CN115545851A - 一种资源推荐方法、装置、电子设备和存储介质 - Google Patents
一种资源推荐方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115545851A CN115545851A CN202211372848.8A CN202211372848A CN115545851A CN 115545851 A CN115545851 A CN 115545851A CN 202211372848 A CN202211372848 A CN 202211372848A CN 115545851 A CN115545851 A CN 115545851A
- Authority
- CN
- China
- Prior art keywords
- object network
- network
- node
- initial
- nodes
- 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 125
- 230000008569 process Effects 0.000 claims abstract description 64
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000006243 chemical reaction Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 35
- 238000013136 deep learning model Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 16
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 29
- 230000006870 function Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 235000019640 taste Nutrition 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Information Transfer Between Computers (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
Abstract
本申请涉及人工智能技术领域,尤其涉及一种资源推荐方法、装置、电子设备和存储介质,用以提高资源推荐准确性。其中,方法包括:获取基于多个对象构建的初始对象网络,该网络中的每两个节点之间的连接关系是基于该网络的对象属性特征确定的;基于预设的变换策略,将初始对象网络对应的邻接矩阵进行矩阵转换,并基于转换后的邻接矩阵,获得中间对象网络;中间对象网络的节点数量少于初始对象网络;基于预设的节点合并策略,对中间对象网络进行至少一次节点合并处理,获得至少一个目标对象网络;基于中间对象网络与目标对象网络中的至少一种,进行社区划分,并根据社区划分结果进行资源推荐。基于变换和节点合并策略,可提高资源推荐准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种资源推荐方法、装置、电子设备和存储介质。
背景技术
随着网络技术的快速发展,如今终端设备的功能更具多元化,如,可以用来观看节目、广告,进行购物、娱乐等。在这些功能的实现过程中,可利用智能推荐系统,向用户进行资源推荐,以便用户快速定位出感兴趣的资源。
随着人工智能(Artificial intelligence,AI)技术的快速发展,智能推荐系统被应用于各大领域,以智能电视(television,TV)推荐系统为例:在用户使用TV进行网络购物时,可基于智能TV推荐系统,结合用户网络中挖掘的有用信息,向用户进行商品推荐。
相关技术中的智能TV推荐系统,是基于社区发现技术,对TV用户网络进行社区划分,然后进行资源推荐的。具体通过研究用户网络中子社区的特性,从侧面来描述网络的属性,借助社区发现技术得到有价值的社区结构信息,比如购物习惯等。但是,在基于相关的社区发现方法进行上述处理时,易丢失网络特征信息,进而,易出现资源推荐不准确的问题。
因而,如何减少资源推荐不准确问题的影响,是亟待解决的。
发明内容
本申请实施例提供的一种资源推荐方法、装置、电子设备和存储介质,用以提高资源推荐的准确性。本申请实施例提供的一种资源推荐方法,包括:
获取基于多个对象构建的初始对象网络,所述初始对象网络中的每个节点对应一个对象,每两个节点之间的连接关系是基于所述初始对象网络的对象属性特征确定的;
基于预设的变换策略,将所述初始对象网络对应的邻接矩阵进行矩阵转换,并基于转换后的邻接矩阵,获得与所述初始对象网络对应的中间对象网络;所述中间对象网络的节点数量都少于所述初始对象网络;
基于预设的节点合并策略,对所述中间对象网络进行至少一次节点合并处理,获得至少一个与所述初始对象网络对应的目标对象网络;所述目标对象网络的节点数量少于所述中间对象网络;
基于所述中间对象网络与所述目标对象网络中的至少一种,进行社区划分,并根据社区划分结果进行资源推荐。
可选的,所述对象属性特征包括:用于表征对象个体特有属性的局部特征,用于表征对象之间共有属性的全局特征;
通过下列方式确定所述初始对象网络中每两个节点之间的连接关系:
对于任意两个对象,若基于所述局部特征或所述全局特征,确定所述两个对象之间存在至少一种对象属性相关,则所述两个对象对应的节点之间具有连接关系。
可选的,所述基于转换后的邻接矩阵,获得与所述初始对象网络对应的中间对象网络,包括:
对于所述初始对象网络中的每个节点,分别执行以下操作:从转换后的邻接矩阵中确定与一个节点对应的各目标元素;将各目标元素中的最大值对应的其他节点与所述一个节点进行合并;其中,每个目标元素表征所述一个节点与相连的一个其他节点之间的关联紧密度;
将对所述初始对象网络进行节点合并后的网络,作为所述中间对象网络。
可选的,所述预设的节点合并策略为共同邻居节点合并策略;
所述基于预设的节点合并策略,对所述中间对象网络进行至少一次节点合并处理,获得至少一个与所述初始对象网络对应的目标对象网络,包括:
基于所述共同邻居节点合并策略,对所述中间对象网络进行至少一次节点合并处理,其中,每次节点合并处理执行以下过程:
将当前待合并的对象网络中,具有共同邻居的至少两个节点进行合并,并将合并后的对象网络作为一个目标对象网络;
其中,第一次节点合并处理过程中,所述当前待合并的对象网络为所述中间对象网络;之后每一次节点合并处理过程中,所述当前待合并的对象网络为上一次合并获得的目标对象网络。
可选的,所述基于所述中间对象网络与所述目标对象网络中的至少一种,对所述多个对象进行社区划分,包括以下至少一种:
将所述中间对象网络进行社区划分;
将任意一个目标对象网络进行社区划分;
将任意一个目标对象网络进行至少一次网络还原处理,并将任意一个还原获得的候选对象网络进行社区划分。
可选的,所述将任意一个目标对象网络进行至少一次网络还原处理,包括:
基于深度学习模型,对所述任意一个目标对象网络进行至少一次网络还原处理,其中,每次还原处理执行以下过程:
获取以当前待还原的对象网络的节点表示作为所述深度学习模型的输入时,所述深度学习模型输出的节点表示,并将基于所述输出的节点表示确定的对象网络作为一个候选对象网络;
其中,第一次网络还原处理过程中,所述当前待还原的对象网络为所述任意一个目标对象网络;之后每一次网络还原处理过程中,所述当前待还原的对象网络为上一次还原获得的候选对象网络。
本申请实施例提供的一种资源推荐装置,该装置包括:
网络获取单元,用于获取基于多个对象构建的初始对象网络,所述初始对象网络中的每个节点对应一个对象,每两个节点之间的连接关系是基于所述初始对象网络的对象属性特征确定的;
网络转换单元,用于基于预设的变换策略,将所述初始对象网络对应的邻接矩阵进行矩阵转换,并基于转换后的邻接矩阵,获得与所述初始对象网络对应的中间对象网络;所述中间对象网络的节点数量都少于所述初始对象网络;
节点合并单元,用于基于预设的节点合并策略,对所述中间对象网络进行至少一次节点合并处理,获得至少一个与所述初始对象网络对应的目标对象网络;所述目标对象网络的节点数量少于所述中间对象网络;
资源推荐单元,用于基于所述中间对象网络与所述目标对象网络中的至少一种,进行社区划分,并根据社区划分结果进行资源推荐。
可选的,所述对象属性特征包括:用于表征对象个体特有属性的局部特征,用于表征对象之间共有属性的全局特征;
所述网络获取单元具体用于通过下列方式确定所述初始对象网络中每两个节点之间的连接关系:
对于任意两个对象,若基于所述局部特征或所述全局特征,确定所述两个对象之间存在至少一种对象属性相关,则所述两个对象对应的节点之间具有连接关系。
可选的,所述网络转换单元具体用于:
对于所述初始对象网络中的每个节点,分别执行以下操作:从转换后的邻接矩阵中确定与一个节点对应的各目标元素;将各目标元素中的最大值对应的其他节点与所述一个节点进行合并;其中,每个目标元素表征所述一个节点与相连的一个其他节点之间的关联紧密度;
将对所述初始对象网络进行节点合并后的网络,作为所述中间对象网络。
可选的,所述预设的节点合并策略为共同邻居节点合并策略;
所述节点合并单元具体用于:
基于所述共同邻居节点合并策略,对所述中间对象网络进行至少一次节点合并处理,其中,每次节点合并处理执行以下过程:
将当前待合并的对象网络中,具有共同邻居的至少两个节点进行合并,并将合并后的对象网络作为一个目标对象网络;
其中,第一次节点合并处理过程中,所述当前待合并的对象网络为所述中间对象网络;之后每一次节点合并处理过程中,所述当前待合并的对象网络为上一次合并获得的目标对象网络。
可选的,所述资源推荐单元具体用于以下至少一种:
将所述中间对象网络进行社区划分;
将任意一个目标对象网络进行社区划分;
将任意一个目标对象网络进行至少一次网络还原处理,并将任意一个还原获得的候选对象网络进行社区划分。
可选的,所述将任意一个目标对象网络进行至少一次网络还原处理,所述资源推荐单元具体用于:
基于深度学习模型,对所述任意一个目标对象网络进行至少一次网络还原处理,其中,每次还原处理执行以下过程:
获取以当前待还原的对象网络的节点表示作为所述深度学习模型的输入时,所述深度学习模型输出的节点表示,并将基于所述输出的节点表示确定的对象网络作为一个候选对象网络;
其中,第一次网络还原处理过程中,所述当前待还原的对象网络为所述任意一个目标对象网络;之后每一次网络还原处理过程中,所述当前待还原的对象网络为上一次还原获得的候选对象网络。
本申请实施例提供的一种电子设备,包括处理器和存储器,其中,所述存储器存储有计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器执行上述任意一种资源推荐方法的步骤。
本申请实施例提供的一种计算机可读存储介质,包括计算机程序,当所述计算机程序在电子设备上运行时,所述计算机程序用于使所述电子设备执行上述任意一种资源推荐方法的步骤。
本申请实施例提供的一种计算机程序产品,包括计算机程序,所述计算机程序存储在计算机可读存储介质中;当电子设备的处理器从所述计算机可读存储介质读取所述计算机程序时,所述处理器执行所述计算机程序,使得所述电子设备执行上述任意一种资源推荐方法的步骤。
本申请有益效果如下:
本申请实施例提供了一种资源推荐方法、装置、电子设备和存储介质。考虑到通常情况下采用邻接矩阵来表示对象网络中的数据时,容易出现邻接矩阵中存在大量的数据0导致计算困难的情况,在本申请实施例中,用了数据预处理方法,将初始对象网络对应的邻接矩阵进行矩阵转换,并基于转换后的邻接矩阵,获得与初始对象网络对应的中间对象网络,该中间对象网络的节点数量少于初始对象网络,采用上述方式可对对象网络的节点数据进行有效处理,不仅解决了邻接矩阵中大量0导致的稀疏性带来的计算困难,同时还可以更具体的反映对象之间的相关性;此外,本申请还进一步基于节点合并策略,对中间对象网络中的节点进行合并处理,获得与初始对象网络对应的目标对象网络,使其网络规模逐步减小,并且能够很大程度上保留了对象网络中的对象属性特征,从而降低了因网络规模的减小而造成的网络信息丢失,基于上述处理,通过社区发现方法对中间对象网络或目标对象网络进行划分,可提高资源推荐准确性。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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。
图1为本申请实施例中的应用场景示意图;
图2为本申请实施例中的一种资源推荐方法的实施流程图;
图3为本申请实施例中的一种初始对象网络的示意图;
图4为本申请实施例中的一种中间对象网络的示意图;
图5a为本申请实施例中的一种第一次目标对象网络的示意图;
图5b为本申请实施例中的一种第二次目标对象网络的示意图;
图6为本申请实施例中的一种节点合并的示意图;
图7为本申请实施例中的一种社区划分方式的示意图;
图8为本申请实施例中的一种网络还原的示意图;
图9为本申请实施例中的一种候选对象网络的示意图;
图10a为本申请实施例中的一种资源推荐方法的具体实施流程示意图;
图10b为本申请实施例中的一种资源推荐方法的具体实施流程示意图;
图10c为本申请实施例中的一种资源推荐方法的具体实施流程示意图;
图10d为本申请实施例中的一种资源推荐方法的具体实施流程示意图;
图11为本申请实施例中的一种资源推荐装置的组成结构示意图;
图12为本申请实施例中的一种电子设备的组成结构示意图;
图13为应用本申请实施例的一种计算装置的一个硬件组成结构示意图。
具体实施方式
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技术方案的一部分实施例,而不是全部的实施例。基于本申请文件中记载的实施例,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,都属于本申请技术方案保护的范围。
下面对本申请实施例中涉及的部分概念进行介绍。
资源:表示网络中可以向外界发布、传递、储存的信息内容,例如广告、商品、视频、歌曲等。
对象网络和社区:对象网络是由多个节点(对象)组成的网络,该网络中节点与节点之间的连接关系是基于相应对象的属性是否存在一定联系确定的。对象网络由不同大小的社区构成,给定一个对象网络时,其中具有相似属性的节点构成的子图称为社区。本申请实施例中涉及了初始对象网络、中间对象网络、目标对象网络和候选对象网络,其中,基于变换策略处理,由初始对象网络得到中间对象网络,基于节点合并策略处理,由中间对象网络获得目标对象网络,基于网络还原处理,由目标对象网络获得候选对象网络。
对象属性特征:包括用于表征对象个体特有属性的局部特征,和用于表征对象之间共有属性的全局特征。例如,性别、特有爱好等属于局部特征,共同的爱好、共同的好友等属于全局特征。
社区发现:给定一个对象网络,找出各个社区的过程。例如,一个产业园区各员工的认识属性,同一个公司的员工大部分彼此相互认识,而公司与公司之间的员工相互认识的不多,根据认识属性,每个公司就是一个社区,从而找到各个社区。在本申请中,可基于该技术将对象网络中的某一对象及与该对象有直接联系的对象,或者将对象及与该对象存在某种相似关系的对象划分为同一社区,进而推荐相同的资源。
邻接矩阵:表示顶点之间相邻关系的矩阵。例如,对于包含N个对象的对象网络,则用N×N的邻接矩阵来表示,其中,如果两个对象之间有一定的联系,则在邻接矩阵中相应的位置设为1,反之则为0。
变换策略:预设的矩阵变换策略,用于将邻接矩阵进行矩阵变换。例如,可以采用模块度函数、欧式距离函数等进行矩阵变换,以在邻接矩阵中存在大量的数据0导致计算困难的情况下,通过矩阵变换,将数据0转换为非0的数据(如0~1之间的小数),解决了大量0导致的稀疏性带来的计算困难。
节点合并策略:预设的节点合并策略,用于将对象网络中的对象属性特征相似的对应节点进行合并。例如,可以采用将共同邻居的节点合并。
以下结合说明书附图对本申请的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面结合上述描述的应用场景,参考附图来描述本申请示例性实施方式提供的资源推荐方法,需要注意的是,上述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式在此方面不受任何限制。
参阅图1所示,其为本申请实施例的应用场景示意图。该应用场景图中包括两个终端设备110和一个服务器120。
在本申请实施例中,终端设备110包括但不限于手机、平板电脑、笔记本电脑、台式电脑、电子书阅读器、智能语音交互设备、智能家电、车载终端等设备;终端设备上可以安装有资源推荐相关的客户端,该客户端可以是软件(例如浏览器、视频软件、购物软件、音乐软件等),也可以是网页、小程序等,服务器120则是与软件或是网页、小程序等相对应的后台服务器,或者是专门用于进行资源推荐的服务器,本申请不做具体限定。服务器120可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是,本申请各实施例中的资源推荐方法可以由电子设备执行,该电子设备可以为终端设备110或者服务器120,即,该方法可以由终端设备110或者服务器120单独执行,也可以由终端设备110和服务器120共同执行。
在一种可选的实施方式中,终端设备110与服务器120之间可以通过通信网络进行通信。
在一种可选的实施方式中,通信网络是有线网络或无线网络。
需要说明的是,图1所示只是举例说明,实际上终端设备和服务器的数量不受限制,在本申请实施例中不做具体限定。
参阅图2所示,其为本申请实施例提供的一种资源推荐方法的实施流程图,以终端设备为执行主体为例,该方法的具体实施流程包括如下S21-S24:
S21:终端设备获取基于多个对象构建的初始对象网络。
其中,初始对象网络中的每个节点对应一个对象,每两个节点之间的连接关系是基于初始对象网络的对象属性特征确定的。
在本申请实施例中,不同应用场景下,对象(如用户)也不相同。如TV网络场景下,对象可以是开通电视的用户;短视频网络场景下,对象可以是注册该短视频软件的用户;商品购物网络场景下,对象可以是注册该商品购物软件的用户。相应的,资源可以是用户观看电视时,可推荐的广告、节目;用户浏览短视频软件时,可推荐的短视频、广告;还可以是进行电视购物时,可推荐的商品等等。
需要说明的是,上述所列举的TV网络场景、短视频网络场景和商品购物网络场景等只是简单说明,本文不做具体限定。下文主要是以TV网络场景下的广告推荐为例进行详细介绍:
具体地,初始对象网络的对象属性特征表征的是该网络中各对象的基本信息相关的属性,考虑到对象网络中有很多的用户,这些用户之间可能会有部分用户存在一定的相似性,基于此,一种可选的实施方式为,对象属性特征包括但不限于:局部特征和全局特征。其中,局部特征用于表征对象个体特有属性,例如性别、特有爱好等。全局特征用于表征对象之间共有属性,例如共同的爱好、共同的好友等。
参阅图3所示,其为本申请实施例中的一种初始对象网络的示意图。该示意图中的节点有10个,分别为节点1-节点10,其中节点1和节点2之间存在一条边,表征节点1和节点2之间有连接关系,节点2和节点3之间不存在边,表征节点2和节点3之间没有连接关系,…,以此类推即可。
需要说明的是,上述所列的初始对象网络节点数为10只是举例说明,本文不做具体限定。
本申请中,在基于初始对象网络的对象属性特征,确定初始对象网络中每两个节点之间的连接关系时,一种可选的实施方式如下:
对于任意两个对象,若基于局部特征或全局特征,确定这两个对象之间存在至少一种对象属性相关,则表征这两个对象对应的节点之间具有连接关系。
在本申请实施例中,对象属性相关表征对象属性之间有一定联系,具体地,属性相关可以指两个对象的某一属性完全相同,例如观看电视广告的用户都是男性;还可以指两个对象的某一属性相似,即在一定的范围内属性相似。例如观看电视广告的用户都是青年人,属于同一年龄范围;等等。
仍以图3所示为例,其中节点1和节点2存在连接关系是因为观看电视广告的节点1和节点2都是青年人。
在上述方式中,基于对象属性特征,可以区分对象对应的节点之间是否有联系。
S22:基于预设的变换策略,将初始对象网络对应的邻接矩阵进行矩阵转换,并基于转换后的邻接矩阵,获得与初始对象网络对应的中间对象网络。
其中,中间对象网络的节点数量少于初始对象网络。初始对象网络对应的邻接矩阵可记作A,转换后的邻接矩阵可记作A’。
在本申请实施例中,预设的变换策略包括但不限于模块度函数变换、欧氏距离函数变换等。以模块度函数为例,该函数是一种衡量网络社区结构强度的方法,可以具有多种计算公式,下面以某一种模块度公式为例:
其中,Q表示模块度函数;对于无向网络来说m表示网络中所有边的权值之和,如果是有向网络,则是网络中所有边权值和的一半;Aij代表节点i和节点j之间边的权值;Ki表示所有指向节点i的边的权值和;δ(Ci,Cj)表示如果节点i和节点j在同一个社区内,那么δ(Ci,Cj)等于1;否则等于0。
在本申请实施例中,节点i和节点j有一定的联系,则对应的权值为1,反之则为0。如,以节点1和节点2为例,这两个节点存在连接关系,对应的权值A12为1;以节点2和节点3为例,这两个节点不存在连接关系,对应的权值A23为0;以此类推即可。
需要说明的是,上述所列的模块度函数变换策略只是举例说明,本文不做具体限定。此外,本申请实施例中的对象网络可以是无向网络,也可以是有向网络,可根据实际应用场景灵活设定,本文不做具体限定。
可选的,对于初始对象网络中的每个节点,分别执行以下操作:从转换后的邻接矩阵中确定与一个节点对应的各目标元素;将各目标元素中的最大值对应的其他节点与一个节点进行合并;进而,将对初始对象网络进行节点合并后的网络,作为中间对象网络。
其中,每个目标元素表征一个节点与相连的一个其他节点之间的关联紧密度。
在本申请实施例中,关联紧密度表征对象网络中的节点与节点之间的联系强度,关联紧密度越大,表征节点与节点之间联系强度越大。
基于上述公式中的Q,可将A转换为A’,A’中的数据都是0-1之间的小数,而A中的数据都是0或者1,通过该转换,避免了邻接矩阵A造成的稀疏性问题。仍以图3所示为例,节点1和节点2之间权值为1,节点1和节点3之间权值为1,节点1和节点4之间权值为1,假设通过模块度函数公式计算,可以获得节点1和节点2之间的关联紧密度A’12=0.8,节点1和节点3之间的关联紧密度A’13=0.7,节点1和节点4之间的关联紧密度A’14=0.6,基于此,获得节点1和节点2之间的关联紧密度大于节点1和节点3之间的关联紧密度,且大于节点1和节点4之间的关联紧密度,节点1和节点2之间联系强度更大。
在本申请实施例中,节点合并表征某一节点和与其有联系的节点之间,选择一个与该节点联系强度最大的节点进行合并,基于此,节点1和节点2进行合并,形成一个新的节点,可称作超节点。上述方式中,可以通过Q进行节点与节点的融合成一个超节点,从而缩小网络规模。
参阅图4所示,其为本申请实施例中的一种中间对象网络的示意图。该图是由初始对象网络基于模块度函数变换,获得的中间对象网络,图中节点1’,即是由节点1和节点2合并获得,节点5’,即是由节点5和节点10合并获得,节点6’,即是由节点6和节点7合并获得,节点8’,即是由节点8和节点9合并获得。
在上述方式中,基于预设的变换策略,将初始对象网络对应的邻接矩阵进行矩阵变换,并基于转换后的邻接矩阵,获得了中间对象网络,解决了大量0导致的稀疏性带来的计算困难,同时可以反映出对象之间的相关性。
S23:基于预设的节点合并策略,对中间对象网络进行至少一次节点合并处理,获得至少一个与初始对象网络对应的目标对象网络。
其中,目标对象网络的节点数量少于中间对象网络。
在本申请实施例中,预设的节点合并策略包括但不限于模块度增益策略、自定义合并策略等。其中,自定义合并策略即根据实际需求自行设定的节点合并策略,本文中以共同邻居节点合并策略为例:
如果节点i和节点j都具有相同的邻居p,则可将节点i和节点j合并为一个节点。
可选的,基于上述列举的共同邻居节点合并策略,对中间对象网络进行至少一次节点合并处理,获得至少一个与初始对象网络对应的目标对象网络时,每次节点合并处理都可执行以下过程:
将当前待合并的对象网络中,具有共同邻居的至少两个节点进行合并,并将合并后的对象网络作为一个目标对象网络。
其中,第一次节点合并处理过程中,当前待合并的对象网络为中间对象网络;之后每一次节点合并处理过程中,当前待合并的对象网络为上一次合并获得的目标对象网络。
仍以图4所示为例,节点1’和节点3具有共同的邻居节点4,节点1’和节点3合并,获得节点13’。对于图4所示的中间对象网络,基于上述所列举的共同邻居节点,节点合并后,可获得目标对象网络。
参阅图5a所示,其为本申请实施例中的第一种目标对象网络的示意图,其中中间对象网络G’中节点1’和节点3经过一次节点合并后,获得目标对象网络G1。
在图5a的基础上,第一次目标对象网络经过一次节点合并,获得第二次目标对象网络,参阅图5b所示,其为本申请实施例中的第二种目标对象网络的示意图,其中目标对象网络G1中节点6’和节点8’经过一次节点合并后,获得目标对象网络G2。
具体地,在本申请实施例中,目标对象网络表征是由中间对象网络经过预设的节点合并策略获得的,将中间对象网络进行多次节点合并,可获得一系列目标对象网络G1,G2,G3,...,Gn,(G1>G2>...>Gi...>Gn)。其中,中间对象网络用G’表示,G’经过一次节点合并,获得目标对象网络G1;G1经过一次节点合并,获得目标对象网络G2;G2经过一次节点合并,获得目标对象网络G3…,以此类推即可。
参阅图6所示,其为本申请实施例中的一种节点合并的示意图。以待合并的对象网络为G’例,图6列举了对G’经过了4次节点合并,获得相应的目标对象网络的过程,G’经过第一次节点合并,获得G1;G1经过第二次节点合并,获得G2;G2经过第三次节点合并,获得G3;G3经过第四次节点合并,获得G4;基于此,对象网络经多次节点合并后,网络规模逐步缩小。
需要说明的是,上述所列的目标对象网络只是举例说明,本文不做具体限定。
在上述方式中,基于预设的节点合并策略,对中间网络进行节点合并处理,获得目标对象网络,使其网络规模逐步减小,并且能够很大程度上保留了对象属性特征,降低了因网络规模的减小而造成的网络信息丢失。
S24:基于中间对象网络与目标对象网络中的至少一种,进行社区划分,并根据社区划分结果进行资源推荐。
在本申请实施例中,社区划分表征根据对象属性特征,将对象网络中的节点划分成一个个社区。例如,TV网络对象中,可以将对象划分成青年人社区、中年人社区等。
可选的,基于中间对象网络与目标对象网络中的至少一种,对多个对象进行社区划分,包括以下至少一种:
对象网络选择方式一、将中间对象网络进行社区划分;
若对象网络中的对象数量较多,处于第二数量区间时,可以对中间对象网络进行社区划分。
对象网络选择方式二、将任意一个目标对象网络进行社区划分;
若对象网络中的对象数量更多,处于第三数量区间时,可以对目标对象网络进行社区划分。
对象网络选择方式三、将任意一个目标对象网络进行至少一次网络还原处理,并将任意一个还原获得到的候选对象网络进行社区划分。
