与所述预设拓扑图对应的初始拓扑图训练得到的向量模型,并根据更新后的所述拓扑图、获取的所述向量模型,更新所述拓扑图中任一节点的向量,所述向量用于表征节点的特征;
根据各所述节点的向量,确定用户节点的相似物品节点,并向所述用户节点对应的用户推荐所述相似物品节点的物品信息。
本申请的第二个方面是提供一种个性化推荐信息的装置,包括:
获取单元,用于获取用于表征用户与物品间关联关系的预设拓扑图,以及用于更新所述预设拓扑图的更新数据;其中,所述预设拓扑图中包括节点,所述节点包括用户节点、物品节点,通过边连接的用户节点和物品节点之间具有关联关系;
图更新单元,用于根据所述更新数据更新所述预设拓扑图中的边得到更新后的拓扑图;
向量更新单元,用于获取预先训练得到的与所述预设拓扑图对应的向量模型,并根据更新后的所述拓扑图、获取的所述向量模型,更新所述拓扑图中任一节点的向量,所述向量用于表征节点的特征;
推荐单元,用于根据各所述节点的向量,确定用户节点的相似物品节点,并向所述用户节点对应的用户推荐所述相似物品节点的物品信息。本申请的又一个方面是提供一种电子设备,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并配置为由所述处理器执行以实现如上述第一方面所述的用于向用户推荐物品信息的方法。
本申请的又一个方面是提供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以实现如上述第一方面所述的用于向用户推荐物品信息的方法。
本申请的又一个方面是提供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如上述第一方面所述的用于向用户推荐物品信息的方法。
本申请提供的向用户推荐物品信息的方法、设备、存储介质及程序产品的技术效果是:
本申请提供的向用户推荐物品信息的方法、设备、存储介质及程序产品,包括:获取用于表征用户与物品间关联关系的预设拓扑图,以及用于更新预设拓扑图的更新数据;其中,预设拓扑图中包括节点,节点包括用户节点、物品节点,通过边连接的用户节点和物品节点之间具有关联关系;根据更新数据更新预设拓扑图中的边得到更新后的拓扑图;获取预先训练得到的与预设拓扑图对应的向量模型,并根据更新后的拓扑图、获取的向量模型,更新拓扑图中任一节点的向量,向量用于表征节点的特征;根据各节点的向量,确定用户节点的相似物品节点,并向用户节点对应的用户推荐相似物品节点的物品信息。本申请提供的方案中,可以预先设置预设拓扑图,以及与该预设拓扑图对应的向量模型,存在更新数据后,可以直接基于该更新数据更新预设拓扑图,并利用向量模型对更新后的拓扑图进行处理,得到节点更新后的向量。这种方法能够基于更新数据快速更新节点向量,进而可以基于更新后的节点向量更精准的向用户推荐信息。
附图说明
图1为一示例性实施例示出的直推式图嵌入算法架构示意图;
图2为一示例性实施例示出的归纳式图嵌入算法架构示意图;
图3为本申请一示例性实施例示出的个性化推荐信息的方法的流程图;
图4为本申请一示例性实施例示出的采集行为子图的示意图;
图5为本申请另一示例性实施例示出的个性化推荐信息的方法的流程图;
图6为本申请一示例性实施例示出的初始拓扑图的示意图;
图7为本申请一示例性实施例示出的行为子图的示意图;
图8为本申请一示例性实施例示出的个性化推荐信息的装置的结构图;
图9为本申请另一示例性实施例示出的个性化推荐信息的装置的结构图;
图10为本申请一示例性实施例示出的电子设备的结构图。
具体实施方式
在个性化推荐的方案中,为达到近实时的推荐效果,在全量训练的基础上,需要根据用户新产生的交互行为,及时更新用户的向量结果,以便在进行推荐时结合用户的新近行为,作出分钟级别的效果反馈。
目前存在两类图嵌入方法,一类为直推式图嵌入算法,比如GCN(GraphConvolutional Network,图卷积网络)。另一类为归纳式图嵌入算法,比如GRAPHSAGE(Graph SAmple and aggreGatE)。
图1为一示例性实施例示出的直推式图嵌入算法架构示意图。
如1所示,首先收集全量离线数据,其中离线数据包含用户的行为,用户的属性和物品的属性等数据,通过图构建将用户和物品建模为图中节点。
用户的行为用来构建节点之间的连接边,用户属性和物品属性则是图中节点的特征。构建好全图之后,采用GCN等算法利用图的整个邻接矩阵和图卷积操作融合相邻节点的信息,生成节点的向量表示。
当有新的用户行为产生后,需要基于全量的离线数据以及增量数据,重新构建图,再基于图生产各个节点的向量表示。这种方式更新用户的向量表示速度慢,无法及时基于产生的增量数据快速调整图,因此,不能支持近实时的架构更新。
