CN116975427A - 确定对象对资源信息的感兴趣程度的方法、装置和计算设备 - Google Patents
确定对象对资源信息的感兴趣程度的方法、装置和计算设备 Download PDFInfo
- Publication number
- CN116975427A CN116975427A CN202310108533.0A CN202310108533A CN116975427A CN 116975427 A CN116975427 A CN 116975427A CN 202310108533 A CN202310108533 A CN 202310108533A CN 116975427 A CN116975427 A CN 116975427A
- Authority
- CN
- China
- Prior art keywords
- graph
- resource information
- embedded vector
- vector representation
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 230000003993 interaction Effects 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 24
- 239000002131 composite material Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种确定对象对资源信息的感兴趣程度的方法,其包括:根据对象和资源信息之间的历史交互行为构建包括对象节点和资源信息节点的第一二部图和第二二部图,第一二部图还包括正连接边,第二二部图还包括负连接边;根据图神经网络模型、第一二部图和第二二部图获得图节点的第一嵌入向量表示和第二嵌入向量表示;将第一嵌入向量表示和第二嵌入向量表示进行拼接以获得图节点的综合嵌入向量表示;以及基于对象节点的综合嵌入向量表示和资源信息节点的综合嵌入向量表示确定多对象对资源信息的感兴趣程度。该方法综合考虑了对象和资源信息之间的正反馈和负反馈,能够更加准确地判断对象对资源信息的感兴趣程度,提升用户收到推荐信息的体验。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种确定对象对资源信息的感兴趣程度的方法、装置、计算设备和存储介质。
背景技术
随着人工智能技术的快速发展,智能推荐系统在近年来被广泛应用于各个领域,比如在电子商务、广告和社交媒体网站等领域向用户提供合适的内容。推荐系统中最重要和最流行的技术之一是协同过滤(collaborative filtering,CF),它从用户和商品的历史交互中计算出用户和物品之间的相似性,利用彼此行为相似的用户表现出对物品的相似偏好这一假设来向用户推荐相关物品。
用户和物品之间的交互包括用户对物品的正反馈和负反馈,正反馈意味着用户对物品表现出较浓的兴趣,例如,用户点击某一商品链接。负反馈意味着用户对物品信息不太感兴趣,没有点击相关的商品,或者给出了对相关物品不感兴趣的反馈信息。现有的推荐系统对于负反馈通常采用“忽略”或者“黑名单”处理机制,“忽略”是指直接将用户的负反馈予以忽略,不将该反馈数据作为针对推荐系统的训练数据。黑名单处理机制是指在推荐系统给出推荐结果后,对用户给予负反馈的物品给予靠后的排序,进而使得用户不太感兴趣的物品不出现在推荐列表中。上述的“忽略”或者“黑名单”处理机制并没有合理地利用用户的正反馈和负反馈,使得推荐系统的性能下降,容易影响用户的体验。
发明内容
有鉴于此,本申请实施例提供了一种确定对象对资源信息的感兴趣程度的方法,所述方法包括:根据多个对象和多个资源信息之间的历史交互行为构建第一二部图,所述第一二部图包括多个图节点,所述多个图节点包括与所述多个对象对应的多个对象节点和与所述多个资源信息对应的多个资源信息节点,所述第一二部图还包括至少一条正连接边,每条正连接边指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的正反馈;根据所述历史交互行为构建第二二部图,所述第二二部图包括所述多个对象节点和所述多个资源信息节点,所述第二二部图还包括至少一条负连接边,每条负连接边指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的负反馈;根据图神经网络模型、所述第一二部图和第二二部图获得所述多个图节点中的每个图节点的第一嵌入向量表示和第二嵌入向量表示;将每个图节点的第一嵌入向量表示和第二嵌入向量表示进行拼接以获得该图节点的综合嵌入向量表示;以及基于所述多个图节点中的各个对象节点的综合嵌入向量表示和所述多个图节点中的各个资源信息节点的综合嵌入向量表示确定所述多个对象中的各个对象对各个资源信息的感兴趣程度。
本申请另一实施例提供了一种确定对象对资源信息的感兴趣程度的装置,所述装置包括:二部图构建单元,其被配置成根据多个对象和多个资源信息之间的历史交互行为构建第一二部图和第二二部图,所述第一二部图包括多个图节点,所述多个图节点包括与所述多个对象对应的多个对象节点和与所述多个资源信息对应的多个资源信息节点,所述第一二部图还包括至少一条正连接边,每条正连接边指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的正反馈,所述第二二部图包括所述多个对象节点和所述多个资源信息节点,所述第二二部图还包括至少一条负连接边,每条负连接边指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的负反馈;嵌入向量表示获取单元,其被配置成根据图神经网络模型、所述第一二部图和第二二部图获得所述多个图节点中的每个图节点的第一嵌入向量表示和第二嵌入向量表示;拼接单元,其被配置成将每个图节点的第一嵌入向量表示和第二嵌入向量表示进行拼接以获得该图节点的综合嵌入向量表示;以及感兴趣程度确定单元,其被配置成基于所述多个图节点中的各个对象节点的综合嵌入向量表示和所述多个图节点中的各个资源信息节点的综合嵌入向量表示确定所述多个对象中的各个对象对各个资源信息的感兴趣程度。
本申请的另一实施例提供了一种计算设备,该计算设备包括:存储器,其被配置成存储计算机可执行指令;处理器,其被配置成当所述计算机可执行指令被处理器执行时执行如前述实施例中任一实施例所述的方法。
本申请的另一实施例提供了一种计算机可读存储介质,其存储有计算机可执行指令,当所述计算机可执行指令被执行时,执行如前述实施例中任一实施例所述的方法。
本申请的另一实施例提供了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前述实施例中任一实施例所述的方法中的步骤。
本申请的实施例并不忽视或舍弃对象和资源信息之间的负反馈信息,而是利用正反馈和负反馈信息分别构建第一二部图和第二二部图,之后利用图神经网络模型确定二部图中的各个节点的第一嵌入向量表示和第二嵌入向量表示,基于各个对象节点的综合嵌入向量表示和各个资源信息节点的综合嵌入向量表示实现任意的对象节点和资源信息节点之间的边的预测,进而确定所述多个对象中的各个对象对各个资源信息的感兴趣程度。本申请的实施例综合考虑了正反馈和负反馈,能够更加准确地判断对象对资源信息的感兴趣程度,提升用户收到推荐信息的体验。
根据下文描述的实施例,本申请的这些和其它优点将变得清楚,并且参考下文描述的实施例来阐明本申请的这些和其它优点。
附图说明
现在将更详细并且参考附图来描述本申请的实施例,其中:
图1图示了根据本申请一个实施例的确定对象对资源信息的感兴趣程度的方法的示例实施环境;
图2图示了根据本申请一个实施例的确定对象对资源信息的感兴趣程度的方法中的步骤;
图3图示了根据本申请一个实施例的二部图的示例;
图4图示了根据本申请另一实施例的确定对象对资源信息的感兴趣程度的方法中获取图节点的第一嵌入向量表示和第二嵌入向量表示涉及的步骤;
图5示意性地示出了根据本申请一个实施例的确定对象对资源信息的感兴趣程度的方法中获取图节点的第一嵌入向量表示涉及的步骤;
图6图示了根据本申请一个实施例的第一图神经网络子模型的示例性结构;
图7图示了根据本申请一个实施例的确定对象对资源信息的感兴趣程度的方法中获取图节点的第二嵌入向量表示涉及的步骤;
图8图示了根据本申请一个实施例的基于各个对象节点的综合嵌入向量表示和各个资源信息节点的综合嵌入向量表示确定个对象对各个资源信息的感兴趣程度的主要步骤;
图9示意性地示出了根据本申请实施例提供的确定对象对资源信息的感兴趣程度的方法的过程。
图10示出了基于本申请实施例提出的确定对象对资源信息的感兴趣程度的方法的物品推荐系统与应用上述的已有的物品推荐系统进行物品推荐在上述的经典度量指标方面的比较结果;
图11示出了根据本申请实施例提供的确定对象对资源信息的感兴趣程度的装置的框图;以及
图12图示了一个示例系统,其包括代表可以实现本文描述的各种方法或装置的一个或多个系统和/或设备的示例计算设备。
具体实施方式
下面的描述提供了本申请的各种实施例的特定细节,以便本领域的技术人员能够充分理解和实施本申请的各种实施例。应当理解,本申请的技术方案可以在没有这些细节中的一些细节的情况下被实施。在某些情况下,本申请并没有示出或详细描述一些熟知的结构或功能,以避免这些不必要的描述使对本申请的实施例的描述模糊不清。在本申请中使用的术语应当以其最宽泛的合理方式来理解,即使其是结合本申请的特定实施例被使用的。
在本申请中使用的术语应当以其最宽泛的合理方式来理解,即使其是结合本申请的特定实施例被使用的。
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、自动控制等几大方向。
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。
本申请的实施例提供了一种确定对象对资源信息的感兴趣程度的方法。图1图示了根据本申请一些实施例的确定对象对资源信息的感兴趣程度的方法的示例性实施环境。如图1所示,各种类型的终端(例如,手机、台式电脑、平板电脑、笔记本电脑和掌上电脑)通过网络与服务器进行通信。服务器例如可以是独立的物理服务器,也可以是由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、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。各个终端和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,服务器也可以是区块链网络中的节点设备。
下文实施例中描述的确定对象对资源信息的感兴趣程度的方法中的各个步骤可以全部在服务器中执行,也可以由终端执行。或者,确定对象对资源信息的感兴趣程度的方法中的一部分步骤由服务器执行,另一部分步骤由终端执行。即,本文对确定对象对资源信息的感兴趣程度的方法中的哪些步骤由服务器执行、哪些步骤由终端执行不作限制。为了简便起见,下面以确定对象对资源信息的感兴趣程度的方法由服务器执行为例进行详细说明。
图2图示了根据本申请的实施例的确定对象对资源信息的感兴趣程度的方法的流程图。如图2所示,根据本申请的一个实施例,伪造多媒体检测模型的训练方法包括如下步骤:S210、根据多个对象和多个资源信息之间的历史交互行为构建第一二部图,所述第一二部图包括多个图节点,该多个图节点包括与所述多个对象对应的多个对象节点和与所述多个资源信息对应的多个资源信息节点,所述第一二部图还包括至少一条正连接边,每条正连接边指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的正反馈;S220、根据所述历史交互行为构建第二二部图,所述第二二部图包括所述多个对象节点和所述多个资源信息节点,所述第二二部图还包括至少一条负连接边,每条负连接边指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的负反馈;S230、根据图神经网络模型、所述第一二部图和第二二部图获得所述多个图节点中的每个图节点的第一嵌入向量表示和第二嵌入向量表示;S240、将每个图节点的第一嵌入向量表示和第二嵌入向量表示进行拼接以获得该图节点的综合嵌入向量表示;以及S250、基于所述多个图节点中的各个对象节点的综合嵌入向量表示和所述多个图节点中的各个资源信息节点的综合嵌入向量表示确定所述多个对象中的各个对象对各个资源信息的感兴趣程度。
本文提到的“对象”可以是终端设备的用户,而“资源信息”可以是与该用户有关联关系的推荐对象,例如“资源信息”包括但不限于向用户推荐过的推荐对象、用户点击过的推荐对象、用户通过点击并产生购买行为的推荐对象等。资源信息的示例包括但不限于商品、文章、视频、音频等信息。本文提到的“正反馈”即对象对资源信息产生的正向反馈,例如,对象在接收到某一资源信息后,点击了资源信息相关的链接,或者进行了下载或购买行为,或者给予了好评、点赞或高评分等。本文提到的“负反馈”指的是对象对资源信息的负向反馈,例如,资源信息被曝光给对象后,对象并没有点击与资源信息相关的链接,或者跳过了该资源信息、甚至给予了差评、低评分等反馈信息。
