CN115795177B - 社交媒体内容推荐方法及装置 - Google Patents

Abstract

本发明实施例公开了一种社交媒体内容推荐方法及装置，方法包括：根据用户信息和内容信息，利用第一预设模型获取用户的原始嵌入和内容的原始嵌入；构建用户相似度矩阵，并根据用户相似度矩阵筛选确定邻居用户对用户的原始嵌入进行修正，得到用户的修正嵌入；以及，构建内容相似度矩阵，并根据内容相似度矩阵筛选确定邻居内容对内容的原始嵌入进行修正，得到内容的修正嵌入；构建元路径下的路径实例，确定对应的元路径的嵌入，并根据元路径的嵌入、用户的修正嵌入以及内容的修正嵌入基于自注意力机制计算得到用户与内容的元路径的终值嵌入；将用户的修正嵌入、内容的修正嵌入以及元路径的终值嵌入拼接输入第二预设模型，得到用户与内容的推荐结果。

Description

社交媒体内容推荐方法及装置

技术领域

本发明实施例涉及神经网络技术领域，具体涉及一种社交媒体内容推荐方法及装置。

背景技术

在当下信息井喷的时代，有效信息淹没于大量的无关信息中，这种现象称为信息过载，极大地降低了用户可以获取有用信息的效率。

对信息内容进行推荐，对于各种在线平台、搜索平台等均起到至关重要的作用，可以有效地缓解信息过载现象。目前内容推荐主要是基于元路径或者深度学习的方式进行推荐，如基于深度神经网络进行推荐，但当前的推荐技术的重点往往致力于利用节点间的高阶交互信息，忽视了低阶交互信息，即重点关注于设计元路径的高阶邻居信息，而对如用户、内容等单个体的低阶交互信息忽视，因此，需要一种社交媒体内容推荐方法，可以利用低阶交互信息和高阶交互信息来进行内容推荐，充分利用用户、内容等信息，且推荐结果具有良好的可解释性。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的社交媒体内容推荐方法及装置。

根据本发明实施例的一个方面，提供了一种社交媒体内容推荐方法，

根据用户信息和内容信息，利用第一预设模型获取用户的原始嵌入和内容的原始嵌入；

根据用户信息和其他用户信息构建用户相似度矩阵，并根据用户相似度矩阵筛选确定邻居用户对用户的原始嵌入进行修正，得到用户的修正嵌入；以及，根据内容信息和其他内容信息构建内容相似度矩阵，并根据内容相似度矩阵筛选确定邻居内容对内容的原始嵌入进行修正，得到内容的修正嵌入；

构建元路径下的路径实例，确定对应的元路径的嵌入，并根据元路径的嵌入、用户的修正嵌入以及内容的修正嵌入基于自注意力机制计算得到用户与内容的元路径的终值嵌入；

将用户的修正嵌入、内容的修正嵌入以及元路径的终值嵌入拼接输入第二预设模型，得到用户与内容的推荐结果。

可选地，在根据用户信息和内容信息，利用第一预设模型获取用户的原始嵌入和内容的原始嵌入之前，方法还包括：

收集样本数据，将样本数据输入对第一预设模型进行训练，得到训练后的第一预设模型；

根据用户信息和内容信息，利用第一预设模型获取用户的原始嵌入和内容的原始嵌入进一步包括：

根据用户信息得到对应的用户信息的独热编码，以及，根据内容信息得到对应的内容信息的独热编码；

将用户信息的独热编码与训练后的第一预设模型的第一权重矩阵相乘，得到用户的原始嵌入；以及，将内容信息的独热编码与训练后的第一预设模型的第二权重矩阵相乘，得到内容的原始嵌入。

可选地，收集样本数据，将样本数据输入对第一预设模型进行训练，得到训练后的第一预设模型进一步包括：

收集样本数据；样本数据包括用户信息、内容信息，以及，用户与内容间的关系标注结果；

对样本数据进行预处理，构建得到多个样本关系矩阵；其个，多个样本关系矩阵包括用户-内容矩阵、用户-年龄矩阵、用户-职业矩阵、用户-用户活跃度矩阵、用户-用户位置矩阵和/或用户-最近更新时间矩阵；

将样本数据以及样本关系矩阵输入至第一预设模型进行训练，得到训练后的第一预设模型。

可选地，根据用户信息和其他用户信息构建用户相似度矩阵，并根据用户相似度矩阵筛选确定邻居用户对用户的原始嵌入进行修正，得到用户的修正嵌入进一步包括：

根据用户信息和其他用户信息，结合用户关注信息，构建得到用户相似度矩阵，并根据用户相似度矩阵，按照用户相似度从高到低筛选排序在先的其他用户作为邻居用户；

根据邻居用户的用户信息，对用户的原始嵌入进行修正，得到用户的修正嵌入。

可选地，根据用户信息和其他用户信息，结合用户关注信息，构建得到用户相似度矩阵，并根据用户相似度矩阵，按照用户相似度从高到低筛选排序在先的其他用户作为邻居用户进一步包括：

