CN115809364A - 对象推荐方法和模型训练方法 - Google Patents
对象推荐方法和模型训练方法 Download PDFInfo
- Publication number
- CN115809364A CN115809364A CN202211216216.2A CN202211216216A CN115809364A CN 115809364 A CN115809364 A CN 115809364A CN 202211216216 A CN202211216216 A CN 202211216216A CN 115809364 A CN115809364 A CN 115809364A
- Authority
- CN
- China
- Prior art keywords
- user
- meta
- node
- objects
- paths
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 238000013459 approach Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种对象推荐方法和模型训练方法，涉及人工智能领域，尤其涉及基于人工智能的推荐技术领域。实现方案为：从对象集合中获得与目标用户相关的多个对象，对象集合中的每一个对象对应于多个对象类型中的一个对象类型；获得目标用户和多个对象之间的多个元路径，多个元路径中的每一个元路径包括由目标用户构成的第一节点和多个对象中的至少一个对象构成的至少一个节点；基于多个元路径，获得目标用户的用户表示；以及基于用户表示，从对象集合中确定目标对象，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，尤其涉及基于人工智能的推荐技术领域，具体涉及一种对象推荐方法、模型训练方法、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。
基于人工智能的推荐技术，已经渗透到各个领域。其中，基于人工智能的对象推荐，通过预测用户对对象的偏好，向用户推荐符合其偏好的对象。
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
本公开提供了一种对象推荐方法、模型训练方法、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，提供了一种对象推荐方法，包括：从对象集合中获得与目标用户相关的多个对象，所述对象集合中的每一个对象对应于多个对象类型中的一个对象类型；获得所述目标用户和所述多个对象之间的多个元路径，所述多个元路径中的每一个元路径包括由所述目标用户构成的第一节点和所述多个对象中的至少一个对象构成的至少一个节点；基于所述多个元路径，获得所述目标用户的用户表示；以及基于所述用户表示，从所述对象集合中确定目标对象，以推荐给所述目标用户。
根据本公开的另一方面，提供了一种对象推荐模型的训练方法，所述对象推荐模型包括异构图神经网络，所述方法包括：从对象集合中获得与用户相关的多个对象，所述对象集合中的每一个对象对应于多个对象类型中的一个对象类型；获得所述用户和所述多个对象之间的多个元路径，所述多个元路径中的每一个元路径包括由所述目标用户构成的第一节点和所述多个对象中的至少一个对象构成的至少一个节点；基于所述多个元路径，获得所述用户的用户表示；以及基于所述用户表示，训练所述初始对象推荐模型，以得到目标对象推荐模型。
根据本公开的另一方面，提供了一种对象推荐装置，包括：相关对象获取单元，被配置用于从对象集合中获得与目标用户相关的多个对象，所述对象集合中的每一个对象对应于多个对象类型中的一个对象类型；元路径获取单元，被配置用于获得所述目标用户和所述多个对象之间的多个元路径，所述多个元路径中的每一个元路径包括由所述目标用户构成的第一节点和至少一个其他节点，所述至少一个其他节点与所述目标用户和所述多个对象中的至少一个对象分别对应；用户表示获取单元，被配置用于基于所述多个元路径，获得所述目标用户的用户表示；以及推荐单元，被配置用于基于所述用户表示，从所述对象集合中确定目标对象，以推荐给所述目标用户。
根据本公开的另一方面，提供了对象推荐模型的训练装置，包括：对象获取单元，被配置用于从对象集合中获得与用户相关的多个对象，所述对象集合中的每一个对象对应于多个对象类型中的一个对象类型；元路径获取单元，被配置用于获得所述用户和所述多个对象之间的多个元路径，所述多个元路径中的每一个元路径包括由所述目标用户构成的第一节点和所述多个对象中的至少一个对象构成的至少一个节点；用户表示获取单元，被配置用于基于所述多个元路径，获得所述用户的用户表示；以及训练单元，被配置用于基于所述用户表示，训练初始所述对象推荐模型，以得到目标对象推荐模型。
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根据本公开的实施例所述的方法。
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，所述计算机指令用于使所述计算机执行根据本公开的实施例所述的方法。
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，所述计算机程序在被处理器执行时实现本公开的实施例所述的方法。
根据本公开的一个或多个实施例，可以拓宽目标用户的用户表示的语义边界，使得基于用户表示为目标用户推荐的对象更加准确。
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示出了根据本公开的实施例的对象推荐方法的流程图；
图3示出了根据本公开的实施例的对象推荐方法中获得所述目标用户和所述多个对象之间的多个元路径的过程的流程图；
图4示出了根据本公开的实施例的对象推荐方法中获得的元路径图的示意图；
图5示出了根据本公开的实施例的对象推荐方法中基于用户表示，从对象集合中确定目标对象以推荐给目标用户的过程的流程图；
图6示出了根据本公开的实施例的对象推荐模型的训练方法的流程图；
图7示出了根据本公开的实施例的对象推荐装置的结构框图；
图8示出了根据本公开的实施例的对象推荐模型的训练装置的结构框图；以及
图9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要素与另一要素区分开。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。
