CN115292608A - 内容资源推荐方法、神经网络的训练方法、装置和设备 - Google Patents
内容资源推荐方法、神经网络的训练方法、装置和设备 Download PDFInfo
- Publication number
- CN115292608A CN115292608A CN202211056862.7A CN202211056862A CN115292608A CN 115292608 A CN115292608 A CN 115292608A CN 202211056862 A CN202211056862 A CN 202211056862A CN 115292608 A CN115292608 A CN 115292608A
- Authority
- CN
- China
- Prior art keywords
- user
- content
- node
- content resource
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种网页质量评估方法、神经网络的训练方法、装置和设备,涉及人工智能技术领域,具体涉及机器学习技术、推荐系统技术、深度学习技术。神经网络包括第一子网络和第二子网络,该方法包括:针对多个内容资源中的每一个内容资源,利用第一子网络获取表征目标用户和该内容资源的相似度的第一得分,其中,每一个内容资源挂载至少一个待推荐对象;利用第二子网络获取表征目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分;基于第一得分和第二得分,确定该内容资源的综合得分;以及基于多个内容资源各自的综合得分,在多个内容资源中确定至少一部分内容资源以推荐给目标用户。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及机器学习技术、推荐系统技术、深度学习技术,特别涉及一种基于神经网络的内容资源推荐方法、神经网络的训练方法、基于神经网络的内容资源推荐装置、神经网络训练装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
信息流场景下的电商推荐是指将挂载商品的内容资源分发给潜在的转化用户,用户在浏览内容的同时,进行商品的曝光来刺激用户转化,如图文带货、内容付费、直播带货等业务。在电商推荐场景下,主要有三种类型实体,用户、内容资源、商品,内容资源如图文、视频、直播等不同资源,商品是附属在内容资源上进行售卖的对象,如直播带货的商品、内容付费售卖的专栏等。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种基于神经网络的内容资源推荐方法、神经网络的训练方法、基于神经网络的内容资源推荐装置、神经网络训练装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种基于神经网络的内容资源推荐方法。神经网络包括第一子网络和第二子网络,该方法包括:针对多个内容资源中的每一个内容资源,利用所述第一子网络获取表征目标用户和该内容资源的相似度的第一得分,其中,每一个所述内容资源挂载至少一个待推荐对象;利用所述第二子网络获取表征所述目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分;基于所述第一得分和所述第二得分,确定该内容资源的综合得分;以及基于所述多个内容资源各自的综合得分,在所述多个内容资源中确定至少一部分内容资源以推荐给所述目标用户。
根据本公开的另一方面,提供了一种神经网络的训练方法。神经网络包括第一子网络,所述第一子网络为基于用户-内容资源异构图的图神经网络,所述用户-内容资源异构图包括与多个用户对应的多个第一用户节点、与所述多个内容资源对应的多个内容资源节点、以及所述多个用户和所述多个内容资源之间的多个第一邻接边,所述第一邻接边的权重是基于对应的用户关于对应的内容资源的用户行为数据而得到的。训练方法包括:在所述多个用户和所述多个内容资源中确定样本对,所述样本对包括所述多个用户中的第一样本用户和所述多个内容资源中的样本内容资源;确定所述多个第一用户节点各自对应的第一用户特征向量和所述多个内容资源节点各自对应的内容资源特征向量;将与所述第一样本用户对应的第一样本用户节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到所述第一样本用户节点的更新后的第一用户特征向量;将与所述样本内容资源对应的样本内容资源节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到所述样本内容资源节点的更新后的内容资源特征向量;以及基于所述第一用户特征向量和所述内容资源特征向量,调整所述第一子网络的参数,以得到训练后的神经网络。
根据本公开的一方面,提供了一种基于神经网络的内容资源推荐装置。神经网络包括第一子网络和第二子网络,该装置包括:第一获取单元,被配置为针对多个内容资源中的每一个内容资源,利用所述第一子网络获取表征目标用户和该内容资源的相似度的第一得分,其中,每一个所述内容资源挂载至少一个待推荐对象;第二获取单元,被配置为利用所述第二子网络获取表征所述目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分;第一确定单元,被配置为基于所述第一得分和所述第二得分,确定该内容资源的综合得分;以及第二确定单元,被配置为基于所述多个内容资源各自的综合得分,在所述多个内容资源中确定至少一部分内容资源以推荐给所述目标用户。
根据本公开的一方面,提供了一种神经网络的训练装置。神经网络包括第一子网络,所述第一子网络为基于用户-内容资源异构图的图神经网络,所述用户-内容资源异构图包括与多个用户对应的多个第一用户节点、与所述多个内容资源对应的多个内容资源节点、以及所述多个用户和所述多个内容资源之间的多个第一邻接边,所述第一邻接边的权重是基于对应的用户关于对应的内容资源的用户行为数据而得到的,训练装置包括:第三确定单元,被配置为在所述多个用户和所述多个内容资源中确定样本对,所述样本对包括所述多个用户中的第一样本用户和所述多个内容资源中的样本内容资源;第四确定单元,被配置为确定所述多个第一用户节点各自对应的第一用户特征向量和所述多个内容资源节点各自对应的内容资源特征向量;第一聚合单元,被配置为将与所述第一样本用户对应的第一样本用户节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到所述第一样本用户节点的更新后的第一用户特征向量;第二聚合单元,被配置为将与所述样本内容资源对应的样本内容资源节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到所述样本内容资源节点的更新后的内容资源特征向量;以及调整单元,被配置为基于所述第一用户特征向量和所述内容资源特征向量,调整所述第一子网络的参数,以得到训练后的神经网络。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中存储器存储有可被至少一个处理器执行的指令,这些指令被至少一个处理器执行,以使至少一个处理器能够执行上述方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行上述方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现上述方法。
根据本公开的一个或多个实施例,通过利用第一子网络和第二子网络分别对用户-内容资源间关系以及用户-待推荐对象间关系进行建模,并分别获取用户和内容资源的相似度以及用户和待推荐对象的相似度,实现了将待推荐对象从业务场景剥离,从而能够利用与内容资源相关的信息和与内容资源上挂载的对象直接相关的信息以得到更符合用户偏好的推荐结果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开示例性实施例的内容资源推荐方法的流程图;
图3示出了根据本公开示例性实施例的神经网络的训练方法的流程图;
图4示出了根据本公开示例性实施例的在多个用户和多个内容资源中确定样本对的流程图;
图5示出了根据本公开示例性实施例的内容资源推荐装置的结构框图;
图6示出了根据本公开示例性实施例的神经网络的训练装置的结构框图;以及
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中,现有的内容资源推荐方法通常以商品(待推荐对象)和内容资源为整体和用户进行建模,这种方式以内容资源为主体且各业务单独建模,需要维护多个业务模型,各业务之间的行为数据难以共享使用。
基于后验信号进行判断,也即,根据用户的反馈信息进行判断。然而,富集网页的用户信号的成本较高,并且用户行为可以通过作弊手段造价,从而影响对网页质量的评估结果。
为解决上述问题,本公开通过利用第一子网络和第二子网络分别对用户-内容资源间关系以及用户-待推荐对象间关系进行建模,并分别获取用户和内容资源的相似度以及用户和待推荐对象的相似度,实现了将待推荐对象从业务场景剥离,从而能够利用与内容资源相关的信息和与内容资源上挂载的对象直接相关的信息以得到更符合用户偏好的推荐结果。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行根据本公开的实施例的方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106进行内容资源消费。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库可以是例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
根据本公开的一方面,提供了一种基于神经网络的内容资源推荐方法。神经网络可以包括第一子网络和第二子网络。如图2所示,内容资源推荐方法包括:步骤S201、针对多个内容资源中的每一个内容资源,利用第一子网络获取表征目标用户和该内容资源的相似度的第一得分,其中,每一个内容资源挂载至少一个待推荐对象;步骤S202、利用第二子网络获取表征目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分;步骤S203、基于第一得分和第二得分,确定该内容资源的综合得分;以及步骤S204、基于多个内容资源各自的综合得分,在多个内容资源中确定至少一部分内容资源以推荐给目标用户。
由此,通过利用第一子网络和第二子网络分别对用户-内容资源间关系以及用户-待推荐对象间关系进行建模,并分别获取用户和内容资源的相似度以及用户和待推荐对象的相似度,实现了将待推荐对象从业务场景剥离,从而能够利用与内容资源相关的信息和与内容资源上挂载的对象直接相关的信息以得到更符合用户偏好的推荐结果。
在电商推荐场景下,主要有三种类型实体,用户、内容资源、商品,内容资源如图文、视频、直播等不同资源,商品是附属在内容资源上进行售卖的对象,如直播带货的商品、内容付费售卖的专栏等。可以理解的是,本公开的方法也可以用于其他类似场景下,内容资源除了可以挂载商品外,也可以挂载其他待推荐对象,例如文章、音乐、视频等等,在此不作限定。
根据一些实施例,第一子网络为基于用户-内容资源异构图的图神经网络,用户-内容资源异构图包括与多个用户对应的多个第一用户节点和与多个内容资源对应的多个内容资源节点,多个用户包括目标用户。步骤S201、针对多个内容资源中的每一个内容资源,利用第一子网络获取表征目标用户和该内容资源的相似度的第一得分可以包括:利用第一子网络从与目标用户对应的第一用户节点获取目标用户的第一用户特征向量;利用第一子网络从与该内容资源对应的内容资源节点获取该内容资源的内容资源特征向量;计算第一用户特征向量和内容资源特征向量的相似度,以得到第一得分。
由此,通过使用图神经网络获取与目标用户对应的特征向量和与内容资源对应的特征向量,使得用户特征向量和内容资源特征向量均参考了与其相关的其他节点的信息,从而提升第一得分的预测性能。
在一些实施例中,可以使用GraphSAGE网络作为第一子网络以建立用户user和内容资源item之间的向量表达。GraphSAGE的优势在于在训练好之后,仍可以对新加入图网络的节点进行推理,因此能够计算新加入的用户和内容资源的特征向量。
根据一些实施例,用户-内容资源异构图包括多个用户和多个内容资源之间的多个第一邻接边,第一邻接边的权重是基于对应的用户关于对应的内容资源的用户行为数据而得到的。
在一些实施例中,多个第一用户节点中的每一个第一用户节点对应的第一用户特征向量是通过将该第一用户节点的至少一个邻域节点对应的特征向量基于相应的至少一个第一邻接边的权重进行聚合而得到的。在一些实施例中,多个内容资源节点中的每一个内容资源节点对应的内容资源特征向量是通过将该内容资源节点的至少一个邻域节点对应的特征向量基于相应的至少一个第一邻接边的权重进行聚合而得到的。通过利用基于用户行为数据的边权重将邻域节点的特征向量进行聚合,能够进一步提升特征向量和第一得分的预测性能。
根据一些实施例,第二子网络为基于用户-对象异构图的图神经网络,用户-对象异构图包括与多个用户对应的多个第二用户节点和与多个待推荐对象对应的多个对象节点。步骤S202、利用第二子网络获取表征目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分包括:利用第二子网络从与目标用户对应的第二用户节点获取目标用户的第二用户特征向量;利用第二子网络从与至少一个待推荐对象对应的至少一个对象节点获取至少一个待推荐对象各自的对象特征向量;计算第二用户特征向量和至少一个待推荐对象各自的对象特征向量的相似度,以得到第二得分。
在一些实施例中,可以使用GraphSAGE网络作为第二子网络以建立用户user和对象item(例如,商品)之间的向量表达。GraphSAGE的优势在于在训练好之后,仍可以对新加入图网络的节点进行推理,因此能够计算新加入的用户和对象的特征向量。需要注意的是,第一子网络和第二子网络分别对用户-内容资源关系和用户-对象关系进行建模,因此,每一个用户在第一子网络和第二子网络中都对应有节点,并且在第一子网络中的第一用户节点对应的第一用户特征向量和在第二子网络中的第二用户节点对应的第二用户特征向量不一定相同。
根据一些实施例,用户-对象异构图包括多个用户和多个待推荐对象之间的多个第二邻接边,第二邻接边的权重是基于对应的用户关于对应的待推荐对象的用户行为数据而得到的。
在一些实施例中,多个第二用户节点中的每一个第二用户节点对应的第二用户特征向量是通过将该第二用户节点的至少一个邻域节点对应的特征向量基于相应的至少一个第二邻接边的权重进行聚合而得到的。在一些实施例中,多个对象节点中的每一个对象节点对应的对象特征向量是通过将该对象节点的至少一个邻域节点对应的特征向量基于相应的至少一个第二邻接边的权重进行聚合而得到的。通过利用基于用户行为数据的边权重将邻域节点的特征向量进行聚合,能够进一步提升特征向量和第二得分的预测性能。
根据一些实施例,用户行为数据包括点击、浏览时长、点赞、评论、收藏、分享、添加到购物车、以及转化中的至少一个。在计算第一邻接边和第二邻接边的权重时,可以为不同的用户行为数据设置不同的权重,进而将不同行为数据按这些权重进行加权求和,从而得到相应的邻接边的权重。可以理解的是,除上述内容外,用户行为数据还可以包括其他的用户行为,并且本领域技术人员可以根据需求为这些用户行为数据设置合适的权重,在此不作限定。
用户行为数据可以通过线上埋点的方式进行收集,具体可以包括用户标识userId、内容资源标识/对象标识itemId、行为、发生时间、会话session等关键信息。分别收集用户在内容资源item和对象item(例如,商品)上的用户行为数据,以分别用于在构建用户-内容资源图和内容-对象图时确定邻接边的权重。需要注意的是,收集用户行为数据时不区分业务场景。例如,图文内容A可以挂载商品C,商品C也可以在直播内容B里售卖,用户会在不同的业务场景下对商品C进行消费。则关于商品C的用户行为数据即包括挂载在图文内容A中时产生的用户行为数据,也包括在直播内容B中产生的用户行为数据。通过这样的方式,可以将待推荐对象从业务场景剥离出,解决了跨业务行为数据不共享的问题。
根据一些实施例,该方法还包括:针对多个内容资源中的目标内容资源,利用第一子网络确定与目标内容资源相似的多个候选用户;利用第二子网络确定与多个候选用户相似的多个候选待推荐对象;以及在多个候选待推荐对象中确定用于在目标内容资源中挂载的至少一个目标待推荐对象。利用内容资源item和用户user、对象item和用户user之间的相似性,找到内容资源item的相似用户user,将和用户user相似的对象item进行汇总,以投票方式选出挂载的候选商品,解决了给内容资源推荐挂载商品的问题。在一个示例性实施例中,可以根据与每一个候选待推荐对象具有关联关系的用户数量作为该候选待推荐对象的投票数,也可以将这些用户各自对应的邻接边的权重求和,以得到该候选待推荐对象的投票数。可以理解的是,还可以通过其他方式在多个候选待推荐对象中确定用于挂载的对象。
根据本公开的另一方面,提供了一种神经网络的训练方法。神经网络包括第一子网络,第一子网络为基于用户-内容资源异构图的图神经网络,用户-内容资源异构图包括与多个用户对应的多个第一用户节点、与多个内容资源对应的多个内容资源节点、以及多个用户和多个内容资源之间的多个第一邻接边,第一邻接边的权重是基于对应的用户关于对应的内容资源的用户行为数据而得到的。如图3所示,训练方法包括:步骤S301、在多个用户和多个内容资源中确定第一样本对,第一样本对包括多个用户中的第一样本用户和多个内容资源中的样本内容资源;步骤S302、确定多个第一用户节点各自对应的第一用户特征向量和多个内容资源节点各自对应的内容资源特征向量;步骤S303、将与第一样本用户对应的第一样本用户节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到第一样本用户节点的更新后的第一用户特征向量;步骤S304、将与样本内容资源对应的样本内容资源节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到样本内容资源节点的更新后的内容资源特征向量;以及步骤S305、基于第一用户特征向量和内容资源特征向量,调整第一子网络的参数,以得到训练后的神经网络。由此,通过基于用户行为数据构建邻接边的权重,使得模型可以更加充分的学习节点之间的多层语义关系,更好地刻画用户的偏好。
根据一些实施例,如图4所示,步骤S301、在多个用户和多个内容资源中确定第一样本对可以包括:步骤S401、在第一子网络中确定起始节点;步骤S402、基于起始节点,在第一子网络中以多个第一邻接边各自的权重作为游走概率进行随机游走,以得到样本节点序列;以及步骤S403、基于样本节点序列,确定第一样本对。由此,通过基于用户行为数据得到的邻接边的权重进行随机游走,使得得到的样本能够体现用户和内容资源之间的关系。
在一些实施例中,起始节点可以是第一用户节点,也可以是内容资源节点。本领域技术人员可以根据需求设置随机游走的相关属性,例如截止长度,在此不作限定。
根据一些实施例,步骤S403、基于样本节点序列,确定第一样本对可以包括:将同属于样本节点序列的第一节点和第二节点各自对应的用户和内容资源确定为第一样本对,第一节点和第二节点各自对应的用户和内容资源为正样本;或者将属于样本节点序列的第三节点和不属于样本节点序列的第四节点各自对应的用户和内容资源确定为第一样本对,第三节点和第四节点各自对应的用户和内容资源为负样本。
在一些实施例中,步骤S303、将与第一样本用户对应的第一样本用户节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到第一样本用户节点的更新后的第一用户特征向量可以包括:获取第一样本用户节点的二阶邻域节点,利用聚合函数对选取的邻域节点根据边权重做加权平均,以得到对邻域节点的综合特征向量,以作为更新后的第一用户特征向量。具体地,可以先利用聚合函数对用户节点的二阶邻域节点的特征向量进行聚合,以得到用户节点的一阶邻域节点的特征向量,再对这些一阶邻域节点的特征向量进行聚合,以得到用户节点的特征向量。聚合的过程中,待聚合的特征向量的权重为该特征向量对应的节点和待更新的节点之间的邻接边的权重。
在一些实施例中,可以将综合特征向量进一步和第一样本用户节点的特征向量进行融合(例如,拼接、加权求和、使用全连接层处理或上述任意多项组合使用),以得到第一样本用户节点的更新后的特征向量。可以理解的是,还可以通过其他方式进行聚合,以对第一用户特征向量进行更新,在此不作限定。
在一些实施例中,步骤S304可以采用与步骤S303类似的方式对内容资源特征向量进行更新。在对第一子网络进行迭代训练到收敛后,可以记录并存储各个节点(包括第一用户节点和内容资源节点)对应的特征向量,以供线上使用(例如,在前文描述的内容资源推荐方法中使用)。
根据一些实施例,神经网络还可以包括第二子网络,第二子网络为基于用户-对象异构图的图神经网络,用户-对象异构图包括与多个用户对应的多个第二用户节点、与多个对象对应的多个对象节点、以及多个用户和多个对象之间的多个第二邻接边,第二邻接边的权重是基于对应的用户关于对应的对象的用户行为数据而得到的。训练方法还可以包括:在多个用户和多个对象中确定第二样本对,第二样本对包括多个用户中的第二样本用户和多个对象中的样本对象;确定多个第二用户节点各自对应的第二用户特征向量和多个对象节点各自对应的对象特征向量;将与第二样本用户对应的第二样本用户节点的至少一个邻域节点的特征向量基于相应的至少一个第二邻接边的权重进行聚合,以得到第二样本用户节点的更新后的第二用户特征向量;将与样本对象对应的样本对象节点的至少一个邻域节点的特征向量基于相应的至少一个第二邻接边的权重进行聚合,以得到样本对象节点的更新后的对象特征向量;以及基于第二用户特征向量和对象特征向量,调整第二子网络的参数,以得到训练后的神经网络。可以理解的是,对第二子网络的训练可以参照上述对第一子网络的训练,在此不做赘述。
根据一些实施例,用户行为数据可以包括点击、浏览时长、点赞、评论、收藏、分享、添加到购物车、以及转化中的至少一个。
根据本公开的另一方面,提供了一种基于神经网络的内容资源推荐装置,神经网络包括第一子网络和第二子网络。如图5所示,装置500包括:第一获取单元510,被配置为针对多个内容资源中的每一个内容资源,利用第一子网络获取表征目标用户和该内容资源的相似度的第一得分,其中,每一个内容资源挂载至少一个待推荐对象;第二获取单元520,被配置为利用第二子网络获取表征目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分;第一确定单元530,被配置为基于第一得分和第二得分,确定该内容资源的综合得分;以及第二确定单元540,被配置为基于多个内容资源各自的综合得分,在多个内容资源中确定至少一部分内容资源以推荐给目标用户。可以理解的是,装置500中的单元510-单元540的操作和图2中的步骤S201-步骤S204的操作类似,在此不作限定。
根据本公开的另一方面,提供了一种神经网络的训练装置,神经网络包括第一子网络,第一子网络为基于用户-内容资源异构图的图神经网络,用户-内容资源异构图包括与多个用户对应的多个第一用户节点、与多个内容资源对应的多个内容资源节点、以及多个用户和多个内容资源之间的多个第一邻接边,第一邻接边的权重是基于对应的用户关于对应的内容资源的用户行为数据而得到的。如图6所示,装置600包括:第三确定单元610,被配置为在多个用户和多个内容资源中确定第一样本对,第一样本对包括多个用户中的第一样本用户和多个内容资源中的样本内容资源;第四确定单元620,被配置为确定多个第一用户节点各自对应的第一用户特征向量和多个内容资源节点各自对应的内容资源特征向量;第一聚合单元630,被配置为将与第一样本用户对应的第一样本用户节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到第一样本用户节点的更新后的第一用户特征向量;第二聚合单元640,被配置为将与样本内容资源对应的样本内容资源节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到样本内容资源节点的更新后的内容资源特征向量;以及调整单元650,被配置为基于第一用户特征向量和内容资源特征向量,调整第一子网络的参数,以得到训练后的神经网络。可以理解的是,装置600中的单元610-单元650的操作和图3中的步骤S301-步骤S305的操作类似,在此不作限定。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图7,现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备,输入单元706可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如内容资源推荐方法和/或神经网络的训练方法。例如,在一些实施例中,内容资源推荐方法和/或神经网络的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的内容资源推荐方法和/或神经网络的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行内容资源推荐方法和/或神经网络的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (17)
1.一种基于神经网络的内容资源推荐方法,所述神经网络包括第一子网络和第二子网络,所述方法包括:
针对多个内容资源中的每一个内容资源,利用所述第一子网络获取表征目标用户和该内容资源的相似度的第一得分,其中,每一个所述内容资源挂载至少一个待推荐对象;
利用所述第二子网络获取表征所述目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分;
基于所述第一得分和所述第二得分,确定该内容资源的综合得分;以及
基于所述多个内容资源各自的综合得分,在所述多个内容资源中确定至少一部分内容资源以推荐给所述目标用户。
2.根据权利要求1所述的方法,其中,所述第一子网络为基于用户-内容资源异构图的图神经网络,所述用户-内容资源异构图包括与多个用户对应的多个第一用户节点和与所述多个内容资源对应的多个内容资源节点,所述多个用户包括所述目标用户,
其中,针对多个内容资源中的每一个内容资源,利用所述第一子网络获取表征目标用户和该内容资源的相似度的第一得分包括:
利用所述第一子网络从与所述目标用户对应的第一用户节点获取所述目标用户的第一用户特征向量;
利用所述第一子网络从与该内容资源对应的内容资源节点获取该内容资源的内容资源特征向量;
计算所述第一用户特征向量和所述内容资源特征向量的相似度,以得到所述第一得分。
3.根据权利要求2所述的方法,其中,所述用户-内容资源异构图包括所述多个用户和所述多个内容资源之间的多个第一邻接边,所述第一邻接边的权重是基于对应的用户关于对应的内容资源的用户行为数据而得到的,
其中,所述多个第一用户节点中的每一个第一用户节点对应的第一用户特征向量是通过将该第一用户节点的至少一个邻域节点对应的特征向量基于相应的至少一个第一邻接边的权重进行聚合而得到的,所述多个内容资源节点中的每一个内容资源节点对应的内容资源特征向量是通过将该内容资源节点的至少一个邻域节点对应的特征向量基于相应的至少一个第一邻接边的权重进行聚合而得到的。
4.根据权利要求2所述的方法,其中,所述第二子网络为基于用户-对象异构图的图神经网络,所述用户-对象异构图包括与所述多个用户对应的多个第二用户节点和与所述多个待推荐对象对应的多个对象节点,
其中,利用所述第二子网络获取表征所述目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分包括:
利用所述第二子网络从与所述目标用户对应的第二用户节点获取所述目标用户的第二用户特征向量;
利用所述第二子网络从与所述至少一个待推荐对象对应的至少一个对象节点获取所述至少一个待推荐对象各自的对象特征向量;
计算所述第二用户特征向量和所述至少一个待推荐对象各自的对象特征向量的相似度,以得到所述第二得分。
5.根据权利要求4所述的方法,其中,所述用户-对象异构图包括所述多个用户和所述多个待推荐对象之间的多个第二邻接边,所述第二邻接边的权重是基于对应的用户关于对应的待推荐对象的用户行为数据而得到的,
其中,所述多个第二用户节点中的每一个第二用户节点对应的第二用户特征向量是通过将该第二用户节点的至少一个邻域节点对应的特征向量基于相应的至少一个第二邻接边的权重进行聚合而得到的,所述多个对象节点中的每一个对象节点对应的对象特征向量是通过将该对象节点的至少一个邻域节点对应的特征向量基于相应的至少一个第二邻接边的权重进行聚合而得到的。
6.根据权利要求5所述的方法,其中,所述用户行为数据包括点击、浏览时长、点赞、评论、收藏、分享、添加到购物车、以及转化中的至少一个。
7.根据权利要求1所述的方法,还包括:
针对所述多个内容资源中的目标内容资源,利用所述第一子网络确定与所述目标内容资源相似的多个候选用户;
利用所述第二子网络确定与所述多个候选用户相似的多个候选待推荐对象;以及
在所述多个候选待推荐对象中确定用于在所述目标内容资源中挂载的至少一个目标待推荐对象。
8.一种神经网络的训练方法,所述神经网络包括第一子网络,所述第一子网络为基于用户-内容资源异构图的图神经网络,所述用户-内容资源异构图包括与多个用户对应的多个第一用户节点、与所述多个内容资源对应的多个内容资源节点、以及所述多个用户和所述多个内容资源之间的多个第一邻接边,所述第一邻接边的权重是基于对应的用户关于对应的内容资源的用户行为数据而得到的,其中,所述方法包括:
在所述多个用户和所述多个内容资源中确定第一样本对,所述第一样本对包括所述多个用户中的第一样本用户和所述多个内容资源中的样本内容资源;
确定所述多个第一用户节点各自对应的第一用户特征向量和所述多个内容资源节点各自对应的内容资源特征向量;
将与所述第一样本用户对应的第一样本用户节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到所述第一样本用户节点的更新后的第一用户特征向量;
将与所述样本内容资源对应的样本内容资源节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到所述样本内容资源节点的更新后的内容资源特征向量;以及
基于所述第一用户特征向量和所述内容资源特征向量,调整所述第一子网络的参数,以得到训练后的神经网络。
9.根据权利要求8所述的方法,其中,在所述多个用户和所述多个内容资源中确定第一样本对包括:
在所述第一子网络中确定起始节点;
基于所述起始节点,在所述第一子网络中以所述多个第一邻接边各自的权重作为游走概率进行随机游走,以得到样本节点序列;以及
基于所述样本节点序列,确定所述第一样本对。
10.根据权利要求9所述的方法,其中,基于所述样本节点序列,确定所述第一样本对包括:
将同属于所述样本节点序列的第一节点和第二节点各自对应的用户和内容资源确定为所述第一样本对,所述第一节点和所述第二节点各自对应的用户和内容资源为正样本;或者
将属于所述样本节点序列的第三节点和不属于所述样本节点序列的第四节点各自对应的用户和内容资源确定为所述第一样本对,所述第三节点和所述第四节点各自对应的用户和内容资源为负样本。
11.根据权利要求8所述的方法,其中,所述神经网络包括第二子网络,所述第二子网络为基于用户-对象异构图的图神经网络,所述用户-对象异构图包括与多个用户对应的多个第二用户节点、与所述多个对象对应的多个对象节点、以及所述多个用户和所述多个对象之间的多个第二邻接边,所述第二邻接边的权重是基于对应的用户关于对应的对象的用户行为数据而得到的,所述方法还包括:
在所述多个用户和所述多个对象中确定第二样本对,所述第二样本对包括所述多个用户中的第二样本用户和所述多个对象中的样本对象;
确定所述多个第二用户节点各自对应的第二用户特征向量和所述多个对象节点各自对应的对象特征向量;
将与所述第二样本用户对应的第二样本用户节点的至少一个邻域节点的特征向量基于相应的至少一个第二邻接边的权重进行聚合,以得到所述第二样本用户节点的更新后的第二用户特征向量;
将与所述样本对象对应的样本对象节点的至少一个邻域节点的特征向量基于相应的至少一个第二邻接边的权重进行聚合,以得到所述样本对象节点的更新后的对象特征向量;以及
基于所述第二用户特征向量和所述对象特征向量,调整所述第二子网络的参数,以得到训练后的神经网络。
12.根据权利要求8所述的方法,其中,所述用户行为数据包括点击、浏览时长、点赞、评论、收藏、分享、添加到购物车、以及转化中的至少一个。
13.一种基于神经网络的内容资源推荐装置,所述神经网络包括第一子网络和第二子网络,所述装置包括:
第一获取单元,被配置为针对多个内容资源中的每一个内容资源,利用所述第一子网络获取表征目标用户和该内容资源的相似度的第一得分,其中,每一个所述内容资源挂载至少一个待推荐对象;
第二获取单元,被配置为利用所述第二子网络获取表征所述目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分;
第一确定单元,被配置为基于所述第一得分和所述第二得分,确定该内容资源的综合得分;以及
第二确定单元,被配置为基于所述多个内容资源各自的综合得分,在所述多个内容资源中确定至少一部分内容资源以推荐给所述目标用户。
14.一种神经网络的训练装置,所述神经网络包括第一子网络,所述第一子网络为基于用户-内容资源异构图的图神经网络,所述用户-内容资源异构图包括与多个用户对应的多个第一用户节点、与所述多个内容资源对应的多个内容资源节点、以及所述多个用户和所述多个内容资源之间的多个第一邻接边,所述第一邻接边的权重是基于对应的用户关于对应的内容资源的用户行为数据而得到的,其中,所述装置包括:
第三确定单元,被配置为在所述多个用户和所述多个内容资源中确定样本对,所述样本对包括所述多个用户中的第一样本用户和所述多个内容资源中的样本内容资源;
第四确定单元,被配置为确定所述多个第一用户节点各自对应的第一用户特征向量和所述多个内容资源节点各自对应的内容资源特征向量;
第一聚合单元,被配置为将与所述第一样本用户对应的第一样本用户节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到所述第一样本用户节点的更新后的第一用户特征向量;
第二聚合单元,被配置为将与所述样本内容资源对应的样本内容资源节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合,以得到所述样本内容资源节点的更新后的内容资源特征向量;以及
调整单元,被配置为基于所述第一用户特征向量和所述内容资源特征向量,调整所述第一子网络的参数,以得到训练后的神经网络。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211056862.7A CN115292608A (zh) | 2022-08-31 | 2022-08-31 | 内容资源推荐方法、神经网络的训练方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211056862.7A CN115292608A (zh) | 2022-08-31 | 2022-08-31 | 内容资源推荐方法、神经网络的训练方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115292608A true CN115292608A (zh) | 2022-11-04 |
Family
ID=83831388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211056862.7A Pending CN115292608A (zh) | 2022-08-31 | 2022-08-31 | 内容资源推荐方法、神经网络的训练方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292608A (zh) |
-
2022
- 2022-08-31 CN CN202211056862.7A patent/CN115292608A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7316453B2 (ja) | オブジェクト推薦方法及び装置、コンピュータ機器並びに媒体 | |
CN112532748B (zh) | 消息推送方法、装置、设备、介质和计算机程序产品 | |
CN114791982B (zh) | 对象推荐方法和装置 | |
CN114445667A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN112632380A (zh) | 兴趣点推荐模型的训练方法和推荐兴趣点的方法 | |
WO2022188534A1 (zh) | 信息推送的方法和装置 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN116304335A (zh) | 对象推荐方法、用户偏好识别方法及装置 | |
CN113722594B (zh) | 推荐模型的训练方法、推荐方法、装置、电子设备及介质 | |
CN113868453B (zh) | 对象推荐方法和装置 | |
CN114880580A (zh) | 信息推荐方法及装置、电子设备和介质 | |
CN114445147A (zh) | 电子券发放方法及装置、设备和介质 | |
CN115292608A (zh) | 内容资源推荐方法、神经网络的训练方法、装置和设备 | |
CN115033782B (zh) | 推荐对象的方法、机器学习模型的训练方法、装置和设备 | |
CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
CN114861071B (zh) | 对象推荐方法和装置 | |
CN113722534B (zh) | 视频推荐方法和装置 | |
CN114036389B (zh) | 对象推荐方法、推荐模型的训练方法及装置 | |
CN113420227B (zh) | 点击率预估模型的训练方法、预估点击率的方法、装置 | |
CN116842156B (zh) | 数据生成方法及装置、设备和介质 | |
CN115512131B (zh) | 图像检测方法和图像检测模型的训练方法 | |
CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
CN115829653A (zh) | 广告文本的相关度确定方法及装置、设备和介质 | |
CN117909591A (zh) | 内容推荐方法、装置、电子设备、介质 | |
CN115729973A (zh) | 推荐对象的方法、装置、设备和介质 |
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 |