图2为一示例性实施例示出的归纳式图嵌入算法架构示意图。
如图2所示,首先收集全量离线数据,其中全量数据包含用户的行为,用户的属性和物品的属性等数据,通过图构建将用户和物品建模为图中节点。
以GRAPHSAGE为例,对构建的图进行训练,保存节点之间的映射关系。可基于映射函数对一个节点的邻节点进行处理,从而确定该节点的向量表达。但是归纳式图嵌入算法主要应用于全量结点的离线训练,无法直接基于归纳式图嵌入算法进行个性化的信息推荐。
为了解决上述技术问题,本申请提供一种用于向用户推荐物品信息的方案,本方案中可以预先构建拓扑图,还可以预先训练得到向量模型,存在更新数据时,可以直接利用更新数据更新拓扑图,并基于向量模型对更新后的图进行处理,确定节点更新后的向量,这种方式能够根据更新数据快速更新节点的向量,进而能够根据更新后的向量向用户个性化的推荐信息,从而提高个性化推荐的时效性。
图3为本申请一示例性实施例示出的用于向用户推荐物品信息的方法的流程图。
如图3所示,本申请提供的用于向用户推荐物品信息的方法,包括:
步骤301,获取用于表征用户与物品间关联关系的预设拓扑图,以及用于更新预设拓扑图的更新数据;其中,预设拓扑图中包括节点,节点包括用户节点、物品节点,通过边连接的用户节点和物品节点之间具有关联关系。
其中,本申请提供的方法可以由具备计算能力的一台或多台电子设备执行,该电子设备例如可以作为服务器,比如可以是云服务器,还可以是分布式服务器等。具体的,该服务器例如可以提供信息推荐功能,例如,可以向用户推荐商品。
进一步的,可以在产生更新数据时,触发电子设备执行本实施例的方法,也可以每隔预设时长执行一次本实施例提供的方法。
实际应用时,电子设备可以获取用于表征用户与物品间关联关系的预设拓扑图,该预设拓扑图中包括多个节点,这些节点中包括用户节点,也包括物品节点,用户节点与物品节点之间具有边,从而通过边连接用户节点和物品节点。
其中,可以预先基于离线数据构建包括多个节点的拓扑图。比如一条离线数据中包括用户A访问了信息B,则可以构建节点A、节点B,还可以构建A与B之间的边,用来表征A和B之间具有关联关系。
具体的,还可以根据需求设置边的权重值。
进一步的,电子设备还可以获取更新数据,该更新数据可以包括用户行为数据。比如用户浏览了某个商品,或者访问了某条信息,则电子设备可以获取到相关信息。
实际应用时,获取的更新数据是用于更新预设拓扑图的数据。
步骤302,根据更新数据更新预设拓扑图中的边得到更新后的拓扑图。
实际应用时,电子设备可以根据获取的更新数据对获取的预设拓扑图进行更新,得到更新后的拓扑图。
在一种实施方式中,更新后的拓扑图可以作为预设拓扑图,被再次获取。
其中,电子设备可以根据更新数据在预设拓扑图中添加边,以更新拓扑图,还可以更新边的权重值,进而更新拓扑图。比如,更新数据中包括用户A浏览了商品C,则可以构建A与C之间的边,进而更新预设拓扑图。
步骤303,获取预先训练得到的与预设拓扑图对应的向量模型,并根据更新后的拓扑图、获取的向量模型,更新拓扑图中任一节点的向量,向量用于表征节点的特征。
具体的,还可以预先利用与预设拓扑图对应的初始拓扑图训练向量模型,预设拓扑图可以与初始拓扑图相同,也可以是在初始拓扑图的基础上进行一次或多次更新得到的。
比如,在基于离线数据构建出拓扑图后,可以基于该拓扑图进行训练,得到向量模型。由于预设拓扑图也是对离线数据进行处理得到的,因此,该预设拓扑图与上述向量模型具有对应关系。
进一步的,可以采用GRAPHSAGE算法对初始拓扑图进行训练,得到向量模型。具体可以针对每一节点采集其行为子图,该行为子图中包括该节点及其邻节点,还包括这些节点之间的关系。比如针对节点P1、P2、P3都能够采集相应的行为子图,电子设备可以学习这些子图中邻节点与中心节点之间的关系,从而得到向量模型。
实际应用时,电子设备更新完预设拓扑图之后,还可以获取与该预设拓扑图对应的向量模型,进而可以根据更新后的拓扑图、获取的向量模型,更新拓扑图中任一节点的向量。其中,节点的向量可以表征该节点的特征,具体可以根据该节点本身的信息,以及该节点的邻节点的信息生成该节点的向量。
具体的,更新后的拓扑图中节点间的关系发生了变化,因此,可以重新采集各个节点的行为子图,也可以仅采集与邻节点之间发生边变化的节点的行为子图。
图4为本申请一示例性实施例示出的采集行为子图的示意图。
如图4所示,例如存在如图中41所示的拓扑图结构,其中的节点42的行为子图为43所示。例如更新后的拓扑图为44,那么节点42的行为子图为45 所示。
一种实施方式中,另一节点46的行为子图则不发生变化,因此,可以不更新节点46的向量,进而也不需要采集节点46的行为子图。
