CN115114542A - 一种对象推荐方法、系统、训练方法、介质及计算机设备 - Google Patents

一种对象推荐方法、系统、训练方法、介质及计算机设备 Download PDF

Info

Publication number
CN115114542A
CN115114542A CN202211029384.0A CN202211029384A CN115114542A CN 115114542 A CN115114542 A CN 115114542A CN 202211029384 A CN202211029384 A CN 202211029384A CN 115114542 A CN115114542 A CN 115114542A
Authority
CN
China
Prior art keywords
representation
knowledge
user
graph
interaction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211029384.0A
Other languages
English (en)
Other versions
CN115114542B (zh
Inventor
王浩
徐耀
李昕
郭宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Gaodeyunxin Technology Co ltd
Original Assignee
Beijing Gaodeyunxin Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Gaodeyunxin Technology Co ltd filed Critical Beijing Gaodeyunxin Technology Co ltd
Priority to CN202211029384.0A priority Critical patent/CN115114542B/zh
Publication of CN115114542A publication Critical patent/CN115114542A/zh
Application granted granted Critical
Publication of CN115114542B publication Critical patent/CN115114542B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种对象推荐方法、系统、训练方法、介质及计算机设备。本公开的至少一个实施例中，通过对交互图和知识图谱分别处理，得到交互视图和知识视图，且交互视图和知识视图中的交互行为和对象属性关系均与对象推荐有关联，解决了知识过载问题，能够提升推荐效果；并且通过生成包含低阶信息（包括用户与对象之间的交互信息）和高阶信息（用户与属性之间的关系信息）的用户目标表示，能够更加全面地表示用户；而生成的对象目标表示中不仅包含用户与对象之间的交互信息，而且包含对象与属性之间的关系信息，因此，不会忽略不同对象之间的属性关系，解决交互主导问题，通过用户目标表示和对象目标表示能够辅助推荐实现更好的推荐效果。

Description

一种对象推荐方法、系统、训练方法、介质及计算机设备
技术领域
本公开实施例涉及计算机技术领域，具体涉及一种对象推荐方法、系统、训练方法、介质及计算机设备。
背景技术
基于地理位置服务（Location Based Services，LBS）的对象推荐场景（例如酒店推荐场景），其需求往往是低频次的、且与用户的出行服务（包括出行场景和地理位置）紧密相关，因此对象推荐更容易受到用户交互行为稀疏和冷启动用户（即新用户或历史交互很少甚至没有交互的老用户）较多的影响。
目前，结合对象的属性信息，基于用户与对象之间的交互行为进行对象推荐，由于考虑了对象的属性信息，因此可以缓解用户交互数据稀疏和冷启动用户的影响。
但是，目前的对象推荐方案，至少存在如下问题：交互主导问题和知识过载问题。其中，交互主导问题的产生是由于对象推荐模型采用用户与对象之间的交互作为监督信息主导模型训练，忽略了知识图谱中对象与属性之间的关系在训练模型中的作用，因此用户与对象之间的交互所占的训练权重远大于知识图谱中对象与属性之间的关系所占的训练权重，导致知识图谱对模型训练的影响较小，不能充分捕获和利用知识图谱中的有价值信息，导致推荐效果较差。知识过载问题的产生是由于知识图谱中包含大量与推荐无关的信息，反而影响推荐效果。
发明内容
本公开的至少一个实施例提供了一种对象推荐方法、系统、训练方法、介质及计算机设备。
第一方面，本公开实施例提出一种对象推荐方法，该方法包括：
获取用户与对象之间历史交互行为的交互图以及对象与属性之间关系的知识图谱；
对交互图进行处理，得到交互视图，交互视图中的交互行为与对象推荐有关联；并对知识图谱进行处理，得到知识视图，知识视图中的对象属性关系与对象推荐有关联；
基于交互图、交互视图和知识视图，得到交互图中各用户的用户目标表示和各对象的对象目标表示，其中，用户目标表示基于用户与对象之间的交互信息以及用户与属性之间的关系信息生成；对象目标表示基于用户与对象之间的交互信息以及对象与属性之间的关系信息生成；
响应于目标用户的推荐请求，基于目标用户的用户目标表示和各对象的对象目标表示，从各对象中筛选出匹配的目标推荐对象。
第二方面，本公开实施例还提出一种对象推荐系统，该系统包括：交互图增强模型、知识图谱增强模型、推荐表示生成模型、交互表示生成模型、知识表示生成模型和对象推荐模型；
交互图增强模型，用于对交互图进行处理，得到交互视图，交互视图中的交互行为与对象推荐有关联；
知识图谱增强模型，用于对知识图谱进行处理，得到知识视图，知识视图中的对象属性关系与对象推荐有关联；
推荐表示生成模型，用于对交互图进行编码，得到交互图中各用户的用户第一表示和各对象的对象第一表示，对象第一表示用于对象推荐；
交互表示生成模型，用于对交互视图进行编码，得到各用户的用户第二表示和各对象的对象第二表示，对象第二表示聚合有交互视图中的用户信息；
知识表示生成模型，用于对知识视图进行编码，得到各对象的对象第三表示，对象第三表示聚合有知识视图中的属性信息；
对象推荐模型，用于基于同一用户的用户第一表示和用户第二表示，确定同一用户的用户目标表示；基于同一对象的对象第一表示、对象第二表示和对象第三表示，确定同一对象的对象目标表示；响应于目标用户的推荐请求，基于目标用户的用户目标表示和各对象的对象目标表示，从各对象中筛选出匹配的目标推荐对象。
第三方面，本公开实施例还提出一种对象推荐系统的训练方法，其中，对象推荐系统如第二方面所述的对象推荐系统，该训练方法包括：
获取用于训练对象推荐系统的交互图和知识图谱；
基于交互图和知识图谱，对交互图增强模型、知识图谱增强模型、推荐表示生成模型、交互表示生成模型和知识表示生成模型进行联合训练，联合训练的目标是使知识图谱损失函数、对比学习损失函数和推荐损失函数的损失值之和最小；其中，知识图谱损失函数为知识表示生成模型的损失函数；对比学习损失函数为交互表示生成模型与知识表示生成模型之间进行对比学习的损失函数，对比学习的目标是使交互表示生成模型输出的同一对象的对象第二表示与知识表示生成模型输出的同一对象的对象第三表示相同或收敛；推荐损失函数为对象推荐系统的损失函数。
第四方面，本公开实施例还提出一种计算机设备，其中，包括至少一个计算装置和至少一个存储指令的存储装置；所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如第一方面所述对象推荐方法的步骤或者执行如第三方面所述对象推荐系统的训练方法的步骤。
第五方面，本公开实施例还提出一种计算机可读存储介质，其中，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如第一方面所述对象推荐方法的步骤或者执行如第三方面所述对象推荐系统的训练方法的步骤。
