CN116955836B - 推荐方法、装置、设备、计算机可读存储介质及程序产品 - Google Patents

推荐方法、装置、设备、计算机可读存储介质及程序产品 Download PDF

Info

Publication number
CN116955836B
CN116955836B CN202311224167.1A CN202311224167A CN116955836B CN 116955836 B CN116955836 B CN 116955836B CN 202311224167 A CN202311224167 A CN 202311224167A CN 116955836 B CN116955836 B CN 116955836B
Authority
CN
China
Prior art keywords
node
feature
nodes
recommendation
attribute
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.)
Active
Application number
CN202311224167.1A
Other languages
English (en)
Other versions
CN116955836A (zh
Inventor
周洁
田乐
周霄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202311224167.1A priority Critical patent/CN116955836B/zh
Publication of CN116955836A publication Critical patent/CN116955836A/zh
Application granted granted Critical
Publication of CN116955836B publication Critical patent/CN116955836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供了推荐方法、装置、设备、计算机可读存储介质及程序产品，涉及人工智能、地图等领域，应用场景包括但不限于音乐推荐场景。该方法包括：获取目标物品属性标签体系图中各节点对应的物品属性；将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量；其中，各节点的物品属性对应的特征嵌入向量用于表征各节点的物品属性对应的属性特征，各节点中任一节点对应的第一强化后的特征嵌入向量用于表征任一节点和各节点中除任一节点之外的其他节点之间的关联关系，各节点对应的第一强化后的特征嵌入向量用于其他推荐系统进行物品推荐。

Description

推荐方法、装置、设备、计算机可读存储介质及程序产品
技术领域
本申请涉及计算机技术领域，具体而言，本申请涉及一种推荐方法、装置、设备、计算机可读存储介质及程序产品。
背景技术
现有技术中，推荐系统是指一种预测用户对物品的评分或喜好程度的信息过滤系统，从海量的物品数据库中为用户提供最可能感兴趣的物品集；例如，音乐推荐系统从音乐数据库中选择一些歌曲推荐给用户。由于音乐数据库中海量的歌曲对应的属性标签会呈现多样性和长尾分布的情况，音乐推荐系统往往会推荐一些用户不感兴趣的歌曲，从而导致音乐推荐系统的推荐准确度较低。
发明内容
本申请针对现有的方式的缺点，提出一种推荐方法、装置、设备、计算机可读存储介质及计算机程序产品，用于解决如何提高推荐系统的推荐准确度的问题。
第一方面，本申请提供了一种推荐方法，包括：
获取目标物品属性标签体系图中各节点对应的物品属性，各节点为属性标签；
将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量；
其中，各节点的物品属性对应的特征嵌入向量用于表征各节点的物品属性对应的属性特征，各节点中任一节点对应的第一强化后的特征嵌入向量用于表征任一节点和各节点中除任一节点之外的其他节点之间的关联关系，各节点对应的第一强化后的特征嵌入向量用于其他推荐系统进行物品推荐，其他推荐系统中不包括图网络模型。
在一个实施例中，在将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的强化后的特征嵌入向量之前，还包括：
获取标准物品属性标签体系图中各节点对应的物品属性；
基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，得到预设推荐系统。
在一个实施例中，基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，得到预设推荐系统，包括：
将标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，输入至待训练的推荐系统中图网络模型，通过特征嵌入向量强化处理，确定标准物品属性标签体系图中各节点对应的第二强化后的特征嵌入向量；
基于各第二强化后的特征嵌入向量，确定待训练的推荐系统的损失函数的值；
若待训练的推荐系统的损失函数的值大于损失阈值，则基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，更新待训练的推荐系统的网络参数；
重复执行将标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，输入至待训练的推荐系统中图网络模型，通过特征嵌入向量强化处理，确定标准物品属性标签体系图中各节点对应的第二强化后的特征嵌入向量、基于各第二强化后的特征嵌入向量，确定待训练的推荐系统的损失函数的值、以及若待训练的推荐系统的损失函数的值大于损失阈值，则基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，更新待训练的推荐系统的网络参数，直至当待训练的推荐系统的损失函数的值等于损失阈值，得到预设推荐系统。
在一个实施例中，将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量，包括：
基于各节点的物品属性对应的特征嵌入向量和图网络模型的参数，通过图网络模型，对各节点的物品属性对应的特征嵌入向量进行特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量；
其中，图网络模型的参数包括邻接矩阵，邻接矩阵用于表征各节点之间的关联关系，各节点之间的关联关系包括各节点中每个节点的出边对应的权重、每个节点的入边对应的权重、每个节点的自环对应的权重中至少一项。
在一个实施例中，基于各节点的物品属性对应的特征嵌入向量和图网络模型的参数，通过图网络模型，对各节点的物品属性对应的特征嵌入向量进行特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量，包括：
基于各节点的物品属性对应的特征嵌入向量、邻接矩阵和预设的边偏差参数，通过图网络模型，确定各节点的出边对应的特征嵌入向量和各节点的入边对应的特征嵌入向量；
基于各节点的出边对应的特征嵌入向量和各节点的入边对应的特征嵌入向量，确定各节点对应的第一强化后的特征嵌入向量。
在一个实施例中，基于各节点的出边对应的特征嵌入向量和各节点的入边对应的特征嵌入向量，确定各节点对应的第一强化后的特征嵌入向量，包括：
基于各节点的出边对应的特征嵌入向量和各节点的入边对应的特征嵌入向量，进行求和处理，确定各节点对应的第一强化后的特征嵌入向量。
在一个实施例中，在确定各节点对应的第一强化后的特征嵌入向量之后，还包括：
基于各节点的物品属性对应的特征嵌入向量和各节点对应的第一强化后的特征嵌入向量，构建向量映射表，向量映射表包括各节点的物品属性对应的特征嵌入向量和各节点对应的第一强化后的特征嵌入向量之间的映射关系。
在一个实施例中，在确定各节点对应的第一强化后的特征嵌入向量之后，还包括：
若其他推荐系统接收到推荐指示，则从向量映射表中调用各节点对应的第一强化后的特征嵌入向量，并将各节点对应的第一强化后的特征嵌入向量输入至其他推荐系统，以使其他推荐系统基于各节点对应的第一强化后的特征嵌入向量进行物品推荐。
在一个实施例中，目标物品属性标签体系图为音乐产品属性的标签体系图，预设推荐系统和其他推荐系统为音乐推荐系统。
第二方面，本申请提供了一种推荐装置，包括：
第一处理模块，用于获取目标物品属性标签体系图中各节点对应的物品属性，各节点为属性标签；
第二处理模块，用于将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量；
其中，各节点的物品属性对应的特征嵌入向量用于表征各节点的物品属性对应的属性特征，各节点中任一节点对应的第一强化后的特征嵌入向量用于表征任一节点和各节点中除任一节点之外的其他节点之间的关联关系，各节点对应的第一强化后的特征嵌入向量用于其他推荐系统进行物品推荐，其他推荐系统中不包括图网络模型。
第三方面，本申请提供了一种电子设备，包括：处理器、存储器和总线；
总线，用于连接处理器和存储器；
存储器，用于存储操作指令；
处理器，用于通过调用操作指令，执行本申请第一方面的推荐方法。
第四方面，本申请提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被用于执行本申请第一方面的推荐方法。
第五方面，本申请提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现本申请第一方面中推荐方法的步骤。
本申请实施例提供的技术方案，至少具有如下有益效果：
获取目标物品属性标签体系图中各节点对应的物品属性，各节点为属性标签；将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量；其中，各节点的物品属性对应的特征嵌入向量用于表征各节点的物品属性对应的属性特征，各节点中任一节点对应的第一强化后的特征嵌入向量用于表征任一节点和各节点中除任一节点之外的其他节点之间的关联关系，各节点对应的第一强化后的特征嵌入向量用于其他推荐系统进行物品推荐，其他推荐系统中不包括图网络模型；如此，强化了各属性标签（各节点）之间的语义相关性，即各节点对应的属性特征之间的关联关系，强化了长尾分布的属性标签的语义特征，即强化了长尾分布的属性标签对应的属性特征，提升了属性标签对应的属性特征的表征效果，从而提高了预设推荐系统和其他推荐系统的推荐准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的推荐系统的架构示意图；
图2为本申请实施例提供的一种推荐方法的流程示意图；
图3为本申请实施例提供的物品属性的标签体系图的示意图；
图4为本申请实施例提供的推荐系统的示意图；
图5为本申请实施例提供的图网络的节点计算的示意图；
图6为本申请实施例提供的一种推荐方法的流程示意图；
图7为本申请实施例提供的一种推荐装置的结构示意图；
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解，下面结合附图所阐述的实施方式，是用于解释本申请实施例的技术方案的示例性描述，对本申请实施例的技术方案不构成限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件，但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或 “耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“A和/或B”指示实现为“A”，或者实现为“B”，或者实现为“A和B”。
可以理解的是，在本申请的具体实施方式中，涉及到推荐相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例是识别系统提供的一种推荐方法，该推荐方法涉及人工智能、地图等领域。
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、自动驾驶、智慧交通等几大方向。
智能交通系统(Intelligent Traffic System，ITS)又称智能运输系统(Intelligent Transportation System)，是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
为了更好的理解及说明本申请实施例的方案，下面对本申请实施例中所涉及到的一些技术用语进行简单说明。
物品：用户所面向交互的对象。
标签体系图：以图结构表示标签体系，节点为标签，边为标签之间的关联性，属性特征的标签体系图中节点为属性类目，边为类目间的关联性。
属性：属性是描述物品信息的单位元素，表示物品的各类信息，例如热度、类目等。
特征表示：用向量表示属性。
图网络：编码图结构的神经网络。
本申请实施例提供的方案涉及人工智能技术，下面以具体的实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
为了更好的理解本申请实施例提供的方案，下面结合具体的一个应用场景对该方案进行说明。
在一个实施例中，图1中示出了本申请实施例所适用的一种推荐系统的架构示意图，可以理解的是，本申请实施例所提供的推荐方法可以适用于但不限于应用于如图1所示的应用场景中。
本示例中，如图1所示，该示例中的推荐系统的架构可以包括但不限于服务器10、终端20和数据库30。服务器10、终端20和数据库30之间可以通过网络40进行交互。服务器10获取目标物品属性标签体系图中各节点对应的物品属性，各节点为属性标签；服务器10将各节点的物品属性对应的特征嵌入向量，输入至服务器10中预设推荐系统的图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量；其中，各节点的物品属性对应的特征嵌入向量用于表征各节点的物品属性对应的属性特征，各节点中任一节点对应的第一强化后的特征嵌入向量用于表征任一节点和各节点中除任一节点之外的其他节点之间的关联关系，各节点对应的第一强化后的特征嵌入向量用于服务器10中其他推荐系统进行物品推荐，其他推荐系统中不包括图网络模型；若服务器10中其他推荐系统接收到推荐指示，则服务器10从向量映射表中调用各节点对应的第一强化后的特征嵌入向量，并将各节点对应的第一强化后的特征嵌入向量输入至其他推荐系统，以使其他推荐系统基于各节点对应的第一强化后的特征嵌入向量，向终端20进行物品推荐。向量映射表存储在数据库30中。
可理解，上述仅为一种示例，本实施例在此不作限定。
其中，终端包括但不限于智能手机（如Android手机、iOS手机等）、手机模拟器、平板电脑、笔记本电脑、数字广播接收器、MID（Mobile Internet Devices，移动互联网设备）、PDA（个人数字助理）、智能语音交互设备、智能家电、车载终端等。
服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN（Content Delivery Network，内容分发网络）、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或服务器集群。
云计算(cloud computing)是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。
作为云计算的基础能力提供商，会建立云计算资源池(简称云平台，一般称为IaaS(Infrastructure as a Service，基础设施即服务)平台，在资源池中部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(为虚拟化机器，包含操作系统)、存储设备、网络设备。
按照逻辑功能划分，在IaaS（Infrastructure as a Service，基础设施即服务）层上可以部署PaaS(Platform as a Service，平台即服务)层，PaaS层之上再部署SaaS(Software as a Service，软件即服务)层，也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台，如数据库、web容器等。SaaS为各式各样的业务软件，如web门户网站、短信群发器等。一般来说，SaaS和PaaS相对于IaaS是上层。
所谓人工智能云服务，一般也被称作是AIaaS（AI as a Service，中文为“AI即服务”）。这是目前主流的一种人工智能平台的服务方式，具体来说AIaaS平台会把几类常见的AI服务进行拆分，并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城：所有的开发者都可以通过API接口的方式来接入使用平台提供的一种或者是多种人工智能服务，部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自已专属的云人工智能服务。
上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、Wi-Fi及其他实现无线通信的网络。具体也可基于实际应用场景需求确定，在此不作限定。
参见图2，图2示出了本申请实施例提供的一种推荐方法的流程示意图，其中，该方法可以由任一电子设备执行，如可以是服务器等；作为一可选实施方式，该方法可以由服务器执行，为了描述方便，在下文的一些可选实施例的描述中，将以服务器作为该方法执行主体为例进行说明。如图2所示，本申请实施例提供的推荐方法包括如下步骤：
S201，获取目标物品属性标签体系图中各节点对应的物品属性，各节点为属性标签。
具体地，物品例如某个歌曲，该歌曲的物品属性例如儿歌、舒缓、中文、通俗等。目标物品属性标签体系图是物品属性的标签体系图，物品属性的标签体系图例如图3所示的物品属性的标签体系有向加权图，物品属性的标签体系有向加权图中包括多个节点和各节点之间的边，节点例如舒缓节点、儿歌节点、dummy节点等，从舒缓节点到儿歌节点的边为舒缓节点的出边，该出边对应的权重为，从儿歌节点到舒缓节点的边为舒缓节点的入边，该入边对应的权重为/>，舒缓节点对应的物品属性为舒缓，舒缓节点为属性标签。
需要说明的是，语料中可能存在数据样本没有任何属性标签信息，即某个节点缺失属性标签，可以将dummy节点作为该节点的属性标签。
S202，将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量。
其中，各节点的物品属性对应的特征嵌入向量用于表征各节点的物品属性对应的属性特征，各节点中任一节点对应的第一强化后的特征嵌入向量用于表征任一节点和各节点中除任一节点之外的其他节点之间的关联关系，各节点对应的第一强化后的特征嵌入向量用于其他推荐系统进行物品推荐，其他推荐系统中不包括图网络模型。
具体地，例如，如图4所示的推荐系统，推荐系统例如预设推荐系统，将图3所示的物品属性的标签体系有向加权图中所有节点的物品属性对应的特征嵌入向量（TagEmbedding），输入至推荐系统中图网络（Tag Graph Encoder），通过特征嵌入向量强化处理，确定所有节点中各节点对应的第一强化后的特征嵌入向量，各节点对应的第一强化后的特征嵌入向量构成一个矩阵（Tag Representation），该矩阵中每个元素对应一个第一强化后的特征嵌入向量。矩阵（Tag Representation）可以直接作为其他推荐系统的输入，其他推荐系统中不包括图网络。
例如，图3中所示的舒缓节点的物品属性对应的特征嵌入向量用于表征舒缓节点的物品属性对应的属性特征，舒缓节点的物品属性为舒缓；舒缓节点对应的第一强化后的特征嵌入向量用于表征舒缓节点和各节点中除舒缓节点之外的其他节点之间的关联关系，即舒缓节点对应的第一强化后的特征嵌入向量在参考舒缓节点和其他节点之间的关联关系的前提下，舒缓节点对应的第一强化后的特征嵌入向量用于表示舒缓节点的强化后的属性特征。
本申请实施例中，获取目标物品属性标签体系图中各节点对应的物品属性，各节点为属性标签；将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量；其中，各节点的物品属性对应的特征嵌入向量用于表征各节点的物品属性对应的属性特征，各节点中任一节点对应的第一强化后的特征嵌入向量用于表征任一节点和各节点中除任一节点之外的其他节点之间的关联关系，各节点对应的第一强化后的特征嵌入向量用于其他推荐系统进行物品推荐，其他推荐系统中不包括图网络模型；如此，强化了各属性标签（各节点）之间的语义相关性，即各节点对应的属性特征之间的关联关系，强化了长尾分布的属性标签的语义特征，即强化了长尾分布的属性标签对应的属性特征，提升了属性标签对应的属性特征的表征效果，从而提高了预设推荐系统和其他推荐系统的推荐准确度。
在一个实施例中，在将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的强化后的特征嵌入向量之前，还包括：
获取标准物品属性标签体系图中各节点对应的物品属性；
基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，得到预设推荐系统。
具体地，在使用预设推荐系统之前，需要对预设推荐系统进行训练，预设推荐系统在训练之前为待训练的推荐系统，预设推荐系统和待训练的推荐系统如图4所示。标准物品属性标签体系图例如图3所示的物品属性的标签体系有向加权图，将标准物品属性标签体系图中各节点对应的物品属性作为训练数据。
在一个实施例中，物品属性的标签体系有向加权图中节点的总数量为N，即属性标签的总数量为N，N为正整数；基于N个节点中节点i和节点j之间的共现频次，以及节点/>在整体语料中的频次/>，确定节点i和节点j之间的关联概率/>，/>为节点i和节点j之间的边权重；计算节点i和节点j之间的关联概率/>如公式（1）所示：
=/>，/>=/>公式（1）
其中，表示节点i和节点j之间的关联概率，即节点i和节点j之间的边权重；表示节点i和节点j之间的共现频次；/>表示节点/>在整体语料中的频次，即节点/>和N个节点之间的共现频次，/>表示N个节点中任一节点。
基于公式（1），可以构建物品属性的标签体系有向加权图，物品属性的标签体系有向加权图/>如公式（2）所示：
=/>公式（2）
其中，表示节点集合，/>表示边的集合，边权重/>通过公式（1）计算得到。
需要说明的是，节点i和节点j为不同节点，节点i和节点j之间的边权重通过节点i和节点j之间的共现频次/>，以及源节点（节点i）的频次/>之比来表示；若源节点（节点i）的频次/>与共现频次/>一致，例如/>=1，则表示若物品具有源节点（节点i）对应的物品属性，一定同时具有目标节点（节点i）对应的物品属性，即自环；若共现频次/>为零，则表示当源节点（节点i）对应的物品属性出现，没有目标节点（节点j）对应的物品属性出现；如此，可以基于物品属性的标签体系有向加权图/>，通过节点i和节点j之间的边权重/>来表示节点i和节点j之间的关联性，即通过节点i和节点j之间的边权重/>来表示节点i对应的物品属性和节点j对应的物品属性之间的关联性。
在一个实施例中，基于物品属性的标签体系有向加权图对应的图结构，可以获取得不同节点之间的关联性，即不同节点对应的物品属性之间的关联性；基于不同节点对应的物品属性之间的关联性能够帮助相关节点语义信息的编码，因而，通过如图4所示的推荐系统中图网络来编码物品属性的标签体系有向加权图，从而达到强化物品属性对应的属性特征的目的；其中，推荐系统中图网络例如图卷积神经网络GCN（Graph ConvolutionalNetwork，图卷积神经网络）。
例如，如图5所示，推荐系统中图网络的节点计算，即图网络编码中的节点计算（Node Aggregation，节点聚合）；在节点计算过程中，可以增加节点自身self-loop（自环）的计算路径；在舒缓节点的节点计算中，可以考虑到舒缓节点的相邻节点的特征信息和舒缓节点的初始化节点信息，并且舒缓节点的节点信息也会作为相邻节点的特征信息的特征计算，将作为图网络针对舒缓节点的节点计算输出结果，即/>为舒缓节点对应的第一强化后的特征嵌入向量。
例如，在图卷积神经网络构建中，基于公式（1）和公式（2），可以得到物品属性的标签体系有向加权图的邻接矩阵，该邻接矩阵A如公式（3）所示：
公式（3）
其中，表示从节点0到节点N-1的边权重，/>表示从节点N-1到节点0的边权重，/>=1（节点0的自环）。
在预设推荐系统的训练过程中，可以将邻接矩阵A作为图网络的初始化参数，并在预设推荐系统的训练中作为可训练的参数，进一步强化特征表示。
例如，预设推荐系统中图网络的输出结果，如公式（4）、公式（5）和公式（6）所示：
公式（4）
=f（/>+b） 公式（5）
=f（A/>+b） 公式（6）
其中，表示各节点的出边在图网络的第/>层的输出特征，/>表示各节点的入边在图网络的第/>层的输出特征，/>表示各节点在图3中图网络的输出，该输出为第一强化后的特征嵌入向量，Tag Representation为各节点对应的第一强化后的特征嵌入向量构成的一个矩阵；/>中/>取值为0，即/>表示在图3中图网络的输入，该输入为TagEmbedding，Tag Embedding表示物品属性的标签体系有向加权图中所有节点的物品属性对应的特征嵌入向量；b为预设的边偏差参数，A表示邻接矩阵，f表示激活函数。
例如，针对节点i，节点i对应的的计算公式（7）如下所示：
=/>公式（7）
d，/>，/>
其中，表示各节点在图3中图网络的输出，该输出为第一强化后的特征嵌入向量，Tag Representation为各节点对应的第一强化后的特征嵌入向量构成的一个矩阵；表示边权重，/>有在0-1之间的正则化约束，/>表示邻接矩阵A中某个元素；N(i)表示与节点i关联的所有节点（包括节点i）；/>表示图网络中第/>层的输出，作为图网络中第/>+1层的输入；d表示为计算数据流的方向，in表示从节点i到节点j的节点i出边，out表示从节点j到节点i的节点i入边，selfloop表示节点i到节点i的节点i自环；f表示激活函数。
在一个实施例中，基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，得到预设推荐系统，包括：
将标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，输入至待训练的推荐系统中图网络模型，通过特征嵌入向量强化处理，确定标准物品属性标签体系图中各节点对应的第二强化后的特征嵌入向量；
基于各第二强化后的特征嵌入向量，确定待训练的推荐系统的损失函数的值；
若待训练的推荐系统的损失函数的值大于损失阈值，则基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，更新待训练的推荐系统的网络参数；
重复执行将标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，输入至待训练的推荐系统中图网络模型，通过特征嵌入向量强化处理，确定标准物品属性标签体系图中各节点对应的第二强化后的特征嵌入向量、基于各第二强化后的特征嵌入向量，确定待训练的推荐系统的损失函数的值、以及若待训练的推荐系统的损失函数的值大于损失阈值，则基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，更新待训练的推荐系统的网络参数，直至当待训练的推荐系统的损失函数的值等于损失阈值，得到预设推荐系统。
具体地，例如，如图4所述，推荐系统包括图网络（Tag Graph Encoder）、基于注意力机制的历史编码器（History Encoder）、物品编码器（Item Encoder）、用户编码器（UserEncoder）、池化层、分类层等，其中，历史编码器包括Transformer层；推荐系统中图网络的网络参数包括邻接矩阵A，在训练的反向传播中，可以基于训练目标的梯度传播，来调整推荐系统中图网络的网络参数。
在一个实施例中，将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量，包括：
基于各节点的物品属性对应的特征嵌入向量和图网络模型的参数，通过图网络模型，对各节点的物品属性对应的特征嵌入向量进行特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量；
其中，图网络模型的参数包括邻接矩阵，邻接矩阵用于表征各节点之间的关联关系，各节点之间的关联关系包括各节点中每个节点的出边对应的权重、每个节点的入边对应的权重、每个节点的自环对应的权重中至少一项。
具体地，例如，基于各节点的物品属性对应的特征嵌入向量和图网络的网络参数，通过图网络，对各节点的物品属性对应的特征嵌入向量进行特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量/>，图网络的网络参数包括邻接矩阵A；如公式（4）、公式（5）和公式（6）所示：
公式（4）
=f（/>+b） 公式（5）
=f（A/>+b） 公式（6）
其中，表示各节点的出边在图网络的第/>层的输出特征，/>表示各节点的入边在图网络的第/>层的输出特征，/>表示各节点在图3中图网络的输出，该输出为第一强化后的特征嵌入向量，Tag Representation为各节点对应的第一强化后的特征嵌入向量构成的一个矩阵；/>中/>取值为0，即/>表示在图3中图网络的输入，该输入为TagEmbedding，Tag Embedding表示物品属性的标签体系有向加权图中所有节点的物品属性对应的特征嵌入向量；b为预设的边偏差参数，A表示邻接矩阵，f表示激活函数。
在一个实施例中，基于各节点的物品属性对应的特征嵌入向量和图网络模型的参数，通过图网络模型，对各节点的物品属性对应的特征嵌入向量进行特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量，包括：
基于各节点的物品属性对应的特征嵌入向量、邻接矩阵和预设的边偏差参数，通过图网络模型，确定各节点的出边对应的特征嵌入向量和各节点的入边对应的特征嵌入向量；
基于各节点的出边对应的特征嵌入向量和各节点的入边对应的特征嵌入向量，确定各节点对应的第一强化后的特征嵌入向量。
具体地，例如，各节点对应的第一强化后的特征嵌入向量如公式（4）、公式（5）和公式（6）所示；基于各节点的物品属性对应的特征嵌入向量/>、邻接矩阵A和预设的边偏差参数b，通过图网络，确定各节点的出边对应的特征嵌入向量/>和各节点的入边对应的特征嵌入向量/>；基于各节点的出边对应的特征嵌入向量/>和各节点的入边对应的特征嵌入向量/>，确定各节点对应的第一强化后的特征嵌入向量/>。
在一个实施例中，基于各节点的出边对应的特征嵌入向量和各节点的入边对应的特征嵌入向量，确定各节点对应的第一强化后的特征嵌入向量，包括：
基于各节点的出边对应的特征嵌入向量和各节点的入边对应的特征嵌入向量，进行求和处理，确定各节点对应的第一强化后的特征嵌入向量。
具体地，例如，各节点对应的第一强化后的特征嵌入向量如公式（4）所示；基于各节点的出边对应的特征嵌入向量/>和各节点的入边对应的特征嵌入向量/>，进行求和处理，确定各节点对应的第一强化后的特征嵌入向量/>。
在一个实施例中，在确定各节点对应的第一强化后的特征嵌入向量之后，还包括：
基于各节点的物品属性对应的特征嵌入向量和各节点对应的第一强化后的特征嵌入向量，构建向量映射表，向量映射表包括各节点的物品属性对应的特征嵌入向量和各节点对应的第一强化后的特征嵌入向量之间的映射关系。
具体地，例如，将如图4所示的推荐系统中图网络输出的各节点对应的第一强化后的特征嵌入向量进行存储，即将各节点对应的第一强化后的特征嵌入向量构成的矩阵（TagRepresentation）进行存储；可以通过向量映射表对该矩阵进行存储。
在一个实施例中，在确定各节点对应的第一强化后的特征嵌入向量之后，还包括：
若其他推荐系统接收到推荐指示，则从向量映射表中调用各节点对应的第一强化后的特征嵌入向量，并将各节点对应的第一强化后的特征嵌入向量输入至其他推荐系统，以使其他推荐系统基于各节点对应的第一强化后的特征嵌入向量进行物品推荐。
具体地，例如，将如图4所示的推荐系统中图网络输出的各节点对应的第一强化后的特征嵌入向量存储到向量映射表中，其他推荐系统向用户进行推荐歌曲时，可以直接从向量映射表中调用各节点对应的第一强化后的特征嵌入向量，作为其他推荐系统的输入，其他推荐系统中没有图网络。一个实施例中，目标物品属性标签体系图为音乐产品属性的标签体系图，预设推荐系统和其他推荐系统为音乐推荐系统。
具体地，例如，音乐产品属性的标签体系图如图3所示；预设推荐系统如图4所示，预设推荐系统包括图网络（Tag Graph Encoder）、基于注意力机制的历史编码器（HistoryEncoder）、物品编码器（Item Encoder）、用户编码器（User Encoder）、池化层、分类层等；其他推荐系统中没有图网络，其他推荐系统包括基于注意力机制的历史编码器（HistoryEncoder）、物品编码器（Item Encoder）、用户编码器（User Encoder）、池化层、分类层等；其中，历史编码器包括Transformer层。
应用本申请实施例，至少具有如下有益效果：
将各节点对应的第一强化后的特征嵌入向量用于预设推荐系统和其他推荐系统进行物品推荐，强化了各属性标签（各节点）之间的语义相关性，即各节点对应的属性特征之间的关联关系，强化了长尾分布的属性标签的语义特征，即强化了长尾分布的属性标签对应的属性特征，提升了属性标签对应的属性特征的表征效果，从而提高了预设推荐系统和其他推荐系统的推荐准确度。
为了更好的理解本申请实施例所提供的方法，下面结合具体应用场景的示例对本申请实施例的方案进行进一步说明。
本申请实施例所提供的方法应用在音箱等音乐产品中推荐模型，推荐模型为推荐系统。
本申请实施例所提供的方法适用于不同业务下的推荐场景，通过表1提供业务召回任务的离线实验效果，可以看到采用本申请实施例所提供的方法能够带来的推荐系统召回实验收益效果。
表1：业务召回任务的离线实验效果对比
第一项没有采用本申请实施例所提供的方法，命中率为28.02%；第二项和第三项都采用本申请实施例所提供的方法，命中率分别提高到28.33%和28.73%；采用本申请实施例所提供的方法提高了推荐系统的推荐准确度。
在一个具体应用场景实施例中，例如音乐歌曲推荐场景，参见图3，示出了一种推荐方法的处理流程，如图6所示，本申请实施例提供的推荐方法的处理流程包括如下步骤：
S601，服务器基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，得到预设推荐系统。
具体地，在使用预设推荐系统之前，需要对预设推荐系统进行训练，预设推荐系统在训练之前为待训练的推荐系统，预设推荐系统和待训练的推荐系统如图4所示，如图4所示的推荐系统包括图网络（Tag Graph Encoder）、基于注意力机制的历史编码器（HistoryEncoder）、物品编码器（Item Encoder）、用户编码器（User Encoder）、池化层、分类层等；其中，历史编码器包括Transformer层。标准物品属性标签体系图例如图3所示的物品属性的标签体系有向加权图，将标准物品属性标签体系图中各节点对应的物品属性作为训练数据，即将标准物品属性标签体系图中各节点对应的物品属性对应的特征嵌入向量（TagEmbedding）作为训练数据。
将标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量（TagEmbedding），输入至待训练的推荐系统中图网络模型（Tag Graph Encoder），通过特征嵌入向量强化处理，确定标准物品属性标签体系图中各节点对应的第二强化后的特征嵌入向量，各节点对应的第二强化后的特征嵌入向量构成一个矩阵（Tag Representation），即图网络模型（Tag Graph Encoder）输出是一个矩阵（Tag Representation）；基于各第二强化后的特征嵌入向量，确定待训练的推荐系统的损失函数的值；若待训练的推荐系统的损失函数的值大于损失阈值，则基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，更新待训练的推荐系统的网络参数；重复执行将标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，输入至待训练的推荐系统中图网络模型，通过特征嵌入向量强化处理，确定标准物品属性标签体系图中各节点对应的第二强化后的特征嵌入向量、基于各第二强化后的特征嵌入向量，确定待训练的推荐系统的损失函数的值、以及若待训练的推荐系统的损失函数的值大于损失阈值，则基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，更新待训练的推荐系统的网络参数，直至当待训练的推荐系统的损失函数的值等于损失阈值，得到预设推荐系统。
S602，服务器获取目标物品属性标签体系图中各节点对应的物品属性。
具体地，物品例如某个歌曲，该歌曲的物品属性例如儿歌、舒缓、中文、通俗等。目标物品属性标签体系图是物品属性的标签体系图，物品属性的标签体系图例如图3所示的物品属性的标签体系有向加权图，物品属性的标签体系有向加权图中包括多个节点和各节点之间的边，节点例如舒缓节点、儿歌节点、dummy节点等，从舒缓节点到儿歌节点的边为舒缓节点的出边，该出边对应的权重为，从儿歌节点到舒缓节点的边为舒缓节点的入边，该入边对应的权重为/>，舒缓节点对应的物品属性为舒缓，舒缓节点为属性标签。
S603，服务器将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量。
具体地，服务器基于各节点的物品属性对应的特征嵌入向量和图网络模型的参数，通过图网络模型，对各节点的物品属性对应的特征嵌入向量进行特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量，各节点对应的第一强化后的特征嵌入向量构成一个矩阵（Tag Representation），即图网络模型（Tag Graph Encoder）输出是一个矩阵（Tag Representation）。
S604，服务器将各节点对应的第一强化后的特征嵌入向量存储在向量映射表中。
具体地，例如，将如图4所示的推荐系统中图网络输出的各节点对应的第一强化后的特征嵌入向量存储到向量映射表中，即将各节点对应的第一强化后的特征嵌入向量构成的矩阵（Tag Representation）存储在向量映射表中。
S605，若其他推荐系统接收到推荐指示，则服务器从向量映射表中调用各节点对应的第一强化后的特征嵌入向量，并将各节点对应的第一强化后的特征嵌入向量输入至其他推荐系统。
具体地，其他推荐系统中没有图网络，其他推荐系统包括基于注意力机制的历史编码器（History Encoder）、物品编码器（Item Encoder）、用户编码器（User Encoder）、池化层、分类层等；其中，历史编码器包括Transformer层。
需要说明的是，如图4所示的基于注意力机制的历史编码器（History Encoder）、物品编码器（Item Encoder）、用户编码器（User Encoder）、池化层、分类层等构成了其他推荐系统。
S606，服务器通过其他推荐系统，将各节点对应的第一强化后的特征嵌入向量和其他推荐系统中历史序列进行匹配，确定第一向量集合，并基于第一向量集合和歌曲的语义特征构建成第一特征矩阵。
具体地，将各节点对应的第一强化后的特征嵌入向量和历史序列（HistorySequence）进行匹配，即将各节点对应的第一强化后的特征嵌入向量构成的矩阵（TagRepresentation）和历史序列（History Sequence）进行匹配；例如，历史序列（HistorySequence）中包括用户张三之前听的歌曲A、歌曲B和歌曲C，历史序列（History Sequence）中还包括歌曲A、歌曲B和歌曲C分别对应的属性标签，歌曲A对应的属性标签例如儿歌、舒缓和英文，将矩阵（Tag Representation）中多个第一强化后的特征嵌入向量和歌曲A对应的属性标签进行匹配，得到儿歌、舒缓和英文分别对应的第一强化后的特征嵌入向量，即歌曲A对应的第一强化后的特征嵌入向量，将歌曲A、歌曲B和歌曲C分别对应的第一强化后的特征嵌入向量构建成第一向量集合，即第一向量集合包括歌曲A、歌曲B和歌曲C分别对应的第一强化后的特征嵌入向量。
基于第一向量集合、歌曲A对应的语义特征、歌曲B对应的语义特征和歌曲C对应的语义特征，构建成第一特征矩阵。
S607，服务器通过其他推荐系统，将各节点对应的第一强化后的特征嵌入向量和其他推荐系统中当前项目进行匹配，确定第二向量集合，并将第二向量集合和歌曲的语义特征构建成第二特征矩阵。
具体地，将各节点对应的第一强化后的特征嵌入向量和当前项目（Current item）进行匹配，即将各节点对应的第一强化后的特征嵌入向量构成的矩阵（TagRepresentation）和当前项目（Current item）进行匹配；例如，当前项目（Current item）中包括用户张三当前听的歌曲D和歌曲D对应的属性标签，歌曲D对应的属性标签例如儿歌、舒缓和中文，将矩阵（Tag Representation）中多个第一强化后的特征嵌入向量和歌曲D对应的属性标签进行匹配，得到儿歌、舒缓和中文分别对应的第一强化后的特征嵌入向量，即歌曲D对应的第一强化后的特征嵌入向量，将歌曲D对应的第一强化后的特征嵌入向量构建成第一向量集合，即第一向量集合包括歌曲D对应的第一强化后的特征嵌入向量。
基于第二向量集合和歌曲D对应的语义特征，构建成第二特征矩阵。
S608，服务器通过其他推荐系统，将第一特征矩阵输入至基于注意力机制的历史编码器、将第二特征矩阵输入至物品编码器，以及将用户的相关信息对应的第三特征矩阵输入至用户编码器，确定编码后的第一特征矩阵、码后的第二特征矩阵和编码后的第三特征矩阵。
具体地，编码后的第一特征矩阵、编码后的第二特征矩阵和编码后的第三特征矩阵可以用于表征属性特征和语义特征之间的交互关系。用户的相关信息（User Profile）包括用户的性别、用户的年龄、用户的活跃时间等。
S609，服务器通过其他推荐系统，将编码后的第一特征矩阵进行池化处理，得到池化后的特征矩阵。
具体地，例如，由于历史序列（History Sequence）中歌曲A、歌曲B和歌曲C的时序不同，因此，需要将编码后的第一特征矩阵，通过池化层，进行池化处理，得到池化后的特征矩阵。
S610，服务器将池化后的特征矩阵、编码后的第二特征矩阵和编码后的第三特征矩阵输入至分类层，通过分类层，将池化后的特征矩阵、编码后的第二特征矩阵和编码后的第三特征矩阵进行特征融合处理，得到融合后的特征向量。
具体地，分类层包括归一化指数函数softmax。
S611，服务器确定融合后的特征向量和预设的多个特征向量之间的相似度，并将各相似度进行排序，将排序在前的相似度对应的歌曲推荐给用户。
具体地，例如，其他推荐系统包括预设的多个特征向量中每个特征向量对应一个歌曲，服务器确定融合后的特征向量和10000个特征向量之间的相似度，得到10000个相似度，按照相似度从大到小进行排序，将排序在前的100个相似度对应的100个歌曲推荐给用户。
应用本申请实施例，至少具有如下有益效果：
服务器将各节点对应的第一强化后的特征嵌入向量用于其他推荐系统进行歌曲推荐，强化了各属性标签（各节点）之间的语义相关性，即各节点对应的属性特征之间的关联关系，强化了长尾分布的属性标签的语义特征，即强化了长尾分布的属性标签对应的属性特征，提升了属性标签对应的属性特征的表征效果，从而提高了其他推荐系统推荐歌曲的准确度。
本申请实施例还提供了一种推荐装置，该推荐装置的结构示意图如图7所示，推荐装置70，包括第一处理模块701和第二处理模块702。
第一处理模块701，用于获取目标物品属性标签体系图中各节点对应的物品属性，各节点为属性标签；
第二处理模块702，用于将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量；
其中，各节点的物品属性对应的特征嵌入向量用于表征各节点的物品属性对应的属性特征，各节点中任一节点对应的第一强化后的特征嵌入向量用于表征任一节点和各节点中除任一节点之外的其他节点之间的关联关系，各节点对应的第一强化后的特征嵌入向量用于其他推荐系统进行物品推荐，其他推荐系统中不包括图网络模型。
在一个实施例中，第二处理模块702，还用于：
获取标准物品属性标签体系图中各节点对应的物品属性；
基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，得到预设推荐系统。
在一个实施例中，第二处理模块702，具体用于：
将标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，输入至待训练的推荐系统中图网络模型，通过特征嵌入向量强化处理，确定标准物品属性标签体系图中各节点对应的第二强化后的特征嵌入向量；
基于各第二强化后的特征嵌入向量，确定待训练的推荐系统的损失函数的值；
若待训练的推荐系统的损失函数的值大于损失阈值，则基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，更新待训练的推荐系统的网络参数；
重复执行将标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，输入至待训练的推荐系统中图网络模型，通过特征嵌入向量强化处理，确定标准物品属性标签体系图中各节点对应的第二强化后的特征嵌入向量、基于各第二强化后的特征嵌入向量，确定待训练的推荐系统的损失函数的值、以及若待训练的推荐系统的损失函数的值大于损失阈值，则基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，更新待训练的推荐系统的网络参数，直至当待训练的推荐系统的损失函数的值等于损失阈值，得到预设推荐系统。
在一个实施例中，第二处理模块702，具体用于：
基于各节点的物品属性对应的特征嵌入向量和图网络模型的参数，通过图网络模型，对各节点的物品属性对应的特征嵌入向量进行特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量；
其中，图网络模型的参数包括邻接矩阵，邻接矩阵用于表征各节点之间的关联关系，各节点之间的关联关系包括各节点中每个节点的出边对应的权重、每个节点的入边对应的权重、每个节点的自环对应的权重中至少一项。
在一个实施例中，第二处理模块702，具体用于：
基于各节点的物品属性对应的特征嵌入向量、邻接矩阵和预设的边偏差参数，通过图网络模型，确定各节点的出边对应的特征嵌入向量和各节点的入边对应的特征嵌入向量；
基于各节点的出边对应的特征嵌入向量和各节点的入边对应的特征嵌入向量，确定各节点对应的第一强化后的特征嵌入向量。
在一个实施例中，第二处理模块702，具体用于：
基于各节点的出边对应的特征嵌入向量和各节点的入边对应的特征嵌入向量，进行求和处理，确定各节点对应的第一强化后的特征嵌入向量。
在一个实施例中，第二处理模块702，还用于：
基于各节点的物品属性对应的特征嵌入向量和各节点对应的第一强化后的特征嵌入向量，构建向量映射表，向量映射表包括各节点的物品属性对应的特征嵌入向量和各节点对应的第一强化后的特征嵌入向量之间的映射关系。
在一个实施例中，第二处理模块702，还用于：
若其他推荐系统接收到推荐指示，则从向量映射表中调用各节点对应的第一强化后的特征嵌入向量，并将各节点对应的第一强化后的特征嵌入向量输入至其他推荐系统，以使其他推荐系统基于各节点对应的第一强化后的特征嵌入向量进行物品推荐。
在一个实施例中，目标物品属性标签体系图为音乐产品属性的标签体系图，预设推荐系统和其他推荐系统为音乐推荐系统。
应用本申请实施例，至少具有如下有益效果：
获取目标物品属性标签体系图中各节点对应的物品属性，各节点为属性标签；将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量；其中，各节点的物品属性对应的特征嵌入向量用于表征各节点的物品属性对应的属性特征，各节点中任一节点对应的第一强化后的特征嵌入向量用于表征任一节点和各节点中除任一节点之外的其他节点之间的关联关系，各节点对应的第一强化后的特征嵌入向量用于其他推荐系统进行物品推荐，其他推荐系统中不包括图网络模型；如此，强化了各属性标签（各节点）之间的语义相关性，即各节点对应的属性特征之间的关联关系，强化了长尾分布的属性标签的语义特征，即强化了长尾分布的属性标签对应的属性特征，提升了属性标签对应的属性特征的表征效果，从而提高了预设推荐系统和其他推荐系统的推荐准确度。
本申请实施例还提供了一种电子设备，该电子设备的结构示意图如图8所示，图8所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004，收发器4004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质，在此不做限定。
存储器4003用于存储执行本申请实施例的计算机程序，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的计算机程序，以实现前述方法实施例所示的步骤。
其中，电子设备包括但不限于：服务器等。
应用本申请实施例，至少具有如下有益效果：
获取目标物品属性标签体系图中各节点对应的物品属性，各节点为属性标签；将各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定各节点对应的第一强化后的特征嵌入向量；其中，各节点的物品属性对应的特征嵌入向量用于表征各节点的物品属性对应的属性特征，各节点中任一节点对应的第一强化后的特征嵌入向量用于表征任一节点和各节点中除任一节点之外的其他节点之间的关联关系，各节点对应的第一强化后的特征嵌入向量用于其他推荐系统进行物品推荐，其他推荐系统中不包括图网络模型；如此，强化了各属性标签（各节点）之间的语义相关性，即各节点对应的属性特征之间的关联关系，强化了长尾分布的属性标签的语义特征，即强化了长尾分布的属性标签对应的属性特征，提升了属性标签对应的属性特征的表征效果，从而提高了预设推荐系统和其他推荐系统的推荐准确度。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
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，计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
基于与本申请实施例提供的方法相同的原理，本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述本申请任一可选实施例中提供的方法。
应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以按照需求以其他的顺序执行。此外，各流程图中的部分或全部步骤基于实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以根据需求灵活配置，本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用基于本申请技术思想的其他类似实施手段，同样属于本申请实施例的保护范畴。

Claims (12)

1.一种推荐方法，其特征在于，包括：
获取目标物品属性标签体系图中各节点对应的物品属性，所述各节点为属性标签；
将所述各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定所述各节点对应的第一强化后的特征嵌入向量；
其中，所述各节点的物品属性对应的特征嵌入向量用于表征所述各节点的物品属性对应的属性特征，所述各节点中任一节点对应的第一强化后的特征嵌入向量用于表征所述任一节点和所述各节点中除所述任一节点之外的其他节点之间的关联关系，所述各节点对应的第一强化后的特征嵌入向量用于强化长尾分布的属性标签对应的属性特征，所述各节点对应的第一强化后的特征嵌入向量用于其他推荐系统进行物品推荐，所述其他推荐系统中不包括所述图网络模型；
在所述将所述各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定所述各节点对应的强化后的特征嵌入向量之前，还包括：
获取标准物品属性标签体系图中各节点对应的物品属性；
基于所述标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，得到所述预设推荐系统。
2.根据权利要求1所述的方法，其特征在于，所述基于所述标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对所述待训练的推荐系统进行训练，得到所述预设推荐系统，包括：
将所述标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，输入至待训练的推荐系统中图网络模型，通过特征嵌入向量强化处理，确定所述标准物品属性标签体系图中各节点对应的第二强化后的特征嵌入向量；
基于各第二强化后的特征嵌入向量，确定所述待训练的推荐系统的损失函数的值；
若所述待训练的推荐系统的损失函数的值大于损失阈值，则基于所述标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对所述待训练的推荐系统进行训练，更新所述待训练的推荐系统的网络参数；
重复执行所述将所述标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，输入至待训练的推荐系统中图网络模型，通过特征嵌入向量强化处理，确定所述标准物品属性标签体系图中各节点对应的第二强化后的特征嵌入向量、所述基于各第二强化后的特征嵌入向量，确定所述待训练的推荐系统的损失函数的值、以及所述若所述待训练的推荐系统的损失函数的值大于损失阈值，则基于所述标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对所述待训练的推荐系统进行训练，更新所述待训练的推荐系统的网络参数，直至当所述待训练的推荐系统的损失函数的值等于损失阈值，得到所述预设推荐系统。
3.根据权利要求1所述的方法，其特征在于，所述将所述各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定所述各节点对应的第一强化后的特征嵌入向量，包括：
基于所述各节点的物品属性对应的特征嵌入向量和所述图网络模型的参数，通过所述图网络模型，对所述各节点的物品属性对应的特征嵌入向量进行特征嵌入向量强化处理，确定所述各节点对应的第一强化后的特征嵌入向量；
其中，所述图网络模型的参数包括邻接矩阵，所述邻接矩阵用于表征所述各节点之间的关联关系，所述各节点之间的关联关系包括所述各节点中每个节点的出边对应的权重、所述每个节点的入边对应的权重、所述每个节点的自环对应的权重中至少一项。
4.根据权利要求3所述的方法，其特征在于，所述基于所述各节点的物品属性对应的特征嵌入向量和所述图网络模型的参数，通过所述图网络模型，对所述各节点的物品属性对应的特征嵌入向量进行特征嵌入向量强化处理，确定所述各节点对应的第一强化后的特征嵌入向量，包括：
基于所述各节点的物品属性对应的特征嵌入向量、所述邻接矩阵和预设的边偏差参数，通过所述图网络模型，确定所述各节点的出边对应的特征嵌入向量和所述各节点的入边对应的特征嵌入向量；
基于所述各节点的出边对应的特征嵌入向量和所述各节点的入边对应的特征嵌入向量，确定所述各节点对应的第一强化后的特征嵌入向量。
5.根据权利要求4所述的方法，其特征在于，所述基于所述各节点的出边对应的特征嵌入向量和所述各节点的入边对应的特征嵌入向量，确定所述各节点对应的第一强化后的特征嵌入向量，包括：
基于所述各节点的出边对应的特征嵌入向量和所述各节点的入边对应的特征嵌入向量，进行求和处理，确定所述各节点对应的第一强化后的特征嵌入向量。
6.根据权利要求1所述的方法，其特征在于，在所述确定所述各节点对应的第一强化后的特征嵌入向量之后，还包括：
基于所述各节点的物品属性对应的特征嵌入向量和所述各节点对应的第一强化后的特征嵌入向量，构建向量映射表，所述向量映射表包括所述各节点的物品属性对应的特征嵌入向量和所述各节点对应的第一强化后的特征嵌入向量之间的映射关系。
7.根据权利要求6所述的方法，其特征在于，在所述确定所述各节点对应的第一强化后的特征嵌入向量之后，还包括：
若所述其他推荐系统接收到推荐指示，则从所述向量映射表中调用所述各节点对应的第一强化后的特征嵌入向量，并将所述各节点对应的第一强化后的特征嵌入向量输入至所述其他推荐系统，以使所述其他推荐系统基于所述各节点对应的第一强化后的特征嵌入向量进行物品推荐。
8.根据权利要求1所述的方法，其特征在于，所述目标物品属性标签体系图为音乐产品属性的标签体系图，所述预设推荐系统和所述其他推荐系统为音乐推荐系统。
9.一种推荐装置，其特征在于，包括：
第一处理模块，用于获取目标物品属性标签体系图中各节点对应的物品属性，所述各节点为属性标签；
第二处理模块，用于将所述各节点的物品属性对应的特征嵌入向量，输入至预设推荐系统中图网络模型，通过特征嵌入向量强化处理，确定所述各节点对应的第一强化后的特征嵌入向量；
其中，所述各节点的物品属性对应的特征嵌入向量用于表征所述各节点的物品属性对应的属性特征，所述各节点中任一节点对应的第一强化后的特征嵌入向量用于表征所述任一节点和所述各节点中除所述任一节点之外的其他节点之间的关联关系，所述各节点对应的第一强化后的特征嵌入向量用于强化长尾分布的属性标签对应的属性特征，所述各节点对应的第一强化后的特征嵌入向量用于其他推荐系统进行物品推荐，所述其他推荐系统中不包括所述图网络模型；
所述第二处理模块，还用于：
获取标准物品属性标签体系图中各节点对应的物品属性；
基于标准物品属性标签体系图中各节点的物品属性对应的特征嵌入向量，对待训练的推荐系统进行训练，得到预设推荐系统。
10.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-8中任一项所述方法的步骤。
11.一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1-8中任一项所述方法的步骤。
12.一种计算机程序产品，包括计算机程序，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1-8中任一项所述方法的步骤。
CN202311224167.1A 2023-09-21 2023-09-21 推荐方法、装置、设备、计算机可读存储介质及程序产品 Active CN116955836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311224167.1A CN116955836B (zh) 2023-09-21 2023-09-21 推荐方法、装置、设备、计算机可读存储介质及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311224167.1A CN116955836B (zh) 2023-09-21 2023-09-21 推荐方法、装置、设备、计算机可读存储介质及程序产品

Publications (2)

Publication Number Publication Date
CN116955836A CN116955836A (zh) 2023-10-27
CN116955836B true CN116955836B (zh) 2024-01-02

Family

ID=88449735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311224167.1A Active CN116955836B (zh) 2023-09-21 2023-09-21 推荐方法、装置、设备、计算机可读存储介质及程序产品

Country Status (1)

Country Link
CN (1) CN116955836B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241311A (zh) * 2020-01-09 2020-06-05 腾讯科技（深圳）有限公司 媒体信息推荐方法、装置、电子设备及存储介质
CN113468227A (zh) * 2021-06-25 2021-10-01 北京达佳互联信息技术有限公司 基于图神经网络的信息推荐方法、系统、设备和存储介质
CN115358807A (zh) * 2021-05-17 2022-11-18 北京邮电大学 物品的推荐方法和装置、存储介质及电子设备
WO2023065211A1 (zh) * 2021-10-21 2023-04-27 华为技术有限公司 一种信息获取方法以及装置
CN116128575A (zh) * 2023-01-09 2023-05-16 招联消费金融有限公司 物品推荐方法、装置、计算机设备、存储介质和程序产品

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200160215A1 (en) * 2018-11-16 2020-05-21 NEC Laboratories Europe GmbH Method and system for learning numerical attributes on knowledge graphs

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241311A (zh) * 2020-01-09 2020-06-05 腾讯科技（深圳）有限公司 媒体信息推荐方法、装置、电子设备及存储介质
CN115358807A (zh) * 2021-05-17 2022-11-18 北京邮电大学 物品的推荐方法和装置、存储介质及电子设备
CN113468227A (zh) * 2021-06-25 2021-10-01 北京达佳互联信息技术有限公司 基于图神经网络的信息推荐方法、系统、设备和存储介质
WO2023065211A1 (zh) * 2021-10-21 2023-04-27 华为技术有限公司 一种信息获取方法以及装置
CN116128575A (zh) * 2023-01-09 2023-05-16 招联消费金融有限公司 物品推荐方法、装置、计算机设备、存储介质和程序产品

Also Published As

Publication number Publication date
CN116955836A (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN110728317A (zh) 决策树模型的训练方法、系统、存储介质及预测方法
CN112035743B (zh) 数据推荐方法、装置、计算机设备以及存储介质
WO2022152161A1 (zh) 混合图神经网络模型的训练、预测
US20210383205A1 (en) Taxonomy Construction via Graph-Based Cross-domain Knowledge Transfer
CN112231569A (zh) 新闻推荐方法、装置、计算机设备及存储介质
CN116664719B (zh) 一种图像重绘模型训练方法、图像重绘方法及装置
CN113392317A (zh) 一种标签配置方法、装置、设备及存储介质
CN111444335B (zh) 中心词的提取方法及装置
US20240005165A1 (en) Machine learning model training method, prediction method therefor, apparatus, device, computer-readable storage medium, and computer program product
CN111767953B (zh) 用于训练物品编码模型的方法和装置
CN112989182A (zh) 信息处理方法、装置、信息处理设备及存储介质
CN116957128A (zh) 业务指标预测方法、装置、设备和存储介质
CN116955836B (zh) 推荐方法、装置、设备、计算机可读存储介质及程序产品
CN111368205A (zh) 数据推荐方法、装置、计算机设备及存储介质
CN114092162B (zh) 推荐质量确定方法、推荐质量确定模型的训练方法及装置
CN113837216B (zh) 数据分类方法、训练方法、装置、介质及电子设备
CN116932873A (zh) 视频账号的推荐方法、装置、设备、存储介质及程序产品
CN114547308A (zh) 文本处理的方法、装置、电子设备及存储介质
CN112417260B (zh) 本地化推荐方法、装置及存储介质
CN113822429A (zh) 针对推荐系统的解释方法、装置、设备及可读存储介质
CN113486147A (zh) 一种文本处理方法、装置、电子设备及计算机可读介质
CN114528496B (zh) 多媒体数据处理方法、装置、设备及存储介质
CN116028617B (zh) 资讯推荐方法、装置、设备、可读存储介质及程序产品
CN117009556A (zh) 一种基于评估模型的内容推荐方法及相关装置
CN116976991A (zh) 广告推荐数据确定方法、装置、计算机设备和存储介质

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