进一步的,可以根据节点更新后的行为子图以及向量模型,确定该节点更新后的向量。比如,可以将该节点以及该节点的邻节点信息输入到向量模型中,使得向量模型输出该节点更新后的向量。
步骤304,根据各节点的向量,确定用户节点的相似物品节点,并向用户节点对应的用户推荐相似物品节点的物品信息。
实际应用时,电子设备可以根据各节点的向量,确定节点间的相似节点。比如,在需要向用户A推荐信息时,则可以确定用户A的节点与其他节点之间的相似度,进而得到用户A的节点的相似节点。
其中,电子设备还可以根据任一节点的相似节点,向任一节点推荐物品的物品信息。比如,用户A的节点与物品D的节点相似度高,则可以将物品 D的信息推荐给用户A。再比如,用户A的节点与用户E的节点相似度高,则可以根据用户E的信息,向用户A推荐物品信息。
本实施例提供的方法用于向用户推荐物品信息,该方法由设置有本实施例提供的方法的设备执行,该设备通常以硬件和/或软件的方式来实现。
本实施例提供的用于向用户推荐物品信息的方法,包括:获取用于表征用户与物品间关联关系的预设拓扑图,以及用于更新预设拓扑图的更新数据;其中,预设拓扑图中包括节点,节点包括用户节点、物品节点,通过边连接的用户节点和物品节点之间具有关联关系;根据更新数据更新预设拓扑图中的边得到更新后的拓扑图;获取预先训练得到的与预设拓扑图对应的向量模型,并根据更新后的拓扑图、获取的向量模型,更新拓扑图中任一节点的向量,向量用于表征节点的特征;根据各节点的向量,确定用户节点的相似物品节点,并向用户节点对应的用户推荐相似物品节点的物品信息。本申请提供的方法中,可以预先设置预设拓扑图,以及与该预设拓扑图对应的向量模型,存在更新数据后,可以直接基于该更新数据更新预设拓扑图,并利用向量模型对更新后的拓扑图进行处理,得到节点更新后的向量。这种方法能够基于更新数据快速更新节点向量,进而可以基于更新后的节点向量更精准的向用户推荐物品信息。
图5为本申请另一示例性实施例示出的用于向用户推荐物品信息的方法的流程图。
如图5所示,本申请提供的用于向用户推荐物品信息的方法,包括:
步骤501,获取预设的离线数据,根据离线数据构建初始拓扑图。
其中,可以预先准备离线数据,比如,可以准备最近7天的离线数据,并根据这些离线数据构建初始拓扑图。构建的初始拓扑图中包括多个节点,比如可以包括用户节点,还可以包括物品节点,这些节点之间具有边,通过边表征两个节点之间具有关联关系。比如,用户节点A和用户节点B之间可以具有边,表征用户A和用户B之间具有关联关系,再比如,用户节点A和物品节点C之间具有边,则表征用户A和物品C之间具有关联关系。
具体的,可以解析每条离线数据,从中获取行为数据。比如,用户A浏览了物品C,则电子设备可以构建用户A的节点、物品C的节点,并构建用户A与物品C之间的边。通过这种方式,电子设备能够构建出包括多个节点以及节点之间关系的初始拓扑图。
进一步的,利用最近离线数据构建该初始拓扑图,能够使得初始拓扑图中包括各用户最近的信息,例如最近用户点击的物品信息从而使得初始拓扑图的时效性更好。
图6为本申请一示例性实施例示出的初始拓扑图的示意图。
如图6所示,在初始拓扑图中包括多个节点,通过边连接节点,从而表征两个节点之间具有关联关系。
步骤502,在初始拓扑图中确定每一节点的行为子图。
步骤503,根据行为子图进行训练,得到与预设拓扑图对应的向量模型。
实际应用时,构建出初始拓扑图之后,电子设备可以对该初始拓扑图进行训练,得到向量模型。电子设备具体可以学习节点之间的关系,进而得到一个节点与该节点的邻节点之间的关系。
其中,针对初始拓扑图中的每个节点,电子设备都可以获取相应的行为子图。行为子图中可以包括中心节点,以及该中心节点的邻接点。还可以包括这些节点之间的关系。
图7为本申请一示例性实施例示出的行为子图的示意图。
如图7所示,可以对初始拓扑图进行处理,采集中心节点71的行为子图。该行为子图中包括中心节点71的多个邻节点。
具体的,还可以预先设置阶数k,从而基于k确定每个中心节点的邻接点。比如,若k=1,则将直接与中心节点连接的节点,确定为该中心节点的邻节点。若k=2,则将直接与中心节点连接的第一节点,以及直接与第一节点连接的第二节点,均确定为该中心节点的邻节点。
进一步的,还可以设置邻接点数量n,每次采集行为子图,可以采集中心节点的n个邻接点,从而降低单次采集的行为子图的尺寸。
实际应用时,每次采集行为子图时,针对每一节点都可以采集一个行为子图,从而得到每一节点的每一行为子图。
其中,电子设备可以对采集到的每一行为子图进行训练,得到预设拓扑图对应的向量模型。得到的向量模型能够学习到各个行为子图中的节点间的关系,具体学习到邻接点与中心节点之间的关系。
具体的,可以迭代执行步骤502、503,从而多次采样行为子图,并进行训练,从而逐步的优化向量模型。
步骤504,获取用于表征用户与物品间关联关系的预设拓扑图,以及用于更新预设拓扑图的更新数据。
步骤504与步骤301的实现方式相似。
其中,获取的预设拓扑图可以是步骤501中构建的初始拓扑图,还可以是对初始拓扑图进行更新后得到的拓扑图。
步骤505,获取包括预设拓扑图中各节点对应的词汇的词汇表。
具体的,可以预先设置词汇表。比如,在构建了初始拓扑图之后,电子设备可以根据初始拓扑图中各个节点确定词汇表,从而得到包括各节点对应的词汇的词汇表。比如,节点包括物品A的节点,则电子设备可以将物品A 的信息作为词汇表中的一个词条。
步骤506,根据词汇表,过滤掉更新数据中包括的不属于词汇表中的词汇的数据。
进一步的,电子设备可以对更新数据进行初步过滤,具体可以分析每条更新数据中包括的主体信息,比如主体A对主体B的操作行为,并确定这些主体是否是属于词汇表中的词汇,若不是,则过滤掉相应的更新数据。
比如,更新数据中包括主体M,但是词汇表中不包括M对应的词汇,则过滤掉该更新数据。
步骤507,根据剩余的更新数据更新预设拓扑图中的边,得到更新后的拓扑图。
实际应用时,过滤后剩余的更新数据中包括的主体均存在于词汇表中,因此,剩余的更新数据中包括的主体在预设拓扑图中存在相应的节点,因此,可以根据更新数据更新预设拓扑图。
其中,电子设备可以根据剩余的更新数据确定增量节点间关系,并根据增量节点间关系更新预设拓扑图中的边得到更新后的拓扑图。
具体可以根据更新数据在预设拓扑图中添加边,进而得到更新后的拓扑图。比如,更新数据中包括用户B访问了物品D的详细信息,则电子设备可以在预设拓扑图中添加用户B的节点与物品D的节点之间的边。
步骤508,获取预先训练得到的与预设拓扑图对应的向量模型。
步骤508与步骤302中获取向量模型的方式相似,不再赘述。
步骤509,根据更新后的拓扑图,确定任一节点的行为子图;其中,行为子图中包括任一节点及其对应的邻节点,行为子图用于表征任一节点及其邻接点的关系。
进一步的,更新后的拓扑图中添加了节点间的边关系,因此,可以根据更新后的拓扑图,确定任一节点的行为子图,从而采集任一节点更新后的行为子图。
实际应用时,可以更新每个节点的行为子图,还可以更新与邻节点关系改变的节点的行为子图。
其中,更新后的行为子图中可以包括中间节点,还可以包括该中间节点的邻节点。同一节点更新后的行为子图可能比更新前的行为子图中包括的信息更丰富。
具体的,还可以预先设置阶数,并基于预设阶数确定任一节点的邻节点,并根据任一节点及其邻节点的对应关系,确定任一节点的行为子图。比如,可以设置阶数i,电子设备可以将以任一节点为起点,与该任一节点连接的第 i个节点,以及该任一节点与第i个节点之间的节点作为该节点的邻节点。
步骤510,根据任一节点的行为子图、向量模型,确定任一节点的更新向量。
具体的,向量模型是在初始拓扑图基础上采集行为子图,再对行为子图进行训练得到的。因此,基于更新数据在初始拓扑图中添加边后,对向量模型本身的结构不会影响很大。基于此,本申请提供的方法利用此前训练完毕的向量模型,对行为子图进行处理,从而更新每一行为子图中中心节点的更新向量。
进一步的,电子设备还可以基于向量模型对任一节点的行为子图进行编码处理,得到任一节点的向量编码。向量模型中包括多个网络结构的参数,电子设备可以将任一节点的属性,以及该任一节点的邻节点的属性作为输入信息,并根据向量模型中包括的网络结构参数对输入信息进行处理,得到任一节点的向量编码。可以将任一节点作为中心节点,从而可以根据向量模型对该中心节点的邻节点进行聚合,以得到中心节点的向量编码。
实际应用时,电子设备基于向量模型对任一节点的属性进行编码,得到任一节点的属性编码。向量模型中可以包括属性编码网络,还可以包括该属性编码网络中的参数,进而可以利用属性编码网络及其参数,对任一节点的属性进行编码处理,得到属性编码。
电子设备还可以利用向量模型,根据任一节点的行为子图对任一节点的属性编码进行编码,得到任一节点的向量编码。向量模型中可以包括拓扑编码网络,还可以包括该拓扑编码网络中的参数,进而可以利用拓扑编码网络及其参数,结合任一节点的行为子图,对任一节点的向量编码进行编码,从而得到任一节点的向量编码。
通过这种方式,能够得到即包括节点属性,以及该节点拓扑结构信息的向量编码。
实际应用时,电子设备可以基于向量模型对任一节点的向量编码进行处理,得到任一节点的更新向量。其中,向量模型中还可以包括映射函数的参数,映射函数可以对任一节点的向量编码进行处理,得到该节点的更新向量。
其中,电子设备可以根据向量模型确定映射函数,向量模型中可以包括映射函数参数,使得电子设备可以根据向量模型还原出映射函数。电子设备可以根据映射函数、任一节点的向量编码,确定任一节点的更新向量。具体可以将向量编码作为映射函数的输入数据,进而通过映射函数能够将向量编码映射为该节点的更新向量。
