CN114611015A - 交互信息处理方法、装置和云服务器 - Google Patents
交互信息处理方法、装置和云服务器 Download PDFInfo
- Publication number
- CN114611015A CN114611015A CN202210307894.3A CN202210307894A CN114611015A CN 114611015 A CN114611015 A CN 114611015A CN 202210307894 A CN202210307894 A CN 202210307894A CN 114611015 A CN114611015 A CN 114611015A
- Authority
- CN
- China
- Prior art keywords
- scene
- interactive
- node
- emerging
- 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
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 380
- 230000010365 information processing Effects 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 183
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 230000003993 interaction Effects 0.000 claims description 247
- 238000010586 diagram Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 30
- 238000004220 aggregation Methods 0.000 claims description 28
- 230000002776 aggregation Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 15
- 230000002194 synthesizing effect Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 description 28
- 230000006399 behavior Effects 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 14
- 238000004590 computer program Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001235534 Graphis <ascomycete fungus> Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000000126 substance Substances 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
- 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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种交互信息处理方法、装置和云服务器。本申请的方法,使用场景表示模型根据交互场景的领域知识确定交互场景的场景表示,基于新兴场景的场景表示更新混合专家模型中专家模块的权重,实现基于领域知识定制不同交互场景的模型参数;通过图神经网络编码生成节点在每一交互场景下的编码向量,通过混合专家模型综合节点在所有交互场景下的编码向量生成节点在新兴场景下的特征向量,由于不同交互场景定制的模型参数不同,使得节点在不同交互场景下的特征向量不同,节点在不同交互场景中有不同的表示,通过定制新兴场景的模型参数,能更好地适应新兴场景,提高新兴场景中交互推荐的精准度。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种交互信息处理方法、装置和云服务器。
背景技术
交互推荐(Interaction Recommendation)是社交平台、电子商务、网络游戏等多种系统平台中不可或缺的功能,是提高用户粘性和主动性的关键因素,旨在预测用户间的交互关系。基于交互推荐功能,系统平台会自动预测用户想要与谁进行交互,以向用户推荐感兴趣的交互对象。在实际应用中,在不同的系统平台或同一系统平台的不同功能模块中,有多种不同的用户交互类型,不同用户交互类型产生不同的交互场景。如电子商务平台中项目共享,系统预测当前用户希望与谁共享项目;如网络游戏平台中,系统预测当前用户希望与谁成为队友;如社交平台中,系统预测当前用户希望与谁共享视频、当前用户希望与谁共享订阅、当前用户希望与谁进行消息通信等多种不同场景。随时时间的推移,还会不断出现新兴的交互场景,例如,出现新的网络游戏、新的促销活动、新项目等等。由于交互场景的多样性,用户可能会在不同的场景中与不同的人群进行交互,用户在新兴场景中的交互行为可能与现有场景不同。新兴场景通常只有很少的用户行为数据。
传统交互推荐的方案,早期关注在一种交互类型的单一交互场景的应用。利用特定交互场景的用户行为数据训练模型,训练得到的交互推荐模型适用于特定交互场景。但是新兴场景只有很少的用于模型学习的用户行为数据,会导致在新兴场景中的模型训练出现过度拟合,无法得到有效的交互推荐模型。
为了处理新兴场景,目前一种解决方案是将每一个交互场景视为一个任务,应用元学习技术,基于现有场景的大量用户行为数据训练模型,得到交互场景共用的一组模型参数,再针对特定场景进行简单的梯度训练,快速调整模型以适应单个任务,从而定制单个交互场景的模型。对于交互关系具有相似拓扑结构的交互场景,通过共享更多模型参数的方式可以使得模型应用于单一交互场景时的性能得到改善。但是,新兴场景通常只有很少的用户行为数据,已知的交互关系的拓扑很简单,从而因训练数据有限导致过度拟合,导致模型在应用于新兴场景时交互推荐的精准度依然较低。
发明内容
本申请的多个方面提供一种交互信息处理方法、装置和云服务器,用以解决目前新兴场景中交互推荐的精准度较低的问题。
一方面,本申请提供一种交互信息处理方法,包括:获取已构建的用户交互关系图,其中,所述用户交互关系图包括:每一用户对应的节点,以及连接具有交互关系的两个用户对应节点的边,每一所述节点具有属性信息,每一所述边具有边类型,每一所述边类型对应一种交互场景,所述交互场景包括新兴场景和现有场景;将所述用户交互关系图输入图神经网络,通过所述图神经网络,对每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码,生成每一节点在所述同一边类型对应交互场景下的编码向量;通过混合专家模型,综合每一节点在所有交互场景下的编码向量,生成每一节点在所述新兴场景下的特征向量,其中所述混合专家模型中专家模块的权重是根据所述新兴场景的场景表示更新后得到的,所述新兴场景的场景表示是根据所述新兴场景的领域知识确定,不同交互场景的场景表示不同,场景表示的相似性体现交互场景的相似性;根据每一节点在所述新兴场景下的特征向量,进行所述新兴场景下用户感兴趣的交互对象的推荐处理。
另一方面,本申请提供一种交互信息处理装置,包括:数据获取单元,用于获取已构建的用户交互关系图,其中,所述用户交互关系图包括:每一用户对应的节点,以及连接具有交互关系的两个用户对应节点的边,每一所述节点具有属性信息,每一所述边具有边类型,每一所述边类型对应一种交互场景,所述交互场景包括新兴场景和现有场景;
图神经网络单元,用于将所述用户交互关系图输入图神经网络,通过所述图神经网络,对每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码,生成每一节点在所述同一边类型对应交互场景下的编码向量;
混合专家单元,用于通过混合专家模型,综合每一节点在所有交互场景下的编码向量,生成每一节点在所述新兴场景下的特征向量,其中所述混合专家模型中专家模块的权重是根据所述新兴场景的场景表示更新后得到的,所述新兴场景的场景表示是根据所述新兴场景的领域知识确定,不同交互场景的场景表示不同,场景表示的相似性体现交互场景的相似性;
交互推荐单元,用于根据每一节点在所述新兴场景下的特征向量,进行所述新兴场景下用户感兴趣的交互对象的推荐处理。
另一方面,本申请提供一种云服务器,包括:存储器和处理器;所述存储器用于存储程序指令;所述处理器用于调用所述存储器中的程序指令执行上述所述的交互信息处理方法。
本申请提供的交互信息处理方法、装置和云服务器,通过使用场景表示模型根据交互场景的领域知识确定交互场景的场景表示,基于新兴场景的场景表示更新混合专家模型中专家模块的权重,不同交互场景的场景表示不同,场景表示的相似性体现交互场景的相似性,使得应用于不同交互场景时所使用的混合专家模型的专家模块的权重不同。通过图神经网络对每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码,生成每一节点在同一边类型对应交互场景下的编码向量,通过混合专家模型综合每一节点在所有交互场景下的编码向量,生成每一节点在新兴场景下的特征向量,由于不同交互场景时所使用的混合专家模型的专家模块的权重不同,使得最终确定的同一节点在不同交互场景下的特征向量不同,也即节点在不同交互场景中拥有不同的节点表示,能够在新兴场景的用户行为数据非常少的情况下,基于不同交互场景的领域知识来定制不同交互场景的模型参数,使得交互推荐模型能更好地适应新兴场景,提高新兴场景中交互推荐的精准度。
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为本申请一示例性实施例提供的一种用户交互关系图;
图2为本申请提供的交互信息处理方法的一示例性地应用流程示意图;
图3为本申请一示例性实施例提供的交互信息处理方法的步骤流程图;
图4为本申请另一示例性实施例提供的交互信息处理方法的步骤流程图;
图5为本申请一示例性实施例提供的一种交互场景的分类树的示例图;
图6为本申请一示例性实施例提供的模型框架示意图;
图7为本申请一示例性实施例提供的基于领域知识引导的元学习框架示意图;
图8为本申请一示例性实施例提供的模型训练的流程图;
图9为本申请一示例性实施例提供的交互信息处理装置的结构示意图;
图10为本申请一示例性实施例提供的一种云服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
首先对本申请所涉及的名词进行解释:
混合专家模型(Mixture of Experts,简称MoE):又称为混合专家系统,是一种神经网络。混合专家模型包括多个专家模块。其中,每一专家模块为一个独立的神经网络模型,能够独立实现相应的计算逻辑。混合专家模型中的每一专家模块具有对应的权重,混合专家模型基于各个专家模块的权重,混合各个专家模块的计算结果,得到混合专家模型最终的计算结果。
Poincaré embeddings:是一种为树结构设计向量的方法,鼓励基于分类法的分类树中距离较小的叶子节点具有类型的向量表示。
在实际使用中,由于交互场景的多样性,用户可能会在不同的场景中与不同的人群进行交互,用户在新兴场景中的交互行为可能与现有场景不同。新兴场景通常只有很少的用户行为数据。其中现有场景是指存在时间较长,拥有较多交互数据的交互场景。新兴场景是指新出现的交互场景,新兴场景通常交互数据很少。
示例性地,在实际的社交平台中,用户交互发生的交互场景往往多种多样。例如,基于社交平台,用户可以发送消息、共享视频或与其他用户共享订阅,分别对应发送消息、共享视频、共享订阅这三种交互场景。此外,新兴的场景不断出现,例如新的游戏发布或新的促销活动。用户可能会在不同的场景中与不同的人群进行交互。例如,他们可以给很多人发信息,但只能与共同感兴趣的朋友分享视频。另外,在这些新兴的场景中,用户行为数据的记录非常有限,这使得从头开始训练模型变得非常困难。
本申请中,将用户作为节点、将用户之间的交互关系作为边,每一种交互场景对应一种边类型,构建用户交互关系图,用户交互关系图中包括多种边类型的边,使得用户交互关系图“多元化”。每个新出现的新兴场景对应一种新的边类型。示例性地,以包含发送消息、共享视频、共享订阅这三种交互场景的社交平台为例,可以构建如图1所示的用户交互关系图,图中包括三种边类型的边,三种边类型分别对应发送消息、共享视频、共享订阅这三种交互场。图1中仅以4个用户在三种不同交互场景中的简单的交互关系为例,对用户交互关系图的结构进行示例性地说明,在实际应用中的用户交互关系图将复杂得多,此处并不对交互场景、用户的数量进行限制。
在用户交互关系图中,两个用户的节点之间具有某一边类型的边,表示这两个用户在该边类型对应交互场景中具有交互关系,也即在该边类型对应交互场景进行过对一个交互类型的交互。用户交互关系图中每一节点具有属性信息,可以包括用户的自然属性,如岁数、财务状况、职业等,还可以包括用户在各个交互场景中的信息,如用户类别、标签、购买力等等。所构建的用户交互关系图可以应用于多种交互场景的交互推荐,应用于不同交互场景进行交互推荐的用户交互关系图是一致的,节点的属性、交互关系拓扑结构(边)、边类型等都是一致的。另外,用户交互关系图可以根据各交互场景中产生的新的用户行为数据进行更新,更新时用户交互关系图的内的节点、边、边类型等都有可能发生变化。
针对现有交互推荐方案在应用于新兴场景时交互推荐的精准度依然较低的问题,本申请提供一种交互信息处理方法,通过场景表示模型基于交互场景的领域知识确定交互场景的场景表示,不同交互场景的场景表示不同,场景表示的相似性体现交互场景的相似性;通过图神经网络(Graph Neural Network,简称GNN)对用户交互关系图中每一节点进行编码,生成每一节点在每一交互场景下的编码向量;基于新兴场景的场景表示更新混合专家模型中专家模块的权重,通过更新后的混合专家模型综合每一节点在所有交互场景下的编码向量,生成每一节点在新兴场景下的特征向量。在应用于不同的交互场景时,基于当前场景的场景表示定制专家模块的权重(即在不同专家模块上的注意力),而最终节点的特征向量是混合各个专家模块对节点的所有交互场景下的编码向量进行综合的结果得到的,因此同一节点在不同交互场景中基于不同专家模块的权重得到的节点最终的特征向量不同,能够在新兴场景的用户行为数据非常少的情况下,基于不同交互场景的领域知识来定制不同交互场景的模型参数,使得交互推荐模型能更好地适应新兴场景,提高新兴场景中交互推荐的精准度。
在本申请的实施例中,并不限定交互信息处理方法的执行设备。可选地,交互信息处理方法可以借助云计算系统实现整体的交互系统功能。例如,交互信息处理方法可以应用于云服务器,以便借助于云上资源的优势运行交互信息处理方法所使用的模型;相对于应用于云端,交互信息处理方法也可以应用于常规服务器、云服务器或服务器阵列等服务端设备。
示例性地,本申请提供的交互信息处理方法,可以应用于同一交互系统中的不同应用场景中,基于交互系统中的现有场景的交互数据和新兴场景的交互数据构建交互系统的用户交互关系图。在模型训练阶段,先基于交互系统中的现有场景的大量的历史交互数据对场景表示模型和链路预测模型(包括图神经网络、混合专家模型和分类器)进行预训练,然后在基于新兴场景的少量交互数据对预训练后的场景表示模型和链路预测模型的模型参数进行微调,得到适用于新兴场景的链路预测模型。
示例性地,图2为本申请提供的交互信息处理方法的一示例性地应用流程示意图,图2中以交互系统涉及现有场景r1、现有场景r2和新兴场景r3为例进行示例性地说明。如图2所示,基于每一交互场景的交互数据,可以分析确定各个用户之间的交互关系(有交互或无交互),并构建用户交互关系图。图2中领域知识1、领域知识2和领域知识3分别为现有场景r1、现有场景r2和新兴场景r3的领域知识。场景表示gr1、场景表示gr2、场景表示gr3分别是现有场景r1、现有场景r2和新兴场景r3的场景表示。将每一交互场景的领域知识输入训练好的场景表示模型,可以确定每一交互场景的场景表示。在应用于新兴场景进行交互推荐处理时,基于新兴场景r3的场景表示gr3来更新训练好的混合专家模型中专家模块的权重,使得混合专家模型更加适用于当前的新兴场景r3。具体交互推荐的流程为:将用户交互关系图输入训练好的图神经网络,通过图神经网络对每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码,生成每一节点在同一边类型对应交互场景下的编码向量;通过更新后的混合专家模型综合每一节点在所有交互场景下的编码向量,生成每一节点在新兴场景下的特征向量。其中,节点在新兴场景下的特征向量,也就是节点对应用户在新兴场景下的特征向量。基于用户在新兴场景下的特征向量,进行用户之间的交互推荐,能够提高在新兴场景下进行交互推荐的精准度。
示例性地,可以将任意两个节点在新兴场景下的特征向量输入分类器,即可预测这两个节点之间是否具有新兴场景对应变类型的边的预测结果,从而可以发现新兴场景下可能存在的边,也即预测哪些用户之间有较大可能存在交互关系,实现交互推荐功能。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图3为本申请一示例性实施例提供的交互信息处理方法的步骤流程图。如图3所示,该方法具体包括以下步骤:
步骤S301、获取已构建的用户交互关系图,其中,用户交互关系图包括:每一用户对应的节点,以及连接具有交互关系的两个用户对应节点的边,每一节点具有属性信息,每一边具有边类型,每一边类型对应一种交互场景,交互场景包括新兴场景和现有场景。
本实施例中,用户交互关系图可以在模型训练阶段构建好并存储。在线进行交互推荐时,可以获取已存储的用户交互关系图。