本文提到的“二部图”是一种特殊的图结构,图结构中的顶点集可分割为两个互不相交的子集,并且图中每条边依附的两个顶点都分属于这两个互不相交的子集,两个子集内的顶点不相邻。图3示意性地示出了二部图的示例,二部图的顶点集包括与对象对应的对象节点和与资源信息对应的资源信息节点,图3示出了四个对象节点(分别对应于对象1、对象2、对象3和对象4)和五个资源信息节点(分别对应于资源信息1、资源信息2、资源信息3、资源信息4和资源信息5)。图3中以实线所示的节点之间的边表示对象和相应的资源信息之间的正反馈,指示正反馈的边也被称为正连接边,图3中以虚线所示的节点之间的边表示对象和相应的资源信息之间的负反馈,指示负反馈的边也被称为负连接边。
如本领域技术人员所知晓的,二部图可以用对应的邻接矩阵来表示,邻接矩阵是N*N的矩阵,N是二部图中的图节点的个数。邻接矩阵难以作为大型图的特征空间,因此需要将图节点属性变换为一个维度更小的向量,该向量也被称为嵌入(Embedding)向量表示。在本申请的上述实施例中,第一二部图和第二二部图所包括的节点信息相同,即,第一二部图和第二二部图包括相同的对象节点和资源信息节点,二者的区别在于第一二部图和第二二部图的节点之间的边所表示的关系不同,第一二部图中的对象节点和资源信息节点之间的边被定义为正连接边,用于指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的正反馈,第二二部图中的对象节点和资源信息节点之间的边被定义为负连接边,用于指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的负反馈。
与常规的推荐或预测技术不同,本申请的实施例并不忽视或舍弃对象和资源信息之间的负反馈信息,而是利用正反馈和负反馈信息分别构建第一二部图和第二二部图,之后利用图神经网络模型确定二部图中的各个节点的第一嵌入向量表示和第二嵌入向量表示,基于各个对象节点的综合嵌入向量表示和各个资源信息节点的综合嵌入向量表示实现任意的对象节点和资源信息节点之间的边的预测,进而确定所述多个对象中的各个对象对各个资源信息的感兴趣程度。本申请的实施例综合考虑了正反馈和负反馈,能够更加准确地判断对象对资源信息的感兴趣程度,提升用户收到推荐信息的体验。
在一些实施例中,上述的图神经网络模型包括第一图神经网络子模型和第二图神经网络子模型,此时,如图4所示,上述的步骤S230-根据图神经网络模型、所述第一二部图和第二二部图获得各个图节点的第一嵌入向量表示和第二嵌入向量表示包括:S410-根据所述第一图神经网络子模型基于所述第一二部图获得各个图节点的第一嵌入向量表示;以及S420-根据所述第二图神经网络子模型基于所述第二二部图和各个图节点的第一嵌入向量表示获得各个图节点的第二嵌入向量表示。
第一图神经网络子模型和第二图神经网络子模型可包括任何适当的图卷积神经网络。在一些实施例中,第一图神经网络子模型可以基于轻量化图卷积模型(Light GraphConvolution),其包括分别产生K个第一中间嵌入向量表示的K个图卷积层,此时,如图5所示,上述步骤S410-所述根据所述第一图神经网络子模型基于所述第一二部图获得各个图节点的第一嵌入向量表示可包括如下步骤:S510、获取所述第一二部图的邻接矩阵;S520、K个图卷积层中的后一图卷积层基于前一图卷积层输出的每个图节点的第一中间嵌入向量表示和所述第一二部图的邻接矩阵而从所述后一图卷积层输出所述图节点的对应的第一中间嵌入向量表示;以及S530、确定所述K个图卷积层中的各个图卷积层输出的K个第一中间嵌入向量表示和所述图节点的第一初始嵌入向量表示的平均值,作为所述图节点的第一嵌入向量表示,所述K个图卷积层中的首个图卷积层基于所述第一初始嵌入向量表示和所述第一二部图的邻接矩阵从所述首个图卷积层输出所述图节点对应的第一中间嵌入向量表示,K为大于1的整数。
图6示出了第一图神经网络子模型的示例性结构。图卷积层的图卷积操作可由如下公式表示
其中和/>分别表示对象节点u和资源信息节点i经过k层传播后获得第一中间嵌入向量表示,Nu表示与对象节点u所对应的对象进行交互的资源信息的集合,Ni表示与资源信息节点i所对应的资源信息进行交互的对象的集合,上述的第一中间嵌入向量表示的公式也称为归一化和(normalized sum)。图6中的/>和/>分别表示对象节点u1和资源信息节点i4的第一初始嵌入向量表示。在给定了针对每个图节点(包括上述的对象节点和资源信息节点)的第一初始嵌入向量表示的情况下,可以基于以上的公式获得各个图卷积层的第一中间嵌入向量表示。最终,计算各个图卷积层输出的各个第一中间嵌入向量表示和所述图节点的第一初始嵌入向量表示的平均值,将该平均值作为所述图节点的第一嵌入向量表示。图6的左侧部分示意性地示出了获得对象节点u1的第一嵌入向量表示/>的过程,图6的右侧部分示意性地示出了获得资源信息节点i4的第一嵌入向量表示/>的过程。
如前所述,第一二部图包括指示对象节点所对应的对象和资源信息节点所对应的资源信息之间的正反馈的正连接边,第一二部图的邻接矩阵也可称为正向邻接矩阵,正向邻接矩阵A+可被表示为 其中R+为包括对象和资源信息之间的正反馈的对象-资源信息交互矩阵,对象-资源信息交互矩阵R+为M*N矩阵,M和N分别为对象节点和资源信息节点的数目。如果某一对象和某一资源信息存在交互,则矩阵R+中相应的元素为1,否则为0。类似地,第二二部图的邻接矩阵可被称为负向邻接矩阵,负向邻接矩阵A-可被表示为/> 其中R-为包括对象和资源信息之间的负反馈的对象-资源信息交互矩阵。
在一些实施例中,上述的第一图神经网络子模型图卷积操作也可以表示为:
Z+(l+1)=D+-1/2A+D+-1/2Z+(l),
其中D+为(M+N)×(M+N)对角矩阵,对角矩阵D+中的每个元素Di i表示正向邻接矩阵A+的第i行矢量中的非零元素的数目。在给定某一图节点的第一初始嵌入向量表示Z+(0)的情况下,首个图卷积层可以基于第一初始嵌入向量表示Z+(0)和正向邻接矩阵A+而输出对应的第一中间嵌入向量表示Z+(1),类似地,所述K个图卷积层中的后一图卷积层基于前一图卷积层输出的第一中间嵌入向量表示Z+(l)和所述第一二部图的正向邻接矩阵A+而从所述后一图卷积层输出对应的第一中间嵌入向量表示Z+(l+1),由此,一共获得该图节点对应的K个第一中间嵌入向量表示,这样可以确定所述K个图卷积层中的各个图卷积层输出的K个第一中间嵌入向量表示和第一初始嵌入向量表示Z+(0)的平均值,作为所述图节点的第一嵌入向量表示Z+,
在一些实施例中,所述第二图神经网络子模型包括多层感知器MLP,如图7所示,根据第二图神经网络模型、所述第二二部图和各个图节点的第一嵌入向量表示获得各个图节点的第二嵌入向量表示包括:S710、获取所述第二二部图的邻接矩阵;S720、利用所述多层感知器基于所述第二二部图的邻接矩阵和各个图节点的第一嵌入向量表示确定各个图节点的第二嵌入向量表示。
在一些实施例中,每个图节点的第二嵌入向量表示Z-为:
Z-=MLP(D--1/2A-D--1/2Z+),
其中D-为(M+N)×(M+N)对角矩阵,对角矩阵D-中的每个元素Dii表示负向邻接矩阵A-的第i行矢量中的非零元素的数目。
在获得了各个图节点的第一嵌入向量表示和第二嵌入向量表示的基础上,可以获得每个图节点的综合嵌入向量表示,可以将每个图节点的第一嵌入向量表示Z+和第二嵌入向量表示Z-进行拼接以获得该图节点的综合嵌入向量表示Z,即Z=Z+|| Z-。
如图8所示,在一些实施例中,基于各个对象节点的综合嵌入向量表示和各个资源信息节点的综合嵌入向量表示确定所述多个对象中的各个对象对各个资源信息的感兴趣程度包括:S810、确定各个对象节点的综合嵌入向量表示和各个资源信息节点的综合嵌入向量表示之间的内积;以及S820、根据所述内积确定所述多个对象中的各个对象对各个资源信息的感兴趣程度。对于某一对象而言,该对象所对应的对象节点的综合嵌入向量表示和各个资源信息节点的综合嵌入向量表示之间的内积的值可以作为用于向该对象推荐资源信息的排序分数值。
图9示意性地示出了根据本申请实施例提供的确定对象对资源信息的感兴趣程度的方法的过程。如图9所示,可以根据多个对象和多个资源信息之间的历史交互行为构建二部图,图9中所示的二部图包括三个对象节点u1、u2和u3、以及四个资源信息节点i1、i2、i3和i4。二部图包括正连接边和负连接边。根据正连接边和负连接边,所构建的二部图可以被分成第一二部图和第二二部图,第一二部图包括至少一条正连接边,每条正连接边指示对象节点所对应的对象和资源信息节点所对应的资源信息之间的正反馈,第二二部图包括至少一条负连接边,每条负连接边指示对象节点所对应的对象和资源信息节点所对应的资源信息之间的负反馈。接下来,可以对第一二部图和第二二部图进行编码,即,获得第一二部图或第二二部图中的每个图节点的第一嵌入向量表示Z+和第二嵌入向量表示Z-。具体地,可以利用第一图神经网络子模型基于第一二部图的正向邻接矩阵A+和图节点的第一初始嵌入向量表示获得该图节点的第一嵌入向量表示Z+,利用第二图神经网络子模型基于第二二部图的负向邻接矩阵A-和图节点的第一嵌入向量表示Z+获得该图节点的第一嵌入向量表示Z-。在此基础上,获得该图节点的综合嵌入向量表示Z=Z+|| Z-。即,每个对象节点的综合嵌入向量表示Zu包括第一嵌入向量表示/>和第二嵌入向量表示/>每个资源信息节点的综合嵌入向量表示Zi包括第一嵌入向量表示/>和第二嵌入向量表示/>最终,确定各个对象节点的综合嵌入向量表示和各个资源信息节点的综合嵌入向量表示之间的内积Zu×Zi,并根据所述内积确定所述多个对象中的各个对象对各个资源信息的感兴趣程度。
上述的图神经网络模型是通过对初始图神经网络模型进行训练得到的,在一些实施例中,可以利用利用所述第一二部图的正连接边和所述第二二部图的负连接边训练初始图神经网络模型,直至用于所述初始图神经网络模型的损失函数最小,由此获得期望的图神经网络模型。在前述的实施例中,图神经网络模型包括第一图神经网络子模型和第二图神经网络子模型,可以将第一图神经网络子模型和第二图神经网络子模型作为一个整体,同时对这两个图神经网络子模型进行训练。
在一些实施例中,针对图神经网络模型的损失函数L包括贝叶斯个性化排序损失函数(BPR损失函数)Lbpr和余弦损失函数Lcos。针对图神经网络模型的损失函数L可以用公式表示为:
L=Lbpr+灵1Lcos
其中灵1为超参数,用来调节不同损失函数的影响。BPR损失函数Lbpr为:Lbpr=-log(yu,i-yu,j)。其中和zi分别为对象节点u的综合嵌入向量表示和与该对象节点对应的对象存在交互的资源信息的资源信息节点i的综合嵌入向量表示。zj为与对象节点u对应的对象不存在交互的资源信息的资源信息节点的综合嵌入向量表示。
余弦损失函数Lcos可针对对象向资源信息的正反馈或负反馈进行预测。对于对象节点u和资源信息节点i,可以得到其对应的综合嵌入向量表示zu和zi,由此可以计算zu和zi的余弦夹角,余弦损失函数Lcos可以被表示为:
其中w和μ是用来控制余弦夹角和实际结果y的差异的超参数,μ的数值可以大于0小于1。
根据本申请的另外的实施例,针对图神经网络模型的损失函数L还包括正则项Lreg,即,损失函数L可以表示为:
L=Lbpr+灵1Lcos+灵2Lreg,
此外,灵1和灵2为超参数,用来调节不同损失函数的影响,正则项Lreg包括对图神经网络模型的参数的L2范数,Lreg=||Φ||2,Φ为图神经网络模型的参数,包括第一图神经网络子模型和第二图神经网络子模型的全部参数。
本申请实施例提出的确定对象对资源信息的感兴趣程度的方法可以应用于物品推荐系统。为了验证本申请实施例提出的确定对象对资源信息的感兴趣程度的方法的效果,将本申请实施例中所采用的图神经网络模型与已有的物品推荐系统中采用的其它模型在四个不同的数据集上进行了实验。四个不同的数据集分别来自亚马逊(Amazon-Book)、点评网站Yelp、知乎(Zhihu)和微信(WeChat)。已有的物品推荐系统中采用的模型的示例包括BPRMF(基于贝叶斯个性化排序的矩阵分解)、NeuMF(神经矩阵分解)、NGCF(神经网络协同过滤)解缠图协同过滤(DGCF)、LightGCN(轻量化图神经网络)、SiReN网络。经典的度量指标包括推荐的前十物品的准确率P@10、推荐的前十物品的召回率R@10、推荐的前十物品的归一化折损累计增益nDCG@10、推荐的前十五物品的准确率P@15、推荐的前十五物品的召回率R@15、推荐的前十五物品的归一化折损累计增益nDCG@15、推荐的前二十物品的准确率P@20、推荐的前二十物品的召回率R@20、推荐的前二十物品的归一化折损累计增益nDCG@20。图10示出了基于本申请实施例提出的确定对象对资源信息的感兴趣程度的方法的物品推荐系统与应用上述的已有的物品推荐系统进行物品推荐在上述的经典度量指标方面的比较结果。从图10可以看出,基于本申请实施例提出的确定对象对资源信息的感兴趣程度的方法的物品推荐系统在各项度量指标方面均具有明显的优势。因此,采用本申请实施例提出的确定对象对资源信息的感兴趣程度的方法进行资源信息的推荐,可以提高资源信息推荐的精准性,提升用户使用终端设备接收推荐的资源信息的体验。
本申请的另一实施例提供了一种确定对象对资源信息的感兴趣程度的装置,如图11所示,该装置包括:二部图构建单元1100a,其被配置成根据多个对象和多个资源信息之间的历史交互行为构建第一二部图和第二二部图,所述第一二部图包括多个图节点,所述多个图节点包括与所述多个对象对应的多个对象节点和与所述多个资源信息对应的多个资源信息节点,所述第一二部图还包括至少一条正连接边,每条正连接边指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的正反馈,所述第二二部图包括所述多个对象节点和所述多个资源信息节点,所述第二二部图还包括至少一条负连接边,每条负连接边指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的负反馈;嵌入向量表示获取单元1100b,其被配置成根据图神经网络模型、所述第一二部图和第二二部图获得所述多个图节点中的每个图节点的第一嵌入向量表示和第二嵌入向量表示;拼接单元1100c,其被配置成将每个图节点的第一嵌入向量表示和第二嵌入向量表示进行拼接以获得该图节点的综合嵌入向量表示;以及感兴趣程度确定单元1100d,其被配置成基于所述多个图节点中的各个对象节点的综合嵌入向量表示和所述多个图节点中的各个资源信息节点的综合嵌入向量表示确定所述多个对象中的各个对象对各个资源信息的感兴趣程度。
本申请的另外的实施例提供了一种计算设备,该计算设备包括:存储器,其被配置成存储计算机可执行指令;处理器,其被配置成当所述计算机可执行指令被处理器执行时执行如前述任一实施例所述的方法中的步骤。
特别地,上文参考流程图描述的方法中的方法可以被实现为计算机程序。例如,本申请的实施例提供一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行上述实施例所述的确定对象对资源信息的感兴趣程度的方法中的至少一个步骤的程序代码。
本申请的另一实施例提供了一种或多种计算机可读存储介质,其上存储有计算机可读指令,该计算机可读指令在被执行时实现根据本申请一些实施例的确定对象对资源信息的感兴趣程度的方法。确定对象对资源信息的感兴趣程度的方法的各个步骤可以通过程序设计被转化为计算机可读指令,从而存储在计算机可读存储介质中。当这样的计算机可读存储介质被计算设备或计算机读取或访问时,其中的计算机可读指令被计算设备或计算机上的处理器执行以实现确定对象对资源信息的感兴趣程度的方法。
图12图示了示例系统,其包括代表可以实现本文各实施例描述的技术方案的一个或多个系统和/或设备中的示例计算设备1210。计算设备1210可以是例如服务提供商的服务器、与服务器相关联的设备、片上系统、和/或任何其它合适的计算设备或计算系统。上面参照图11描述的伪造多媒体检测模型的训练装置1100可以采取计算设备1210的形式。替换地,伪造多媒体检测模型的训练装置1100可以以应用1216的形式被实现为计算机程序。
如图12图示的示例计算设备1210包括彼此通信耦合的处理系统1211、一个或多个计算机可读介质1212以及一个或多个I/O接口1213。尽管未示出,但是计算设备1210还可以包括系统总线或其他数据和命令传送系统,其将各种组件彼此耦合。系统总线可以包括不同总线结构的任何一个或组合,所述总线结构诸如存储器总线或存储器控制器、外围总线、通用串行总线、和/或利用各种总线架构中的任何一种的处理器或局部总线。
处理系统1211代表使用硬件执行一个或多个操作的功能。因此,处理系统1211被图示为包括可被配置为处理器、功能块等的硬件元件1214。这可以包括在硬件中实现为专用集成电路或使用一个或多个半导体形成的其它逻辑器件。硬件元件1214不受其形成的材料或其中采用的处理机构的限制。例如,处理器可以由(多个)半导体和/或晶体管(例如,电子集成电路(IC))组成。在这样的上下文中,处理器可执行指令可以是电子可执行指令。
计算机可读介质1212被图示为包括存储器/存储装置1215。存储器/存储装置1215表示与一个或多个计算机可读介质相关联的存储器/存储容量。存储器/存储装置1215可以包括易失性介质(诸如随机存取存储器(RAM))和/或非易失性介质(诸如只读存储器(ROM)、闪存、光盘、磁盘等)。存储器/存储装置1215可以包括固定介质(例如,RAM、ROM、固定硬盘驱动器等)以及可移动介质(例如,闪存、可移动硬盘驱动器、光盘等)。计算机可读介质1212可以以下面进一步描述的各种其他方式进行配置。一个或多个I/O接口1213代表允许用户使用各种输入设备向计算设备1210输入命令和信息并且可选地还允许使用各种输出设备将信息呈现给用户和/或其他组件或设备的功能。输入设备的示例包括键盘、光标控制设备(例如,鼠标)、麦克风(例如,用于语音输入)、扫描仪、触摸功能(例如,被配置为检测物理触摸的容性或其他传感器)、相机(例如,可以采用可见或不可见的波长(诸如红外频率)将不涉及触摸的运动检测为手势)等等。输出设备的示例包括显示设备(例如,显示器或投影仪)、扬声器、打印机、网卡、触觉响应设备等。因此,计算设备1210可以以下面进一步描述的各种方式进行配置以支持用户交互。
计算设备1210还包括应用1216。应用1216可以例如是参照图11描述的伪造多媒体检测模型的训练装置1100的软件实例,并且与计算设备1210中的其他元件相组合地实现本文描述的技术。
本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。一般地,这些模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、组件、数据结构等。本文所使用的术语“模块”,“功能”和“组件”一般表示软件、固件、硬件或其组合。本文描述的技术的特征是与平台无关的,意味着这些技术可以在具有各种处理器的各种计算平台上实现。
所描述的模块和技术的实现可以存储在某种形式的计算机可读介质上或者跨某种形式的计算机可读介质传输。计算机可读介质可以包括可由计算设备1210访问的各种介质。作为示例而非限制,计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。
与单纯的信号传输、载波或信号本身相反,“计算机可读存储介质”是指能够持久存储信息的介质和/或设备,和/或有形的存储装置。因此,计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或以适用于存储信息(诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据)的方法或技术实现的存储设备之类的硬件。计算机可读存储介质的示例可以包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字通用盘(DVD)或其他光学存储装置、硬盘、盒式磁带、磁带,磁盘存储装置或其他磁存储设备,或其他存储设备、有形介质或适于存储期望信息并可以由计算机访问的制品。
“计算机可读信号介质”是指被配置为诸如经由网络将指令发送到计算设备1210的硬件的信号承载介质。信号介质典型地可以将计算机可读指令、数据结构、程序模块或其他数据体现在诸如载波、数据信号或其它传输机制的调制数据信号中。信号介质还包括任何信息传递介质。术语“调制数据信号”是指这样的信号,该信号的特征中的一个或多个被设置或改变,从而将信息编码到该信号中。作为示例而非限制,通信介质包括诸如有线网络或直接连线的有线介质以及诸如声、RF、红外和其它无线介质的无线介质。
如前所述,硬件元件1214和计算机可读介质1212代表以硬件形式实现的指令、模块、可编程器件逻辑和/或固定器件逻辑,其在一些实施例中可以用于实现本文描述的技术的至少一些方面。硬件元件可以包括集成电路或片上系统、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)以及硅中的其它实现或其他硬件设备的组件。在这种上下文中,硬件元件可以作为执行由硬件元件所体现的指令、模块和/或逻辑所定义的程序任务的处理设备,以及用于存储用于执行的指令的硬件设备,例如,先前描述的计算机可读存储介质。
前述的组合也可以用于实现本文所述的各种技术和模块。因此,可以将软件、硬件或程序模块和其它程序模块实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件1214体现的一个或多个指令和/或逻辑。计算设备1210可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此,例如通过使用处理系统的计算机可读存储介质和/或硬件元件1214,可以至少部分地以硬件来实现将模块实现为可由计算设备1210作为软件执行的模块。指令和/或功能可以由一个或多个制品(例如,一个或多个计算设备1210和/或处理系统1211)可执行/可操作以实现本文所述的技术、模块和示例。
各种实施方式中,计算设备1210可以采用各种不同的配置。例如,计算设备1210可以被实现为包括个人计算机、台式计算机、多屏幕计算机、膝上型计算机、上网本等的计算机类设备。计算设备1210还可以被实现为包括诸如移动电话、便携式音乐播放器、便携式游戏设备、平板计算机、多屏幕计算机等移动设备的移动装置类设备。计算设备1210还可以实现为电视类设备,其包括具有或连接到休闲观看环境中的一般地较大屏幕的设备。这些设备包括电视、机顶盒、游戏机等。
本文描述的技术可以由计算设备1210的这些各种配置来支持,并且不限于本文所描述的技术的具体示例。功能还可以通过使用分布式系统、诸如通过如下所述的平台1222而在“云”1220上全部或部分地实现。云1220包括和/或代表用于资源1224的平台1222。平台1222抽象云1220的硬件(例如,服务器)和软件资源的底层功能。资源1224可以包括在远离计算设备1210的服务器上执行计算机处理时可以使用的其它应用和/或数据。资源1224还可以包括通过因特网和/或通过诸如蜂窝或Wi-Fi网络的订户网络提供的服务。
平台1222可以抽象资源和功能以将计算设备1210与其他计算设备连接。平台1222还可以用于抽象资源的分级以提供遇到的对于经由平台1222实现的资源1224的需求的相应水平的分级。因此,在互连设备实施例中,本文描述的功能的实现可以分布在整个系统1200内。例如,功能可以部分地在计算设备1210上以及通过抽象云1220的功能的平台1222来实现。
应当理解,为清楚起见,参考不同的功能单元对本申请的实施例进行了描述。然而,将明显的是,在不偏离本申请的情况下,每个功能单元的功能性可以被实施在单个单元中、实施在多个单元中或作为其它功能单元的一部分被实施。例如,被说明成由单个单元执行的功能性可以由多个不同的单元来执行。因此,对特定功能单元的参考仅被视为对用于提供所描述的功能性的适当单元的参考,而不是表明严格的逻辑或物理结构或组织。因此,本申请可以被实施在单个单元中,或者可以在物理上和功能上被分布在不同的单元和电路之间。
将理解的是,尽管第一、第二、第三等术语在本文中可以用来描述各种设备、元件、部件或部分,但是这些设备、元件、部件或部分不应当由这些术语限制。这些术语仅用来将一个设备、元件、部件或部分与另一个设备、元件、部件或部分相区分。
尽管已经结合一些实施例描述了本申请,但是其不旨在被限于在本文中所阐述的特定形式。相反,本申请的范围仅由所附权利要求来限制。附加地,尽管单独的特征可以被包括在不同的权利要求中,但是这些可以可能地被有利地组合,并且包括在不同权利要求中不暗示特征的组合不是可行的和/或有利的。特征在权利要求中的次序不暗示特征必须以其工作的任何特定次序。此外,在权利要求中,词“包括”不排除其它元件,并且术语“一”或“一个”不排除多个。
Claims (12)
1.一种确定对象对资源信息的感兴趣程度的方法,其特征在于,所述方法包括:
根据多个对象和多个资源信息之间的历史交互行为构建第一二部图,所述第一二部图包括多个图节点,所述多个图节点包括与所述多个对象对应的多个对象节点和与所述多个资源信息对应的多个资源信息节点,所述第一二部图还包括至少一条正连接边,每条正连接边指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的正反馈;
根据所述历史交互行为构建第二二部图,所述第二二部图包括所述多个对象节点和所述多个资源信息节点,所述第二二部图还包括至少一条负连接边,每条负连接边指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的负反馈;
根据图神经网络模型、所述第一二部图和第二二部图获得所述多个图节点中的每个图节点的第一嵌入向量表示和第二嵌入向量表示;
将每个图节点的第一嵌入向量表示和第二嵌入向量表示进行拼接以获得该图节点的综合嵌入向量表示;以及
基于所述多个图节点中的各个对象节点的综合嵌入向量表示和所述多个图节点中的各个资源信息节点的综合嵌入向量表示确定所述多个对象中的各个对象对各个资源信息的感兴趣程度。
2.根据权利要求1所述的方法,其中所述图神经网络模型包括第一图神经网络子模型和第二图神经网络子模型,其中根据图神经网络模型、所述第一二部图和第二二部图获得所述多个图节点中的每个图节点的第一嵌入向量表示和第二嵌入向量表示包括:
根据所述第一图神经网络子模型基于所述第一二部图获得各个图节点的第一嵌入向量表示;以及
根据所述第二图神经网络子模型基于所述第二二部图和各个图节点的第一嵌入向量表示获得各个图节点的第二嵌入向量表示。
3.根据权利要求2所述的方法,其中所述第一图神经网络子模型包括分别产生K个第一中间嵌入向量表示的K个图卷积层,所述根据所述第一图神经网络子模型基于所述第一二部图获得各个图节点的第一嵌入向量表示包括:
获取所述第一二部图的邻接矩阵;
所述K个图卷积层中的后一图卷积层基于前一图卷积层输出的每个图节点的第一中间嵌入向量表示和所述第一二部图的邻接矩阵而从所述后一图卷积层输出所述图节点的对应的第一中间嵌入向量表示;以及
确定所述K个图卷积层中的各个图卷积层输出的K个第一中间嵌入向量表示和所述图节点的第一初始嵌入向量表示的平均值,作为所述图节点的第一嵌入向量表示,
其中所述K个图卷积层中的首个图卷积层基于所述第一初始嵌入向量表示和所述第一二部图的邻接矩阵从所述首个图卷积层输出所述图节点对应的第一中间嵌入向量表示,K为大于1的整数。
4.根据权利要求2所述的方法,其中所述第二图神经网络子模型包括多层感知器,其中根据第二图神经网络模型、所述第二二部图和各个图节点的第一嵌入向量表示获得各个图节点的第二嵌入向量表示包括:
获取所述第二二部图的邻接矩阵;
利用所述多层感知器基于所述第二二部图的邻接矩阵和各个图节点的第一嵌入向量表示确定各个图节点的第二嵌入向量表示。
5.根据权利要求1所述的方法,其中基于所述多个图节点中的各个对象节点的综合嵌入向量表示和所述多个图节点中的各个资源信息节点的综合嵌入向量表示确定所述多个对象中的各个对象对各个资源信息的感兴趣程度包括:
确定各个对象节点的综合嵌入向量表示和各个资源信息节点的综合嵌入向量表示之间的内积;以及
根据所述内积确定所述多个对象中的各个对象对各个资源信息的感兴趣程度。
6.根据权利要求1所述的方法,其中所述图神经网络模型是通过对初始图神经网络模型进行训练得到的,其中训练所述初始图神经网络模型包括:
利用所述第一二部图的正连接边和所述第二二部图的负连接边训练所述初始图神经网络模型,直至用于所述初始图神经网络模型的损失函数最小。
7.根据权利要求5所述的方法,其中所述损失函数包括贝叶斯个性化排序损失函数和余弦损失函数。
8.根据权利要求7所述的方法,其中所述损失函数还包括正则项,所述正则项包括对图神经网络模型的参数的L2范数。
9.一种确定对象对资源信息的感兴趣程度的装置,其特征在于,所述装置包括:
二部图构建单元,其被配置成根据多个对象和多个资源信息之间的历史交互行为构建第一二部图和第二二部图,所述第一二部图包括多个图节点,所述多个图节点包括与所述多个对象对应的多个对象节点和与所述多个资源信息对应的多个资源信息节点,所述第一二部图还包括至少一条正连接边,每条正连接边指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的正反馈,所述第二二部图包括所述多个对象节点和所述多个资源信息节点,所述第二二部图还包括至少一条负连接边,每条负连接边指示所述多个对象节点中的对象节点所对应的对象和所述多个资源信息节点中的资源信息节点所对应的资源信息之间的负反馈;
嵌入向量表示获取单元,其被配置成根据图神经网络模型、所述第一二部图和第二二部图获得所述多个图节点中的每个图节点的第一嵌入向量表示和第二嵌入向量表示;
拼接单元,其被配置成将每个图节点的第一嵌入向量表示和第二嵌入向量表示进行拼接以获得该图节点的综合嵌入向量表示;以及
感兴趣程度确定单元,其被配置成基于所述多个图节点中的各个对象节点的综合嵌入向量表示和所述多个图节点中的各个资源信息节点的综合嵌入向量表示确定所述多个对象中的各个对象对各个资源信息的感兴趣程度。
10.一种计算设备,其特征在于,该计算设备包括:
存储器,其被配置成存储计算机可执行指令;
处理器,其被配置成当所述计算机可执行指令被处理器执行时执行如权利要求1-8中的任一项所述的方法。
11.一种计算机可读存储介质,其特征在于,其存储有计算机可执行指令,当所述计算机可执行指令被执行时,执行如权利要求1-8中的任一项所述的方法。
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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310108533.0A CN116975427A (zh) | 2023-01-17 | 2023-01-17 | 确定对象对资源信息的感兴趣程度的方法、装置和计算设备 |
PCT/CN2023/130455 WO2024152686A1 (zh) | 2023-01-17 | 2023-11-08 | 确定资源信息的推荐指标的方法、装置、设备、存储介质及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310108533.0A CN116975427A (zh) | 2023-01-17 | 2023-01-17 | 确定对象对资源信息的感兴趣程度的方法、装置和计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116975427A true CN116975427A (zh) | 2023-10-31 |
Family
ID=88482036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310108533.0A Pending CN116975427A (zh) | 2023-01-17 | 2023-01-17 | 确定对象对资源信息的感兴趣程度的方法、装置和计算设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116975427A (zh) |
WO (1) | WO2024152686A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024152686A1 (zh) * | 2023-01-17 | 2024-07-25 | 腾讯科技(深圳)有限公司 | 确定资源信息的推荐指标的方法、装置、设备、存储介质及计算机程序产品 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9195941B2 (en) * | 2013-04-23 | 2015-11-24 | International Business Machines Corporation | Predictive and descriptive analysis on relations graphs with heterogeneous entities |
US11645695B2 (en) * | 2020-03-12 | 2023-05-09 | Intuit Inc. | Computing personalized recommendations by modeling interactions as a bipartite graph |
WO2022011652A1 (en) * | 2020-07-16 | 2022-01-20 | Huawei Technologies Co., Ltd. | Multi-graph convolution collaborative filtering |
CN113641920B (zh) * | 2021-10-13 | 2022-02-18 | 中南大学 | 基于社区发现和图神经网络的商品个性化推荐方法及系统 |
CN115270005B (zh) * | 2022-09-30 | 2022-12-23 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备以及存储介质 |
CN116975427A (zh) * | 2023-01-17 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 确定对象对资源信息的感兴趣程度的方法、装置和计算设备 |
-
2023
- 2023-01-17 CN CN202310108533.0A patent/CN116975427A/zh active Pending
- 2023-11-08 WO PCT/CN2023/130455 patent/WO2024152686A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024152686A1 (zh) * | 2023-01-17 | 2024-07-25 | 腾讯科技(深圳)有限公司 | 确定资源信息的推荐指标的方法、装置、设备、存储介质及计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
WO2024152686A1 (zh) | 2024-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210256403A1 (en) | Recommendation method and apparatus | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
CN106776673B (zh) | 多媒体文档概括 | |
US20230102337A1 (en) | Method and apparatus for training recommendation model, computer device, and storage medium | |
US10354184B1 (en) | Joint modeling of user behavior | |
US20190026609A1 (en) | Personalized Digital Image Aesthetics in a Digital Medium Environment | |
US20230017667A1 (en) | Data recommendation method and apparatus, computer device, and storage medium | |
EP4180991A1 (en) | Neural network distillation method and apparatus | |
CN113254792B (zh) | 训练推荐概率预测模型的方法、推荐概率预测方法及装置 | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
WO2021155691A1 (zh) | 用户画像生成方法、装置、存储介质及设备 | |
WO2024131762A1 (zh) | 一种推荐方法及相关设备 | |
CN113742572B (zh) | 一种数据的推荐方法、装置、电子设备及存储介质 | |
US20240177006A1 (en) | Data processing method and apparatus, program product, computer device, and medium | |
WO2024002167A1 (zh) | 一种操作预测方法及相关装置 | |
WO2024152686A1 (zh) | 确定资源信息的推荐指标的方法、装置、设备、存储介质及计算机程序产品 | |
CN117459575A (zh) | 业务数据推送方法、装置、计算机设备和存储介质 | |
CN117217284A (zh) | 一种数据处理方法及其装置 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
CN117056595A (zh) | 一种交互式的项目推荐方法、装置及计算机可读存储介质 | |
US20180137587A1 (en) | Contextual personalized list of recommended courses | |
US12019671B2 (en) | Locally constrained self-attentive sequential recommendation | |
KR20230148523A (ko) | 모달리티의 고유 특성을 보존하는 멀티미디어 추천 방법 및 시스템 | |
Tran et al. | Improvement graph convolution collaborative filtering with weighted addition input | |
US11250488B1 (en) | Method and system for determining new categories with which a target user has not interacted |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |