CN117194788A - 关注样本获取、关注图模型训练、作者召回方法和装置 - Google Patents

Abstract

本公开提供了关注样本获取、关注图模型训练、作者召回方法和装置，涉及人工智能技术领域，具体为计算机视觉、深度学习等技术领域，可应用于人工智能的内容生成、信息推荐等场景。具体实现方案为：基于样本用户的用户类型，获取样本用户的样本关注作者，然后基于样本用户的样本关注作者，计算样本关注作者对应的权重信息，之后基于样本用户对应的样本关注作者和样本关注作者对应的权重信息，生成关系图谱，关系图谱中的一个节点对应一个样本用户或一个样本关注作者，最后基于关系图谱中的节点和节点之间的路径，从关系图谱中获取关注样本，不同的用户类型可以获取到不同的样本关注作者，提高了样本关注作者的全面性。

Description

关注样本获取、关注图模型训练、作者召回方法和装置

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉、深度学习等技术领域，可应用于人工智能的内容生成、信息推荐等场景，尤其涉及一种关注样本获取、关注图模型训练、作者召回方法和装置。

背景技术

当前推荐系统中的作者召回技术，主要有两种实现方式：召回与用户有过互动行为的作者集群A，例如用户关注过的作者、用户评论过的作者、用户经常看的作者等等；召回与作者集群A相似的作者集群B，例如，用户关注了作者c，作者d和作者c相似，那么可以召回作者d。

发明内容

本公开实施例提供了一种关注样本获取方法、关注图模型训练方法、作者召回方法、装置、设备以及存储介质。

第一方面，本公开实施例提供了一种关注样本获取方法，该方法包括：基于样本用户的用户类型，获取样本用户的样本关注作者；基于样本用户的样本关注作者，计算样本关注作者对应的权重信息；基于样本用户对应的样本关注作者和样本关注作者对应的权重信息，生成关系图谱，关系图谱中的一个节点对应一个样本用户或一个样本关注作者；基于关系图谱中的节点和节点之间的路径，从关系图谱中获取关注样本。

第二方面，本公开实施例提供了一种关注图模型训练方法，该方法包括：获取训练样本集合，训练样本集合中包括由上述第一方面任一实现方式所获取到的关注样本；利用机器学习方法，基于训练样本集合中的关注样本对初始图模型进行训练，得到关注图模型，其中，关注图模型用于输出全量用户的用户特征向量和全量作者的作者特征向量。

第三方面，本公开实施例提供了一种作者召回方法，该装置包括：基于关注图模型，获取全量用户的用户特征向量和全量作者的作者特征向量；针对全量用户中的每个用户，分别计算用户特征向量和全量作者的作者特征向量之间的多个相似度；基于多个相似度对全量作者进行排序，获取到每个用户对应的全量作者的排序；基于全量作者的排序，为每个用户召回多个作者。

第四方面，本公开实施例提供了一种关注样本获取装置，该装置包括：获取模块，被配置成基于样本用户的用户类型，获取样本用户的样本关注作者；计算模块，被配置成基于样本用户的样本关注作者，计算样本关注作者对应的权重信息；生成模块，被配置成基于样本用户对应的样本关注作者和样本关注作者对应的权重信息，生成关系图谱，关系图谱中的一个节点对应一个样本用户或一个样本关注作者；获取模块，进一步被配置成基于关系图谱中的节点和节点之间的路径，从关系图谱中获取关注样本。

第五方面，本公开实施例提供了一种关注图模型训练装置，该装置包括：获取模块，被配置成获取训练样本集合，训练样本集合中包括由上述第一方面任一实现方式所获取到的关注样本；训练模块，被配置成利用机器学习方法，基于训练样本集合中的关注样本对初始图模型进行训练，得到关注图模型，其中，关注图模型用于输出全量用户的用户特征向量和全量作者的作者特征向量。

第六方面，本公开实施例提供了一种作者召回装置，该装置包括：获取模块，被配置成基于关注图模型，获取全量用户的用户特征向量和全量作者的作者特征向量；计算模块，被配置成针对全量用户中的每个用户，分别计算用户特征向量和全量作者的作者特征向量之间的多个相似度；获取模块，进一步被配置成基于多个相似度对全量作者进行排序，获取到每个用户对应的全量作者的排序；召回模块，被配置成基于全量作者的排序，为每个用户召回多个作者。

第七方面，本公开实施例提供了一种电子设备，该电子设备包括一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被该一个或多个处理器执行，使得一个或多个处理器实现如第一方面、第二方面或第三方面的任一实施例的模型训练方法。

第八方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面、第二方面或第三方面的任一实施例描述的方法。

第九方面，本公开实施例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如第一方面、第二方面或第三方面的任一实施例描述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的关注样本获取方法的一个实施例的流程图；