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对象推荐方法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还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。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来接收向其推荐的对象。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、区块链网络、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/或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/或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使用的数据库例如可以是关系数据库。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，提供了一种对象推荐方法。参看图2，根据本公开的一些实施例的一种对象推荐方法200包括：
步骤S210：从对象集合中获得与目标用户相关的多个对象，所述对象集合中的每一个对象对应于多个对象类型中的一个对象类型；
步骤S220：获得所述目标用户和所述多个对象之间的多个元路径，所述多个元路径中的每一个元路径包括由所述目标用户构成的第一节点和所述多个对象中的至少一个对象构成的至少一个节点；
步骤S230：基于所述多个元路径，获得所述目标用户的用户表示；以及
步骤S240：基于所述用户表示，从所述对象集合中确定目标对象，以推荐给所述目标用户。
通过从对象集合中获得与目标用户相关的多个对象，并获得目标用户和该多个对象之间的多个元路径，基于多个元路径获得目标用户的用户表示，由于对象集合中的每一个对象对应于多种对象类型中的一种对象类型，使得所获得的元路径能够链接由目标用户构成的第一节点和不同对象类型的对象构成的多个节点的信息，进而使得基于元路径获得的用户表示中聚合了用户本身和多个元路径中多个邻居的信息，丰富了用户信息的表达，拓展了用户表示的语义边界，在后期为用户推荐目标对象的过程中，能够实现语义召回的同时，实现模糊匹配。
在相关技术中，往往基于用户的搜索请求(query)，为用户推荐对象。其中，往往通过获得将请求与对象的描述词进行匹配，将具有与请求精确匹配的描述词的对象推荐给用户。由于该推荐过程中实现模糊匹配，当用户无法精准描述自己想要请求的对象时，使得往往无法为用户推荐符合其需求的对象。
在根据本公开的实施例中，由于在获得目标用户的用户表示的过程中，拓宽了用户表示的语义边界，在用户无法精确描述想要请求的对象时，能够基于用户表示为推荐对象，使得推荐的对象与用户表示的语义信息相符，从而提升所推荐的对象的准确性。
在一些实施例中，目标用户是某一用户集合下的用户，该用户集合可以是同一企业中的多个用户构成的用户集合；也可以是同一组织中的多个用户构成的用户集合，该组织例如是项目组，或者学校等。
在一些实施例中，对象集合可以是目标用户所属的用户集合中的多个用户之间建立、使用或传递的数据、信息等。
例如，用户集合是同一企业中的多个用户构成的用户集合，对象集合可以是用户集合中的各个用户建立群组、知识文档、项目信息等。
在大型企业中，由于用户较多，使得所形成的群组、知识文档、项目信息等数据较多，在用户工作过程中，往往需要从众多数据中找到自己想要的数据。
根据本公开的实施例，由于在获得目标用户的用户表示的过程中，拓展了用户表示的语义边界，在后期为用户推荐目标对象的过程中，能够实现语义召回的同时，实现模糊匹配；使得即使在用户无法明确自己的需求(例如，在想要查找某一个群组时，忘记了该群组的群名称)，仍然可以为目标用户推荐其想要的对象，从而可以提升用户的工作效率。
在一些实施例中，所述目标用户为企业用户，所述多个对象类型包括用户群组类型、知识库类型、代码库类型或者项目类型，所述对象集合包括与所述用户群组类型对应的多个用户群组、与所述知识库类型对应的多个知识库、与所述代码库类型对应的多个代码库和与所述项目类型对应的多个项目。
在一些实施例中，目标用户的具有相应的用户属性以及对象集合中的每一个对象具有相应的对象属性。例如，用户属性包括用户名称、用户别名、用户拼音、erp(企业资源计划)信息等；用户群组的对象属性包括群名称、群成员名称等，知识库的对象属性包括知识库标题、内容、编辑人等；代码库的对象属性包含提交信息、提交人等；项目的对象属性包括项目卡片等。
可以理解，在根据本公开的方法中，在获得目标用户和多个对象之间的元路径时，各个元路径所包括的节点不仅仅指示其相应的用户或对象，还指示相应用户的用户属性和相应对象的属性。
例如，元路径包括由目标用户构成的第一节点以及由群组构成的其他节点，在基于元路径获得用户表示的过程中，考虑该第一节点所指示的目标用户的用户属性和该其他节点所指示的群组的对象属性。
在一些实施例中，通过获得目标用户和多个对象所构成的集合中的任意两者之间的关系，获得多个元路径。
在一些实施例中，如图3所示，获得所述目标用户和所述多个对象之间的多个元路径包括：
步骤S310：获得所述目标用户和所述多个对象之间的元路径图，其中，所述元路径图包括所述第一节点、与所述多个对象分别对应的多个节点以及多个有向线段，所述多个有向线段中的每一个有向线段位于由所述第一节点和所述多个节点构成的节点集合中的两个节点之间并且指示该两个节点之间的关系；以及
步骤S320：遍历所述元路径图，以获得所述多个元路径。
通过获得目标用户和多个对象之间的元路径图，并采用遍历元路径图的方法获得多个元路径，实现自动获得元路径，节省了人工经验选取元路径的耗时。
在一些实施例中，响应于确定目标用户和多个对象构成的集合中的任意两者之间具有相应的关系，构建一个有向线段，其中，该有向线段的两端连接该两者构成的两个节点；以及基于所构建的多个有向线段，获得元路径图。
参看图4，示出了根据本公开的一些实施例的元路径图的示意图。其中，元路径图400中包括由目标用户构成的第一节点401、由目标用户的用户群组构成的第二节点402、目标用户读写的文件构成第三节点403以及项目构成的第四节点404。