第六方面，本公开实施例还提供一种计算机程序产品，其中，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存储介质中，计算机的至少一个处理器从存储介质读取并执行该计算机程序，使得计算机执行如第一方面所述对象推荐方法的步骤或者执行如第三方面所述对象推荐系统的训练方法的步骤。
可见，本公开的至少一个实施例中，通过对交互图和知识图谱分别处理，得到交互视图和知识视图，且交互视图和知识视图中的交互行为和对象属性关系均与对象推荐有关联，解决了知识过载问题，能够提升推荐效果；并且通过生成包含低阶信息（包括用户与对象之间的交互信息）和高阶信息（用户与属性之间的关系信息）的用户目标表示，能够更加全面地表示用户；而生成的对象目标表示中不仅包含用户与对象之间的交互信息，而且包含对象与属性之间的关系信息，因此，不会忽略不同对象之间的属性关系，解决交互主导问题，通过用户目标表示和对象目标表示能够辅助推荐实现更好的推荐效果。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例或现有技术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公开的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是酒店推荐场景下一种协同知识图谱（Collaborative Knowledge Graph，CKG）的示意图；
图2是在图1基础上训练GNN模型时存在的交互主导问题示意图；
图3是在图1基础上训练GNN模型时存在的知识过载问题示意图；
图4为本公开实施例提供的一种对象推荐方法的流程示意图；
图5为本公开实施例提供的一种处理交互图和知识图谱的流程示意图；
图6为本公开实施例提供的一种生成用户目标表示和对象目标表示的流程示意图；
图7为本公开实施例提供的一种对象推荐系统的示意图；
图8为本公开实施例提供的一种对象推荐系统的训练方法的流程示意图；
图9为本公开实施例提供的一种联合训练的流程示意图；
图10为本公开实施例提供的一种对象推荐系统的训练过程示意图；
图11为本公开实施例提供的一种计算机设备的示例性框图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开，而非对本公开的限定。基于所描述的本公开的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本公开保护的范围。
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者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。
一些相关技术中，采用因子分解机（Factorization Machines，FM）模型进行对象推荐，其中，FM模型通过有监督学习（Supervised learning，SL）得到。该对象推荐方案结合了对象的属性信息，基于用户与对象之间的交互行为进行对象推荐。具体地，FM模型通过将对象的属性信息、用户标识（ID）和对象标识（ID）分别转换为通用的特征向量，并基于特征向量预测用户偏好得分；其中，特征向量为用于表示属性、用户或对象的信息集合，且特征向量是FM模型可以识别为对应的属性、用户或对象的向量；用户标识（ID）例如为预先给用户分配的编号；对象标识（ID）例如为预先给对象分配的编号。
可见，基于FM模型的对象推荐方案，仅考虑低阶信息（包括：用户与对象之间的交互行为、对象与属性之间的关系），属性信息是作为补充信息增加到对象的表示中，未考虑高阶信息（例如：用户与属性之间的关系），然而，在基于地理位置服务（Location BasedServices，LBS）的对象推荐场景（例如酒店推荐场景）下，用户与酒店之间的历史交互行为异常稀疏，根据用户与酒店之间的历史交互行为进行用户偏好预测，不足以让FM模型学习到用户对酒店的个性化偏好。
另外，基于FM模型的对象推荐方案，将属性作为补充信息编码到对象中（例如，将对象的属性对应的特征向量与该对象的特征向量合并为该对象的新特征向量，该新特征向量即为该对象的一种表示），以训练FM模型，忽略了不同对象之间的属性关系，例如，一个酒店的品牌与另一个酒店的品牌相同，用户与某个品牌的酒店存在交互行为，FM模型会忽略用户与相同品牌的其他酒店存在交互的可能性，可见，训练得到的FM模型的预测及泛化性能有待提高。
此外，基于FM模型的对象推荐方案，严重依赖于属性的选取，需要具备丰富的领域知识以及设计经验，FM模型无法自适应的选择重要的有意义的属性，增加了FM模型训练的时间成本和人工成本。
另一些相关技术中，基于知识图谱进行对象推荐，该对象推荐方案，结合对象的属性信息构建对象的知识图谱，基于图神经网络（Graph Neural Networks，GNN）模型学习每个对象的用户特定表示，即对每个用户学习该用户特定的对象表示。例如，在美食推荐场景下，一个美食可以对应多个特征向量，每个特征向量可以理解为该美食的一种表示，且每个特征向量对应一个用户。
可见，该对象推荐方案预测复杂度较高，对每个用户都要重新学习对象表示，不适用于在线推荐场景。该对象推荐方案虽然基于知识图谱进行对象推荐，但是仍然采用用户与对象之间的交互作为监督信息主导GNN模型训练，忽略了知识图谱中对象与属性之间的关系在训练GNN模型中的作用，因此用户与对象之间的交互所占的训练权重远大于知识图谱中对象与属性之间的关系所占的训练权重，导致知识图谱对GNN模型训练的影响较小，不能充分捕获和利用知识图谱中的有价值信息，也即存在交互主导问题，GNN模型的推荐效果较差。另外，该对象推荐方案由于知识图谱中包含大量与推荐无关的信息，反而影响推荐效果，也即存在知识过载问题。
又一些相关技术中，采用知识图注意力网络（Knowledge Graph AttentionNetwork，KGAT）用于基于知识图谱的对象推荐方案，该对象推荐方案将用户与对象之间的交互行为图（简称交互图）与对象的知识图谱（Knowledge Graph，KG）构造为一个协同知识图谱（Collaborative Knowledge Graph，CKG），进而采用KGAT中的注意力机制在CKG上进行信息传递，从而基于图神经网络（Graph Neural Networks，GNN）模型学习对象和用户的表示（即特征向量）。其中，信息传递实质为信息聚合，例如，图上一个节点（例如一个对象）从其相连节点（例如一个用户）获取信息，用户信息传递给对象，在进行对象表示时就可以将获取的用户信息编码到对象表示中。在信息传递时，是采用注意力机制传递，例如，一个对象节点与两个用户节点相连形成两条边（即，两个用户与该对象存在交互行为），两条边的注意力权重不同，则基于注意力权重进行信息传递。该对象推荐方案计算对象表示与用户表示的点积衡量用户偏好对象的概率。
可见，该对象推荐方案虽然基于知识图谱进行对象推荐，但是仍然采用用户与对象之间的交互作为监督信息主导GNN模型训练，忽略了知识图谱中对象与属性之间的关系在训练GNN模型中的作用，因此用户与对象之间的交互所占的训练权重远大于知识图谱中对象与属性之间的关系所占的训练权重，导致知识图谱对GNN模型训练的影响较小，不能充分捕获和利用知识图谱中的有价值信息，也即存在交互主导问题，GNN模型的推荐效果较差。另外，该对象推荐方案由于知识图谱中包含大量与推荐无关的信息，反而影响推荐效果，也即存在知识过载问题。
图1是酒店推荐场景下一种协同知识图谱（Collaborative Knowledge Graph，CKG）的示意图。在图1中，用户u 1、u 2、u 3和u 4与酒店v 1、v 2和v 3之间的交互行为构成交互图，酒店v 1、v 2和v 3与属性e 1和e 2之间的关系构成酒店的知识图谱；交互图与知识图谱构成协同知识图谱。在图1中，属性e 1为酒店的星级，属性e 2为酒店的建成日期，需要说明的是，酒店还有其他属性，例如品牌等。
在图1所示的协同知识图谱的基础上，相关技术会训练图神经网络（Graph NeuralNetworks，GNN）模型以预测用户偏好的酒店，然而存在交互主导问题和知识过载问题。
图2是在图1基础上训练GNN模型时存在的交互主导问题示意图。图2中，以用户u 2和u 4与酒店v 3之间的交互（图2中框选的内容）作为监督信息主导GNN模型训练，忽略了酒店的知识图谱中酒店v 3与属性e 1之间的关系在训练GNN模型中的作用，因此，用户u 2和u 4与酒店v 3之间的交互所占的训练权重（即注意力权重）远大于酒店的知识图谱中酒店v 3与属性e 1之间的关系所占的训练权重（即注意力权重），导致酒店的知识图谱对GNN模型训练的影响较小，不能充分捕获和利用酒店的知识图谱中的有价值信息，也即存在交互主导问题，GNN模型的推荐效果较差。
图3是在图1基础上训练GNN模型时存在的知识过载问题示意图。酒店的知识图谱中包括多个与推荐无关的三元组，如图3中框选的三元组（v 1，建成日期是，e 2）相比于图1中的三元组（v 1，酒店星级是，e 1），难以提供有价值的信息用于酒店推荐，是与酒店推荐无关的三元组，反而影响GNN模型的推荐效果。
针对现有技术存在的至少一个问题，本公开实施例提供了一种对象推荐方法、系统、训练方法、介质或计算机设备，通过对交互图和知识图谱分别增强，去除了交互图和知识图谱中与推荐无关的交互行为和对象属性关系，解决了知识过载问题，能够提升推荐效果；并且通过生成包含低阶信息（包括用户与对象之间的交互信息）和高阶信息（用户与属性之间的关系信息）的用户目标表示，能够更加全面地表示用户；而生成的对象目标表示中不仅包含用户与对象之间的交互信息，而且包含对象与属性之间的关系信息，因此，不会忽略不同对象之间的属性关系，解决交互主导问题，通过用户目标表示和对象目标表示能够辅助推荐实现更好的推荐效果。
图4为本公开实施例提供的一种对象推荐方法的流程示意图，本公开实施例适用于基于地理位置服务（Location Based Services，LBS）的对象推荐场景（例如酒店推荐场景）。该对象推荐方法的执行主体为电子设备，电子设备包括但不限于车载设备、智能手机、掌上电脑、平板电脑、带显示屏的可穿戴设备、台式机、笔记本电脑、一体机、智能家居设备、服务器等，其中，服务器可以是独立的服务器，也可以是多个服务器的集群，可以包括搭建在本地的服务器和架设在云端的服务器。
如图4所示，该对象推荐方法可以包括但不限于步骤401至步骤404：
在步骤401中，获取用户与对象之间历史交互行为的交互图以及对象与属性之间关系的知识图谱。
其中，交互图中包括至少一个用户以及与每个用户之间存在历史交互行为的至少一个对象；历史交互行为构成交互图中的边，用户和对象构成交互图中的节点。知识图谱中包括至少一个对象以及与每个对象存在关系的至少一个属性；对象与属性之间的关系构成知识图谱中的边，对象和属性构成知识图谱中的节点。交互图与知识图谱中包括的对象数量相同。交互图、知识图谱以图的数据结构的形式存在，图的数据结构可以是邻接矩阵，分子结构（每个原子表示一个节点，原子间的连接键表示一个边），顶点和边的集合等。
在酒店推荐场景，用户与对象之间的交互行为包括但不限于：用户通过地图软件搜索酒店，用户点击地图中显示的酒店，酒店推送信息给用户且用户点击查看等。在酒店推荐场景，对象与属性之间的关系包括但不限于：酒店与星级之间的关系、酒店与建成日期的关系，酒店与品牌的关系等。
在步骤402中，对交互图进行处理，得到交互视图，交互视图中的交互行为与对象推荐有关联；并对知识图谱进行增强，得到知识视图，知识视图中的对象属性关系与对象推荐有关联。
在本公开实施例中，基于交互图中每个节点（包括用户节点和对象节点）的初始表示（初始表示是由对象推荐系统随机生成的向量），采用第一多层感知机（MultilayerPerceptron，MLP）计算交互图中每条边（即交互行为）的权重，并基于每条边的权重删除交互图中与推荐无关的边，例如，删除权重小于第一预设权重阈值的边，实现去除交互图中与推荐无关的边（即交互行为），得到交互视图。
在本公开实施例中，基于知识图谱中每个节点（包括对象节点和属性节点）的初始表示和每个关系类型的初始表示（初始表示是由对象推荐系统随机生成的向量），采用第二多层感知机（Multilayer Perceptron，MLP）计算知识图谱中每条边（即对象属性关系）的权重，并基于每条边的权重删除知识图谱中与推荐无关的边，例如，删除权重小于第二预设权重阈值的边，实现去除知识图谱中与推荐无关的边（即对象属性关系），得到知识视图。
相关技术中构造协同知识图谱（Collaborative Knowledge Graph，CKG），CKG如图1所示，相关技术直接在CKG上进行信息传递实现信息聚合，信息聚合例如为将e 2和v 1聚合到u 1，存在知识过载问题（e 2和v 1是与推荐无关的信息，影响推荐效果）。本公开实施例相比相关技术，没有直接在CKG上进行信息传递，而是对交互图和知识图谱分别处理，例如通过预先训练的交互图增强模型和知识图谱增强模型，去除了交互图和知识图谱中与推荐无关的交互行为和对象属性关系，得到交互视图和知识视图。例如，去除了图1中与推荐无关的对象属性关系：酒店v 1与建成日期e 2的关系，因为酒店何时建成并非用户选择该酒店的因素之一，因此e 2和v 1是与推荐无关的信息。利用交互视图和知识视图进行推荐，解决了知识过载问题，能够提升推荐效果。
在步骤403中，基于交互图、交互视图和知识视图，得到交互图中各用户的用户目标表示和各对象的对象目标表示，其中，用户目标表示基于用户与对象之间的交互信息以及用户与属性之间的关系信息生成；对象目标表示基于用户与对象之间的交互信息以及对象与属性之间的关系信息生成。
本公开实施例中，生成的用户目标表示中不仅包含低阶信息（包括：用户与对象之间的交互信息），而且包含高阶信息（用户与属性之间的关系信息），能够更加全面地表示用户。而生成的对象目标表示中不仅包含用户与对象之间的交互信息，而且包含对象与属性之间的关系信息。因此，不会忽略不同对象之间的属性关系，例如，一个酒店的品牌与另一个酒店的品牌相同，用户与某个品牌的酒店存在交互行为，则不会忽略用户与相同品牌的其他酒店存在交互的可能性，解决交互主导问题。可见，用户目标表示和对象目标表示能够辅助推荐实现更好的推荐效果。
在步骤404中，响应于目标用户的推荐请求，基于目标用户的用户目标表示和各对象的对象目标表示，从各对象中筛选出匹配的目标推荐对象。
其中，用户目标表示为第一特征向量，对象目标表示为第二特征向量。本公开实施例中，将目标用户的用户目标表示（即第一特征向量）与每个对象的对象目标表示（即第二特征向量）进行内积操作（即向量内积），将内积值作为对应对象的推荐评分；按推荐评分由高至低向目标用户推荐对象。
在一些实施例中，可以基于交互图中各用户的用户目标表示和交互图中各对象的对象目标表示，从各对象中为各用户推荐对象。
可见，本公开实施例通过对交互图和知识图谱分别处理，得到交互视图和知识视图，且交互视图和知识视图中的交互行为和对象属性关系均与对象推荐有关联，去除了交互图和知识图谱中与推荐无关的交互行为和对象属性关系，解决了知识过载问题，能够提升推荐效果；并且通过生成包含低阶信息（用户与对象之间的交互信息）和高阶信息（用户与属性之间的关系信息）的用户目标表示，能够更加全面地表示用户；而生成的对象目标表示中不仅包含用户与对象之间的交互信息，而且包含对象与属性之间的关系信息，因此，不会忽略不同对象之间的属性关系，解决交互主导问题，通过用户目标表示和对象目标表示能够辅助推荐实现更好的推荐效果。
在上述实施例的基础上，图5为本公开实施例提供的一种处理交互图和知识图谱的流程示意图，包括步骤501和步骤502：
在步骤501中，对交互图进行图干扰，以随机删除交互图中的至少一条边，得到交互中间图；基于交互中间图中每个节点的初始表示，采用第一多层感知机计算交互中间图中每条边的权重，并删除权重小于第一预设权重阈值的边，得到交互视图。
本公开实施例中，对交互图进行图干扰具体为：对交互图中的边按照预设概率将其从交互图中暂时丢弃（dropout），以随机删除一定比例的边来扰动交互图的原始结构，得到交互中间图。
本公开实施例中，对交互中间图进行自适应增强，例如基于交互中间图中每个节点（包括用户节点和对象节点）的初始表示（初始表示是由对象推荐系统随机生成的向量），采用第一多层感知机（Multilayer Perceptron，MLP）计算交互中间图中每条边（即交互行为）的权重，并基于每条边的权重删除交互中间图中与推荐无关的边，例如，删除权重小于第一预设权重阈值的边，实现去除交互中间图中与推荐无关的边（即交互行为），得到交互视图。
在步骤502中，对知识图谱进行图干扰，以随机删除知识图谱中的至少一条边，得到知识中间图；基于知识中间图中每个节点的初始表示和每个关系类型的初始表示，采用第二多层感知机计算知识中间图中每条边的权重，并删除权重小于第二预设权重阈值的边，得到知识视图。
本公开实施例中，对知识图谱进行图干扰具体为：对知识图谱中的边按照预设概率将其从知识图谱中暂时丢弃（dropout），以随机删除一定比例的边来扰动知识图谱的原始结构，得到知识中间图。
本公开实施例中，对知识中间图进行自适应增强，例如基于知识中间图中每个节点（包括对象节点和属性节点）的初始表示和每个关系类型的初始表示（初始表示是由对象推荐系统随机生成的向量），采用第二多层感知机（Multilayer Perceptron，MLP）计算知识中间图中每条边（即对象属性关系）的权重，并基于每条边的权重删除知识中间图中与推荐无关的边，例如，删除权重小于第二预设权重阈值的边，实现去除知识中间图中与推荐无关的边（即对象属性关系），得到知识视图。
可见，本公开实施例通过对交互图和知识图谱分别增强，去除了交互图和知识图谱中与推荐无关的交互行为和对象属性关系，解决了知识过载问题，能够提升推荐效果。
在上述实施例的基础上，步骤403中“基于交互图、交互视图和知识视图，得到交互图中各用户的用户目标表示和各对象的对象目标表示”，包括如图6所示的步骤601和步骤602：
在步骤601中，对交互图进行编码，得到交互图中各用户的用户第一表示和各对象的对象第一表示，对象第一表示用于对象推荐；对交互视图进行编码，得到各用户的用户第二表示和各对象的对象第二表示，对象第二表示聚合有交互视图中的用户信息；对知识视图进行编码，得到各对象的对象第三表示，对象第三表示聚合有知识视图中的属性信息。
本公开实施例中，对交互图、交互视图和知识视图分别进行编码，由于对象第二表示聚合有交互视图中的用户信息，对象第三表示聚合有知识视图中的属性信息，且相同对象的对象第二表示和对象第三表示是相同或收敛的，因此，对象第二表示和对象第三表示有效地编码了交互视图和知识视图之间的共享信息（共享信息包括：用户与属性之间的关系信息），使得对交互视图进行编码时，编码的用户第二表示聚合有交互视图和知识视图之间的共享信息。
在步骤602中，基于同一用户的用户第一表示和用户第二表示，确定同一用户的用户目标表示；基于同一对象的对象第一表示、对象第二表示和对象第三表示，确定同一对象的对象目标表示。
其中，用户第一表示、用户第二表示、对象第一表示、对象第二表示和对象第三表示均为特征向量。同一用户的用户目标表示为用户第一表示和用户第二表示直接拼接得到的特征向量，例如，用户第一表示为6维的特征向量（a1，a2，……，a6），用户第二表示也为6维的特征向量（b1，b2，……，b6），则用户目标表示为12维的特征向量（a1，a2，……，a6，b1，b2，……，b6）。同理，同一对象的对象目标表示为对象第一表示、对象第二表示和对象第三表示直接拼接得到的特征向量，例如，对象第一表示为4维的特征向量（d1，d2，d3，d4），对象第二表示为4维的特征向量（e1，e2，e3，e4），对象第三表示为4维的特征向量（f1，f2，f3，f4），则对象目标表示为12维的特征向量（d1，d2，d3，d4，e1，e2，e3，e4，f1，f2，f3，f4）。
本公开实施例中，由于编码的用户第二表示聚合有交互视图和知识视图之间的共享信息（共享信息包括用户与属性之间的关系信息），因此，不会忽略不同对象之间的属性关系，例如，一个酒店的品牌与另一个酒店的品牌相同，用户与某个品牌的酒店存在交互行为，则不会忽略用户与相同品牌的其他酒店存在交互的可能性，解决交互主导问题。
在上述实施例的基础上，图7为本公开实施例提供的一种对象推荐系统的示意图，该对象推荐系统可以实现上述实施例公开的对象推荐方法的流程。如图7所示，对象推荐系统包括但不限于：交互图增强模型、知识图谱增强模型、推荐表示生成模型、交互表示生成模型、知识表示生成模型和对象推荐模型。
图7中，交互图增强模型，用于对交互图进行处理，得到交互视图，交互视图中的交互行为与对象推荐有关联。在本公开实施例中，交互图增强模型，具体用于基于交互图中每个节点（包括用户节点和对象节点）的初始表示（初始表示是由对象推荐系统随机生成的向量），采用第一多层感知机（Multilayer Perceptron，MLP）计算交互图中每条边（即交互行为）的权重，并基于每条边的权重删除交互图中与推荐无关的边，例如，删除权重小于第一预设权重阈值的边，实现去除交互图中与推荐无关的边（即交互行为），得到交互视图。
在一些实施例中，交互图增强模型包括第一图干扰子模块和第一增强子模块。其中，第一图干扰子模块，用于对交互图进行图干扰，以随机删除交互图中的至少一条边，得到交互中间图。第一增强子模块，用于基于交互中间图中每个节点的初始表示，采用第一多层感知机计算交互中间图中每条边的权重，并删除权重小于第一预设权重阈值的边，得到交互视图。在一些实施例中，第一增强子模块基于交互中间图中每个节点（包括用户节点和对象节点）的初始表示（初始表示是由对象推荐系统随机生成的向量），采用第一多层感知机（Multilayer Perceptron，MLP）计算交互中间图中每条边（即交互行为）的权重，并基于每条边的权重删除交互中间图中与推荐无关的边，例如，删除权重小于第一预设权重阈值的边。
图7中，知识图谱增强模型，用于对知识图谱进行处理，得到知识视图，知识视图中的对象属性关系与对象推荐有关联。在本公开实施例中，知识图谱增强模型，具体用于基于知识图谱中每个节点（包括对象节点和属性节点）的初始表示和每个关系类型的初始表示（初始表示是由对象推荐系统随机生成的向量），采用第二多层感知机（MultilayerPerceptron，MLP）计算知识图谱中每条边（即对象属性关系）的权重，并基于每条边的权重删除知识图谱中与推荐无关的边，例如，删除权重小于第二预设权重阈值的边，实现去除知识图谱中与推荐无关的边（即对象属性关系），得到知识视图。
在一些实施例中，知识图谱增强模型包括第二图干扰子模块和第二增强子模块。其中，第二图干扰子模块，用于对知识图谱进行图干扰，以随机删除知识图谱中的至少一条边，得到知识中间图。第二增强子模块，用于基于知识中间图中每个节点的初始表示和每个关系类型的初始表示，采用第二多层感知机计算知识中间图中每条边的权重，并删除权重小于第二预设权重阈值的边，得到知识视图。在一些实施例中，考虑到知识图谱为异质图（含有多种类型的属性节点和多种对象属性关系类型，例如图1中，属性e 1为酒店的星级，属性e 2为酒店的建成日期，属于不同类型的属性节点，相应地，e 1与对象之间的关系类型不同于e 2与对象之间的关系类型），因此，第二增强子模块基于知识中间图中每个节点（包括对象节点和属性节点）的初始表示和每个关系类型的初始表示（初始表示是由对象推荐系统随机生成的向量），采用第二多层感知机（Multilayer Perceptron，MLP）计算知识中间图中每条边（即对象属性关系）的权重，并基于每条边的权重删除知识中间图中与推荐无关的边，例如，删除权重小于第二预设权重阈值的边。
图7中，推荐表示生成模型，用于对交互图进行编码，得到交互图中各用户的用户第一表示和各对象的对象第一表示，对象第一表示用于对象推荐。在一些实施例中，推荐表示生成模型采用图神经网络（Graph Neural Networks，GNN），记为GNNrec。
图7中，交互表示生成模型，用于对交互视图进行编码，得到各用户的用户第二表示和各对象的对象第二表示，对象第二表示聚合有交互视图中的用户信息。在一些实施例中，交互表示生成模型采用图神经网络（GNN），记为GNNv1。GNNv1与GNNrec使用相同的图注意力网络（Graph Attention Network，GAT）体系结构。交互表示生成模型基于交互视图中每个节点的初始表示，将高阶信息（例如：用户与属性之间的关系）编码到用户第二表示中，将交互视图中的用户信息编码到对象第二表示中。
图7中，知识表示生成模型，用于对知识视图进行编码，得到各对象的对象第三表示，对象第三表示聚合有知识视图中的属性信息。在一些实施例中，知识表示生成模型采用图神经网络（GNN），记为GNNv2，考虑到知识视图为异质图（含有多种类型的属性节点和多种对象属性关系类型），GNNv2对图注意力网络（Graph Attention Network，GAT）体系结构进行了扩展：将知识视图中每个关系类型的初始表示（初始表示是由对象推荐系统随机生成的向量）合并到注意力计算中得到知识视图中每条边的注意力分数（即权重），也即，知识视图中每条边的权重既考虑了对象节点和属性节点的初始表示，又考虑了关系类型的初始表示。GNNv1中也会计算注意力分数，只是GNNv1计算注意力分数时没有考虑关系类型的初始表示。
从形式上看，知识视图中头实体h和尾实体t在关系类型r(<h,t>)∈R时，注意力分数α ht 的计算式如下：
Figure 144573DEST_PATH_IMAGE001
其中，
Figure 717506DEST_PATH_IMAGE002
为头实体h的初始表示（即向量表示）；
Figure 434926DEST_PATH_IMAGE003
为尾实体t的初始表示（即向量表示）；r(<h,t>)代表头实体h和尾实体t之间的关系类型；
Figure 252972DEST_PATH_IMAGE004
是r(<h,t>)的向量表示；
Figure 270606DEST_PATH_IMAGE005
是GNNv2的训练参数，且这些参数均为矩阵，例如，
Figure 280020DEST_PATH_IMAGE006
是经过转置的1×3M维的向量，
Figure 15894DEST_PATH_IMAGE007
和
Figure 152478DEST_PATH_IMAGE008
均为M×N维矩阵，
Figure 772422DEST_PATH_IMAGE009
、
Figure 234627DEST_PATH_IMAGE010
和
Figure 192219DEST_PATH_IMAGE011
均为N×1维的向量，则
Figure 381760DEST_PATH_IMAGE012
、和
Figure 108408DEST_PATH_IMAGE013
均为M×1维的向量，“||”为向量拼接符，则
Figure 7094DEST_PATH_IMAGE014
为3M×1维的向量，
Figure 468293DEST_PATH_IMAGE015
为标量；LeakyReLU为激活函数，用于过滤负值；
Figure 946679DEST_PATH_IMAGE016
代表头实体h的相连尾实体集合。若头实体h为对象节点，则尾实体t为属性节点；若头实体h为属性节点，则尾实体t为对象节点。
需要说明的是，GNNv2对知识视图进行编码，不仅可以得到各对象的对象第三表示，而且可以得到各属性的属性表示，属性表示聚合有知识视图中的对象信息。
图7中，对象推荐模型，用于基于同一用户的用户第一表示和用户第二表示，确定同一用户的用户目标表示；基于同一对象的对象第一表示、对象第二表示和对象第三表示，确定同一对象的对象目标表示；响应于目标用户的推荐请求，基于目标用户的用户目标表示和各对象的对象目标表示，从各对象中筛选出匹配的目标推荐对象。
其中，用户第一表示、用户第二表示、对象第一表示、对象第二表示和对象第三表示均为特征向量。同一用户的用户目标表示为用户第一表示和用户第二表示直接拼接得到的特征向量，例如，用户第一表示为6维的特征向量（a1，a2，……，a6），用户第二表示也为6维的特征向量（b1，b2，……，b6），则用户目标表示为12维的特征向量（a1，a2，……，a6，b1，b2，……，b6）。同理，同一对象的对象目标表示为对象第一表示、对象第二表示和对象第三表示直接拼接得到的特征向量，例如，对象第一表示为4维的特征向量（d1，d2，d3，d4），对象第二表示为4维的特征向量（e1，e2，e3，e4），对象第三表示为4维的特征向量（f1，f2，f3，f4），则对象目标表示为12维的特征向量（d1，d2，d3，d4，e1，e2，e3，e4，f1，f2，f3，f4）。针对任一用户，将该用户的用户目标表示（例如用户目标表示为12维的特征向量）与每个对象的对象目标表示（例如对象目标表示为12维的特征向量）进行内积操作（即向量内积），将内积值作为对应对象的推荐评分；按推荐评分由高至低向该用户推荐对象。
在上述实施例的基础上，图8为本公开实施例提供的一种对象推荐系统的训练方法的流程示意图，其中，对象推荐系统例如为图7所示的对象推荐系统，该训练方法可以包括但不限于如下步骤801和步骤802：
在步骤801中，获取用于训练对象推荐系统的交互图和知识图谱。
本公开实施例中，预先沉淀用户库和对象库，其中，用户库中包括多个已注册用户，用户库中同时记录有每个用户的历史行为数据；对象库中记录有多个对象，对象库中同时记录有每个对象的属性数据。因此，可以预先基于用户库和对象库，确定用于训练对象推荐系统的交互图和知识图谱，其中，交互图中包括多个已注册用户以及与每个已注册用户之间存在历史交互行为的至少一个对象；知识图谱中包括多个对象以及与每个对象存在关系的至少一个属性。
在步骤802中，基于交互图和知识图谱，对交互图增强模型、知识图谱增强模型、推荐表示生成模型、交互表示生成模型和知识表示生成模型进行联合训练，联合训练的目标是使知识图谱损失函数、对比学习损失函数和推荐损失函数的损失值之和最小。
其中，知识图谱损失函数（LG loss LKG）为知识表示生成模型的损失函数；对比学习损失函数（Contrastive loss LCL）为交互表示生成模型与知识表示生成模型之间进行对比学习的损失函数，对比学习的目标是使交互表示生成模型输出的同一对象的对象第二表示与知识表示生成模型输出的同一对象的对象第三表示接近（即相同或收敛）；推荐损失函数（BPR loss LCF）为对象推荐系统的损失函数。
可见，通过对比学习损失函数（Contrastive loss LCL），使得同一对象在两个视图（交互视图和知识视图）中的表示接近（即相同或收敛），加强不同对象间表示的差异，从而减轻交互信息的主导作用，解决交互主导问题。
由于同一对象在两个视图（交互视图和知识视图）中的表示接近，因此，对象在交互视图中的表示（由GNNv1生成）编码有知识视图中的属性信息，对象在知识视图中的表示（由GNNv2生成）编码有交互视图中的用户信息。可见，GNNv1具有编码属性信息的能力，GNNv2具有编码用户信息的能力，因此，GNNv1将属性信息编码到用户表示中，也即将高阶信息（用户与属性之间的关系）编码到用户表示中；GNNv2将用户信息编码到属性表示中，也即将高阶信息（用户与属性之间的关系）编码到属性表示中。综上，用户表示不会忽略不同对象之间的属性关系，从而减轻交互信息的主导作用，解决交互主导问题。
在一些实施例中，步骤802中所述的联合训练包括但不限于图9所示的步骤901至步骤904：
在步骤901中，将交互图输入交互图增强模型和推荐表示生成模型，并将知识图谱输入知识图谱增强模型。
图10为本公开实施例提供的一种对象推荐系统的训练过程示意图，图10中，交互图中包括三个用户（u 1、u 2、u 3）和五个对象（v 1、v 2、v 3、v 4和v 5）；知识图谱中包括五个对象（v 1、v 2、v 3、v 4和v 5）和三个属性（e 1、e 2和e 3），知识图谱中还包括两个关系类型（r 1和r 2）。
图10中，图扰动和自适应视图增强1构成交互图增强模型，推荐表示生成模型记为GNNrec，图扰动和自适应视图增强2构成知识图谱增强模型。自适应视图增强1输出的交互视图中删除了u 1与v 1之间的边以及u 3与v 5之间的边；自适应视图增强2输出的知识视图中删除了v 2与e 1之间的边以及v 4与e 2之间的边。需要说明的是，在训练完成之前，自适应视图增强1和自适应视图增强2删除的边不是与推荐无关的边；在训练完成后，自适应视图增强1和自适应视图增强2删除的边则是与推荐无关的边。
在步骤902中，通过调整知识表示生成模型的参数，以降低知识图谱损失函数的损失值。
图10中，知识表示生成模型记为GNNv2，通过调整GNNv2的参数，以降低知识图谱损失函数（KG loss LKG）的损失值。
在步骤903中，固定交互图增强模型的参数和知识图谱增强模型的参数，通过调整知识表示生成模型的参数和交互表示生成模型的参数，以降低对比学习损失函数的损失值。
图10中，固定自适应视图增强1的参数和自适应视图增强2的参数，通过调整知识表示生成模型的参数和交互表示生成模型（记为GNNv1）的参数，以降低对比学习损失函数（Contrastive loss LCL）的损失值。
本公开实施例中，由于知识视图中还包括关系类型，因此交互视图和知识视图对应的对象表示空间（即向量空间）不同，为了进行对比学习，需要将交互视图中对象的对象表示（即交互表示生成模型生成的交互表示）和知识视图中对象的对象表示（即知识表示生成模型生成的知识表示）分别输入到两个对应的MLP（图10中未示出）中，以便将交互视图对应的对象表示和知识视图对应的对象表示映射到用于计算对比学习损失的同一向量空间中。
本公开实施例中，对比学习的正负例的选取通过自监督方式选取：将同一对象在不同视图中的表示作为正例对，例如图10中v 3在交互视图中的对象表示和v 3在知识视图中的对象表示作为正例对；将不同对象在不同视图中的表示作为负例对，例如图10中，v 3在交互视图中的对象表示和v 5在知识视图中的对象表示作为负例对，v 5在交互视图中的对象表示和v 3在知识视图中的对象表示作为负例对。
本公开实施例中，对比学习损失函数（Contrastive loss LCL）的形式如下：
Figure 58992DEST_PATH_IMAGE017
其中，
Figure 846688DEST_PATH_IMAGE018
代表映射到同一向量空间后对象v在交互视图b对应的对象表示以及在知识视图k对应的对象表示；
Figure 44451DEST_PATH_IMAGE019
代表映射到同一向量空间后对象j在交互视图b对应的对象表示以及在知识视图k对应的对象表示；
Figure 326528DEST_PATH_IMAGE020
是温度系数（属于超参数），用于平滑计算结果；
Figure 775570DEST_PATH_IMAGE021
衡量两个向量的余弦相似度；
Figure 16059DEST_PATH_IMAGE022
代表负采样集合。
在步骤904中，通过调整交互图增强模型的参数、知识图谱增强模型的参数、推荐表示生成模型的参数、交互表示生成模型的参数和知识表示生成模型的参数，以降低推荐损失函数的损失值。
图10中，通过调整自适应视图增强1的参数、自适应视图增强2的参数、推荐表示生成模型的参数、交互表示生成模型的参数、知识表示生成模型的参数和图10中未示出的两个MLP的参数，以降低推荐损失函数（BPR loss LCF）的损失值。
本公开实施例中，通过迭代地更新交互图增强模型的参数、知识图谱增强模型的参数、推荐表示生成模型的参数、交互表示生成模型的参数和知识表示生成模型的参数，直至在验证集上达到最优性能。申请人在三个公开数据集上进行验证，相比相关技术，本公开实施例可以显著提高推荐的性能。
需要说明的是，训练的方向是朝着让所有损失（知识图谱损失函数、对比学习损失函数和推荐损失函数）的损失值最小化，但是实际训练过程会为了防止过拟合，会设置早停机制（early stopping），将训练目标调整为让所有损失的损失值之和最小。
通过本公开实施例训练得到的对象推荐系统是知识自适应对比学习（Knowledge-Adaptive Contrastive Learning，KACL）系统，KACL的时间和空间复杂度与数据集的规模（即节点和边的数量）呈线性关系，有助于实现高效的推理。
需要说明的是，对于前述的各方法实施例，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能够理解，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行。另外，本领域技术人员能够理解，说明书中所描述的实施例均属于可选实施例。
图11是本公开实施例提供的一种计算机设备的示例性框图。如图11所示，该计算机设备包括：至少一个计算装置1101、至少一个存储指令的存储装置1102。可以理解，本实施例中的存储装置1102可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
在一些实施方式中，存储装置1102存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序。
其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础任务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器（Media Player）、浏览器（Browser）等，用于实现各种应用任务。实现本公开实施例提供的对象推荐方法或者对象推荐系统的训练方法的程序可以包含在应用程序中。
在本公开实施例中，至少一个计算装置1101通过调用至少一个存储装置1102存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，至少一个计算装置1101用于执行本公开实施例提供的对象推荐方法或者对象推荐系统的训练方法各实施例的步骤。
本公开实施例提供的对象推荐方法或者对象推荐系统的训练方法可以应用于计算装置1101中，或者由计算装置1101实现。计算装置1101可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过计算装置1101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的计算装置1101可以是通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、现成可编程门阵列（Field Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本公开实施例提供的对象推荐方法或者对象推荐系统的训练方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储装置1102，计算装置1101读取存储装置1102中的信息，结合其硬件完成方法的步骤。
本公开实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如对象推荐方法或者对象推荐系统的训练方法各实施例的步骤，为避免重复描述，在此不再赘述。其中，计算机可读存储介质可以为非暂态计算机可读存储介质。
本公开实施例还提出一种计算机程序产品，其中，该计算机程序产品包括计算机程序，该计算机程序存储在非暂态计算机可读存储介质中，计算机的至少一个处理器从存储介质读取并执行该计算机程序，使得计算机执行如对象推荐方法或者对象推荐系统的训练方法各实施例的步骤，为避免重复描述，在此不再赘述。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。
本领域的技术人员能够理解，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
虽然结合附图描述了本公开的实施方式，但是本领域技术人员可以在不脱离本公开的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种对象推荐方法，所述方法包括：
获取用户与对象之间历史交互行为的交互图以及对象与属性之间关系的知识图谱；
对所述交互图进行处理，得到交互视图，所述交互视图中的交互行为与对象推荐有关联；并对所述知识图谱进行处理，得到知识视图，所述知识视图中的对象属性关系与对象推荐有关联；
基于所述交互图、所述交互视图和所述知识视图，得到所述交互图中各用户的用户目标表示和各对象的对象目标表示，其中，所述用户目标表示基于用户与对象之间的交互信息以及用户与属性之间的关系信息生成；所述对象目标表示基于用户与对象之间的交互信息以及对象与属性之间的关系信息生成；
响应于目标用户的推荐请求，基于所述目标用户的用户目标表示和所述各对象的对象目标表示，从所述各对象中筛选出匹配的目标推荐对象。
2.根据权利要求1所述的方法，其中，所述对所述交互图进行处理，得到交互视图，包括：
基于所述交互图中每个节点的初始表示，采用第一多层感知机计算所述交互图中每条边的权重，并删除权重小于第一预设权重阈值的边，得到交互视图；
所述对所述知识图谱进行处理，得到知识视图，包括：
基于所述知识图谱中每个节点的初始表示和每个关系类型的初始表示，采用第二多层感知机计算所述知识图谱中每条边的权重，并删除权重小于第二预设权重阈值的边，得到知识视图。
3.根据权利要求1或2所述的方法，其中，所述对所述交互图进行处理，得到交互视图之前，所述方法还包括：
对所述交互图进行图干扰，以随机删除所述交互图中的至少一条边，得到交互中间图，且所述交互视图是对所述交互中间图进行处理得到的视图；
所述对所述知识图谱进行处理，得到知识视图之前，所述方法还包括：
对所述知识图谱进行图干扰，以随机删除所述知识图谱中的至少一条边，得到知识中间图，且所述知识视图是对所述知识中间图进行处理得到的视图。
4.根据权利要求1所述的方法，其中，所述基于所述交互图、所述交互视图和所述知识视图，得到所述交互图中各用户的用户目标表示和各对象的对象目标表示，包括：
对所述交互图进行编码，得到所述交互图中各用户的用户第一表示和各对象的对象第一表示，所述对象第一表示用于对象推荐；对所述交互视图进行编码，得到所述各用户的用户第二表示和各对象的对象第二表示，所述对象第二表示聚合有所述交互视图中的用户信息；对所述知识视图进行编码，得到所述各对象的对象第三表示，所述对象第三表示聚合有所述知识视图中的属性信息；
基于同一用户的用户第一表示和用户第二表示，确定同一用户的用户目标表示；基于同一对象的对象第一表示、对象第二表示和对象第三表示，确定同一对象的对象目标表示。
5.根据权利要求1所述的方法，其中，所述基于所述目标用户的用户目标表示和所述各对象的对象目标表示，从所述各对象中筛选出匹配的目标推荐对象，包括：
将所述目标用户的用户目标表示与每个对象的对象目标表示进行内积操作，将内积值作为对应对象的推荐评分；按推荐评分由高至低向所述目标用户推荐对象；其中，所述用户目标表示为第一特征向量，所述对象目标表示为第二特征向量，所述内积值为所述第一特征向量与所述第二特征向量进行向量内积得到的内积值。
6.一种对象推荐系统，所述系统包括：交互图增强模型、知识图谱增强模型、推荐表示生成模型、交互表示生成模型、知识表示生成模型和对象推荐模型；
所述交互图增强模型，用于对交互图进行处理，得到交互视图，所述交互视图中的交互行为与对象推荐有关联；
所述知识图谱增强模型，用于对知识图谱进行处理，得到知识视图，所述知识视图中的对象属性关系与对象推荐有关联；
所述推荐表示生成模型，用于对所述交互图进行编码，得到所述交互图中各用户的用户第一表示和各对象的对象第一表示，所述对象第一表示用于对象推荐；
所述交互表示生成模型，用于对所述交互视图进行编码，得到所述各用户的用户第二表示和各对象的对象第二表示，所述对象第二表示聚合有所述交互视图中的用户信息；
所述知识表示生成模型，用于对所述知识视图进行编码，得到所述各对象的对象第三表示，所述对象第三表示聚合有所述知识视图中的属性信息；
所述对象推荐模型，用于基于同一用户的用户第一表示和用户第二表示，确定同一用户的用户目标表示；基于同一对象的对象第一表示、对象第二表示和对象第三表示，确定同一对象的对象目标表示；响应于目标用户的推荐请求，基于所述目标用户的用户目标表示和所述各对象的对象目标表示，从所述各对象中筛选出匹配的目标推荐对象。
7.一种对象推荐系统的训练方法，其中，所述对象推荐系统如权利要求6所述的对象推荐系统，所述方法包括：
获取用于训练所述对象推荐系统的交互图和知识图谱；
基于所述交互图和所述知识图谱，对所述交互图增强模型、所述知识图谱增强模型、所述推荐表示生成模型、所述交互表示生成模型和所述知识表示生成模型进行联合训练，所述联合训练的目标是使知识图谱损失函数、对比学习损失函数和推荐损失函数的损失值之和最小；其中，所述知识图谱损失函数为所述知识表示生成模型的损失函数；所述对比学习损失函数为所述交互表示生成模型与所述知识表示生成模型之间进行对比学习的损失函数，所述对比学习的目标是使所述交互表示生成模型输出的同一对象的对象第二表示与所述知识表示生成模型输出的同一对象的对象第三表示相同或收敛；所述推荐损失函数为所述对象推荐系统的损失函数。
8.根据权利要求7所述的方法，其特征在于，所述基于所述交互图和所述知识图谱，对所述交互图增强模型、所述知识图谱增强模型、所述推荐表示生成模型、所述交互表示生成模型和所述知识表示生成模型进行联合训练，包括：
将所述交互图输入所述交互图增强模型和所述推荐表示生成模型，并将所述知识图谱输入所述知识图谱增强模型；
通过调整所述知识表示生成模型的参数，以降低所述知识图谱损失函数的损失值；
固定所述交互图增强模型的参数和所述知识图谱增强模型的参数，通过调整所述知识表示生成模型的参数和所述交互表示生成模型的参数，以降低所述对比学习损失函数的损失值；
通过调整所述交互图增强模型的参数、所述知识图谱增强模型的参数、所述推荐表示生成模型的参数、所述交互表示生成模型的参数和所述知识表示生成模型的参数，以降低所述推荐损失函数的损失值。
9.一种计算机可读存储介质，其中，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至5任一项所述对象推荐方法的步骤或者执行如权利要求7或8所述对象推荐系统的训练方法的步骤。
10.一种计算机设备，其中，包括至少一个计算装置和至少一个存储指令的存储装置；所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至5任一项所述对象推荐方法的步骤或者执行如权利要求7或8所述对象推荐系统的训练方法的步骤。
CN202211029384.0A 2022-08-26 2022-08-26 一种对象推荐方法、系统、训练方法、介质及计算机设备 Active CN115114542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211029384.0A CN115114542B (zh) 2022-08-26 2022-08-26 一种对象推荐方法、系统、训练方法、介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211029384.0A CN115114542B (zh) 2022-08-26 2022-08-26 一种对象推荐方法、系统、训练方法、介质及计算机设备

Publications (2)

Publication Number Publication Date
CN115114542A true CN115114542A (zh) 2022-09-27
CN115114542B CN115114542B (zh) 2022-11-18

Family

ID=83335715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211029384.0A Active CN115114542B (zh) 2022-08-26 2022-08-26 一种对象推荐方法、系统、训练方法、介质及计算机设备

Country Status (1)

Country Link
CN (1) CN115114542B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952296A (zh) * 2022-12-12 2023-04-11 江苏电子信息职业学院 基于知识增强和图对比学习的企业技术服务推荐方法及装置
CN117251582A (zh) * 2023-11-20 2023-12-19 国网天津市电力公司城南供电分公司 一种基于多视图学习的变电站知识图谱构建及优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170076206A1 (en) * 2015-09-16 2017-03-16 International Business Machines Corporation Cognitive Operations Based on Empirically Constructed Knowledge Graphs
US20190392330A1 (en) * 2018-06-21 2019-12-26 Samsung Electronics Co., Ltd. System and method for generating aspect-enhanced explainable description-based recommendations
CN112084383A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质
CN112541132A (zh) * 2020-12-23 2021-03-23 北京交通大学 基于多视图知识表示的跨领域推荐方法
CN113220866A (zh) * 2021-04-28 2021-08-06 西安电子科技大学 基于用户社交网络和产品相似度的推荐方法
CN113722603A (zh) * 2021-11-02 2021-11-30 阿里巴巴达摩院(杭州)科技有限公司 对象推送方法、产品推送方法、计算机终端及存储介质
CN114116814A (zh) * 2021-11-12 2022-03-01 姚骏 基于智慧金融大数据的金融产品推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170076206A1 (en) * 2015-09-16 2017-03-16 International Business Machines Corporation Cognitive Operations Based on Empirically Constructed Knowledge Graphs
US20190392330A1 (en) * 2018-06-21 2019-12-26 Samsung Electronics Co., Ltd. System and method for generating aspect-enhanced explainable description-based recommendations
CN112084383A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质
CN112541132A (zh) * 2020-12-23 2021-03-23 北京交通大学 基于多视图知识表示的跨领域推荐方法
CN113220866A (zh) * 2021-04-28 2021-08-06 西安电子科技大学 基于用户社交网络和产品相似度的推荐方法
CN113722603A (zh) * 2021-11-02 2021-11-30 阿里巴巴达摩院(杭州)科技有限公司 对象推送方法、产品推送方法、计算机终端及存储介质
CN114116814A (zh) * 2021-11-12 2022-03-01 姚骏 基于智慧金融大数据的金融产品推荐方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952296A (zh) * 2022-12-12 2023-04-11 江苏电子信息职业学院 基于知识增强和图对比学习的企业技术服务推荐方法及装置
CN117251582A (zh) * 2023-11-20 2023-12-19 国网天津市电力公司城南供电分公司 一种基于多视图学习的变电站知识图谱构建及优化方法
CN117251582B (zh) * 2023-11-20 2024-04-02 国网天津市电力公司城南供电分公司 一种基于多视图学习的变电站知识图谱构建及优化方法

Also Published As

Publication number Publication date
CN115114542B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
WO2021179640A1 (zh) 一种基于图模型的短视频推荐方法、和智能终端和存储介质
CN112989064B (zh) 一种聚合知识图神经网络和自适应注意力的推荐方法
CN115114542B (zh) 一种对象推荐方法、系统、训练方法、介质及计算机设备
WO2020094060A1 (zh) 推荐方法及装置
JP6523498B1 (ja) 学習装置、学習方法および学習プログラム
CN110717099B (zh) 一种推荐影片的方法及终端
WO2023039901A1 (zh) 一种文本推荐方法、模型训练方法、装置及可读存储介质
CN110619081A (zh) 一种基于交互图神经网络的新闻推送方法
CN112035743B (zh) 数据推荐方法、装置、计算机设备以及存储介质
US20220253722A1 (en) Recommendation system with adaptive thresholds for neighborhood selection
EP4088197A1 (en) Recommender system using bayesian graph convolution networks
CN112100504B (zh) 内容推荐方法、装置、电子设备及存储介质
WO2023184226A1 (zh) 一种物品推荐方法、物品知识图谱、模型训练方法及装置
CN112231580B (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
US20230237093A1 (en) Video recommender system by knowledge based multi-modal graph neural networks
CN117836765A (zh) 基于多模态超图的点击预测
CN116431914A (zh) 一种基于个性化偏好转移模型的跨域推荐方法及系统
CN114357201B (zh) 基于信息感知的视听推荐方法、系统
CN115905687A (zh) 基于元学习图神经网络面向冷启动的推荐系统及方法
Wang et al. Deep meta-learning in recommendation systems: A survey
CN114428910A (zh) 资源推荐方法、装置、电子设备、产品及介质
US20220253688A1 (en) Recommendation system with adaptive weighted baysian personalized ranking loss
CN113095901A (zh) 推荐方法和相关模型的训练方法、电子设备、存储装置
CN116776003A (zh) 基于对比学习和协同信号的知识图推荐方法、系统及设备
CN114493674A (zh) 一种广告点击率预测模型及方法

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