若对象网络中的对象数量超级多,处于第四数量区间时,可以对候选对象网络进行社区划分。
其中,在对任意一个对象网络进行社区划分时,具体可采用如下规则:以TV对象网络为例,根据是否具有相同兴趣爱好属性特征,进行社区划分,划分了3个社区,其中,社区1表征观看电视的用户中喜欢观看体育节目的用户,社区2表征观看电视的用户中喜欢观看儿童节目的用户,社区3表征观看电视的用户中喜欢观看电视广告的用户。
需要说明的是,上述所列的对象网络社区划分只是简单的举例说明,本文不做具体限定。
参阅图7所示,其为本申请实施例中的一种社区划分方式的示意图,其中初始方式,即对象网络中的对象数量较少,处于第一数量区间时,直接对初始对象网络进行社区划分。
上述所列举的第一数量区间至第四数量区间是依次增大的,如第一数量区间表示1千以内;第二数量区间表示1千至1万以内,第三数量区间表示1万至100万以内,第四数量区间表示100万以上。
需要说明的是,上述数量区间的划分只是简单的举例说明,任何一种区间划分方式都适用于本申请实施例,在此不再一一赘述。
可选的,将任意一个目标对象网络进行至少一次网络还原处理时,可基于深度学习模型来实现:
在基于深度学习模型,对任意一个目标对象网络进行至少一次网络还原处理时,每次还原处理都可执行以下过程:
获取以当前待还原的对象网络的节点表示作为深度学习模型的输入时,深度学习模型输出的节点表示,并将基于输出的节点表示确定的对象网络作为一个候选对象网络。
其中,第一次网络还原处理过程中,当前待还原的对象网络为任意一个目标对象网络;之后每一次网络还原处理过程中,当前待还原的对象网络为上一次还原获得的候选对象网络。
在本申请实施例中,网络还原处理表征用深度学习模型将目标对象网络还原成上一层网络,上一层网络,即候选对象网络。深度学习模型,以GCN模型为例:
将Gi层网络节点的表示作为第G’i-1层网络节点的预表示,经过GCN模型的处理后,得到G’i-1层网络节点的真实表示,进一步,将G’i-1层网络的节点表示作为G’i-2层网络节点的预表示。
参阅图8所示,其为本申请实施例中的一种网络还原的示意图,以待还原的对象网络G4为例,图8列举了对G4经过了3次网络还原,获得相应的候选对象网络的过程,G4经过第一次网络还原,获得G’3;G’3经过第二次网络还原,获得G’2;G’2经过第三次网络还原,获得G’1;对象网络经多次网络还原后,网络规模逐步扩大。
需要说明的是,上述所列的候选对象网络只是举例说明,本文不做具体限定。
具体地,仍以图5b所示为例,将目标对象网络G2进行网络还原处理,将目标对象网络G2层网络节点的表示作为第G’1层网络节点的预表示,经过GCN模型的处理后,得到G’1层网络节点的真实表示。还原的时候,可能还原的结果与该层目标对象网络完全相同,还可能有一些区别,但基本相似。
参考图9所示,以还原的结果与该层目标对象网络完全相同为例,目标对象网络G2还原得到的候选对象网络G’1,候选对象网络G’1和该层目标对象网络G1完全相同。
若初始对象网络中的对象数量超级多,相关技术不能够获得到该对象网络中的对象特征信息时,可将该对象网络基于节点合并策略获得一系列小规模的目标对象网络,获得到小规模的目标对象网络中的对象属性特征信息,进而,进行一系列的网络还原处理,从而获得候选对象网络中的对象属性特征信息。
在本申请实施例中,可以根据不同的实际应用场景,选择不同的对象网络进行社区划分,从而得出最优的划分结果。
下面结合图7所列举的几种方式,分别介绍各方式下对应的资源推荐流程:
若对象网络中的对象数量较少,处于第一数量区间时,可以直接对初始对象网络进行社区划分,即采用图7所示的初始方式。
对于图7所示的初始方式,参阅图10a所示,为本申请实施例中的一种资源推荐方法的具体实施流程示意图。该方法的具体实施流程如下:
步骤S1001a:获取初始对象网络;
步骤S1002a:基于社区划分模块,对该初始对象网络直接进行社区划分;
步骤S1003a:基于智能推荐模块,根据相应的社区划分结果进行资源推荐。
若对象网络中的对象数量较多,处于第二数量区间时,可以对中间对象网络进行社区划分,即采用图7所示的方式一。
对于图7所示的方式一,参阅图10b所示,为本申请实施例中的一种资源推荐方法的具体实施流程示意图。该方法的具体实施流程如下:
步骤S1001b:获取初始对象网络;
步骤S1002b:在初始对象网络预处理模块中,基于预设的变换策略,将初始对象网络对应的邻接矩阵进行矩阵转换,并基于转换后的邻接矩阵,获得中间对象网络;
步骤S1003b:基于社区划分模块,对该中间对象网络进行社区划分;
步骤S1004b:基于智能推荐模块,根据相应的社区划分结果进行资源推荐。
若对象网络中的对象数量更多,处于第三数量区间时,可以对目标对象网络进行社区划分,即采用图7所示的方式二。
对于图7所示的方式二,参阅图10c所示,为本申请实施例中的一种资源推荐方法的具体实施流程示意图。该方法的具体实施流程如下:
步骤S1001c:获取初始对象网络;
步骤S1002c:在初始对象网络预处理模块中,基于预设的变换策略,将初始对象网络对应的邻接矩阵进行矩阵转换,并基于转换后的邻接矩阵,获得中间对象网络;
步骤S1003c:基于预设的节点合并策略,对中间对象网络进行至少一次节点合并处理,获得至少一个目标对象网络;
步骤S1004c:基于社区划分模块,对任意一个目标对象网络进行社区划分;
步骤S1005c:基于智能推荐模块,根据相应的社区划分结果进行资源推荐。
若对象网络中的对象数量超级多,处于第四数量区间时,可以对候选对象网络进行社区划分,即采用图7所示的方式三。
对于图7所示的方式三,参阅图10d所示,为本申请实施例中的一种资源推荐方法的具体实施流程示意图。该方法的具体实施流程如下:
步骤S1001d:获取初始对象网络;
步骤S1002d:在初始对象网络预处理模块中,基于预设的变换策略,将初始对象网络对应的邻接矩阵进行矩阵转换,并基于转换后的邻接矩阵,获得中间对象网络;
步骤S1003d:基于预设的节点合并策略,对中间对象网络进行至少一次节点合并处理,获得至少一个目标对象网络;
步骤S1004d:将任意一个目标对象网络进行至少一次网络还原处理,获得至少一个候选对象网络;
步骤S1005d:基于社区划分模块,对任意一个候选对象网络进行社区划分;
步骤S1006d:基于智能推荐模块,根据相应的社区划分结果进行资源推荐。
在本申请实施例中,基于上述方式,能够有效提高资源推荐准确性。
基于相同的发明构思,本申请实施例还提供一种资源推荐装置。如图11所示,其为资源推荐装置1100的结构示意图,可以包括:
网络获取单元1101,用于获取基于多个对象构建的初始对象网络,初始对象网络中的每个节点对应一个对象,每两个节点之间的连接关系是基于初始对象网络的对象属性特征确定的;
网络转换单元1102,用于基于预设的变换策略,将初始对象网络对应的邻接矩阵进行矩阵转换,并基于转换后的邻接矩阵,获得与初始对象网络对应的中间对象网络;中间对象网络的节点数量都少于初始对象网络;
节点合并单元1103,用于基于预设的节点合并策略,对中间对象网络进行至少一次节点合并处理,获得至少一个与初始对象网络对应的目标对象网络;目标对象网络的节点数量少于中间对象网络;
资源推荐单元1104,用于基于中间对象网络与目标对象网络中的至少一种,进行社区划分,并根据社区划分结果进行资源推荐。
可选的,对象属性特征包括:用于表征对象个体特有属性的局部特征,用于表征对象之间共有属性的全局特征;
网络获取单元1101具体用于通过下列方式确定初始对象网络中每两个节点之间的连接关系:
对于任意两个对象,若基于局部特征或全局特征,确定两个对象之间存在至少一种对象属性相关,则两个对象对应的节点之间具有连接关系。
可选的,网络转换单元1102具体用于:
对于初始对象网络中的每个节点,分别执行以下操作:从转换后的邻接矩阵中确定与一个节点对应的各目标元素;将各目标元素中的最大值对应的其他节点与一个节点进行合并;其中,每个目标元素表征一个节点与相连的一个其他节点之间的关联紧密度;
将对初始对象网络进行节点合并后的网络,作为中间对象网络。
可选的,预设的节点合并策略为共同邻居节点合并策略;
节点合并单元1103具体用于:
基于共同邻居节点合并策略,对中间对象网络进行至少一次节点合并处理,其中,每次节点合并处理执行以下过程:
将当前待合并的对象网络中,具有共同邻居的至少两个节点进行合并,并将合并后的对象网络作为一个目标对象网络;
其中,第一次节点合并处理过程中,当前待合并的对象网络为中间对象网络;之后每一次节点合并处理过程中,当前待合并的对象网络为上一次合并获得的目标对象网络。
可选的,资源推荐单元1104具体用于以下至少一种:
将中间对象网络进行社区划分;
将任意一个目标对象网络进行社区划分;
将任意一个目标对象网络进行至少一次网络还原处理,并将任意一个还原获得的候选对象网络进行社区划分。
可选的,将任意一个目标对象网络进行至少一次网络还原处理,资源推荐单元1104具体用于:
基于深度学习模型,对任意一个目标对象网络进行至少一次网络还原处理,其中,每次还原处理执行以下过程:
获取以当前待还原的对象网络的节点表示作为深度学习模型的输入时,深度学习模型输出的节点表示,并将基于输出的节点表示确定的对象网络作为一个候选对象网络;
其中,第一次网络还原处理过程中,当前待还原的对象网络为任意一个目标对象网络;之后每一次网络还原处理过程中,当前待还原的对象网络为上一次还原获得的候选对象网络。
为了描述的方便,以上各部分按照功能划分为各模块(或单元)分别描述。当然,在实施本申请时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
在介绍了本申请示例性实施方式的资源推荐方法和装置之后,接下来,介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
与上述方法实施例基于同一发明构思,本申请实施例中还提供了一种电子设备。在该实施例中,电子设备的结构可以如图12所示,包括存储器1201,通讯模块1203以及一个或多个处理器1202。
存储器1201,用于存储处理器1202执行的计算机程序。存储器1201可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统,以及运行即时通讯功能所需的程序等;存储数据区可存储各种即时通讯信息和操作指令集等。
存储器1201可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器1201也可以是非易失性存储器(non-volatilememory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD);或者存储器1201是能够用于携带或存储具有指令或数据结构形式的期望的计算机程序并能够由计算机存取的任何其他介质,但不限于此。存储器1201可以是上述存储器的组合。
处理器1202,可以包括一个或多个中央处理单元(central processing unit,CPU)或者为数字处理单元等等。处理器1202,用于调用存储器1201中存储的计算机程序时实现上述寄存器应用信息生成方法。
通讯模块1203用于与终端设备和其他服务器进行通信。
本申请实施例中不限定上述存储器1201、通讯模块1203和处理器1202之间的具体连接介质。本申请实施例在图12中以存储器1201和处理器1202之间通过总线1204连接,总线1204在图12中以粗线描述,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线1204可以分为地址总线、数据总线、控制总线等。为便于描述,图12中仅用一条粗线描述,但并不描述仅有一根总线或一种类型的总线。
存储器1201中存储有计算机存储介质,计算机存储介质中存储有计算机可执行指令,计算机可执行指令用于实现本申请实施例的资源推荐方法。处理器1202用于执行上述的资源推荐方法,如图2所示。
下面参照图13来描述根据本申请的这种实施方式的计算装置1300。图13的计算装置1300仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图13,计算装置1300以通用计算装置的形式表现。计算装置1300的组件可以包括但不限于:上述至少一个处理单元1301、上述至少一个存储单元1302、连接不同系统组件(包括存储单元1302和处理单元1301)的总线1303。
总线1303表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元1302可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储单元1302还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置1300也可以与一个或多个外部设备1304(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与计算装置1300交互的设备通信,和/或与使得该计算装置1300能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1305进行。并且,计算装置1300还可以通过网络适配器1306与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图13所示,网络适配器1306通过总线1303与用于计算装置1300的其它模块通信。应当理解,尽管图中未表示出,可以结合计算装置1300使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本申请提供的资源推荐方法的各个方面还可以实现为一种程序产品的形式,其包括计算机程序,当程序产品在电子设备上运行时,计算机程序用于使电子设备执行本说明书上述描述的根据本申请各种示例性实施方式的资源推荐方法中的步骤,例如,电子设备可以执行如图2中所示的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括计算机程序,并可以在计算装置上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被命令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的计算机程序,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。计算机程序可以完全地在用户计算装置上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算装置上部分在远程计算装置上执行、或者完全在远程计算装置或服务器上执行。在涉及远程计算装置的情形中,远程计算装置可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算装置,或者,可以连接到外部计算装置(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请可采用在一个或多个其中包含有计算机可用计算机程序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。
本申请是参照根据本申请实施例的方法、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命令实现流程图和/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命令到通用计算机、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命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。
这些计算机程序命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命令产生包括命令装置的制造品,该命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。
这些计算机程序命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命令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种资源推荐方法,其特征在于,该方法包括:
获取基于多个对象构建的初始对象网络,所述初始对象网络中的每个节点对应一个对象,每两个节点之间的连接关系是基于所述初始对象网络的对象属性特征确定的;
基于预设的变换策略,将所述初始对象网络对应的邻接矩阵进行矩阵转换,并基于转换后的邻接矩阵,获得与所述初始对象网络对应的中间对象网络;所述中间对象网络的节点数量少于所述初始对象网络;
基于预设的节点合并策略,对所述中间对象网络进行至少一次节点合并处理,获得至少一个与所述初始对象网络对应的目标对象网络;所述目标对象网络的节点数量少于所述中间对象网络;
基于所述中间对象网络与所述目标对象网络中的至少一种,进行社区划分,并根据社区划分结果进行资源推荐。
2.如权利要求1所述的方法,其特征在于,所述对象属性特征包括:用于表征对象个体特有属性的局部特征,用于表征对象之间共有属性的全局特征;
通过下列方式确定所述初始对象网络中每两个节点之间的连接关系:
对于任意两个对象,若基于所述局部特征或所述全局特征,确定所述两个对象之间存在至少一种对象属性相关,则所述两个对象对应的节点之间具有连接关系。
3.如权利要求1所述的方法,其特征在于,所述基于转换后的邻接矩阵,获得与所述初始对象网络对应的中间对象网络,包括:
对于所述初始对象网络中的每个节点,分别执行以下操作:从转换后的邻接矩阵中确定与一个节点对应的各目标元素;将各目标元素中的最大值对应的其他节点与所述一个节点进行合并;其中,每个目标元素表征所述一个节点与相连的一个其他节点之间的关联紧密度;
将对所述初始对象网络进行节点合并后的网络,作为所述中间对象网络。
4.如权利要求1所述的方法,其特征在于,所述预设的节点合并策略为共同邻居节点合并策略;
所述基于预设的节点合并策略,对所述中间对象网络进行至少一次节点合并处理,获得至少一个与所述初始对象网络对应的目标对象网络,包括:
基于所述共同邻居节点合并策略,对所述中间对象网络进行至少一次节点合并处理,其中,每次节点合并处理执行以下过程:
将当前待合并的对象网络中,具有共同邻居的至少两个节点进行合并,并将合并后的对象网络作为一个目标对象网络;
其中,第一次节点合并处理过程中,所述当前待合并的对象网络为所述中间对象网络;之后每一次节点合并处理过程中,所述当前待合并的对象网络为上一次合并获得的目标对象网络。
5.如权利要求1~4任一项所述的方法,其特征在于,所述基于所述中间对象网络与所述目标对象网络中的至少一种,对所述多个对象进行社区划分,包括以下至少一种:
将所述中间对象网络进行社区划分;
将任意一个目标对象网络进行社区划分;
将任意一个目标对象网络进行至少一次网络还原处理,并将任意一个还原获得的候选对象网络进行社区划分。
6.如权利要求5所述的方法,其特征在于,所述将任意一个目标对象网络进行至少一次网络还原处理,包括:
基于深度学习模型,对所述任意一个目标对象网络进行至少一次网络还原处理,其中,每次还原处理执行以下过程:
获取以当前待还原的对象网络的节点表示作为所述深度学习模型的输入时,所述深度学习模型输出的节点表示,并将基于所述输出的节点表示确定的对象网络作为一个候选对象网络;
其中,第一次网络还原处理过程中,所述当前待还原的对象网络为所述任意一个目标对象网络;之后每一次网络还原处理过程中,所述当前待还原的对象网络为上一次还原获得的候选对象网络。
7.一种资源推荐装置,其特征在于,该装置包括:
网络获取单元,用于获取基于多个对象构建的初始对象网络,所述初始对象网络中的每个节点对应一个对象,每两个节点之间的连接关系是基于所述初始对象网络的对象属性特征确定的;
网络转换单元,用于基于预设的变换策略,将所述初始对象网络对应的邻接矩阵进行矩阵转换,并基于转换后的邻接矩阵,获得与所述初始对象网络对应的中间对象网络;所述中间对象网络的节点数量都少于所述初始对象网络;
节点合并单元,用于基于预设的节点合并策略,对所述中间对象网络进行至少一次节点合并处理,获得至少一个与所述初始对象网络对应的目标对象网络;所述目标对象网络的节点数量少于所述中间对象网络;
资源推荐单元,用于基于所述中间对象网络与所述目标对象网络中的至少一种,进行社区划分,并根据社区划分结果进行资源推荐。
8.一种电子设备,其特征在于,其包括处理器和存储器,其中,所述存储器存储有计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~6中任一所述方法的步骤。
9.一种计算机可读存储介质,其特征在于,其包括计算机程序,当所述计算机程序在电子设备上运行时,所述计算机程序用于使所述电子设备执行权利要求1~6中任一所述方法的步骤。
10.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序存储在计算机可读存储介质中;当电子设备的处理器从所述计算机可读存储介质读取所述计算机程序时,所述处理器执行所述计算机程序,使得所述电子设备执行权利要求1~6中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211372848.8A CN115545851A (zh) | 2022-10-31 | 2022-10-31 | 一种资源推荐方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211372848.8A CN115545851A (zh) | 2022-10-31 | 2022-10-31 | 一种资源推荐方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115545851A true CN115545851A (zh) | 2022-12-30 |
Family
ID=84721093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211372848.8A Pending CN115545851A (zh) | 2022-10-31 | 2022-10-31 | 一种资源推荐方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545851A (zh) |
-
2022
- 2022-10-31 CN CN202211372848.8A patent/CN115545851A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002488B (zh) | 一种基于元路径上下文的推荐模型训练方法及装置 | |
CA3007853C (en) | End-to-end deep collaborative filtering | |
Huang et al. | Social friend recommendation based on multiple network correlation | |
Costa-Montenegro et al. | Which App? A recommender system of applications in markets: Implementation of the service for monitoring users’ interaction | |
US20180020250A1 (en) | Recommendation information pushing method, server, and storage medium | |
Xu et al. | Integrated collaborative filtering recommendation in social cyber-physical systems | |
US20170206276A1 (en) | Large Scale Recommendation Engine Based on User Tastes | |
CN110909182A (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
Qi et al. | Time‐aware IoE service recommendation on sparse data | |
CN112989169B (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
CN112989146B (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
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 | |
Khan et al. | Collaborative filtering based online recommendation systems: A survey | |
CN111104599A (zh) | 用于输出信息的方法和装置 | |
Roy et al. | Genre based hybrid filtering for movie recommendation engine | |
Mekouar et al. | A survey on blockchain-based Recommender Systems: Integration architecture and taxonomy | |
CN114943279A (zh) | 招投标合作关系的预测方法、设备及系统 | |
Zhao et al. | Tag‐Aware Recommender System Based on Deep Reinforcement Learning | |
CN109829593B (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
CN103678548A (zh) | 基于组合模式的失效服务替代推荐方法 | |
Zheng et al. | Incorporating price into recommendation with graph convolutional networks | |
CN116541608B (zh) | 房源推荐方法、装置、电子设备及存储介质 | |
CN115545851A (zh) | 一种资源推荐方法、装置、电子设备和存储介质 | |
Sun et al. | QoS prediction for Web service in Mobile Internet environment | |
Wang et al. | A Tri‐Attention Neural Network Model‐BasedRecommendation |
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 |