图3是根据本公开的获取样本用户的样本关注作者的一个实施例的流程图；

图4是根据本公开的获取样本用户的样本关注作者的另一个实施例的流程图；

图5是根据本公开的关注图模型训练方法的一个实施例的流程图；

图6是根据本公开的作者召回方法的一个实施例的流程图；

图7是根据本公开的关注样本获取装置的一个实施例的结构示意图；

图8是根据本公开的关注图模型训练装置的一个实施例的结构示意图；

图9是根据本公开的作者召回装置的一个实施例的结构示意图；

图10是用来实现本公开实施例的关注样本获取方法、关注图模型训练方法和作者召回方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的关注样本获取方法、关注图模型训练方法和作者召回方法的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是用户终端设备，其上可以安装有各种客户端应用，例如，图像类应用、视频类应用、搜索类应用、金融类应用等。

终端设备101、102、103可以是具有显示屏并且支持接收服务器消息的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、电子播放器、膝上型便携计算机和台式计算机等等，可以是具备图像采集装置，用于进行图像采集的设备。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供关注样本获取服务、关注图模型训练服务和作者召回服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对与其建立通信连接的终端设备发送的请求进行接收的后台服务器。后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。

服务器105可以根据样本用户的用户类型，获取样本用户的样本关注作者，之后根据样本用户的样本关注作者，计算样本关注作者对应的权重信息，并根据样本用户对应的样本关注作者和样本关注作者对应的权重信息，生成关系图谱，关系图谱中的一个节点对应一个样本用户或一个样本关注作者，最后根据关系图谱中的节点和节点之间的路径，从关系图谱中获取关注样本。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以是为终端设备提供各种服务的各种电子设备。当服务器为软件时，可以实现成为为终端设备提供各种服务的多个软件或软件模块，也可以实现成为为终端设备提供各种服务的单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的关注样本获取方法、关注图模型训练方法和作者召回方法可以由服务器105执行，相应地，关注样本获取装置、关注图模型训练装置和作者召回装置可以设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

参考图2，图2示出了关注样本获取方法的实施例的流程200。该关注样本获取方法包括以下步骤：

步骤210，基于样本用户的用户类型，获取样本用户的样本关注作者。

在本实施例中，关注样本获取方法运行于其上的执行主体(例如图1中的服务器105)可以获取样本用户的用户信息，该用户信息可以是样本用户在历史时间段内的历史信息，该历史信息可以包括样本用户的历史操作信息等等。上述执行主体对样本用户的用户信息进行数据分析，可以分析样本用户的历史操作频率、历史操作信息的数量等等，确定出样本用户在历史时间段内的活跃程度。然后上述执行主体可以根据样本用户的活跃程度和用户类型之间的对应关系，确定样本用户的用户类型，该用户类型可以用于表征样本用户的关注度，可以包括低关注类型和高关注类型，不同的活跃程度可以对应不同的用户类型，活跃程度较大的可以对应高关注类型，活跃程度较小的可以对应低关注类型。

上述执行主体确定出样本用户的用户类型后，可以根据用户类型确定样本用户对应的关注信息采集方式，不同的用户类型可以对应不同的关注信息采集方式，该关注信息采集方式可以表征针对用户类型对样本用户的样本关注作者的采集方式，高关注类型可以对应低级关注信息采集方式，可以仅获取样本用户的关注信息例如关注列表信息等，低关注类型可以对应高级关注信息采集方式，可以获取样本用户的关注信息和补充信息等。上述执行主体可以利用样本用户对应的关注信息采集方式获取样本用户对应的样本信息，该样本信息可以包括样本用户的关注信息、补充信息等，然后对样本用户的样本信息进行数据分析，获取到样本信息对应的作者信息，从而将获取到的作者信息确定为样本用户对应的样本关注作者，该样本关注作者可以表征样本用户已经关注的、感兴趣的或可能感兴趣的作者。

步骤220，基于样本用户的样本关注作者，计算样本关注作者对应的权重信息。

在本实施例中，上述执行主体可以获取到样本用户的样本关注作者后，可以包括多个样本关注作者，获取样本用户对每个样本关注作者的关注程度信息，该关注程度信息可以包括样本用户对样本关注作者的查看频率、点击频率、喜爱程度等等。然后上述执行主体可以根据样本用户对每个样本关注作者的关注程度信息，计算样本关注作者对应的权重信息，该权重信息可以与关注程度信息相对应，可以用于表征样本用户对样本关注作者的关注程度，关注程度信息越大则权重信息越高。

作为示例，样本用户对应有3个样本关注作者，样本用户对样本关注作者A的关注程度信息a大于样本用户对样本关注作者B的关注程度信息b，样本用户对样本关注作者B的关注程度信息b大于样本用户对样本关注作者C的关注程度信息c，则a>b>c，上述执行主体可以根据关注程度信息a、b、c分别计算出样本关注作者A、B、C对应的权重信息，且样本关注作者A的权重信息大于样本关注作者B的权重信息，样本关注作者B的权重信息大于样本关注作者C的权重信息。

步骤230，基于样本用户对应的样本关注作者和样本关注作者对应的权重信息，生成关系图谱。

在本实施例中，上述执行主体获取到样本用户对应的样本关注作者和样本关注作者对应的权重信息后，可以将样本用户作为一个节点，将样本关注作者作为一个节点，根据样本用户和样本关注作者之间的对应关系和权重信息，将样本用户的节点和样本关注作者的节点用边连接，生成关系图谱。

从而上述执行主体可以获取到多个样本用户和每个样本用户对应的多个样本关注作者，将一个样本用户作为一个节点，一个样本关注作者作为一个节点，用边表征样本用户的样本关注作者之间的关系和权重信息，由此生成包括多个样本用户和样本关注作者的关系图谱。

步骤240，基于关系图谱中的节点和节点之间的路径，从关系图谱中获取关注样本。

在本实施例中，上述执行主体获取到样本用户和样本关注作者之间的关系图谱后，关系图谱中路径上的节点之间具有关系，关系图谱中的路径是指从一个节点开始游走经过的节点，可以看作路径。上述执行主体可以根据关系图谱中的节点和路径，将同一路径内间隔节点数小于节点个数阈值的两节点作为关注样本，一个关注样本中可以包括两个节点，节点个数阈值可以根据需要设定，为了提高模型的准确性，通常节点个数阈值不选太大。

本公开的实施例提供的关注样本获取方法，通过基于样本用户的用户类型，获取样本用户的样本关注作者，然后基于样本用户的样本关注作者，计算样本关注作者对应的权重信息，之后基于样本用户对应的样本关注作者和样本关注作者对应的权重信息，生成关系图谱，关系图谱中的一个节点对应一个样本用户或一个样本关注作者，最后基于关系图谱中的节点和节点之间的路径，从关系图谱中获取关注样本，可以根据样本用户的用户类型获取对应的样本关注作者，不同的用户类型可以获取到不同的样本关注作者，使得样本关注作者更具针对性，同时能够获取样本用户不同维度的样本关注作者，提高了样本关注作者的全面性，以及，针对样本用户的样本关注作者，计算样本关注作者对应的权重信息，使得关系图谱可以体现每个样本关注作者和样本用户之间的权重信息，使得样本关注作者在关系图谱中更准确，提高了关系图谱的准确性，从而基于关系图谱获取到的关注样本更全面、更准确。

参考图3，图3示出了获取样本用户的样本关注作者的一个实施例的流程图，即上述步骤110，基于样本用户的用户类型，获取样本用户的样本关注作者，可以包括以下步骤：

步骤310，基于样本用户的关注信息，获取样本用户对应的关注作者信息。

在本实施例中，上述执行主体可以获取样本用户的关注信息，该关注信息可以表征样本用户的关注列表信息，对关注信息进行数据分析和数据提取，获取到样本用户对应的关注作者信息。

作为示例，上述执行主体可以直接将样本用户的关注列表中关注的全部作者确定为样本用户对应的关注作者信息。

步骤320，响应于确定关注作者信息满足第一补充条件，确定样本用户的用户类型为低关注类型。

在本实施例中，上述执行主体获取到样本用户对应的关注作者信息后，可以对关注作者信息进行判断，确定关注作者信息是否满足第一补充条件，该第一补充条件可以是关注作者信息的数量低于第一预设数量，第一补充条件用于表征关注作者信息较少且需要进行信息补充的条件。上述执行主体可以对关注作者信息的数量进行判断，比较关注作者信息的数量和第一预设数量的大小，若确定关注作者信息的数量小于第一预设数量，则确定关注作者信息满足第一补充条件，若确定关注作者信息的数量不小于第一预设数量，则确定关注作者信息不满足第一补充条件。

上述执行主体可以经过判断确定关注作者信息满足第一补充条件，可以确定样本用户属于关注较少的作者，则确定样本用户的用户类型为低关注类型。

或者，上述执行主体经判断确定关注作者信息不满足第一补充条件，可以确定样本用户属于关注较多的作者，则确定样本用户的用户类型为高关注类型，可以直接将样本用户对应的关注作者信息确定为样本关注作者。

步骤330，基于低关注类型，获取样本用户对应的历史推送资源。

在本实施例中，上述执行主体确定出样本用户的用户类型为低关注类型，则可以进一步获取样本用户对应的历史推送资源，该历史推送资源可以是样本用户在历史时间段内接收到的全部推送信息。

其中，历史推送资源可以是由电子设备获取多个资源，根据排序模型计算每个资源的关注概率，并根据关注概率对多个资源进行排序，再将排序后的多个资源推送给样本用户。

步骤340，基于历史推送资源，确定样本用户对应的待关注作者信息。

在本实施例中，上述执行主体获取到样本用户对应的历史推送资源后，可以根据历史推送资源中每个资源的关注概率，获取关注概率不小于预设概率的多个资源。上述执行主体可以获取关注概率不小于预设概率的多个资源的作者信息，并将该作者信息确定为样本用户对应的待关注作者信息。