将用户信息和其他用户信息，以及用户关注信息输入至第二预设模型，利用第二预设模型构建得到用户相似度矩阵；

由第二预设模型的查找层对用户相似度矩阵中的用户相似度按照从高到低排序，筛选排序在先的其他用户作为邻居用户；

根据邻居用户的用户信息，对用户的原始嵌入进行修正，得到用户的修正嵌入进一步包括：

基于第二预设矩阵得到邻居用户的特征向量，并对邻居用户的特征向量进行归一化处理，得到用户修正向量；

利用用户修正向量对用户的原始嵌入进行修正，得到用户的修正嵌入。

可选地，根据内容信息和其他内容信息构建内容相似度矩阵，并根据内容相似度矩阵筛选确定邻居内容对内容的原始嵌入进行修正，得到内容的修正嵌入进一步包括：

根据内容信息和其他内容信息，结合内容引用信息，构建得到内容相似度矩阵，并根据内容相似度矩阵，按照内容相似度从高到低筛选排序在先的其他内容作为邻居内容；

根据邻居内容的内容信息，对内容的原始嵌入进行修正，得到内容的修正嵌入。

可选地，根据内容信息和其他内容信息，结合内容引用信息，构建得到内容相似度矩阵，并根据内容相似度矩阵，按照内容相似度从高到低筛选排序在先的其他内容作为邻居内容进一步包括：

将内容信息和其他内容信息，以及内容关注信息输入至第二预设模型，利用第二预设模型构建得到内容相似度矩阵；

由第二预设模型的查找层对内容相似度矩阵中的内容相似度按照从高到低排序，筛选排序在先的其他内容作为邻居内容；

根据邻居内容的内容信息，对内容的原始嵌入进行修正，得到内容的修正嵌入进一步包括：

基于第二预设矩阵得到邻居内容的特征向量，并对邻居内容的特征向量进行归一化处理，得到内容修正向量；

利用内容修正向量对内容的原始嵌入进行修正，得到内容的修正嵌入。

可选地，构建元路径下的路径实例，确定对应的元路径的嵌入，并根据元路径的嵌入、用户的修正嵌入以及内容的修正嵌入基于自注意力机制计算得到用户与内容的元路径的终值嵌入进一步包括：

构建元路径下的路径实例，并对路径实例进行池化处理，得到元路径的嵌入；

根据用户的修正嵌入、内容的修正嵌入以及元路径的嵌入，计算得到元路径的嵌入的权重；

基于自注意力机制对元路径的嵌入的权重进行归一化处理，得到元路径的注意力分值；

根据各个元路径的注意力分值以及各个元路径的嵌入计算得到用户与内容的元路径的终值嵌入。

可选地，将用户的修正嵌入、内容的修正嵌入以及元路径的终值嵌入拼接输入第二预设模型，得到用户与内容的推荐结果进一步包括：

将用户的修正嵌入、内容的修正嵌入以及元路径的终值嵌入拼接输入第二预设模型的全连接层，得到用户与内容的推荐结果，以供根据推荐结果确定为用户推荐的内容。

根据本发明实施例的另一方面，提供了一种社交媒体内容推荐装置，其包括：

获取原始嵌入模块，适于根据用户信息和内容信息，利用第一预设模型获取用户的原始嵌入和内容的原始嵌入；

修正模块，适于根据用户信息和其他用户信息构建用户相似度矩阵，并根据用户相似度矩阵筛选确定邻居用户对用户的原始嵌入进行修正，得到用户的修正嵌入；以及，根据内容信息和其他内容信息构建内容相似度矩阵，并根据内容相似度矩阵筛选确定邻居内容对内容的原始嵌入进行修正，得到内容的修正嵌入；

路径模块，适于构建元路径下的路径实例，确定对应的元路径的嵌入，并根据元路径的嵌入、用户的修正嵌入以及内容的修正嵌入基于自注意力机制计算得到用户与内容的元路径的终值嵌入；

推荐模块，适于将用户的修正嵌入、内容的修正嵌入以及元路径的终值嵌入拼接输入第二预设模型，得到用户与内容的推荐结果。

根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述社交媒体内容推荐方法对应的操作。

根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述社交媒体内容推荐方法对应的操作。

根据本发明实施例的提供的社交媒体内容推荐方法及装置，将用户、内容等低阶信息与元路径等高阶信息相结合，利用第一预设模型来得到用户的修正嵌入、内容的修正嵌入，基于用户的修正嵌入、内容的修正嵌入和元路径的终值嵌入共同拼接的三元交互信息进行内容推荐，使得推荐结果具有更好的可解释性。

上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的社交媒体内容推荐方法的流程图；

图2示出了根据本发明一个实施例的社交媒体内容推荐装置的结构示意图；

图3示出了根据本发明一个实施例的一种计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的社交媒体内容推荐方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，根据用户信息和内容信息，利用第一预设模型获取用户的原始嵌入和内容的原始嵌入。

第一预设模型可以采用如异质信息网络HIN2Vec，可以先对第一预设模型进行训练，利用训练后的第一预设模型来计算得到用户的原始嵌入和内容的原始嵌入。

第一预设模型的训练过程具体为：收集样本数据，将样本数据输入对第一预设模型进行训练。收集的样本数据包括如用户信息、内容交互信息、用户关注信息、内容引用信息等。其中，用户信息收集包括如用户id(user_id)、年龄、职业、用户活跃度、用户位置、最近更新时间等。以上数据在用户授权允许的情况下收集。为方便后续对样本数据进行分析，可以对各种信息进行归类，如年龄，0-18岁标记为1，19-35岁标记为2，36-45岁标记为3，46-55岁标记为4，56-65岁标记为5，66岁及以上标记为6等；对于职业，可以计算收集的各种职业在样本数据中的占比，根据占比排序，如将占比排序在先的18种职业依次标记为1-18，占比在后的其他职业标记为0等；对于用户活跃度，可以通过用户的历史内容平均点赞数、转发数、评论数、用户粉丝数等累加得到累加结果，累加结果按照不同范围标记不同数值，如0-10标记为1，11-100标记为2，101-1000标记为3，1000以上标记为4等；对于用户位置，可以计算收集的位置信息如各个地区在样本数据中的占比，根据占比排序，如将占比排序在先的100个地区依次标记为1-100，占比在后的其他地区标记为0等；对于最近更新时间，可以划分时间段进行标记，如最近7天内更新标记为1，最近7-30天内更新标记为2，其他时间段标记为3等。以上为举例说明，具体可以根据实施情况设置，此处不做限定。内容交互信息用于表示用户对内容的交互行为，其包括用户id、内容id(content_id)，即该用户对该篇内容有过交互行为(交互行为包括如点赞、转发、评论等)；用户关注信息用于表示双向关注的用户，即两用户间均关注对方，其包括如两位相互关注的用户id；内容引用信息表示存在引用关系的两篇内容，如内容a引用内容b，包括了两篇存在引用关系的内容id。

第一预设模型以异质信息网络HIN2Vec为例进行说明，HIN2Vec的模型构建如下：选择任两个节点x，y作为输入节点，x，y中一个节点为用户(简称Us)，另一个节点可以选择用户(Us)、内容(简称Co)、年龄(简称Ag)、职业(简称Oc)、用户活跃度(简称Ac)、用户位置(简称Lo)、最近更新时间(简称Up)中任一个，输入如长度为||的独热编码

以及两节点之间的关系r，(若两节点存在R中对应的元路径，则对应位置为1，否则为0)。其中元路径R包括如{Us-Ag、Us-Co、Us-Ac、Us-Lo、Us-Up、Us-Oc、Us-Ag-Us、Us-Co-Us、Us-Ac-Us、Us-Lo-Us、Us-Up-Us、Us-Us、Co-Co、Us-Us-Co、Us-Co-Co}。以上在收集以上样本数据后，对样本数据进行预处理，建立多个样本关系矩阵，如用户(Us)和内容(Co)、年龄(Ag)、职业(Oc)、用户活跃度(Ac)、用户位置(Lo)、最近更新时间(Up)间的关系的矩阵。具体的，基于内容交互信息构造用户-内容矩阵，如某用户与某内容交互，该用户与该内容间具有交互关系，则矩阵对应位置为1，否则为0。基于以上构建方式，还可以根据用户信息构建如用户-年龄矩阵、用户-职业矩阵、用户-用户活跃度矩阵、用户-用户位置矩阵、用户-最近更新时间矩阵等。通过构建以上矩阵，得到两两间关系，通过矩阵可以得到元路径。关系r的长度可以设置为如||，对应的独热编码

通过转换矩阵W_X、W_Y将输入向量

变为d维隐藏层向量

和

通过关系转换矩阵W_R和正则化函数f₀₁₍₎将向量

转换为

隐藏层的输入即为

输出为

其中⊙代表向量的逐项相乘，可以采用Hadamard函数。输出层的输入为

即对隐藏层输出的d维向量的元素求和，使用的激活函数为sigmoid函数。对HIN2Vec的训练过程如下：从数据集中提取包含<x,y,r,L(x,y,r)>的形式的数据集，其中L(x,y,r)表示x和y是否具有关系r，即样本数据的关系标注结果，HIN2Vec模型通过结合随机梯度下降的反向传播训练算法来调整其中的矩阵W_X,W_Y,W_R，得到训练后的HIN2Vec模型。

在得到训练后的第一预设模型后，可以根据第一预设模型中的第一权重矩阵和第二权重矩阵来得到用户的原始嵌入和内容的原始嵌入。具体的，以HIN2Vec模型为例，训练后得到的第一权重矩阵为W_X，第二权重矩阵为W_R。根据用户信息得到对应的用户信息的独热编码，以及，根据内容信息得到对应的内容信息的独热编码，将用户信息的独热编码与第一权重矩阵相乘，得到用户的原始嵌入，将内容信息的独热编码与第二权重矩阵相乘，得到内容的原始嵌入。此处，利用原始嵌入，可以实现向量降维，避免独热编码维度过高，且太稀疏的问题。

步骤S102，根据用户信息和其他用户信息构建用户相似度矩阵，并根据用户相似度矩阵筛选确定邻居用户对用户的原始嵌入进行修正，得到用户的修正嵌入。

根据用户信息和其他用户信息，结合用户关注信息，即用户间相互关注信息，可以构建得到用户相似度矩阵。具体的，将多个用户信息，如当前的用户信息和其他用户信息，以及用户关注信息输入至第二预设模型，第二预设模型采用如神经网络模型，可以包含查找层、卷积层、自注意力机制结构、池化层、全连接层等。由第二预设模型基于以上信息构建得到用户相似度矩阵，用户相似度矩阵为对称矩阵，如第i行第k列的数值代表第i个用户和第k个用户间的相似性。由第二预设模型的查找层对用户相似度矩阵中的用户相似度按照从高到低排序，筛选排序在先的其他用户作为邻居用户，邻居用户即与用户相似性较强的用户，以便后续根据邻居用户的用户信息，对用户的原始嵌入进行修正，得到用户的修正嵌入。修正时，基于第二预设矩阵得到邻居用户的特征向量，如通过卷积层进行聚合，自注意力机制结构通过如softmax函数将聚合后的邻居用户的特征向量归一化进行归一化处理，得到用户修正向量，利用用户修正向量对用户的原始嵌入进行修正，得到用户的修正嵌入。以用户u为例，第二预设模型输出含有用户特征信息的d维特征向量如：

其中，a_u是基于用户u的各邻居用户提取得到的信息，

至

为提取得到的各个维度的特征信息。如多个用户1、2、3、4，用户u为用户1时，用户2、3、4为用户1的邻居用户，α_u是根据用户2、3、4得到，将用户1、和用户2、3、4均输入至第二预设模型，如卷积神经网络，得到包含用户1的邻居用户(用户2、3、4)的特征信息。

针对每一个

i的取值范围为1-d，表示α_u的每一个维度，分别对其进行归一化处理，如将其作为softmax函数的输入，按照如下公式计算：

是对

的归一化处理结果，具体可以为

中每一个维度的用户修正向量，如以

为例，对应的用户修正向量为

计算如下：

其中，

指d维特征向量中的任一维度特征向量，m取值包括1-d，即针对每一个

计算对应的归一化处理结果得到对应的

即得到

根据用户修正向量

修正用户的原始嵌入x_u，得到用户的修正嵌入，具体如下：

x_u为用户u的原始嵌入，将用户修正向量

与x_u通过矩阵乘法，如哈德玛积，修正最初的用户原始嵌入，得到用户的修正嵌入

步骤S103，根据内容信息和其他内容信息构建内容相似度矩阵，并根据内容相似度矩阵筛选确定邻居内容对内容的原始嵌入进行修正，得到内容的修正嵌入。

对于内容信息，也需要对应的根据其他内容信息，结合内容引用信息，如根据内容引用信息中内容a引用内容b，来构建内容相似度矩阵，具体的，可以如步骤S102中用户相似度矩阵构建，将内容信息和其他内容信息，以及内容引用信息输入至第二预设模型，得到内容相似度矩阵。内容相似度矩阵也采用对称矩阵，如第j行第h列的数值代表第j个内容和第h个内容间的相似性。由第二预设模型的查找层对内容相似度矩阵中的内容相似度按照从高到低排序，筛选排序在先的其他内容作为邻居内容，邻居内容即与内容相似性较强的内容，以便后续根据邻居内容的内容信息，对内容的原始嵌入进行修正，得到内容的修正嵌入。修正时，参照步骤S102中对用户的原始嵌入的修正的归一化处理，根据第二预设矩阵得到邻居内容的特征向量，并对邻居内容的特征向量进行归一化处理，得到内容修正向量；利用内容修正向量对内容的原始嵌入进行修正，得到内容的修正嵌入。邻居内容的特征向量可以采用如多维特征向量，根据内容的各个邻居内容提取得到。针对各维度的邻居内容的特征信息，将其作为softmax函数的输入，按照如用户修正向量的计算公式进行计算，得到内容修正向量，根据内容修正向量修正内容的原始嵌入y_c，得到内容的修正嵌入，具体如下：

y_c为内容的原始嵌入，将内容修正向量

与y_c通过矩阵乘法，如哈德玛积，修正最初的内容原始嵌入，得到内容的修正嵌入

以上参照步骤S102的描述，此处不做展开说明。

步骤S104，构建元路径下的路径实例，确定对应的元路径的嵌入，并根据元路径的嵌入、用户的修正嵌入以及内容的修正嵌入基于自注意力机制计算得到用户与内容的元路径的终值嵌入。

元路径可以包括如：Us-Ag-Us-Co、Us-Oc-Us-Co、Us-Ac-Us-Co、Us-Lo-Us-Co、Us-Up-Us-Co等，元路径即用户Us至内容Co的路径，根据元路径构建路径实例，如元路径为Us-Ag-Us-Co，构建元路径的路径实例包括如p1-p2-p3-p4，其中，p1对应Us，p2对应Ag，p3对应Us，p4对应Co。通过第二预设模型的池化层可以对构建的路径实例进行池化处理，得到元路径的嵌入。基于元路径的嵌入对其进行融合，根据路径注意力机制融合不同元路径的嵌入，得到用户与内容间的元路径终值嵌入。以上可以基于第二预设模型的池化层、注意力机制结构等实现，以路径实例p₁-p₂-…p_n为例，P＝CNN([p₁,p₂,…p_n]^T,θ)。其中，第二预设模型采用如CNN(Convolutional Neural Network，卷积神经网络模型)，[p₁,p₂,…p_n]^T表示一个由向量p₁到p_n组成的矩阵，基于CNN进行处理，θ表示CNN的参数，得到元路径的终值嵌入P。

具体的，将不同的元路径的路径实例分别进行池化处理，得到元路径的嵌入。根据用户的修正嵌入

内容的修正嵌入

可以计算用户与内容间的n条元路径的嵌入h₁,h₂,…,h_n的各个权重，如以某一元路径的嵌入h_k为例，利用以下计算公式进行计算：

其中，W_U ⁽¹⁾,W_K ⁽¹⁾和W_C ⁽¹⁾为第一层的权重矩阵，b⁽¹⁾为第一层的偏置向量，W⁽²⁾为第二层的权重矩阵，b⁽²⁾为第二层的偏置向量，σ为激活函数，此处可以采用如LeakyRelu函数。以上各个参数可以根据自注意力机制进行调整，此处不做展开说明。根据用户u的修正嵌入

内容c的修正嵌入

和元路径的嵌入h_k计算得到

在根据

计算得到

以上为举例说明，具体根据实施情况设置，此处不做限定。针对用户和内容间的各条元路径的嵌入，均根据上述公式计算得到对应的元路径的嵌入的权重。

在计算得到元路径的嵌入的权重后，通过如softmax函数对计算得到的权重进行归一化处理，得到每个的元路径的注意力分值，如以h_k的嵌入的权重为例，根据如下公式进行归一化处理：

其中，

中p的取值范围即各个元路径，即各条元路径。基于路径注意力机制可以将不同的元路径嵌入融合，获得元路径的注意力分值α_u,c,k。元路径的注意力分数α_u,c,k即为该元路径对内容推荐的重要程度，根据各个不同元路径的注意力分值，可以计算得到用户和内容之间聚合的元路径的嵌入：

其中，h_k是元路径的嵌入，k的取值范围即各个元路径，α_u,,k为该元路径k在用户u和内容i之间的注意力分数，c_u→i为用户u和内容i之间聚合的元路径的终值嵌入。

步骤S105，将用户的修正嵌入、内容的修正嵌入以及元路径的终值嵌入拼接输入第二预设模型，得到用户与内容的推荐结果。

将以上得到的用户的修正嵌入、内容的修正嵌入以及元路径的终值嵌入进行拼接，得到三元交互信息，将其输入至第二预设模型的全连接层，输入用户与内容的推荐结果，根据推荐结果，若推荐结果为推荐，则为用户推荐该内容，否则不为用户推荐该内容。