具体地,构建用户交互关系图可以通过如下方式实现:创建每一用户对应的节点,根据用户在每一交互场景下的交互数据,分别确定任意两个用户之间是否具有该交互场景下交互关系。若两个用户之间具有该交互场景下的交互行为,则确定该两个用户在该交互场景下具有交互关系,在这两个用户对应节点之间增加该交互场景对应边类型的边;若两个用户之间不具有该交互场景下的交互行为,则确定该两个用户在该交互场景下不具有交互关系,无需在这两个用户对应节点之间增加该交互场景对应边类型的边。对每一交互场景处理完成后,即可以得到包含现有交互数据中所有交互关系的用户交互关系图。
进一步地,根据用户在所有交互场景下的属性信息,确定用户对应节点的属性信息。其中,用户对应节点的属性信息可以包括用户的自然属性,如岁数、财务状况、职业等,还可以包括用户在各个交互场景中的信息,如用户类别、标签、购买力等等,节点的属性信息具体包括哪些信息可以根据实际应用场景进行配置和调整,此处不做具体限定。
另外,所构建的用户交互关系图是多种交互场景共用的,应用于不同交互场景进行交互推荐时的用户交互关系图是一致的,节点的属性、交互关系拓扑结构(边)、边类型等都是一致的,使得用户交互关系图“多元化”。另外,用户交互关系图可以根据各交互场景中产生的新的用户行为数据进行更新,更新时用户交互关系图的内的节点、边、边类型等都有可能发生变化。
示例性地,以包含发送消息、共享视频、共享订阅这三种交互场景的社交平台为例,可以构建如图1所示的用户交互关系图,图中包括三种边类型的边,三种边类型分别对应发送消息、共享视频、共享订阅这三种交互场。图1中仅以4个用户在三种不同交互场景中的简单的交互关系为例,对用户交互关系图的结构进行示例性地说明,在实际应用中的用户交互关系图将复杂得多,此处并不对交互场景、用户的数量进行限制。
步骤S302、将用户交互关系图输入图神经网络,通过图神经网络,对每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码,生成每一节点在同一边类型对应交互场景下的编码向量。
该步骤中,将用户交互关系图输入训练好的图神经网络,通过该图神经网络,对每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码,生成每一节点在同一边类型对应交互场景下的编码向量(embedding),该编码向量综合了同一交互场景下与该节点对应用户有过交互的用户(也即与该节点对应用户的相似用户)的属性信息,能够更好地表征该用户的特征。
示例性地,以图1中所示的用户交互关系图为例,假设“发送消息”和“共享订阅”为现有场景,“共享视频”为新兴场景,如图1所示,用户1对应节点与用户2和用户3对应节点之间具有“发送消息”类型的边,用户1对应节点与用户3和用户4对应节点之间具有“共享订阅”类型的边,对于用户1对应节点,用户2、3和4对应节点均是用户1对应节点的邻居节点。其中,用户2和用户3对应节点是用户1对应节点通过同一边类型(“发送消息”类型)的边连接的邻居节点,对用户2和3对应节点的属性信息进行编码,确定用户1对应节点在“发送消息”场景下的编码向量。用户3和用户4对应节点是用户1对应节点通过同一边类型(“共享订阅”类型)的边连接的邻居节点,对用户3和4对应节点的属性信息进行编码,确定用户1对应节点在“共享订阅”场景下的编码向量。
本实施例中,通过图神经网络在用户交互关系图上通过卷积操作计算各个节点的在不同交互场景下的嵌入(embedding),从而得到节点在不同交互场景下的编码向量。另外,所使用的图神经网络可以基于具体应用领域自由选择和配置使用何种神经网络架构,此处不做具体限定。
步骤S303、通过混合专家模型,综合每一节点在所有交互场景下的编码向量,生成每一节点在新兴场景下的特征向量,其中混合专家模型中专家模块的权重是根据新兴场景的场景表示更新后得到的,新兴场景的场景表示是根据新兴场景的领域知识确定,不同交互场景的场景表示不同,场景表示的相似性体现交互场景的相似性。
其中,混合专家模型(Mixture of Experts,简称MoE),又称为混合专家系统,是一种神经网络。混合专家模型包括多个专家模块。
本实施例中,混合专家模型包括多个专家模块,所有专家模块具有相同的结构,但不同的专家模块的权重(也即注意力)不同,通过模型训练可以确定训练好的混合专家模型中专家模块的权重,此时专家模块的权重为所有交互场景共享的权重参数。
在应用于具体的新兴场景时,基于新兴场景的场景表示更新混合专家模型中专家模块的权重,得到更适用于当前的新兴场景的混合专家模型。
根据更新后的适用于当前的新兴场景的混合专家模型,综合节点在不同交互场景中的编码向量,经过前向传播后,对于每一节点,每个专家模块综合该节点在不同交互场景下的编码行了得到该节点的一个中间向量,基于每个专家模块的权重,综合每一专家模块计算得到的该节点的中间向量,来确定该节点在新兴场景下的特征向量。
通过混合专家模型确定的节点在新兴场景下的特征向量,首先通过多个专家模块综合了多个不同交互场景下的编码向量生成中间向量,并且基于当前的新兴场景更新的专家模块的权重,综合各个专家模块确定的中间向量,得到节点在新兴场景下的特征向量,由于不同交互场景的场景表示不同,因此不同交互场景下的混合专家模型中专家模块的权重不同,从而使得最终确定的同一节点在不同交互场景下的特征向量不同,也即节点在不同交互场景中拥有不同的节点表示。
可选地,本实施例中可以在完成模型训练,得到训练好的场景表示模型时,通过将各个交互场景的领域知识信息输入场景表示模型,通过场景表示模型可以生成每一交互场景的场景表示,并存储每一交互场景的场景表示。在应用于不同的新兴场景时,可以直接获取已存储的当前新兴场景的场景表示。基于新兴场景的场景表示更新混合专家模型中专家模块的权重,得到更适用于当前的新兴场景的混合专家模型。
步骤S304、根据每一节点在新兴场景下的特征向量,进行新兴场景下用户感兴趣的交互对象的推荐处理。
其中,节点在新兴场景下的特征向量,也就是节点对应用户在新兴场景下的特征向量。基于用户在新兴场景下的特征向量,进行用户之间的交互推荐,能够提高在新兴场景下进行交互推荐的精准度。
示例性地,可以将任意两个节点在新兴场景下的特征向量输入分类器,即可预测这两个节点之间是否具有新兴场景对应变类型的边的预测结果,从而可以发现新兴场景下可能存在的边,也即预测哪些用户之间有较大可能存在交互关系,实现交互推荐功能。
本实施例,通过使用训练好的场景表示模型根据交互场景的领域知识确定交互场景的场景表示,不同交互场景的场景表示不同,场景表示的相似性体现交互场景的相似性,基于新兴场景的场景表示更新混合专家模型中专家模块的权重,使得应用于不同交互场景时所使用的混合专家模型的专家模块的权重不同。通过训练好的图神经网络对用户交互关系图中每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码,生成每一节点在同一边类型对应交互场景下的编码向量,通过混合专家模型综合每一节点在所有交互场景下的编码向量,生成每一节点在新兴场景下的特征向量,由于不同交互场景时所使用的混合专家模型的专家模块的权重不同,使得最终确定的同一节点在不同交互场景下的特征向量不同,也即节点在不同交互场景中拥有不同的节点表示,能够在新兴场景的用户行为数据非常少的情况下,基于不同交互场景的领域知识来定制不同交互场景的模型参数,使得交互推荐模型能更好地适应新兴场景,提高新兴场景中交互推荐的精准度。
示例性地,以图1中所示的用户交互关系图为例,假设“发送消息”和“共享订阅”为现有场景,“共享视频”为新兴场景,“发送消息”、“共享订阅”和“共享视频”的场景表示分别用gr1,gr2和gr3表示,三种不同交互场景的场景表示gr1,gr2和gr3互不相同。在模型训练完成得到训练好的链路预测模型(包括图神经网络和混合专家模型)之后,此时链路预测模型具有所有交互场景共享的模型参数。在应用于“共享视频”这一新兴场景的交互推荐时,为了使得链路预测模型更加适用于“共享视频”这一新兴场景,使用“共享视频”的场景表示gr3来更新链路预测模型的混合专家模型中专家模块的权重,从而定制适用于当前“共享视频”场景的链路预测模型,使用该定制的模型进行“共享视频”场景的交互推荐,能够提高“共享视频”场景下交互推荐的精准度。
另外,在应用于现有交互场的交互推荐时,如应用于“发送消息”场景时,使用当前“发送消息”的场景表示gr3来更新链路预测模型的混合专家模型中专家模块的权重,能够定制更加适用于“发送消息”的场景的链路预测模型,相较于直接使用训练好的具有共享模型参数的链路预测模型进行“发送消息”的场景的交互推荐,使用该定制的模型进行“发送消息”的场景的交互推荐,能够提高“共享视频”场景下交互推荐的精准度。
图4为本申请另一示例性实施例提供的交互信息处理方法的步骤流程图。在上述方法实施例的基础上,本实施例中,对交互信息处理方法进行更加详细地说明。如图4所示,该方法具体包括以下步骤:
步骤S400、获取交互场景的领域知识信息。
本实施例中,基于各个交互场景的领域知识来确定各个交互场景的场景表示。
其中,交互场景的领域知识信息是指描述该交互场景的目的、功能等对用户之间的交互行为存在一定影响的信息。不同交互场景的领域知识不完全相同。
可选地,交互场景的领域知识信息可以为交互场景的分类树,分类树基于交互场景的目的和功能进行分类形成,分类树包括多个叶子节点,每一叶子节点对应一个交互场景。该分类树中叶子节点的距离越小表示叶子节点对应交互场景越相似。
具体地,可以基于场景分类法,基于交互场景的目的和功能等描述信息,对交互场景进行组织分类,生成交互场景的分类树。
示例性地,以“发送消息”、“共享视频”、“共享订阅”这三种交互场为例,可以基于每种交互场景的目的及功能信息对交互场景进行分类,将“发送消息”归为社交类,将“发送消息”、“共享视频”归为内容类,构建如图5所示的分类树。
可选地,交互场景的领域知识信息可以包括每一交互场景的描述文本。每一交互场景的描述文本用于描述交互场景的目的、功能等信息。交互场景的描述文本可以由人工设置、或者可以从应用于该交互场景的页面上抓取、或者还可以同其他方式获取,此处不做具体限定。
可选地,交互场景的领域知识信息可以包括配置的多项特征信息。具体地,可以配置领域知识特征集合,该领域知识特征集合包括多项特征。每一交互场景的领域知识信息包括该交互场景是否具有领域知识特征集合中各项特征。
示例性地,交互场景的领域知识信息可以包括:互动是单向的还是双向的、用户在互动后是否获得奖励……
在获取到交互场景的领域知识信息之后,通过步骤S401-S402,通过场景表示模型,根据交互场景的领域知识信息生成每一交互场景的场景表示。
步骤S401、将交互场景的领域知识信息输入场景表示模型,通过场景表示模型,根据交互场景的领域知识信息,提取每一交互场景的描述特征,其中不同交互场景的描述特征不同,描述特征的相似性体现交互场景的相似性。
在获取到交互场景的领域知识信息之后,该步骤中,通过场景表示模型,对交互场景的领域知识信息进行特征提取,提取每一交互场景的描述特征,该描述特征为向量表示。不同交互场景的描述特征不同,描述特征的相似性能够体现交互场景的相似性。
可选地,交互场景的领域知识信息为交互场景的分类树,分类树基于交互场景的目的和功能进行分类形成,分类树包括多个叶子节点,每一叶子节点对应一个交互场景。该分类树中叶子节点的距离越小表示叶子节点对应交互场景越相似。
该步骤中,根据交互场景的分类树,生成分类树中每一叶子节点的向量表示,得到每一叶子节点对应交互场景的描述特征。
示例性地,可以通过基于分类法的Poincaré embeddings算法来根据交互场景的分类树生成每一叶子节点的向量表示,使得在分类树中距离较近的叶子节点具有相似的向量表示,也即在分类树中距离较小的叶子节点对应交互场景的场景描述特征更加相似。
另外,还可以采用用于基于树中叶子节点之间的距离,生成每个叶子节点的向量表示的方法实现,使得距离较短的叶子节点具有相似的向量表示即可。
可选地,交互场景的领域知识信息包括每一交互场景的描述文本。每一交互场景的描述文本用于描述交互场景的目的、功能等信息。
该步骤中,将每一交互场景的描述文本转化为向量,得到每一交互场景的描述特征。具体可以采用任意一种将文本转化为向量的方法实现,例如VSM向量空间模型,用于实现文本表示的神经网络模型如AVG、DNN、RNN、CNN等。
可选地,交互场景的领域知识信息可以包括配置的多项特征信息。具体地,可以配置领域知识特征集合,该领域知识特征集合包括多项特征。每一交互场景的领域知识信息包括该交互场景是否具有领域知识特征集合中各项特征。
该步骤中,对于任一交互场景,若该交互场景具有领域知识特征集合中一项特征,则该项特征对应值为1,否则为0,领域知识特征集合中各项特征对应的值按照指定顺序排列成一个向量,作为该交互场景的描述特征。
步骤S402、将每一交互场景的描述特征转换为K维向量,得到每一交互场景的场景表示,其中K为混合专家模型中专家模块的数量。
在得到每一交互场景的描述特征之后,通过场景表示模型的多层感知器(Multilayer Perceptron,简称MLP)层,根据混合专家模型包括的专家模块的数量K,将每一交互场景的描述特征转换为K维向量,得到每一交互场景的场景表示。
其中,场景表示模型的多层感知器层的参数是经过训练确定的。
示例性地,用gr表示交互场景的场景表示,用dr表示交互场景的描述特征,该步骤可以表示为:
gr=hψ(dr)=σ1(Wdr+b) (1)
其中,σ1为激活函数。ψ表示场景表示模型中多层感知器层的参数,包括W和b,可以表示为ψ=(W,b)。
通过这种方式,交互场景的场景表示是根据描述特征确定的,而描述特征反映了交互场景的领域知识,交互场景的场景表示包含了交互场景的领域知识的特征;并且,场景表示模型中多层感知器层的参数ψ是基于大量已有交互关系的训练数据训练确定的,交互场景的场景表示反映了训练数据的分布。因此,一方面领域知识作为先验知识限制了交互场景的场景表示,另一方面,即使领域知识不完善,交互场景的场景表示仍然可以根据训练数据进行调整。
如果领域知识不可用,交互场景的场景表示仍然可以从训练数据中学习。可选地,可以随机初始化各个交互场景的描述特征为一组低维向量,在训练期间基于训练数据更新交互场景的场景表示,这种方式下交互场景的场景表示是基于纯数据驱动的方式学习的。
通过上述步骤S400-S402获取交互场景的场景表示,交互场景的场景表示可以用于更新混合专家模型的专家模块的权重。
步骤S403、根据新兴场景的场景表示更新混合专家模型中专家模块的权重。
本实施例中,在获取到各个交互场景的场景表示之后,在确定具体应用的新兴场景之后,或者在应用于新兴场景的进行第一次交互推荐时,根据新兴场景的场景表示更新混合专家模型中专家模块的权重,使得混合专家模型更加适用于当前的新兴场景。由于不同交互场景的场景表示不同,因此应用于不同交互场景进行交互推荐时使用的混合专家模型不同,从而实现基于不同交互场景定制混合专家模型。
步骤S404、获取用户交互关系图。
示例性地,用户交互关系图可以表示为:G=(V,E,X),其中G代表用户交互关系图,V代表节点集,V包含每一用户对应的节点;X代表属性集,X包含每一节点的属性信息。E代表边集,E包含任意两个节点之间的边,包含不同场景下用户之间的交互关系。
一种交互场景对应一种边类型,不同交互场景对应的边类型不同。两个用户对应节点之间具有某一边类型的边,表示这两个用户在该边类型对应交互场景下具有交互关系。边集E=∪r∈REr包含|R|种不同的交互场景下用户之间的交互关系,其中R代表所有交互场景对应边类型的集合,r代表一种交互场景对应的边类型,|R|为R中元素的数量,也即是交互场景的数量。对于每种边类型r∈R,用户交互关系图中只有与已有交互数据确定的部分边是看见的,交互推荐旨在找到缺失的边 也就是预测哪些用户之间有较大可能存储交互关系。
具体地,创建每一用户对应的节点,根据用户在每一交互场景下的交互数据,分别确定任意两个用户之间是否具有该交互场景下交互关系。若两个用户之间具有该交互场景下的交互行为,则确定该两个用户在该交互场景下具有交互关系,在这两个用户对应节点之间增加该交互场景对应边类型的边;若两个用户之间不具有该交互场景下的交互行为,则确定该两个用户在该交互场景下不具有交互关系,无需在这两个用户对应节点之间增加该交互场景对应边类型的边。对每一交互场景处理完成后,即可以得到包含现有交互数据中所有交互关系的用户交互关系图。
进一步地,根据用户在所有交互场景下的属性信息,确定用户对应节点的属性信息。其中,用户对应节点的属性信息可以包括用户的自然属性,如岁数、财务状况、职业等,还可以包括用户在各个交互场景中的信息,如用户类别、标签、购买力等等,节点的属性信息具体包括哪些信息可以根据实际应用场景进行配置和调整,此处不做具体限定。
本实施例中,用户交互关系图为是多种交互场景共用的,应用于不同交互场景进行交互推荐时的用户交互关系图是一致的,节点的属性、交互关系拓扑结构(边)、边类型等都是一致的,使得用户交互关系图“多元化”。另外,用户交互关系图可以根据各交互场景中产生的新的用户行为数据进行更新,更新时用户交互关系图的内的节点、边、边类型等都有可能发生变化。
其中,交互场景包括新兴场景和现有场景。现有场景是指存在时间较长,拥有较多交互数据的交互场景。新兴场景是指新出现的交互场景,新兴场景通常交互数据很少。
示例性地,用R(ex)代表现有场景的边类型的集合,用R(em)代表新兴场景的边类型的集合,R=R(ex)∪R(em)。基于元学习技术,在模型训练时,基于用户交互关系图中现有场景的边类型的边进行模型训练;然后,基于用户交互关系图中新兴场景的边类型的边(只有一小部分已知)进一步对模型参数进行微调,得到训练好的模型。基于训练好的模型,可以预测用户交互关系图中缺失的新兴场景的边类型的边。
步骤S405、将用户交互关系图输入图神经网络,通过图神经网络,对每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码,生成每一节点在同一边类型对应交互场景下的编码向量。
在获取到用户交互关系图之后,将用户交互关系图输入训练好的图神经网络,通过该图神经网络,对每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码,生成每一节点在同一边类型对应交互场景下的编码向量,该编码向量综合了同一交互场景下与该节点对应用户有过交互的用户(也即与该节点对应用户的相似用户)的属性信息,能够更好地表征该用户的特征。
示例性地,对于每节点vi,通过递归地应用图卷积算子计算每种边类型r下的嵌入(embedding),得到节点vi在边类型r对应交互场景下的编码向量。以一层图卷积算子为例,可以基于如下公式(2)来获取节点vi在边类型r对应交互场景下的编码向量ui,r:
其中,ui,r代表节点vi在边类型r对应交互场景下的编码向量(或中间结果),σ2为激活函数(如Sigmoid函数),Wg和bg是训练好的图神经网络的模型参数,eij表示边类型r的现有边集中连接vi和vj节点之间的边,vj是vi通过边类型r的边连接邻居节点,xj是vj的属性信息,mean{}是求均值函数。
利用训练好的图神经网络,通过公式(2)基于vi通过边类型r的边连接的所有邻居节点的属性信息的均值,来确定vi节点在边类型r对应交互场景下的编码向量。
上述步骤S404-S405可以与步骤S400-S402并行进行。
可选地,在获取到新兴场景的场景表示和每一节点在同一边类型对应交互场景下的编码向量之后,通过步骤S406-S408,通过混合专家模型,综合每一节点在所有交互场景下的编码向量,生成每一节点在新兴场景下的特征向量。
可选地,在确定每一节点在每一交互场景下的编码向量之后,对于每一节点vi,可以将节点vi在每一现有场景下的编码向量连接,得到节点vi的一个矩阵表示。将每一节点在每一交互场景下的矩阵表示输入混合专家模型,来生成每一节点在新兴场景下的特征向量。
其中,节点vi在一现有场景下的一个矩阵表示可以表示为:Ui=[ui,1,ui,2,...,ui,m],其中,m代表现有场景的数量,也即与现有场景对应的边类型的数量。用s表示每一节点在每一交互场景下的编码向量的维度,该矩阵为s×m的矩阵。
步骤S406、将每一节点在每一交互场景下的编码向量输入混合专家模型,通过每一专家模块聚合每一节点在现有场景下的编码向量,生成每一节点对应于每一专家模块的聚合特征。
其中,混合专家模型(Mixture of Experts,简称MoE),又称为混合专家系统,是一种神经网络。混合专家模型包括多个专家模块,用K表示混合专家模型中专家模块的数量。
该步骤中,通过每一专家模块来聚合每一节点在所有现有场景下的编码向量,得到该节点的一个聚合特征,不同专家模块都对每一节点进行这一处理,可以得到每一节点对应于每一专家模块的聚合特征。其中,节点对应于一个专家模块的聚合特征是指通过该专家模块生成的该节点的聚合特征。
其中,Mk、wk和Wk均为第k个专家模块的训练好的模型参数,Mk为s×s的矩阵,Wk为p×s的矩阵,wk为p维向量,p是预先设置的隐藏的维度,为Mk的转置,为wk的转置,Ui为节点vi在每一现有场景下的编码向量连接形成的矩阵,Ui=[ui,1,ui,2,...,ui,m],s表示每一节点在每一交互场景下的编码向量的维度,m代表现有场景的数量。tanh()为双曲正切函数。
公式(3)中,作为第k个专家模块使用的所有现有场景对应边类型的聚合权重,基于自注意力机制,根据节点在每一现有场景下的编码向量确定。第k个专家模块基于该聚合权重,对Ui中节点vi在每一现有场景下的编码向量加权求和,得到节点vi对应于该专家模块的一个低维向量,即聚合特征
步骤S407、根据混合专家模型中专家模块的权重,对每一节点对应于所有专家模块的聚合特征进行混合处理,生成每一节点在新兴场景下的聚合向量。
该步骤中,所使用的混合专家模型中专家模块的权重,是使用当前新兴场景的场景表示更新后得到的,更加适用于当前的新兴场景。
进一步地,根据适用于当前的新兴场景的混合专家模型,综合节点在不同交互场景中的编码向量,经过前向传播后,对于每一节点,每个专家模块综合该节点在不同交互场景下的编码行了得到该节点的一个中间向量,基于每个专家模块的权重,综合每一专家模块计算得到的该节点的中间向量,来确定该节点在新兴场景下的特征向量。
该步骤中,节点在新兴场景下的特征向量实质上是通过综合节点在每一现有场景下的编码向量得到的。
示例性地,用r′指代具体用应用于的新兴场景对应的边类型,该新兴场景的场景表示为gr′,该步骤中节点vi在新兴场景下的聚合向量可以表示为zi,r′,可以如下通过公式(4)确定:
zi,r′=Vi TSoftmax(gr′) (4)
该步骤中,在综合K个专家模块确定的节点的聚合向量时,根据新兴场景的场景表示为gr′来更新各个专家模块的权重。
步骤S408、基于预设权重系数,对每一节点在新兴场景下的聚合向量和编码向量进行加权求和,得到每一节点的在新兴场景下的最终特征向量。
该步骤中,通过预设权重系数,综合对每一节点在新兴场景下的聚合向量和编码向量这个两部分数据,来确定每一节点的在新兴场景下的最终特征向量。
示例性地,用r′指代具体用应用于的新兴场景对应的边类型,该新兴场景的场景表示为gr′,该步骤可以利用如下公式(5)实现:
xi,r′=βui,r′+(1-β)zi,r′=βui,r′+(1-β)Vi TSoftmax(gr′) (5)
其中,xi,r′为节点vi在新兴场景下的特征向量,ui,r′为节点vi在新兴场景下的编码向量,zi,r′为节点vi在新兴场景下的聚合向量。β为预先设置的超参数,是一个标量,用于平衡来自新兴场景对应边类型r′和所有现有场景对应边类型的信息的影响。Vi T为Vi的转置,Vi为节点vi对应于K个专家模块的聚合向量连接形成的矩阵, 是一个s×K的矩阵。
基于公式(5)可以看到,节点vi在新兴场景下的特征向量是基于超参数β综合ui,r′和Vi T这两部分数据得到的。其中,ui,r′为通过图神经网络对节点vi通过新兴场景对应边类型r′的边连接的邻居节点的属性信息进行编码得到的,与节点vi对应用户在新兴场景的交互关系有关,与其他交互场景的交互关系无关。Vi T为混合专家模型通过聚合节点vi在现有场景下的编码向量确定的,与节点vi对应用户在各个现有场景的交互关系有关。因此,通过公式(5)确定的节点vi在新兴场景下的特征向量,不仅能够综合ui,r′和Vi T这两部分数据,还可以通过超参数β来平衡两部分数据,从而平衡来自新兴场景对应边类型r′和所有现有场景对应边类型的信息的影响。
通过上述公式(3)和(5)中可以推断,混合专家模型聚合所有边类型的信息来生成节点vi在一种新兴边类型(新兴场景对应的边类型)的最终的特征向量过程中,每种边类型的系数为因为每个专家模块内部参数和场景表示模型中多层感知器层的参数ψ所有交互场景都共享,所有涉及的参数都不仅仅是从边类型r′的训练数据中学习的,因此缓解了因新兴场景的数据稀缺而导致的过度拟合问题,同时在不同的交互场景中仍具有相同的表达能力。
另外,由于新出现场景的训练示例数量非常有限,如果通过GATNE等模型混合各种边类型的信息,由于新出现场景的训练数据数量非常有限,其估计混合系数的方差可能非常大,围绕边类型的单纯形相对分离。相比之下,通过本实施例的混合专家模型先由每一专家模块混合各种边类型的信息,然后基于新兴场景下各个专家模块的权重系数将各个专家模型的混合结构再次混合,将聚合系数正则化为专家模块的单纯形,专家模块的单纯形通常是边类型的单纯形的子集,可以减少估计聚合系数的方差。
步骤S409、根据每一节点在新兴场景下的特征向量,进行新兴场景下用户感兴趣的交互对象的推荐处理。
其中,节点在新兴场景下的特征向量,也就是节点对应用户在新兴场景下的特征向量。基于用户在新兴场景下的特征向量,进行用户之间的交互推荐,能够提高在新兴场景下进行交互推荐的精准度。
可选地,一种在新兴场景下进行交互推荐处理的应用如下:
S1、响应于在新兴场景下向指定用户推荐交互对象的请求,根据第一节点和第二节点在新兴场景下的特征向量,确定第一节点与第二节点之间具有新兴场景对应边类型的边的条件概率。
其中,其中第一节点为指定用户对应的节点,第二节点为用户交互关系图中除第一节点之外的节点。
示例性地,用vi表示指定用户对应的第一节点,用vj表示第二节点,可以通过如下公式(6)来计算在新兴场景下给定第一节点vi,第二节点vj与第一节点vi之间具有新兴场景对应边类型r′的边的条件概率Pr(vj|vi,r′):
示例性地,可以将两个节点在新兴场景下的特征向量输入训练好的分类器,通过分类器计算并输出两个节点之间具有新兴场景对应边类型的边的条件概率。
S2、根据条件概率,将至少一个第二节点对应的用户确定为指定用户感兴趣的交互对象。
可选地,可以根据预先设置的第一概率阈值,将与第一节点之间具有新兴场景对应边类型的边的条件概率大于或等于第一概率阈值的第二节点对应的用户,确定为指定用户感兴趣的交互对象。其中,第一概率阈值可以根据具体交互场景进行灵活地设置和调整,此处不做具体限定。
可选地,可以按照第二节点与第一节点之间具有新兴场景对应边类型的边的条件概率由大到小的顺序,对第二节点进行排序,将排在前面第一数量的第二节点对应的用户,确定为指定用户感兴趣的交互对象。其中,第一数量可以根据具体交互场景进行灵活地设置和调整,此处不做具体限定。
可选地,可以设置第二概率阈值,筛选出与第一节点之间具有新兴场景对应边类型的边的条件概率大于或等于第二概率阈值的第二节点;将筛选出的第二节点根据与第一节点之间具有新兴场景对应边类型的边的条件概率由大到小的顺序,将排在前面第二数量的第二节点对应的用户,确定为指定用户感兴趣的交互对象。其中,第二概率阈值和第二数量均可以根据具体交互场景进行灵活地设置和调整,此处不做具体限定。
S3、根据指定用户感兴趣的交互对象的信息,进行交互推荐。
在确定指定用户感兴趣的交互对象之后,输出指定用户感兴趣的交互对象的信息;或者,向指定用户对应终端推送指定用户感兴趣的交互对象的信息。
其中,进行交互推荐的具体推荐方式可以根据实际交互场景的需求进行设置和调整,此处不做具体限定。
可选地,另一种在新兴场景下进行交互推荐处理的应用如下:
S11、响应于在新兴场景下向指定用户推荐交互对象的请求,根据第一节点和第二节点在新兴场景下的特征向量的相似度,将至少一个第二节点对应的用户确定为指定用户感兴趣的交互对象。
可选地,可以根据预先设置的第一相似度阈值,将与第一节点在新兴场景下的特征向量的相似度大于或等于第一相似度阈值的第二节点对应的用户,确定为指定用户感兴趣的交互对象。其中,第一相似度阈值可以根据具体交互场景进行灵活地设置和调整,此处不做具体限定。
可选地,可以按照与第一节点在新兴场景下的特征向量的相似度由大到小的顺序,对第二节点进行排序,将排在前面第三数量的第二节点对应的用户,确定为指定用户感兴趣的交互对象。其中,第三数量可以根据具体交互场景进行灵活地设置和调整,此处不做具体限定。
可选地,可以设置第二相似度阈值,筛选出与第一节点在新兴场景下的特征向量的相似度大于或等于第二相似度阈值的第二节点;将筛选出的第二节点根据与第一节点在新兴场景下的特征向量的相似度由大到小的顺序,将排在前面第四数量的第二节点对应的用户,确定为指定用户感兴趣的交互对象。其中,第二相似度阈值和第四数量均可以根据具体交互场景进行灵活地设置和调整,此处不做具体限定。
S12、根据指定用户感兴趣的交互对象的信息,进行交互推荐。
在确定指定用户感兴趣的交互对象之后,输出指定用户感兴趣的交互对象的信息;或者,向指定用户对应终端推送指定用户感兴趣的交互对象的信息。
其中,进行交互推荐的具体推荐方式可以根据实际交互场景的需求进行设置和调整,此处不做具体限定。
本实施例中通过混合专家模型中每一专家模块,基于自注意力机制根据节点在每一现有场景下的编码向量确定聚合权重,对节点在每一现有场景下的编码向量加权求和,来生成节点对应于该专家模块的聚合特征;进一步地,使用新兴场景的场景表示来更新混合专家模型中专家模块的权重,综合K个专家模块确定的节点的聚合特征,生成节点在新兴场景下的特征向量,能够提高新兴场景下节点的特征向量的质量,从而提高新兴场景下交互推荐的精准度。
示例性地,图6为本申请一示例性实施例提供的模型框架示意图,如图6所示,用ψ表示场景表示模型中多层感知器层的训练好的参数,θ表示链路预测模型中训练好的模型参数,dr表示交互场景的描述特征,gr表示交互场景的场景表示。交互场景的描述特征dr和ψ决定了场景表示gr。是根据交互场景的场景表示gr和链路预测模型的训练好的共享模型参数定制的链路预测模型的定制模型参数,不同的交互场景中链路预测模型的定制模型参数不同,决定了当前交互场景中边的预测结果 指代n个节点中任意两个节点vi和vj之间的当前交互场景的边类型r的边。n表示用户交互关系图中节点的数量,R表示所有交互场景对应边类型的集合,|R|为R中元素的数量,也即是交互场景的数量。
示例性地,图7为本申请一示例性实施例提供的基于领域知识引导的元学习框架示意图,如图7所示,包括场景表示模型和链路预测模块。其中,场景表示模型主要负责进行如下处理:基于交互场景的领域知识编码生成交互场景的描述特征dr(如图7中所示的初始场景表示:dr1、dr2、dr3),然后将描述特征dr转换为K维向量,得到交互场景的场景表示gr(如图7中所示的),交互场景的场景表示用于定制混合专家模型中专家模块的权重。链路预测模块包括图神经网络(GNN)和混合专家模型,其中,图神经网络的输入为基于现有场景和新兴场景的交互数据构建的所有交互场景共享的用户交互关系图,该用户交互关系图是包含多种边类型的图G,每一交互场景对应一种边类型。GNN生成用户交互关系图中每一节点在每一交互场景下的编码向量,每一节点在每一交互场景下的编码向量连接形成矩阵Ui,混合专家模型通过每一专家模块对矩阵Ui中每一节点在现有场景下的编码向量进行聚合,生成每一节点对应于K个专家模块的聚合特征根据基于交互推荐的新兴场景的场景表示(如图7中所示的)定制的专家模块的权重,对每一节点对应于K个专家模块的聚合特征加权求和,得到节点在新兴场景下的聚合向量基于预设权重系数对每一节点在新兴场景下的聚合向量和编码向量进行加权求和,确定每一节点的在新兴场景下的最终特征向量。基于节点在新兴场景下的特征向量,预测这两个节点之间是否具有新兴场景对应变类型的边的预测结果,从而可以发现新兴场景下可能存在的边,实现交互推荐功能。
图8为本申请一示例性实施例提供的模型训练的流程图。如图8所示,在进行模型训练时,首先基于现有场景的大量交互数据,提取训练集,训练场景表示模型和链路预测模型(包括图神经网络、混合专家模型和分类器),得到所有交互场景共享的全局模型参数。然后基于具体应用的新兴场景的少量交互数据进行若干次迭代训练,对模型参数进行微调,得到该新兴场景的定制模型参数,从而得到应用于该新兴场景的场景表示模型和链路预测模型,可以快速适应特定的新兴场景的交互推荐任务。其中,模型训练过程中,混合专家模型中专家模块的权重基于场景表示确定,场景表示模型和链路预测模型的功能与前述方法实施例中类似,此处不再赘述。
图9为本申请一示例性实施例提供的交互信息处理装置的结构示意图。本申请实施例提供的交互信息处理装置可以执行交互信息处理方法实施例提供的处理流程。如图9所示,交互信息处理装置90包括:
数据获取单元91,用于获取已构建的用户交互关系图,用户交互关系图包括:每一用户对应的节点,以及连接具有交互关系的两个用户对应节点的边,每一节点具有属性信息,每一边具有边类型,每一边类型对应一种交互场景,交互场景包括新兴场景和现有场景。
图神经网络单元92,用于将用户交互关系图输入图神经网络,通过图神经网络,对每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码,生成每一节点在同一边类型对应交互场景下的编码向量。
混合专家单元93,用于通过混合专家模型,综合每一节点在所有交互场景下的编码向量,生成每一节点在新兴场景下的特征向量,其中混合专家模型中专家模块的权重是根据新兴场景的场景表示更新后得到的,新兴场景的场景表示是根据新兴场景的领域知识确定,不同交互场景的场景表示不同,场景表示的相似性体现交互场景的相似性。
交互推荐单元94,用于根据每一节点在新兴场景下的特征向量,进行新兴场景下用户感兴趣的交互对象的推荐处理。
在一可选实施例中,数据获取单元包括:场景表示模块,用于:获取交互场景的领域知识信息;通过场景表示模型,根据交互场景的领域知识信息生成每一交互场景的场景表示。权重更新模块,用于根据新兴场景的场景表示,更新混合专家模型中专家模块的权重。
在一可选实施例中,场景表示模块还用于:将交互场景的领域知识信息输入场景表示模型,通过场景表示模型,根据交互场景的领域知识信息,提取每一交互场景的描述特征,其中不同交互场景的描述特征不同,描述特征的相似性体现交互场景的相似性;将每一交互场景的描述特征转换为K维向量,得到每一交互场景的场景表示,其中K为混合专家模型中专家模块的数量。
在一可选实施例中,交互场景的领域知识信息为交互场景的分类树,分类树基于交互场景的目的和功能进行分类形成,分类树包括多个叶子节点,每一叶子节点对应一个交互场景。场景表示模块还用于:根据交互场景的分类树,生成分类树中每一叶子节点的向量表示,得到每一叶子节点对应交互场景的描述特征。
在一可选实施例中,交互场景的领域知识信息包括每一交互场景的描述文本。场景表示模块还用于:将每一交互场景的描述文本转化为向量,得到每一交互场景的描述特征。
在一可选实施例中,混合专家单元还用于:将每一节点在每一交互场景下的编码向量输入混合专家模型,通过每一专家模块聚合每一节点在现有场景下的编码向量,生成每一节点对应于每一专家模块的聚合特征;根据专家模块的权重,对每一节点对应于所有专家模块的聚合特征进行混合处理,生成每一节点在新兴场景下的聚合向量;基于预设权重系数,对每一节点在新兴场景下的聚合向量和编码向量进行加权求和,得到每一节点的在新兴场景下的最终特征向量。
在一可选实施例中,交互推荐单元还用于:响应于在新兴场景下向指定用户推荐交互对象的请求,根据第一节点和第二节点在新兴场景下的特征向量,确定第一节点与第二节点之间具有新兴场景对应边类型的边的条件概率,其中第一节点为指定用户对应的节点,第二节点为用户交互关系图中除第一节点之外的节点;根据条件概率,将至少一个第二节点对应的用户确定为指定用户感兴趣的交互对象;根据指定用户感兴趣的交互对象的信息,进行交互推荐。
在一可选实施例中,交互推荐单元还用于:响应于在新兴场景下向指定用户推荐交互对象的请求,根据第一节点和第二节点在新兴场景下的特征向量的相似度,将至少一个第二节点对应的用户确定为指定用户感兴趣的交互对象;根据指定用户感兴趣的交互对象的信息,进行交互推荐。
本申请实施例提供的装置可以具体用于执行上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。“多个”的含义是两个以上,除非另有明确具体的限定。
图10为本申请示例性实施例提供的一种云服务器云服务器的结构示意图。该云服务器云服务器用于运行上述交互信息处理方法。如图10所示,该云服务器云服务器包括:存储器104和处理器105。
存储器104,用于存储计算机程序,并可被配置为存储其它各种数据以支持在云服务器云服务器上的操作。该存储器104可以是对象存储(Object Storage Service,OSS)。
存储器104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
处理器105,与存储器104耦合,用于执行存储器104中的计算机程序,以用于实现上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,当计算机程序/指令被处理器执行时,致使处理器实现上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。
相应地,本申请实施例还提供一种计算机程序产品,包括计算机程序/指令,当计算机程序/指令被处理器执行时,致使处理器实现上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。
上述图10中的通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G/LTE、5G等移动通信网络,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
上述图10中的电源组件,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、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设备上,使得在计算机或其他可编程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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种交互信息处理方法,其特征在于,包括:
获取已构建的用户交互关系图,其中,所述用户交互关系图包括:每一用户对应的节点,以及连接具有交互关系的两个用户对应节点的边,每一所述节点具有属性信息,每一所述边具有边类型,每一所述边类型对应一种交互场景,所述交互场景包括新兴场景和现有场景;
将所述用户交互关系图输入图神经网络,通过所述图神经网络,对每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码,生成每一节点在所述同一边类型对应交互场景下的编码向量;
通过混合专家模型,综合每一节点在所有交互场景下的编码向量,生成每一节点在所述新兴场景下的特征向量,其中所述混合专家模型中专家模块的权重是根据所述新兴场景的场景表示更新后得到的,所述新兴场景的场景表示是根据所述新兴场景的领域知识确定,不同交互场景的场景表示不同,场景表示的相似性体现交互场景的相似性;
根据每一节点在所述新兴场景下的特征向量,进行所述新兴场景下用户感兴趣的交互对象的推荐处理。
2.根据权利要求1所述的方法,其特征在于,所述通过混合专家模型,综合每一节点在所有交互场景下的编码向量,生成每一节点在所述新兴场景下的特征向量之前,还包括:
获取所述交互场景的领域知识信息;
通过场景表示模型,根据所述交互场景的领域知识信息生成每一所述交互场景的场景表示;
根据所述新兴场景的场景表示,更新所述混合专家模型中专家模块的权重。
3.根据权利要求2所述的方法,其特征在于,所述通过场景表示模型,根据所述交互场景的领域知识信息生成每一所述交互场景的场景表示,包括:
将所述交互场景的领域知识信息输入所述场景表示模型,通过所述场景表示模型,根据所述交互场景的领域知识信息,提取每一交互场景的描述特征,其中不同交互场景的描述特征不同,描述特征的相似性体现交互场景的相似性;
将每一交互场景的描述特征转换为K维向量,得到每一交互场景的场景表示,其中K为所述混合专家模型中专家模块的数量。
4.根据权利要求3所述的方法,其特征在于,所述交互场景的领域知识信息为交互场景的分类树,所述分类树基于交互场景的目的和功能进行分类形成,所述分类树包括多个叶子节点,每一叶子节点对应一个交互场景;
所述根据所述交互场景的领域知识信息,提取每一交互场景的描述特征,包括:
根据所述交互场景的分类树,生成所述分类树中每一叶子节点的向量表示,得到每一叶子节点对应交互场景的描述特征。
5.权利要求3所述的方法,其特征在于,所述交互场景的领域知识信息包括每一交互场景的描述文本,
所述根据所述交互场景的领域知识信息,提取每一交互场景的描述特征,包括:
将每一交互场景的描述文本转化为向量,得到每一交互场景的描述特征。
6.根据权利要求1所述的方法,其特征在于,所述通过混合专家模型,综合每一节点在所有交互场景下的编码向量,生成每一节点在所述新兴场景下的特征向量,包括:
将每一节点在每一交互场景下的编码向量输入混合专家模型,通过所述混合专家模型的每一专家模块聚合每一节点在所述现有场景下的编码向量,生成每一节点对应于每一专家模块的聚合特征;
根据每一专家模块的权重,对每一节点对应于所有专家模块的聚合特征进行混合处理,生成每一节点在所述新兴场景下的聚合向量;
基于预设权重系数,对每一节点在所述新兴场景下的聚合向量和编码向量进行加权求和,得到每一节点的在所述新兴场景下的最终特征向量。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述根据每一节点在所述新兴场景下的特征向量,进行所述新兴场景下用户感兴趣的交互对象的推荐处理,包括:
响应于在所述新兴场景下向指定用户推荐交互对象的请求,根据第一节点和第二节点在所述新兴场景下的特征向量,确定所述第一节点与所述第二节点之间具有所述新兴场景对应边类型的边的条件概率,其中第一节点为所述指定用户对应的节点,所述第二节点为所述用户交互关系图中除所述第一节点之外的节点;
根据所述条件概率,将至少一个所述第二节点对应的用户确定为所述指定用户感兴趣的交互对象;
根据所述指定用户感兴趣的交互对象的信息,进行交互推荐。
8.根据权利要求1-6中任一项所述的方法,其特征在于,所述根据每一节点在所述新兴场景下的特征向量,进行所述新兴场景下用户感兴趣的交互对象的推荐处理,包括:
响应于在所述新兴场景下向指定用户推荐交互对象的请求,根据第一节点和第二节点在所述新兴场景下的特征向量的相似度,将至少一个所述第二节点对应的用户确定为所述指定用户感兴趣的交互对象;
根据所述指定用户感兴趣的交互对象的信息,进行交互推荐。
9.一种交互信息处理装置,其特征在于,包括:
数据获取单元,用于获取已构建的用户交互关系图,其中,所述用户交互关系图包括:每一用户对应的节点,以及连接具有交互关系的两个用户对应节点的边,每一所述节点具有属性信息,每一所述边具有边类型,每一所述边类型对应一种交互场景,所述交互场景包括新兴场景和现有场景;
图神经网络单元,用于将所述用户交互关系图输入图神经网络,通过所述图神经网络,对每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码,生成每一节点在所述同一边类型对应交互场景下的编码向量;
混合专家单元,用于通过混合专家模型,综合每一节点在所有交互场景下的编码向量,生成每一节点在所述新兴场景下的特征向量,其中所述混合专家模型中专家模块的权重是根据所述新兴场景的场景表示更新后得到的,所述新兴场景的场景表示是根据所述新兴场景的领域知识确定,不同交互场景的场景表示不同,场景表示的相似性体现交互场景的相似性;
交互推荐单元,用于根据每一节点在所述新兴场景下的特征向量,进行所述新兴场景下用户感兴趣的交互对象的推荐处理。
10.一种云服务器,其特征在于,包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用所述存储器中的程序指令执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210307894.3A CN114611015A (zh) | 2022-03-25 | 2022-03-25 | 交互信息处理方法、装置和云服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210307894.3A CN114611015A (zh) | 2022-03-25 | 2022-03-25 | 交互信息处理方法、装置和云服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611015A true CN114611015A (zh) | 2022-06-10 |
Family
ID=81867575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210307894.3A Pending CN114611015A (zh) | 2022-03-25 | 2022-03-25 | 交互信息处理方法、装置和云服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611015A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992099A (zh) * | 2023-09-27 | 2023-11-03 | 湖北工业大学 | 一种基于交互选择的图神经网络推荐方法、系统及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102216941A (zh) * | 2008-08-19 | 2011-10-12 | 数字标记公司 | 用于内容处理的方法和系统 |
CN111797321A (zh) * | 2020-07-07 | 2020-10-20 | 山东大学 | 一种面向不同场景的个性化知识推荐方法及系统 |
US20200342968A1 (en) * | 2019-04-24 | 2020-10-29 | GE Precision Healthcare LLC | Visualization of medical device event processing |
CN112069484A (zh) * | 2020-11-10 | 2020-12-11 | 中国科学院自动化研究所 | 基于多模态交互式的信息采集方法及系统 |
CN112115352A (zh) * | 2020-08-28 | 2020-12-22 | 齐鲁工业大学 | 基于用户兴趣的会话推荐方法及系统 |
-
2022
- 2022-03-25 CN CN202210307894.3A patent/CN114611015A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102216941A (zh) * | 2008-08-19 | 2011-10-12 | 数字标记公司 | 用于内容处理的方法和系统 |
US20200342968A1 (en) * | 2019-04-24 | 2020-10-29 | GE Precision Healthcare LLC | Visualization of medical device event processing |
CN111797321A (zh) * | 2020-07-07 | 2020-10-20 | 山东大学 | 一种面向不同场景的个性化知识推荐方法及系统 |
CN112115352A (zh) * | 2020-08-28 | 2020-12-22 | 齐鲁工业大学 | 基于用户兴趣的会话推荐方法及系统 |
CN112069484A (zh) * | 2020-11-10 | 2020-12-11 | 中国科学院自动化研究所 | 基于多模态交互式的信息采集方法及系统 |
Non-Patent Citations (2)
Title |
---|
HAI WANG等: "Contextual Heterogeneous Graph Network for Human-Object Interaction Detection", 《EUROPEAN CONFERENCE ON COMPUTER VISION》, 19 November 2020 (2020-11-19), pages 248 - 264 * |
刘佳玮等: "基于异质信息网络的推荐系统研究综述", 《信息安全学报》, vol. 6, no. 05, 15 September 2021 (2021-09-15), pages 1 - 16 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992099A (zh) * | 2023-09-27 | 2023-11-03 | 湖北工业大学 | 一种基于交互选择的图神经网络推荐方法、系统及终端 |
CN116992099B (zh) * | 2023-09-27 | 2024-01-12 | 湖北工业大学 | 一种基于交互选择的图神经网络推荐方法、系统及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321422B (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
US20210256403A1 (en) | Recommendation method and apparatus | |
CN111368210A (zh) | 基于人工智能的信息推荐方法、装置以及电子设备 | |
CN111339433A (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN112035743B (zh) | 数据推荐方法、装置、计算机设备以及存储介质 | |
CN110020022B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
WO2021155691A1 (zh) | 用户画像生成方法、装置、存储介质及设备 | |
CN111949886B (zh) | 一种用于信息推荐的样本数据生成方法和相关装置 | |
CN111723910A (zh) | 构建多任务学习模型的方法、装置、电子设备及存储介质 | |
CN110008397A (zh) | 一种推荐模型训练方法及装置 | |
CN115994226B (zh) | 基于联邦学习的聚类模型训练系统及方法 | |
CN113408668A (zh) | 基于联邦学习系统的决策树构建方法、装置及电子设备 | |
Luo et al. | Online optimization of collaborative web service QoS prediction based on approximate dynamic programming | |
Moustafa et al. | A deep reinforcement learning approach for large-scale service composition | |
CN117973789A (zh) | 基于全流程用户画像的智能匹配方法、装置、设备及介质 | |
CN114417174B (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
CN116910373B (zh) | 房源推荐方法、装置、电子设备及存储介质 | |
CN114611015A (zh) | 交互信息处理方法、装置和云服务器 | |
WO2024051707A1 (zh) | 训练推荐模型的方法、推荐资源的方法及其装置 | |
Lopes et al. | Manas: Multi-agent neural architecture search | |
CN111767953A (zh) | 用于训练物品编码模型的方法和装置 | |
Zang et al. | LKT-FM: A novel rating pattern transfer model for improving non-overlapping cross-domain collaborative filtering | |
Atan et al. | Data-driven online recommender systems with costly information acquisition | |
CN112785391B (zh) | 推荐处理方法、装置及智能设备、存储介质 | |
CN115809339A (zh) | 跨领域推荐方法、系统、设备及存储介质 |
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 |