作为示例，上述执行主体可以选取出关注概率大于等于0.01的多个资源，并获取其作者信息，将其作者信息确定为样本用户对应的待关注作者信息。

步骤350，基于样本用户的关注作者信息和待关注作者信息，获取样本用户的样本关注作者。

在本实施例中，上述执行主体获取到样本用户对应的待关注作者信息后，可以将样本用户的关注作者信息和待关注作者信息共同作为样本用户的样本关注作者。

在本实现方式中，通过根据历史推送资源进一步补充样本用户的样本关注作者，使得样本关注作者更全面，能够获取样本用户不同维度的样本关注作者。

参考图4，图4示出了获取样本用户的样本关注作者的另一个实施例的流程图400，即上述步骤110，基于样本用户的用户类型，获取样本用户的样本关注作者，可以包括以下步骤：

步骤410，基于样本用户的关注信息，获取样本用户对应的关注作者信息。

在本实施例中，步骤410与图3所示实施例中的步骤310相同，此处不赘述。

步骤420，响应于确定关注作者信息满足第一补充条件，确定样本用户的用户类型为低关注类型。

在本实施例中，步骤420与图3所示实施例中的步骤320相同，此处不赘述。

步骤430，基于低关注类型，获取样本用户对应的历史推送资源。

在本实施例中，步骤430与图3所示实施例中的步骤330相同，此处不赘述。

步骤440，基于历史推送资源，确定样本用户对应的待关注作者信息。

在本实施例中，步骤440与图3所示实施例中的步骤340相同，此处不赘述。

步骤450，判断样本用户的关注作者信息和待关注作者信息是否满足第二补充条件。

在本实施例中，上述执行主体获取到样本用户对应的待关注作者信息后，可以对关注作者信息和待关注作者信息进行判断，确定关注作者信息和待关注作者信息是否满足第二补充条件，该第二补充条件可以是关注作者信息和待关注作者信息的数量低于第二预设数量，第一补充条件用于表征关注作者信息和待关注作者信息较少且需要进行信息补充的条件。上述执行主体可以对关注作者信息和待关注作者信息的数量进行判断，比较关注作者信息和待关注作者信息的数量和第二预设数量的大小，若确定关注作者信息和待关注作者信息的数量小于第二预设数量，则确定关注作者信息和待关注作者信息满足第二补充条件，若确定关注作者信息和待关注作者信息的数量不小于第二预设数量，则确定关注作者信息和待关注作者信息不满足第二补充条件，可以将样本用户的关注作者信息和待关注作者信息共同作为样本用户的样本关注作者。

步骤460，响应于确定样本用户的关注作者信息和待关注作者信息满足第二补充条件，基于样本用户的历史操作信息，获取样本用户对应的感兴趣作者信息。

在本实施例中，上述执行主体经判断确定样本用户的关注作者信息和待关注作者信息满足第二补充条件，则可以获取样本用户的历史操作信息，该历史操作信息可以包括样本用户的互动操作和点击操作。上述执行主体根据样本用户的历史操作信息获取到样本用户互动过、点击过的作者信息，将这些作者信息确定为样本用户对应的感兴趣作者信息。

进一步地，上述执行主体可以优先获取样本用户互动过的作者信息，并将关注作者信息、待关注作者信息和互动过的作者信息的数量进行判断，若数量小于第三预设数量，则继续获取样本用户点击过的作者信息，将样本用户互动过、点击过的作者信息确定为样本用户对应的感兴趣作者信息。

步骤470，基于样本用户的关注作者信息、待关注作者信息和感兴趣作者信息，获取样本用户的样本关注作者。

在本实施例中，上述执行主体获取到样本用户的关注作者信息、待关注作者信息和感兴趣作者信息后，可以将样本用户的关注作者信息、待关注作者信息和感兴趣作者信息共同作为样本用户的样本关注作者。

在本实现方式中，通过第二补充条件进一步获取样本用户的感兴趣作者信息，进一步补充了样本用户的样本关注作者，使得样本关注作者更全面，能够获取样本用户不同维度的样本关注作者。

作为一个可选实现方式，上述步骤220，基于样本用户的样本关注作者，计算样本关注作者对应的权重信息，可以包括以下步骤：基于样本用户的样本关注作者，获取样本关注作者对应的样本资源信息；获取样本用户对样本资源信息的关注度信息；基于关注度信息，计算样本关注作者对应的权重信息。

在本实施例中，上述执行主体可以获取样本关注作者对应的多个样本资源信息，并根据样本用户对每个样本资源信息的历史操作信息，确定样本用户对样本资源信息的关注度信息，例如样本用户对样本资源信息的查看、点击等操作，该关注度信息可以是样本用户对该样本关注作者的关注程度，可以体现为样本资源信息的操作次数等。作为示例，上述执行主体可以获取到样本用户对样本关注作者的3个样本资源信息进行了5次查看操作，则关注度信息可以是5。

上述执行主体确定出样本用户对样本资源信息的关注度信息后，可以根据该关注度信息，计算样本关注作者对应的权重信息，例如可以直接将关注度信息作为样本关注作者对应的权重信息。

在本实现方式中，通过对每个样本关注作者的样本资源信息进行汇聚整合，能够获取到样本用户针对每个样本关注作者的关注度，从而确定出针对样本用户，每个样本关注作者对应的权重信息，提高了样本关注作者的准确性，使得样本关注作者在关系图谱中更准确，提高了关系图谱的准确性。

参考图5，图5示出了关注图模型训练方法的一个实施例的流程图500，该关注图模型训练方法可以包括以下步骤：

步骤510，获取训练样本集合。

在本实施例中，上述执行主体可以根据上述图2-图4所示的关注样本获取方法获取关注样本，即可以根据关系图谱中的节点和路径，将同一路径内间隔节点数小于节点个数阈值的两节点作为关注样本，获取到多个关注样本组成的训练样本集合。

步骤520，利用机器学习方法，基于训练样本集合中的关注样本对初始图模型进行训练，得到关注图模型。

在本实施例中，上述执行主体获取到训练样本集合后，获取初始图模型。上述执行主体可以利用机器学习方法，基于训练样本集合对初始图模型进行训练，得到关注图模型，使得关注图模型用于输出全量用户的用户特征向量和全量作者的作者特征向量。

具体地，上述执行主体可以将关注样本作为输入，经过初始图模型的处理，得到相应的预测信息，上述初始图模型可以是现有的各种图神经网络。

若预测信息不满足约束条件，则调整初始图模型的网络参数，并再次输入关注样本继续进行训练。若预测信息满足约束条件，则模型训练完成，得到关注图模型。

在本实施例中，通过获取到的关注样本训练初始图模型，得到关注图模型，提高了关注样本的全面性，使得基于关注样本训练得到的关注图模型能够更全面，可以输出更全面的用户特征向量和作者特征向量，提高了关注图模型的准确性和全面性。

参考图6，图6示出了作者召回方法的一个实施例的流程图600，该作者召回方法可以包括以下步骤：

步骤610，基于关注图模型，获取全量用户的用户特征向量和全量作者的作者特征向量。

在本实施例中，上述执行主体可以利用关注图模型输出全量用户的用户特征向量和全量作者的作者特征向量，其中，全量用户可以是全部节点对应的用户，全量作者可以是全部节点对应的作者。从而上述执行主体可以获取到多个用户的用户特征向量，每个用户对应的多个作者的作者特征向量。

其中，上述关注图模型基于上述关注图模型训练方法获取，即可以基于上述图5中的步骤获取，关注图模型可以输出全量用户的用户特征向量和全量作者的作者特征向量。

步骤620，针对全量用户中的每个用户，分别计算用户特征向量和全量作者的作者特征向量之间的多个相似度。

在本实施例中，上述执行主体可以针对全量用户中的每个用户，将用户特征向量分别与每个作者特征向量进行余弦相似度计算，获取到用户特征向量与每个作者特征向量之间的多个相似度。

步骤630，基于多个相似度对全量作者进行排序，获取到每个用户对应的全量作者的排序。

在本实施例中，上述执行主体可以针对每个用户，根据用户特征向量和每个作者特征向量之间的多个相似度，对全量作者进行排序，可以按照由大到小的顺序排列，或者按照由小到大的顺序排列，获取到每个用户对应的全量作者的排序。

步骤640，基于全量作者的排序，为每个用户召回多个作者。

在本实施例中，上述执行主体获取到全量作者的排序后，可以在排序中选取出多个作者，若按照由大到小的顺序对全量作者进行排列，则可以选取出排序在前的预设数量个作者，即为每个用户召回多个作者。若按照由小到大的顺序对全量作者进行排列，则可以选取出排序在后的预设数量个作者，即为每个用户召回多个作者，其中，预设数量可以是预先设定的数值，可以是200，100等等，本公开对此不做具体限定。上述执行主体可以分别为每个用户将选取的多个作者对应存储至缓存中。

在本实施例中，通过基于关注图模型，获取全量用户的用户特征向量和全量作者的作者特征向量，然后针对全量用户中的每个用户，分别计算用户特征向量和全量作者的作者特征向量之间的多个相似度，之后基于多个相似度对全量作者进行排序，获取到每个用户对应的全量作者的排序，最后基于全量作者的排序，为每个用户召回多个作者，利用关注图模型得到全量用户的用户特征向量和全量作者的作者特征向量，提高了用户覆盖面和搜索准确性，并利用用户特征向量和全量作者的作者特征向量的相似度，在全量作者中去探索每个用户感兴趣的作者，针对任意用户均可以充分召回，还可以探索用户之前不曾有行为的领域作者，让用户更有惊喜感。

作为一个可选实现方式，上述步骤640，基于全量作者的排序，为每个用户召回多个作者，可以包括以下步骤：基于预设相似度阈值，从全量作者的排序中为每个用户召回多个作者。

具体地，上述执行主体获取到全量作者的排序后，可以在排序中选取出多个作者，若按照由大到小的顺序对全量作者进行排列，则可以选取出排序在前的预设数量个作者，即为每个用户召回多个作者。若按照由小到大的顺序对全量作者进行排列，则可以选取出排序在后的预设数量个作者。然后上述执行主体可以利用预设相似度阈值对选取出的预设数量个作者进行筛选，选取出相似度大于预设相似度阈值的多个作者，即为每个用户召回多个作者。

在本实现方式中，通过预设相似度阈值进一步对选取的作者进行筛选，保证了选取出的作者更准确，提高了作者召回的准确性。

作为一个可选实现方式，上述作者召回方法还可以包括以下步骤：响应于接收到目标用户的资源获取请求，基于目标用户对应的多个召回作者，获取多个召回作者的资源信息；将多个召回作者的资源信息进行排序，推送给目标用户。

具体地，上述执行主体接收目标用户的资源获取请求，该目标用户可以为样本用户中的任意一个，可以从缓存中读取目标用户对应的多个召回作者，并获取多个召回作者的作者信息，然后根据多个召回作者的作者信息，获取多个召回作者的资源信息。上述执行主体可以利用排序模型对多个召回作者的资源信息记性关注概率计算，基于关注概率将多个召回作者的资源信息进行排序，将关注概率最高的预设数量条资源信息推送给目标用户。

在本实现方式中，通过基于目标用户对应的多个召回作者，获取多个召回作者的资源信息，并将多个召回作者的资源信息进行排序，推送给目标用户，可以为用户推送感兴趣的作者和作者的资源信息，使得资源推送更准确和更全面。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种关注样本获取装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的关注样本获取装置700包括：获取模块710，计算模块720和生成模块730。

其中，获取模块710，被配置成基于样本用户的用户类型，获取样本用户的样本关注作者；

计算模块720，被配置成基于样本用户的样本关注作者，计算样本关注作者对应的权重信息；

生成模块730，被配置成基于样本用户对应的样本关注作者和样本关注作者对应的权重信息，生成关系图谱，关系图谱中的一个节点对应一个样本用户或一个样本关注作者；

获取模块710，进一步被配置成基于关系图谱中的节点和节点之间的路径，从关系图谱中获取关注样本。

在本实施例的一些可选的方式中，获取模块710，进一步被配置成：基于样本用户的关注信息，获取样本用户对应的关注作者信息；响应于确定关注作者信息满足第一补充条件，确定样本用户的用户类型为低关注类型；基于低关注类型，获取样本用户对应的历史推送资源；基于历史推送资源，确定样本用户对应的待关注作者信息；基于样本用户的关注作者信息和待关注作者信息，获取样本用户的样本关注作者。

在本实施例的一些可选的方式中，获取模块710，进一步被配置成：判断样本用户的关注作者信息和待关注作者信息是否满足第二补充条件；响应于确定样本用户的关注作者信息和待关注作者信息满足第二补充条件，基于样本用户的历史操作信息，获取样本用户对应的感兴趣作者信息；基于样本用户的关注作者信息、待关注作者信息和感兴趣作者信息，获取样本用户的样本关注作者。

在本实施例的一些可选的方式中，计算模块720，进一步被配置成：基于样本用户的样本关注作者，获取样本关注作者对应的样本资源信息；获取样本用户对样本资源信息的关注度信息；基于关注度信息，计算样本关注作者对应的权重信息。

本公开的实施例提供的关注样本获取装置，通过基于样本用户的用户类型，获取样本用户的样本关注作者，然后基于样本用户的样本关注作者，计算样本关注作者对应的权重信息，之后基于样本用户对应的样本关注作者和样本关注作者对应的权重信息，生成关系图谱，关系图谱中的一个节点对应一个样本用户或一个样本关注作者，最后基于关系图谱中的节点和节点之间的路径，从关系图谱中获取关注样本，可以根据样本用户的用户类型获取对应的样本关注作者，不同的用户类型可以获取到不同的样本关注作者，使得样本关注作者更具针对性，同时能够获取样本用户不同维度的样本关注作者，提高了样本关注作者的全面性，以及，针对样本用户的样本关注作者，计算样本关注作者对应的权重信息，使得关系图谱可以体现每个样本关注作者和样本用户之间的权重信息，使得样本关注作者在关系图谱中更准确，提高了关系图谱的准确性，从而基于关系图谱获取到的关注样本更全面、更准确。

进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种关注图模型训练装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图8所示，本实施例的关注图模型训练装置800包括：获取模块810和训练模块820。

其中，获取模块810，被配置成获取训练样本集合，训练样本集合中包括由权利要求1-4任意一项所获取到的关注样本；

训练模块820，被配置成利用机器学习方法，基于所述训练样本集合中的关注样本对初始图模型进行训练，得到关注图模型，其中，所述关注图模型用于输出全量用户的用户特征向量和全量作者的作者特征向量。

本公开的实施例提供的关注图模型训练装置，通过获取到的关注样本训练初始图模型，得到关注图模型，提高了关注样本的全面性，使得基于关注样本训练得到的关注图模型能够更全面，可以输出更全面的用户特征向量和作者特征向量，提高了关注图模型的准确性和全面性。

进一步参考图9，作为对上述各图所示方法的实现，本公开提供了一种作者召回装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图9所示，本实施例的作者召回装置900包括：获取模块910、计算模块920和召回模块930。

其中，获取模块910，被配置成基于关注图模型，获取全量用户的用户特征向量和全量作者的作者特征向量；

计算模块920，被配置成针对全量用户中的每个用户，分别计算用户特征向量和全量作者的作者特征向量之间的多个相似度；

获取模块910，进一步被配置成基于多个相似度对全量作者进行排序，获取到每个用户对应的全量作者的排序；

召回模块930，被配置成基于全量作者的排序，为每个用户召回多个作者。

在本实施例的一些可选的方式中，召回模块930，进一步被配置成：基于预设相似度阈值，从全量作者的排序中为每个用户召回多个作者。

在本实施例的一些可选的方式中，该装置还包括推送模块；获取模块910，进一步被配置成：响应于接收到目标用户的资源获取请求，基于目标用户对应的多个召回作者，获取多个召回作者的资源信息；推送模块，被配置成将多个召回作者的资源信息进行排序，推送给目标用户。

本公开的实施例提供的作者召回装置，通过基于关注图模型，获取全量用户的用户特征向量和全量作者的作者特征向量，然后针对全量用户中的每个用户，分别计算用户特征向量和全量作者的作者特征向量之间的多个相似度，之后基于多个相似度对全量作者进行排序，获取到每个用户对应的全量作者的排序，最后基于全量作者的排序，为每个用户召回多个作者，利用关注图模型得到全量用户的用户特征向量和全量作者的作者特征向量，提高了用户覆盖面和搜索准确性，并利用用户特征向量和全量作者的作者特征向量的相似度，在全量作者中去探索每个用户感兴趣的作者，针对任意用户均可以充分召回，还可以探索用户之前不曾有行为的领域作者，让用户更有惊喜感。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如关注样本获取、关注图模型训练、作者召回方法。例如，在一些实施例中，关注样本获取、关注图模型训练、作者召回方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM1003并由计算单元1001执行时，可以执行上文描述的关注样本获取、关注图模型训练、作者召回方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行关注样本获取、关注图模型训练、作者召回方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程信息处理装置或信息分类装置或信息检索装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种关注样本获取方法，包括：

基于样本用户的用户类型，获取所述样本用户的样本关注作者；

基于所述样本用户的样本关注作者，计算所述样本关注作者对应的权重信息；

基于所述样本用户对应的样本关注作者和所述样本关注作者对应的权重信息，生成关系图谱，所述关系图谱中的一个节点对应一个所述样本用户或一个所述样本关注作者；

基于所述关系图谱中的节点和节点之间的路径，从所述关系图谱中获取关注样本。

2.根据权利要求1所述的方法，其中，所述基于样本用户的用户类型，获取所述样本用户的样本关注作者，包括：

基于所述样本用户的关注信息，获取所述样本用户对应的关注作者信息；

响应于确定所述关注作者信息满足第一补充条件，确定所述样本用户的用户类型为低关注类型；

基于所述低关注类型，获取所述样本用户对应的历史推送资源；

基于所述历史推送资源，确定所述样本用户对应的待关注作者信息；

基于所述样本用户的关注作者信息和所述待关注作者信息，获取所述样本用户的样本关注作者。

3.根据权利要求2所述的方法，其中，所述基于所述样本用户的关注作者信息和所述待关注作者信息，获取所述样本用户的样本关注作者，包括：

判断所述样本用户的关注作者信息和所述待关注作者信息是否满足第二补充条件；

响应于确定所述样本用户的关注作者信息和所述待关注作者信息满足第二补充条件，基于所述样本用户的历史操作信息，获取所述样本用户对应的感兴趣作者信息；

基于所述样本用户的关注作者信息、所述待关注作者信息和所述感兴趣作者信息，获取所述样本用户的样本关注作者。

4.根据权利要求1所述的方法，其中，所述基于所述样本用户的样本关注作者，计算所述样本关注作者对应的权重信息，包括：

基于所述样本用户的样本关注作者，获取所述样本关注作者对应的样本资源信息；

获取所述样本用户对所述样本资源信息的关注度信息；

基于所述关注度信息，计算所述样本关注作者对应的权重信息。

5.一种关注图模型训练方法，包括：

获取训练样本集合，所述训练样本集合中包括由权利要求1-4任意一项所获取到的关注样本；

利用机器学习方法，基于所述训练样本集合中的关注样本对初始图模型进行训练，得到关注图模型，其中，所述关注图模型用于输出全量用户的用户特征向量和全量作者的作者特征向量。

6.一种作者召回方法，包括：

基于关注图模型，获取全量用户的用户特征向量和全量作者的作者特征向量；

针对所述全量用户中的每个用户，分别计算用户特征向量和全量作者的作者特征向量之间的多个相似度；

基于多个相似度对全量作者进行排序，获取到每个用户对应的所述全量作者的排序；

基于所述全量作者的排序，为每个用户召回多个作者。

7.根据权利要求6所述的方法，其中，所述基于所述全量作者的排序，为每个用户召回多个作者，包括：

基于预设相似度阈值，从所述全量作者的排序中为每个用户召回多个作者。

8.根据权利要求6或7任意一项所述的方法，所述方法还包括：

响应于接收到目标用户的资源获取请求，基于所述目标用户对应的多个召回作者，获取所述多个召回作者的资源信息；

将所述多个召回作者的资源信息进行排序，推送给所述目标用户。

9.一种关注样本获取装置，包括：

获取模块，被配置成基于样本用户的用户类型，获取所述样本用户的样本关注作者；

计算模块，被配置成基于所述样本用户的样本关注作者，计算所述样本关注作者对应的权重信息；

生成模块，被配置成基于所述样本用户对应的样本关注作者和所述样本关注作者对应的权重信息，生成关系图谱，所述关系图谱中的一个节点对应一个所述样本用户或一个所述样本关注作者；

所述获取模块，进一步被配置成基于所述关系图谱中的节点和节点之间的路径，从所述关系图谱中获取关注样本。

10.根据权利要求9所述的装置，其中，所述获取模块，进一步被配置成：

基于所述样本用户的关注信息，获取所述样本用户对应的关注作者信息；

响应于确定所述关注作者信息满足第一补充条件，确定所述样本用户的用户类型为低关注类型；

基于所述低关注类型，获取所述样本用户对应的历史推送资源；

基于所述历史推送资源，确定所述样本用户对应的待关注作者信息；

基于所述样本用户的关注作者信息和所述待关注作者信息，获取所述样本用户的样本关注作者。

11.根据权利要求10所述的装置，其中，所述获取模块，进一步被配置成：

判断所述样本用户的关注作者信息和所述待关注作者信息是否满足第二补充条件；

响应于确定所述样本用户的关注作者信息和所述待关注作者信息满足第二补充条件，基于所述样本用户的历史操作信息，获取所述样本用户对应的感兴趣作者信息；

基于所述样本用户的关注作者信息、所述待关注作者信息和所述感兴趣作者信息，获取所述样本用户的样本关注作者。

12.根据权利要求9所述的装置，其中，所述计算模块，进一步被配置成：

基于所述样本用户的样本关注作者，获取所述样本关注作者对应的样本资源信息；

获取所述样本用户对所述样本资源信息的关注度信息；

基于所述关注度信息，计算所述样本关注作者对应的权重信息。

13.一种关注图模型训练装置，包括：

获取模块，被配置成获取训练样本集合，所述训练样本集合中包括由权利要求1-4任意一项所获取到的关注样本；

训练模块，被配置成利用机器学习方法，基于所述训练样本集合中的关注样本对初始图模型进行训练，得到关注图模型，其中，所述关注图模型用于输出全量用户的用户特征向量和全量作者的作者特征向量。

14.一种作者召回装置，包括：

获取模块，被配置成基于关注图模型，获取全量用户的用户特征向量和全量作者的作者特征向量；

计算模块，被配置成针对所述全量用户中的每个用户，分别计算用户特征向量和全量作者的作者特征向量之间的多个相似度；

所述获取模块，进一步被配置成基于多个相似度对全量作者进行排序，获取到每个用户对应的所述全量作者的排序；

召回模块，被配置成基于所述全量作者的排序，为每个用户召回多个作者。

15.根据权利要求14所述的装置，其中，所述召回模块，进一步被配置成：

基于预设相似度阈值，从所述全量作者的排序中为每个用户召回多个作者。

16.根据权利要求14或15任意一项所述的装置，其中，所述装置还包括推送模块；

所述获取模块，进一步被配置成：响应于接收到目标用户的资源获取请求，基于所述目标用户对应的多个召回作者，获取所述多个召回作者的资源信息；

所述推送模块，被配置成将所述多个召回作者的资源信息进行排序，推送给所述目标用户。

17.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。