在元路径图400中，目标用户与用户群组之间的所属关系构成第一节点401和第二节点402之间的有向线段410；目标用户对文件的读取操作使得第一节点401和第三节点403之间具有有向线段420a，目标用户写入文件的操作使得第一节点401和第三节点403之间具有有向线段420b；文件属于用户群组使得第二节点402和第三节点403之间具有向线段430；项目涉及文件的内容使得第三节点403和第四节点404之间具有有向线段440a，文件的内容涉及项目使得第三节点403和第四节点404之间具有有向线段440b。
应当理解，根据本公开的实施例，还可以构建用户和其他对象以及其他对象之间的有向线段，在此并不限定。
在一些实施例中，基于预设对称元路径规则遍历所述元路径图，使得所获得的多个元路径中的每一个元路径为对称元路径，所述对称元路径包括所述第一节点和所述多个节点中的至少一个节点对，每一个节点对中的一个节点与所述第一节点之间的有向线段与该节点对中的另一个节点与所述第一节点之间的有向线段对应相同。
通过获得每一个均为对称元路径的多个元路径，能够的确保不同类型的节点被恰当的选取并且相同类型的节点中同时由多个节点被选取(可以理解，节点的类型可以被理解为节点所对应的对象的对象类型)，使得基于所获得的多个元路径获得的用户表示的语义边界延伸到尽可能大，进一步提升基于该用户表示为该目标用户推荐的对象的准确性。
例如，在遍历元路径图的过程中，从第一节点出发分别沿着两个有向线段遍历相同类型的节点和相同的有向线段后所到达的两个节点对应于同一类型，确定从第一节点所遍历的多个节点构成对称元路径。可以理解，遍历过程中所遍历的两个有向线段相同是指两个有向线段分别连接的两个节点对应相同并且所指示的两个节点之间的关系相同。同时，可以理解，遍历过程中还可以分别遍历多个节点和多个有向线段后获得对称元路径，在此并不限定。
在一些实施例中，所述多个有向线段中的每一个有向线段指示沿着该有向线段从一个节点到达另一个节点的概率，并且其中，所述多个元路径中的每一个元路径为概率元路径，所述概率元路径中的有向线段对应的概率总和大于预设值。
通过遍历元路径图，排除元路径图中指示的概率过小的有向线段及其连接的阶段，使所获得的多个元路径能对该用户表征准确。
在一些实施例中，有向线段所指示的概率由该有向线段在多个有向线段中的统计占比决定。例如，在筛选概率元路径的过程中，通过从第一节点开始遍历到某个节点中，统计其遍历的有向线段的数量，计算第一节点与该某一节点之间的元路径的概率。在获得各个元路径的概率之后，获取其中概率大于预设值的元路径为概率元路径。
在一些实施例中，在获得多个元路径之后，基于多个元路径进一步获得目标用户的向量表示。
在一些实施例中，基于该多个元路径中的各节点指示的对象或用户的属性，获得目标用户的向量表示。
在一些实施例中，基于所述多个元路径，获得所述目标用户的用户表示包括：
将所述多个元路径输入到异构图神经网络，以获得所述目标用户的用户表示，其中，所述异构图神经网络用于聚合所述目标用户的语义信息和所述多个对象中每一个对象的语义信息。
通过异构注意力网络获得目标用户的用户表示，由于异构注意力网络能够聚合多阶节点的信息，缓解用户稀疏性的问题，进一步提升所获得的用户表示的准确性。
在一些实施例中，目标用户的语义信息包括目标用户的用户属性中的语义信息；其中，用户属性可以包括用户的各个属性描述词。
在一些实施例中，目标用户的每一个对象的语义信息可以包括对象的对象类型和对象的对象属性中的语义信息；其中，对象的对象类型可以是类型描述词，对象的对象属性包括对象的各个属性描述词。
在获得目标用户的用户表示之后，基于用户表示向目标用户推荐目标对象。
在一些实施例中，响应于获得目标用户最近关联的对象，基于用户表示，从用户集合中获得用户可能想要关联的下一个对象，作为目标对象。
例如，用户最近读取了一个文件，将该文件和用户表示同时输入到召回模型，获得目标对象，该目标对象是目标用户在读取了文件之后想要关联的下一个对象。召回模型可以是采用目标用户的历史用户行为训练后获得的模型，其中，历史用户行为包括用户连续关联的两个对象。
在一些实施例中，如图5所示，基于所述用户表示，从所述对象集合中确定目标对象，以推荐给所述目标用户包括：
步骤S510：获得所述目标用户的用户请求；
步骤S520：基于所述用户请求，获得所述用户请求的向量表示；以及
步骤S530：基于所述用户表示和所述向量表示，确定所述目标对象。
通过获得目标用户的用户请求，并且基于目标用户的用户请求，从对象集合中获得目标对象，实现模糊搜索和模糊语义召回，当目标用户无法用请求精确描述想要请求的对象时，也能够基于用户请求为用户精准推荐对象。
在一些实施例中，采用语义编码器获得用户请求的向量表示。
在一些实施例中，基于所述用户表示和所述向量表示，确定所述目标对象包括：
将所述用户请求和所述向量表示输入至召回模型，以获得所述目标对象，其中，所述召回模型包括用于各个三元组进行匹配性打分的打分函数，所述三元组由所述目标用户、所述用户请求和所述对象集合中的一个对象构成。
通过召回模型获得目标对象，由于召回模型通过对目标用户、训练请求、所述对象集合中的各个对象构成的各个三元组进匹配性打分的打分函数，通过打分函数获得匹配性打分最高的对象作为目标对象，提升所推荐对象的准确性。
根据本公开的另一方面，提供了一种对象推荐模型的训练方法。参看图6，根据本公开的一些实施例的对象推荐模型的训练方法包括：
步骤S610：从对象集合中获得与用户相关的多个对象，所述对象集合中的每一个对象对应于多个对象类型中的一个对象类型；
步骤S620：获得所述用户和所述多个对象之间的多个元路径，所述多个元路径中的每一个元路径包括由所述目标用户构成的第一节点和所述多个对象中的至少一个对象构成的至少一个节点；
步骤S630：基于所述多个元路径，获得所述用户的用户表示；以及
步骤S640：基于所述用户表示，训练初始对象推荐模型，以得到目标对象推荐模型。
通过从对象集合中获得与用户相关的多个对象，并获得和该多个对象之间的多个元路径，基于多个元路径获得用户的用户表示，由于对象集合中的每一个对象对应于多种对象类型中的一种对象类型，使得所获得的元路径能够链接由用户构成的第一节点和不同对象类型的对象构成的多个节点的信息，进而使得基于元路径获得的用户表示中聚合了用户本身和多个元路径中多个邻居的信息，丰富了用户信息的表达，拓展了用户表示的语义边界，在基于用户表示训练的推荐模型为用户推荐目标对象的过程中，能够实现语义召回的同时，实现模糊匹配。
在一些实施例中，通过将多个元路径输入异构图神经网络，对用户属性和对象属性进行语义信息的提取，并基于所提取的语义信息获得用户的用户表示和每一个对象的对象表示。
在一些实施例中，所述获得所述用户和所述多个对象之间的多个元路径包括：
获得所述用户和所述多个对象之间的元路径图，其中，所述元路径图包括所述第一节点、与所述多个对象分别对应的多个节点以及多个有向线段，所述多个有向线段中的每一个有向线段位于由所述第一节点和所述多个节点构成的节点集合中的两个节点之间并且指示该两个节点之间的关系；以及
遍历所述元路径图，以获得所述多个元路径。
通过获得目标用户和多个对象之间的元路径图，并采用遍历元路径图的方法获得多个元路径，实现自动获得元路径，节省了人工经验选取元路径的耗时。
在一些实施例中，所述多个元路径中的每一个元路径为对称元路径，所述对称元路径包括所述第一节点和所述多个节点中的至少一个节点对，每一个节点对中的一个节点与所述第一节点之间的至少一个有向线段与该节点对中的另一个节点与所述第一节点之间的至少一个有向线段对应相同。
通过获得每一个均为对称元路径的多个元路径，能够的确保不同类型的节点被恰当的选取并且相同类型的节点中同时由多个节点被选取(可以理解，节点的类型可以被理解为节点所对应的对象的对象类型)，使得基于所获得的多个元路径获得的用户表示的语义边界延伸到尽可能大，进一步提升基于该用户表示为该目标用户推荐的对象的准确性。
在一些实施例中，所述多个有向线段中的每一个有向线段指示沿着该有向线段从一个节点到达另一个节点的概率，并且其中，所述多个元路径中的每一个元路径为概率元路径，所述概率元路径中的有向线段对应的概率总和大于预设值。
通过遍历元路径图，排除元路径图中指示的概率过小的有向线段及其连接的有向线段，使所获得的多个元路径能对该用户表征准确。
在一些实施例中，所述基于所述用户表示，训练所述初始对象推荐模型包括：
获得所述用户的训练请求和与所述训练请求相应的训练对象；
基于所述训练请求，获得所述训练请求的向量表示；以及
基于所述用户表示、所述向量表示和所述训练对象，训练所述对象推荐模型。
通过获得用户的训练请求，并且基于的向量表示训练对象推荐模型，使得训练后的对象推荐模型能够实现模糊搜索和模糊语义召回，当用户无法用请求精确描述想要请求的对象时，也能够基于用户的请求为用户精准推荐对象。在一些实施例中，对象推荐模型基于用户表示和向量表示输入预测对象，通过计算预测对象和训练对象之间的损失，并基于该损失调整对象对象模型的参数，以实现对对象推荐模型的训练。
在一些实施例中，将获得目标用户的用户表示的异构图神经网络、获得用户请求的向量表示的语义编码器和召回模型进行组合，同时训练，其中，所述初始对象推荐模型包括异构图神经网络、语义编码器和召回模型，所述召回模型包括基于所述用户表示和所述向量表示，对所述用户、所述训练请求和所述训练对象构成的三元组进行匹配性打分的打分函数；并且其中，所述基于所述多个元路径，获得所述用户的用户表示包括：
利用所述异构图神经网络处理所述多个元路径，以获得所述用户表示；以及所述基于所述训练请求，获得所述训练请求的向量表示包括：
将所述训练请求输入至所述语义编码器，以获得所述向量表示，并且其中，所述基于所述用户表示和所述向量表示，训练所述初始对象推荐模型包括：
基于所述打分函数对所述三元组的匹配性打分，调整所述初始对象推荐模型的参数。
在一些实施例中，训练请求对应的训练对象包括第一对象和第二对象，其中第一对象为用户基于训练请求所点击的对象，第二对象不同于第一对象，从而使得用户、训练请求和第一对象构成正样本三元组，用户、训练请求和第二对象构成负样本三元组。在训练过程中，基于打分函数正样本三元组和负样本三元组进行匹配性打分获得的得分获得损失，并调整对象推荐模型的参数，以实现对对象推荐模型的训练。
在一些实施例中，异构图神经网络和语义编码器分别经过预训练之后，再基于所述打分函数对所述三元组的匹配性打分，调整参数。
例如，冻结文本语义编码器的前k层神经网络，选择最后n-k层神经网络进行办公场景下文本语义表示的微调，通过训练批样本内负采样的方法对正负样本进行基于铰链损失函数的梯度下降学习召回模型并且微调异构图神经网络。
根据本公开的另一方面，还提供一种对象推荐装置。如图7所示，装置700包括：相关对象获取单元710，被配置用于从对象集合中获得与目标用户相关的多个对象，所述对象集合中的每一个对象对应于多个对象类型中的一个对象类型；元路径获取单元720，被配置用于获得所述目标用户和所述多个对象之间的多个元路径，所述多个元路径中的每一个元路径包括由所述目标用户构成的第一节点和至少一个其他节点，所述至少一个其他节点与所述目标用户和所述多个对象中的至少一个对象分别对应；用户表示获取单元730，被配置用于基于所述多个元路径，获得所述目标用户的用户表示；以及推荐单元740，被配置用于基于所述用户表示，从所述对象集合中确定目标对象，以推荐给所述目标用户。
在一些实施例中，所述元路径获取单元包括：元路径图获取单元，被配置用于获得所述目标用户和所述多个对象之间的元路径图，其中，所述元路径图包括所述第一节点、与所述多个对象分别对应的多个节点以及多个有向线段，所述多个有向线段中的每一个有向线段位于由所述第一节点和所述多个节点构成的节点集合中的两个节点之间并且指示该两个节点之间的关系；以及遍历单元，被配置用于遍历所述元路径图，以获得所述多个元路径。
在一些实施例中，所述多个元路径中的每一个元路径为对称元路径，所述对称元路径包括所述第一节点和所述多个节点中的至少一个节点对，每一个节点对中的一个节点与所述第一节点之间的有向线段与该节点对中的另一个节点与所述第一节点之间的有向线段对应相同。
在一些实施例中，所述多个有向线段中的每一个有向线段指示沿着该有向线段从一个节点到达另一个节点的概率，并且其中，所述多个元路径中的每一个元路径为概率元路径，所述概率元路径中的有向线段对应的概率总和大于预设值。
在一些实施例中，所述用户表示获取单元包括：元路径输入单元，被配置用于将所述多个元路径输入到异构图神经网络，以获得所述目标用户的用户表示，其中，所述异构图神经网络用于聚合所述目标用户的语义信息和所述多个对象中每一个对象的语义信息。
在一些实施例中，所述推荐单元包括：请求获取单元，被配置用于获得所述目标用户的用户请求；请求表示单元，被配置用于基于所述用户请求，获得所述用户请求的向量表示；以及确定单元，被配置用于基于所述用户表示和所述向量表示，确定所述目标对象。
在一些实施例中，所述确定单元包括：召回单元，被配置用于将所述用户请求和所述向量表示输入至召回模型，以获得所述目标对象，其中，所述召回模型包括用于对各个三元组进行匹配性打分的打分函数，所述三元组由所述目标用户、所述用户请求和所述对象集合中的一个对象构成。
在一些实施例中，所述目标用户为企业用户，所述多个对象类型包括用户群组类型、知识库类型、代码库类型或者项目类型，所述对象集合包括与所述用户群组类型对应的多个用户群组、与所述知识库类型对应的多个知识库、与所述代码库类型对应的多个代码库和与所述项目类型对应的多个项目。
