CN116821516A - 资源推荐方法、装置、设备及存储介质 - Google Patents
资源推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116821516A CN116821516A CN202311103141.1A CN202311103141A CN116821516A CN 116821516 A CN116821516 A CN 116821516A CN 202311103141 A CN202311103141 A CN 202311103141A CN 116821516 A CN116821516 A CN 116821516A
- Authority
- CN
- China
- Prior art keywords
- behavior
- candidate
- features
- interaction
- resource
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 230000006399 behavior Effects 0.000 claims abstract description 1458
- 230000003993 interaction Effects 0.000 claims abstract description 786
- 230000002776 aggregation Effects 0.000 claims description 131
- 238000004220 aggregation Methods 0.000 claims description 131
- 230000002452 interceptive effect Effects 0.000 claims description 60
- 230000003542 behavioural effect Effects 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 38
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 14
- 230000004931 aggregating effect Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 17
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 230000000875 corresponding effect Effects 0.000 description 224
- 230000006870 function Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 241000894007 species Species 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 9
- 238000005304 joining Methods 0.000 description 9
- 238000012546 transfer Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请实施例公开了一种资源推荐方法、装置、设备及存储介质,应用于人工智能技术,该方法包括:根据候选对象i的对象特征、J个候选资源的资源特征以及第一类初始行为特征,识别候选对象i关于第k种交互行为的第一行为语义特征;根据I个候选对象分别对应的对象特征、候选资源j的资源特征以及第二类初始行为特征,识别候选资源j关于第k种交互行为的第二行为语义特征;根据候选对象i关于S种交互行为对应的S个第一行为语义特征,以及候选资源j关于S种交互行为对应的S个第二行为语义特征,向候选对象i推荐候选资源j。通过本申请能够提高资源推荐的准确度。
Description
技术领域
本申请涉及人工智能技术等领域,尤其涉及一种资源推荐方法、装置、设备及存储介质。
背景技术
随着互联网技术的发展,推送系统可以用于向用户推荐丰富的资源,资源可以包括文章、商品、广告、应用程序等。实践中发现,不同用户往往具有不同的资源需求,准确地向用户推荐资源(即向用户推荐符合资源需求的资源),不仅会增加用户对资源的兴趣度,还会给资源提供商带来营收。基于此,如何准确地向用户推荐资源是当前亟待解决的问题。
发明内容
本申请实施例提供一种资源推荐方法、装置、设备及存储介质,提高资源推荐的准确度。
本申请实施例一方面提供一种资源推荐方法,包括:
获取I个候选对象分别对应的对象特征,J个候选资源分别对应的资源特征,以及所述I个候选对象针对所述J个候选资源的S种交互行为分别对应的初始行为特征;I、J、S均为大于1的正整数;
根据候选对象i的对象特征、所述J个候选资源的资源特征以及第一类初始行为特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征;所述第一类初始行为特征为所述候选对象i针对所述J个候选资源的第k种交互行为对应的初始行为特征,i为小于或等于I的正整数,k为小于或等于S的正整数;
根据所述I个候选对象分别对应的对象特征、候选资源j的资源特征以及第二类初始行为特征,识别所述候选资源j关于所述第k种交互行为的第二行为语义特征;所述第二类初始行为特征为所述I个候选对象针对所述候选资源j的所述第k种交互行为对应的初始行为特征,j为小于或等于J的正整数;
根据所述候选对象i关于所述S种交互行为对应的S个第一行为语义特征,以及所述候选资源j关于所述S种交互行为对应的S个第二行为语义特征,向所述候选对象i推荐所述候选资源j。
本申请实施例一方面提供一种资源推荐装置,包括:
获取模块,用于获取I个候选对象分别对应的对象特征,J个候选资源分别对应的资源特征,以及所述I个候选对象针对所述J个候选资源的S种交互行为分别对应的初始行为特征;I、J、S均为大于1的正整数;
第一识别模块,用于根据候选对象i的对象特征、所述J个候选资源的资源特征以及第一类初始行为特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征;所述第一类初始行为特征为所述候选对象i针对所述J个候选资源的第k种交互行为对应的初始行为特征,i为小于或等于I的正整数,k为小于或等于S的正整数;
第二识别模块,用于根据所述I个候选对象分别对应的对象特征、候选资源j的资源特征以及第二类初始行为特征,识别所述候选资源j关于所述第k种交互行为的第二行为语义特征;所述第二类初始行为特征为所述I个候选对象针对所述候选资源j的所述第k种交互行为对应的初始行为特征,j为小于或等于J的正整数;
推荐模块,用于根据所述候选对象i关于所述S种交互行为对应的S个第一行为语义特征,以及所述候选资源j关于所述S种交互行为对应的S个第二行为语义特征,向所述候选对象i推荐所述候选资源j。
本申请实施例一方面提供了一种计算机设备,包括存储器和处理器,上述存储器存储有计算机程序,上述处理器执行上述计算机程序时实现上述的方法的步骤。
本申请实施例一方面提供了一种计算机可读存储介质,其上存储有计算机程序,上述计算机程序被处理器执行时实现上述的方法的步骤。
本申请实施例一方面提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法的步骤。
本申请中,S个第一行为语义特征用于反映候选对象i针对不同类型的交互行为的个性化特征,S个第二行为语义特征用于反映候选资源j关于不同类型的交互行为的通用化特征,进一步,通过根据S个第一行为语义特征和S个第二行为语义特征,向候选对象i推荐候选资源j,即实现参考多个维度的信息(即S个第一行为语义特征和S个第二行为语义特征),向候选对象j推荐候选资源j,为推荐过程提供更多信息量,实现资源的个性化推荐,提高资源推荐的准确度。同时,通过基于多种类型交互行为的第一行为语义特征和第二行为语义特征,向候选对象i推荐候选资源j,有利于基于多种类型的交互行为能够全面地候选对象i与候选资源j之间的关系,可以避免单一类型的交互行为不能全面地反映候选对象i与候选资源j之间的关系,造成资源推荐的准确度比较低的问题,提高资源推荐的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的一种资源推荐系统示意图;
图2是本申请提供的一种资源推荐方法的流程示意图;
图3是本申请提供的一种获取候选对象i关于第k种交互行为的第一行为语义特征的场景示意图;
图4是本申请提供的一种推荐模型的结构示意图;
图5是本申请提供的一种获取候选资源j关于第k种交互行为的第二行为语义特征的场景示意图;
图6是本申请提供的又一种资源推荐方法的流程示意图;
图7是本申请提供的一种向用户推荐商品的场景示意图;
图8是本申请提供的一种向用户推荐商品的场景示意图;
图9是本申请实施例提供的一种资源推荐装置的结构示意图;
图10是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
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例可涉及人工智能技术以及自动驾驶、智慧交通等领域,所谓人工智能(Artificial Intelligence,AI),是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所谓机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
需要说明的是,随着深度学习的最新进展,许多神经网络技术已被提出来增强协同过滤体系结构,以建模候选对象和候选资源之间的复杂交互模式。例如引入了多层感知器,将协同过滤框架与学习非线性特征交互的能力结合在一起。此外通过堆叠多个自编码器网络,可以在重建基于学习模型的情况下将高维稀疏候选对象行为数据映射到低维密集表示中,或者使用图关系编码器来建模候选对象-候选资源之间交互关系。然而以上方法的一个常见缺陷是仅考虑单一类型的交互行为来表征候选对象-候选资源的交互关系,这可能不能全面反映许多现实场景中的多维候选对象偏好。在实际情况中需要处理更复杂的候选对象-候选资源之间的交互关系,其中,每个候选对象与候选资源之间的交互关系具有多样性。例如,在电商平台上候选对象与候选资源之间可能存在多个交互关系(例如点击、加入至购物车,收藏和购买之间多种组合),每种类型的交互行为的单独视图可以提供丰富的信息,以从不同的方面表征候选对象偏好。一些候选对象可能喜欢在购买之前将他们感兴趣的候选资源添加到收藏夹中,而其他人则总是在将候选资源添加到购物车后立即购买。因此,需要建模候选对象偏好的多种行为模式,以提供更准确的推荐,此处的行为模式反映候选对象偏好所执行的交互行为之间的行为关系。
基于此,需要以行为异构建模方法,来捕捉候选对象的多种行为模式,行为异构建模方法:从不同类型视的交互行为的角度来学习,可以为识别候选对象针对候选资源的兴趣度提供更多信息量,以及复杂的交互关系。如复杂的交互关系包括两两交互行为之间的行为关系,甚至高级别的跨类型行为关系,例如,下文中的局部行为关系特征用于体现每两个交互行为之间的行为关系,全局行为关系特征用于体现S种交互行为之间的总体关系特征。因此,为了从多种行为关系中学习有意义的多行为表示,并将行为模式融合在一起,需要一种有效的跨类型交互行为学习模型,以解决多行为推荐问题。
由于候选对象-候选资源的交互行为之间的行为关系(即依赖关系)很复杂,因为,候选对象的交互行为很可能是由于不同的因素而相互依赖。在实际情况中,候选对象通常会因为自己的个性和习惯显示出不同的相关行为模式,例如有些人只会在他们有高概率购买的情况下将候选资源添加到收藏夹中,而另一些人可能偏好将许多不同的候选资源添加到收藏夹中,但只是偶尔进行购买。可见,多种类型的交互行为之间的行为关系因候选对象而异。因此,需要通过跨类型交互行为学习模型来捕捉到候选对象的多行为交互的个性化特征,以提取候选对象的全面和多样化的多行为模式。本申请中下文提到的推荐模型是一种跨类型交互行为学习模型,对该推荐模型的解释说明可以参考图4,在此不再赘述。通过该推荐模型能够捕捉用户的不同交互行为对应的行为模式,并能够将不同行为模式融合在一起,能够全面地体现候选对象针对候选资源的关系,提高推荐准确度。
为了便于更清楚理解本申请,首先介绍实现本申请的资源推荐系统,如图1所示,该资源推荐系统中包括服务器集群和终端集群,终端集群可以包括一个或者多个终端,这里将不对终端的数量进行限制。如图1所示,终端集群具体可以包括终端1、终端2、… 、终端y;服务器集群中可以包括多个服务器,这里不对服务器的数量进行限制,如图1所示,服务器集群具体包括服务器1、……、服务器n。可理解的是,终端集群中的各个终端能够与服务器集群中的各个服务器进行网络连接,以便终端与服务器之间能够进行数据交互。
终端中安装有一个或多个目标应用程序,该目标应用程序可以是指用于接发布资源的应用程序,如目标应用程序可以包括独立的应用程序、网页应用、宿主应用中的小程序等,该目标应用程序具体可以是指游戏应用、社交应用、音视频播放应用等。服务器是指为终端中的目标应用程序提供后端服务的设备,服务器可以用于向终端推荐资源。
可理解的是,服务器可以是独立的一个物理服务器,也可以是至少两个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery NetworK,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端具体可以是指车载终端、智能手机、平板电脑、笔记本电脑、桌上型电脑、智能音箱、有屏音箱、智能电视、智能手表等等,但并不局限于此。各个终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
进一步地,请参见图2,是本申请实施例提供的一种数据处理方法的流程示意图。如图2所示,该方法可由图1中的终端集群中的任一终端来执行,也可以由图1中的服务器来执行,还可以由图1中的终端集群中的终端和服务器来协同执行,本申请中用于执行该数据处理方法的设备可以统称为计算机设备。其中,该方法可以包括如下步骤:
S101、获取I个候选对象分别对应的对象特征,J个候选资源分别对应的资源特征,以及该I个候选对象针对该J个候选资源的S种交互行为分别对应的初始行为特征;I、J、S均为大于1的正整数。
本申请中,计算机设备可以从一个或多个资源发布应用上获取I个候选对象分别对应的对象特征,J个候选资源分别对应的资源特征以及I个候选针对J个候选资源的S种交互行为分别对应的初始行为特征。
需要说明的是,I个候选对象可以为在历史时间段内针对J个候选资源执行交互行为的用户,候选对象对应的对象特征包括候选对象的用户基本信息,历史时间段可以是指近一周内,近一个月内,近一年内等;J个候选资源为在历史时间段内已发布的资源,资源可以是指文章、音视频、广告、商品以及应用程序(如社交应用程序、游戏应用程序)等,候选资源对应的资源特征包括用于反映候选资源的属性特征。该候选资源的资源特征可以包括候选资源的名称、主题、资源类别、发布时间等,资源类别包括文本类、音视频类、广告类、商品类以及应用程序类等,当该候选资源为文章或音视频时,候选资源的主题用于反映候选资源所反映的主要内容;当该候选资源为商品时,候选资源的主题用于反映商品的种类(如食物、玩具、衣物等);当该候选资源为广告时,候选资源的主题用于反映广告所反映的主体,如该广告为一个企业的宣传片,主体为该广告所反映的企业;当该候选资源为应用程序时,该候选资源的主题用于反映应用程序的类别,如社交类、游戏类、购物类等。
特别地,当该候选资源为商品时,该候选资源的资源特征还可以包括商品的价格等,当该候选资源为文章时,该候选资源的资源特征还可包括文章的字数、字体等属性,当该候选资源为音视频时,该候选资源的资源特征还可以包括候选资源的播放时长、发布平台等。候选对象针对候选资源的交互行为包括点击、收藏、播放、浏览、点赞、下载以及购买等行为,交互行为对应的初始行为特征是指候选对象针对候选资源的交互行为对应的行为特征。如当该交互行为为点击时,初始行为特征包括点击时间、点击次数等;当交互行为为收藏时,初始行为特征包括收藏时间、收藏时长等;当交互行为为播放时,初始行为特征包括播放时间、播放次数、播放时长等。当交互行为为浏览时,初始行为特征包括浏览时间、浏览时长以及浏览次数等;当交互行为为点赞时,初始行为特征包括点赞时间、点赞次数等,当交互行为为下载时,初始行为特征包括下载时间、下载次数等;当交互行为为购买时,初始行为特征为购买时间以及购买次数。
需要说明的是,J个候选资源可以均属于同一个资源类型,如J个候选资源均属于广告类,J个候选资源可以属于不同资源类型,如J个候选资源中的候选资源1属于商品类,J个候选资源中的候选资源2属于应用程序类。
S102、根据候选对象i的对象特征、该J个候选资源的资源特征以及第一类初始行为特征,识别该候选对象i关于第k种交互行为的第一行为语义特征;该第一类初始行为特征为该候选对象i针对该J个候选资源的第k种交互行为对应的初始行为特征,i为小于或等于I的正整数,k为小于或等于S的正整数。
本申请中,候选对象i为I个候选对象中需要向其推荐资源的用户,第k种交互行为为S种交互行为中的任一种交互行为;第一类初始行为特征反映候选对象i针对所有候选资源的第k种交互行为的对应的初始行为特征,该第一类初始行为特征反映候选对象i针对第k种交互行为的初始行为特征,如该第k种交互行为购买,则第一类初始行为特征反映候选对象i针对J个候选资源分别对应的购买时间、购买次数等。进一步,计算机设备可以根据该候选对象i的对象特征、J个候选资源的资源特征以及第一类初始行为特征,识别候选对象i关于第k种交互行为第一行为语义特征。第一行为语义特征用于反映候选对象i针对第k种交互行为的个性化特征(即需要区分候选对象),如该第一行为语义特征具体用于反映如下三种内容:a、候选对象i偏好对哪些候选资源执行第k种交互行为;b、候选对象i关于第k种交互行为的初始行为特征;c、候选对象i关于第k种交互行为的上下文本信息,此处的上下文信息反映候选对象i偏好对哪些候选资源执行剩余交互行为,剩余交互行为为S种交互行为中除第k种交互行为以外的交互行为。
可选的,上述步骤S102可以包括:如图3所示,计算机设备可以从该J个候选资源,获取该候选对象i对其执行该第k种交互行为的候选资源,得到第一资源集合,即第一资源集合中包括候选对象i对其执行第k种交互行为的候选资源;由于候选对象i仅第一资源集合中的候选资源执行第k种交互行为,因此,上述第一初始行为特征反映候选对象i针对第一资源集合内的候选资源执行第k种交互行为的初始行为特征。然后,从该J个候选资源中,获取该候选对象i对其执行剩余交互行为的候选资源,得到第二资源集合,即第二资源集合包括候选对象i对其执行剩余交互行为的候选资源,该剩余交互行为为该S种交互行为中除该第k种交互行为以外的交互行为。进一步,计算机设备可以对该第一资源集合中的候选资源的资源特征、该第二资源集合中的候选资源的资源特征、以及该候选对象i的对象特征进行拼接,得到对象拼接特征,该对象拼接特征可理解为在候选对象i的对象特征中注入了该第一资源集合中的候选资源的资源特征和该第二资源集合中的候选资源的资源特征。该对象拼接特征用于反映候选对象i偏好对哪些候选资源执行第k种交互行为,以及候选对象i偏好对哪些候选资源执行剩余交互行为。通常第k种交互行为与剩余交互行为之间会相互影响,如第k种交互行为购买,剩余交互行为包括加入购物车、点击、收藏等,候选对象i对候选资源执行加入购物、点击、收藏等后,对候选资源执行购买的概率比较大。因此,可以称剩余候选资源的资源特征是候选对象i关于第k中交互行为的上下文本信息,剩余候选资源是指候选对象i对其执行剩余交互行为的候选资源;换言之,可以称对象拼接特征反映候选对象i偏好对哪些候选资源执行第k种交互行为,以及候选对象i关于第k种交互行为的上下文信息,该对象拼接特征可以用于生成预测子网络,以预测候选对象i针对候选资源j执行目标交互行为(如第种交互行为)的概率,对象拼接特征能够有效地模拟多种交互行为,捕获个性化的高阶协作效应,学习不同交互行为之间的依赖关系。然后,根据该对象拼接特征、第一类初始行为特征、该候选对象i的对象特征,以及该第一资源集合中的候选资源的资源特征,识别该候选对象i关于第k种交互行为的第一行为语义特征。
可选的,上述根据该对象拼接特征、第一类初始行为特征、该候选对象i的对象特征,以及该第一资源集合中的候选资源的资源特征,识别该候选对象i关于第k种交互行为的第一行为语义特征,包括:计算机设备可以对该对象拼接特征进行秩转换处理,得到第一拼接子特征和第二拼接子特征;秩转换处理是指低秩转换分解,也可以称为降维处理,即将对象拼接特征分解为两个低维度的拼接子特征,即对象拼接特征的维度为第一拼接子特征的维度和第二拼接子特征的维度之和。进一步,对该第一拼接子特征、该第二拼接子特征以及该候选对象i的对象特征进行乘积处理,得到该候选对象i关于所述第k种交互行为的行为投影特征,该行为投影特征也可以称为候选对象i针对第k种交互行为的上下文化嵌入(即上下文化矩阵),该行为投影特征反映候选对象i偏好对哪些候选资源执行第k种交互行为,以及候选对象i关于第k种交互行为的上下文信息。然后,根据该候选对象i关于所述第k种交互行为的行为投影特征、该第一资源集合中的候选资源的资源特征,以及第一类初始行为特征,识别该候选对象i关于第k种交互行为的第一行为语义特征。通过对对象拼接特征进行秩换行处理,有利于降低获取第一行为语义特征的复杂度,有利于后续有效地提取元知识。
例如,计算机设备可以调用推荐模型,根据候选对象i的对象特征、该J个候选资源的资源特征以及第一类初始行为特征,识别该候选对象i关于第k种交互行为的第一行为语义特征,具体的,该推荐模型可以是指用于向候选对象推荐候选资源的模型,该推荐模型可以是图神经网络模型、因子分解机(Factorization Machine,FM)、域感知因子分解机(Field-aware Factorization Machine,FFM)等。如图4所示以推荐模型为图神经网络模型为例进行说明,该推荐模型可以包括多行为模式建模网络、元图神经网络、元知识转移网络、元预测网络,如下将对各个网络进行介绍:
(1)该多行为模式建模网络用于捕获不同候选对象偏好的个性化多行为特征。该多行为模式建模网络和元神经网络共同捕捉多种类型的交互行为背景下的候选对象-候选资源的行为异质性,以及不同类型的交互行为之间的依赖关系;行为异质性是指候选对象针对同一候选资源的所执行的不同交互行为之间的差异性。该多行为模式建模网络可以包括元知识学习器以及低秩转换分解层,元知识学习器用于学习候选对象i关于第k种交互行为(即特定类型的交互行为)的行为语义,将学习到的行为语义输入到初始嵌入(如候选对象i的对象特征)中,得到候选对象i关于第k种交互行为的对象拼接特征。元知识学习器能够有效地模拟多种交互行为(即多行为模式),捕获个性化的高阶协作效应,并学习跨类型交互行为之间的依赖关系。低秩转换分解层利用低秩分解技术,以将第一行为语义特征分解为两个低秩投影,两个低秩投影可以为上文提到的第一拼接子特征和第二拼接子特征,有利于增强元知识学习器的转换操作,有利于后续有效地提取元知识。
(2)元图神经网络用于增强候选对象关于候选资源的潜在表征学习,并保留候选对象针对候选资源的交互行为之间的协同效应,协同效应是指基于行为交互识别候选对象在历史时间段内所偏好的候选资源,以便向候选对象推荐相似资源,相似资源是指与候选对象在历史时间段所偏好的候选资源之间相似关系(如资源类型相似)的资源。元图神经网络主要包含三个关键子模块:行为语义编码层、行为关系学习层以及行为上下文聚合层。行为语义编码层用于在具有多交互行为交互关系的推荐方案中,提取每种类型的交互行为的个性化行为特征。以电子商务平台为例,候选对象的页面浏览行为可能比购买行为更容易出现,此外加入购物车和购买行为可能以高概率共现。该行为语义编码层用于捕捉多交互行为分别对应的个性化行为特征(即个性化语义信息)。行为关系学习层用于识别不同类型的交互行为之间的潜在关系;行为上下文聚合层用于将行为语义特征与行为关系特征结合到高嵌入传播范式中,以捕捉候选对象-候选资源之间的高阶连通性,即下文中的第一行为聚合特征和第二行为聚合特征用于反映候选对象与候选资源之间的高阶连通性(即高阶关系)。
(3)元知识转移网络,可实现候选对象和候选资源之间信息的传播和聚合,以此来描述因候选对象而异的个性化多行为特征。该元知识转移网络能够获取到候选对象i的个汇聚的行为表示(即第一行为编码特征),即用 S 个不同的嵌入/>来表征候选对象i针对第k种交互行为的第一局部编码特征,并使用/>来总结通用交互行为(不区分交互行为类型),/>反映了候选对象i的通用兴趣。第一行为编码特征用于在预测阶段如何有效地捕捉不同类型交互行为之间的依赖关系,并在辅助目标行为预测任务中传递有影响力的知识。元知识转移网络包括元知识学习层以及知识迁移学习层,该元知识学习层用于学习定制化的基础元知识,如下文中的关系元知识。知识迁移学习层用于不同类型的交互行为之间的预测值,如该预测值为选对象i对候选资源j执行第k种交互行为之后,对候选资源j执行第/>种交互行为的概率。
(4)元预测网络,用于基于元知识转移网络的输出预测候选对象i针对候选资源j的兴趣度,以便基于兴趣度向候选对象i推荐候选资源j。
在实际应用中,计算机设备可以调用多行为模式建模网络中的元知识学习器,对该第一资源集合中的候选资源的资源特征、该第二资源集合中的候选资源的资源特征、以及该候选对象i的对象特征进行拼接,得到初始对象拼接特征;对该初始对象拼接特征进行转换处理,得到对象拼接特征,即将初始对象拼接特征转换为固定维度的对象拼接特征(即定制参数矩阵)。如,计算机设备可以调用元知识学习网络,基于如下公式(1)计算对象拼接特征:
(1)
其中,公式(1)中的表示第二资源集合中的候选资源的资源特征,/>表示候选对象i的对象特征、/>反映候选对象i对其执行第k种交互行为的候选资源的第一资源集合,/>表示第一资源集合中的候选资源的资源特征,e小于或等于第一资源集合中的候选资源的数量;/>表示初始对象拼接特征,/>表示对象拼接特征,和/>表示元知识学习器的参数,可训练得到。
进一步,计算机设备可以调用该多行为模式建模网络中的低秩转换分解层,对象拼接特征进行秩转换处理,得到第一拼接子特征和第二拼接子特征,对该第一拼接子特征、该第二拼接子特征以及该候选对象i的对象特征进行乘积处理,得到该候选对象i关于所述第k种交互行为的行为投影特征;如,计算机设备可以调用转换分解网络,基于如下公式(2)计算行为投影特征:
(2)
其中,公式(2)中,为低秩转换分解层的参数,分别为第一拼接子特征和第二拼接子特征,/>为候选对象i关于所述第k种交互行为的行为投影特征,/>可以是指对候选对象j的对象特征进行上下文化处理得到的,该上下文化处理可以是指公式(1)和公式(2)。其中,/>维度均为/>,的/>维度为/>,通常/>远小于/>。计算机设备可以以/>为约束条件对对象拼接特征进行秩转换处理。
接着,计算机设备可以调用元图神经网络中的行为语义编码层,根据该候选对象i关于所述第k种交互行为的行为投影特征、该第一资源集合中的候选资源的资源特征,以及第一类初始行为特征,识别该候选对象i关于第k种交互行为的第一行为语义特征,如计算机设备可以调用行为语义网络,基于如下公式(3)计算该候选对象i关于第k种交互行为的第一行为语义特征:
(3)
其中,公式(3)中的表示该候选对象i关于第k种交互行为的第一行为语义特征,/>表示候选对象i对候选资源e的第k种交互行为的行为因子,该行为因子是对候选对象i对候选资源e的第k种交互行为的初始行为特征的规范化因子,该行为因子是基于第一类初始行为特征,对候选对象i对候选资源j的第k种交互行为的初始行为特征进行归一化处理得到的。/>是对第一资源集合中的候选资源e的资源特征进行上下文化处理得到的,对候选资源e的资源特征进行上下文处理过程,可以参考如下公式(5)和公式(6)。
可理解的是,上述公式(3)可以称为嵌入传播过程,该嵌入传播过程可以总结为用户-资源交互的矩阵格式,如下公式(4):
(4)
其中,公式(4)中的表示在第k种交互行为下,图/>的邻接矩阵,该邻接矩阵反映I个候选对象中针对J个候选资源执行第k种交互行为的初始行为特征。/>和分别是I个候选对象关于第k种交互行为的初始行为特征和候选资源关于第k种交互行为的初始行为特征。/>,/>分别对应I个候选对象的投影行为特征、J个候选对象的投影行为特征。/>反映I个候选对象针对第k种交互行为的第一语义特征。
S103、根据该I个候选对象分别对应的对象特征、候选资源j的资源特征以及第二类初始行为特征,识别候选资源j关于该第k种交互行为的第二行为语义特征;该第二类初始行为特征为该I个候选对象针对该候选资源j的该第k种交互行为对应的初始行为特征,j为小于或等于J的正整数。
本申请中,候选资源j可以是指J个候选资源中待推荐的资源,第二类初始行为特征反映所有候选对象针对候选资源j的第k种交互行为的对应的初始行为特征,如该第k种交互行为购买,则第二类初始行为特征反映每个候选对象针对候选资源j分别对应的购买时间、购买次数等,即该第二类初始行为特征反映候选资源j关于第k种交互行为对应的初始行为特征。计算机设备可以根据该I个候选对象分别对应的对象特征、候选资源j的资源特征以及第二类初始行为特征,识别候选资源j关于该第k种交互行为的第二行为语义特征。第二行为语义特征用于反映候选资源j关于第k种交互行为的通用化特征(不需要区分候选对象),如该第二行为语义特征具体用于反映如下三种内容:a、哪些候选对象偏好针对候选资源j执行第k种交互行为;b、候选资源j关于第k种交互行为的初始行为特征;c、候选对象j关于第k种交互行为的上下文本信息,此处的上下文信息反映目标候选对象偏好对哪些候选资源执行剩余交互行为,剩余交互行为为S种交互行为中除第k种交互行为以外的交互行为,目标候选对象为对候选资源j执行第k种交互行为的候选对象。
可选的,步骤S103包括:如图5所示,计算机设备可以从I个候选对象中获取针对候选资源j执行第k种交互行为的第一对象集合,第一对象集合中包括I个候选对象中对候选资源j执行第k种交互行为的候选对象;由于仅第一对象集合中的候选对象对候选资源j执行第k种交互行为,因此,上述第二初始行为特征反映第一对象集合中的候选对象对候选资源j执行第k种交互行为的初始行为特征。然后,从I个候选对象中获取对候选资源j执行剩余交互行为的第二对象集合,第二对象集合包括I个候选对象中对候选资源j执行剩余交互行为的候选对象。从J个候选资源的资源特征中获取候选资源j的资源特征,对第一对象集合中的候选对象的对象特征和第二对象集合中的候选对象的对象特征、候选资源j的资源特征进行拼接,得到资源拼接特征;资源拼接特征可理解为在候选资源j的资源特征中注入了第一对象集合中的候选对象的对象特征和第二对象集合中的候选对象的对象特征。该资源拼接特征用于反映哪些候选对象偏好针对候选资源j执行第k种交互行为,以及候选对象j关于第k种交互行为的上下文本信息,进一步,可以根据该资源拼接特征、第二类初始行为特征、候选资源j的资源特征以及第一对象集合中候选对象的对象特征,识别候选资源j关于该第k种交互行为的第二行为语义特征。