根据本发明实施例提供的社交媒体内容推荐方法，将用户、内容等低阶信息与元路径等高阶信息相结合，利用第一预设模型来得到用户的修正嵌入、内容的修正嵌入，基于用户的修正嵌入、内容的修正嵌入和元路径的终值嵌入共同拼接的三元交互信息进行内容推荐，使得推荐结果具有更好的可解释性。

图2示出了本发明实施例提供的社交媒体内容推荐装置的结构示意图。

如图2所示，该装置包括：

获取原始嵌入模块210，适于根据用户信息和内容信息，利用第一预设模型获取用户的原始嵌入和内容的原始嵌入；

修正模块220，适于根据用户信息和其他用户信息构建用户相似度矩阵，并根据用户相似度矩阵筛选确定邻居用户对用户的原始嵌入进行修正，得到用户的修正嵌入；以及，根据内容信息和其他内容信息构建内容相似度矩阵，并根据内容相似度矩阵筛选确定邻居内容对内容的原始嵌入进行修正，得到内容的修正嵌入；

路径模块230，适于构建元路径下的路径实例，确定对应的元路径的嵌入，并根据元路径的嵌入、用户的修正嵌入以及内容的修正嵌入基于自注意力机制计算得到用户与内容的元路径的终值嵌入；

推荐模块240，适于将用户的修正嵌入、内容的修正嵌入以及元路径的终值嵌入拼接输入第二预设模型，得到用户与内容的推荐结果。

可选地，装置还包括：

训练模块250，适于收集样本数据，将样本数据输入对第一预设模型进行训练，得到训练后的第一预设模型；

获取原始嵌入模块210进一步适于：

根据用户信息得到对应的用户信息的独热编码，以及，根据内容信息得到对应的内容信息的独热编码；将用户信息的独热编码与训练后的第一预设模型的第一权重矩阵相乘，得到用户的原始嵌入；以及，将内容信息的独热编码与训练后的第一预设模型的第二权重矩阵相乘，得到内容的原始嵌入。

可选地，训练模块250进一步适于：

收集样本数据；样本数据包括用户信息、内容信息，以及，用户与内容间的关系标注结果；

对样本数据进行预处理，构建得到多个样本关系矩阵；其个，多个样本关系矩阵包括用户-内容矩阵、用户-年龄矩阵、用户-职业矩阵、用户-用户活跃度矩阵、用户-用户位置矩阵和/或用户-最近更新时间矩阵；

将样本数据以及样本关系矩阵输入至第一预设模型进行训练，得到训练后的第一预设模型。

可选地，修正模块220进一步适于：

根据用户信息和其他用户信息，结合用户关注信息，构建得到用户相似度矩阵，并根据用户相似度矩阵，按照用户相似度从高到低筛选排序在先的其他用户作为邻居用户；

根据邻居用户的用户信息，对用户的原始嵌入进行修正，得到用户的修正嵌入。

可选地，修正模块220进一步适于：

将用户信息和其他用户信息，以及用户关注信息输入至第二预设模型，利用第二预设模型构建得到用户相似度矩阵；

由第二预设模型的查找层对用户相似度矩阵中的用户相似度按照从高到低排序，筛选排序在先的其他用户作为邻居用户；

基于第二预设矩阵得到邻居用户的特征向量，并对邻居用户的特征向量进行归一化处理，得到用户修正向量；

利用用户修正向量对用户的原始嵌入进行修正，得到用户的修正嵌入。

可选地，修正模块220进一步适于：

根据内容信息和其他内容信息，结合内容引用信息，构建得到内容相似度矩阵，并根据内容相似度矩阵，按照内容相似度从高到低筛选排序在先的其他内容作为邻居内容；

根据邻居内容的内容信息，对内容的原始嵌入进行修正，得到内容的修正嵌入。

可选地，修正模块220进一步适于：

将内容信息和其他内容信息，以及内容关注信息输入至第二预设模型，利用第二预设模型构建得到内容相似度矩阵；

由第二预设模型的查找层对内容相似度矩阵中的内容相似度按照从高到低排序，筛选排序在先的其他内容作为邻居内容；

基于第二预设矩阵得到邻居内容的特征向量，并对邻居内容的特征向量进行归一化处理，得到内容修正向量；

利用内容修正向量对内容的原始嵌入进行修正，得到内容的修正嵌入。

可选地，路径模块230进一步适于：

构建元路径下的路径实例，并对路径实例进行池化处理，得到元路径的嵌入；

根据用户的修正嵌入、内容的修正嵌入以及元路径的嵌入，计算得到元路径的嵌入的权重；

基于自注意力机制对元路径的嵌入的权重进行归一化处理，得到元路径的注意力分值；

根据各个元路径的注意力分值以及各个元路径的嵌入计算得到用户与内容的元路径的终值嵌入。

可选地，推荐模块240进一步适于：

将用户的修正嵌入、内容的修正嵌入以及元路径的终值嵌入拼接输入第二预设模型的全连接层，得到用户与内容的推荐结果，以供根据推荐结果确定为用户推荐的内容。

以上各模块的描述参照方法实施例中对应的描述，在此不再赘述。

本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，可执行指令可执行上述任意方法实施例中的社交媒体内容推荐方法。

图3示出了根据本发明实施例的一种计算设备的结构示意图，本发明实施例的具体实施例并不对计算设备的具体实现做限定。

如图3所示，该计算设备可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。

其中：

处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。

通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器302，用于执行程序310，具体可以执行上述社交媒体内容推荐方法实施例中的相关步骤。

具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。

处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序310具体可以用于使得处理器302执行上述任意方法实施例中的社交媒体内容推荐方法。程序310中各步骤的具体实现可以参见上述内容推荐实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的较佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (12)

1.一种社交媒体内容推荐方法，其特征在于，方法包括：

根据用户信息和内容信息，利用第一预设模型获取用户的原始嵌入和内容的原始嵌入；

根据用户信息和其他用户信息构建用户相似度矩阵，并根据所述用户相似度矩阵筛选确定邻居用户对所述用户的原始嵌入进行修正，得到用户的修正嵌入；以及，根据内容信息和其他内容信息构建内容相似度矩阵，并根据所述内容相似度矩阵筛选确定邻居内容对所述内容的原始嵌入进行修正，得到内容的修正嵌入；

构建元路径下的路径实例，确定对应的元路径的嵌入，并根据所述元路径的嵌入、用户的修正嵌入以及内容的修正嵌入基于自注意力机制计算得到所述用户与所述内容的元路径的终值嵌入；

将所述用户的修正嵌入、内容的修正嵌入以及所述元路径的终值嵌入拼接输入第二预设模型，得到用户与内容的推荐结果。

2.根据权利要求1所述的方法，其特征在于，在所述根据用户信息和内容信息，利用第一预设模型获取用户的原始嵌入和内容的原始嵌入之前，所述方法还包括：

收集样本数据，将所述样本数据输入对所述第一预设模型进行训练，得到训练后的第一预设模型；

所述根据用户信息和内容信息，利用第一预设模型获取用户的原始嵌入和内容的原始嵌入进一步包括：

根据所述用户信息得到对应的用户信息的独热编码，以及，根据所述内容信息得到对应的内容信息的独热编码；

将所述用户信息的独热编码与训练后的第一预设模型的第一权重矩阵相乘，得到用户的原始嵌入；以及，将所述内容信息的独热编码与训练后的第一预设模型的第二权重矩阵相乘，得到内容的原始嵌入。

3.根据权利要求2所述的方法，其特征在于，所述收集样本数据，将所述样本数据输入对所述第一预设模型进行训练，得到训练后的第一预设模型进一步包括：

收集样本数据；所述样本数据包括用户信息、内容信息，以及，用户与内容间的关系标注结果；

对所述样本数据进行预处理，构建得到多个样本关系矩阵；其个，多个样本关系矩阵包括用户-内容矩阵、用户-年龄矩阵、用户-职业矩阵、用户-用户活跃度矩阵、用户-用户位置矩阵和/或用户-最近更新时间矩阵；

将所述样本数据以及所述样本关系矩阵输入至第一预设模型进行训练，得到训练后的第一预设模型。

4.根据权利要求1所述的方法，其特征在于，所述根据用户信息和其他用户信息构建用户相似度矩阵，并根据所述用户相似度矩阵筛选确定邻居用户对所述用户的原始嵌入进行修正，得到用户的修正嵌入进一步包括：

根据用户信息和其他用户信息，结合用户关注信息，构建得到用户相似度矩阵，并根据所述用户相似度矩阵，按照用户相似度从高到低筛选排序在先的其他用户作为邻居用户；

根据所述邻居用户的用户信息，对所述用户的原始嵌入进行修正，得到用户的修正嵌入。

5.根据权利要求4所述的方法，其特征在于，所述根据用户信息和其他用户信息，结合用户关注信息，构建得到用户相似度矩阵，并根据所述用户相似度矩阵，按照用户相似度从高到低筛选排序在先的其他用户作为邻居用户进一步包括：

将所述用户信息和其他用户信息，以及用户关注信息输入至第二预设模型，利用所述第二预设模型构建得到用户相似度矩阵；

由所述第二预设模型的查找层对所述用户相似度矩阵中的用户相似度按照从高到低排序，筛选排序在先的其他用户作为邻居用户；

所述根据所述邻居用户的用户信息，对所述用户的原始嵌入进行修正，得到用户的修正嵌入进一步包括：

基于所述第二预设矩阵得到所述邻居用户的特征向量，并对所述邻居用户的特征向量进行归一化处理，得到用户修正向量；

利用所述用户修正向量对所述用户的原始嵌入进行修正，得到用户的修正嵌入。

6.根据权利要求1所述的方法，其特征在于，所述根据内容信息和其他内容信息构建内容相似度矩阵，并根据所述内容相似度矩阵筛选确定邻居内容对所述内容的原始嵌入进行修正，得到内容的修正嵌入进一步包括：

根据内容信息和其他内容信息，结合内容引用信息，构建得到内容相似度矩阵，并根据所述内容相似度矩阵，按照内容相似度从高到低筛选排序在先的其他内容作为邻居内容；

根据所述邻居内容的内容信息，对所述内容的原始嵌入进行修正，得到内容的修正嵌入。

7.根据权利要求6所述的方法，其特征在于，所述根据内容信息和其他内容信息，结合内容引用信息，构建得到内容相似度矩阵，并根据所述内容相似度矩阵，按照内容相似度从高到低筛选排序在先的其他内容作为邻居内容进一步包括：

将所述内容信息和其他内容信息，以及内容关注信息输入至第二预设模型，利用所述第二预设模型构建得到内容相似度矩阵；

由所述第二预设模型的查找层对所述内容相似度矩阵中的内容相似度按照从高到低排序，筛选排序在先的其他内容作为邻居内容；

所述根据所述邻居内容的内容信息，对所述内容的原始嵌入进行修正，得到内容的修正嵌入进一步包括：

基于所述第二预设矩阵得到所述邻居内容的特征向量，并对所述邻居内容的特征向量进行归一化处理，得到内容修正向量；

利用所述内容修正向量对所述内容的原始嵌入进行修正，得到内容的修正嵌入。

8.根据权利要求1所述的方法，其特征在于，所述构建元路径下的路径实例，确定对应的元路径的嵌入，并根据所述元路径的嵌入、用户的修正嵌入以及内容的修正嵌入基于自注意力机制计算得到所述用户与所述内容的元路径的终值嵌入进一步包括：

构建元路径下的路径实例，并对所述路径实例进行池化处理，得到所述元路径的嵌入；

根据所述用户的修正嵌入、内容的修正嵌入以及元路径的嵌入，计算得到元路径的嵌入的权重；

基于自注意力机制对所述元路径的嵌入的权重进行归一化处理，得到所述元路径的注意力分值；

根据各个元路径的注意力分值以及各个元路径的嵌入计算得到所述用户与所述内容的元路径的终值嵌入。

9.根据权利要求1所述的方法，其特征在于，所述将所述用户的修正嵌入、内容的修正嵌入以及所述元路径的终值嵌入拼接输入第二预设模型，得到用户与内容的推荐结果进一步包括：

将所述用户的修正嵌入、内容的修正嵌入以及所述元路径的终值嵌入拼接输入第二预设模型的全连接层，得到用户与内容的推荐结果，以供根据所述推荐结果确定为用户推荐的内容。

10.一种社交媒体内容推荐装置，其包括：

获取原始嵌入模块，适于根据用户信息和内容信息，利用第一预设模型获取用户的原始嵌入和内容的原始嵌入；

修正模块，适于根据用户信息和其他用户信息构建用户相似度矩阵，并根据所述用户相似度矩阵筛选确定邻居用户对所述用户的原始嵌入进行修正，得到用户的修正嵌入；以及，根据内容信息和其他内容信息构建内容相似度矩阵，并根据所述内容相似度矩阵筛选确定邻居内容对所述内容的原始嵌入进行修正，得到内容的修正嵌入；

路径模块，适于构建元路径下的路径实例，确定对应的元路径的嵌入，并根据所述元路径的嵌入、用户的修正嵌入以及内容的修正嵌入基于自注意力机制计算得到所述用户与所述内容的元路径的终值嵌入；

推荐模块，适于将所述用户的修正嵌入、内容的修正嵌入以及所述元路径的终值嵌入拼接输入第二预设模型，得到用户与内容的推荐结果。

11.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-9中任一项所述的社交媒体内容推荐方法对应的操作。

12.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-9中任一项所述的社交媒体内容推荐方法对应的操作。

Images