CN114528482B - 一种推荐对象确定方法、装置、电子设备及存储介质 - Google Patents
一种推荐对象确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114528482B CN114528482B CN202210086295.3A CN202210086295A CN114528482B CN 114528482 B CN114528482 B CN 114528482B CN 202210086295 A CN202210086295 A CN 202210086295A CN 114528482 B CN114528482 B CN 114528482B
- Authority
- CN
- China
- Prior art keywords
- current
- scene
- current object
- semantic
- semantic representation
- 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
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
- G06F16/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Machine Translation (AREA)
Abstract
本申请提供了一种推荐对象确定方法、装置、电子设备及存储介质,涉及信息处理技术领域,旨在准确确定当前对象在当前推荐场景下的推荐对象。所述方法包括:获取第一模型针对当前对象输出的在当前推荐场景下的场景自适应语义表示,以及获取第二模型针对当前对象输出的静态语义表示;根据当前对象的场景自适应语义表示,预测当前对象、当前推荐场景表征的推荐关系以及候选对象三者组成的三元组的第一推荐得分;根据当前对象的静态语义表示,预测三元组的第二推荐得分;根据第一推荐得分、第二推荐得分以及两者各自的权重,确定总推荐得分;在总推荐得分高于预设分值的情况下,将候选对象确定为当前对象在当前推荐场景下的推荐对象。
Description
技术领域
本申请涉及信息处理技术领域,特别是涉及一种推荐对象确定方法、装置、电子设备及存储介质。
背景技术
知识图谱(Knowledge Graph)作为一种新型的人类结构化知识,其本质是现实世界中事实的结构化表示,由实体、连接关系和语义表示组成,实体可以是现实中存在的对象或者一些抽象的概念,连接关系是两个实体相连的逻辑缘由。
相关技术中,实体的语义表示是唯一、静态的。然而,实体的特征是多维的,因此基于实体唯一、静态的语义表示,确定一个实体是否为另一实体的相连的实体,具有不准确的技术问题。
发明内容
鉴于上述问题,本发明实施例提供了一种推荐对象确定方法、装置、电子设备及存储介质,以便克服上述问题或者至少部分地解决上述问题。
本发明实施例的第一方面,提供了一种推荐对象确定方法,所述方法包括:
获取第一模型针对当前对象输出的在当前推荐场景下的场景自适应语义表示,以及,获取第二模型针对所述当前对象输出的静态语义表示;
根据所述当前对象的场景自适应语义表示,预测所述当前对象、所述当前推荐场景表征的推荐关系以及候选对象三者组成的三元组的第一推荐得分;
根据所述当前对象的静态语义表示,预测所述三元组的第二推荐得分;
根据所述第一推荐得分、所述第二推荐得分以及两者各自的权重,确定总推荐得分;
在所述总推荐得分高于预设分值的情况下,将所述候选对象确定为所述当前对象在所述当前推荐场景下的推荐对象。
可选地,获取第一模型针对当前对象输出的在当前推荐场景下的场景自适应语义表示,包括:
获得所述当前对象的由K个子语义表示组成的初始化语义表示,其中,K为大于1的整数,K表示场景的数量;
将所述当前对象的多个关联对象的语义表示以及对应的连接边的语义表示相聚合,得到多个聚合语义表示;
在所述当前推荐场景为第k个场景的情况下,根据所述当前对象的第k个子语义表示与其关联对象的第k个子语义表示,确定所述当前对象与其邻居对象之间在第k个场景下的相关度,其中,1≤k≤K;
结合所述当前对象的初始化语义表示、所述多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的语义表示;
根据所述当前对象在第1至K个场景下的语义表示,生成所述当前对象在当前推荐场景下的场景自适应语义表示。
可选地,所述当前对象的多个关联对象包括:所述当前对象的第1层关联节点至第N层关联节点;所述方法还包括:
依次取n从1至N,逐层进行聚合,得到第N层的多个聚合语义表示,在逐层聚合的过程中,根据第n层的连接边的语义表示,对第n+1层的连接边的语义表示进行更新;
结合所述当前对象的初始化语义表示、所述多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的场景自适应语义表示,包括:
结合所述当前对象的初始化语义表示、所述第N步长的多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的场景自适应语义表示。
可选地,获得所述当前对象的由K个子语义表示组成的初始化语义表示,包括:
获得所述当前对象的任意两个子语义表示的互信息;
以最小化所述当前对象的任意两个子语义表示的互信息为目标,获得所述当前对象的由K个子语义表示组成的初始化语义表示。
可选地,获得第二模型针对所述当前对象输出的静态语义表示,包括:
根据所述当前对象与其他对象之间的固有关系,以及其他对象的语义表示,生成所述当前对象的静态语义表示,所述固有关系包括以下至少一者:上下位关系、同义词关系、同位词关系。
以所述当前对象和所述多个关联对象中的任一对象为目标对象,在得到所述目标对象在各场景维度的向量表示之后,所述方法还包括:
确定所述目标对象在每两个场景维度的向量表示之间的互信息;
以最小化所述目标对象在任两个场景维度的向量表示之间的互信息为目标,对所述目标对象的特征重新进行聚合,得到所述目标对象在各场景维度的更新后的向量表示。
可选地,在确定所述当前对象在所述当前推荐场景下的推荐对象之后,所述方法还包括:
获取所述当前对象在所述当前推荐场景下的推送消息;
将所述推送消息,推送给所述当前对象在所述当前推荐场景下的推荐对象。
本发明实施例的第二方面,提供了一种推荐对象确定装置,所述装置包括:
语义获取模块,用于获取第一模型针对当前对象输出的在当前推荐场景下的场景自适应语义表示,以及,获取第二模型针对所述当前对象输出的静态语义表示;
第一得分预测模块,用于根据所述当前对象的场景自适应语义表示,预测所述当前对象、所述当前推荐场景表征的推荐关系以及候选对象三者组成的三元组的第一推荐得分;
第二得分预测模块,用于根据所述当前对象的静态语义表示,预测所述三元组的第二推荐得分;
总得分确定模块,用于根据所述第一推荐得分、所述第二推荐得分以及两者各自的权重,确定总推荐得分;
推荐对象确定模块,用于在所述总推荐得分高于预设分值的情况下,将所述候选对象确定为所述当前对象在所述当前推荐场景下的推荐对象。
可选地,所述语义获取模块包括:
初始化语义获取单元,用于获得所述当前对象的由K个子语义表示组成的初始化语义表示,其中,K为大于1的整数,K表示场景的数量;
语义聚合单元,用于将所述当前对象的多个关联对象的语义表示以及对应的连接边的语义表示相聚合,得到多个聚合语义表示;
相关度确定单元,用于在所述当前推荐场景为第k个场景的情况下,根据所述当前对象的第k个子语义表示与其关联对象的第k个子语义表示,确定所述当前对象与其邻居对象之间在第k个场景下的相关度,其中,1≤k≤K;
语义表示获取单元,用于结合所述当前对象的初始化语义表示、所述多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的语义表示;
自适应语义表示生成单元,用于根据所述当前对象在第1至K个场景下的语义表示,生成所述当前对象在当前推荐场景下的场景自适应语义表示。
可选地,所述当前对象的多个关联对象包括:所述当前对象的第1层关联节点至第N层关联节点;所述装置还包括:
语义表示更新模块,用于依次取n从1至N,逐层进行聚合,得到第N层的多个聚合语义表示,在逐层聚合的过程中,根据第n层的连接边的语义表示,对第n+1层的连接边的语义表示进行更新;
所述语义表示获取单元包括:
语义表示获取子单元,用于结合所述当前对象的初始化语义表示、所述第N步长的多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的场景自适应语义表示。
可选地,所述初始化语义获取单元包括:
互信息获取子单元,用于获得所述当前对象的任意两个子语义表示的互信息;
最小化子单元,用于以最小化所述当前对象的任意两个子语义表示的互信息为目标,获得所述当前对象的由K个子语义表示组成的初始化语义表示。
可选地,所述语义获取模块包括:
静态语义获取单元,用于根据所述当前对象与其他对象之间的固有关系,以及其他对象的语义表示,生成所述当前对象的静态语义表示,所述固有关系包括以下至少一者:上下位关系、同义词关系、同位词关系。
可选地,在确定所述当前对象在所述当前推荐场景下的推荐对象之后,所述装置还包括:
推送消息获取模块,用于获取所述当前对象在所述当前推荐场景下的推送消息;
消息推送模块,用于将所述推送消息,推送给所述当前对象在所述当前推荐场景下的推荐对象。
本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器及存储在所述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如本申请实施例公开的所述的推荐对象确定方法。
本发明实施例的第四方面,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如本申请实施例公开的所述的推荐对象确定方法。
本发明实施例包括以下优点:
本实施例中,获取第一模型针对当前对象输出的在当前推荐场景下的场景自适应语义表示,以及,获取第二模型针对所述当前对象输出的静态语义表示;根据所述当前对象的场景自适应语义表示,预测所述当前对象、所述当前推荐场景表征的推荐关系以及候选对象三者组成的三元组的第一推荐得分;根据所述当前对象的静态语义表示,预测所述三元组的第二推荐得分;根据所述第一推荐得分、所述第二推荐得分以及两者各自的权重,确定总推荐得分;在所述总推荐得分高于预设分值的情况下,将所述候选对象确定为所述当前对象在所述当前推荐场景下的推荐对象。如此,通过场景自适应语义表示,从当前推荐场景维度对当前对象进行描述;因此,结合根据场景自适应语义表示确定的第一推荐得分以及根据静态语义表示确定的第二推荐得分,确定的总推荐得分具有比较灵活、准确的优点;进一步地,确定的当前对象的推荐对象,是在当前推荐场景下的推荐对象,更加准确,且随着当前推荐场景的变更推荐对象也会变更,更加灵活。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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是本发明实施例中一种推荐对象确定方法的步骤流程图;
图2是本发明实施例中一种特征聚合在各场景下的示意图;
图3是本发明实施例中对象之间的一种关联示意图;
图4是本发明实施例中一种推荐对象确定装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
知识图谱是需要不断进行补全、完善的,一个实体、连接关系、候选实体三者组成的三元组的得分如果高于预设分值,则可以将该三元组补全到知识图谱中。
相关技术中,实体的语义表示是唯一、静态的。基于实体唯一、静态的语义表示确定两个实体之间的连接关系,可能影响知识图谱补全的效果。例如:用户A和用户B都团购过游泳课,则在团购这一场景下应该拉近用户A和用户B;然而用户A和用户B在饮食方面上具有完全不同的饮食习惯,则在饮食这一场景下应该疏远用户A和用户B。
知识图谱在推荐系统等应用研究中占据了重要的地位,考虑到相连的实体之间具有一定的相似性,可以向具有连接关系的实体推送相同的资讯。例如学生A和学生B(两个实体)因为就读于同一所大学C(关系)而相连,则可以将学生A感兴趣的资讯(大学C的新闻)推送给学生B。
然而两个实体之间的连接关系是基于实体唯一、静态的语义表示确定的,两个相连的实体在某些场景下可能具有完全不同的特征,在这种场景下向两个实体推送相同的资讯,则会出现推送不准确的技术问题。例如在喜好这一关系上学生A和学生B是完全不同的(学生A喜欢运动而学生B喜欢阅读),此时若将学生A感兴趣的资讯(运动新闻)推送给学生B,可能存在学生B对推送的运动新闻不感兴趣的情况。
可以理解的是,利用静态语义表示描述实体不仅仅是给知识图谱补全、推荐系统应用等造成了不准确的技术问题,还给其它应用场景也造成了各种各样的技术问题,在此不再一一列举。
参照图1所示,示出了本发明实施例中一种推荐对象确定方法的步骤流程图,如图1所示,该推荐对象确定方法具体可以包括以下步骤:
步骤S11:获取第一模型针对当前对象输出的在当前推荐场景下的场景自适应语义表示,以及,获取第二模型针对所述当前对象输出的静态语义表示。
当前对象可以是知识图谱中的实体,也可以是知识图谱中目前还不包括的实体。对当前对象的特征进行量化,可以得到当前对象的语义表示,其中,当前对象的语义表示可以是向量、矩阵或特征图等,本申请对此不作限制。当前对象的特征可以为对象自身的属性、社会关系、亲属关系、历史行为特征等。
当前对象的静态语义表示,是对当前对象的特征进行量化得到的唯一、静态的语义表示,是不随场景的变化而变化的。当前对象的场景自适应语义表示,是跟随当前推荐场景的变化而变化的,在不同的当前推荐场景中,当前对象的场景自适应语义表示是不同的。当前对象的场景自适应语义表示,更加侧重于表达当前对象与当前推荐场景相关的特征。例如,用户A在饮食场景下的场景自适应语义表示,会更多地通过用户A的饮食订单得出的信息对用户A进行描述;用户A在电影喜好场景下的场景自适应语义表示,会更多地通过用户A的电影票订单得出的信息对用户A进行描述。
可以用各个量化当前对象的各个特征,得到当前对象的多个子语义表示,计算每个子语义表示与当前推荐场景的相关度,利用每个子语义表示的相关度为每个子语义表示进行加权,再融合加权后的子语义表示得到当前对象在当前场景下的场景自适应语义表示。
可选地,可以通过第一模型输出当前对象在当前推荐场景下的场景自适应语义表示:将当前对象和当前推荐场景输入第一模型,第一模型获取当前对象的多个特征分别与当前推荐场景的相关度,并对每个特征进行量化得到每个特征对应的语义表示;将每个特征对应的语义表示和该特征对应的相关度相乘,得到每个特征在当前推荐场景的语义表示;融合每个特征在当前推荐场景的语义表示,可以得到当前对象在当前推荐场景下的场景自适应语义表示。
可选地,可以通过第二模型输出当前对象的静态语义表示:将当前对象输入第二模型,第二模型获取当前对象的多个特征,并对每个特征进行量化得到每个特征对应的语义表示;融合每个特征对应的语义表示,可以得到当前对象的静态语义表示。
步骤S12:根据所述当前对象的场景自适应语义表示,预测所述当前对象、所述当前推荐场景表征的推荐关系以及候选对象三者组成的三元组的第一推荐得分。
当前对象是知识图谱中的实体时,候选对象可以是知识图谱中与该实体具有连接关系的其它实体。当前对象是知识图谱中目前还不包括的实体时,候选对象可以是与当前对象具有相似特征的实体,或者同一个数据库中的实体等。例如,某个外卖平台中各用户可以互为候选对象,或者下单过相同商品的各用户可以互为候选对象。本申请对确定当前对象的候选对象的方法不作限制。当前推荐场景表征的推荐关系类似知识图谱中的连接关系,是指连接当前对象和候选对象的逻辑缘由。
根据当前对象、当前推荐场景表征的推荐关系以及候选对象可以组成三元组。例如:当前对象为江苏,当前对象和候选对象之间的当前推荐场景表征的推荐关系为省会关系,候选对象为南京,则可以得到三元组<江苏,省会,南京>。我们知道这个例子举出的是一种正确的三元组,不过有些三元组可能并不正确,例如三元组<江苏,省会,常州>。
有多个候选对象时,可以组成多个三元组,为了从多个候选对象中确定当前对象在当前推荐场景下的推荐对象,需要对包含候选对象的三元组进行评分,将评分高于预设分值和/或最高分的三元组包含的候选对象,确定为当前对象在当前推荐场景下的推荐对象。
可选地,可以确定候选对象在当前推荐场景的得分,来得到三元组的第一推荐得分。三元组的第一推荐得分,表征根据当前对象在当前推荐场景通过当前推荐场景表征的推荐关系得到该候选对象的合理程度。其中,可以通过多种打分模型来确定三元组的第一推荐得分,例如TransE模型(Translating Embedding,基于翻译的嵌入式模型)、DistMult模型(一种语义匹配模型)以及ConvE(一种多层卷积网路)等。打分模型输入的当前对象的语义表示是当前对象的场景自适应语义表示,输入的候选对象的语义表示可以是候选对象的静态语义表示,也可以是候选对象在当前推荐场景下的场景自适应语义表示。可以理解的是,输入模型的是候选对象在当前推荐场景下的场景自适应语义表示时,相较于输入候选对象的静态语义表示时得到的第一推荐得分更加准确。其中,获取候选对象在当前推荐场景下的场景自适应语义表示的方法,可以参照获取当前对象在当前推荐场景下的场景自适应语义表示的方法,在此不再赘述。
可选地,在某些场景(例如:当前推荐场景表征的推荐关系的是同义词关系时),可以通过计算当前对象在当前推荐场景下的场景自适应语义表示与候选对象在当前推荐场景下的场景自适应语义表示之间的相似度,得到三元组的第一推荐得分。例如,当前推荐场景表征的推荐关系是同学时,为了确定三元组<学生A,同学,学生B>的第一推荐得分,则可以只需计算学生A在学习场景的场景自适应语义表示与学生B在学习场景的场景自适应语义表示之间的相似度,根据相似度得到该三元组的第一推荐得分。
步骤S13:根据所述当前对象的静态语义表示,预测所述三元组的第二推荐得分。
预测三元组的第二推荐得分的方法可以类似预测三元组的第一推荐得分的方法。例如可以通过多种打分模型来确定三元组的第二推荐得分,其中输入打分模型的语义表示是当前对象的静态语义表示和候选对象的静态语义表示。又例如可以通过计算当前对象的静态语义表示与候选对象的静态语义表示之间的相似度,得到三元组的第二推荐得分。
步骤S14:根据所述第一推荐得分、所述第二推荐得分以及两者各自的权重,确定总推荐得分。
第一推荐得分和第二推荐得分各自的权重可以是根据实际情况进行调整的,对每个三元组加权后的第一推荐得分和加权后的第二推荐得分进行相加,得到每个三元组的总推荐得分。
步骤S15:在所述总推荐得分高于预设分值的情况下,将所述候选对象确定为所述当前对象在所述当前推荐场景下的推荐对象。
当前对象在当前推荐场景下可以有多个推荐对象,可以将多个三元组中总推荐得分高于预设分值的三元组对应的候选对象,都确定为当前对象在当前推荐场景下的推荐对象。
在当前推荐场景表征的推荐关系对应的推荐对象是唯一的情况下,可以将三元组中总推荐得分最高的三元组对应的候选对象,确定为当前对象在当前推荐场景下的推荐对象。例如:当前对象为江苏,当前推荐场景表征的推荐关系为省会城市时,正确的推荐对象必然只有一个,因此可以将总推荐得分最高的三元组对应的候选对象确定为推荐对象。
采用本申请实施例的技术方案,获取第一模型针对当前对象输出的在当前推荐场景下的场景自适应语义表示,以及,获取第二模型针对所述当前对象输出的静态语义表示;根据所述当前对象的场景自适应语义表示,预测所述当前对象、所述当前推荐场景表征的推荐关系以及候选对象三者组成的三元组的第一推荐得分;根据所述当前对象的静态语义表示,预测所述三元组的第二推荐得分;根据所述第一推荐得分、所述第二推荐得分以及两者各自的权重,确定总推荐得分;在所述总推荐得分高于预设分值的情况下,将所述候选对象确定为所述当前对象在所述当前推荐场景下的推荐对象。如此,通过场景自适应语义表示,从当前推荐场景维度对当前对象进行描述;因此,结合根据场景自适应语义表示确定的第一推荐得分以及根据静态语义表示确定的第二推荐得分,确定的总推荐得分具有比较灵活、准确的优点;进一步地,确定的当前对象的推荐对象,是在当前推荐场景下的推荐对象,更加准确,且随着当前推荐场景的变更推荐对象也会变更,更加灵活。
仅仅根据当前对象自身的特征得到的当前对象的语义表示是不完整的,根据不完整的语义表示进行后续处理,会影响结果的准确性。因此,为了获取全面、准确的当前对象的语义表示,可以采用邻接信息聚合的方式,利用关联对象的语义表示补全当前对象的语义表示,得到当前对象的场景自适应语义表示。可选地,在上述技术方案的基础上,可以通过如下方法获取第一模型针对当前对象输出的在当前推荐场景下的场景自适应语义表示:
获取当前对象的初始化语义表示,初始化语义表示被认为是不够完整的语义表示。
获取K个场景以及当前对象的多个特征,其中K个场景包括饮食场景、娱乐场景、旅游场景、工作场景、家庭场景等,K为大于1的整数,K表示场景的数量。按照每个场景,将当前对象的特征聚合在各个场景中。图2示出了一种特征聚合在各场景下的示意图,图中用户A具有如下特征:母亲是B、父亲是C、下单过麻婆豆腐、下单过回锅肉、玩桌游;则可以将“母亲是B”和“父亲是C”两个特征聚合在家庭场景,将“下单过麻婆豆腐”和“下单过回锅肉”两个特征聚合在饮食场景,将“玩桌游”聚合在娱乐场景。可选地,将当前对象的多个特征聚合到多个场景场景还包括:通过映射矩阵、非线性激活函数,将当前对象的多个特征分别映射到对应的场景,其中无需添加正则化操作。
得到当前对象在K个场景下聚合的多个特征后,针对每个场景,对该场景下的多个特征进行量化得到当前对象在该场景下的子语义表示。融合当前对象的K个子语义表示得到当前对象的初始化语义表示。
为了利用关联对象的语义表示补全当前对象的语义表示,得到当前对象的场景自适应语义表示,需要获取关联对象的语义表示,其中,关联对象可以知识图谱中与当前对象具有连接关系的多个对象,可以是与当前对象具有相似特征的对象,或者同一个数据库中的对象等。
考虑到关联对象和当前对象是通过连接边相连的,连接边的语义表示在当前对象的语义表示和关联对象的语义表示之间也发挥着重要作用。因此,可以将每个关联对象的语义表示和对应的连接边的语义表示向聚合,得到聚合每个关联对象对应的聚合语义表示。
关联对象和当前对象的语义表示并非完全相同的,应该使用关联对象与当前对象相同或相似的子语义表示补全当前对象对应的子语义表示。计算当前对象和关联对象在每个场景的子语义表示的相关度。其中,可以通过线性相关系数、协方差等计算当前对象和关联对象在每个场景的子语义表示的相关度,本发明对此不作限制。
针对每个场景,根据多个关联对象的聚合语义表示、多个关联对象对应的该场景的相关度,对当前对象在该场景下的语义表示进行更新。其中,可以将每个关联对象的聚合语义表示和对应的相关度相乘,得到更新语义表示,将更新语义表示和当前对象在该场景下的语义表示相融合,得到当前对象在该场景下的语义表示。
根据每个场景下当前对象的语义表示,可以生成当前对象在当前推荐场景下的场景自适应语义表示。其中,当前对象在当前推荐场景下的场景自适应语义表示中,突出显示当前对象在该场景下的语义表示。
可选地,当前推荐场景可能和K个场景并不完全贴切,为了确定当前对象在当前推荐场景的场景自适应语义表示,可以通过计算当前推荐场景和K个场景各自的相关度,然后将当前对象在每个场景下的子语义表示和对应的相关度相乘,得到当前对象在当前推荐场景下的子语义表示,进而融合得到当前对象在当前推荐场景下的场景自适应语义表示。其中,可以通过有向量空间模型或者概率模型等计算当前推荐场景和K个场景各自的相关度,本发明对此不作限制。
可选地,在上述技术方案的基础上,关联对象不只是与当前对象具有连接关系,关联对象也具有关联对象,将当前对象的关联对象,作为当前对象的第1层关联节点,将当前对象的关联对象的关联对象,作为当前对象的第2层关联节点。参照图3示出的对象之间的关联示意图,其中每个矩形代表一个对象,矩形中的数字代表该对象是当前对象的第几层关联节点。可以理解的是,当前对象变更时,关联节点也跟着变更。
利用当前对象的第2层关联节点,可以对与其相连的当前对象的第1层关联节点的语义表示进行补全,得到当前对象的第1层关联节点的场景自适应语义表示。因为相连是彼此相连,当前对象其实也是关联对象的关联对象,因此也可以利用当前对象的语义表示对关联对象的语义表示进行补全,利用当前对象的第n层关联节点的语义表示,对第n+1层关联节点的语义表示进行更新。
其中,利用每一层关联节点的语义表示,对相连的层的关联节点的语义表示进行更新的方法,可以参照利用关联对象的语义表示对当前对象的语义表示进行更新的方法:依次取n从1至N,逐层进行聚合,得到第N层的多个聚合语义表示,在逐层聚合的过程中,根据第n层的连接边的语义表示,对第n+1层的连接边的语义表示进行更新;结合所述当前对象的初始化语义表示、所述多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的场景自适应语义表示,包括:结合所述当前对象的初始化语义表示、所述第N步长的多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的场景自适应语义表示。
可选地,在上述技术方案的基础上,得到的当前对象的子语义表示之间可能不够相互独立,或者在模型训练、数据处理过程中,容易失去彼此之间的独立性,而我们期望当前对象的子语义表示之间尽可能相互独立,降低彼此直接依赖。
控制线性相关是无法满足复杂场景下的依赖关系,考虑到互信息是衡量两个随机变量非线性相关性的一个基本量,它对实现真正意义上解耦具有深刻意义,本发明实施例采用控制互信息方式对当前对象的子语义表示之间的相关性进行控制。
首先获取当前对象的每两个子语义表示之间的互信息。以最小化当前对象的每两个子语义表示之间的互信息为目标,对当前对象的特征重新进行聚合,得到当前对象的各更新后的子语义表示。
由于高维度向量的互信息无先验知识的情况下,无法计算出互信息的取值。期望目的是最小化当前对象的不同子语义表示互信息,从而降低彼此之间的相关性。采用最小化互信息下界的方式会导致训练无法收敛,因此本发明实施例采用一种对比对数比上界的估计来实现解耦。核心思想为借助对比正负样本之间的差异从而对互信息上界进行估计。然后由于不同子语义表示的条件概率是未知的,因此采用一种变分推断的思想,即采用一个已知概率的分布利用神经网络进行拟合真实样本的条件概率分布,通过最大化极大似然估计的方式不断逼近已知样本概率分布情况。
设定变分条件概率为一个高斯分布,并且将其与互信息目标函数轮流地进行优化:即首先将采用得到的数据分布通过公式极大似然估计法使得真实样本拟合高斯分布,得到假设的数据分布为高斯分布后,再进行互信息最小化的目标学习,两者交替进行。
采用本申请实施例的技术方案,以最小化当前对象的不同子语义表示之间的互信息为目标,对当前对象的特征重新进行聚合,得到当前对象的各更新后子语义表示,可以保证当前对象的不同子语义表示之间的独立性,以保证利用当前对象更新后的子语义表示进行后续处理时,更加准确。
可选地,在上述技术方案的基础上,获得第二模型针对所述当前对象输出的静态语义表示,包括:根据所述当前对象与其他对象之间的固有关系,以及其他对象的语义表示,生成所述当前对象的静态语义表示,所述固有关系包括以下至少一者:上下位关系、同义词关系、同位词关系。
第二模型还可以通过与当前对象具有固有关系的其它对象的语义表示,生成当前对象的静态语义表示,包括:首先根据当前对象的特征获取当前对象的语义表示,然后利用具有固有关系的其它对象的语义表示,对当前对象的静态语义表示进行更新。其中,固有关系包括以下至少一者:上下位关系、同义词关系、同位词关系。
例如:当前对象为硒砂瓜,具有同位词关系的其它对象为石缝瓜,其中石缝瓜的语义表示表征了石缝瓜属于西瓜,因为硒砂瓜为石缝瓜的同位词,因此可以补全硒砂瓜的静态语义表示,使硒砂瓜的静态语义表示可以表征硒砂瓜属于西瓜。
可选地,利用本申请实施例提出的推荐对象确定方法确定了当前对象的推荐对象之后,可以解决一些前文所提出的技术问题。
例如,可以将当前对象、推荐对象以及二者之间的推荐关系,补充进知识图谱中,以解决相关技术中难以准确对知识图谱进行补全的技术问题。
例如,还可以获取当前对象在当前推荐场景下的推送消息,或者获取推送给当前对象的有关当前推荐场景下的推送消息,然后将该推送消息推送给当前对象在当前推荐场景下的推荐对象,以解决推送不准确的技术问题。
可以理解的是,确定了当前对象在当前推荐场景下的推荐对象后,还可以进行诸多后续操作以解决不同的技术问题、实现不同的技术效果。因为细分了当前推荐场景,因此相较于原本直接根据候选对象进行后续操作,采用当前推荐场景的推荐对象进行后续操作,具有更高的准确性。
需要说明的是,对于方法实施例,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,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,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,所涉及的动作并不一定是本发明实施例所必须的。
图4是本发明实施例的一种推荐对象确定装置的结构示意图,如图4所示,一种推荐对象确定装置包括语义获取模块、第一得分预测模块、第二得分预测模块、总得分确定模块和推荐对象确定模块,其中:
语义获取模块,用于获取第一模型针对当前对象输出的在当前推荐场景下的场景自适应语义表示,以及,获取第二模型针对所述当前对象输出的静态语义表示;
第一得分预测模块,用于根据所述当前对象的场景自适应语义表示,预测所述当前对象、所述当前推荐场景表征的推荐关系以及候选对象三者组成的三元组的第一推荐得分;
第二得分预测模块,用于根据所述当前对象的静态语义表示,预测所述三元组的第二推荐得分;
总得分确定模块,用于根据所述第一推荐得分、所述第二推荐得分以及两者各自的权重,确定总推荐得分;
推荐对象确定模块,用于在所述总推荐得分高于预设分值的情况下,将所述候选对象确定为所述当前对象在所述当前推荐场景下的推荐对象。
可选地,作为一个实施例,所述语义获取模块包括:
初始化语义获取单元,用于获得所述当前对象的由K个子语义表示组成的初始化语义表示,其中,K为大于1的整数,K表示场景的数量;
语义聚合单元,用于将所述当前对象的多个关联对象的语义表示以及对应的连接边的语义表示相聚合,得到多个聚合语义表示;
相关度确定单元,用于在所述当前推荐场景为第k个场景的情况下,根据所述当前对象的第k个子语义表示与其关联对象的第k个子语义表示,确定所述当前对象与其邻居对象之间在第k个场景下的相关度,其中,1≤k≤K;
语义表示获取单元,用于结合所述当前对象的初始化语义表示、所述多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的语义表示;
自适应语义表示生成单元,用于根据所述当前对象在第1至K个场景下的语义表示,生成所述当前对象在当前推荐场景下的场景自适应语义表示。
可选地,作为一个实施例,所述当前对象的多个关联对象包括:所述当前对象的第1层关联节点至第N层关联节点;所述装置还包括:
语义表示更新模块,用于依次取n从1至N,逐层进行聚合,得到第N层的多个聚合语义表示,在逐层聚合的过程中,根据第n层的连接边的语义表示,对第n+1层的连接边的语义表示进行更新;
所述语义表示获取单元包括:
语义表示获取子单元,用于结合所述当前对象的初始化语义表示、所述第N步长的多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的场景自适应语义表示。
可选地,作为一个实施例,所述初始化语义获取单元包括:
互信息获取子单元,用于获得所述当前对象的任意两个子语义表示的互信息;
最小化子单元,用于以最小化所述当前对象的任意两个子语义表示的互信息为目标,获得所述当前对象的由K个子语义表示组成的初始化语义表示。
可选地,作为一个实施例,所述语义获取模块包括:
静态语义获取单元,用于根据所述当前对象与其他对象之间的固有关系,以及其他对象的语义表示,生成所述当前对象的静态语义表示,所述固有关系包括以下至少一者:上下位关系、同义词关系、同位词关系。
可选地,作为一个实施例,在确定所述当前对象在所述当前推荐场景下的推荐对象之后,所述装置还包括:
推送消息获取模块,用于获取所述当前对象在所述当前推荐场景下的推送消息;
消息推送模块,用于将所述推送消息,推送给所述当前对象在所述当前推荐场景下的推荐对象。
需要说明的是,装置实施例与方法实施例相近,故描述的较为简单,相关之处参见方法实施例即可。
本发明实施例还提供了一种电子设备,包括处理器、存储器,以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现本申请实施例公开的推荐对象确定方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时实现本申请实施例公开的推荐对象确定方法。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、装置、电子设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种推荐对象确定方法、装置、电子设备及存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种推荐对象确定方法,其特征在于,所述方法包括:
获取第一模型针对当前对象输出的在当前推荐场景下的场景自适应语义表示,以及,获取第二模型针对所述当前对象输出的静态语义表示;
根据所述当前对象的场景自适应语义表示,预测所述当前对象、所述当前推荐场景表征的推荐关系以及候选对象三者组成的三元组的第一推荐得分;
根据所述当前对象的静态语义表示,预测所述三元组的第二推荐得分;
根据所述第一推荐得分、所述第二推荐得分以及两者各自的权重,确定总推荐得分;
在所述总推荐得分高于预设分值的情况下,将所述候选对象确定为所述当前对象在所述当前推荐场景下的推荐对象;
获取第一模型针对当前对象输出的在当前推荐场景下的场景自适应语义表示,包括:
获得所述当前对象的由K个子语义表示组成的初始化语义表示,其中,K为大于1的整数,K表示场景的数量;
将所述当前对象的多个关联对象的语义表示以及对应的连接边的语义表示相聚合,得到多个聚合语义表示;
在所述当前推荐场景为第k个场景的情况下,根据所述当前对象的第k个子语义表示与其关联对象的第k个子语义表示,确定所述当前对象与其邻居对象之间在第k个场景下的相关度,其中,1≤k≤K;
结合所述当前对象的初始化语义表示、所述多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的语义表示;
根据所述当前对象在第1至K个场景下的语义表示,生成所述当前对象在当前推荐场景下的场景自适应语义表示。
2.根据权利要求1所述的方法,其特征在于,所述当前对象的多个关联对象包括:所述当前对象的第1层关联节点至第N层关联节点;所述方法还包括:
依次取n从1至N,逐层进行聚合,得到第N层的多个聚合语义表示,在逐层聚合的过程中,根据第n层的连接边的语义表示,对第n+1层的连接边的语义表示进行更新;
结合所述当前对象的初始化语义表示、所述多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的场景自适应语义表示,包括:
结合所述当前对象的初始化语义表示、所述第N步长的多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的场景自适应语义表示。
3.根据权利要求1或2所述的方法,其特征在于,获得所述当前对象的由K个子语义表示组成的初始化语义表示,包括:
获得所述当前对象的任意两个子语义表示的互信息;
以最小化所述当前对象的任意两个子语义表示的互信息为目标,获得所述当前对象的由K个子语义表示组成的初始化语义表示。
4.根据权利要求1所述的方法,其特征在于,获得第二模型针对所述当前对象输出的静态语义表示,包括:
根据所述当前对象与其他对象之间的固有关系,以及其他对象的语义表示,生成所述当前对象的静态语义表示,所述固有关系包括以下至少一者:上下位关系、同义词关系、同位词关系;
以所述当前对象和所述多个关联对象中的任一对象为目标对象,在得到所述目标对象在各场景维度的向量表示之后,所述方法还包括:
确定所述目标对象在每两个场景维度的向量表示之间的互信息;
以最小化所述目标对象在任两个场景维度的向量表示之间的互信息为目标,对所述目标对象的特征重新进行聚合,得到所述目标对象在各场景维度的更新后的向量表示。
5.根据权利要求1-4任一所述的方法,其特征在于,在确定所述当前对象在所述当前推荐场景下的推荐对象之后,所述方法还包括:
获取所述当前对象在所述当前推荐场景下的推送消息;
将所述推送消息,推送给所述当前对象在所述当前推荐场景下的推荐对象。
6.一种推荐对象确定装置,其特征在于,所述装置包括:
语义获取模块,用于获取第一模型针对当前对象输出的在当前推荐场景下的场景自适应语义表示,以及,获取第二模型针对所述当前对象输出的静态语义表示;
第一得分预测模块,用于根据所述当前对象的场景自适应语义表示,预测所述当前对象、所述当前推荐场景表征的推荐关系以及候选对象三者组成的三元组的第一推荐得分;
第二得分预测模块,用于根据所述当前对象的静态语义表示,预测所述三元组的第二推荐得分;
总得分确定模块,用于根据所述第一推荐得分、所述第二推荐得分以及两者各自的权重,确定总推荐得分;
推荐对象确定模块,用于在所述总推荐得分高于预设分值的情况下,将所述候选对象确定为所述当前对象在所述当前推荐场景下的推荐对象;
所述语义获取模块包括:
初始化语义获取单元,用于获得所述当前对象的由K个子语义表示组成的初始化语义表示,其中,K为大于1的整数,K表示场景的数量;
语义聚合单元,用于将所述当前对象的多个关联对象的语义表示以及对应的连接边的语义表示相聚合,得到多个聚合语义表示;
相关度确定单元,用于在所述当前推荐场景为第k个场景的情况下,根据所述当前对象的第k个子语义表示与其关联对象的第k个子语义表示,确定所述当前对象与其邻居对象之间在第k个场景下的相关度,其中,1≤k≤K;
语义表示获取单元,用于结合所述当前对象的初始化语义表示、所述多个聚合语义表示以及各自对应的相关度,获取所述当前对象在第k个场景下的语义表示;
自适应语义表示生成单元,用于合所述当前对象的初始化语义表示、所述当前对象在第1至K个场景下的语义表示,生成所述当前对象在当前推荐场景下的场景自适应语义表示。
7.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至5中任一项所述的推荐对象确定方法。
8.一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至5中任一项所述的推荐对象确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210086295.3A CN114528482B (zh) | 2022-01-25 | 2022-01-25 | 一种推荐对象确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210086295.3A CN114528482B (zh) | 2022-01-25 | 2022-01-25 | 一种推荐对象确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114528482A CN114528482A (zh) | 2022-05-24 |
CN114528482B true CN114528482B (zh) | 2022-12-27 |
Family
ID=81623740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210086295.3A Active CN114528482B (zh) | 2022-01-25 | 2022-01-25 | 一种推荐对象确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528482B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160017A (zh) * | 2019-12-12 | 2020-05-15 | 北京文思海辉金信软件有限公司 | 关键词抽取方法、话术评分方法以及话术推荐方法 |
CN113761389A (zh) * | 2021-08-18 | 2021-12-07 | 淮阴工学院 | 一种基于主题标签的跨域推荐方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268154A (zh) * | 2014-09-02 | 2015-01-07 | 百度在线网络技术(北京)有限公司 | 一种用于提供推荐信息的方法和装置 |
CN107193831A (zh) * | 2016-03-15 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 信息推荐方法及装置 |
CN107203558B (zh) * | 2016-03-17 | 2021-03-09 | 腾讯科技(深圳)有限公司 | 对象推荐方法和装置、推荐信息处理方法和装置 |
CN106777200A (zh) * | 2016-12-23 | 2017-05-31 | Tcl集团股份有限公司 | 项目推荐的方法及装置 |
CN109978580A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 对象推荐方法、装置以及计算机可读存储介质 |
CN110413868B (zh) * | 2018-11-06 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、系统及存储介质 |
US10949432B1 (en) * | 2018-12-07 | 2021-03-16 | Intuit Inc. | Method and system for recommending domain-specific content based on recent user activity within a software application |
CN111708950B (zh) * | 2020-06-22 | 2023-08-29 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置及电子设备 |
CN112667877A (zh) * | 2020-12-25 | 2021-04-16 | 陕西师范大学 | 一种基于旅游知识图谱的景点推荐方法及设备 |
CN112948676A (zh) * | 2021-02-26 | 2021-06-11 | 网易传媒科技(北京)有限公司 | 文本特征提取模型的训练方法、文本推荐方法及装置 |
CN113591986B (zh) * | 2021-07-30 | 2024-06-04 | 阿里巴巴创新公司 | 用于生成推荐模型的对象权值的方法和个性化推荐方法 |
CN113626719B (zh) * | 2021-10-12 | 2022-02-08 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备、存储介质及计算机程序产品 |
-
2022
- 2022-01-25 CN CN202210086295.3A patent/CN114528482B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160017A (zh) * | 2019-12-12 | 2020-05-15 | 北京文思海辉金信软件有限公司 | 关键词抽取方法、话术评分方法以及话术推荐方法 |
CN113761389A (zh) * | 2021-08-18 | 2021-12-07 | 淮阴工学院 | 一种基于主题标签的跨域推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114528482A (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220222920A1 (en) | Content processing method and apparatus, computer device, and storage medium | |
CN111708950B (zh) | 内容推荐方法、装置及电子设备 | |
CN105989040B (zh) | 智能问答的方法、装置及系统 | |
CN109376222B (zh) | 问答匹配度计算方法、问答自动匹配方法及装置 | |
CN110717099B (zh) | 一种推荐影片的方法及终端 | |
CN109544306A (zh) | 一种基于用户行为序列特征的跨领域推荐方法及装置 | |
CN112214670A (zh) | 一种在线课程推荐方法、装置、电子设备及存储介质 | |
CN111259647A (zh) | 基于人工智能的问答文本匹配方法、装置、介质及电子设备 | |
CN109145083B (zh) | 一种基于深度学习的候选答案选取方法 | |
CN117236410B (zh) | 一种可信的电子文件大语言模型训练、推理方法和装置 | |
McAuley | Personalized machine learning | |
CN111782826A (zh) | 知识图谱的信息处理方法、装置、设备及存储介质 | |
CN114722182A (zh) | 一种基于知识图谱的在线课推荐方法及系统 | |
CN114169869B (zh) | 一种基于注意力机制的岗位推荐方法及装置 | |
CN114358657B (zh) | 一种基于模型融合的岗位推荐方法及装置 | |
CN116601626A (zh) | 个人知识图谱构建方法、装置及相关设备 | |
CN113221019A (zh) | 基于即时学习的个性化推荐方法和系统 | |
CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
Tan et al. | Attentional autoencoder for course recommendation in mooc with course relevance | |
Zhu | Network Course Recommendation System Based on Double‐Layer Attention Mechanism | |
CN115600017A (zh) | 特征编码模型训练方法及装置、媒体对象推荐方法及装置 | |
CN112948681B (zh) | 一种融合多维度特征的时间序列数据推荐方法 | |
CN114528482B (zh) | 一种推荐对象确定方法、装置、电子设备及存储介质 | |
CN117194765A (zh) | 一种兴趣感知的双通道图对比学习会话推荐方法 | |
Fuentes | Mastering Predictive Analytics with scikit-learn and TensorFlow: Implement machine learning techniques to build advanced predictive models using Python |
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 |