可选的,上述根据该资源拼接特征、第二类初始行为特征、候选资源j的资源特征以及第一对象集合中候选对象的对象特征,识别候选资源j关于该第k种交互行为的第二行为语义特征可以包括:计算机设备可以对该资源拼接特征进行秩转换处理,得到第三拼接子特征和第四拼接子特征;即资源拼接特征的维度为第三拼接子特征的维度和第四拼接子特征的维度之和。进一步,对第三拼接子特征、第四拼接子特征以及候选资源j的资源特征进行乘积处理,得到该候选资源j关于该第k种交互行为的行为投影特征,此处的行为投影特征也可以称为候选资源j针对第k种交互行为的上下文化嵌入(即上下文化矩阵),该行为投影特征反映哪些候选对象偏好针对候选资源j执行第k种交互行为,以及候选对象j关于第k种交互行为的上下文本信息。然后,根据该候选资源j关于所述第k种交互行为的行为投影特征、候选资源j的资源特征以及第一对象集合中候选对象的对象特征,识别候选资源j关于该第k种交互行为的第二行为语义特征。通过对资源拼接特征进行秩换行处理,有利于降低获取第二行为语义特征的复杂度,有利于后续有效地提取元知识。
例如,计算机设备可以调用多行为模式建模网络中的元知识学习器,对第一对象集合中的候选对象的对象特征和第二对象集合中的候选对象的对象特征、候选资源j的资源特征进行拼接,得到初始资源拼接特征;对该初始资源拼接特征进行转换处理,得到资源拼接特征,即将初始资源拼接特征转换为固定维度的资源拼接特征(即定制参数矩阵)。如,计算机设备可以调用元知识学习网络,基于如下公式(5)计算资源拼接特征:
(5)
其中,公式(5)中的表示第二对象集合中的候选对象的对象特征、/>表示候选资源j的资源特征,/>反映针对候选资源j执行第k种交互行为的候选对象(即第一对象集合),/>反映第一对象集合中的候选对象的对象特征,/>小于或等于第一对象集合中的候选对象的数量。/>初始资源拼接特征,/>表示资源拼接特征。
进一步,计算机设备可以调用多行为模式建模网络中的低秩转换分解层对资源拼接特征进行秩转换处理,得到第三拼接子特征和第四拼接子特征,对该第三拼接子特征、该第四拼接子特征以及该候选资源j的资源特征进行乘积处理,得到该候选资源j关于所述第k种交互行为的行为投影特征;如,计算机设备可以调用转换分解网络,基于如下公式(6)计算行为投影特征:
(6)
其中,公式(6)中,分别为第三拼接子特征和第四拼接子特征,/>为候选资源j关于该第k种交互行为的行为投影特征,/>也可以称为对候选资源j的资源特征进行上下文化处理的得到,上下文处理过程即为公式(5)和公式(6)。
接着,计算机设备可以调用元图神经网络中的行为语义编码层,根据该候选资源j关于所述第k种交互行为的行为投影特征、候选资源j的资源特征以及第一对象集合中候选对象的对象特征,识别候选资源j关于该第k种交互行为的第二行为语义特征。如计算机设备可以调用行为语义网络,基于如下公式(7)计算候选资源j关于该第k种交互行为的第二行为语义特征:
(7)
其中,公式(7)中的表示该候选资源j关于第k种交互行为的第二行为语义特征,/>表示候选对象r对候选资源j的第k种交互行为的行为因子,该行为因子是对候选对象r对候选资源j的第k种交互行为的初始行为特征的规范化因子,该行为因子是基于第二类初始行为特征,对候选对象r对候选资源j的第k种交互行为的初始行为特征进行归一化处理得到的。/>是对第一对象集合中的候选对象r的对象特征进行上下文化处理得到的,对候选对象r的对象特征进行上下文处理过程,可以参考如上公式(1)和公式(2)。
S104、根据该候选对象i关于该S种交互行为对应的S个第一行为语义特征,以及该候选资源j关于该S种交互行为对应的S个第二行为语义特征,向该候选对象i推荐该候选资源j。
本申请中,计算机设备可以重复执行上述步骤S102和步骤S103,以获取候选对象i关于S种交互行为对应的S个第一行为语义特征,以及候选资源j关于S种交互行为对应的S个第二行为语义特征,即候选对象i的一种交互行为对应一个第一行为语义特征,针对候选资源j的一种交互行为对应一个第二语义行为特征。S个第一行为语义特征反映候选对象i针对不同类型的交互行为的个性化行为特征(即需要区分候选对象),S个第二行为语义特征反映候选资源j关于不同类别的交互行为的通用化行为特征(即不需要区分单个候选对象),可以根据S个第一行为语义特征和S个第二行为语义特征,向候选对象i推荐该候选资源j。在推荐资源的过程中,通过基于多种类型的交互行为对应行为语义特征,向候选对象i推荐候选资源j,为推荐过程提供更多信息量,有利于建立候选对象i针对候选资源j的协同关系(即交互关系),综合反映候选对象i的多维偏好,从而解决单种交互行为无法全面反映候选对象i多维偏好的问题,实现资源的个性化推荐,提高资源推荐的准确度;同时,可避免关于候选对象i的行为数据量过少,造成资源推荐准确度比较低的问题。
本申请中,S个第一行为语义特征用于反映候选对象i针对不同类型的交互行为的个性化特征,S个第二行为语义特征用于反映候选资源j关于不同类型的交互行为的通用化特征,进一步,通过根据S个第一行为语义特征和S个第二行为语义特征,向候选对象i推荐候选资源j,即实现参考多个维度的信息(即S个第一行为语义特征和S个第二行为语义特征),向候选对象j推荐候选资源j,为推荐过程提供更多信息量,实现资源的个性化推荐,提高资源推荐的准确度。同时,通过基于多种类型交互行为的第一行为语义特征和第二行为语义特征,向候选对象i推荐候选资源j,有利于基于多种类型的交互行为能够全面地候选对象i与候选资源j之间的关系,可以避免单一类型的交互行为不能全面地反映候选对象i与候选资源j之间的关系,造成资源推荐的准确度比较低的问题,提高资源推荐的准确度。
进一步地,请参见图6,是本申请实施例提供的一种数据处理方法的流程示意图。如图6所示,该方法可由图1中的终端集群中的任一终端来执行,也可以由图1中的服务器来执行,还可以由图1中的终端集群中的终端和服务器来协同执行,本申请中用于执行该数据处理方法的设备可以统称为计算机设备。其中,该方法可以包括如下步骤:
S201、获取I个候选对象分别对应的对象特征,J个候选资源分别对应的资源特征,以及该I个候选对象针对该J个候选资源的S种交互行为分别对应的初始行为特征;I、J、S均为大于1的正整数。
S202、根据候选对象i的对象特征、该J个候选资源的资源特征以及第一类初始行为特征,识别该候选对象i关于第k种交互行为的第一行为语义特征;该第一类初始行为特征为该候选对象i针对该J个候选资源的第k种交互行为对应的初始行为特征,i为小于或等于I的正整数,k为小于或等于S的正整数。
S203、根据该I个候选对象分别对应的对象特征、候选资源j的资源特征以及第二类初始行为特征,识别候选资源j关于该第k种交互行为的第二行为语义特征;该第二类初始行为特征为该I个候选对象针对该候选资源j的该第k种交互行为对应的初始行为特征,j为小于或等于J的正整数。
S204、根据该候选对象i关于该S种交互行为对应的S个第一行为语义特征,确定该S种交互行为之间的第一行为关系特征。
本申请中,计算机设备可以根据候选对象i关于S种交互行为对应的S个第一行为语义特征,确定S种交互行为之间的第一行为关系特征,该第一行为关系特征用于反映候选对象i的S种交互行为之间的行为关系,即该第一行为关系特征用于反映候选对象i的不同类型的交互行为之间的互动特征或潜在关系,第一行为关系特征也可以称为候选对象i针对S个交互性的的个性化交互特征。如S种交互行为包括购买、收藏、加入购物车,第一行为关系特征用于反映候选对象i偏好在将候选资源(此处的候选资源为J个候选资源中的任一候选资源)加入购物车后,购买候选资源,以及反映候选对象i偏好在收藏候选资源后,购买候选资源等。
可选的,上述步骤S204可以包括:计算机设备可以对该S个第一行为语义特征进行切片处理,得到该S个第一行为语义特征分别对应的H个行为切片特征,每个行为切片特征的维数相同,H为大于1的整数。计算机设备可以根据该第k种交互行为的对应的H个行为切片特征、第种交互行为的对应的H个行为切片特征、切片数量以及单个行为切片特征的维数,确定该第k种交互行为与该第/>种交互行为之间的关联权重,该关联权重反映第k种交互行为与该第/>种交互行为之间的关联度,/>为小于或等于S的正整数,该切片数量为H,单个行为切片特征是指一个行为切片特征。然后,重复上述步骤,直到获取到第k种交互行为分别与该S种交互行为之间的关联权重,计算机设备可以根据该第k种交互行为分别与该S种交互行为之间的关联权重,以及该S个第一行为语义特征分别对应的H个行为切片特征,确定该第k种交互行为与该S种交互行为之间的局部行为关系特征,此处第k种交互行为与S种交互行为中的一个交互行为之间对应一个局部行为关系特征,即局部行为关系特征用于反映两个交互行为之间的关系特征。进一步,计算机设备可以重复上述步骤直到获取到S种行为交互之间的局部行为关系特征,根据该S种交互行为分别对应的局部行为关系特征,确定S种交互行为之间的第一行为关系特征。如,计算机设备可以对S种交互行为之间的局部行为关系特征进行求和处理,得到S种交互行为之间的全局行为关系特征,该全局行为关系特征用于反映S种交互行为之间总体关系特征,将S种交互行为之间的局部行为关系特征以及全局行为关系特征,确定为S个种交互行为之间的第一行为关系特征。通过对第一行为语义特征进行切片处理,有利于降低获取第一行为关系特征的复杂度,有利于挖掘不同类型的交互行为之间的潜在关系。
可选的,上述根据所述第k种交互行为的对应的H个行为切片特征、第种交互行为的对应的H个行为切片特征、切片数量以及单个行为切片特征的维数,确定所述第k种交互行为与所述第/>种交互行为之间的关联权重,包括:计算机设备可以对该第k种交互行为的对应的第h个行为切片特征,与该第/>种交互行为的对应的第h个行为切片特征进行相乘处理,得到第h个关联特征;即第h个关联特征用于反映第k种交互行为的第h个行为切片特征与第/>种交互行为的对应的第h个行为切片特征之间的相似度,h为小于或等于H的正整数。然后,计算机设备可以确定该单位个行为切片特征的维数与该切片数量之间的比值;根据该第h个关联特征和该比值,确定该第k种交互行为与所述第/>种交互行为之间的第h个关联权重;直到获取到该第k种交互行为与所述第/>种交互行为之间的H个关联权重,将该H个关联权重,确定为该第k种交互行为与该第/>种交互行为之间的关联权重。通过计算两个交互行为之间的不同行为切片特征之间关联权重,有利于挖掘不同类型的交互行为之间的潜在关系。
可选的,上述根据所述第k种交互行为分别与所述S种交互行为之间的关联权重,以及所述S个行为语义特征分别对应的H个行为切片特征,确定该第k种交互行为与该S种交互行为之间的局部行为关系特征,包括:计算机设备可以对所述第k种交互行为与所述第种交互行为之间的第h个关联权重,与该第/>种交互行为的对应的第h个行为切片特征进行相乘处理,得到该第k种交互行为与所述第/>种交互行为之间的第h个子行为关系特征;第h个子行为关系特征是指基于第k种交互行为的第h个行为切片特征与该第/>种交互行为的第h个行为切片特征,确定的第k种交互行为与第/>种交互行为之间的行为关系。进一步,计算机设备可以重复上述步骤,直到获取到该第k种交互行为与该S种交互行为之间分别对应的第h个子行为关系特征,对该第k种交互行为与该S种交互行为之间分别对应的第h个子行为关系特征进行累加处理,得到该第k种交互行为与该S种交互行为之间的第h个行为关系特征;对该第k种交互行为与所述S种交互行为之间的H个行为关系特征进行拼接处理,得到该第k种交互行为与该S种交互行为之间的局部行为关系特征。
例如,计算机设备可以调用元图神经网络中的行为关系学习层,提取第一行为关系特征,该行为关系学习层包括行为关系编码函数,该行为关系编码函数用于注入不同类型的交互行为之间的行为关系特征来改变传播嵌入,即相当于在候选对象i的对象特征中注入不同类型的行为交互之间的行为关系特征。该行为关系编码函数将S个第一行为语义特征映射到相同的维度表示,并计算不同类型的交互行为对应第一行为语义特征之间的注意力加权总和。然后该行为关系编码函数将注意力加权总和与S个第一行为语义特征相加以生成最终第一行为关系特征。该行为关系函数对于捕捉不同类型的交互行为之间的互动特征和关系类型变化具有很强的灵活性。具体的,计算机设备可以调用该行为关系学习层,根据该第k种交互行为的对应的第h个行为切片特征、该第种交互行为的对应的第h个行为切片特征、该单位个行为切片特征的维数与该切片数量,确定第k种交互行为与所述第/>种交互行为之间的第h个初始关联权重,重复上述步骤,直到获取到第k种交互行为与S种交互行为之间分别对应的第h个初始关联权重,对第k种交互行为与S种交互行为之间分别对应的第h个初始关联权重进行归一化处理,得到k种交互行为与S种交互行为之间分别对应的第h个关联权重,即第k种交互行为与S种交互行为之间分别对应的第h个关联权重之和为1。进一步,可以根据第k种交互行为与S种交互行为之间分别对应的第h个关联权重,以及S种交互行为对应的H个行为切片特征等,确定第一行为关系特征。具体的,该行为关系学习网络可以基于如下公式(8)的行为关系函数计算第一行为关系特征:
(8)
在公式(8)中,表示候选对象i的第k种交互行为与第/>种交互行为的第h个初始关联权重,/>表示候选对象i的第k种交互行为与第/>种交互行为的第h个关联权重,即是/>对按照公式(8)对/>进行归一化处理得到的。/>表示候选对象i针对第k种交互行为的局部行为关系特征,/>为候选对象i针对S种交互行为的全局行为关系特征。/>表示第h个行为切片特征,每个行为切片特征的维数为/>。/>表示候选对象i的第/>种交互行为的第h个行为切片特征。/>是一个h-head 参数变换,即为行为关系学习层的参数,可训练得到。需要说明的是,公式(8)中的/>为候选对象i针对第k种交互行为的第h个行为切片特征,/>为候选对象i针对第/>种交互行为的第h个行为切片特征。
S205、根据该候选资源j关于该S种交互行为的S个第二行为语义特征,确定该S种交互行为之间的第二行为关系特征。
本申请中,计算机设备可以根据该候选资源j关于S种交互行为的S个第二行为语义特征,确定S种交互行为之间的第二行为关系特征,该第二行为关系特征用于反映I个候选对象针对候选资源j的S种交互行为之间行为关系,第二行为关系特征反映I个候选对象针对候选资源j的通用化交互特征。如S种交互行为包括购买、收藏、加入购物车,如该第二行为关系反映I个候选对象偏好收藏候选资源j后,将候选资源j添加至购物车,以及反映I个候选对象偏好收藏候选资源j后,购买候选资源j。
可选的,上述步骤S205包括:计算机设备可以对该S个第二行为语义特征进行切片处理,得到该S个第二行为语义特征分别对应的H个行为切片特征,每个行为切片特征的维数相同,H为大于1的整数。计算机设备可以根据该候选资源j关于第k种交互行为的对应的H个行为切片特征、第种交互行为的对应的H个行为切片特征、切片数量以及单个行为切片特征的维数,确定该候选资源j关联的第k种交互行为与该第/>种交互行为之间的关联权重,该关联权重反映在候选资源j下第k种交互行为与该第/>种交互行为之间的关联度,/>为小于或等于S的正整数,该切片数量为H,单个行为切片特征是指一个行为切片特征。然后,重复上述步骤,直到获取到在候选资源j下的第k种交互行为分别与该S种交互行为之间的关联权重,计算机设备可以根据在候选资源j下的第k种交互行为分别与该S种交互行为之间的关联权重,以及该S个第二行为语义特征分别对应的H个行为切片特征,确定在候选资源j下的第k种交互行为与该S种交互行为之间的局部行为关系特征,此处第k种交互行为与S种交互行为中的一个交互行为之间对应一个局部行为关系特征,即局部行为关系特征用于反映两个交互行为之间的关系特征。进一步,计算机设备可以重复上述步骤直到获取到在候选资源j下的S种行为交互之间的局部行为关系特征,根据在候选资源j下的S种交互行为分别对应的局部行为关系特征,确定在候选资源j下的S种交互行为之间的第二行为关系特征。如,计算机设备可以对候选资源j下的S种交互行为之间的局部行为关系特征进行求和处理,得到在候选资源j下的S种交互行为之间的全局行为关系特征,该全局行为关系特征用于反映在候选资源j下的S种交互行为之间总体关系特征,将在候选资源j下的S种交互行为之间的局部行为关系特征以及全局行为关系特征,确定为S个种交互行为之间的第二行为关系特征。通过对第一行为语义特征进行切片处理,有利于降低获取第一行为关系特征的复杂度,有利于挖掘不同类型的交互行为之间的潜在关系。
例如,该行为关系学习层可以基于如下公式(9)的行为关系函数计算第二行为关系特征:
(9)
在公式(9)中,表示候选资源j关于第k种交互行为与第/>种交互行为的第h个初始关联权重,/>表示候选资源j的第k种交互行为与第/>种交互行为的第h个关联权重,即,/>是对按照公式(9)对/>进行归一化处理得到的。/>表示候选资源j关于第k种交互行为的局部行为关系特征,/>为候选资源j针对S种交互行为的全局行为关系特征。/>表示第h个行为切片特征,每个行为切片特征的维数为/>。/>表示候选资源j关于第/>种交互行为的第h个行为切片特征。需要说明的是,公式(9)中的/>为候选资源j关于第k种交互行为的第h个行为切片特征,/>为候选资源j针对第/>种交互行为的第h个行为切片特征。
S206、根据该第一行为关系特征、该第二行为关系特征、该S个第一行为语义特征以及该S个第二行为语义特征,向该候选对象i推荐该候选资源j。
本申请中,计算机设备可以根据该第一行为关系特征、该第二行为关系特征、该S个第一行为语义特征以及该S个第二行为语义特征,向该候选对象i推荐该候选资源j。通过挖掘不同类型的交互行为之间的潜在关系,得到第一行为关系特征和第二行为关系特征,基于第一行为关系特征、第二行为关系特征等,向候选对象i推荐候选资源j,提高资源推荐的准确度,有利于实现资源的个性化推荐。
可选的,上述步骤S206包括:计算机设备可以对该第一行为关系特征与该S个第一行为语义特征进行聚合,得到该候选对象i关于该S种交互行为分别对应的第一行为聚合特征;第一行为聚合特征反映候选对象i针对第k种交互行为的个性化特征。即该第一行为聚合特征具体用于反映如下四种内容:a、候选对象i偏好对哪些候选资源执行第k种交互行为;b、候选对象i关于第k种交互行为的初始行为特征;c、候选对象i关于第k种交互行为的上下文本信息,此处的上下文信息反映候选对象i偏好对哪些候选资源执行剩余交互行为,剩余交互行为为S种交互行为中除第k种交互行为以外的交互行为。d、候选对象i的S种交互行为之间的行为关系。进一步,计算机设备可以对该第二行为关系特征,与该S个第二行为语义特征进行聚合,得到该候选资源j关于该S种交互行为分别对应的第二行为聚合特征;第二行为聚合特征反映候选资源j针对第k种交互行为的通用性化特征。即该第二行为聚合特征具体用于反映如下四种内容:a、哪些候选对象偏好针对候选资源j执行第k种交互行为;b、候选资源j关于第k种交互行为的初始行为特征;c、候选对象j关于第k种交互行为的上下文本信息,此处的上下文信息反映目标候选对象偏好对哪些候选资源执行剩余交互行为,剩余交互行为为S种交互行为中除第k种交互行为以外的交互行为,目标候选对象为对候选资源j执行第k种交互行为的候选对象。d、在候选资源j下的S种交互行为之间的行为关系。然后,根据所述第一行为聚合特征和所述第二行为聚合特征,向所述候选对象i推荐所述候选资源j。
可选的,上述对该第一行为关系特征与该S个第一行为语义特征进行聚合,得到该候选对象i关于所述S种交互行为分别对应的第一行为聚合特征,包括:计算机设备可以调用推荐模型的L个图编码器,对该第一行为关系特征和该候选对象i所述第k种交互行为的第一行为语义特征进行编码,得到该k种交互行为对应的L个第一行为编码特征,L个图编码器属于行为上下文聚合层;L为大于1的整数;即调用L个图编码器对候选对象i关于第k种交互行为的局部行为关系特征、候选对象i关于S种交互行为的全局行为关系特征、候选对象i所述第k种交互行为的第一行为语义特征进行编码,得到该k种交互行为对应的L个第一行为编码特征。然后,对该第k种交互行为对应的L个第一行为编码特征进行求和处理,得到该第k种交互行为对应的第一局部行为聚合特征,第一局部行为聚合特征反映候选对象i偏好执行第k种交互行为的概率,即第一局部行为聚合特征反映候选对象i的类型特定的行为模式。然后,对该S种交互行为分别对应的第一局部行为聚合特征进行求和处理,得到第一全局行为聚合特征;第一全局行为聚合特征反映候选对象i的通用交互偏好(即不区分行为类型),即第一全局行为聚合特征反映候选对象i偏好执行交互行为的概率。即第一全局行为聚合特征为候选对象i针对S种交互行为的行为聚合特征。然后,将所述第一全局行为聚合特征和该S种交互行为分别对应的第一局部行为聚合特征,确定为该候选对象i关于所述S种交互行为分别对应的第一行为聚合特征。
例如,计算机设备可以调用行为上下文聚合层的L个图编码器通过如下公式(10),获取第一行为聚合特征:
(10)
其中,公式(10)中的表示第/>个图编码器所输出的第一行为编码特征,其中,第/>个图编码器的输出为第/>个图编码器的输入,/>表示第/>图编码器所输出的第一行为编码特征,Graph-Conv/>表示图编码器,即行为语义编码器,L层图编码器能够学习每个交互行为的L跳图连接结构(即L个第一行为编码特征),有利于聚合跨类型(即不同类型)的交互行为之间的关系(即依赖关系),/>表示行为依赖学习函数,用于对S种交互行为分别对应第一局部行为聚合特征进行求和处理。/>表示S种交互行为对应的第一全局行为聚合特征。/>表示该候选对象i的第k种交互行为对应的第一局部行为聚合特征。
可选的,上述对所述第二行为关系特征,与所述S个第二行为语义特征进行聚合,得到所述候选资源j关于所述S种交互行为分别对应的第二行为聚合特征,包括:计算机设备可以调用推荐模型的L个图编码器,对所述第二行为关系特征和该候选资源j关于第k种交互行为的第二行为语义特征进行编码,得到所述k种交互行为对应的L个第二行为编码特征;L为大于1的整数。即调用L个图编码器,对在候选资源j的全局行为关系特征、候选资源j关于第k种交互行为的局部行为关系特征、该候选资源j关于第k种交互行为的第二行为语义特征进行编码,得到该k种交互行为对应的L个第二行为编码特征。进一步,对所述第k种交互行为对应的L个第二行为编码特征进行求和处理,得到所述第k种交互行为对应的第二局部行为聚合特征,该第二局部行为聚合特征用于反映J个候选对象偏好针对候选资源j执行第k种交互性的概率;对所述S种交互行为分别对应的第二局部行为聚合特征进行求和处理,得到第二全局行为聚合特征,该第二全局行为聚合特征用于反映J个候选对象针对候选资源j执行交互行为的概率。然后,将所述第二全局行为聚合特征和所述S种交互行为分别对应的第二局部行为聚合特征,确定为所述候选资源j关于所述S种交互行为分别对应的第二行为聚合特征。
例如,计算机设备可以调用行为上下文聚合层的L个图编码器通过如下公式(11),获取第二行为聚合特征:
(11)/>
其中,表示第/>个图编码器所输出的第二行为编码特征,其中,第/>个图编码器的输出为第/>个图编码器的输入,/>表示第/>个图编码器所输出的第二行为编码特征,Graph-Conv/>表示图编码器,即行为语义编码器,L层图编码器能够学习每个交互行为的L跳图连接结构(即L个第一行为编码特征),有利于聚合跨类型的交互行为之间的关系(即依赖关系),/>表示行为依赖函数,用于对S种交互行为分别对应第二局部行为聚合特征进行求和处理。/>表示S种交互行为对应的第二全局行为聚合特征。/>表示该候选资源j关于第k种交互行为的第一局部行为聚合特征。
可选的,上述根据该第一行为聚合特征和所述第二行为聚合特征,向该候选对象i推荐所述候选资源j,包括:计算机设备可以根据该S种交互行为分别对应的第一局部行为聚合特征以及第二局部行为聚合特征,确定该候选对象i针对该候选资源j执行该第种交互行为对应的预测值;该预测值反映候选对象i偏好对候选资源j执行第/>种交互行为的概率。进一步,根据第一全局行为聚合特征和该第二全局行为聚合特征,确定该候选对象i针对该候选资源j的偏好值,该偏好值用于反映候选对象i偏好对候选资源j的执行行为交互(即不区分哪种交互行为)的概率。进一步,对该第/>种交互行为的预测值以及该偏好值进行求和处理,得到该候选对象i针对该候选资源j的预测兴趣度,该预测兴趣度反映候选对象i针对候选资源j的喜好程度,根据该预测兴趣度,向该候选对象i推荐所述候选资源j,即如果预测兴趣度大于兴趣度阈值,向候选对象i推荐该候选资源j。此时第/>种交互行为为S种交互行为中目标行为,即第/>种交互行为是资源提供商最关注的交互行为,可实现基于目标行为向候选对象i推荐候选资源j,有利于挖掘针对资源提供商最有价值的潜在用户,提高候选资源j的价值。
可选的,上述根据所述第一行为聚合特征和所述第二行为聚合特征,向所述候选对象i推荐所述候选资源j,包括:计算机设备可以根据该S种交互行为分别对应的第一局部行为聚合特征以及第二局部行为聚合特征,确定该候选对象i针对该候选资源j执行所述第种交互行为对应的预测值,重复该步骤,直到获取到S种交互行为分别对应的预测值。进一步,根据该第一全局行为聚合特征和所述第二全局行为聚合特征,确定所述候选对象i针对所述候选资源j的偏好值。对该S种交互行为分别对应的预测值和该偏好值进行求和处理,得到候选对象i针对候选资源j的预测兴趣度。然后,根据该预测兴趣度,向该候选对象i推荐所述候选资源j,即如果预测兴趣度大于兴趣度阈值,向候选对象i推荐该候选资源j,可实现基于多种类型的交互行为,向候选对象i推荐候选资源j,从而解决单种交互行为无法全面反映候选对象i多维偏好的问题,实现资源的个性化推荐,提高资源推荐的准确度。
可选的,上述根据该S种交互行为分别对应的第一局部行为聚合特征以及第二局部行为聚合特征,确定该候选对象i针对所述候选资源j执行所述第种交互行为对应的预测值,包括:计算机设备可以调用元知识转移网络中的元知识学习层,根据该第k种交互行为对应的第一局部行为聚合特征和第二局部行为聚合特征,以及该第/>种交互行为对应第一局部行为聚合特征和第二局部行为聚合特征,确定该第/>种交互行为与该第k种交互行为之间的第k个关系元知识,第k个关系元知识用于反映第/>种交互行为与该第k种交互行为之间的行为依赖关系。进一步,计算机设备可以调用元知识转移网络中的知识迁移学习层,根据该第k个关系元知识,生成关于该第k种交互行为和第/>种交互行为均关联的第k组偏移参数,第k组偏移参数包括P1、b2以及p3;P1 是一个权重矩阵,用于对该第k种交互行为对应的第一局部行为聚合特征和第二局部行为聚合特征进行线性变换,b2 是一个偏置向量,用于调整线性变换后的结果,使推荐模型更好的拟合真实输出(如标签)。p3 是另一个权重向量,用于进一步调整经过线性变换和偏置调整后的结果。这可以看作是对推荐模型输出的最后一步优化。进一步,根据该第k组偏移参数、该第k种交互行为对应的第一局部行为聚合特征和第二局部行为聚合特征,识别该第/>种交互行为与该第k种交互行为之间的预测值;第/>种交互行为与该第k种交互行为之间的预测值反映第/>种交互行为与该k种交互行为之间的依赖程度,即反映候选对象i在对候选资源j执行该k种交互行为后,对候选资源j执行第/>种交互行为的概率。然后,计算机设备可以重复上述步骤,直到获取到第/>种交互行为与该S种交互行为之间分别对应的预测值,调用元预测网络,对该第/>种交互行为与所述S种交互行为之间分别对应的预测值进行求和处理,得到该候选对象i针对该候选资源j执行所述第/>种交互行为对应的预测值,该预测值反映候选对象i针对候选资源j执行第/>种交互行为的概率。
例如,计算机设备可以调用元知识转移网络中的元知识学习层基于如下公式(12),识别该第种交互行为与该第k种交互行为之间的第k个关系元知识:
(12)
其中,是该第/>种交互行为与该第k种交互行为之间的第k个关系元知识,用于表示候选对象/>和候选对象j在目标行/>为(第/>种交互行为)下与上下文行为/>(第k种交互行为)之间的行为依赖关系。/>,/>反映候选对象i对候选资源j执行第k种交互行为的偏好程度,/>反映候选对象i对候选资源j执行第/>种交互行为的偏好程度。/>是激活函数,/>是编码函数,用于捕捉两个交互行为之间的交互依赖关系。为了利用二元关系和一元偏差,定义一种/>的函数:/>,则其中的/>表示逐元素的乘法,/>表示连接操作(即拼接操作)。/>、/>分别推荐模型的模型参数,可训练得到。
进一步,计算机设备可以调用元知识转移网络中的知识迁移学习层,基于如下公式(13),生成关于该第k种交互行为和第种交互行为均关联的第k组偏移参数:
(13)
其中,在公式(13)中,是指第k组偏移参数,用于候选对象i,候选资源j、源任务k(第k种交互行为)和目标任务/>(第/>种交互行为)的预测。/>是推荐模型的模型参数,而,/>是/>和/>的偏差参数,可训练得到。/>
接着,计算机设备可以基于如下公式(14),计算该第种交互行为与该第k种交互行为之间的预测值:
(14)
其中,公式(14)中的为中间的特征向量,/>,反映在候选对象i针对候选资源j在执行该第k种交互行为后,对候选资源j执行该第/>种交互行为的预测值。
可选的,计算机设备可以通过如下方式训练得到上文提到的推荐模型,具体的,计算机设备可以获取N个样本对象分别对应的对象特征,以及M个样本资源分别对应的资源特征,以及该N个样本对象针对该M个样本资源的S种交互行为分别对应的初始行为特征,以及N个样本对象针对M个样本资源的标注兴趣度;N、M均为大于1的正整数。此处的N个样本对象可以是指对M个样本资源执行交互行为的对象,样本资源可以是指互联网上已发布的资源,样本资源可以是指商品、应用程序、文章、音视频、广告等。对样本对象的对象特征、样本资源的资源特征以及初始行为特征的解释说明可以参考上文步骤S101,重复之处,不再赘述。标注兴趣度反映样本对象对样本资源的兴趣度(即真实兴趣度),标注兴趣度是指基于样本对象针对样本资源的历史操作数据进行人工标注得到的,历史操作数据可以反映样本对象在历史时间段内对样本资源执行的交互行为。进一步,计算机设备可以调用初始推荐模型,对该N个样本对象分别对应的对象特征、该M个样本资源分别对应的资源特征,以及该N个样本对象针对该M个样本资源的S种交互行为分别对应的初始行为特征进行识别,得到该N个样本对象分别针对该M个样本资源的识别兴趣度。该识别兴趣度用于反映样本对象针对样本资源的兴趣度(即预测兴趣度),如果该识别兴趣度与标注兴趣度比较接近,表明初始推荐模型预测样本对象针对样本资源的兴趣度的准确度比较高;如果该识别兴趣度与标注兴趣度相差比较大,表明初始推荐模型预测样本对象针对样本资源的兴趣度的准确度比较低。因此,计算机设备可以根据该N个样本对象分别针对该M个样本资源的识别兴趣度和标注兴趣度,对该初始推荐模型进行调整,得到推荐模型;该推荐模型用于向所述候选对象i推荐所述候选资源j。通过标注兴趣度和识别兴趣度对初始推荐模型进行调整,得到推荐模型,有利于提高推荐模型的兴趣度识别准确度。
