CN115660779A - 信息分享处理方法、装置、设备及存储介质 - Google Patents
信息分享处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115660779A CN115660779A CN202211328249.6A CN202211328249A CN115660779A CN 115660779 A CN115660779 A CN 115660779A CN 202211328249 A CN202211328249 A CN 202211328249A CN 115660779 A CN115660779 A CN 115660779A
- Authority
- CN
- China
- Prior art keywords
- sharing
- user
- information
- target
- shared
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种信息分享处理方法、装置、设备及存储介质,在本申请实施例中,首创性地建模用户之间非对称的分享交互关系,能够同时将时间信息和非对称的分享关系耦合起来,分别聚合分享用户和候选被分享用户各自在分享和接收两个方向上的历史邻居用户信息,用来生成相应用户此时的分享表征信息,以及被分享对象的分享表征信息,接着,基于这些分享表征信息预测分享用户在分享时刻向候选被分享用户分享目标对象的分享概率,最后基于分享概率进行信息分享。由此,自动地为分享用户推荐对所需分享的目标对象较为感兴趣的被分享用户,降低了信息分享的繁琐程度,提高了信息分享效率和用户体验。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种信息分享处理方法、装置、设备及存储介质。
背景技术
近些年来,电商平台逐渐集成了一些社交功能,例如商品分享功能,即用户通过电商平台不仅可以浏览、购买商品,还可以将自己喜欢的商品分享给自己的朋友,实现与朋友之间的信息互动。目前,电商平台会在商品详情页面上提供分享入口,用户点击该分享入口进入分享页面,在该分享页面上显示有第三方应用的图标,用户点击第三方应用的图标跳转至第三方应用的用户列表页面,然后在该页面中选择想要分享的目标用户,电商平台将商品信息分享给被选择的目标用户。
电商平台现有的信息分享操作较为繁琐,路径较长,而且在用户列表页面中选择目标用户也要花费一定时间,信息分享效率较低,用户体验较差。
发明内容
本申请的多个方面提供一种信息分享处理方法、装置、设备及存储介质,用以降低信息分享的繁琐程度,提高信息分享效率和用户体验。
本申请实施例提供一种信息分享处理方法,包括:响应目标分享用户在t时刻针对目标对象发起的信息分享请求,根据历史分享行为数据,分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息;根据目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,生成目标分享用户和候选被分享用户各自在t时刻的分享表征信息,以及根据目标对象的历史邻居信息生成目标对象在t时刻的分享表征信息;根据目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息,预测目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率;根据分享概率,将候选被分享用户中的目标被分享用户的信息提供给目标分享用户,以使目标分享用户向目标被分享用户分享目标对象。
本申请实施例还提供一种信息分享处理装置,包括:邻居信息获取模块,用于响应目标分享用户在t时刻针对目标对象发起的信息分享请求,根据历史分享行为数据,分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息;表征信息生成模块,用于根据目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,生成目标分享用户和候选被分享用户各自在t时刻的分享表征信息,以及根据目标对象的历史邻居信息生成目标对象在t时刻的分享表征信息;分享概率预测模块,用于根据目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息,预测目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率;用户信息推荐模块,用于根据分享概率,将候选被分享用户中的目标被分享用户的信息提供给目标分享用户,以使目标分享用户向目标被分享用户分享目标对象。
本申请实施例还提供一种计算机设备,包括:存储器和处理器;存储器,用于存储计算机程序,处理器与存储器耦合,用于执行计算机程序,以用于实现信息分享处理方法中的步骤。
本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,当计算机程序被处理器执行时,致使处理器能够实现信息分享处理方法中的步骤。
在本申请实施例中,首创性地建模用户之间非对称的分享交互关系,能够同时将时间信息和非对称的分享关系耦合起来,分别聚合分享用户和候选被分享用户各自在分享和接收两个方向上的历史邻居用户信息,用来生成相应用户此时的分享表征信息,以及被分享对象的分享表征信息,接着,基于这些分享表征信息预测分享用户在分享时刻向候选被分享用户分享目标对象的分享概率,最后基于分享概率锁定目标被分享用户并进行信息分享。由此,充分考虑用户的分享偏好随着时间变化的特性,同时考虑用户当前的分享意愿和接收意愿,自动地为分享用户推荐对所需分享的目标对象较为感兴趣的被分享用户,有利于缩短搜索被分享用户的时间,降低了信息分享的繁琐程度,提高了信息分享效率和用户体验。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种应用场景示意图;
图2为本申请实施例提供的一种信息分享处理方法的流程图;
图3为本申请实施例提供的另一种应用场景示意图;
图4为本申请实施例提供的另一种信息分享处理方法的流程图;
图5为本申请实施例提供的一种信息分享处理装置的结构示意图;
图6为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的访问关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。在本申请的文字描述中,字符“/”一般表示前后关联对象是一种“或”的关系。此外,在本申请实施例中,“第一”、“第二”、“第三”、“第四”、“第五”以及“第六”只是为了区分不同对象的内容而已,并无其它特殊含义。
首先,对本申请实施例涉及的一些名词进行解释:
TDG(Time Dynamic Graph,时间动态图):是一种带有时间属性随时间变化的动态图,图中的节点和边均具有时间属性,边和节点可能出现和消失。假设定义图记为G=(V,E),V={(v,ts,te)}。v是图中的节点,E是图中的边,ts是节点v出现的时间点,te是节点v消失的时间点,ts≤te。E={(u,v,ts *,te *)},其中,u∈V,v∈V,ts *是连接节点u和节点v的边出现的时间点,te *是连接节点u和节点v的边消失的时间点。
CTDG(Continuous Time Dynamic Graph,连续时间动态图):是一种能够建模细粒度时间信息的时间动态图。假设定义图记为G=(V,E,T),V是多个节点组成的节点集合,E是多条边组成的边集合,T:E→R+,T是将E中的每条边映射到对应的时间戳的函数,可以以最细的时间粒度为E中的每条边分配一个时间戳t∈R+,R+为实数,这样的图G被称为CTDG。
TTP(Temporal Point Process,时序点过程):由连续时间域上的一系列(带标值)事件构成的随机过程。
GAT(Graph Attention Network,图注意力网络):利用注意力机制来对不同的邻居节点分配不同的权重,再根据此权重聚合邻居信息。
GRU(Gate Recurrent Unit,门控循环单元),是一种为了解决长期记忆和反向传播过程中的梯度消失问题所提出的一种循环神经网络。
时序注意力网络是一种基于时序机制的注意力网络,例如为基于时序的GAT。
目前,电商平台现有的信息分享操作较为繁琐,路径较长,而且在用户列表页面中选择目标用户也要花费一定时间,信息分享效率较低,用户体验较差。为此,在本申请一些实施例中,首创性地建模用户之间非对称的分享交互关系,能够同时将时间信息和非对称的分享关系耦合起来,分别聚合分享用户和候选被分享用户各自在分享和接收两个方向上的历史邻居用户信息,用来生成相应用户此时的分享表征信息,以及被分享对象的分享表征信息,接着,基于这些分享表征信息预测分享用户在分享时刻向候选被分享用户分享目标对象的分享概率,最后基于分享概率锁定目标被分享用户并进行信息分享。由此,充分考虑用户的分享偏好随着时间变化的特性,自动地为分享用户推荐对所需分享的目标对象较为感兴趣的被分享用户,有利于缩短搜索被分享用户的时间,降低了信息分享的繁琐程度,提高了信息分享效率和用户体验。
图1为本申请实施例提供的一种应用场景示意图。请参照图1,在该应用场景中,终端设备10可以通过有线网络、或者无线网络与服务器30进行交互。例如,有线网络可以包括同轴电缆、双绞线和光纤等,无线网络可以是2G网络、3G网络、4G网络或者5G网络、无线保真(Wireless Fidelity,简称WIFI)网络等。本申请对交互的具体类型或者具体形式并不做限定,只要其能够实现终端设备10与服务器30交互的功能即可。可选的,终端设备例如包括但不限于手机、平板电脑、笔记本电脑、可穿戴设备、车载设备。服务器例如包括但不限于常规服务器、云服务器、各种具有计算处理能力的服务器实例(例如虚拟机、容器等)、服务器阵列或者是由多个服务器组成的分布式服务器集群。应当理解的是,图1中的终端设备和服务器的数量仅仅是示意性的。
在图1所示应用场景中,以用户通过电商应用向其它用户分享其浏览到的商品对象为例。用户打开其终端设备上安装的由电商平台提供的购物App(application,应用程序),进入商品信息页面并浏览商品的图文等相关信息。该商品信息页面可以是购物App的首页面、商品详情页面、店铺页面、购物车页面、评论页面等对此不做限定,凡是能够展示商品信息的页面均适用于本申请实施例。针对感兴趣的商品对象,参见图1中的①所示,分享用户点击商品信息页面上的分享控件,以触发将商品对象的访问链接(如统一资源定位符(Universal Resource Locator,URL))或图文等其它信息分享给其它用户的信息分享操作,终端设备响应用户发起的信息分享操作,向服务器发送信息分享请求。服务器响应信息分享请求,从候选被分享用户中选择分享概率较大的一些用户作为目标被分享用户,并将目标被分享用户的信息返回给终端设备,由终端设备将目标被分享用户的信息展示给分享用户,以使分享用户向这些目标被分享用户分享待分享商品的链接。可选地,候选被分享用户可以是分享用户的好友列表中的用户,服务器可以获取分享用户的好友列表并将好友列表中的全部或部分用户作为候选被分享用户。进一步可选地,服务器可以根据分享用户的历史行为数据分析好友列表中哪些用户与分享用户的历史行为较为接近或者兴趣偏好相近,将这些用户作为候选被分享用户,或者,也可以将好友列表中近期与分享用户互动频繁的一些用户作为候选被分享用户,或者,直接将好友列表中的全部用户均作为候选被分享用户。或者,候选被分享用户也可以是从分享用户的历史行为数据中获取到的与该分享用户存在分享关系的一些用户,既可以包括作为分享者向该分享用户分享过商品信息的用户,也包括作为被分享者被该分享用户分享过商品信息的用户。关于从分享用户的历史行为数据中获取候选被分享用户的方式可参见下述实施例,在此暂不详述。这些目标被分享用户是从候选被分享用户中选出的对所分享的商品较为感兴趣的部分用户。