步骤511,根据更新后的各节点的向量,确定任一用户节点与其他各物品节点之间的各个相似度;根据用户节点与各物品节点间的各个相似度,确定用户节点的相似物品节点。
具体的,在需要为与一个节点对应的用户推荐信息后,电子设备可以根据该节点更新后的向量,以及其他节点更新后的向量,确定该节点与其他各节点之间的相似度。
比如,需要向用户A推荐信息,则电子设备可以确定用户A节点的向量与其他各节点的向量之间的相似度,进而可以确定出用户A节点的相似节点。
进一步的,电子设备可以确定两个节点更新后的向量间的余弦值,将其作为这两个节点的相似度。
步骤512,向用户节点对应的用户推荐相似物品节点的物品信息。
电子设备可以根据任一节点的相似节点,向该任一节点代表的用户推荐物品的物品信息。
其中,比如可以根据用户A节点的相似节点向用户A推荐物品信息。比如,用户A节点的相似节点是物品节点,则可以直接向用户A推荐该物品节点的物品信息。再比如,用户A节点的相似节点是其他用户节点,则电子设备可以根据其他用户节点的信息,向用户A推荐物品信息,比如向用户A推荐该其他用户感兴趣的物品的物品信息。
图8为本申请一示例性实施例示出的用于向用户推荐物品信息的装置的结构图。
如图8所示,本实施例提供的用于向用户推荐物品信息的装置800,包括:
获取单元810,用于获取用于表征用户与物品间关联关系的预设拓扑图,以及用于更新所述预设拓扑图的更新数据;其中,所述预设拓扑图中包括节点,所述节点包括用户节点、物品节点,通过边连接的用户节点和物品节点之间具有关联关系;
图更新单元820,用于根据所述更新数据更新所述预设拓扑图中的边得到更新后的拓扑图;
向量更新单元830,用于获取预先训练得到的与所述预设拓扑图对应的向量模型,并根据更新后的所述拓扑图、获取的所述向量模型,更新所述拓扑图中任一节点的向量,所述向量用于表征节点的特征;
推荐单元840,用于根据各所述节点的向量,确定用户节点的相似物品节点,并向用户节点对应的用户推荐所述相似物品节点的物品信息。
本申请提供的个性化推荐信息的装置的实现方式、原理、效果与图3所示施例类似,不再赘述。
图9为本申请另一示例性实施例示出的用于向用户推荐物品信息的装置的结构图。
如图9所示,本申请提供的用于向用户推荐物品信息的装置900,所述图更新单元820,包括:
词表获取模块821,用于获取与所述预设拓扑图中各节点对应的词汇的词汇表;
过滤模块822,用于根据所述词汇表,过滤掉所述更新数据中包括的不属于所述词汇表中的词汇的数据;
更新模块823,用于根据剩余的更新数据更新所述预设拓扑图中的边,得到更新后的拓扑图。
在一种可选的实施方式中,所述更新模块823具体用于:
根据剩余的更新数据确定增量节点间关系,并根据增量节点间关系更新所述预设拓扑图中的边得到更新后的拓扑图。
在一种可选的实施方式中,所述向量更新单元830包括:
子图确定模块831,用于根据更新后的所述拓扑图,确定任一节点的行为子图;其中,所述行为子图中包括任一节点及其对应的邻节点,所述行为子图用于表征所述任一节点及其邻接点的关系;
向量更新模块832,用于根据任一节点的行为子图、所述向量模型,确定任一节点的更新向量。
在一种可选的实施方式中,子图确定模块831具体用于基于预设阶数确定任一节点的邻节点,并根据任一节点及其邻节点的对应关系,确定任一节点的行为子图。
在一种可选的实施方式中,所述向量更新模块832具体用于:
基于所述向量模型对任一节点的行为子图进行编码处理,得到任一节点的向量编码;
基于所述向量模型对所述任一节点的向量编码进行处理,得到任一节点的更新向量。
在一种可选的实施方式中,所述向量更新模块832具体用于:
基于所述向量模型对任一节点的属性进行编码,得到任一节点的属性编码;
利用所述向量模型,根据任一节点的行为子图对所述任一节点的属性编码进行编码,得到任一节点的向量编码。
在一种可选的实施方式中,所述向量更新模块832具体用于:
根据所述向量模型确定映射函数;
根据所述映射函数、所述任一节点的向量编码,确定任一节点的更新向量。
在一种可选的实施方式中,所述推荐单元840包括:
相似度确定模块841,用于根据更新后的各节点的向量,确定任一用户节点与其他各物品节点之间的各个相似度;
相似节点确定模块842,用于根据所述用户节点与各物品节点间的各个相似度,确定所述用户节点的相似物品节点。
在一种可选的实施方式中,所述装置还包括预设单元850,用于:
获取预设的离线数据,根据所述离线数据构建初始拓扑图;
相应的,所述向量更新单元830具体用于:
获取所述初始拓扑图。
在一种可选的实施方式中,所述预设单元850还用于:
在所述初始拓扑图中确定每一节点的行为子图;
根据所述行为子图进行训练,得到与所述预设拓扑图对应的向量模型。
图10为本申请一示例性实施例示出的电子设备的结构图。
如图10所示,本实施例提供的电子设备包括:
存储器101;
处理器102;以及
计算机程序;
其中,所述计算机程序存储在所述存储器101中,并配置为由所述处理器102执行以实现如上所述的任一种用于向用户推荐物品信息的方法。
本实施例还提供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以实现如上所述的任一种用于向用户推荐物品信息的方法。
本实施例还提供一种计算机程序,包括程序代码,当计算机运行所述计算机程序时,所述程序代码执行如上所述的任一种用于向用户推荐物品信息的方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (15)
1.一种用于向用户推荐物品信息的方法,其特征在于,包括:
获取用于表征用户与物品间关联关系的预设拓扑图,以及用于更新所述预设拓扑图的更新数据;其中,所述预设拓扑图中包括节点,所述节点包括用户节点、物品节点,通过边连接的用户节点和物品节点之间具有关联关系;
根据所述更新数据更新所述预设拓扑图中的边得到更新后的拓扑图;
获取预先训练得到的与所述预设拓扑图对应的向量模型,并根据更新后的所述拓扑图、获取的所述向量模型,更新所述拓扑图中任一节点的向量,所述向量用于表征节点的特征;
根据各所述节点的向量,确定用户节点的相似物品节点,并向所述用户节点对应的用户推荐所述相似物品节点的物品信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述更新数据更新所述预设拓扑图中的边得到更新后的拓扑图,包括:
获取与所述预设拓扑图中各节点对应的词汇的词汇表;
根据所述词汇表,过滤掉所述更新数据中包括的不属于所述词汇表中的词汇的数据;
根据剩余的更新数据更新所述预设拓扑图中的边,得到更新后的拓扑图。
3.根据权利要求2所述的方法,其特征在于,所述根据剩余的更新数据更新所述预设拓扑图中的边,得到更新后的拓扑图,包括:
根据剩余的更新数据确定增量节点间关系,并根据增量节点间关系更新所述预设拓扑图中的边得到更新后的拓扑图。
4.根据权利要求1所述的方法,其特征在于,所述根据更新后的所述拓扑图、获取的所述向量模型,更新所述拓扑图中任一节点的向量,包括:
根据更新后的所述拓扑图,确定任一节点的行为子图;其中,所述行为子图中包括任一节点及其对应的邻节点,所述行为子图用于表征所述任一节点及其邻接点的关系;
根据任一节点的行为子图、所述向量模型,确定任一节点的更新向量。
5.根据权利要求4所述的方法,其特征在于,所述根据更新后的所述拓扑图,确定任一节点对应的行为子图,包括:
基于预设阶数确定任一节点的邻节点,并根据任一节点及其邻节点的对应关系,确定任一节点的行为子图。
6.根据权利要求4所述的方法,其特征在于,所述根据任一节点的行为子图、所述向量模型,确定任一节点的更新向量,包括:
基于所述向量模型对任一节点的行为子图进行编码处理,得到任一节点的向量编码;
基于所述向量模型对所述任一节点的向量编码进行处理,得到任一节点的更新向量。
7.根据权利要求6所述的方法,其特征在于,所述基于所述向量模型对任一节点的行为子图进行编码处理,得到任一节点的向量编码,包括:
基于所述向量模型对任一节点的属性进行编码,得到任一节点的属性编码;
利用所述向量模型,根据任一节点的行为子图对所述任一节点的属性编码进行编码,得到任一节点的向量编码。
8.根据权利要求6所述的方法,其特征在于,所述基于所述向量模型对所述任一节点的向量编码进行处理,得到任一节点的更新向量,包括:
根据所述向量模型确定映射函数;
根据所述映射函数、所述任一节点的向量编码,确定任一节点的更新向量。
9.根据权利要求1所述的方法,其特征在于,所述根据更新后的各节点的向量,确定用户节点的相似物品节点,包括:
根据更新后的各节点的向量,确定任一用户节点与其他各物品节点之间的各个相似度;
根据所述用户节点与各物品节点间的各个相似度,确定所述用户节点的相似物品节点。
10.根据权利要求1-9任一项所述的方法,其特征在于,所述预设拓扑图包括初始拓扑图;
所述方法还包括:
获取预设的离线数据,根据所述离线数据构建初始拓扑图;
相应的,所述获取预设拓扑图包括:获取所述初始拓扑图。
11.根据权利要求10所述的方法,其特征在于,还包括:
在所述初始拓扑图中确定每一节点的行为子图;
根据所述行为子图进行训练,得到与所述预设拓扑图对应的向量模型。
12.一种用于向用户推荐物品信息的装置,其特征在于,包括:
获取单元,用于获取用于表征用户与物品间关联关系的预设拓扑图,以及用于更新所述预设拓扑图的更新数据;其中,所述预设拓扑图中包括节点,所述节点包括用户节点、物品节点,通过边连接的用户节点和物品节点之间具有关联关系;
图更新单元,用于根据所述更新数据更新所述预设拓扑图中的边得到更新后的拓扑图;
向量更新单元,用于获取预先训练得到的与所述预设拓扑图对应的向量模型,并根据更新后的所述拓扑图、获取的所述向量模型,更新所述拓扑图中任一节点的向量,所述向量用于表征节点的特征;
推荐单元,用于根据各所述节点的向量,确定用户节点的相似物品节点,并向所述用户节点对应的用户推荐所述相似物品节点的物品信息。
13.一种电子设备,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并配置为由所述处理器执行以实现如权利要求1-11任一种所述的方法。
14.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,
所述计算机程序被处理器执行以实现如权利要求1-11任一种所述的方法。
15.一种计算机程序产品,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1-11中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123077.4A CN113886686A (zh) | 2021-09-24 | 2021-09-24 | 向用户推荐物品信息的方法、设备、存储介质及程序产品 |
PCT/CN2022/095341 WO2023045378A1 (zh) | 2021-09-24 | 2022-05-26 | 向用户推荐物品信息的方法、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123077.4A CN113886686A (zh) | 2021-09-24 | 2021-09-24 | 向用户推荐物品信息的方法、设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113886686A true CN113886686A (zh) | 2022-01-04 |
Family
ID=79006606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111123077.4A Pending CN113886686A (zh) | 2021-09-24 | 2021-09-24 | 向用户推荐物品信息的方法、设备、存储介质及程序产品 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113886686A (zh) |
WO (1) | WO2023045378A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023045378A1 (zh) * | 2021-09-24 | 2023-03-30 | 北京沃东天骏信息技术有限公司 | 向用户推荐物品信息的方法、设备、存储介质及程序产品 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10664534B2 (en) * | 2012-11-14 | 2020-05-26 | Home Depot Product Authority, Llc | System and method for automatic product matching |
US11475301B2 (en) * | 2018-12-28 | 2022-10-18 | Visa International Service Association | Method, system, and computer program product for determining relationships of entities associated with interactions |
US11373233B2 (en) * | 2019-02-01 | 2022-06-28 | Target Brands, Inc. | Item recommendations using convolutions on weighted graphs |
CN110472087A (zh) * | 2019-08-07 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 一种表情图像推荐方法、装置、设备及介质 |
CN111460232A (zh) * | 2020-03-17 | 2020-07-28 | 中国平安人寿保险股份有限公司 | 功能模块的查找方法、装置、终端和计算机可读存储介质 |
CN111708964B (zh) * | 2020-05-27 | 2023-06-20 | 北京百度网讯科技有限公司 | 多媒体资源的推荐方法、装置、电子设备和存储介质 |
CN112416579B (zh) * | 2020-11-10 | 2023-05-19 | 电子科技大学 | 一种时间敏感的多方数据融合激励方法 |
CN113886686A (zh) * | 2021-09-24 | 2022-01-04 | 北京沃东天骏信息技术有限公司 | 向用户推荐物品信息的方法、设备、存储介质及程序产品 |
-
2021
- 2021-09-24 CN CN202111123077.4A patent/CN113886686A/zh active Pending
-
2022
- 2022-05-26 WO PCT/CN2022/095341 patent/WO2023045378A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023045378A1 (zh) * | 2021-09-24 | 2023-03-30 | 北京沃东天骏信息技术有限公司 | 向用户推荐物品信息的方法、设备、存储介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
WO2023045378A1 (zh) | 2023-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI769754B (zh) | 基於隱私保護確定目標業務模型的方法及裝置 | |
CN106327240A (zh) | 一种基于gru神经网络的推荐方法和系统 | |
JP5624562B2 (ja) | ウェブサイト訪問者の評価値を計算するための方法及びシステム | |
CN108229986B (zh) | 信息点击预测中的特征构建方法、信息投放方法和装置 | |
US10268749B1 (en) | Clustering sparse high dimensional data using sketches | |
CN109117442B (zh) | 一种应用推荐方法及装置 | |
CN112231582A (zh) | 一种基于变分自编码数据融合的网站推荐方法和设备 | |
CN114205690A (zh) | 流量预测、模型训练方法及装置、电子设备、存储介质 | |
CN113051440A (zh) | 一种基于超图结构的链路预测方法及系统 | |
US9594756B2 (en) | Automated ranking of contributors to a knowledge base | |
CN113886686A (zh) | 向用户推荐物品信息的方法、设备、存储介质及程序产品 | |
CN114445121A (zh) | 一种广告点击率预测模型构建及广告点击率预测方法 | |
JP6748474B2 (ja) | 意思決定支援システムおよび意思決定支援方法 | |
CN114004623A (zh) | 机器学习方法及系统 | |
CN113792163B (zh) | 多媒体推荐方法、装置、电子设备及存储介质 | |
JP7413438B2 (ja) | アカウントの親密度の生成方法、装置、電子機器及び記憶媒体 | |
CN115455306B (zh) | 推送模型训练、信息推送方法、装置和存储介质 | |
CN113724815B (zh) | 基于决策分群模型的信息推送方法及装置 | |
CN111882429B (zh) | 一种银行系统字段长度分段方法和装置 | |
CN114329174A (zh) | 数据召回方法及装置 | |
CN116756387A (zh) | 一种基于时间感知的图神经网络会话推荐方法及系统 | |
CN116975412A (zh) | 搜索信息处理方法、装置、产品、设备和介质 | |
CN113761338A (zh) | 信息推送方法、装置和计算机可读存储介质 | |
CN116861071A (zh) | 资讯推送方法、装置、计算机设备、存储介质和程序产品 | |
CN117891811A (zh) | 一种客户数据采集分析方法、装置及云服务器 |
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 |