可选的,上述根据所述N个样本对象分别针对所述M个样本资源的识别兴趣度和标注兴趣度,对所述初始推荐模型进行调整,得到推荐模型;所述推荐模型用于向所述候选对象i推荐所述候选资源j,包括:计算机设备可以根据该N个样本对象分别针对该M个样本资源的识别兴趣度和标注兴趣度,确定初始推荐模型的推荐误差;该推荐误差用于反映初始推荐模型预测样本对象针对样本资源的兴趣度的准确度,即该推荐误差越大,初始推荐模型预测样本对象针对样本资源的兴趣度的准确度越低;该推荐误差越低,初始推荐模型预测样本对象针对样本资源的兴趣度的准确度越高。进一步,计算机设备可以根据该初始推荐模型的模型参数,确定该初始推荐模型的拟合误差;该拟合误差用于反映初始推荐模型是否存在过拟合问题,该拟合误差大于拟合误差阈值,表明初始推荐模型存在过拟合问题;拟合误差小于或等于拟合误差阈值,表明初始推荐模型不存在过拟合问题。过拟合问题是指初始推荐模型预测上文的样本对象针对样本资源的兴趣度的准确度比较高,但是,该初始推荐模型对未知对象针对候选资源的兴趣度的准确度比较低,未知对象是指上文N个样本对象中未出现的对象,即初始推荐模型的泛化能力较差。然后,计算机设备可以对该推荐误差和该拟合误差进行求和处理,得到该初始推荐模型的总推荐误差,根据该总推荐误差,对该初始推荐模型的模型参数进行调整,得到推荐模型。
例如,上述M个样本资源包括个正样本和/>个负样本,/>个正样本是指N样本对象对其执行交互行为的样本资源,/>个负样本是指N个样本对象未对其执行交互行为的样本资源,计算机设备可以选择梯度下降函数Adam,作为初始推荐模型的损失函数,通过如下公式(15)计算初始推荐模型的总推荐误差:
(15)
其中,公式(15)中的为初始推荐模型的总推荐误差,/>和/>分别是第/>个正样本和第s个负样本,/>是指样本对象i针对第s个正样本执行第k种交互行为后,对第s个正样本执行第/>种交互行为的预测值,即/>表示样本对象i针对第s个正样本的第k种交互行为与第/>种交互行为的预测值,样本对象i针对第s个正样本的识别兴趣度是对样本对象i针对S个交互行为之间的预测值和偏好值进行求和得到的,该偏好值是指样本对象i针对第s个正样本执行交互行为的概率。/>表示样本对象i针对第s个负样本的第k种交互行为与第/>种交互行为的预测值,样本对象i针对第s个负样本的识别兴趣度是对样本对象i针对S个交互行为之间的预测值和偏好值进行求和得到的,该偏好值是指样本对象i针对第s个负样本执行交互行为的概率。/>是一个正则化项,用于衡量初始推荐模型的拟合误差,避免初始推荐模型出现过拟合问题,/>表示初始推荐模型的中所有模型参数。/>是一个超参数,用于控制正则化项的强度。/>是指初始推荐模型的模型参数的Frobenius范数的平方,也就是所有参数的平方和。
可选的,上述根据所述总推荐误差,对所述初始推荐模型的模型参数进行调整,得到推荐模型,包括:计算机设备可以根据该总推荐误差,确定该初始推荐模型的收敛状态;该收敛状态包括已收敛状态或未收敛状态,未收敛状态是指初始推荐模型的总推荐误差大于误差阈值,已收敛状态是指初始推荐模型的总推荐误差小于或等于误差阈值,该误差阈值可以是预设的,或者,该误差阈值是基于初始推荐模型的损失函数计算得到的,如该误差阈值可以是指损失函数的最小值。因此,若所述初始推荐模型的收敛状态为未收敛状态,则根据该总推荐误差,对所述初始推荐模型的模型参数进行调整,如根据该总推荐误差确定调整步长,根据该调整步长对初始推荐模型的模型参数进行增大或减少。调整步长是指针对初始推荐模型的模型参数进行一次调整所调整的大小,该调整步长与总推荐误差之间具有正相关关系,即总推荐误差越大,调整步长越大;反之,总推荐误差越小,调整步长越小。直到调整后的初始推荐模型的收敛状态为已收敛状态,将该调整后的初始推荐模型,确定为推荐模型。
本申请中,S个第一行为语义特征用于反映候选对象i针对不同类型的交互行为的个性化特征,S个第二行为语义特征用于反映候选资源j关于不同类型的交互行为的通用化特征,进一步,通过根据S个第一行为语义特征和S个第二行为语义特征,向候选对象i推荐候选资源j,即实现参考多个维度的信息(即S个第一行为语义特征和S个第二行为语义特征),向候选对象j推荐候选资源j,为推荐过程提供更多信息量,实现资源的个性化推荐,提高资源推荐的准确度。同时,通过基于多种类型交互行为的第一行为语义特征和第二行为语义特征,向候选对象i推荐候选资源j,有利于基于多种类型的交互行为能够全面地候选对象i与候选资源j之间的关系,可以避免单一类型的交互行为不能全面地反映候选对象i与候选资源j之间的关系,造成资源推荐的准确度比较低的问题,提高资源推荐的准确度。
本申请可以应用于广告、文章、音视频、商品等推荐场景中,图7和图8以商品推荐场景为例进行说明;在商品推荐场景中,候选资源可以为多种商品,以商品包括商品1、商品2以及商品3为例进行说明,商品1为袜子,商品2为包,商品3为衣服,候选对象是指对多种商品执行交互行为的用户,以用户包括用户1、用户2以及用户3进行说明,交互行为包括浏览、收藏、购买、加入购物车。如图7中用户1对商品2执行的交互行为包括浏览、收藏以及购买,用户2对商品1执行的交互行为包括浏览、加入购物车以及购买;用户2对商品2执行的交互行为包括浏览以及加入购物车。用户3对商品2执行的交互行为包括浏览和收藏,用户3对商品3执行的交互行为包括浏览和购买。假设用户2为需要推荐商品的用户,商品2为待推荐的商品,购买行为为商品提供商最关注的交互行为。
如图7所示,计算机设备可以获取用户2的行为日志数据,从用户2的行为日志数据中,获取用户2对其执行购买行为的第一资源集合,以及用户2对其执行剩余交互行为的第二资源集合;该行为日志数据为用户2在历史时间段内的关于商品的交互行为日志数据,该剩余交互行为包括浏览、加入购物,该第一资源集合包括商品1,第二资源集合包括商品1和商品2。进一步,从用户2的行为日志数据中,获取用户2关于第一资源集合中的商品的初始行为特征,得到第一类初始行为特征,该第一类初始行为特征反映用户2针对商品1的购买时间、购买次数等。从商品发布应用程序中获取用户2的对象特征、商品1的资源特征、以及商品2的资源特征,该用户2的对象特征为用户2的用户基本信息,此处的资源特征是指商品的名称、用途、价格、颜色、形状等。计算机设备可以对用户2的对象特征、第一资源集合中的商品1的资源特征、第二资源集合中的商品1的资源特征以及商品2的资源特征进行拼接,得到用户2的对象拼接特征,该对象拼接特征用于反映用户2偏好对商品1、以及与商品1相似的商品执行购买行为,以及用户偏好对商品1、商品2,与商品1相似的商品、与商品2相似的商品执行剩余交互行为;与商品1相似的商品是指资源特征与商品1的资源特征之间的相似度大于相似度阈值的商品,同理,与商品2相似的商品是指资源特征与商品2的资源特征之间的相似度大于相似度阈值的商品。进一步,计算机设备可以根据该对象拼接特征、第一类初始行为特征、用户2的对象特征,以及第一资源集合中的商品1的资源特征,识别用户2针对购买行为的第一行为语义特征,具体实现过程可以参考针对述步骤S102的描述,此处的第一行为语义特征用于反映用户2偏好对商品1、以及与商品1相似的商品执行购买行为,反映用户偏好对商品1、商品2,与商品1相似的商品、与商品2相似的商品执行剩余交互行为,以及反映用户2对商品1的初始行为特征。以此类推,计算机设备可以参考上述步骤,获取用户2针对浏览行为、收藏行为、加入购物车行为分别对应的第一行为语义特征,得到用户2针对购买行为、浏览行为、收藏行为、加入购物车行为分别对应的第一行为语义特征。
进一步,如图8所示,计算机设备可以从关于商品2的行为日志数据中,获取对商品2执行购买行为的第一对象集合,以及对商品2执行剩余交互行为的第二对象集合。关于商品2的行为日志数据包括对商品2执行交互行为的用户的用户基础信息,以及用户对商品2执行的交互行为对应的初始交互特征,第一对象集合包括用户1,第二对象集合包括用户1和用户2,此时的剩余交互行为包括浏览和收藏。然后,计算机设备可以从关于商品2的行为日志数据中获取第一对象集合中的用户1针对商品2执行购买行为的初始行为特征,得到第二类初始行为特征,该第二类初始行为特征用于反映用户1对商品2执行购买行为的购买时间以及购买次数。然后,计算机设备可以从商品发布应用程序中,获取商品2的资源特征、用户1的对象特征以及用户2的对象特征,对商品2的资源特征、第一对象集合的中的用户1的对象特征以及第二对象集合中的用户1、用户2的对象特征进行拼接,得到资源拼接特征,该资源拼接特征用于反映用户1,以及与用户1相似的用户偏好对商品2执行购买行为,以及反映用户1、用户2,以及与用户1相似的用户,与用户2相似的用户偏好对商品2执行剩余交互行为,与用户1相似的用户是指对象特征与用户1的对象特征之间的相似度大于相似度阈值的用户,与用户2相似的用户是指对象特征与用户2的对象特征之间的相似度大于相似度阈值的用户。然后,计算机设备可以根据资源拼接特征、第二类初始行为特征、商品2的资源特征以及第一对象集合中的用户1的对象特征,识别商品2关于购买行为的第二行为语义特征,具体实现过程可以参考针对述步骤S103的描述。此处的第二行为语义特征用于反映用户1,以及与用户1相似的用户偏好对商品2执行购买行为,以及反映用户1、用户2,以及与用户1相似的用户,与用户2相似的用户偏好对商品2执行剩余交互行为,以及反映第一对象集合中的用户1针对商品1执行的购买行为对应的初始行为特征。以此类推,计算机设备可以参考上述步骤,获取商品2关于浏览行为、收藏行为、加入购物车行为分别对应的第二行为语义特征,得到商品2关于购买行为、浏览行为、收藏行为、加入购物车行为分别对应的第二行为语义特征。
然后,计算机设备可以根据用户2针对购买行为、浏览行为、收藏行为、加入购物车行为分别对应的第一行为语义特征,识别购买行为、浏览行为、收藏行为、加入购物车行为的第一行为关系,该第一行为关系反映用户2关于购买行为、浏览行为、收藏行为、加入购物车行为的行为关系,如第一行为反映用户2偏好对商品执行加入购物行为之后,对商品执行购买行为。进一步,计算机设备可以根据商品2关于购买行为、浏览行为、收藏行为、加入购物车行为分别对应的第二行为语义特征,识别商品2关于购买行为、浏览行为、收藏行为、加入购物车行为的第二行为关系;该第二行为关系反映商品2关于购买行为、浏览行为、收藏行为、加入购物车行为的行为关系,该第二行为关系反映用户偏好将商品2执行收藏行为之后,对商品2执行购买行为等。然后,根据第一行为关系特征、第二行为关系、以及用户2针对购买行为、浏览行为、收藏行为、加入购物车行为分别对应的第一行为语义特征,以及商品2关于购买行为、浏览行为、收藏行为、加入购物车行为分别对应的第二行为语义特征,识别用户2关于商品2的预测兴趣度,具体实现过程,可以参考上述对步骤S206的描述,该预测兴趣度反映用户2关于商品2的喜好程度。如果该预测兴趣度大于兴趣度阈值,则将该商品2推荐给用户2;如果预测兴趣度小于兴趣度阈值,则不将商品2推荐给用户2。
请参见图9,是本申请实施例提供的一种资源推荐装置的结构示意图。如图9所示,该资源推荐装置可以包括:
第一获取模块911,用于获取I个候选对象分别对应的对象特征,J个候选资源分别对应的资源特征,以及所述I个候选对象针对所述J个候选资源的S种交互行为分别对应的初始行为特征;I、J、S均为大于1的正整数;
第一识别模块912,用于根据候选对象i的对象特征、所述J个候选资源的资源特征以及第一类初始行为特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征;所述第一类初始行为特征为所述候选对象i针对所述J个候选资源的第k种交互行为对应的初始行为特征,i为小于或等于I的正整数,k为小于或等于S的正整数;
第二识别模块913,用于根据所述I个候选对象分别对应的对象特征、候选资源j的资源特征以及第二类初始行为特征,识别所述候选资源j关于所述第k种交互行为的第二行为语义特征;所述第二类初始行为特征为所述I个候选对象针对所述候选资源j的所述第k种交互行为对应的初始行为特征,j为小于或等于J的正整数;
推荐模块914,用于根据所述候选对象i关于所述S种交互行为对应的S个第一行为语义特征,以及所述候选资源j关于所述S种交互行为对应的S个第二行为语义特征,向所述候选对象i推荐所述候选资源j。
可选的,推荐模型914包括第一确定单元91a、第二确定单元92a、以及推荐单元93a;
第一确定单元91a,用于根据所述候选对象i关于所述S种交互行为对应的S个第一行为语义特征,确定所述S种交互行为之间的第一行为关系特征;
第二确定单元92a,用于根据所述候选资源j关于所述S种交互行为的S个第二行为语义特征,确定所述S种交互行为之间的第二行为关系特征;
推荐单元93a,用于根据所述第一行为关系特征、所述第二行为关系特征、所述S个第一行为语义特征以及所述S个第二行为语义特征,向所述候选对象i推荐所述候选资源j。
可选的,第一确定单元91a根据所述候选对象i关于所述S种交互行为对应的S个第一行为语义特征,确定所述S种交互行为之间的第一行为关系特征,包括:
对所述S个第一行为语义特征进行切片处理,得到所述S个第一行为语义特征分别对应的H个行为切片特征;H为大于1的整数;
根据所述第k种交互行为的对应的H个行为切片特征、第种交互行为的对应的H个行为切片特征、切片数量以及单个行为切片特征的维数,确定所述第k种交互行为与所述第/>种交互行为之间的关联权重,/>为小于或等于S的正整数,所述切片数量为H;
根据所述第k种交互行为分别与所述S种交互行为之间的关联权重,以及所述S个第一行为语义特征分别对应的H个行为切片特征,确定所述第k种交互行为与所述S种交互行为之间的局部行为关系特征;
根据所述S种交互行为之间的局部行为关系,确定所述S种交互行为之间的第一行为关系特征。
可选的,第一确定单元91a根据所述第k种交互行为的对应的H个行为切片特征、第种交互行为的对应的H个行为切片特征、切片数量以及单个行为切片特征的维数,确定所述第k种交互行为与所述第/>种交互行为之间的关联权重,包括:
对所述第k种交互行为的对应的第h个行为切片特征,与所述第种交互行为的对应的第h个行为切片特征进行相乘处理,得到第h个关联特征;h为小于或等于H的正整数;
确定所述单位个行为切片特征的维数与所述切片数量之间的比值;
根据所述第h个关联特征和所述比值,确定所述第k种交互行为与所述第种交互行为之间的第h个关联权重;/>
直到获取到所述第k种交互行为与所述第种交互行为之间的H个关联权重,将所述H个关联权重,确定为所述第k种交互行为与所述第/>种交互行为之间的关联权重。
可选的,第一确定单元91a根据所述第k种交互行为分别与所述S种交互行为之间的关联权重,以及所述S个行为语义特征分别对应的H个行为切片特征,确定所述第k种交互行为与所述S种交互行为之间的局部行为关系特征,包括:
对所述第k种交互行为与所述第种交互行为之间的第h个关联权重,与所述第/>种交互行为的对应的第h个行为切片特征进行相乘处理,得到所述第k种交互行为与所述第种交互行为之间的第h个子行为关系特征;
对所述第k种交互行为与所述S种交互行为之间分别对应的第h个子行为关系特征进行累加处理,得到所述第k种交互行为与所述S种交互行为之间的第h个行为关系特征;
对所述第k种交互行为与所述S种交互行为之间的H个行为关系特征进行拼接处理,得到所述第k种交互行为与所述S种交互行为之间的局部行为关系特征。
可选的,推荐单元93a根据所述第一行为关系特征、所述第二行为关系特征、所述S个第一行为语义特征以及所述S个第二行为语义特征,向所述候选对象i推荐所述候选资源j,包括:
对所述第一行为关系特征与所述S个第一行为语义特征进行聚合,得到所述候选对象i关于所述S种交互行为分别对应的第一行为聚合特征;
对所述第二行为关系特征,与所述S个第二行为语义特征进行聚合,得到所述候选资源j关于所述S种交互行为分别对应的第二行为聚合特征;
根据所述第一行为聚合特征和所述第二行为聚合特征,向所述候选对象i推荐所述候选资源j。
可选的,推荐单元93a对所述第一行为关系特征与所述S个第一行为语义特征进行聚合,得到所述候选对象i关于所述S种交互行为分别对应的第一行为聚合特征,包括:
调用推荐模型的L个图编码器,对所述第一行为关系特征和所述候选对象i所述第k种交互行为的第一行为语义特征进行编码,得到所述k种交互行为对应的L个第一行为编码特征;L为大于1的整数;
对所述第k种交互行为对应的L个第一行为编码特征进行求和处理,得到所述第k种交互行为对应的第一局部行为聚合特征;
对所述S种交互行为分别对应的第一行为聚合特征进行求和处理,得到第一全局行为聚合特征;
将所述第一全局行为聚合特征和所述S种交互行为分别对应的第一局部行为聚合特征,确定为所述候选对象i关于所述S种交互行为分别对应的第一行为聚合特征。
可选的,推荐单元93a对所述第二行为关系特征,与所述S个第二行为语义特征进行聚合,得到所述候选资源j关于所述S种交互行为分别对应的第二行为聚合特征,包括:
调用推荐模型的L个图编码器,对所述第二行为关系特征和所述候选资源j所述第k种交互行为的第二行为语义特征进行编码,得到所述k种交互行为对应的L个第二行为编码特征;L为大于1的整数;
对所述第k种交互行为对应的L个第二行为编码特征进行求和处理,得到所述第k种交互行为对应的第二局部行为聚合特征;
对所述S种交互行为分别对应的第二行为聚合特征进行求和处理,得到第二全局行为聚合特征;
将所述第二全局行为聚合特征和所述S种交互行为分别对应的第二局部行为聚合特征,确定为所述候选资源j关于所述S种交互行为分别对应的第二行为聚合特征。
可选的,推荐单元93a根据所述第一行为聚合特征和所述第二行为聚合特征,向所述候选对象i推荐所述候选资源j,包括:
根据所述S种交互行为分别对应的第一局部行为聚合特征以及第二局部行为聚合特征,确定所述候选对象i针对所述候选资源j执行所述第种交互行为对应的预测值;
根据所述第一全局行为聚合特征和所述第二全局行为聚合特征,确定所述候选对象i针对所述候选资源j的偏好值;
对所述第种交互行为的预测值以及所述偏好值进行求和处理,得到所述候选对象i针对所述候选资源j的预测兴趣度;
根据所述预测兴趣度,向所述候选对象i推荐所述候选资源j。
可选的,推荐单元93a根据所述第一行为聚合特征和所述第二行为聚合特征,向所述候选对象i推荐所述候选资源j,包括:
根据所述S种交互行为分别对应的第一局部行为聚合特征以及第二局部行为聚合特征,确定所述候选对象i针对所述候选资源j执行所述第种交互行为对应的预测值;
根据所述第一全局行为聚合特征和所述第二全局行为聚合特征,确定所述候选对象i针对所述候选资源j的偏好值;
根据所述偏好值和所述S种交互行为分别对应的预测值,向所述候选对象i推荐所述候选资源j。
可选的,推荐单元93a根据所述S种交互行为分别对应的第一局部行为聚合特征以及第二局部行为聚合特征,确定所述候选对象i针对所述候选资源j执行所述第种交互行为对应的预测值,包括:
根据所述第k种交互行为对应的第一局部行为聚合特征和第二局部行为聚合特征,以及所述第种交互行为对应第一局部行为聚合特征和第二局部行为聚合特征,确定所述第/>种交互行为与所述第k种交互行为之间的第k个关系元知识;
根据所述第k个关系元知识,生成关于所述第k种交互行为和第种交互行为均关联的第k组偏移参数;
根据所述第k组偏移参数、所述第k种交互行为对应的第一局部行为聚合特征和第二局部行为聚合特征,识别所述第种交互行为与所述第k种交互行为之间的预测值;
对所述第种交互行为与所述S种交互行为之间分别对应的预测值进行求和处理,得到所述候选对象i针对所述候选资源j执行所述第/>种交互行为对应的预测值。
第一识别模块912包括第一获取单元94b、第二获取单元95b、拼接单元96b以及识别单元97b;
第一获取单元94b,用于从所述J个候选资源,获取所述候选对象i对其执行所述第k种交互行为的候选资源,得到第一资源集合;
第二获取单元95b,用于从所述J个候选资源中,获取所述候选对象i对其执行剩余交互行为的候选资源,得到第二资源集合;所述剩余交互行为为所述S种交互行为中除所述第k种交互行为以外的交互行为;
拼接单元96b,用于对所述第一资源集合中的候选资源的资源特征、所述第二资源集合中的候选资源的资源特征、以及所述候选对象i的对象特征进行拼接,得到对象拼接特征;
识别单元97b,用于根据所述对象拼接特征、第一类初始行为特征、所述候选对象i的对象特征,以及所述第一资源集合中的候选资源的资源特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征。
可选的,识别单元97b根据所述对象拼接特征、第一类初始行为特征、所述候选对象i的对象特征,以及所述第一资源集合中的候选资源的资源特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征,包括:
对所述对象拼接特征进行秩转换处理,得到第一拼接子特征和第二拼接子特征;
对所述第一拼接子特征、所述第二拼接子特征以及所述候选对象i的对象特征进行乘积处理,得到所述候选对象i关于所述第k种交互行为的行为投影特征;
根据所述候选对象i关于所述第k种交互行为的行为投影特征、所述第一资源集合中的候选资源的资源特征,以及第一类初始行为特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征。
可选的,该装置还可以包括第二获取模块915、调用模块916、调整模块917;
第二获取模块915,用于获取N个样本对象分别对应的对象特征,M个样本资源分别对应的资源特征,以及所述N个样本对象针对所述M个样本资源的S种交互行为分别对应的初始行为特征,以及所述N样本对象分别针对所述M个样本资源的标注兴趣度;N、M均为大于1的正整数;
调用模块916,用于调用初始推荐模型,对所述N个样本对象分别对应的对象特征、所述M个样本资源分别对应的资源特征,以及所述N个样本对象针对所述M个样本资源的S种交互行为分别对应的初始行为特征进行识别,得到所述N个样本对象分别针对所述M个样本资源的识别兴趣度;
调整模块917,用于根据所述N个样本对象分别针对所述M个样本资源的识别兴趣度和标注兴趣度,对所述初始推荐模型进行调整,得到推荐模型;所述推荐模型用于向所述候选对象i推荐所述候选资源j。
可选的,调整模块917根据所述N个样本对象分别针对所述M个样本资源的识别兴趣度和标注兴趣度,对所述初始推荐模型进行调整,得到推荐模型;包括:
根据所述N个样本对象分别针对所述M个样本资源的识别兴趣度和标注兴趣度,确定所述初始推荐模型的推荐误差;
根据所述初始推荐模型的模型参数,确定所述初始推荐模型的拟合误差;
对所述推荐误差和所述拟合误差进行求和处理,得到所述初始推荐模型的总推荐误差;
根据所述总推荐误差,对所述初始推荐模型的模型参数进行调整,得到推荐模型。
可选的,调整模块917根据所述总推荐误差,对所述初始推荐模型的模型参数进行调整,得到推荐模型,包括:
根据所述总推荐误差,确定所述初始推荐模型的收敛状态;
若所述初始推荐模型的收敛状态为未收敛状态,则根据所述总推荐误差,对所述初始推荐模型的模型参数进行调整;
直到调整后的初始推荐模型的收敛状态为已收敛状态,将所述调整后的初始推荐模型,确定为推荐模型。
本申请中,S个第一行为语义特征用于反映候选对象i针对不同类型的交互行为的个性化特征,S个第二行为语义特征用于反映候选资源j关于不同类型的交互行为的通用化特征,进一步,通过根据S个第一行为语义特征和S个第二行为语义特征,向候选对象i推荐候选资源j,即实现参考多个维度的信息(即S个第一行为语义特征和S个第二行为语义特征),向候选对象j推荐候选资源j,为推荐过程提供更多信息量,实现资源的个性化推荐,提高资源推荐的准确度。同时,通过基于多种类型交互行为的第一行为语义特征和第二行为语义特征,向候选对象i推荐候选资源j,有利于基于多种类型的交互行为能够全面地候选对象i与候选资源j之间的关系,可以避免单一类型的交互行为不能全面地反映候选对象i与候选资源j之间的关系,造成资源推荐的准确度比较低的问题,提高资源推荐的准确度。
请参见图10,是本申请实施例提供的一种计算机设备的结构示意图。如图10所示,上述计算机设备1000可以是指终端或服务器,包括:处理器1001,网络接口1004和存储器1005,此外,上述计算机设备1000还可以包括:用户接口1003,和至少一条通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,在一些实施例中,用户接口1003可以包括显示屏(DiSPlay)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非易失性的存储器(non-volatileMeMory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个在远离前述处理器1001的存储装置。如图10所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及计算机程序。
在图10所示的计算机设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于提供输入的接口;而处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
获取I个候选对象分别对应的对象特征,J个候选资源分别对应的资源特征,以及所述I个候选对象针对所述J个候选资源的S种交互行为分别对应的初始行为特征;I、J、S均为大于1的正整数;
根据候选对象i的对象特征、所述J个候选资源的资源特征以及第一类初始行为特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征;所述第一类初始行为特征为所述候选对象i针对所述J个候选资源的第k种交互行为对应的初始行为特征,i为小于或等于I的正整数,k为小于或等于S的正整数;
根据所述I个候选对象分别对应的对象特征、候选资源j的资源特征以及第二类初始行为特征,识别所述候选资源j关于所述第k种交互行为的第二行为语义特征;所述第二类初始行为特征为所述I个候选对象针对所述候选资源j的所述第k种交互行为对应的初始行为特征,j为小于或等于J的正整数;
根据所述候选对象i关于所述S种交互行为对应的S个第一行为语义特征,以及所述候选资源j关于所述S种交互行为对应的S个第二行为语义特征,向所述候选对象i推荐所述候选资源j。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
根据所述候选对象i关于所述S种交互行为对应的S个第一行为语义特征,确定所述S种交互行为之间的第一行为关系特征;
根据所述候选资源j关于所述S种交互行为的S个第二行为语义特征,确定所述S种交互行为之间的第二行为关系特征;
根据所述第一行为关系特征、所述第二行为关系特征、所述S个第一行为语义特征以及所述S个第二行为语义特征,向所述候选对象i推荐所述候选资源j。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
对所述S个第一行为语义特征进行切片处理,得到所述S个第一行为语义特征分别对应的H个行为切片特征;H为大于1的整数;
根据所述第k种交互行为的对应的H个行为切片特征、第种交互行为的对应的H个行为切片特征、切片数量以及单个行为切片特征的维数,确定所述第k种交互行为与所述第/>种交互行为之间的关联权重,为/>小于或等于S的正整数,所述切片数量为H;
根据所述第k种交互行为分别与所述S种交互行为之间的关联权重,以及所述S个第一行为语义特征分别对应的H个行为切片特征,确定所述第k种交互行为与所述S种交互行为之间的局部行为关系特征;
根据所述S种交互行为之间的局部行为关系,确定所述S种交互行为之间的第一行为关系特征。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
对所述第k种交互行为的对应的第h个行为切片特征,与所述第种交互行为的对应的第h个行为切片特征进行相乘处理,得到第h个关联特征;h为小于或等于H的正整数;
确定所述单位个行为切片特征的维数与所述切片数量之间的比值;
根据所述第h个关联特征和所述比值,确定所述第k种交互行为与所述第种交互行为之间的第h个关联权重;
直到获取到所述第k种交互行为与所述第种交互行为之间的H个关联权重,将所述H个关联权重,确定为所述第k种交互行为与所述第/>种交互行为之间的关联权重。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
对所述第k种交互行为与所述第种交互行为之间的第h个关联权重,与所述第/>种交互行为的对应的第h个行为切片特征进行相乘处理,得到所述第k种交互行为与所述第种交互行为之间的第h个子行为关系特征;
对所述第k种交互行为与所述S种交互行为之间分别对应的第h个子行为关系特征进行累加处理,得到所述第k种交互行为与所述S种交互行为之间的第h个行为关系特征;
对所述第k种交互行为与所述S种交互行为之间的H个行为关系特征进行拼接处理,得到所述第k种交互行为与所述S种交互行为之间的局部行为关系特征。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
对所述第一行为关系特征与所述S个第一行为语义特征进行聚合,得到所述候选对象i关于所述S种交互行为分别对应的第一行为聚合特征;
对所述第二行为关系特征,与所述S个第二行为语义特征进行聚合,得到所述候选资源j关于所述S种交互行为分别对应的第二行为聚合特征;
根据所述第一行为聚合特征和所述第二行为聚合特征,向所述候选对象i推荐所述候选资源j。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
调用推荐模型的L个图编码器,对所述第一行为关系特征和所述候选对象i所述第k种交互行为的第一行为语义特征进行编码,得到所述k种交互行为对应的L个第一行为编码特征;L为大于1的整数;
对所述第k种交互行为对应的L个第一行为编码特征进行求和处理,得到所述第k种交互行为对应的第一局部行为聚合特征;
对所述S种交互行为分别对应的第一行为聚合特征进行求和处理,得到第一全局行为聚合特征;
将所述第一全局行为聚合特征和所述S种交互行为分别对应的第一局部行为聚合特征,确定为所述候选对象i关于所述S种交互行为分别对应的第一行为聚合特征。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
调用推荐模型的L个图编码器,对所述第二行为关系特征和所述候选资源j所述第k种交互行为的第二行为语义特征进行编码,得到所述k种交互行为对应的L个第二行为编码特征;L为大于1的整数;
对所述第k种交互行为对应的L个第二行为编码特征进行求和处理,得到所述第k种交互行为对应的第二局部行为聚合特征;
对所述S种交互行为分别对应的第二行为聚合特征进行求和处理,得到第二全局行为聚合特征;
将所述第二全局行为聚合特征和所述S种交互行为分别对应的第二局部行为聚合特征,确定为所述候选资源j关于所述S种交互行为分别对应的第二行为聚合特征。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
根据所述S种交互行为分别对应的第一局部行为聚合特征以及第二局部行为聚合特征,确定所述候选对象i针对所述候选资源j执行所述第种交互行为对应的预测值;
根据所述第一全局行为聚合特征和所述第二全局行为聚合特征,确定所述候选对象i针对所述候选资源j的偏好值;
对所述第种交互行为的预测值以及所述偏好值进行求和处理,得到所述候选对象i针对所述候选资源j的预测兴趣度;
根据所述预测兴趣度,向所述候选对象i推荐所述候选资源j。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
根据所述S种交互行为分别对应的第一局部行为聚合特征以及第二局部行为聚合特征,确定所述候选对象i针对所述候选资源j执行所述第种交互行为对应的预测值;
根据所述第一全局行为聚合特征和所述第二全局行为聚合特征,确定所述候选对象i针对所述候选资源j的偏好值;
根据所述偏好值和所述S种交互行为分别对应的预测值,向所述候选对象i推荐所述候选资源j。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
根据所述第k种交互行为对应的第一局部行为聚合特征和第二局部行为聚合特征,以及所述第种交互行为对应第一局部行为聚合特征和第二局部行为聚合特征,确定所述第/>种交互行为与所述第k种交互行为之间的第k个关系元知识;
根据所述第k个关系元知识,生成关于所述第k种交互行为和第种交互行为均关联的第k组偏移参数;
根据所述第k组偏移参数、所述第k种交互行为对应的第一局部行为聚合特征和第二局部行为聚合特征,识别所述第种交互行为与所述第k种交互行为之间的预测值;
对所述第种交互行为与所述S种交互行为之间分别对应的预测值进行求和处理,得到所述候选对象i针对所述候选资源j执行所述第/>种交互行为对应的预测值。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
从所述J个候选资源,获取所述候选对象i对其执行所述第k种交互行为的候选资源,得到第一资源集合;
从所述J个候选资源中,获取所述候选对象i对其执行剩余交互行为的候选资源,得到第二资源集合;所述剩余交互行为为所述S种交互行为中除所述第k种交互行为以外的交互行为;
对所述第一资源集合中的候选资源的资源特征、所述第二资源集合中的候选资源的资源特征、以及所述候选对象i的对象特征进行拼接,得到对象拼接特征;
根据所述对象拼接特征、第一类初始行为特征、所述候选对象i的对象特征,以及所述第一资源集合中的候选资源的资源特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
对所述对象拼接特征进行秩转换处理,得到第一拼接子特征和第二拼接子特征;
对所述第一拼接子特征、所述第二拼接子特征以及所述候选对象i的对象特征进行乘积处理,得到所述候选对象i关于所述第k种交互行为的行为投影特征;
根据所述候选对象i关于所述第k种交互行为的行为投影特征、所述第一资源集合中的候选资源的资源特征,以及第一类初始行为特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
获取N个样本对象分别对应的对象特征,M个样本资源分别对应的资源特征,以及所述N个样本对象针对所述M个样本资源的S种交互行为分别对应的初始行为特征,以及所述N样本对象分别针对所述M个样本资源的标注兴趣度;N、M均为大于1的正整数;
调用初始推荐模型,对所述N个样本对象分别对应的对象特征、所述M个样本资源分别对应的资源特征,以及所述N个样本对象针对所述M个样本资源的S种交互行为分别对应的初始行为特征进行识别,得到所述N个样本对象分别针对所述M个样本资源的识别兴趣度;
根据所述N个样本对象分别针对所述M个样本资源的识别兴趣度和标注兴趣度,对所述初始推荐模型进行调整,得到推荐模型;所述推荐模型用于向所述候选对象i推荐所述候选资源j。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
根据所述N个样本对象分别针对所述M个样本资源的识别兴趣度和标注兴趣度,确定所述初始推荐模型的推荐误差;
根据所述初始推荐模型的模型参数,确定所述初始推荐模型的拟合误差;
对所述推荐误差和所述拟合误差进行求和处理,得到所述初始推荐模型的总推荐误差;
根据所述总推荐误差,对所述初始推荐模型的模型参数进行调整,得到推荐模型。
可选的,处理器1001可以用于调用存储器1005中存储的计算机程序,以执行:
根据所述总推荐误差,确定所述初始推荐模型的收敛状态;
若所述初始推荐模型的收敛状态为未收敛状态,则根据所述总推荐误差,对所述初始推荐模型的模型参数进行调整;
直到调整后的初始推荐模型的收敛状态为已收敛状态,将所述调整后的初始推荐模型,确定为推荐模型。
本申请中,S个第一行为语义特征用于反映候选对象i针对不同类型的交互行为的个性化特征,S个第二行为语义特征用于反映候选资源j关于不同类型的交互行为的通用化特征,进一步,通过根据S个第一行为语义特征和S个第二行为语义特征,向候选对象i推荐候选资源j,即实现参考多个维度的信息(即S个第一行为语义特征和S个第二行为语义特征),向候选对象j推荐候选资源j,为推荐过程提供更多信息量,实现资源的个性化推荐,提高资源推荐的准确度。同时,通过基于多种类型交互行为的第一行为语义特征和第二行为语义特征,向候选对象i推荐候选资源j,有利于基于多种类型的交互行为能够全面地候选对象i与候选资源j之间的关系,可以避免单一类型的交互行为不能全面地反映候选对象i与候选资源j之间的关系,造成资源推荐的准确度比较低的问题,提高资源推荐的准确度。
此外,这里需要指出的是:本申请实施例还提供了一种计算机可读存储介质,且上述计算机可读存储介质中存储有前文提及的资源推荐装置所执行的计算机程序,且上述计算机程序包括程序指令,当上述处理器执行上述程序指令时,能够执行前文对应实施例中对上述资源推荐方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。
作为示例,上述程序指令可被部署在一个计算机设备上执行,或者被部署在一个地点的至少两个计算机设备上执行,又或者,在分布在至少两个地点且通过通信网络互连的至少两个计算机设备上执行,分布在至少两个地点且通过通信网络互连的至少两个计算机设备可以组成区块链网络。
上述计算机可读存储介质可以是前述任一实施例提供的资源推荐装置或者上述计算机设备的中部存储单元,例如计算机设备的硬盘或中存。该计算机可读存储介质也可以是该计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(SMart Media card,SMC),安全数字(Secure digital,SD)卡,闪存卡(flaSh card)等。进一步地,该计算机可读存储介质还可以既包括该计算机设备的中部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同媒体中容,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
本申请书中相关数据(如用户的交行为对应的初始行为特征,以及用户的对象特征等)收集处理在实例应用时应该严格根据相关国家法律法规的要求,获取个人信息主体的知情同意或单独同意,并在法律法规及个人信息主体的授权范围内,开展后续数据使用及处理行为。
本申请实施例还提供了一种计算机程序产品,包括计算机程序,上述计算机程序被处理器执行时实现前文对应实施例中对上述资源推荐方法、解码方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机程序产品的实施例中未披露的技术细节,请参照本申请方法实施例的描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程网络连接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网络连接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/或结构示意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网络连接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/或结构示意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网络连接设备上,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/或结构示意一个方框或多个方框中指定的功能的步骤。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (19)
1.一种资源推荐方法,其特征在于,包括:
获取I个候选对象分别对应的对象特征,J个候选资源分别对应的资源特征,以及所述I个候选对象针对所述J个候选资源的S种交互行为分别对应的初始行为特征;I、J、S均为大于1的正整数;
根据候选对象i的对象特征、所述J个候选资源的资源特征以及第一类初始行为特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征;所述第一类初始行为特征为所述候选对象i针对所述J个候选资源的第k种交互行为对应的初始行为特征,i为小于或等于I的正整数,k为小于或等于S的正整数;
根据所述I个候选对象分别对应的对象特征、候选资源j的资源特征以及第二类初始行为特征,识别所述候选资源j关于所述第k种交互行为的第二行为语义特征;所述第二类初始行为特征为所述I个候选对象针对所述候选资源j的所述第k种交互行为对应的初始行为特征,j为小于或等于J的正整数;
根据所述候选对象i关于所述S种交互行为对应的S个第一行为语义特征,以及所述候选资源j关于所述S种交互行为对应的S个第二行为语义特征,向所述候选对象i推荐所述候选资源j。
2.根据权利要求1所述的方法,其特征在于,所述根据所述候选对象i关于所述S种交互行为对应的S个第一行为语义特征,以及所述候选资源j关于所述S种交互行为对应的S个第二行为语义特征,向所述候选对象i推荐所述候选资源j,包括:
根据所述候选对象i关于所述S种交互行为对应的S个第一行为语义特征,确定所述S种交互行为之间的第一行为关系特征;
根据所述候选资源j关于所述S种交互行为的S个第二行为语义特征,确定所述S种交互行为之间的第二行为关系特征;
根据所述第一行为关系特征、所述第二行为关系特征、所述S个第一行为语义特征以及所述S个第二行为语义特征,向所述候选对象i推荐所述候选资源j。
3.根据权利要求2所述的方法,其特征在于,所述根据所述候选对象i关于所述S种交互行为对应的S个第一行为语义特征,确定所述S种交互行为之间的第一行为关系特征,包括:
对所述S个第一行为语义特征进行切片处理,得到所述S个第一行为语义特征分别对应的H个行为切片特征;H为大于1的整数;
根据所述第k种交互行为的对应的H个行为切片特征、第种交互行为的对应的H个行为切片特征、切片数量以及单个行为切片特征的维数,确定所述第k种交互行为与所述第/>种交互行为之间的关联权重,/>为小于或等于S的正整数,所述切片数量为H;
根据所述第k种交互行为分别与所述S种交互行为之间的关联权重,以及所述S个第一行为语义特征分别对应的H个行为切片特征,确定所述第k种交互行为与所述S种交互行为之间的局部行为关系特征;
根据所述S种交互行为之间的局部行为关系,确定所述S种交互行为之间的第一行为关系特征。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第k种交互行为的对应的H个行为切片特征、第种交互行为的对应的H个行为切片特征、切片数量以及单个行为切片特征的维数,确定所述第k种交互行为与所述第/>种交互行为之间的关联权重,包括:
对所述第k种交互行为的对应的第h个行为切片特征,与所述第种交互行为的对应的第h个行为切片特征进行相乘处理,得到第h个关联特征;h为小于或等于H的正整数;
确定所述单位个行为切片特征的维数与所述切片数量之间的比值;
根据所述第h个关联特征和所述比值,确定所述第k种交互行为与所述第种交互行为之间的第h个关联权重;
直到获取到所述第k种交互行为与所述第种交互行为之间的H个关联权重,将所述H个关联权重,确定为所述第k种交互行为与所述第/>种交互行为之间的关联权重。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第k种交互行为分别与所述S种交互行为之间的关联权重,以及所述S个行为语义特征分别对应的H个行为切片特征,确定所述第k种交互行为与所述S种交互行为之间的局部行为关系特征,包括:
对所述第k种交互行为与所述第种交互行为之间的第h个关联权重,与所述第/>种交互行为的对应的第h个行为切片特征进行相乘处理,得到所述第k种交互行为与所述第/>种交互行为之间的第h个子行为关系特征;
对所述第k种交互行为与所述S种交互行为之间分别对应的第h个子行为关系特征进行累加处理,得到所述第k种交互行为与所述S种交互行为之间的第h个行为关系特征;
对所述第k种交互行为与所述S种交互行为之间的H个行为关系特征进行拼接处理,得到所述第k种交互行为与所述S种交互行为之间的局部行为关系特征。
6.根据权利要求2所述的方法,其特征在于,所述根据所述第一行为关系特征、所述第二行为关系特征、所述S个第一行为语义特征以及所述S个第二行为语义特征,向所述候选对象i推荐所述候选资源j,包括:
对所述第一行为关系特征与所述S个第一行为语义特征进行聚合,得到所述候选对象i关于所述S种交互行为分别对应的第一行为聚合特征;
对所述第二行为关系特征,与所述S个第二行为语义特征进行聚合,得到所述候选资源j关于所述S种交互行为分别对应的第二行为聚合特征;
根据所述第一行为聚合特征和所述第二行为聚合特征,向所述候选对象i推荐所述候选资源j。
7.根据权利要求6所述的方法,其特征在于,所述对所述第一行为关系特征与所述S个第一行为语义特征进行聚合,得到所述候选对象i关于所述S种交互行为分别对应的第一行为聚合特征,包括:
调用推荐模型的L个图编码器,对所述第一行为关系特征和所述候选对象i所述第k种交互行为的第一行为语义特征进行编码,得到所述k种交互行为对应的L个第一行为编码特征;L为大于1的整数;
对所述第k种交互行为对应的L个第一行为编码特征进行求和处理,得到所述第k种交互行为对应的第一局部行为聚合特征;
对所述S种交互行为分别对应的第一行为聚合特征进行求和处理,得到第一全局行为聚合特征;
将所述第一全局行为聚合特征和所述S种交互行为分别对应的第一局部行为聚合特征,确定为所述候选对象i关于所述S种交互行为分别对应的第一行为聚合特征。
8.根据权利要求7所述的方法,其特征在于,所述对所述第二行为关系特征,与所述S个第二行为语义特征进行聚合,得到所述候选资源j关于所述S种交互行为分别对应的第二行为聚合特征,包括:
调用推荐模型的L个图编码器,对所述第二行为关系特征和所述候选资源j所述第k种交互行为的第二行为语义特征进行编码,得到所述k种交互行为对应的L个第二行为编码特征;L为大于1的整数;
对所述第k种交互行为对应的L个第二行为编码特征进行求和处理,得到所述第k种交互行为对应的第二局部行为聚合特征;
对所述S种交互行为分别对应的第二行为聚合特征进行求和处理,得到第二全局行为聚合特征;
将所述第二全局行为聚合特征和所述S种交互行为分别对应的第二局部行为聚合特征,确定为所述候选资源j关于所述S种交互行为分别对应的第二行为聚合特征。
9.根据权利要求8所述的方法,其特征在于,所述根据所述第一行为聚合特征和所述第二行为聚合特征,向所述候选对象i推荐所述候选资源j,包括:
根据所述S种交互行为分别对应的第一局部行为聚合特征以及第二局部行为聚合特征,确定所述候选对象i针对所述候选资源j执行所述第种交互行为对应的预测值;
根据所述第一全局行为聚合特征和所述第二全局行为聚合特征,确定所述候选对象i针对所述候选资源j的偏好值;
对所述第种交互行为的预测值以及所述偏好值进行求和处理,得到所述候选对象i针对/>所述候选资源j的预测兴趣度;
根据所述预测兴趣度,向所述候选对象i推荐所述候选资源j。
10.根据权利要求8所述的方法,其特征在于,所述根据所述第一行为聚合特征和所述第二行为聚合特征,向所述候选对象i推荐所述候选资源j,包括:
根据所述S种交互行为分别对应的第一局部行为聚合特征以及第二局部行为聚合特征,确定所述候选对象i针对所述候选资源j执行所述第种交互行为对应的预测值;
根据所述第一全局行为聚合特征和所述第二全局行为聚合特征,确定所述候选对象i针对所述候选资源j的偏好值;
根据所述偏好值和所述S种交互行为分别对应的预测值,向所述候选对象i推荐所述候选资源j。
11.根据权利要求9或10所述的方法,其特征在于,所述根据所述S种交互行为分别对应的第一局部行为聚合特征以及第二局部行为聚合特征,确定所述候选对象i针对所述候选资源j执行所述第种交互行为对应的预测值,包括:
根据所述第k种交互行为对应的第一局部行为聚合特征和第二局部行为聚合特征,以及所述第种交互行为对应第一局部行为聚合特征和第二局部行为聚合特征,确定所述第种交互行为与所述第k种交互行为之间的第k个关系元知识;
根据所述第k个关系元知识,生成关于所述第k种交互行为和第种交互行为均关联的第k组偏移参数;
根据所述第k组偏移参数、所述第k种交互行为对应的第一局部行为聚合特征和第二局部行为聚合特征,识别所述第种交互行为与所述第k种交互行为之间的预测值;
对所述第种交互行为与所述S种交互行为之间分别对应的预测值进行求和处理,得到所述候选对象i针对所述候选资源j执行所述第/>种交互行为对应的预测值。
12.根据权利要求1所述的方法,其特征在于,所述根据候选对象i的对象特征、所述J个候选资源的资源特征以及第一类初始行为特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征,包括:
从所述J个候选资源,获取所述候选对象i对其执行所述第k种交互行为的候选资源,得到第一资源集合;
从所述J个候选资源中,获取所述候选对象i对其执行剩余交互行为的候选资源,得到第二资源集合;所述剩余交互行为为所述S种交互行为中除所述第k种交互行为以外的交互行为;
对所述第一资源集合中的候选资源的资源特征、所述第二资源集合中的候选资源的资源特征、以及所述候选对象i的对象特征进行拼接,得到对象拼接特征;
根据所述对象拼接特征、第一类初始行为特征、所述候选对象i的对象特征,以及所述第一资源集合中的候选资源的资源特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征。
13.根据权利要求12所述的方法,其特征在于,所述根据所述对象拼接特征、第一类初始行为特征、所述候选对象i的对象特征,以及所述第一资源集合中的候选资源的资源特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征,包括:
对所述对象拼接特征进行秩转换处理,得到第一拼接子特征和第二拼接子特征;
对所述第一拼接子特征、所述第二拼接子特征以及所述候选对象i的对象特征进行乘积处理,得到所述候选对象i关于所述第k种交互行为的行为投影特征;
根据所述候选对象i关于所述第k种交互行为的行为投影特征、所述第一资源集合中的候选资源的资源特征,以及第一类初始行为特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征。
14.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取N个样本对象分别对应的对象特征,M个样本资源分别对应的资源特征,以及所述N个样本对象针对所述M个样本资源的S种交互行为分别对应的初始行为特征,以及所述N样本对象分别针对所述M个样本资源的标注兴趣度;N、M均为大于1的正整数;
调用初始推荐模型,对所述N个样本对象分别对应的对象特征、所述M个样本资源分别对应的资源特征,以及所述N个样本对象针对所述M个样本资源的S种交互行为分别对应的初始行为特征进行识别,得到所述N个样本对象分别针对所述M个样本资源的识别兴趣度;
根据所述N个样本对象分别针对所述M个样本资源的识别兴趣度和标注兴趣度,对所述初始推荐模型进行调整,得到推荐模型;所述推荐模型用于向所述候选对象i推荐所述候选资源j。
15.根据权利要求14所述的方法,其特征在于,所述根据所述N个样本对象分别针对所述M个样本资源的识别兴趣度和标注兴趣度,对所述初始推荐模型进行调整,得到推荐模型;包括:
根据所述N个样本对象分别针对所述M个样本资源的识别兴趣度和标注兴趣度,确定所述初始推荐模型的推荐误差;
根据所述初始推荐模型的模型参数,确定所述初始推荐模型的拟合误差;
对所述推荐误差和所述拟合误差进行求和处理,得到所述初始推荐模型的总推荐误差;
根据所述总推荐误差,对所述初始推荐模型的模型参数进行调整,得到推荐模型。
16.根据权利要求15所述的方法,其特征在于,所述根据所述总推荐误差,对所述初始推荐模型的模型参数进行调整,得到推荐模型,包括:
根据所述总推荐误差,确定所述初始推荐模型的收敛状态;
若所述初始推荐模型的收敛状态为未收敛状态,则根据所述总推荐误差,对所述初始推荐模型的模型参数进行调整;
直到调整后的初始推荐模型的收敛状态为已收敛状态,将所述调整后的初始推荐模型,确定为推荐模型。
17.一种资源推荐装置,其特征在于,包括:
获取模块,用于获取I个候选对象分别对应的对象特征,J个候选资源分别对应的资源特征,以及所述I个候选对象针对所述J个候选资源的S种交互行为分别对应的初始行为特征;I、J、S均为大于1的正整数;
第一识别模块,用于根据候选对象i的对象特征、所述J个候选资源的资源特征以及第一类初始行为特征,识别所述候选对象i关于第k种交互行为的第一行为语义特征;所述第一类初始行为特征为所述候选对象i针对所述J个候选资源的第k种交互行为对应的初始行为特征,i为小于或等于I的正整数,k为小于或等于S的正整数;
第二识别模块,用于根据所述I个候选对象分别对应的对象特征、候选资源j的资源特征以及第二类初始行为特征,识别所述候选资源j关于所述第k种交互行为的第二行为语义特征;所述第二类初始行为特征为所述I个候选对象针对所述候选资源j的所述第k种交互行为对应的初始行为特征,j为小于或等于J的正整数;
推荐模块,用于根据所述候选对象i关于所述S种交互行为对应的S个第一行为语义特征,以及所述候选资源j关于所述S种交互行为对应的S个第二行为语义特征,向所述候选对象i推荐所述候选资源j。
18.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至16中任一项所述的方法的步骤。
19.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至16中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311103141.1A CN116821516B (zh) | 2023-08-30 | 2023-08-30 | 资源推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311103141.1A CN116821516B (zh) | 2023-08-30 | 2023-08-30 | 资源推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116821516A true CN116821516A (zh) | 2023-09-29 |
CN116821516B CN116821516B (zh) | 2023-11-14 |
Family
ID=88127804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311103141.1A Active CN116821516B (zh) | 2023-08-30 | 2023-08-30 | 资源推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116821516B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332160A (zh) * | 2023-12-01 | 2024-01-02 | 中航信移动科技有限公司 | 一种多目标标识的显示方法、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190205965A1 (en) * | 2017-12-29 | 2019-07-04 | Samsung Electronics Co., Ltd. | Method and apparatus for recommending customer item based on visual information |
CN112925994A (zh) * | 2021-04-16 | 2021-06-08 | 中国科学院自动化研究所 | 基于局部和全局信息融合的群组推荐方法、系统及设备 |
CN115587261A (zh) * | 2022-12-09 | 2023-01-10 | 思创数码科技股份有限公司 | 政务资源目录推荐方法及系统 |
CN115994266A (zh) * | 2023-01-13 | 2023-04-21 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、电子设备和存储介质 |
CN116205700A (zh) * | 2021-11-30 | 2023-06-02 | 腾讯科技(深圳)有限公司 | 目标产品的推荐方法、装置、计算机设备和存储介质 |
-
2023
- 2023-08-30 CN CN202311103141.1A patent/CN116821516B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190205965A1 (en) * | 2017-12-29 | 2019-07-04 | Samsung Electronics Co., Ltd. | Method and apparatus for recommending customer item based on visual information |
CN112925994A (zh) * | 2021-04-16 | 2021-06-08 | 中国科学院自动化研究所 | 基于局部和全局信息融合的群组推荐方法、系统及设备 |
CN116205700A (zh) * | 2021-11-30 | 2023-06-02 | 腾讯科技(深圳)有限公司 | 目标产品的推荐方法、装置、计算机设备和存储介质 |
CN115587261A (zh) * | 2022-12-09 | 2023-01-10 | 思创数码科技股份有限公司 | 政务资源目录推荐方法及系统 |
CN115994266A (zh) * | 2023-01-13 | 2023-04-21 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
孙雨生 等: "国内电子商务个性化推荐研究进展:架构与实践", 现代情报, vol. 37, no. 5, pages 151 - 155 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332160A (zh) * | 2023-12-01 | 2024-01-02 | 中航信移动科技有限公司 | 一种多目标标识的显示方法、存储介质及电子设备 |
CN117332160B (zh) * | 2023-12-01 | 2024-02-09 | 中航信移动科技有限公司 | 一种多目标标识的显示方法、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116821516B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113626719B (zh) | 信息推荐方法、装置、设备、存储介质及计算机程序产品 | |
CN109903117B (zh) | 一种用于商品推荐的知识图谱处理方法及装置 | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
Zhang et al. | Enabling kernel-based attribute-aware matrix factorization for rating prediction | |
CN112559896B (zh) | 信息推荐方法、装置、设备及计算机可读存储介质 | |
CN109871485A (zh) | 一种个性化推荐方法及装置 | |
CN116821516B (zh) | 资源推荐方法、装置、设备及存储介质 | |
CN112380453B (zh) | 物品推荐方法、装置、存储介质及设备 | |
Kaluža | Machine Learning in Java | |
CN112288554B (zh) | 商品推荐方法和装置、存储介质及电子装置 | |
Mukunthu et al. | Practical automated machine learning on Azure: using Azure machine learning to quickly build AI solutions | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
Srisawatsakul et al. | Tourism recommender system using machine learning based on user's public instagram photos | |
CN116089745A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN112989182A (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
CN116976353A (zh) | 一种数据处理方法、装置、设备以及可读存储介质 | |
CN112464087B (zh) | 推荐概率的输出方法及装置、存储介质、电子设备 | |
CN115203516A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN115329183A (zh) | 数据处理方法、装置、存储介质及设备 | |
Galea | Beginning Data Science with Python and Jupyter: Use powerful industry-standard tools within Jupyter and the Python ecosystem to unlock new, actionable insights from your data | |
KR20200096023A (ko) | 빅데이터를 이용한 예측 결과를 생성하는 시스템 및 방법 | |
CN115222486B (zh) | 物品推荐模型训练方法、物品推荐方法、装置及存储介质 | |
CN114595323B (zh) | 画像构建、推荐、模型训练方法、装置、设备及存储介质 | |
CN116628236B (zh) | 多媒体信息的投放方法、装置、电子设备及存储介质 | |
CN115455306B (zh) | 推送模型训练、信息推送方法、装置和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40092633 Country of ref document: HK |