具体而言,参见图1中的②所示,服务器首先执行历史邻居信息的聚合操作,可以得到分享用户、候选被分享用户以及所需分享的商品对象各自对应的在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息。需要说明的是,对于商品对象而言,其历史邻居信息既包括作为分享者分享过该商品对象的用户(即分享维度上的历史邻居信息),也包括作为被分享者接收该商品对象或其信息的用户(即接收维度上的历史邻居信息);但是,对于商品对象而言,其历史邻居信息同时包括在分享维度上的历史邻居信息,也包括在接收维度上的历史邻居信息,但无需对这两者进行区分,可以统一作为商品对象的历史邻居信息即可。接着,参见图1中的③所示,服务器执行分享表征信息的生成操作,得到分享用户、候选被分享用户以及所需分享的商品的分享表征信息;接着,参见图1中的④所示,服务器执行分享概率的预测操作,预测分享用户将所需分享的商品对象分享给各个候选被分享用户的分享概率。接着,参见图1中的⑤所示,服务器基于分享概率从候选被分享用户中确定目标被分享用户并将目标被分享用户的信息提供给终端设备。最后,终端设备基于服务器所提供的目标被分享用户的信息以列表的形式进行展示。当分享用户触发“被分享用户列表”中的一个或多个用户关联的分享控件时,终端设备将所需分享的商品对象的访问入口链接或者图文等其它信息发送至对应的用户,以实现向其它用户分享的商品对象的目的,至此完成用户之间进行商品分享的流程。
当然,对本申请实施例提供的技术方案适用的应用场景不做限制,图1仅仅是一种示例性的应用场景。本申请实施例的技术方案除了可以分享商品对象之外,同样可以分享其它对象,例如招聘信息的分享,租房信息的分享、旅游信息的分享、媒体资讯信息的分享,以及媒体社交信息的分享等等,这些不同应用场景中的不同信息对象都可以采用本申请实施例提供的方式进行分享。
另外,在图1所示应用场景中,以服务器执行信息分享过程中的信息处理逻辑(即图1中的②-⑤所示的处理逻辑)为主进行说明,但并不限于此。例如,随着终端设备的功能越来越强大,也可以由终端设备替代服务器执行历史邻居信息聚合操作、分享表征信息生成操作和分享概率预测操作中的一种或多种操作等,对此不做限制。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图2为本申请实施例提供的一种信息分享处理方法的流程图。如图2所示,该方法可以包括以下步骤:
201、响应目标分享用户在t时刻针对目标对象发起的信息分享请求,根据历史分享行为数据,分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息。
202、根据目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,生成目标分享用户和候选被分享用户各自在t时刻的分享表征信息,以及根据目标对象的历史邻居信息生成目标对象在t时刻的分享表征信息。
203、根据目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息,预测目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率。
204、根据分享概率,将候选被分享用户中的目标被分享用户的信息提供给目标分享用户,以使目标分享用户向目标被分享用户分享目标对象。
其中,步骤201可以简称为历史邻居信息的聚合操作,步骤202可简称为分享表征信息的生成操作,步骤203可以简称为分享概率的预测操作,可以理解为是对上述应用场景实施例中的②、③和④的实现。
具体而言,目标分享用户是当前具有目标对象分享需求的任一用户,为了便于与历史分享行为涉及的分享用户进行区分,将当前具有分享需求的用户称为目标分享用户。目标对象例如可以是商品对象、电子文档、招聘信息、租房信息、旅游信息、媒体资讯信息、媒体社交信息或者即时通信信息等等,对此不做限制。目标分享用户可以随时针对目标对象发起信息分享请求,为了便于理解和区分,将用户针对目标对象发起信息分享请求的分享时刻记为t时刻,t时刻是信息分享时刻,具体可以是任一时刻。
在本实施例中,响应目标分享用户在t时刻针对目标对象发起的信息分享请求,执行历史邻居信息的聚合操作,即执行步骤201。具体而言,可以根据历史分享行为数据,分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息。
进一步可选的,利用基于CTDG的时序注意力网络可以根据历史分享行为数据,分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息。首先,基于根据历史分享行为数据构建描述不同用户之间的分享行为的CTDG,以及构建描述目标对象与用户之间的分享行为的CTDG。接着,一方面,利用时序注意力网络对描述不同用户之间的分享行为的CTDG进行处理,可以得到目标分享用户、候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息。另一方面,利用时序注意力网络对构建描述目标对象与用户之间的分享行为的CTDG进行处理,可以得到目标对象的历史邻居信息。
基于上述,进一步可选的,在执行历史邻居信息的聚合操作时,可以根据历史分享行为数据,获取目标分享用户和候选被分享用户各自在分享维度上的第一CTDG和在接收维度上的第二CTDG,以及目标对象的第三CTDG;将目标分享用户和候选被分享用户各自在分享维度上的第一CTDG和在接收维度上的第二CTDG分别输入时序注意力网络进行特征学习,得到目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息;将目标对象的第三CTDG输入时序注意力网络进行特征学习,得到目标对象的历史邻居信息。
实际应用中,可以收集此次信息分享所属应用场景中在t时刻之前的历史时间段内产生的分享行为数据,也即收集多条历史分享行为数据。例如,如果此次信息分享属于电商场景中的商品对象的分享,则可以获取整个电商平台在t时刻之前的历史时段内产生的商品对象的分享行为数据。例如,如果此次信息分享属于媒体资讯场景中的媒体资讯信息的分享,则可以获取整个媒体资讯平台在在t时刻之前的历史时段内产生的媒体资讯信息的分享行为数据。又例如,如果此次信息分享属于即时通信场景中的即时通信信息的分享,则可以获取整个即时通信平台在t时刻之前的历史时段内产生的即时通信信息的分享行为数据。无论是何种应用场景,每条历史分享行为数据例如包括但不限于:发起分享行为的分享用户的用户信息、接受分享行为的被分享用户的用户信息、发起分享行为的分享时间信息,以及此次分享行为涉及的分享对象的信息等等。本实施例中的分享行为是一种非对称的分享行为,一方面体现在该分享行为是一种三元交互行为,同时涉及分享用户、被分享用户以及分享对象之间的交互关系,另一方面该分享行为在用户之间也是非对称的,即用户A向用户B发起分享行为,但是用户B不一定会向用户A发起分享行为。
接着,对多条历史分享行为数据进行分析,从分享用户、被分享用户以及分享对象的维度构建描述不同用户之间的分享行为的全局CTDG,该全局CTDG包括用户节点,每个用户节点表示分享用户或被分享用户,还包括由分享用户对应的用户节点指向被分享用户对应的用户节点的边,并将这两个用户节点对应的此次分享行为中的分享对象以及分享时间等信息作为该边的属性信息进行保存。基于该全局CTDG,可以获取目标分享用户和候选被分享用户各自在分享维度上的第一CTDG和在接收维度上的第二CTDG。也就是说,一方面可以从全局CTDG中获取目标分享用户在分享维度上的第一CTDG和在接收维度上的第二CTDG,另一方面可以从全局CTDG中获取每个候选被分享用户在分享维度上的第一CTDG和在接收维度上的第二CTDG。每个候选被分享用户都对应有在分享维度上的第一CTDG和在接收维度上的第二CTDG。
基于上述,作为一种示例,根据历史分享行为数据,获取目标分享用户和候选被分享用户各自在分享维度上的第一CTDG和在接收维度上的第二CTDG的一种实现方式为:从历史分享行为数据中,确定每次历史分享行为涉及的分享用户、被分享用户、分享对象信息和分享时间信息;针对每次历史分享行为,将分享用户和被分享用户抽象为用户节点,在用户节点之间创建由分享用户指向被分享用户的有向边,并将分享对象信息和分享时间信息作为有向边的属性信息,以得到全局CTDG;将目标分享用户和候选被分享用户分别作为查询对象,从全局CTDG中获取查询对象作为分享用户时的局部CTDG作为其在分享维度上的第一CTDG,以及获取查询对象作为被分享用户时的局部CTDG作为其在接收维度上的第二CTDG。
具体而言,分析历史分享行为数据,确定至少一个分享用户以及每个分享用户关联的至少一个被分享用户;将至少一个分享用户以及每个分享用户关联的至少一个被分享用户分别抽象为一个用户节点;针对每个分享用户及其关联的被分享用户,创建对应的用户节点相互连接的有向边,有向边表征对应的用户之间的存在分享行为,且有向边的方向由分享用户对应的用户节点指向其关联的被分享用户对应的用户节点,以及从对应的历史分享行为获取分享对象信息和分享时间信息,以及将分享对象信息和分享时间信息作为有向边的属性信息,进而构建出全局CTDG。
具体地,当查询对象是目标分享用户时,可以从全局CTDG中获取目标分享用户作为分享用户(即分享者)时的局部CTDG作为其在分享维度上的第一CTDG,以及获取目标分享用户作为被分享用户(即被分享者)时的局部CTDG作为其在接收维度上的第二CTDG。
其中,针对从全局CTDG中所获取的目标分享用户在分享维度上的第一CTDG,该第一CTDG中包括目标分享用户对应的用户节点,以及接收目标分享用户发起的分享行为的至少一个被分享用户对应的用户节点,第一CTDG中的有向边由目标分享用户对应的用户节点指向对应的被分享用户对应的用户节点。也就是说,目标分享用户在分享维度上的第一CTDG描述的是目标分享用户作为分享用户与其对应的被分享用户之间的分享行为。针对从全局CTDG中所获取的目标分享用户在接收维度上的第二CTDG,该第二CTDG中包括目标分享用户对应的用户节点,以及向目标分享用户发起的分享行为的至少一个分享用户对应的用户节点,第二CTDG中的有向边由向目标分享用户发起分享行为的用户节点指向目标分享用户对应的用户节点。也就是说,目标分享用户在接收维度上的第二CTDG描述的是目标分享用户作为被分享用户与其对应的分享用户之间的分享行为。
具体地,当查询对象是候选被分享用户时,可以从全局CTDG中获取候选被分享用户作为分享用户(即分享者)时的局部CTDG作为其在分享维度上的第一CTDG,以及获取候选被分享用户作为被分享用户(即被分享者)时的局部CTDG作为其在接收维度上的第二CTDG。
其中,针对从全局CTDG中所获取的候选被分享用户在分享维度上的第一CTDG,该第一CTDG中包括候选被分享用户对应的用户节点,以及接收候选被分享用户发起的分享行为的至少一个被分享用户对应的用户节点,第一CTDG中的有向边由候选被分享用户对应的用户节点指向对应的被分享用户对应的用户节点。也就是说,候选被分享用户在分享维度上的第一CTDG描述的是候选被分享用户作为分享用户与其对应的被分享用户之间的分享行为。针对从全局CTDG中所获取的候选被分享用户在接收维度上的第二CTDG,该第二CTDG中包括候选被分享用户对应的用户节点,以及向候选被分享用户发起的分享行为的至少一个分享用户对应的用户节点,第二CTDG中的有向边由向候选被分享用户发起分享行为的用户节点指向候选被分享用户对应的用户节点。也就是说,候选被分享用户在接收维度上的第二CTDG描述的是候选被分享用户作为被分享用户与其对应的分享用户之间的分享行为。
作为一种可选的实现方式,根据历史分享行为数据,获取目标对象的第三CTDG,包括:从历史分享行为数据中,确定每次历史分享行为涉及的分享用户、被分享用户和分享对象;针对每次历史分享行为,将分享用户和被分享用户抽象为用户节点,将分享对象抽象为对象节点,创建由分享用户对应的用户节点指向对象节点的有向边,以及对象节点指向被分享用户对应的用户节点的有向边,以得到目标对象的第三CTDG。
具体而言,分析历史分享行为数据,确定至少一个分享用户以及每个分享用户关联的至少一个被分享用户,以及每个分享用户向对应的被分享用户所分享的分享对象;将至少一个分享用户以及每个分享用户关联的至少一个被分享用户分别抽象为一个用户节点,以及将每个分享用户向对应的被分享用户所分享的分享对象分别抽象为一个对象节点;针对每个分享用户及其关联的被分享用户和对象,创建由分享用户对应的用户节点指向其关联的对象对应的对象节点之间的有向边,以及由对应的对象节点指向其关联的被分享用户对应的用户节点之间的有向边,进而构建出目标对象的第三CTDG。
在此说明,在一种应用场景中,候选被分享用户是目标分享用户的好友列表中的用户,则在确定目标分享用户之后,可以直接从目标分享用户的好友列表中的确定候选被分享用户。在另一种应用场景中,可以从目标分享用户的历史行为数据中确定与目标分享用户存在分享关系的历史用户作为候选被分享用户。对于第二种应用场景,可以在分析历史分享行为数据的过程中,在创建候选被分享用户的第一CTDG和第二CTDG之前,确定候选被分享用户。具体地,可以在分析历史分享行为数据的过程中,确定至少一个分享用户以及每个分享用户关联的至少一个被分享用户;然后,根据目标分享用户的信息,一方面从中确定目标分享用户作为分享用户时其所关联的至少一个被分享用户(即在历史分享行为中接收目标分享用户发起的分享行为的被分享用户),另一方面从中确定目标分享用户作为被分享用户时期所关联的至少一个分享用户(在历史分享行为中向目标分享用户发起分享行为的分享用户),为了便于描述和区分,这里将在历史分享行为中向目标分享用户发起分享行为的分享用户以及接收目标分享用户发起的分享行为的被分享用户作为目标分享用户的关联用户集群。接下来,可以将目标分享用户的关联用户集群中的全部用户作为此次分享行为的候选被分享用户,或者从目标分享用户的关联用户集群中选择部分用户作为此次分享行为的候选被分享用户。如果从目标分享用户的关联用户集群中选择部分用户作为此次分享行为的候选被分享用户,可以按照预设的用户数量从中随机选择部分用户,或者也可以根据与目标分享用户发生分享行为的先后顺序,优先选择与目标分享用户发生分享行为的时间较近的部分用户,或者也可以根据与目标分享用户发生分享行为的频繁度,优先选择目标分享用户发生分享行为较为频繁的部分用户,等等。
在本实施例中,在执行历史邻居信息的聚合操作的过程中,在根据历史分享行为数据,获取目标分享用户和候选被分享用户各自在分享维度上的第一CTDG和在接收维度上的第二CTDG,以及目标对象的第三CTDG后,可以将目标分享用户和候选被分享用户各自在分享维度上的第一CTDG和在接收维度上的第二CTDG分别输入时序注意力网络进行特征学习,得到目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息;将目标对象的第三CTDG输入时序注意力网络进行特征学习,得到目标对象的历史邻居信息。
具体而言,将目标分享用户在分享维度上的第一CTDG输入时序注意力网络进行特征学习,得到目标分享用户在分享维度上的第一历史邻居信息。该第一历史邻居信息例如包括但不限于:与目标分享用户之间连接有有向边的被分享用户的用户标识,以及目标分享用户向被分享用户发起分享行为时的分享时间信息,以及分享对象的对象标识等等。该第一历史邻居信息表示目标分享用户在分享维度上更倾向于向哪些用户进行分享,简称为是对目标分享用户在分享维度上的分享倾向或分享意愿的表征。
将目标分享用户在接收维度上的第二CTDG输入时序注意力网络进行特征学习,得到目标分享用户在接收维度上的第二历史邻居信息。该第二历史邻居信息例如包括但不限于:与目标分享用户之间连接有有向边的分享用户的用户标识,以及向目标分享用户发起分享行为的分享时间信息,以及分享对象的对象标识等等。该第二历史邻居信息表示在接收维度上哪些用户更倾向于向目标分享用户发起分享行为,也就是目标分享用户更倾向于接收哪些用户分享的信息,简称为是对目标分享用户在接收维度上的接收倾向或接收意愿的表征。
将候选被分享用户在分享维度上的第一CTDG输入时序注意力网络进行特征学习,得到候选被分享用户在分享维度上的第一历史邻居信息。该第一历史邻居信息例如包括但不限于:与候选被分享用户之间连接有有向边的被分享用户的用户标识,以及候选被分享用户向被分享用户发起分享行为时的分享时间信息,以及分享对象的对象标识等等。该第一历史邻居信息表示候选被分享用户在分享维度上更倾向于向哪些用户进行分享,简称为是对候选被分享用户在分享维度上的分享倾向或分享意愿的表征。
将候选被分享用户在接收维度上的第二CTDG输入时序注意力网络进行特征学习,得到候选被分享用户在接收维度上的第二历史邻居信息。该第二历史邻居信息例如包括但不限于:与候选被分享用户之间连接有有向边的分享用户的用户标识,以及向候选被分享用户发起分享行为的分享时间信息,以及分享对象的对象标识等等。该第二历史邻居信息表示在接收维度上哪些用户更倾向于向候选被分享用户发起分享行为,也就是候选被分享用户更倾向于接收哪些用户分享的信息,简称为是对候选被分享用户在接收维度上的接收倾向或接收意愿的表征。
将目标对象的第三CTDG输入时序注意力网络进行特征学习,得到目标对象的历史邻居信息。目标对象的历史邻居信息例如包括但不限于:与目标对象之间连接有有向边的分享用户或被分享用户的用户标识,以及分享目标对象的分享时间信息和目标对象的对象标识等等。其中,目标对象的历史邻居信息表示目标对象在分享维度上更倾向于被哪些用户进行分享,以及在接收维度上更倾向于被哪些用户接收,简称为是对目标对象的被分享倾向的表征。
在本实施例中,在得到目标分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息之后,可以根据目标分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息生成目标分享用户在t时刻的分享表征信息。同理,在得到候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息之后,可以根据候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息生成候选被分享用户在t时刻的分享表征信息。在得到目标对象的历史邻居信息之后,可以根据目标对象的历史邻居信息生成目标对象在t时刻的分享表征信息。
在本实施例中,将每个用户的分享表征信息分为两个部分,即在分享维度上的第一分享表征信息(表征其分享倾向或分享意愿)和在接收维度上的第二分享表征信息(表征其接收倾向或倾向意愿)。例如,对目标分享用户,其在某个分享时刻的分享表征信息包括该分享时刻在分享维度上的第一分享表征信息和该分享时刻在接收维度上的第二分享表征信息;同理,对候选被分享用户,其在某个分享时刻的分享表征信息包括该分享时刻在分享维度上的第一分享表征信息和该分享时刻在接收维度上的第二分享表征信息。其中,无论是对哪个用户,其在t时刻在分享维度上的第一分享表征信息可根据其在t时刻之前在分享维度上的第一历史邻居信息确定,其在t时刻在接收维度上的第二分享表征信息可根据其在t时刻之前在接收维度上的第二历史邻居信息确定。
基于上述分析,在一可选实施例中,针对目标分享用户在t时刻的分享表征信息,可以直接将目标分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息进行组合得到,这种方式相对简单,易于实施。在另一可选实施例中,除了根据目标分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息之外,可以同时结合目标分享用户的历史分享表征信息,生成目标分享用户在t时刻的分享表征信息,这种同时融合历史分享表征信息的方式,有利于提高分享表征信息的准确性,进而有利于提高后续分享概率的准确性,进而实现精准的分享推荐。本申请实施例采用的目标分享用户的历史分享表征信息可以包括一次或多次历史分享操作之后得到的分享表征信息,优选地,可以采用上一次分享操作之后得到的历史分享表征信息,使用上一次分享操作之后的历史分享表征信息,只需保存一次历史分享操作之后的历史分享表征信息,可以节约内存资源,能够适用大规模的分享场景,同时还能保证分享推荐的准确性。
在一可选的实现方式中,上述同时根据目标分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及其历史分享表征信息,生成目标分享用户在t时刻的分享表征信息的方式包括:从目标分享用户的历史分享表征信息中提取其在分享维度上的第一历史分享表征信息和在接收维度上的第二历史分享表征信息;将目标分享用户在分享维度上的第一历史邻居信息与第一历史分享表征信息进行特征融合,得到目标分享用户t时刻在分享维度上的第一分享表征信息;将目标分享用户在接收维度上的第二历史邻居信息与第二历史分享表征信息进行特征融合,得到目标分享用户t时刻在接收维度上的第二分享表征信息;将目标分享用户t时刻在分享维度上的第一分享表征信息和在接收维度上的第二分享表征信息进行特征拼接,得到目标分享用户在t时刻的分享表征信息。
进一步,在一可选实施方式中,针对目标分享用户t时刻在分享维度上的第一分享表征信息,可以直接将目标分享用户在分享维度上的第一历史邻居信息与第一历史分享表征信息进行特征融合,得到目标分享用户t时刻在分享维度上的第一分享表征信息。相应地,针对目标分享用户t时刻在接收维度上的第二分享表征信息,可以直接将目标分享用户在接收维度上的第二历史邻居信息与第二历史分享表征信息进行特征融合,得到目标分享用户t时刻在接收维度上的第二分享表征信息。
进一步可选的,考虑到用户可能长时间不参与分享行为,也可能频繁的参与分享行为,又因为不同用户对不同时间间隔的感知能力不同,所以可以通过时间点过程模型对用户的历史分享表征信息进行个性化的投影,基于该投影结果来生成最新的分享表征信息;其中,对用户长时间不参与分享行为的情况下,通过该投影操作可以对用户长时间不参与分享行为产生一定惩罚作用,避免用户的历史分享表征信息的滞后性,提高基于历史分享表征信息得到的最新分享表征信息的准确度;对用户频繁参与分享行为,通过该投影操作可以对用户长时间不参与分享行为产生一定奖励作用,发挥历史分享表征信息的正向效果,提高基于历史分享表征信息得到的最新分享表征信息的准确度。基于此,在另一可选实施例中,针对目标分享用户t时刻在分享维度上的第一分享表征信息,还可以根据目标分享用户的时间点过程模型,对目标分享用户在分享维度上的第一历史分享表征信息进行投影,得到目标分享用户在分享维度上的第一投影分享表征信息;将目标分享用户在分享维度上的第一历史邻居信息、第一历史分享表征信息以及第一投影分享表征信息送入多层感知机(MLP)网络进行特征融合,得到目标分享用户t时刻在分享维度上的第一分享表征信息。相应地,针对目标分享用户t时刻在接收维度上的第二分享表征信息,还可以根据目标分享用户的时间点过程模型,对目标分享用户在接收维度上的第二分享表征信息进行投影,得到目标分享用户在接收维度上的第二分享表征信息;将目标分享用户在接收维度上的第二历史邻居信息、第二历史分享表征信息以及第二投影分享表征信息送入多层感知机MLP网络进行特征融合,得到目标分享用户t时刻在接收维度上的第二分享表征信息。进一步可选地,作为一种示例,根据目标分享用户的时间点过程模型,对目标分享用户在分享维度上的第一历史分享表征信息进行投影,得到目标分享用户在分享维度上的第一投影分享表征信息时,可以根据目标分享用户的时间点过程模型,预测目标分享用户下一次期望的分享时刻;根据下一次期望的分享时刻与t时刻的差值,确定投影因子;根据投影因子,对目标分享用户在分享维度上的第一历史分享表征信息进行投影,得到目标分享用户在分享维度上的第一投影分享表征信息。相应地,根据目标分享用户的时间点过程模型,对目标分享用户在接收维度上的第二分享表征信息进行投影,得到目标分享用户在接收维度上的第二分享表征信息时,可以根据目标分享用户的时间点过程模型,预测目标分享用户下一次期望的分享时刻;根据下一次期望的分享时刻与t时刻的差值,确定投影因子;根据投影因子,对目标分享用户在接收维度上的第二历史分享表征信息进行投影,得到目标分享用户在接收维度上的第二投影分享表征信息。需要说明的是,上述得到第一投影分享表征信息过程中的“预测下一次期望的分享时刻”以及“确定投影因子”,与上述得到第二投影分享表征信息中的“预测下一次期望的分享时刻”以及“确定投影因子”可以为同一过程,执行一次。
在本实施例中,基于时序点过程计算下一次交互的期望时间,根据该期望交互时间与实际交互时间的差值设计个性化的投影因子,通过投影因子可以体现不同用户对于不同时间间隔的感知能力,从而实现个性化的投影用户表征。
参见图3中,将用户u作为目标分享用户,用户u的历史分享表征信息hu(t-)被分为用户u在分享维度上的第一历史分享表征信息hu a(t-)(也记为Ua(t-))和在接收维度上的第二历史分享表征信息hu b(t-)((也记为Ub(t-))),同理,用户u在t时刻的分享表征信息hu(t)被分为用户u在t时刻在分享维度上的第一分享表征信息hu a(t)(也记为Ua(t))和用户u在t时刻在接收维度上的第二分享表征信息hu b(t)((也记为Ub(t)))。
基于时间点过程模型,对用户u在分享维度上的第一历史分享表征信息hu a(t-)(即Ua(t-))进行投影,得到用户u的t时刻在分享维度上的第一投影分享表征信息Ua(t)。假设投影因子记为σ;Ua(t-)与Ua(t)的差值记为Ua(t-)-Ua(t);下一次期望的分享时刻与t时刻的差值记为t+-t,基于该时间差值可计算出投影因子,例如σ=(t+-t)/t,相应地,Ua(t-)-Ua(t)/Ua(t-)=σ,基于Ua(t-)-Ua(t)/Ua(t-)=σ可以计算出Ua(t-)的投影Ua(t)。进而,将用户u在分享维度上的第一历史邻居信息、第一历史分享表征信息hu a(t-)以及第一投影分享表征信息Ua(t)送入MLP网络进行特征融合,得到用户u的t时刻在分享维度上的第一分享表征信息hu a(t)。
同理,基于时间点过程模型,对用户u在分享维度上的第二历史分享表征信息hu b(t-)(即Ub(t-))进行投影,得到用户u的t时刻在分享维度上的第二投影分享表征信息Ub(t)。假设投影因子记为σ;Ub(t-)与Ub(t)的差值记为Ub(t-)-Ub(t);下一次期望的分享时刻与t时刻的差值记为t+-t,基于该时间差值可计算出投影因子,例如σ=(t+-t)/t,相应地,Ub(t-)-Ub(t)/Ub(t-)=σ,基于Ub(t-)-Ub(t)/Ub(t-)=σ可以计算出Ub(t-)的投影Ub(t)。进而,将用户u在分享维度上的第二历史邻居信息、第二历史分享表征信息hu b(t-)以及第二投影分享表征信息Ub(t)送入MLP网络进行特征融合,得到用户u的t时刻在分享维度上的第二分享表征信息hu b(t)。
同理,针对候选被分享用户在t时刻的分享表征信息,可以直接将候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息进行组合得到,这种方式相对简单,易于实施。在另一可选实施例中,除了根据候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息之外,可以同时结合候选被分享用户的历史分享表征信息,生成候选被分享用户在t时刻的分享表征信息,这种同时融合历史分享表征信息的方式,有利于提高分享表征信息的准确性,进而有利于提高后续分享概率的准确性,进而实现精准的分享推荐。本申请实施例采用的候选被分享用户的历史分享表征信息可以包括一次或多次历史分享操作之后得到的分享表征信息,优选地,可以采用上一次分享操作之后得到的历史分享表征信息,使用上一次分享操作之后的历史分享表征信息,只需保存一次历史分享操作之后的历史分享表征信息,可以节约内存资源,能够适用大规模的分享场景,同时还能保证分享推荐的准确性。
在一可选的实现方式中,上述同时根据候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及其历史分享表征信息,生成候选被分享用户在t时刻的分享表征信息的方式包括:从候选被分享用户的历史分享表征信息中提取其在分享维度上的第一历史分享表征信息和在接收维度上的第二历史分享表征信息;将候选被分享用户在分享维度上的第一历史邻居信息与第一历史分享表征信息进行特征融合,得到候选被分享用户t时刻在分享维度上的第一分享表征信息;将候选被分享用户在接收维度上的第二历史邻居信息与第二历史分享表征信息进行特征融合,得到候选被分享用户t时刻在接收维度上的第二分享表征信息;将候选被分享用户t时刻在分享维度上的第一分享表征信息和在接收维度上的第二分享表征信息进行特征拼接,得到候选被分享用户在t时刻的分享表征信息。
进一步,在一可选实施方式中,针对候选被分享用户的t时刻在分享维度上的第一分享表征信息,可以直接将候选被分享用户在分享维度上的第一历史邻居信息与第一历史分享表征信息进行特征融合,得到候选被分享用户的t时刻在分享维度上的第一分享表征信息。相应地,针对候选被分享用户t时刻在接收维度上的第二分享表征信息,可以直接将候选被分享用户在接收维度上的第二历史邻居信息与第二历史分享表征信息进行特征融合,得到候选被分享用户t时刻在接收维度上的第二分享表征信息。
进一步可选的,考虑到用户可能长时间不参与分享行为,也可能频繁的参与分享行为,又因为不同用户对不同时间间隔的感知能力不同,所以可以通过时间点过程模型对用户的历史分享表征信息进行个性化的投影,基于该投影结果来生成最新的分享表征信息。基于此,在另一可选实施例中,针对候选被分享用户t时刻在分享维度上的第一分享表征信息,还可以根据候选被分享用户的时间点过程模型,对候选被分享用户在分享维度上的第一历史分享表征信息进行投影,得到候选被分享用户在分享维度上的第一投影分享表征信息;将候选被分享用户在分享维度上的第一历史邻居信息、第一历史分享表征信息以及第一投影分享表征信息送入MLP网络进行特征融合,得到候选被分享用户t时刻在分享维度上的第一分享表征信息。相应地,针对候选被分享用户t时刻在接收维度上的第二分享表征信息,还可以根据候选被分享用户的时间点过程模型,对候选被分享用户在接收维度上的第二分享表征信息进行投影,得到候选被分享用户在接收维度上的第二分享表征信息;将候选被分享用户在接收维度上的第二历史邻居信息、第二历史分享表征信息以及第二投影分享表征信息送入MLP网络进行特征融合,得到候选被分享用户t时刻在接收维度上的第二分享表征信息。
进一步可选地,作为一种示例,根据候选被分享用户的时间点过程模型,对候选被分享用户在分享维度上的第一历史分享表征信息进行投影,得到候选被分享用户在分享维度上的第一投影分享表征信息时,可以根据候选被分享用户的时间点过程模型,预测候选被分享用户下一次期望的分享时刻;根据下一次期望的分享时刻与t时刻的差值,确定投影因子;根据投影因子,对候选被分享用户在分享维度上的第一历史分享表征信息进行投影,得到候选被分享用户在分享维度上的第一投影分享表征信息。相应地,根据候选被分享用户的时间点过程模型,对候选被分享用户在接收维度上的第二分享表征信息进行投影,得到候选被分享用户在接收维度上的第二分享表征信息时,可以根据候选被分享用户的时间点过程模型,预测候选被分享用户下一次期望的分享时刻;根据下一次期望的分享时刻与t时刻的差值,确定投影因子;根据投影因子,对候选被分享用户在接收维度上的第二历史分享表征信息进行投影,得到候选被分享用户在接收维度上的第二投影分享表征信息。需要说明的是,上述得到第一投影分享表征信息过程中的“预测下一次期望的分享时刻”以及“确定投影因子”,与上述得到第二投影分享表征信息中的“预测下一次期望的分享时刻”以及“确定投影因子”可以为同一过程,执行一次。
接续于图3所示实施例,将用户v作为候选被分享用户,用户v的历史分享表征信息hv(t-)被分为用户v在分享维度上的第一历史分享表征信息hv a(t-)(也记为Va(t-))和在接收维度上的第二历史分享表征信息hv b(t-)((也记为Vb(t-))),同理,用户v在t时刻的分享表征信息hv(t)被分为用户v在t时刻在分享维度上的第一分享表征信息hv a(t)(也记为Va(t))和用户v在t时刻在接收维度上的第二分享表征信息hv b(t)((也记为Vb(t)))。
基于时间点过程模型,对用户v在分享维度上的第一历史分享表征信息hv a(t-)(即Va(t-))进行投影,得到用户v的t时刻在分享维度上的第一投影分享表征信息Va(t)。假设投影因子记为σ;Va(t-)与Va(t)的差值记为Va(t-)-Va(t);下一次期望的分享时刻与t时刻的差值记为t+-t,基于该时间差值可计算出投影因子,例如σ=(t+-t)/t,相应地,Va(t-)-Va(t)/Va(t-)=σ,基于Va(t-)-Va(t)/Va(t-)=σ可以计算出Va(t-)的投影Va(t)。进而,将用户v在分享维度上的第一历史邻居信息、第一历史分享表征信息hv a(t-)以及第一投影分享表征信息Va(t)送入MLP网络进行特征融合,得到用户vt时刻在分享维度上的第一分享表征信息hv a(t)。需要说明的是,投影因子除了可以根据上述公式计算得到之外,也可以采用其它方式获取,例如在下述实施例中也可以通过模型训练的方式得到。
同理,基于时间点过程模型,对用户v在分享维度上的第二历史分享表征信息hv b(t-)(即Vb(t-))进行投影,得到用户v的t时刻在分享维度上的第二投影分享表征信息Vb(t)。假设投影因子记为σ;Vb(t-)与Vb(t)的差值记为Vb(t-)-Vb(t);下一次期望的分享时刻与t时刻的差值记为t+-t,基于该时间差值可计算出投影因子,例如σ=(t+-t)/t,相应地,Vb(t-)-Vb(t)/Vb(t-)=σ,基于Vb(t-)-Vb(t)/Vb(t-)=σ可以计算出Vb(t-)的投影Vb(t)。进而,将用户v在分享维度上的第二历史邻居信息、第二历史分享表征信息hv b(t-)以及第二投影分享表征信息Vb(t)送入MLP网络进行特征融合,得到用户vt时刻在分享维度上的第二分享表征信息hv b(t)。
在本申请实施例中,将时间点过程模型记为N(t),N(t)记录了在t时刻之前有多少分享事件发生。接收分享行为的事件对应一个时间点过程,发起分享行为的事件对应另一个时间点过程。对于N(t),采用一个条件强度函数(conditional intensity function)进行刻画:
其中,λ(t):表示条件强度函数;H(t):表示t时刻之前的历史信息;dt:表示时间t的微分;dN(t):N(t)的微分;P{}表示分享事件在相应条件下发生的概率,E[]表示分享事件在相应条件下的期望值。
以给定时刻t,在[0,t)之间没有事件发生的概率S(t)为:
及事件发生在t时刻的条件概率为:
给定时刻t,事件在[t0,t]内发生在t时刻的概率p(t|t0)为:
假设λ(t)=αt,α是给定的已知参数;对于目标分享用户或候选被分享用户来说,假设该用户发起分享行为的事件和接收分享行为的事件是两个不同的时序点过程,可以基于用户在t时刻的分享表征信息(该分享表征信息可以是一个嵌入(embedding)向量)设计该时序点过程,以达到用户的个性化和用户在不同时间的个性化。
针对发起分享行为的事件采用如下公式(5)进行表示:
其中,t′:上一次分享的时刻(上一次事件发生的时刻);
Winvite:是时序点过程模型在分享方向的模型参数,该模型参数可以在模型训练过程中学习得到,在推理过程中直接使用。
针对接收分享行为的事件采用如下公式(6)进行表示:
其中,t′:上一次接收的时刻(上一次事件发生的时刻);
Wvote:是时序点过程模型在接收方向的模型参数,该模型参数可以在模型训练过程中学习得到,在推理过程中直接使用。
接着,基于公式(7)或(8)计算出的期望时间,对目标分享用户或候选被分享用户的在分享维度上的第一历史分享表征信息进行投影;具体地,如果真实交互时间(即t时刻)大于该期望时间(即分享延迟的情况),按照公式(9)计算该第一历史分享表征信息对应的第一投影分享表征信息;如果真实时间小于该期望时间(即分享提前的情况),按照公式(10)计算该第一历史分享表征信息对应的第一投影分享表征信息。
具体地,如果真实交互时间(即t时刻)大于该期望时间(即分享延迟的情况),按照公式(11)计算该第二历史分享表征信息对应的第二投影分享表征信息;如果真实时间小于该期望时间(即分享提前的情况),按照公式(12)计算该第二历史分享表征信息对应的第二投影分享表征信息。
进一步,在一可选实施方式中,将每个被分享对象的分享表征信息分为两个部分,即静态分享表征信息和动态分享表征信息。其中,静态分享表征信息主要是指被分享对象的一些静态属性(即不变属性),以被分享对象是商品为例,可以是商品的名称、类别、价格、重量、厂商、产地等;动态分享表征信息是指被分享对象会随着分享而变化的一些信息,可以体现出被分享对象在分享行为中的流行度等信息,例如可以是反映被分享对象倾向于被哪些用户分享以及倾向于被哪些用户接收等信息。基于此,针对目标对象在t时刻的分享表征信息,可以从目标对象的历史分享表征信息中提取静态分享表征信息和历史动态分享表征信息;将目标对象的历史邻居信息和历史动态分享表征信息进行特征融合,得到目标对象在t时刻的动态表征信息;将静态分享表征信息和目标对象在t时刻的动态分享表征信息进行特征拼接,得到目标对象在t时刻的分享表征信息。接续于图3所示实施例,将目标对象作为对象i,对象i的历史分享表征信息hi(t-)被分为对象i的静态分享表征信息hi ~和历史动态分享表征信息hi -(t-);将对象i的历史邻居信息和历史动态分享表征信息hi -(t-)送入MLP网络进行特征融合,得到对象i在t时刻的动态表征信息hi -(t);然后,将对象i的静态分享表征信息hi ~和在t时刻的动态表征信息hi -(t)进行特征拼接,得到目标对象在t时刻的分享表征信息hi(t)。
在得到目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息之后,可以直接将目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息进行拼接,以利用MLP网络对拼接后的分享表征信息进行预测处理,得到目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率。进一步可选的,如图3所示,在预测分享概率时,还可以利用三重态翻译(triplet translation)方法来体现分享行为的非对称性,具体地,可以将目标分享用户在t时刻的分享表征信息和候选被分享用户在t时刻的分享表征信息进行特征相加,得到用户-对象二元表征信息;然后再将用户-对象的二元表征信息和候选被分享用户在t时刻的分享表征信息进行特征拼接,得到用户-对象-用户三元表征信息;利用MLP网络对用户-对象-用户三元表征信息进行概率预测处理,得到目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率P(u,i,v,t),通过考虑分享行为的非对称性,有利于提高分享概率的预测准确性。
在本实施例中,候选被分享用户的数量为一个或多个,优选为多个。在候选被分享用户为多个的情况下,针对每个候选被分享用户,在得到目标分享用户在t时刻将目标对象分享给该候选被分享用户的分享概率之后,可以从至少一个候选被分享用户中,选择分享概率最大的若干个候选被分享用户作为目标被分享用户,或者选择分享概率大于预设分享概率阈值的若干个候选被分享用户作为目标被分享用户,并将目标被分享用户的信息推送给目标分享用户,例如,将目标被分享用户的信息以列表形式推送给目标分享用户。目标分享用户从列表中选择一个或多个目标被分享用户,并向选择的一个或多个目标被分享用户分享目标对象。
本申请实施例提供的技术方案,首创性地建模用户之间非对称的分享交互关系,能够同时将时间信息和非对称的分享关系耦合起来,分别聚合分享用户和候选被分享用户各自在分享和接收两个方向上的历史邻居用户信息,用来生成相应用户此时的分享表征信息,以及被分享对象的分享表征信息,接着,基于这些分享表征信息预测分享用户在分享时刻向候选被分享用户分享目标对象的分享概率,最后基于分享概率锁定目标被分享用户并进行信息分享。由此,充分考虑用户的分享偏好随着时间变化的特性,同时考虑用户当前的分享意愿和接收意愿,自动地为分享用户推荐对所需分享的目标对象较为感兴趣的被分享用户,有利于缩短搜索被分享用户的时间,降低了信息分享的繁琐程度,提高了信息分享效率和用户体验。
进一步地,基于分享维度的CTDG以及接收维度的CTDG的时序图注意力网络聚合用户的双向(也即接收维度和分享维度)的历史邻居信息,使得用户的分享表征信息体现为分享倾向表征和接收倾向表征成为可能。进一步地,将目标对象的分享表征信息加入至分享用户的分享表征信息,使得分享用户的分享表征信息和候选被分享用户的分享表征信息呈现为非对称性,体现分享行为的非对称性,进而将分享行为的非对称性和连续时间动态图相结合,提供即时有效的分享推荐。
为了更好地理解本申请实施例提供的技术方案,结合图3所示的应用场景图进行说明。假设目标分享用户记为用户u,目标分享用户的任一个候选被分享用户记为用户v,目标分享用户在t时刻所需分享的目标对象记为对象i。在t时刻之前,用户u的历史分享表征信息记为hu(t-),其中,hu(t-)包括在分享维度的hu a(t-)以及在接收维度的hu b(t-)。若t时刻,用户u发起分享对象i的分享行为,获取用户u在分享维度上的第一CTDG和在接收维度上的第二CTDG;用户u的第一CTDG中的节点Ua是作为分享用户的用户u对应的节点,节点v1、节点v2、节点v3分别是作为用户u的被分享用户对应的节点,第一CTDG的有向边从节点Ua指向节点v1、节点v2、节点v3,表示分享行为由用户u发起,并由节点v1、节点v2、节点v3对应的被分享用户接收。用户u的第二CTDG中的节点Ub是作为被分享用户的用户u对应的节点,节点v4、节点v5、节点v6分别是作为用户u的分享用户对应的节点,第二CTDG的有向边指向节点Ub;表示分享行为由节点v4、节点v5、节点v6对应的用户发起并由用户u接收。
针对用户u的t时刻在分享维度上的第一分享表征信息,将用户u的第一CTDG输入至时序注意力网络进行特征学习,得到用户u在分享维度上的第一历史邻居信息;以及将用户u的历史分享表征信息中的hu a(t-)(也记为Ua(t-))进行投影,得到用户u的t时刻在分享维度上的第一投影分享表征信息Ua(t);将Ua(t-)、Ua(t)和用户u在分享维度上的第一历史邻居信息输入至MLP(Multilayer Perceptron,多层感知机)进行特征融合处理,得到用户u的t时刻在分享维度上的第一分享表征信息。
针对用户u的t时刻在接收维度上的第二分享表征信息,将用户u的第二CTDG输入至时序注意力网络进行特征学习,得到用户u在接收维度上的第二历史邻居信息;以及将用户u的历史分享表征信息hu(t-)中的hu b(t-)(也记为Ub(t-))进行投影,得到用户u的t时刻在接收维度上的第二投影分享表征信息Ub(t);将Ub(t-)、Ub(t)和用户u在接收维度上的第二历史邻居信息输入至MLP(Multilayer Perceptron,多层感知机)进行特征融合处理,得到用户u的t时刻在接收维度上的第二分享表征信息。
在得到用户u的t时刻在分享维度上的第一分享表征信息,以及用户u的t时刻在接收维度上的第二分享表征信息之后,对用户u的t时刻在分享维度上的第一分享表征信息和用户u的t时刻在接收维度上的第二分享表征信息进行特征拼接,得到用户u的t时刻分享表征信息hu(t)。
在t时刻之前,用户v的历史分享表征信息记为hv(t-),其中,hv(t-)包括在分享维度的hv a(t-)以及在接收维度的hv b(t-)。若t时刻,用户u发起分享对象i的分享行为,获取用户v在分享维度上的第一CTDG和在接收维度上的第二CTDG;用户v的第一CTDG中的节点va是作为分享用户的用户v对应的节点,节点u1、节点u2、节点u3分别是作为用户v的被分享用户对应的节点,第一CTDG的有向边从节点va指向节点u1、节点u2、节点u3,表示分享行为由用户v发起,并由节点u1、节点u2、节点u3对应的被分享用户接收。用户v的第二CTDG中的节点vb是作为被分享用户的用户v对应的节点,节点u4、节点u5、节点u6分别是作为用户v的分享用户对应的节点,第二CTDG的有向边指向节点vb;表示分享行为由节点u4、节点u5、节点u6对应的用户发起并由用户v接收。
针对用户v的t时刻在分享维度上的第一分享表征信息,将用户v的第一CTDG输入至时序注意力网络进行特征学习,得到用户v在分享维度上的第一历史邻居信息;以及将用户v的历史分享表征信息中的hv a(t-)(也记为va(t-))进行投影,得到用户v的t时刻在分享维度上的第一投影分享表征信息va(t);将va(t-)、va(t)和用户v在分享维度上的第一历史邻居信息输入至MLP进行特征融合处理,得到用户v的t时刻在分享维度上的第一分享表征信息。
针对用户v的t时刻在接收维度上的第二分享表征信息,将用户v的第二CTDG输入至时序注意力网络进行特征学习,得到用户v在接收维度上的第二历史邻居信息;以及将用户v的历史分享表征信息hv(t-)中的hv b(t-)(也记为Vb(t-))进行投影,得到用户v的t时刻在接收维度上的第二投影分享表征信息Vb(t);将Vb(t-)、Vb(t)和用户v在接收维度上的第二历史邻居信息输入至MLP进行特征融合处理,得到用户v的t时刻在接收维度上的第二分享表征信息。
在得到用户v的t时刻在分享维度上的第一分享表征信息,以及用户v的t时刻在接收维度上的第二分享表征信息之后,对用户v的t时刻在分享维度上的第一分享表征信息和用户v的t时刻在接收维度上的第二分享表征信息进行特征拼接,得到用户v的t时刻分享表征信息hv(t)。
在t时刻之前,对象i的历史分享表征信息记为hi(t-),hi(t-)包括静态分享表征信息hi ~和历史动态分享表征信息hi -(t-)。若t时刻,用户u发起分享对象i的分享行为,获取对象i的第三CTDG。对象i的第三CTDG中的节点id是对象i对应的节点,u1节点的用户向v1节点的用户在t时刻之前分享了对象i,故有向边从u1节点指向节点id,以及有向边从节点id指向v1节点;u2节点的用户向v2节点的用户在t时刻之前分享了对象i,故有向边从u2节点指向节点id,以及有向边从节点id指向v2节点。
将对象i的第三CTDG输入至时序注意力网络进行特征学习,得到对象i的历史邻居信息;以及将对象i的历史分享表征信息hi(t-)中的历史动态分享表征信息hi -和对象i的历史邻居信息输入至MLP进行特征融合处理,得到对象i的t时刻的动态分享表征信息;将对象i的历史分享表征信息hi(t-)中的静态分享表征信息hi ~和对象i的t时刻的动态分享表征信息进行特征拼接,得到对象i的t时刻的分享表征信息hi(t)。
继续参见图3,在得到用户u的t时刻的分享表征信息hu(t)、用户v的t时刻的分享表征信息hv(t)以及对象i的t时刻的分享表征信息hi(t)之后,执行分享概率预测操作。首先,将用户u的t时刻的分享表征信息hu(t)和对象i的t时刻的分享表征信息hi(t)进行特征相加运算,得到用户u-对象i二元表征信息。需要主要的是,仅仅将用户u的t时刻的分享表征信息hu(t)和对象i的t时刻的分享表征信息hi(t)进行特征相加运算,而不将用户v的t时刻的分享表征信息hv(t)和对象i的t时刻的分享表征信息hi(t)进行特征相加运算,使得用户u-对象i二元表征信息和用户v的t时刻的分享表征信息hv(t)具有非对称性,进而体现分享行为的非对称性;接着将用户u-对象i二元表征信息和用户v的t时刻的分享表征信息hv(t)进行特征拼接处理,得到用户u-对象i-用户v的三元表征信息;将用户u-对象i-用户v的三元表征信息输入至MLP进行预测处理,得到用户u在t时刻向用户v分享对象i的分享概率P(u,i,v,t)。依此类推,可以得到用户u在t时刻向任意的用户v分享对象i的分享概率。在得到用户u在t时刻向多个的用户v中每个用户v分享对象i的分享概率之后,选择分享概率较大的用户v作为推荐被分享用户,并向用户u推送选择的推荐被分享用户,以供用户u从推荐被分享用户中选择若干个,并向选择的推荐被分享用户推送对象i的访问入口链接等等。
在本实施例中,利用连续时间动态图建模动态非对称的分享交互关系,从而能够同时将细粒度的时间信息和非对称拓扑结构信息耦合起来;利用基于双向连续时间动态图的时序图注意力网络来分别聚合分享和接收两个方向上的邻居用户信息,用来分别表征用户的分享倾向和接收倾向;基于时序点过程设计了个性化的投影因子来对用户表征进行投影,能够体现出不同用户对于不同时间间隔的感知能力,从而可以在任一时刻利用该投影获取新的用户表征,个性化的解决了用户表征在长时间不交互之后的更新滞后问题。由此,提供一种基于时间间隔感知的双向连续时间动态图的分享推荐方法,能够支持即时动态地对用户(分享者)在商品分享时的好友(被分享者)进行推荐及排序优化,提高用户即时商品分享过程体验,在此基础上,提供了一套动态的用户表征,该表征能够同时反映用户即时的分享意愿和接收意愿,可广泛应用于社交互动场景相关的用户推荐,营销决策等下游任务。
图4为本申请实施例提供的另一种信息分享处理方法的流程图。如图4所示,该方法可以包括以下步骤:
401、响应目标分享用户在t时刻针对目标对象发起的信息分享请求,根据历史分享行为数据,分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息。
402、根据目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,生成目标分享用户和候选被分享用户各自在t时刻的分享表征信息,以及根据目标对象的历史邻居信息生成目标对象在t时刻的分享表征信息。
403、根据目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息,预测目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率。
404、根据分享概率,将候选被分享用户中的目标被分享用户的信息提供给目标分享用户,以使目标分享用户向目标被分享用户分享目标对象。
405、在目标分享用户将目标对象分享给目标被分享用户之后,基于循环神经网络对目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息进行更新,以根据更新后的分享表征信息进行下一次分享预测。
关于本实施例中的步骤401至步骤404可以分别参见前述实施例中的步骤201至204的相关描述,在此不再赘述。
在本实施例中,循环神经网络(Recurrent Neural Network,RNN)例如包括但不限于:GRU。
在本实施例中,可以提供第一GRU、第二GRU和第三GRU。第一GRU用于进行显性表征的更新,第二GRU用于进行隐性表征的更新。第三GRU用于进行对象的动态分享表征信息更新。
目标分享用户和候选被分享用户各自在t时刻的分享表征信息分别包括在t时刻在分享维度上的第一分享表征信息和在t时刻在接收维度上的第二分享表征信息。目标分享用户t时刻在分享维度上的第一分享表征信息以及候选被分享用户t时刻在接收维度上的第二分享表征信息属于显性表征;目标分享用户t时刻在接收维度上的第二分享表征信息以及候选被分享用户t时刻在分享维度上的第一分享表征信息属于隐性表征。于是,将目标分享用户t时刻在分享维度上的第一分享表征信息以及候选被分享用户t时刻在接收维度上的第二分享表征信息分别输入第一GRU中进行显性表征的更新;将目标分享用户t时刻在接收维度上的第二分享表征信息以及候选被分享用户t时刻在分享维度上的第一分享表征信息分别输入第二GRU中进行隐性表征的更新;将目标分享用户以及候选被分享用户各自在分享维度上更新后的第一分享表征信息和在接收维度上更新后的第二分享表征信息进行拼接,得到目标分享用户以及候选被分享用户各自更新后的分享表征信息。
目标对象在t时刻的分享表征信息包括静态分享表征信息和在t时刻的动态分享表征信息。于是,将目标对象在t时刻的动态分享表征信息输入第三GRU进行更新,并将静态分享表征信息和目标对象的更新后的动态分享表征信息进行拼接,得到目标对象更新后的分享表征信息。
继续参见图3,第一GRU在图3中以显性GRU示出,第二GRU在图3中以隐性GRU示出,第三GRU在图3中以对象GRU示出。
假设用户u的t时刻在分享维度上的第一分享表征信息记为hu a(t),用户u的t时刻在接收维度上的第二分享表征信息hu b(t);将hu a(t)输入至显性GRU进行更新,得到hu a(t+);以及将hu b(t)输入至隐性GRU进行更新,得到hu b(t+),将hu a(t+)和hu b(t+)进行特征拼接,得到更新后的hu(t+)。
假设用户v的t时刻在分享维度上的第一分享表征信息记为hv a(t),用户v的t时刻在接收维度上的第二分享表征信息hv b(t);将hv b(t)输入至显性GRU进行更新,得到hv b(t+);以及将hv a(t)输入至隐性GRU进行更新,得到hv a(t+),将hv a(t+)和hv b(t+)进行特征拼接,得到更新后的hv(t+)。
假设对象i的t时刻的分享表征信息hi(t)中的静态分享表征信息记为hi ~,对象i的t时刻的分享表征信息hi(t)中动态分享表征信息记为hi -(t);将hi -(t)输入至对象GRU进行更新,得到hi -(t+);以及将hi ~和hi -(t+)进行特征拼接,得到更新后的hi(t+)。
本申请实施例提供的技术方案,自动地为分享用户推荐对所需分享的目标对象较为感兴趣的被分享用户,降低了信息分享的繁琐程度,提高了信息分享效率。进一步的,还支持更新用户和对象的分享表征信息,以帮助提高分享推荐的准确率。为了体现本申请实施例的效果,通过测试方式将本申请实施例的技术方案和传统方案进行了相比,本申请实施例提供的技术方案,在分享推荐方面的准确率(accuracy,ACC)、查准率(precision,又称为P精确率)、查全率(Recall Ratio,又称为R召回率)、F1-score、AUC(Area Under Curve,ROC曲线下的面积)值、ROC(receiver operating characteristic curve,受试者工作特征曲线)和PR曲线等多个性能指标上有较大提升。其中,PR曲线中的P代表的是precision(精准率),R代表的是recall(召回率),其代表的是精准率与召回率的关系。F1 Score也即F1分数,是统计学中用来衡量二分类模型精确度的一种指标。
图5为本申请实施例提供的一种信息分享处理装置的结构示意图。参见图5,该装置可以包括:
邻居信息获取模块51,用于响应目标分享用户在t时刻针对目标对象发起的信息分享请求,根据历史分享行为数据,分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息;
表征信息生成模块52,用于根据目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,生成目标分享用户和候选被分享用户各自在t时刻的分享表征信息,以及根据目标对象的历史邻居信息生成目标对象在t时刻的分享表征信息;
分享概率预测模块53,用于根据目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息,预测目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率;
用户信息推荐模块54,用于根据分享概率,将候选被分享用户中的目标被分享用户的信息提供给目标分享用户,以使目标分享用户向目标被分享用户分享目标对象。
进一步可选的,邻居信息获取模块51根据历史分享行为数据,分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息时,具体用于:
根据历史分享行为数据,利用基于连续时间动态图CTDG的时序注意力网络分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息。
进一步可选的,邻居信息获取模块51根据历史分享行为数据,利用基于连续时间动态图CTDG的时序注意力网络分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息时,具体用于:根据历史分享行为数据,获取目标分享用户和候选被分享用户各自在分享维度上的第一CTDG和在接收维度上的第二CTDG,以及目标对象的第三CTDG;将目标分享用户和候选被分享用户各自在分享维度上的第一CTDG和在接收维度上的第二CTDG分别输入时序注意力网络进行特征学习,得到目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息;将目标对象的第三CTDG输入时序注意力网络进行特征学习,得到目标对象的历史邻居信息。
进一步可选的,邻居信息获取模块51根据历史分享行为数据,获取目标分享用户和候选被分享用户各自在分享维度上的第一CTDG和在接收维度上的第二CTDG时,具体用于:从历史分享行为数据中,确定每次历史分享行为涉及的分享用户、被分享用户、分享对象信息和分享时间信息;针对每次历史分享行为,将分享用户和被分享用户抽象为用户节点,在用户节点之间创建由分享用户指向被分享用户的有向边,并将分享对象信息和分享时间信息作为有向边的属性信息,以得到全局CTDG;将目标分享用户和候选被分享用户分别作为查询对象,从全局CTDG中获取查询对象作为分享用户时的局部CTDG作为其在分享维度上的第一CTDG,以及获取查询对象作为被分享用户时的局部CTDG作为其在接收维度上的第二CTDG。
进一步可选的,邻居信息获取模块51根据历史分享行为数据,获取目标对象的第三CTDG时,具体用于:从历史分享行为数据中,确定每次历史分享行为涉及的分享用户、被分享用户和分享对象;针对每次历史分享行为,将分享用户和被分享用户抽象为用户节点,将分享对象抽象为对象节点,创建由分享用户对应的用户节点指向对象节点的有向边,以及对象节点指向被分享用户对应的用户节点的有向边,以得到目标对象的第三CTDG。
进一步可选的,表征信息生成模块52根据目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,生成目标分享用户和候选被分享用户各自在t时刻的分享表征信息时,具体用于:根据目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及各自的历史分享表征信息,生成目标分享用户和候选被分享用户各自在t时刻的分享表征信息。
进一步可选的,表征信息生成模块52根据目标分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及其历史分享表征信息,生成目标分享用户在t时刻的分享表征信息时,具体用于:从目标分享用户的历史分享表征信息中提取其在分享维度上的第一历史分享表征信息和在接收维度上的第二历史分享表征信息;将目标分享用户在分享维度上的第一历史邻居信息与第一历史分享表征信息进行特征融合,得到目标分享用户t时刻在分享维度上的第一分享表征信息;将目标分享用户在接收维度上的第二历史邻居信息与第二历史分享表征信息进行特征融合,得到目标分享用户t时刻在接收维度上的第二分享表征信息;将目标分享用户t时刻在分享维度上的第一分享表征信息和在接收维度上的第二分享表征信息进行特征拼接,得到目标分享用户在t时刻的分享表征信息。
进一步可选的,表征信息生成模块52将目标分享用户在分享维度上的第一历史邻居信息与第一历史分享表征信息进行特征融合,得到目标分享用户t时刻在分享维度上的第一分享表征信息时,具体用于:根据目标分享用户的时间点过程模型,对目标分享用户在分享维度上的第一历史分享表征信息进行投影,得到目标分享用户在分享维度上的第一投影分享表征信息;将目标分享用户在分享维度上的第一历史邻居信息、第一历史分享表征信息以及第一投影分享表征信息送入多层感知机MLP网络进行特征融合,得到目标分享用户t时刻在分享维度上的第一分享表征信息。
进一步可选的,表征信息生成模块52根据目标分享用户的时间点过程模型,对目标分享用户在分享维度上的第一历史分享表征信息进行投影,得到目标分享用户在分享维度上的第一投影分享表征信息时,具体用于:根据目标分享用户的时间点过程模型,预测目标分享用户下一次期望的分享时刻;根据下一次期望的分享时刻与t时刻的差值,确定投影因子;根据投影因子,对目标分享用户在分享维度上的第一历史分享表征信息进行投影,得到目标分享用户在分享维度上的第一投影分享表征信息。
进一步可选的,表征信息生成模块52根据目标对象的历史邻居信息生成目标对象在t时刻的分享表征信息时,具体用于:从目标对象的历史分享表征信息中提取静态分享表征信息和历史动态分享表征信息;将目标对象的历史邻居信息和历史动态分享表征信息进行特征融合,得到目标对象在t时刻的动态表征信息;将静态分享表征信息和目标对象在t时刻的动态分享表征信息进行特征拼接,得到目标对象在t时刻的分享表征信息。
进一步可选的,分享概率预测模块53根据目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息,预测目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率时,具体用于:将目标分享用户在t时刻的分享表征信息和候选被分享用户在t时刻的分享表征信息进行特征相加,得到用户-对象二元表征信息;将用户-对象的二元表征信息和候选被分享用户在t时刻的分享表征信息进行特征拼接,得到用户-对象-用户三元表征信息;利用多层感知机MLP对用户-对象-用户三元表征信息进行概率预测处理,得到目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率。
进一步可选的,上述装置还包括:更新模块,用于在目标分享用户将目标对象分享给目标被分享用户之后,基于循环神经网络对目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息进行更新,以根据更新后的分享表征信息进行下一次分享预测。
进一步可选的,目标分享用户和候选被分享用户各自在t时刻的分享表征信息分别包括在t时刻在分享维度上的第一分享表征信息和在t时刻在接收维度上的第二分享表征信息;
更新模块基于循环神经网络对目标分享用户和候选被分享用户各自在t时刻的分享表征信息进行更新时,具体用于:
将目标分享用户t时刻在分享维度上的第一分享表征信息以及候选被分享用户t时刻在接收维度上的第二分享表征信息分别输入第一门控神经网络GRU中进行显性表征的更新;
将目标分享用户t时刻在接收维度上的第二分享表征信息以及候选被分享用户t时刻在分享维度上的第一分享表征信息分别输入第二GRU中进行隐性表征的更新;
将目标分享用户以及候选被分享用户各自在分享维度上更新后的第一分享表征信息和在接收维度上更新后的第二分享表征信息进行拼接,得到目标分享用户以及候选被分享用户各自更新后的分享表征信息。
进一步可选的,目标对象各自在t时刻的分享表征信息包括静态分享表征信息和在t时刻的动态分享表征信息;更新模块基于循环神经网络对目标对象在t时刻的分享表征信息进行更新时,具体用于:将目标对象在t时刻的动态分享表征信息输入第三GRU进行更新,并将静态分享表征信息和目标对象的更新后的动态分享表征信息进行拼接,得到目标对象更新后的分享表征信息。
图5所示的装置可以执行图2所示实施例所示的方法,其实现原理和技术效果不再赘述。对于上述实施例中的图5所示装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
需要说明的是,上述实施例所提供方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤401至步骤405的执行主体可以为设备A;又比如,步骤401和403的执行主体可以为设备A,步骤404和405的执行主体可以为设备B;等等。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如401、402等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
图6为本申请实施例提供的一种计算机设备的结构示意图。如图6所示,该计算机设备包括:存储器61和处理器62;存储器61,用于存储计算机程序,并可被配置为存储其它各种数据以支持在计算平台上的操作。这些数据的示例包括用于在计算平台上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
存储器61可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random-AccessMemory,SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable read only memory,EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM),可编程只读存储器(Programmable read-only memory,PROM),只读存储器(Read-Only Memory,ROM),磁存储器,快闪存储器,磁盘或光盘。
处理器62,与存储器61耦合,用于执行存储器61中的计算机程序,以用于:响应目标分享用户在t时刻针对目标对象发起的信息分享请求,根据历史分享行为数据,分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息;根据目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,生成目标分享用户和候选被分享用户各自在t时刻的分享表征信息,以及根据目标对象的历史邻居信息生成目标对象在t时刻的分享表征信息;根据目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息,预测目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率;根据分享概率,将候选被分享用户中的目标被分享用户的信息提供给目标分享用户,以使目标分享用户向目标被分享用户分享目标对象。
进一步,如图6所示,该计算机设备还包括:通信组件63、显示器64、电源组件65、音频组件66等其它组件。图6中仅示意性给出部分组件,并不意味着计算机设备只包括图6所示组件。另外,图6中虚线框内的组件为可选组件,而非必选组件,具体可视计算机设备的产品形态而定。本实施例的计算机设备可以实现为台式电脑、笔记本电脑、智能手机或IOT(物联网,Internet of things)设备等终端设备,也可以是常规服务器、云服务器或服务器阵列等服务端设备。若本实施例的计算机设备实现为台式电脑、笔记本电脑、智能手机等终端设备,可以包含图6中虚线框内的组件;若本实施例的计算机设备实现为常规服务器、云服务器或服务器阵列等服务端设备,则可以不包含图6中虚线框内的组件。
关于处理器执行各动作的详细实施过程可参见前述方法实施例或设备实施例中的相关描述,在此不再赘述。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由计算机设备执行的各步骤。
相应地,本申请实施例还提供一种计算机程序产品,包括计算机程序/指令,当计算机程序/指令被处理器执行时,致使处理器能够实现上述方法实施例中可由计算机设备执行的各步骤。
上述通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G/LTE、5G等移动通信网络,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件还包括近场通信(Near Field Communication,NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(Radio Frequency Identification,RFID)技术,红外数据协会(The InfraredData Association,IrDA)技术,超宽带(Ultra Wide Band,UWB)技术,蓝牙(Bluetooth,BT)技术和其他技术来实现。
上述显示器包括屏幕,其屏幕可以包括液晶显示器(Liquid Crystal Display,LCD)和触摸面板(touch panel,TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与触摸或滑动操作相关的持续时间和压力。
上述电源组件,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
上述音频组件,可被配置为输出和/或输入音频信号。例如,音频组件包括一个麦克风(microphone,MIC),当音频组件所在设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中,音频组件还包括一个扬声器,用于输出音频信号。
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程序代码的计算机可读存储介质(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指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(central processingunit,CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RandomAccess Memory,RAM)和/或非易失性内存等形式,如只读存储器(Read Only Memory,ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变化内存(Phase Change RAM,PRAM)、静态随机存取存储器(Static Random-Access Memory,SRAM)、动态随机存取存储器(DynamicRandom Access Memory,DRAM)、其他类型的随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、电可擦除可编程只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(Digital versatile disc,DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (17)
1.一种信息分享处理方法,其特征在于,包括:
响应目标分享用户在t时刻针对目标对象发起的信息分享请求,根据历史分享行为数据,分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息;
根据所述目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,生成所述目标分享用户和候选被分享用户各自在t时刻的分享表征信息,以及根据所述目标对象的历史邻居信息生成所述目标对象在t时刻的分享表征信息;
根据所述目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息,预测所述目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率;
根据所述分享概率,将所述候选被分享用户中的目标被分享用户的信息提供给所述目标分享用户,以使所述目标分享用户向所述目标被分享用户分享所述目标对象。
2.根据权利要求1所述的方法,其特征在于,根据历史分享行为数据,分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息,包括:
根据历史分享行为数据,利用基于连续时间动态图CTDG的时序注意力网络分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息。
3.根据权利要求2所述的方法,其特征在于,根据历史分享行为数据,利用基于连续时间动态图CTDG的时序注意力网络分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息,包括:
根据历史分享行为数据,获取目标分享用户和候选被分享用户各自在分享维度上的第一CTDG和在接收维度上的第二CTDG,以及目标对象的第三CTDG;
将所述目标分享用户和候选被分享用户各自在分享维度上的第一CTDG和在接收维度上的第二CTDG分别输入时序注意力网络进行特征学习,得到目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息;
将所述目标对象的第三CTDG输入时序注意力网络进行特征学习,得到目标对象的历史邻居信息。
4.根据权利要求3所述的方法,其特征在于,根据历史分享行为数据,获取目标分享用户和候选被分享用户各自在分享维度上的第一CTDG和在接收维度上的第二CTDG,包括:
从所述历史分享行为数据中,确定每次历史分享行为涉及的分享用户、被分享用户、分享对象信息和分享时间信息;
针对每次历史分享行为,将分享用户和被分享用户抽象为用户节点,在用户节点之间创建由分享用户指向被分享用户的有向边,并将分享对象信息和分享时间信息作为有向边的属性信息,以得到全局CTDG;
将目标分享用户和候选被分享用户分别作为查询对象,从所述全局CTDG中获取所述查询对象作为分享用户时的局部CTDG作为其在分享维度上的第一CTDG,以及获取所述查询对象作为被分享用户时的局部CTDG作为其在接收维度上的第二CTDG。
5.根据权利要求3所述的方法,其特征在于,根据历史分享行为数据,获取目标对象的第三CTDG,包括:
从所述历史分享行为数据中,确定每次历史分享行为涉及的分享用户、被分享用户和分享对象;
针对每次历史分享行为,将分享用户和被分享用户抽象为用户节点,将分享对象抽象为对象节点,创建由分享用户对应的用户节点指向对象节点的有向边,以及对象节点指向被分享用户对应的用户节点的有向边,以得到目标对象的第三CTDG。
6.根据权利要求1-5任一项所述的方法,其特征在于,根据所述目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,生成所述目标分享用户和候选被分享用户各自在t时刻的分享表征信息,包括:
根据所述目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及各自的历史分享表征信息,生成所述目标分享用户和候选被分享用户各自在t时刻的分享表征信息。
7.根据权利要求6所述的方法,其特征在于,根据所述目标分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及其历史分享表征信息,生成所述目标分享用户在t时刻的分享表征信息,包括:
从所述目标分享用户的历史分享表征信息中提取其在分享维度上的第一历史分享表征信息和在接收维度上的第二历史分享表征信息;
将所述目标分享用户在分享维度上的第一历史邻居信息与第一历史分享表征信息进行特征融合,得到所述目标分享用户t时刻在分享维度上的第一分享表征信息;
将所述目标分享用户在接收维度上的第二历史邻居信息与第二历史分享表征信息进行特征融合,得到所述目标分享用户t时刻在接收维度上的第二分享表征信息;
将所述目标分享用户t时刻在分享维度上的第一分享表征信息和在接收维度上的第二分享表征信息进行特征拼接,得到所述目标分享用户在t时刻的分享表征信息。
8.根据权利要求7所述的方法,其特征在于,将所述目标分享用户在分享维度上的第一历史邻居信息与第一历史分享表征信息进行特征融合,得到所述目标分享用户t时刻在分享维度上的第一分享表征信息,包括:
根据所述目标分享用户的时间点过程模型,对所述目标分享用户在分享维度上的第一历史分享表征信息进行投影,得到所述目标分享用户在分享维度上的第一投影分享表征信息;
将所述目标分享用户在分享维度上的第一历史邻居信息、第一历史分享表征信息以及第一投影分享表征信息送入多层感知机MLP网络进行特征融合,得到所述目标分享用户t时刻在分享维度上的第一分享表征信息。
9.根据权利要求8所述的方法,其特征在于,根据所述目标分享用户的时间点过程模型,对所述目标分享用户在分享维度上的第一历史分享表征信息进行投影,得到所述目标分享用户在分享维度上的第一投影分享表征信息,包括:
根据所述目标分享用户的时间点过程模型,预测所述目标分享用户下一次期望的分享时刻;
根据所述下一次期望的分享时刻与t时刻的差值,确定投影因子;
根据所述投影因子,对所述目标分享用户在分享维度上的第一历史分享表征信息进行投影,得到所述目标分享用户在分享维度上的第一投影分享表征信息。
10.根据权利要求1所述的方法,其特征在于,根据所述目标对象的历史邻居信息生成所述目标对象在t时刻的分享表征信息,包括:
从所述目标对象的历史分享表征信息中提取静态分享表征信息和历史动态分享表征信息;
将所述目标对象的历史邻居信息和所述历史动态分享表征信息进行特征融合,得到所述目标对象在t时刻的动态表征信息;
将所述静态分享表征信息和所述目标对象在t时刻的动态分享表征信息进行特征拼接,得到所述目标对象在t时刻的分享表征信息。
11.根据权利要求1-5以及7-10中任一项所述的方法,其特征在于,根据所述目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息,预测所述目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率,包括:
将所述目标分享用户在t时刻的分享表征信息和所述候选被分享用户在t时刻的分享表征信息进行特征相加,得到用户-对象二元表征信息;
将所述用户-对象的二元表征信息和所述候选被分享用户在t时刻的分享表征信息进行特征拼接,得到用户-对象-用户三元表征信息;
利用多层感知机MLP对所述用户-对象-用户三元表征信息进行概率预测处理,得到所述目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率。
12.根据权利要求1-5以及7-10中任一项所述的方法,其特征在于,还包括:
在目标分享用户将所述目标对象分享给所述目标被分享用户之后,基于循环神经网络对所述目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息进行更新,以根据更新后的分享表征信息进行下一次分享预测。
13.根据权利要求12所述的方法,其特征在于,所述目标分享用户和候选被分享用户各自在t时刻的分享表征信息分别包括在t时刻在分享维度上的第一分享表征信息和在t时刻在接收维度上的第二分享表征信息;
基于循环神经网络对所述目标分享用户和候选被分享用户各自在t时刻的分享表征信息进行更新,包括:
将所述目标分享用户t时刻在分享维度上的第一分享表征信息以及所述候选被分享用户t时刻在接收维度上的第二分享表征信息分别输入第一门控神经网络GRU中进行显性表征的更新;
将所述目标分享用户t时刻在接收维度上的第二分享表征信息以及所述候选被分享用户t时刻在分享维度上的第一分享表征信息分别输入第二GRU中进行隐性表征的更新;
将所述目标分享用户以及候选被分享用户各自在分享维度上更新后的第一分享表征信息和在接收维度上更新后的第二分享表征信息进行拼接,得到所述目标分享用户以及候选被分享用户各自更新后的分享表征信息。
14.根据权利要求13所述的方法,其特征在于,所述目标对象各自在t时刻的分享表征信息包括静态分享表征信息和在t时刻的动态分享表征信息;
基于循环神经网络对所述目标对象在t时刻的分享表征信息进行更新,包括:
将所述目标对象在t时刻的动态分享表征信息输入第三GRU进行更新,并将所述静态分享表征信息和所述目标对象的更新后的动态分享表征信息进行拼接,得到所述目标对象更新后的分享表征信息。
15.一种信息分享处理装置,其特征在于,包括:
邻居信息获取模块,用于响应目标分享用户在t时刻针对目标对象发起的信息分享请求,根据历史分享行为数据,分别聚合目标分享用户和候选被分享用户在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,以及聚合目标对象的历史邻居信息;
表征信息生成模块,用于根据所述目标分享用户和候选被分享用户各自在分享维度上的第一历史邻居信息和在接收维度上的第二历史邻居信息,生成所述目标分享用户和候选被分享用户各自在t时刻的分享表征信息,以及根据所述目标对象的历史邻居信息生成所述目标对象在t时刻的分享表征信息;
分享概率预测模块,用于根据所述目标分享用户、候选被分享用户以及目标对象各自在t时刻的分享表征信息,预测所述目标分享用户在t时刻将目标对象分享给候选被分享用户的分享概率;
用户信息推荐模块,用于根据所述分享概率,将所述候选被分享用户中的目标被分享用户的信息提供给所述目标分享用户,以使所述目标分享用户向所述目标被分享用户分享所述目标对象。
16.一种计算机设备,其特征在于,包括:存储器和处理器;所述存储器,用于存储计算机程序,所述处理器与所述存储器耦合,用于执行所述计算机程序,以用于实现权利要求1-14任一项所述方法中的步骤。
17.一种存储有计算机程序的计算机可读存储介质,其特征在于,当所述计算机程序被处理器执行时,致使所述处理器能够实现权利要求1-14任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211328249.6A CN115660779A (zh) | 2022-10-27 | 2022-10-27 | 信息分享处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211328249.6A CN115660779A (zh) | 2022-10-27 | 2022-10-27 | 信息分享处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660779A true CN115660779A (zh) | 2023-01-31 |
Family
ID=84992847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211328249.6A Pending CN115660779A (zh) | 2022-10-27 | 2022-10-27 | 信息分享处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660779A (zh) |
-
2022
- 2022-10-27 CN CN202211328249.6A patent/CN115660779A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11741497B2 (en) | System and method for inferring the intent of a user while receiving signals on a mobile communication device from a broadcasting device | |
US10869260B2 (en) | Systems and methods for mediating representations allowing control of devices located in an environment having broadcasting devices | |
CN109544396B (zh) | 账号推荐方法、装置、服务器、终端及存储介质 | |
US10565771B2 (en) | Automatic video segment selection method and apparatus | |
US20220067115A1 (en) | Information processing method, apparatus, electrical device and readable storage medium | |
CN110727868B (zh) | 对象推荐方法、装置和计算机可读存储介质 | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
JP2020521376A (ja) | イメージデータに少なくとも部分的に基づく、アクションを実行するためのエージェントの決定 | |
WO2021223752A1 (zh) | 展示方法、装置和电子设备 | |
US20210406389A1 (en) | Method and device for displaying information | |
JP2024503774A (ja) | 融合パラメータの特定方法及び装置、情報推奨方法及び装置、パラメータ測定モデルのトレーニング方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN111967892A (zh) | 一种信息推荐方法及装置 | |
US20120117006A1 (en) | Method and apparatus for building a user behavior model | |
CN114168843A (zh) | 搜索词推荐方法、设备及存储介质 | |
CN113807926A (zh) | 推荐信息生成方法、装置、电子设备和计算机可读介质 | |
CN114417174B (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
CN111552835A (zh) | 文件推荐方法、装置及服务器 | |
CN115760296B (zh) | 页面数据处理与浏览方法、终端设备及存储介质 | |
CN116245603A (zh) | 用户标签的处理方法、装置、云服务器和可读存储介质 | |
CN115660779A (zh) | 信息分享处理方法、装置、设备及存储介质 | |
CN114780790A (zh) | 内容搜索方法、装置、设备和存储介质 | |
CN112948602A (zh) | 一种内容显示方法、装置、系统、设备及存储介质 | |
CN109684015B (zh) | 界面数据的加载方法、装置、电子设备及存储介质 | |
CN111241318B (zh) | 选取对象推送封面图的方法、装置、设备、存储介质 | |
US20240152512A1 (en) | Machine learning for dynamic information retrieval in a cold start setting |
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 |