根据本公开的另一方面，还提供一种对象推荐模型的训练装置，如图8所示，装置800包括：对象获取单元810，被配置用于从对象集合中获得与用户相关的多个对象，所述对象集合中的每一个对象对应于多个对象类型中的一个对象类型；元路径获取单元820，被配置用于获得所述用户和所述多个对象之间的多个元路径，所述多个元路径中的每一个元路径包括由所述目标用户构成的第一节点和所述多个对象中的至少一个对象构成的至少一个节点；用户表示获取单元830，被配置用于基于所述多个元路径，获得所述用户的用户表示；以及训练单元840，被配置用于基于所述用户表示，训练初始对象推荐模型，以得到目标对象推荐模型。
在一些实施例中，所述元路径获取单元810包括：元路径图获取单元，被配置用于获得所述用户和所述多个对象之间的元路径图，其中，所述元路径图包括所述第一节点、与所述多个对象分别对应的多个节点以及多个有向线段，所述多个有向线段中的每一个有向线段位于由所述第一节点和所述多个节点构成的节点集合中的两个节点之间并且指示该两个节点之间的关系；以及遍历单元，被配置用于遍历所述元路径图，以获得所述多个元路径。
在一些实施例中，所述多个元路径中的每一个元路径为对称元路径，所述对称元路径包括所述第一节点和所述多个节点中的至少一个节点对，每一个节点对中的一个节点与所述第一节点之间的至少一个有向线段与该节点对中的另一个节点与所述第一节点之间的至少一个有向线段对应相同。
在一些实施例中，所述多个有向线段中的每一个有向线段指示沿着该有向线段从一个节点到达另一个节点的概率，并且其中，所述多个元路径中的每一个元路径为概率元路径，所述概率元路径中的有向线段对应的概率总和大于预设值。
在一些实施例中，所述训练单元840包括：第一获取单元，被配置用于获得所述用户的训练请求和与所述训练请求相应的训练对象；第二获取单元，被配置用于基于所述训练请求，获得所述训练请求的向量表示；以及训练子单元，被配置用于基于所述用户表示、所述向量表示和所述训练对象，训练所述对象推荐模型。
在一些实施例中，所述初始对象推荐模型包括异构图神经网络、语义编码器和召回模型，所述用户表示获取单元包括：第一获取子单元，被配置用于利用所述异构图神经网络处理所述多个元路径，以获得所述用户表示；以及所述第二获取单元包括：第二获取子单元，被配置用于将所述训练请求输入至所述语义编码器，以获得所述向量表示，并且其中，所述召回模型包括基于所述用户表示和所述向量表示，对所述用户、所述训练请求和所述训练对象构成的三元组进行匹配性打分的打分函数；并且其中，所述训练子单元包括：参数调整单元，被配置用于基于所述打分函数对所述三元组的匹配性打分，调整所述对象推荐模型的参数。
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9，现将描述可以作为本公开的服务器或客户端的电子设备900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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906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907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908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900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901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901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901执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
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)、复杂可编程逻辑设备(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，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 (31)
1.一种对象推荐方法，包括：
从对象集合中获得与目标用户相关的多个对象，所述对象集合中的每一个对象对应于多个对象类型中的一个对象类型；
获得所述目标用户和所述多个对象之间的多个元路径，所述多个元路径中的每一个元路径包括由所述目标用户构成的第一节点和所述多个对象中的至少一个对象构成的至少一个节点；
基于所述多个元路径，获得所述目标用户的用户表示；以及
基于所述用户表示，从所述对象集合中确定目标对象，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，所述获得所述目标用户和所述多个对象之间的多个元路径包括：
获得所述目标用户和所述多个对象之间的元路径图，其中，所述元路径图包括所述第一节点、与所述多个对象分别对应的多个节点以及多个有向线段，所述多个有向线段中的每一个有向线段位于由所述第一节点和所述多个节点构成的节点集合中的两个节点之间并且指示该两个节点之间的关系；以及
遍历所述元路径图，以获得所述多个元路径。
3.根据权利要求2所述的方法，其中，所述多个元路径中的每一个元路径为对称元路径，所述对称元路径包括所述第一节点和所述多个节点中的至少一个节点对，每一个节点对中的一个节点与所述第一节点之间的有向线段与该节点对中另一个节点与所述第一节点之间的有向线段对应相同。
4.根据权利要求2所述的方法，其中，所述多个有向线段中的每一个有向线段指示沿着该有向线段从一个节点到达另一个节点的概率，并且其中，所述多个元路径中的每一个元路径为概率元路径，所述概率元路径中的有向线段对应的概率总和大于预设值。
5.根据权利要求1所述的方法，其中，所述基于所述多个元路径，获得所述目标用户的用户表示包括：
将所述多个元路径输入到异构图神经网络，以获得所述目标用户的用户表示，其中，所述异构图神经网络用于聚合所述目标用户的语义信息和所述多个对象中每一个对象的语义信息。
6.根据权利要求1所述的方法，其中，所述基于所述用户表示，从所述对象集合中确定目标对象，以推荐给所述目标用户包括：
获得所述目标用户的用户请求；
基于所述用户请求，获得所述用户请求的向量表示；以及
基于所述用户表示和所述向量表示，确定所述目标对象。
7.根据权利要求6所述的方法，其中，所述基于所述用户表示和所述向量表示，确定所述目标对象包括：
将所述用户表示和所述向量表示输入至召回模型，以获得所述目标对象，其中，所述召回模型包括用于对各个三元组进行匹配性打分的打分函数，所述三元组由所述目标用户、所述用户请求和所述对象集合中的一个对象构成。
8.根据权利要求1所述的方法，其中，所述多个对象类型包括用户群组类型、知识库类型、代码库类型和/或项目类型，所述对象集合包括与所述用户群组类型对应的多个用户群组、与所述知识库类型对应的多个知识库、与所述代码库类型对应的多个代码库和/或与所述项目类型对应的多个项目。
9.一种对象推荐模型的训练方法，包括：
从对象集合中获得与用户相关的多个对象，所述对象集合中的每一个对象对应于多个对象类型中的一个对象类型；
获得所述用户和所述多个对象之间的多个元路径，所述多个元路径中的每一个元路径包括由所述目标用户构成的第一节点和所述多个对象中的至少一个对象构成的至少一个节点；
基于所述多个元路径，获得所述用户的用户表示；以及
基于所述用户表示，训练初始对象推荐模型，以得到目标对象推荐模型。
10.根据权利要求9所述的方法，其中，所述获得所述用户和所述多个对象之间的多个元路径包括：
获得所述用户和所述多个对象之间的元路径图，其中，所述元路径图包括所述第一节点、与所述多个对象分别对应的多个节点以及多个有向线段，所述多个有向线段中的每一个有向线段位于由所述第一节点和所述多个节点构成的节点集合中的两个节点之间并且指示该两个节点之间的关系；以及
遍历所述元路径图，以获得所述多个元路径。
11.根据权利要求10所述的方法，其中，所述多个元路径中的每一个元路径为对称元路径，所述对称元路径包括所述第一节点和所述多个节点中的至少一个节点对，每一个节点对中的一个节点与所述第一节点之间的至少一个有向线段与该节点对中另一个节点与所述第一节点之间的至少一个有向线段对应相同。
12.根据权利要求11所述的方法，其中，所述多个有向线段中的每一个有向线段指示沿着该有向线段从一个节点到达另一个节点的概率，并且其中，所述多个元路径中的每一个元路径为概率元路径，所述概率元路径中的有向线段对应的概率总和大于预设值。
13.根据权利要求11所述的方法，其中，所述基于所述表示，训练初始对象推荐模型包括：
获得所述用户的训练请求和与所述训练请求相应的训练对象；
基于所述训练请求，获得所述训练请求的向量表示；以及
基于所述用户表示、所述向量表示和所述训练对象，训练所述初始对象推荐模型。
14.根据权利要求13所述的方法，其中，所述初始对象推荐模型包括异构图神经网络、语义编码器和召回模型，所述基于所述多个元路径，获得所述用户的用户表示包括：
利用所述异构图神经网络处理所述多个元路径，以获得所述用户表示；以及所述基于所述训练请求，获得所述训练请求的向量表示包括：
将所述训练请求输入至所述语义编码器，以获得所述向量表示，并且其中，
所述召回模型包括基于所述用户表示和所述向量表示，对所述用户、所述训练请求和所述训练对象构成的三元组进行匹配性打分的打分函数；并且其中，所述基于所述用户表示和所述向量表示，训练所述初始对象推荐模型包括：
基于所述打分函数对所述三元组的匹配性打分，调整所述初始对象推荐模型的参数。
15.一种对象推荐装置，包括：
相关对象获取单元，被配置用于从对象集合中获得与目标用户相关的多个对象，所述对象集合中的每一个对象对应于多个对象类型中的一个对象类型；
元路径获取单元，被配置用于获得所述目标用户和所述多个对象之间的多个元路径，所述多个元路径中的每一个元路径包括由所述目标用户构成的第一节点和至少一个其他节点，所述至少一个其他节点与所述目标用户和所述多个对象中的至少一个对象分别对应；
用户表示获取单元，被配置用于基于所述多个元路径，获得所述目标用户的用户表示；以及
推荐单元，被配置用于基于所述用户表示，从所述对象集合中确定目标对象，以推荐给所述目标用户。
16.根据权利要求15所述的装置，其中，所述元路径获取单元包括：
元路径图获取单元，被配置用于获得所述目标用户和所述多个对象之间的元路径图，其中，所述元路径图包括所述第一节点、与所述多个对象分别对应的多个节点以及多个有向线段，所述多个有向线段中的每一个有向线段位于由所述第一节点和所述多个节点构成的节点集合中的两个节点之间并且指示该两个节点之间的关系；以及
遍历单元，被配置用于遍历所述元路径图，以获得所述多个元路径。
17.根据权利要求16所述的装置，其中，所述多个元路径中的每一个元路径为对称元路径，所述对称元路径包括所述第一节点和所述多个节点中的至少一个节点对，每一个节点对中的一个节点与所述第一节点之间的有向线段与该节点对中另一个节点与所述第一节点之间的有向线段对应相同。
18.根据权利要求16所述的装置，其中，所述多个有向线段中的每一个有向线段指示沿着该有向线段从一个节点到达另一个节点的概率，并且其中，所述多个元路径中的每一个元路径为概率元路径，所述概率元路径中的有向线段对应的概率总和大于预设值。
19.根据权利要求15所述的装置，其中，所述用户表示获取单元包括：
元路径输入单元，被配置用于将所述多个元路径输入到异构图神经网络，以获得所述目标用户的用户表示，其中，所述异构图神经网络用于聚合所述目标用户的语义信息和所述多个对象中每一个对象的语义信息。
20.根据权利要求15所述的装置，其中，所述推荐单元包括：
请求获取单元，被配置用于获得所述目标用户的用户请求；
请求表示单元，被配置用于基于所述用户请求，获得所述用户请求的向量表示；以及
确定单元，被配置用于基于所述用户表示和所述向量表示，确定所述目标对象。
21.根据权利要求15所述的装置，其中，所述确定单元包括：
召回单元，被配置用于将所述用户表示和所述向量表示输入至召回模型，以获得所述目标对象，其中，所述召回模型各个三元组进行匹配性打分的打分函数，所述三元组由所述目标用户、所述用户请求和所述对象集合中的一个对象构成。
22.根据权利要求15所述的装置，其中，所述多个对象类型包括用户群组类型、知识库类型、代码库类型和/或项目类型，所述对象集合包括与所述用户群组类型对应的多个用户群组、与所述知识库类型对应的多个知识库、与所述代码库类型对应的多个代码库和/或与所述项目类型对应的多个项目。
23.一种对象推荐模型的训练装置，所述装置包括：
对象获取单元，被配置用于从对象集合中获得与用户相关的多个对象，所述对象集合中的每一个对象对应于多个对象类型中的一个对象类型；
元路径获取单元，被配置用于获得所述用户和所述多个对象之间的多个元路径，所述多个元路径中的每一个元路径包括由所述目标用户构成的第一节点和所述多个对象中的至少一个对象构成的至少一个节点；
用户表示获取单元，被配置用于基于所述多个元路径，获得所述用户的用户表示；以及
训练单元，被配置用于基于所述用户表示，训练初始对象推荐模型，以得到目标对象推荐模型。
24.根据权利要求23所述的装置，其中，所述元路径获取单元包括：
元路径图获取单元，被配置用于获得所述用户和所述多个对象之间的元路径图，其中，所述元路径图包括所述第一节点、与所述多个对象分别对应的多个节点以及多个有向线段，所述多个有向线段中的每一个有向线段位于由所述第一节点和所述多个节点构成的节点集合中的两个节点之间并且指示该两个节点之间的关系；以及
遍历单元，被配置用于遍历所述元路径图，以获得所述多个元路径。
25.根据权利要求24所述的装置，其中，所述多个元路径中的每一个元路径为对称元路径，所述对称元路径包括所述第一节点和所述多个节点中的至少一个节点对，每一个节点对中的一个节点与所述第一节点之间的至少一个有向线段与该节点对中的另一个节点与所述第一节点之间的至少一个有向线段对应相同。
26.根据权利要求25所述的装置，其中，所述多个有向线段中的每一个有向线段指示沿着该有向线段从一个节点到达另一个节点的概率，并且其中，所述多个元路径中的每一个元路径为概率元路径，所述概率元路径中的有向线段对应的概率总和大于预设值。
27.根据权利要求23所述的装置，其中，所述训练单元包括：
第一获取单元，被配置用于获得所述用户的训练请求和与所述训练请求相应的训练对象；
第二获取单元，被配置用于基于所述训练请求，获得所述训练请求的向量表示；以及
训练子单元，被配置用于基于所述用户表示、所述向量表示和所述训练对象，训练所述初始对象推荐模型。
28.根据权利要求27所述的装置，其中，所述初始对象推荐模型包括异构图神经网络、语义编码器和召回模型，所述用户表示获取单元包括：
第一获取子单元，被配置用于利用所述异构图神经网络处理所述多个元路径，以获得所述用户表示；以及所述第二获取单元包括：
第二获取子单元，被配置用于将所述训练请求输入至所述语义编码器，以获得所述向量表示，并且其中，
所述召回模型包括基于所述用户表示和所述向量表示，对所述用户、所述训练请求和所述训练对象构成的三元组进行匹配性打分的打分函数；并且其中，所述训练子单元包括：
参数调整单元，被配置用于基于所述打分函数对所述三元组的匹配性打分，调整所述初始对象推荐模型的参数。
29.一种电子设备，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1-14中任一项所述的方法。
30.一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1-14中任一项所述的方法。
31.一种计算机程序产品，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1-14中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211216216.2A CN115809364B (zh) | 2022-09-30 | 2022-09-30 | 对象推荐方法和模型训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211216216.2A CN115809364B (zh) | 2022-09-30 | 2022-09-30 | 对象推荐方法和模型训练方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115809364A true CN115809364A (zh) | 2023-03-17 |
| CN115809364B CN115809364B (zh) | 2023-12-08 |
Family
ID=85482721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211216216.2A Active CN115809364B (zh) | 2022-09-30 | 2022-09-30 | 对象推荐方法和模型训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115809364B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002488A (zh) * | 2018-06-26 | 2018-12-14 | 北京邮电大学 | 一种基于元路径上下文的推荐模型训练方法及装置 |
| CN110717098A (zh) * | 2019-09-20 | 2020-01-21 | 中国科学院自动化研究所 | 基于元路径的上下文感知用户建模方法、序列推荐方法 |
| CN111177563A (zh) * | 2019-12-31 | 2020-05-19 | 北京顺丰同城科技有限公司 | 一种信息推荐方法、装置、电子设备和存储介质 |
| CN111651671A (zh) * | 2020-05-27 | 2020-09-11 | 腾讯科技（深圳）有限公司 | 用户对象推荐方法、装置、计算机设备和存储介质 |
| CN111708964A (zh) * | 2020-05-27 | 2020-09-25 | 北京百度网讯科技有限公司 | 多媒体资源的推荐方法、装置、电子设备和存储介质 |
| US20210004421A1 (en) * | 2019-07-03 | 2021-01-07 | International Business Machines Corporation | Personalized recommender with limited data availability |
| CN112307319A (zh) * | 2019-08-02 | 2021-02-02 | 腾讯科技（深圳）有限公司 | 一种页面生成方法及装置 |
| CN112907334A (zh) * | 2021-03-24 | 2021-06-04 | 杭州网易再顾科技有限公司 | 一种对象推荐方法及装置 |
| CN114117232A (zh) * | 2021-12-02 | 2022-03-01 | 神行太保智能科技(苏州)有限公司 | 节点和元路径对比学习增强的推荐方法及系统 |
| CN114169938A (zh) * | 2021-12-13 | 2022-03-11 | 平安国际智慧城市科技股份有限公司 | 信息推送方法、装置、设备及存储介质 |
| CN114780863A (zh) * | 2022-06-21 | 2022-07-22 | 平安科技（深圳）有限公司 | 基于人工智能的项目推荐方法、装置、计算机设备及介质 |
| CN114841765A (zh) * | 2022-03-25 | 2022-08-02 | 深圳大学 | 一种基于元路径邻域目标泛化的序列推荐方法 |
-
2022
- 2022-09-30 CN CN202211216216.2A patent/CN115809364B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002488A (zh) * | 2018-06-26 | 2018-12-14 | 北京邮电大学 | 一种基于元路径上下文的推荐模型训练方法及装置 |
| US20210004421A1 (en) * | 2019-07-03 | 2021-01-07 | International Business Machines Corporation | Personalized recommender with limited data availability |
| CN112307319A (zh) * | 2019-08-02 | 2021-02-02 | 腾讯科技（深圳）有限公司 | 一种页面生成方法及装置 |
| CN110717098A (zh) * | 2019-09-20 | 2020-01-21 | 中国科学院自动化研究所 | 基于元路径的上下文感知用户建模方法、序列推荐方法 |
| CN111177563A (zh) * | 2019-12-31 | 2020-05-19 | 北京顺丰同城科技有限公司 | 一种信息推荐方法、装置、电子设备和存储介质 |
| CN111651671A (zh) * | 2020-05-27 | 2020-09-11 | 腾讯科技（深圳）有限公司 | 用户对象推荐方法、装置、计算机设备和存储介质 |
| CN111708964A (zh) * | 2020-05-27 | 2020-09-25 | 北京百度网讯科技有限公司 | 多媒体资源的推荐方法、装置、电子设备和存储介质 |
| CN112907334A (zh) * | 2021-03-24 | 2021-06-04 | 杭州网易再顾科技有限公司 | 一种对象推荐方法及装置 |
| CN114117232A (zh) * | 2021-12-02 | 2022-03-01 | 神行太保智能科技(苏州)有限公司 | 节点和元路径对比学习增强的推荐方法及系统 |
| CN114169938A (zh) * | 2021-12-13 | 2022-03-11 | 平安国际智慧城市科技股份有限公司 | 信息推送方法、装置、设备及存储介质 |
| CN114841765A (zh) * | 2022-03-25 | 2022-08-02 | 深圳大学 | 一种基于元路径邻域目标泛化的序列推荐方法 |
| CN114780863A (zh) * | 2022-06-21 | 2022-07-22 | 平安科技（深圳）有限公司 | 基于人工智能的项目推荐方法、装置、计算机设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115809364B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
| CN114791982B (zh) | 对象推荐方法和装置 | |
| CN116501960B (zh) | 内容检索方法、装置、设备及介质 | |
| CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
| KR20230006601A (ko) | 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 | |
| CN115168545A (zh) | 群组搜索方法、装置、电子设备及介质 | |
| CN114723949A (zh) | 三维场景分割方法和用于训练分割模型的方法 | |
| CN116541536B (zh) | 知识增强的内容生成系统、数据生成方法、设备和介质 | |
| WO2024027125A1 (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
| CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN114238745A (zh) | 一种提供搜索结果的方法及装置、电子设备和介质 | |
| CN114445190A (zh) | 商品推荐方法和装置 | |
| CN114219046A (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
| 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 | |
| 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 | |
| CN114860836B (zh) | 失效兴趣点的挖掘方法及装置、设备和介质 | |
| CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
| CN115203544A (zh) | 推荐方法及装置、电子设备和介质 | |
| CN115829653A (zh) | 广告文本的相关度确定方法及装置、设备和介质 | |
| CN114780819A (zh) | 对象推荐方法和装置 | |
| CN113887417A (zh) | 文本匹配方法、装置、设备和介质 | |
| CN116739136A (zh) | 数据预测方法、装置、电子设备和介质 | |
| CN113946498A (zh) | 兴趣点识别方法和装置、推荐方法和装置、设备及介质 | |
| CN113420227A (zh) | 点击率预估模型的训练方法、预估点击率的方法、装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |