CN114969512A - 对象推荐方法、装置、电子设备 - Google Patents
对象推荐方法、装置、电子设备 Download PDFInfo
- Publication number
- CN114969512A CN114969512A CN202210485794.XA CN202210485794A CN114969512A CN 114969512 A CN114969512 A CN 114969512A CN 202210485794 A CN202210485794 A CN 202210485794A CN 114969512 A CN114969512 A CN 114969512A
- Authority
- CN
- China
- Prior art keywords
- domain
- user
- target
- intra
- field
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000003993 interaction Effects 0.000 claims abstract description 142
- 230000002452 interceptive effect Effects 0.000 claims abstract description 50
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 109
- 230000006399 behavior Effects 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 108091026890 Coding region Proteins 0.000 claims description 9
- 230000005012 migration Effects 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 14
- 238000011176 pooling Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000020442 loss of weight Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/9535—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
- G06F16/90—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
- 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
- G06N3/045—Combinations of networks
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (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
本申请公开了一种对象推荐方法,属于计算机技术领域,有助于提升推荐精准度。所述方法包括:获取目标用户对应至少两个领域的域内用户编码,以及上述领域内各对象的域内对象编码;其中,对应每个领域的域内用户编码和域内对象编码,是基于目标用户对该领域内对象的交互数据进行编码映射后得到的;基于各领域内目标用户已交互的对象的域内对象编码,以及,目标用户对应目标领域内的域内用户编码,获取融合目标用户在各领域中对象交互信息的融合用户编码;根据目标领域内各对象的域内对象编码分别与融合用户编码计算得到的交互概率,向目标用户进行对象推荐。本方法通过结合用户在参考领域的对象交互信息进行对象推荐,提升了推荐精准度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及对象推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
在推荐系统中,推荐引擎通常会通过学习用户在某一领域中对象的交互数据,为用户推荐该领域中对象。推荐引擎的推荐精准度依赖于用户与该领域对象的交互数据。因此,在交互数据稀疏的情况下,推荐精准度会降低。
可见,现有技术中的对象推荐方法还需要改进。
发明内容
本申请实施例提供一种对象推荐方法,有助于提升对象推荐精准度。
第一方面,本申请实施例提供了一种对象推荐方法,包括:
获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码;其中,对应每个所述领域的所述域内用户编码和所述领域内各对象的域内对象编码,是基于目标用户对所述领域内对象的交互数据进行编码映射后得到的;
基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,以及,所述目标用户对应目标领域内的所述域内用户编码,获取融合所述目标用户在各所述领域中对象交互信息的融合用户编码;
根据所述目标领域内各对象的所述域内对象编码分别与所述融合用户编码计算得到的交互概率,向所述目标用户进行对象推荐。
第二方面,本申请实施例提供了一种对象推荐装置,包括:
用户和对象域内编码获取模块,用于获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码;其中,对应每个所述领域的所述域内用户编码和所述领域内各对象的域内对象编码,是基于目标用户对所述领域内对象的交互数据进行编码映射后得到的;
用户编码跨域融合模块,用于基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,以及,所述目标用户对应目标领域内的所述域内用户编码,获取融合所述目标用户在各所述领域中对象交互信息的融合用户编码;
对象推荐模块,用于根据所述目标领域内各对象的所述域内对象编码分别与所述融合用户编码计算得到的交互概率,向所述目标用户进行对象推荐。
第三方面,本申请实施例还公开了一种电子设备,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本申请实施例所述的对象推荐方法。
第四方面,本申请实施例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本申请实施例公开的对象推荐方法的步骤。
本申请实施例公开的对象推荐方法,通过获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码;其中,对应每个所述领域的所述域内用户编码和所述领域内各对象的域内对象编码,是基于目标用户对所述领域内对象的交互数据进行编码映射后得到的;基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,以及,所述目标用户对应目标领域内的所述域内用户编码,获取融合所述目标用户在各所述领域中对象交互信息的融合用户编码;根据所述目标领域内各对象的所述域内对象编码分别与所述融合用户编码计算得到的交互概率,向所述目标用户进行对象推荐,有助于提升跨域对象推荐的精准度。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
图1是本申请实施例一的对象推荐方法流程图;
图2是实施例一中采用的用户与对象交互预测模型示意图;
图3是图2所示的用户与对象交互预测模型中对齐网络示意图;
图4是图2所示的用户与对象交互预测模型中交叉注意力网络示意图;
图5是本申请实施例一的对象推荐方法另一流程图;
图6是本申请实施例二的对象推荐装置结构示意图之一;
图7是本申请实施例二的对象推荐装置结构示意图之二;
图8示意性地示出了用于执行根据本申请的方法的电子设备的框图;以及
图9示意性地示出了用于保持或者携带实现根据本申请的方法的程序代码的存储单元。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
实施例一
本申请实施例公开的一种对象推荐方法,如图1所示,所述方法包括:步骤110至步骤130。
步骤110,获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码。
其中,对应每个所述领域的所述域内用户编码和所述领域内各对象的域内对象编码,是基于目标用户对所述领域内对象的交互数据进行编码映射后得到的。
本申请实施例中所述的领域可以为餐饮、酒店、旅游、图书、电影等为用户提供不同服务的应用领域。不同领域内的对象不同,例如,电影领域内的对象可以为影片,而图书领域的对象则可以为图书。
本申请实施例中所述的对象推荐方法,应用于跨领域推荐场景。例如,对于图书领域,当推荐服务为用户推荐用户可能感兴趣的图书时,推荐服务首先在获取用户许可的情况下,获取用户的历史行为信息(如书评),并根据获取的用户的历史行为信息,为用户推荐用户可能感兴趣的图书。当用户很少发布书评时,推荐服务获取到的用户历史数据稀疏,基于稀疏的历史数据对用户进行图书推荐时,推荐的图书与用户实际兴趣的匹配度将大幅度降低。
通过采用本申请实施例中公开的对象推荐方法,可以结合用户在其他领域的历史行为数据,向用户推荐当前领域中的对象。例如,如果该用户在电影领域中具有大量历史行为信息(如发表的评论),则可以结合该用户在电影领域中的历史行为信息和在图书领域中的历史行为信息,向用户推荐图书领域中的对象(如书籍)。
具体实施时,首先对用户在各个领域中的历史行为信息进行编码,之后,进一步以编码表达的数字化信息进行推荐判断。
本申请的一些实施例中,针对每个领域,首先基于用户在该领域内的历史行为信息,获取用户对应该领域的域内用户编码,以及该领域内各对象的域内对象编码。以跨领域a和领域b进行对象推荐为例,首先基于用户在领域a中的历史行为信息,获取用户对应领域a的域内用户编码(下文中通过符号表示),以及,获取领域a中各对象的域内对象编码(下文中通过符号表示);以及,基于用户在领域b中的历史行为信息,获取用户对应领域b的域内用户编码(下文中通过符号表示),以及,获取领域b中各对象的域内对象编码(下文中通过符号表示)。
本申请的一些实施例中,所述获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码,包括:对于至少两个领域中每个所述领域,以所述目标用户和所述领域内的对象作为节点,通过边连接所述目标用户对应节点和所述目标用户存在交互行为的所述对象对应节点,构建所述目标用户对应所述领域的交互图;通过预先训练的图卷积网络,对各所述交互图分别进行图卷积运算,得到所述目标用户对应各所述领域的域内用户编码,以及,各所述领域内各所述对象的域内对象编码。
以构建所述目标用户对应领域a的交互图为例,首先以目标用户和领域a内的对象作为节点,分别构建与目标用户对应的节点(例如可以称为“用户节点”)和与每个对象分别对应的节点(例如可以称为“对象节点”);之后,通过边连接前述用户节点(即前述目标用户对应的节点)和所述目标用户交互过的对象对应的节点(即前述对象节点),至此,得到目标用户对应领域a的交互图(例如记为“交互图a”)。按照此方法,构建所述目标用户对应领域b的交互图(例如记为“交互图b”)。
接下来,以目标用户对应领域a的交互图作为预先训练的图卷积网络的输入,通过所述图卷积网络对交互图a表达的用户对象交互关系进行编码映射,得到目标用户对应领域a的域内用户编码,以及,所述交互图a中各对象的域内对象编码。同理,以目标用户对应领域b的交互图作为预先训练的图卷积网络的输入,可以得到目标用户对应领域b的域内用户编码,以及,所述交互图b中各对象的域内对象编码。
本申请的一些实施例中,所述图卷积网络的结构,可以参见现有技术中图卷及网络的结构,本申请实施例中不再赘述。所述图卷积网络可以单独训练,训练方法可以参见现有技术,本申请实施例中不再赘述。
本申请的另一些实施例中,所述图卷积网络也可以作为如图2所示的用户与对象交互预测模型的一个子网络,与构成所述用户与对象交互预测模型的其他网络模块联合训练。如图2所示,所述用户与对象交互预测模型包括:图卷积网络210、对齐网络220、交叉注意力网络230,以及,输出层240。所述用户与对象交互预测模型的训练过程参见下文描述。
步骤120,基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,以及,所述目标用户对应目标领域内的所述域内用户编码,获取融合所述目标用户在各所述领域中对象交互信息的融合用户编码。
以本申请实施例中所述的对象推荐方法应用于跨领域b对领域a内的对象进行推荐为例,所述的目标领域为领域a,源领域为领域b。接下来,进一步将目标用户在领域b中的对象交互信息迁移至领域a中。本申请的实施例中,通过将目标用户对应目标领域(如前述领域a)的所述域内用户编码,与基于目标用户对源领域(如前述领域b)中各对象的历史交互信息获取的用户特征进行融合,获取融合所述目标用户在领域a和b中对象交互行为的融合用户编码。
本申请的一些实施例中,所述基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,以及,所述目标用户对应目标领域内的所述域内用户编码,获取融合所述目标用户在各所述领域中对象交互信息的融合用户编码,包括:子步骤1201至子步骤1203。下面分别介绍两个子步骤的具体实施方案。
子步骤1201,基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,对所述目标用户的特征进行跨域对象信息维度的对齐处理,得到所述目标用户对应各所述领域的对齐向量。
不同领域内的对象具有异质的特点,若要不同领域中的对象之间具有可比性,需要将不同领域中的对象信息进行对齐处理,之后,再基于对齐处理后信息进行融合。本申请实施例中,通过如图2中所示的对齐网络对不同领域中的对象信息进行对齐处理。如图3所示,所述对齐网络220中包括多个网络分支,如网络分支2201和2202,每个网络分支用于处理一个领域的用户对与对象交互数据。仍以所述至少两个领域为领域a和领域b为例,首先,对于领域a和领域b,将目标用户交互过的领域a内的各对象的域内对象编码的集合输入至所述对齐网络220与领域a对应的网络分支2201,通过相应网络分支2201对输入的域内对象编码特征提取和映射,得到所述目标用户对应领域a的对齐向量;将目标用户交互过的领域b内的各对象的域内对象编码的集合输入至所述对齐网络220与领域b对应的网络分支2202,通过相应网络分支2202对输入的域内对象编码特征提取和映射,得到所述目标用户对应领域b的对齐向量。
本申请的一些实施例中,所述基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,对所述目标用户的特征进行跨域对象信息维度的对齐处理,得到所述目标用户对应各所述领域的对齐向量,包括:对于每个所述领域,将所述领域内所述目标用户已交互的所述对象的所述域内对象编码的序列输入至预先训练的对齐网络中与所述领域对应的网络分支,通过相应所述网络分支对输入的所述域内编码向量的序列进行特征映射,得到映射到指定空间的编码向量,作为所述目标用户对应所述领域的对齐向量;其中,所述对齐网络是通过以下方法训练得到的:对于每个所述领域,基于所述领域内每个用户交互过的各对象的所述域内编码向量,分别获取各所述用户对应所述领域的交互行为向量;对于每个所述领域,分别将各所述用户对应所述领域的交互行为向量映射到指定空间,得到各个所述领域内各所述用户的对齐向量;以各个所述领域内相同所述用户的所述对齐向量相似,且不同所述用户的所述对齐向量相异为目标,训练所述对齐网络。
本申请的一些实施例中,如图3所示,所述对齐网络220的每个网络分支分别包括:池化层和全连接层。在通过前述对齐网络的网络分支生成对齐向量时,首先通过网络分支2201的池化层对目标用户交互过的领域a内的各对象的域内对象编码进行池化处理,得到目标用户对应领域a的交互行为向量(下文中通过符号表示);同理,将目标用户交互过的领域b内的各对象的域内对象编码的集合输入至所述对齐网络220与领域b对应的网络分支2202,通过该网络分支的池化层对目标用户交互过的领域b内的各对象的域内对象编码进行池化处理,得到目标用户对应领域b的交互行为向量(下文中通过符号表示)。
例如,本申请的一些实施例中,目标用户对应领域a的交互行为向量可以通过如下池化运算得到:其中,表示领域a中用户交互过的对象,e′i表示领域a中用户交互过的对象的域内对象编码。同理,目标用户对应领域b的交互行为向量可以通过如下池化运算得到:其中,表示领域b中用户交互过的对象,e′i表示领域b中用户交互过的对象的域内对象编码。
之后,通过每个网络分支的全连接层分别对该网络分支生成的交互行为向量进行特征映射,将不同领域的交互行为向量映射到另一指定空间,分别得到目标用户对应领域a的对齐向量(下文中通过符号表示)和目标用户对应领域b的对齐向量(下文中通过符号表示)。
本申请的一些实施例中,所述对齐网络的全连接层的特征映射过程可以表示为:
其中,ReLU()表示激活函数,W为对齐网络的网络参数,取值通过训练得到;g()表示全连接层。
本申请的一些实施例中,在训练对齐网络时,使用对比损失函数对映射后的交互行为向量进行约束,使得相同用户的交互行为向量相似,不同用户的交互行为向量相异,从而,使得不同领域中的同一用户经过对齐处理后得到的对齐向量,可以用来表征该同一用户对该领域中对象的行为特征。本申请的一些实施例中,所述对齐网络的对比损失Lab可以通过以下函数计算:
其中,U表示用户集合,u表示当前用户,K表示用户集合中出用户u以外的用户,τ为调节因子,为常数,s()表示两个对齐向量的相似度。
由以上对比损失的计算方法可以看出,所述对比损失与同一用户对应不同所述领域的对齐向量的相似度负相关,与不同用户对应相同领域的对齐向量的相似度正相关。即同一用户在不同领域中的对齐向量相似度很大。因此,源领域中用户的对齐向量可以通过目标领域中用户的对齐向量表示。
子步骤1202,根据所述目标用户对应目标领域的所述对齐向量,基于注意力机制选择源领域内所述目标用户已交互的所述对象的信息,迁移至所述目标领域,得到所述目标用户的跨域交叉特征向量;其中,所述源领域为区别于所述目标领域的所述领域。
本申请的一些实施例中,所述根据所述目标用户对应目标领域的所述对齐向量,基于注意力机制选择源领域内所述目标用户已交互的所述对象的信息,迁移至所述目标领域,得到所述目标用户的跨域交叉特征向量,包括:根据所述目标领域内所述目标用户已交互的所述对象的所述域内对象编码的序列和所述目标用户对应所述目标领域的所述对齐向量,生成预先训练的交叉注意力网络的查询输入,以及,根据所述源领域内所述目标用户已交互的所述对象的所述域内对象编码的序列和所述目标用户对应所述目标领域的所述对齐向量,分别生成作为所述交叉注意力网络的键和值输入;通过所述交叉注意力网络,对所述目标用户对不同所述领域中的对象交互行为信息进行跨域交叉迁移,得到所述目标用户的跨域交叉特征向量。
接下来,通过图2中的交叉注意力网络实现对象粒度的跨域特征交叉与迁移。其中,目标领域的用户交互对象的域内对象编码序列用于生成查询输入,源领域的用户交互对象的域内对象编码序列用于生成键输入和值输入,同时,在查询输入、键输入和值输入中融合目标用户对应目标领域的对齐向量,从而实现根据目标领域用户信息,以注意力方式从源领域用户交互对象序列中挑选适合迁移至目标领域的用户交互对象信息,实现对象粒度的跨域特征交叉与迁移。
以前述领域a为目标领域,领域b为源领域为例,首先根据领域a和领域b中所述目标用户的交户数据生成交叉注意力网络的输入,即查询输入Q,键输入K和值输入V。本申请的一些实施例中,根据领域a(即目标领域)内所述目标用户发生交互行为的所述对象的所述域内对象编码的序列和所述目标用户对应所述目标领域的所述对齐向量生成交叉注意力网络的查询输入根据领域b(即源领域)内所述目标用户发生交互行为的所述对象的所述域内对象编码的序列和所述目标用户对应所述目标领域的所述对齐向量分别生成作为所述交叉注意力网络的键输入Kb和值输入Vb。本申请的一些实施例中,交叉注意力网络的各输入分别可以通过如下公式得到:
其中,表示领域a中用户交互的对象集合,表示用户交互的领域a中对象的域内对象编码序列;表示用户交互的领域b中对象的域内对象编码序列;M表示用户数量,在预测阶段,查询输入、键输入和值输入中仅包括目标用户交互的领域a中对象的域内对象编码序列,和领域b中对象的域内对象编码序列。
所述交叉注意力网络230基于多头注意力机制构建。如图4所示,所述交叉注意力网络230包括基于多头注意力机制构建的多头注意力模块2301、池化层2302,以及,特征拼接模块2303。交叉注意力网络通过多头注意力模块2301对查询输入Qa、键输入Kb和值输入Vb进行特征提取,并通过池化层2302进行特征映射,得到所述目标用户从源领域b中迁移至目标领域a中的跨域交叉特征向量。
本申请的一些实施例中,多头注意力模块2301通过点积模型对注意力得分进行数值转换,例如,打分函数可以采用如下形式:
本申请的一些实施例中,池化层2302进行特征映射的模型可以表示为:
通过多头注意力模块2301对查询输入Qa、键输入Kb和值输入Vb进行特征提取,以及通过池化层2302进行特征映射,得到所述目标用户从源领域b中迁移至目标领域a中的跨域交叉特征向量的具体实施方式参见现有技术,此处不再赘述。
参照上述方法,可以实现以领域b作为目标领域,领域a作为源领域,根据所述目标用户对应领域b的所述对齐向量,基于注意力机制选择源领域(即领域a)内所述目标用户发生交互行为的所述对象的信息,迁移至领域b,得到所述目标用户的跨域交叉特征向量,此处不再赘述。
子步骤1203,对所述目标用户对应所述目标领域内的所述域内用户编码,以及,所述跨域交叉特征向量进行拼接,得到融合有所述目标用户在各所述领域的对象交互信息的融合用户编码。
接下来,对所述目标用户对应所述目标领域内的所述域内用户编码,以及,所述跨域交叉特征向量进行拼接。本申请的一些实施例中,所述特征拼接模块2303可以使用concat()函数实现,通过特征拼接模块2303对目标用户对应所述目标领域内的所述域内用户编码,以及,所述跨域交叉特征向量进行拼接,拼接后得到的向量中融合了所述目标用户在目标领域的行为信息和在源领域的行为信息,可以作为目标用户的融合用户编码。
步骤130,根据所述目标领域内各对象的所述域内对象编码分别与所述融合用户编码计算得到的交互概率,向所述目标用户进行对象推荐。
本申请的一些实施例中,所述根据所述目标领域内各对象的所述域内对象编码分别与所述融合用户编码计算得到的交互概率,向所述目标用户进行对象推荐,包括:分别获取所述目标领域中各对象的所述域内对象编码与所述融合用户编码的内积,作为所述目标用户对相应所述对象的交互概率;根据所述交互概率确定向所述目标用户推荐的所述对象。例如,对于领域a,分别获取以领域a作为目标领域时得到的目标用户的跨域交叉特征向量与所述目标用户对应领域a的域内用户编码(如前述)拼接后得到的融合用户编码;之后,对于领域a内每个对象,分别计算对象的域内对象编码(如前述)与该融合用户编码的内积,作为所述目标用户对该对象的交互概率。进一步的,根据所述交互概率的大小,向所述目标用户推荐所述交互概率最大的指定数量个领域a中的对象。
本申请的一些实施例中,前述图卷积网络、对齐网络和交叉注意力网络是预先联合训练的。
如图5所示,所述获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码之前,还包括:步骤100和步骤101。
步骤100,获取基于用户对所述至少两个领域中每个所述领域内各对象的交互数据构建的,分别与每个所述领域对应的交互图。
在模型训练阶段,可以基于每个领域中用户对对象的交互数据,分别构建该领域对应的交互图。其中,用户对对象的交互数据是在用户授权许可的条件下获取的用户交互数据,例如,用户影评、书评等。
在构建每个领域对应得交互图时,以用户和该领域内的对象分别作为节点,通过边将用户对应的节点和该用户交互的对象对应的节点进行连接,得到该领域的交互图。
步骤101,以与每个所述领域对应的所述交互图作为学习数据,训练用户与对象交互预测模型。
如图2所示,所述用户与对象交互预测模型包括:图卷积网络、对齐网络,以及,交叉注意力网络。本申请的一些实施例中,所述用户与对象交互预测模型的损失包括:所述对齐网络的对比损失,各所述领域对应的预测损失。本申请的一些实施例中,所述对齐网络的对比损失根据同一用户对应不同领域的对齐向量之间的相似度和不同用户对应相同领域的对齐向量之间的相似度确定。所述对比损失与同一用户对应不同所述领域的对齐向量的相似度负相关,与不同用户对应相同领域的对齐向量的相似度正相关。本申请的一些实施例中,各所述领域对应的预测损失根据所述用户与对象交互预测模型对所述学习数据中用户与对象的交互行为进行学习时输出的交互概率预测值,与所述学习数据对应的交互概率真实值之间的差异确定的。
本申请的一些实施例中,所述以与每个所述领域对应的所述交互图作为学习数据,训练用户与对象交互预测模型,包括:通过所述图卷积网络,对各所述交互图分别进行图卷积运算,得到各所述用户对应各所述领域的域内用户编码,以及,各所述领域内各所述对象的域内对象编码;通过所述对齐网络,基于各所述领域内相应所述用户已交互的所述对象的所述域内对象编码,对相应所述用户的特征进行跨域对象信息维度的对齐处理,得到相应所述用户对应各所述领域的对齐向量;分别以每个所述领域作为目标领域,以区别于所述目标领域的所述领域作为源领域,执行以下交互对象信息迁移操作:通过所述交叉注意力网络,根据相应所述用户对应目标领域的所述对齐向量,基于注意力机制选择源领域内相应所述用户已交互的所述对象的信息,迁移至所述目标领域,得到各所述用户的跨域交叉特征向量;以及,通过所述交叉注意力网络,对各所述用户对应所述目标领域内的所述域内用户编码,以及,所述跨域交叉特征向量分别进行拼接,得到融合有相应所述用户在各所述领域的行为信息的融合用户编码;对于每个所述领域,根据各所述用户的所述融合用户编码与所述领域中各对象的所述域内对象编码,计算相应用户对所述领域中各对象的交互概率预测值,并根据所述交互概率预测值与相应用户对所述领域中各对象的所述交互概率真实值计算相应领域对应的预测损失;以及,对于所有所述领域,根据各所述用户对应各所述领域的所述对齐向量,计算所述对齐网络的对比损失;根据各所述领域对应的所述预测损失和所述对比损失,计算所述用户与对象交互预测模型的预测损失,并以优化所述预测损失为目标,迭代训练所述用户与对象交互预测模型。
通过所述图卷积网络,对各所述交互图分别进行图卷积运算,得到各所述用户对应各所述领域的域内用户编码,以及,各所述领域内各所述对象的域内对象编码的具体实施方式,参见前文基于交互图获取目标用户的域内用户编码和目标领域内对象的域内对象编码的相关描述,此处不再赘述。
通过所述对齐网络,基于各所述领域内相应所述用户已交互的所述对象的所述域内对象编码,对相应所述用户的特征进行跨域对象信息维度的对齐处理,得到相应所述用户对应各所述领域的对齐向量的具体实施方式,参见前文中预测阶段的相关描述,此处不再赘述。
通过所述交叉注意力网络,根据相应所述用户对应目标领域的所述对齐向量,基于注意力机制选择源领域内相应所述用户已交互的所述对象的信息,迁移至所述目标领域,得到各所述用户的跨域交叉特征向量的具体实施方式,参见前文中预测阶段的相关描述,此处不再赘述。
通过所述交叉注意力网络,对各所述用户对应所述目标领域内的所述域内用户编码,以及,所述跨域交叉特征向量分别进行拼接,得到融合有相应所述用户在各所述领域的行为信息的融合用户编码的具体实施方式,参见前文中预测阶段的相关描述,此处不再赘述。
接下来,根据各个网络模块的输出,进一步计算所述用户与对象交互预测模型的损失。如前所述,所述用户与对象交互预测模型的损失包括:所述对齐网络的对比损失,以及,各所述领域对应的预测损失。其中,所述对齐网络的对比损失的计算方法参见前文对预测阶段的相关描述,此处不再赘述。各所述领域对应的预测损失。每个领域对应的预测损失根据所有所述用户对该领域内各对象的交互概率预测值和交互概率真实值之间的差异确定。例如,可以采用Bayesian Personalized Ranking方法计算每个领域对应的预测损失;也可以通过均方损失函数(MSELoss)计算每个领域对应的预测损失。
其中,用户对该领域内各对象的交互概率预测值根据该用户的融合用户编码与该领域内各对象的域内对象编码的内积确定。本申请的一些实施例中,用户对该领域内各对象的交互概率真实值,可以根据用户对应该领域的交互图确定,例如,有边连接的用户对应节点和对象对应节点,表示对应用户和对象的交互概率真实值为1;没有边连接的用户对应节点和对象对应节点,表示对应用户和对象的交互概率真实值为0。
之后,本申请的一些实施例中,可以将各所述领域对应的预测损失,和对齐网络的对比损失进行加权求和,得到所述用户与对象交互预测模型的预测损失。例如,可以通过公式:计算所述用户与对象交互预测模型的预测损失。其中,La和Lb分别表示目标领域和源领域的预测损失,Lab表示对比损失,为正则化项,γ1和γ2为损失权重。然后,以优化所述预测损失为目标,迭代训练所述用户与对象交互预测模型,直至模型收敛,所述预测损失满足预设收敛条件。
本申请的一些实施例中,可以采用现有技术中的有监督训练方法对所述用户与对象交互预测模型进行训练,此处不再赘述。
用户与对象交互预测模型训练完成之后,所述用户与对象交互预测模型的图卷积网络、对齐网络以及交叉注意力网络构成的网络结构,即可用于预测指定用户与前述任意一个领域内对象的交互概率。
需要说明的是,本申请实施例中,在获取用户的交互数据以执行对象推荐之前,可以通过用户交互界面询问用户是否开启对象推荐服务并授权应用程序或推荐系统获取并使用用户的对象交互数据等相关数据,并向用户展示开启和关闭对象推荐服务的操作入口。在确定用户授权应用程序或推荐系统获取并使用用户的对象交互数据等相关数据的前提下,进一步执行获取用户的交互数据,并通过对所述交互数据等进行上述分析和处理,之后,向用户推荐交互概率较大的对象。
本申请实施例公开的对象推荐方法,通过获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码;其中,对应每个所述领域的所述域内用户编码和所述领域内各对象的域内对象编码,是基于目标用户对所述领域内对象的交互数据进行编码映射后得到的;基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,以及,所述目标用户对应目标领域内的所述域内用户编码,获取融合所述目标用户在各所述领域中对象交互信息的融合用户编码;根据所述目标领域内各对象的所述域内对象编码分别与所述融合用户编码计算得到的交互概率,向所述目标用户进行对象推荐,有助于提升跨域对象推荐的精准度。
本申请实施例公开的对象推荐方法,通过将用户在不同领域中交互过的对象的信息进行对齐处理,以对齐不同领域对象的异质特征,使不同领域之间的对象信息具备参考性;之后,进一步基于注意力机制选择迁移到目标领域的用户交互对象信息,并将迁移的这部分用户交互对象信息与目标领域的域内用户编码进行拼接,以将迁移的源领域的用户交互对象信息作为目标领域用户信息的一部分,用于计算目标领域内对象的交互概率,实现了结合不同领域的用户交互数据进行对象推荐,解决了目标领域用户对象交互数据稀疏导致的推荐精准度低的问题。进一步的,通过交叉注意力机制,基于对象粒度选择迁移至目标领域的用户对象交互信息,迁移的信息更加适合反映用户对对象的交互偏好,有助于进一步提升对间推荐精准度。
实施例二
本申请实施例公开的一种对象推荐装置,如图6所示,所述装置包括:
用户和对象域内编码获取模块610,用于获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码;其中,对应每个所述领域的所述域内用户编码和所述领域内各对象的域内对象编码,是基于目标用户对所述领域内对象的交互数据进行编码映射后得到的;
用户编码跨域融合模块620,用于基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,以及,所述目标用户对应目标领域内的所述域内用户编码,获取融合所述目标用户在各所述领域中对象交互信息的融合用户编码;
对象推荐模块630,用于根据所述目标领域内各对象的所述域内对象编码分别与所述融合用户编码计算得到的交互概率,向所述目标用户进行对象推荐。
本申请的一些实施例中,如图7所示,所述用户编码跨域融合模块620,进一步包括:
向量对齐子模块6201,基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,对所述目标用户的特征进行跨域对象信息维度的对齐处理,得到所述目标用户对应各所述领域的对齐向量;
信息跨域迁移子模块6202,用于根据所述目标用户对应目标领域的所述对齐向量,基于注意力机制选择源领域内所述目标用户已交互的所述对象的信息,迁移至所述目标领域,得到所述目标用户的跨域交叉特征向量;其中,所述源领域为区别于所述目标领域的所述领域;
所述信息跨域迁移子模块6202,还用于对所述目标用户对应所述目标领域内的所述域内用户编码,以及,所述跨域交叉特征向量进行拼接,得到融合有所述目标用户在各所述领域的对象交互信息的融合用户编码。
本申请的一些实施例中,所述根据所述目标用户对应目标领域的所述对齐向量,基于注意力机制选择源领域内所述目标用户已交互的所述对象的信息,迁移至所述目标领域,得到所述目标用户的跨域交叉特征向量,包括:
根据所述目标领域内所述目标用户已交互的所述对象的所述域内对象编码的序列和所述目标用户对应所述目标领域的所述对齐向量,生成预先训练的交叉注意力网络的查询输入,以及,根据所述源领域内所述目标用户已交互的所述对象的所述域内对象编码的序列和所述目标用户对应所述目标领域的所述对齐向量,分别生成作为所述交叉注意力网络的键和值输入;
通过所述交叉注意力网络,对所述目标用户对不同所述领域中的对象交互行为信息进行跨域交叉迁移,得到所述目标用户的跨域交叉特征向量。
本申请的一些实施例中,所述基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,对所述目标用户的特征进行跨域对象信息维度的对齐处理,得到所述目标用户对应各所述领域的对齐向量,包括:
对于每个所述领域,将所述领域内所述目标用户已交互的所述对象的所述域内对象编码的序列输入至预先训练的对齐网络中与所述领域对应的网络分支,通过相应所述网络分支对输入的所述域内编码向量的序列进行特征映射,得到映射到指定空间的编码向量,作为所述目标用户对应所述领域的对齐向量;其中,所述对齐网络是通过以下方法训练得到的:
对于每个所述领域,基于所述领域内每个用户交互过的各对象的所述域内编码向量,分别获取各所述用户对应所述领域的交互行为向量;
对于每个所述领域,分别将各所述用户对应所述领域的交互行为向量映射到指定空间,得到各个所述领域内各所述用户的对齐向量;
以各个所述领域内相同所述用户的所述对齐向量相似,且不同所述用户的所述对齐向量相异为目标,训练所述对齐网络。
本申请的一些实施例中,所述对象推荐模块630,进一步用于:
分别获取所述目标领域中各对象的所述域内对象编码与所述融合用户编码的内积,作为所述目标用户对相应所述对象的交互概率;以及,根据所述交互概率确定向所述目标用户推荐的所述对象。
本申请的一些实施例中,所述用户和对象域内编码获取模块610,进一步用于:
对于至少两个领域中每个所述领域,以所述目标用户和所述领域内的对象作为节点,通过边连接所述目标用户对应节点和所述目标用户存在交互行为的所述对象对应节点,构建所述目标用户对应所述领域的交互图;
通过预先训练的图卷积网络,对各所述交互图分别进行图卷积运算,得到所述目标用户对应各所述领域的域内用户编码,以及,各所述领域内各所述对象的域内对象编码。
本申请的一些实施例中,如图7所示,所述装置还包括:
用户与对象交互预测模型训练模块600,用于获取基于用户对所述至少两个领域中每个所述领域内各对象的交互数据构建的,分别与每个所述领域对应的交互图;
所述用户与对象交互预测模型训练模块600,还用于以与每个所述领域对应的所述交互图作为学习数据,训练用户与对象交互预测模型,其中,所述用户与对象交互预测模型包括:图卷积网络、对齐网络,以及,交叉注意力网络;所述用户与对象交互预测模型的损失包括:所述对齐网络的对比损失,各所述领域对应的预测损失。
本申请实施例公开的对象推荐装置,用于实现本申请实施例一中所述的对象推荐方法,装置的各模块的具体实施方式不再赘述,可参见方法实施例相应步骤的具体实施方式。
本申请实施例公开的对象推荐装置,通过获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码;其中,对应每个所述领域的所述域内用户编码和所述领域内各对象的域内对象编码,是基于目标用户对所述领域内对象的交互数据进行编码映射后得到的;基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,以及,所述目标用户对应目标领域内的所述域内用户编码,获取融合所述目标用户在各所述领域中对象交互信息的融合用户编码;根据所述目标领域内各对象的所述域内对象编码分别与所述融合用户编码计算得到的交互概率,向所述目标用户进行对象推荐,有助于提升跨域对象推荐的精准度。
本申请实施例公开的对象推荐装置,通过将用户在不同领域中交互过的对象的信息进行对齐处理,以对齐不同领域对象的异质特征,使不同领域之间的对象信息具备参考性;之后,进一步基于注意力机制选择迁移到目标领域的用户交互对象信息,并将迁移的这部分用户交互对象信息与目标领域的域内用户编码进行拼接,以将迁移的源领域的用户交互对象信息作为目标领域用户信息的一部分,用于计算目标领域内对象的交互概率,实现了结合不同领域的用户交互数据进行对象推荐,解决了目标领域用户对象交互数据稀疏导致的推荐精准度低的问题。进一步的,通过交叉注意力机制,基于对象粒度选择迁移至目标领域的用户对象交互信息,迁移的信息更加适合反映用户对对象的交互偏好,有助于进一步提升对间推荐精准度。
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。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本申请提供的一种对象推荐方法及装置进行了详细介绍,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一种核心思想;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。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
需要说明的是,本申请所涉及的信息(包括但不限于用户设备信息、用户个人信息、用户行为信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号(包括但不限于用户终端与其他设备之间传输的信号等),均为经用户授权或者经过各方充分授权的,且相关数据的收集、使用和处理遵守相关国家和地区的相关法律法规和标准。例如,本申请中涉及到的用户的对象交互数据等均是在用户充分授权的前提下获取的。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的电子设备中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
例如,图8示出了可以实现根据本申请的方法的电子设备。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。该电子设备传统上包括处理器810和存储器820及存储在所述存储器820上并可在处理器810上运行的程序代码830,所述处理器810执行所述程序代码830时实现上述实施例中所述的方法。所述存储器820可以为计算机程序产品或者计算机可读介质。存储器820可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器820具有用于执行上述方法中的任何方法步骤的计算机程序的程序代码830的存储空间8201。例如,用于程序代码830的存储空间8201可以包括分别用于实现上面的方法中的各种步骤的各个计算机程序。所述程序代码830为计算机可读代码。这些计算机程序可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。所述计算机程序包括计算机可读代码,当所述计算机可读代码在电子设备上运行时,导致所述电子设备执行根据上述实施例的方法。
本申请实施例还公开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一所述的对象推荐方法的步骤。
这样的计算机程序产品可以为计算机可读存储介质,该计算机可读存储介质可以具有与图8所示的电子设备中的存储器820类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩存储在所述计算机可读存储介质中。所述计算机可读存储介质通常为如参考图9所述的便携式或者固定存储单元。通常,存储单元包括计算机可读代码830’,所述计算机可读代码830’为由处理器读取的代码,这些代码被处理器执行时,实现上面所描述的方法中的各个步骤。
本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着,结合实施例描述的特定特征、结构或者特性包括在本申请的至少一个实施例中。此外,请注意,这里“在一个实施例中”的词语例子不一定全指同一个实施例。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种对象推荐方法,其特征在于,包括:
获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码;其中,对应每个所述领域的所述域内用户编码和所述领域内各对象的域内对象编码,是基于目标用户对所述领域内对象的交互数据进行编码映射后得到的;
基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,以及,所述目标用户对应目标领域内的所述域内用户编码,获取融合所述目标用户在各所述领域中对象交互信息的融合用户编码;
根据所述目标领域内各对象的所述域内对象编码分别与所述融合用户编码计算得到的交互概率,向所述目标用户进行对象推荐。
2.根据权利要求1所述的方法,其特征在于,所述基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,以及,所述目标用户对应目标领域内的所述域内用户编码,获取融合所述目标用户在各所述领域中对象交互信息的融合用户编码的步骤,包括:
基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,对所述目标用户的特征进行跨域对象信息维度的对齐处理,得到所述目标用户对应各所述领域的对齐向量;
根据所述目标用户对应目标领域的所述对齐向量,基于注意力机制选择源领域内所述目标用户已交互的所述对象的信息,迁移至所述目标领域,得到所述目标用户的跨域交叉特征向量;其中,所述源领域为区别于所述目标领域的所述领域;
对所述目标用户对应所述目标领域内的所述域内用户编码,以及,所述跨域交叉特征向量进行拼接,得到融合有所述目标用户在各所述领域的对象交互信息的融合用户编码。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标用户对应目标领域的所述对齐向量,基于注意力机制选择源领域内所述目标用户已交互的所述对象的信息,迁移至所述目标领域,得到所述目标用户的跨域交叉特征向量的步骤,包括:
根据所述目标领域内所述目标用户已交互的所述对象的所述域内对象编码的序列和所述目标用户对应所述目标领域的所述对齐向量,生成预先训练的交叉注意力网络的查询输入,以及,根据所述源领域内所述目标用户已交互的所述对象的所述域内对象编码的序列和所述目标用户对应所述目标领域的所述对齐向量,分别生成作为所述交叉注意力网络的键和值输入;
通过所述交叉注意力网络,对所述目标用户对不同所述领域中的对象交互行为信息进行跨域交叉迁移,得到所述目标用户的跨域交叉特征向量。
4.根据权利要求2所述的方法,其特征在于,所述基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,对所述目标用户的特征进行跨域对象信息维度的对齐处理,得到所述目标用户对应各所述领域的对齐向量的步骤,包括:
对于每个所述领域,将所述领域内所述目标用户已交互的所述对象的所述域内对象编码的序列输入至预先训练的对齐网络中与所述领域对应的网络分支,通过相应所述网络分支对输入的所述域内编码向量的序列进行特征映射,得到映射到指定空间的编码向量,作为所述目标用户对应所述领域的对齐向量;其中,所述对齐网络是通过以下方法训练得到的:
对于每个所述领域,基于所述领域内每个用户交互过的各对象的所述域内编码向量,分别获取各所述用户对应所述领域的交互行为向量;
对于每个所述领域,分别将各所述用户对应所述领域的交互行为向量映射到指定空间,得到各个所述领域内各所述用户的对齐向量;
以各个所述领域内相同所述用户的所述对齐向量相似,且不同所述用户的所述对齐向量相异为目标,训练所述对齐网络。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述目标领域内各对象的所述域内对象编码分别与所述融合用户编码计算得到的交互概率,向所述目标用户进行对象推荐的步骤,包括:
分别获取所述目标领域中各对象的所述域内对象编码与所述融合用户编码的内积,作为所述目标用户对相应所述对象的交互概率;
根据所述交互概率确定向所述目标用户推荐的所述对象。
6.根据权利要求1至4任一项所述的方法,其特征在于,所述获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码的步骤,包括:
对于至少两个领域中每个所述领域,以所述目标用户和所述领域内的对象作为节点,通过边连接所述目标用户对应节点和所述目标用户存在交互行为的所述对象对应节点,构建所述目标用户对应所述领域的交互图;
通过预先训练的图卷积网络,对各所述交互图分别进行图卷积运算,得到所述目标用户对应各所述领域的域内用户编码,以及,各所述领域内各所述对象的域内对象编码。
7.根据权利要求1所述的方法,其特征在于,所述获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码的步骤之前,还包括:
获取基于用户对所述至少两个领域中每个所述领域内各对象的交互数据构建的,分别与每个所述领域对应的交互图;
以与每个所述领域对应的所述交互图作为学习数据,训练用户与对象交互预测模型,其中,所述用户与对象交互预测模型包括:图卷积网络、对齐网络,以及,交叉注意力网络;所述用户与对象交互预测模型的损失包括:所述对齐网络的对比损失,各所述领域对应的预测损失。
8.一种对象推荐装置,其特征在于,包括:
用户和对象域内编码获取模块,用于获取目标用户对应至少两个领域的域内用户编码,以及所述至少两个领域内各对象的域内对象编码;其中,对应每个所述领域的所述域内用户编码和所述领域内各对象的域内对象编码,是基于目标用户对所述领域内对象的交互数据进行编码映射后得到的;
用户编码跨域融合模块,用于基于各所述领域内所述目标用户已交互的所述对象的所述域内对象编码,以及,所述目标用户对应目标领域内的所述域内用户编码,获取融合所述目标用户在各所述领域中对象交互信息的融合用户编码;
对象推荐模块,用于根据所述目标领域内各对象的所述域内对象编码分别与所述融合用户编码计算得到的交互概率,向所述目标用户进行对象推荐。
9.一种电子设备,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程序代码,其特征在于,所述处理器执行所述程序代码时实现权利要求1至7任意一项所述的对象推荐方法。
10.一种计算机可读存储介质,其上存储有程序代码,其特征在于,该程序代码被处理器执行时实现权利要求1至7任意一项所述的对象推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210485794.XA CN114969512A (zh) | 2022-05-06 | 2022-05-06 | 对象推荐方法、装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210485794.XA CN114969512A (zh) | 2022-05-06 | 2022-05-06 | 对象推荐方法、装置、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114969512A true CN114969512A (zh) | 2022-08-30 |
Family
ID=82980952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210485794.XA Pending CN114969512A (zh) | 2022-05-06 | 2022-05-06 | 对象推荐方法、装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114969512A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108687A (zh) * | 2023-03-03 | 2023-05-12 | 桂林电子科技大学 | 一种利用多属性多行为信息的序列推荐方法 |
WO2024114263A1 (zh) * | 2022-11-29 | 2024-06-06 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、装置、电子设备、计算机可读介质及计算机程序产品 |
-
2022
- 2022-05-06 CN CN202210485794.XA patent/CN114969512A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024114263A1 (zh) * | 2022-11-29 | 2024-06-06 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、装置、电子设备、计算机可读介质及计算机程序产品 |
CN116108687A (zh) * | 2023-03-03 | 2023-05-12 | 桂林电子科技大学 | 一种利用多属性多行为信息的序列推荐方法 |
CN116108687B (zh) * | 2023-03-03 | 2024-09-20 | 桂林电子科技大学 | 一种利用多属性多行为信息的序列推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816039B (zh) | 一种跨模态信息检索方法、装置和存储介质 | |
CN108427939B (zh) | 模型生成方法和装置 | |
CN112000819B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN114969512A (zh) | 对象推荐方法、装置、电子设备 | |
CN111523413A (zh) | 生成人脸图像的方法和装置 | |
CN110362663B (zh) | 自适应多感知相似度检测和解析 | |
CN107633023A (zh) | 一种图像去重方法和装置 | |
CN112182360A (zh) | 具有有限数据可用性的个性化推荐器 | |
CN113792871A (zh) | 神经网络训练方法、目标识别方法、装置和电子设备 | |
CN111625715B (zh) | 信息提取方法、装置、电子设备及存储介质 | |
CN113722603A (zh) | 对象推送方法、产品推送方法、计算机终端及存储介质 | |
CN114297475A (zh) | 一种对象推荐方法、装置、电子设备及存储介质 | |
CN113792212A (zh) | 多媒体资源推荐方法、装置、设备以及存储介质 | |
CN116977885A (zh) | 视频文本任务处理方法、装置、电子设备及可读存储介质 | |
CN114398973A (zh) | 一种媒体内容标签识别方法、装置、设备及存储介质 | |
JP2024508502A (ja) | 情報をプッシュする方法および装置 | |
CN112801053B (zh) | 视频数据处理方法、装置 | |
WO2024152686A1 (zh) | 确定资源信息的推荐指标的方法、装置、设备、存储介质及计算机程序产品 | |
CN116541608B (zh) | 房源推荐方法、装置、电子设备及存储介质 | |
CN116028715A (zh) | 内容推荐方法、装置、存储介质及电子设备 | |
CN113342998B (zh) | 一种多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN115017362A (zh) | 数据处理方法、电子设备及存储介质 | |
CN116127083A (zh) | 内容推荐方法、装置、设备及存储介质 | |
CN113128225A (zh) | 命名实体的识别方法、装置、电子设备及计算机存储介质 | |
CN118114738B (zh) | 一种模型训练的方法、推荐处理的方法以及相关装置 |
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 |