CN117349333A - 一种推荐方法、装置及电子设备 - Google Patents
一种推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117349333A CN117349333A CN202210743393.XA CN202210743393A CN117349333A CN 117349333 A CN117349333 A CN 117349333A CN 202210743393 A CN202210743393 A CN 202210743393A CN 117349333 A CN117349333 A CN 117349333A
- Authority
- CN
- China
- Prior art keywords
- feature
- user
- context
- features
- 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 79
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000012935 Averaging Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000000059 patterning Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000014596 Berardinelli-Seip congenital lipodystrophy Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
一种推荐方法,包括:基于训练数据,确定用户事件图(UEG),UEG中包括:用户节点,物品节点,上下文节点,和意图节点,其中,意图节点分别与用户节点,物品节点和上下文节点连接;基于UEG,对用户特征,物品特征,上下文特征和意图特征进行图卷积,得到目标特征集合,目标特征集合中包括目标用户特征,目标物品特征和目标上下文特征;基于目标特征集合和目标用户在目标环境中的上下文特征,向目标用户推荐目标物品,目标物品为与目标环境中上下文特征相匹配的物品。这样,通过意图节点将用户节点,物品节点和上下文节点进行关联,从而可以将上下文特征融入到图卷积中,进而可以得到更好的用户特征和物品特征,提升了后续的推荐服务的精准度。
Description
技术领域
本申请涉及人工智能(artificial intelligence,AI)技术领域,尤其涉及一种推荐方法、装置及电子设备。
背景技术
推荐服务是减轻信息过载和改善用户体验的重要工具,同时也是AI变现的重要手段。建立推荐服务的关键数据源是用户与物品之间的交互(例如点击)。利用用户与物品之间的交互数据可以预测用户偏好,并向用户推荐其感兴趣的物品。对于向用户推荐的物品的精准度,将极大影响用户体验。因此,如何提升推荐服务的精准度是目前亟需解决的技术问题。
发明内容
本申请提供了一种推荐方法、装置、电子设备、计算机存储介质、计算机产品及芯片,能够将上下文特征融入到图卷积中,提升了推荐服务的精准度。
第一方面,本申请提供一种推荐方法,方法包括:基于训练数据,确定用户事件图(UEG),UEG中包括:用户节点,物品节点,上下文节点,和意图节点,其中,意图节点分别与用户节点,物品节点和上下文节点连接,用户节点为用户的用户特征所在的节点,物品节点为用户选择的物品的物品特征所在的节点,上下文节点为影响用户选择物品的上下文特征所在的节点,意图节点为用户选择物品的意图的意图特征所在的节点;基于UEG,对用户特征,物品特征,上下文特征和意图特征进行图卷积,得到目标特征集合,目标特征集合中包括目标用户特征,目标物品特征和目标上下文特征;基于目标特征集合和目标用户在目标环境中的上下文特征,向目标用户推荐目标物品,目标物品为与目标环境中上下文特征相匹配的物品。
这样,通过意图节点将用户节点,物品节点和上下文节点进行关联,从而可以将上下文特征融入到图卷积中,进而可以得到更好的用户特征和物品特征,提升了后续的推荐服务的精准度。
在一种可能的实现方式中,意图特征基于用户特征和上下文特征得到。
在一种可能的实现方式中,上下文特征为多个,方法还包括:基于用户特征和各个上下文特征,分别确定各个上下文特征的权重值;基于各个上下文特征和各个上下文特征的权重值,确定意图特征。
在一种可能的实现方式中,基于UEG,对用户特征,物品特征,上下文特征和意图特征进行图卷积,得到目标用户特征,具体包括:基于在卷积图内第(h-1)层中的第一意图特征,和,第(h-1)层中与第一意图特征关联的物品特征,确定在卷积图内第h层中与第一意图特征关联的第一用户特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一用户特征,确定目标用户特征。
进一步地,方法还包括:当在第(h-1)层中与第一意图特征关联的物品特征为多个时,针对每个与第一意图特征关联的任意一个物品特征,均分别基于第(h-1)层中的第一意图特征和任意一个物品特征,确定在第h层中与第一意图特征关联的第二用户特征,以得到多个第二用户特征;基于多个第二用户特征,确定在第h层中与第一意图特征关联的第一用户特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一用户特征,确定目标用户特征。
在一种可能的实现方式中,基于UEG,对用户特征,物品特征,上下文特征和意图特征进行图卷积,得到目标物品特征,具体包括:基于在卷积图内第(h-1)层中与第一物品特征关联的用户特征,和,第(h-1)层中与第一物品特征关联的意图特征,确定在卷积图内第h层中的第一物品特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一物品特征,确定目标物品特征。
进一步地,方法还包括:当在第(h-1)层中与第一物品特征关联的用户特征为多个时,针对每个与第一意图特征关联的任意一个用户特征,均分别基于任意一个用户特征和第(h-1)层中与第一物品特征关联的意图特征,确定在第h层中的第二物品特征,以得到多个第二物品特征;基于多个第二物品特征,确定在第h层中与第一物品特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一物品特征,确定目标物品特征。
在一种可能的实现方式中,基于UEG,对用户特征,物品特征,上下文特征和意图特征进行图卷积,得到目标上下文特征,具体包括:基于在卷积图内第(h-1)层中与第一意图特征关联的用户特征和物品特征,确定在卷积图内第h层中的第一意图特征;基于第h层中的第一意图特征,在第(h-1)层中与第一意图特征关联的第一上下文特征,和,在第h层中与第一意图特征关联的第一用户特征,确定在第h层中的第一上下文特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一上下文特征,确定目标上下文特征。
进一步地,方法还包括:当在第h层中与第一上下文特征关联的用户特征为多个时,针对每个与第一上下文特征关联的任意一个用户特征,均分别基于任意一个用户特征,在第h层中的第一意图特征,和在第(h-1)层中与第一意图特征关联的第一上下文特征,确定在第h层中的第二上下文特征,以得到多个第二上下文特征;基于多个第二上下文特征,确定在第h层中与第一上下文特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一上下文特征,确定目标上下文特征。
在一种可能的实现方式中,方法还包括:当一个第一上下文特征与多个第一意图特征相关联时,在至少一次卷积过程中,对多个第一意图特征进行筛选,以得到所需的第一意图特征,其中,所需的第一意图特征与第一上下文特征间的相似度值高于预设相似度值。
第二方面,本申请提供一种推荐装置,包括:构图模块,用于基于训练数据,确定用户事件图(UEG),UEG中包括:用户节点,物品节点,上下文节点,和意图节点,其中,意图节点分别与用户节点,物品节点和上下文节点连接,用户节点为用户的用户特征所在的节点,物品节点为用户选择的物品的物品特征所在的节点,上下文节点为影响用户选择物品的上下文特征所在的节点,意图节点为用户选择物品的意图的意图特征所在的节点;图卷积模块,用于基于UEG,对用户特征,物品特征,上下文特征和意图特征进行图卷积,得到目标特征集合,目标特征集合中包括目标用户特征,目标物品特征和目标上下文特征;推荐模块,用于基于目标特征集合和目标用户在目标环境中的上下文特征,向目标用户推荐目标物品,目标物品为与目标环境中上下文特征相匹配的物品。
在一种可能的实现方式中,意图特征基于用户特征和上下文特征得到。
在一种可能的实现方式中,上下文特征为多个,图卷积模块,还用于基于用户特征和各个上下文特征,分别确定各个上下文特征的权重值;基于各个上下文特征和各个上下文特征的权重值,确定意图特征。
在一种可能的实现方式中,图卷积模块,具体用于:基于在卷积图内第(h-1)层中的第一意图特征,和,第(h-1)层中与第一意图特征关联的物品特征,确定在卷积图内第h层中与第一意图特征关联的第一用户特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一用户特征,确定目标用户特征。
进一步地,图卷积模块,还用于:当在第(h-1)层中与第一意图特征关联的物品特征为多个时,针对每个与第一意图特征关联的任意一个物品特征,均分别基于第(h-1)层中的第一意图特征和任意一个物品特征,确定在第h层中与第一意图特征关联的第二用户特征,以得到多个第二用户特征;基于多个第二用户特征,确定在第h层中与第一意图特征关联的第一用户特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一用户特征,确定目标用户特征。
在一种可能的实现方式中,图卷积模块,具体用于:基于在卷积图内第(h-1)层中与第一物品特征关联的用户特征,和,第(h-1)层中与第一物品特征关联的意图特征,确定在卷积图内第h层中的第一物品特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一物品特征,确定目标物品特征。
进一步地,图卷积模块,还用于:当在第(h-1)层中与第一物品特征关联的用户特征为多个时,针对每个与第一意图特征关联的任意一个用户特征,均分别基于任意一个用户特征和第(h-1)层中与第一物品特征关联的意图特征,确定在第h层中的第二物品特征,以得到多个第二物品特征;基于多个第二物品特征,确定在第h层中与第一物品特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一物品特征,确定目标物品特征。
在一种可能的实现方式中,图卷积模块,具体用于:基于在卷积图内第(h-1)层中与第一意图特征关联的用户特征和物品特征,确定在卷积图内第h层中的第一意图特征;基于第h层中的第一意图特征,在第(h-1)层中与第一意图特征关联的第一上下文特征,和,在第h层中与第一意图特征关联的第一用户特征,确定在第h层中的第一上下文特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一上下文特征,确定目标上下文特征。
进一步地,图卷积模块,还用于:当在第h层中与第一上下文特征关联的用户特征为多个时,针对每个与第一上下文特征关联的任意一个用户特征,均分别基于任意一个用户特征,在第h层中的第一意图特征,和在第(h-1)层中与第一意图特征关联的第一上下文特征,确定在第h层中的第二上下文特征,以得到多个第二上下文特征;基于多个第二上下文特征,确定在第h层中与第一上下文特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一上下文特征,确定目标上下文特征。
在一种可能的实现方式中,图卷积模块,还用于:当一个第一上下文特征与多个第一意图特征相关联时,在至少一次卷积过程中,对多个第一意图特征进行筛选,以得到所需的第一意图特征,其中,所需的第一意图特征与第一上下文特征间的相似度值高于预设相似度值。
第三方面,本申请提供一种电子设备,包括:至少一个存储器,用于存储程序;至少一个处理器,用于执行存储器存储的程序;其中,当存储器存储的程序被执行时,处理器用于执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,当计算机程序在处理器上运行时,使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
第五方面,本申请提供一种计算机程序产品,当计算机程序产品在处理器上运行时,使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
第六方面,本申请提供一种芯片,包括至少一个处理器和接口;至少一个处理器通过接口获取程序指令或者数据;至少一个处理器用于执行程序行指令,以实现第一方面或第一方面的任一种可能的实现方式所描述的方法。
可以理解的是,上述第二方面至第六方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
图1是本申请实施例提供的一种图神经网络的结构示意图;
图2是本申请实施例提供的一种服务推荐模型的结构示意图;
图3是本申请实施例提供的一种用户事件图的示意图;
图4是本申请实施例提供的另一种用户事件图的示意图;
图5是本申请实施例提供的一种推荐方法的流程示意图;
图6是本申请实施例提供的一种推荐装置的结构示意图;
图7是本申请实施例提供的一种芯片的结构示意图。
具体实施方式
本文中术语“和/或”,是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本文中符号“/”表示关联对象是或者的关系,例如A/B表示A或者B。
本文中的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述对象的特定顺序。例如,第一响应消息和第二响应消息等是用于区别不同的响应消息,而不是用于描述响应消息的特定顺序。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,除非另有说明,“多个”的含义是指两个或者两个以上,例如,多个处理单元是指两个或者两个以上的处理单元等;多个元件是指两个或者两个以上的元件等。
首先对本申请实例中涉及到的术语进行解释。
1、用户特征
用户特征是指:能够识别不同的用户的特征。例如,用户的标识,性别,年龄,地区,职业,在网页中的注册信息等。
2、物品特征
物品特征是指:能够识别用户所选择的物品(item)的特征。例如,用户所选择的物品的属性。举例来说,当物品属于电商类产品时,物品特征可以为:物品的标题,种类,大小等;当物品属于音乐类产品时,物品特征可以为:歌曲的类别,名称,演唱者,作曲者,作词者等;当物品属于博文类产品时,物品特征可以为:文章的标题,作者,类别等。
3、上下文特征
上下文特征是指:用户与物品交互时的外在的因素,其是影响用户决策的因素。例如,以用户浏览文章为例,上下文特征可以包括:文章的关键词,作者,类别,用户所处的地点,时间等中的一项或多项。
接下来,对本申请实施例中的涉及的技术方案进行介绍。
一般地,上下文特征可能会对用户选择物品产生重大影响。例如,在餐厅推荐中,当前时间和位置可以有效地筛选出不合适的候选人;在电子商务中,最近会话中的点击行为为用户下次购买提供了强有力的信号。因此,将上下文特征有效整合到用户偏好预测中的上下文感知推荐系统(context aware recommnedation system,CARS),可以大幅提升CARS输出的推荐结果的精准度。
其中,在CARS系统中可以采用矩阵分解(matrix factorization,MF),因子分解机(factorization machines,FM),或者,神经网络(neural network,NN)的方法,对用户特征、物品特征和上下文特征间的交互进行建模,以完成推荐服务。但基于矩阵分解和因子分解机的方法均是基于浅层的模型,这些方法难以处理复杂的用户行为或数据输入;而神经网络的方法,往往会忽略数据中的高阶结构信息,即忽略数据之间的关联性,因此很难学习到数据中的高阶结构信息。另外,在神经网络中有一种图神经网络(graph neuralnetwork,GNN),可以采用消息传递机制整合邻居信息,通过多层堆叠使得节点可以访问高阶邻居的信息。因此,可以通过采用图神经网络,以提升推荐服务的精准度。
示例性的,图1示出了一种图神经网络的结构。如图1所示,该图神经网络可以包括编码器(Encoder),图卷积层(graph convolution layers,GCLs)和解码器(Decoder)。
Encoder的输入包括三个特征:用户特征(user),物品特征(item),上下文特征(contexts)。Encoder可以将用户特征和物品特征均编码为multi-hot的形式,然后可以对编码后的特征进行平均池化,得到初始的表征:pu和qi。至于上下文特征,由于在图卷积层中并没有对上下文特征进行精调(refine),因此不对其进行平均池化,只获取上下文特征的集合vc。
在图卷积层,可以对Encoder输出的pu,vc和qi进行卷积操作。但标准的图卷积并没有考虑边的特征。而边上往往是带有上下文特征,因此,这就使得图卷积层输出的结果较差,影响后续的推荐服务的精准度。Decoder可以对图卷积层输出的结果进行解码操作,从而得到所需的结果。
为提升推荐服务的精准度,本申请实施例中提供了一种服务推荐模型,该模型与将上下文特征融入到图卷积中,从而得到更好的用户特征和物品特征,进而提升后续的推荐服务的精准度。
示例性的,图2示出了一种服务推荐模型的架构。如图2所示,该服务推荐模型200可以包括:构图模块210,图卷积模块220和推荐模块230。
其中,构图模块210主要是用于基于训练数据,构建“用户特征-物品特征-上下文特征”之间的用户事件图(user-event graph,UEG)。其中,训练数据中可以包括:与用户特征相关联的数据,与物品特征相关联的数据,与上下文特征相关联的数据。用户特征,物品特征和上下文特征均可以对相应的数据进行编码得到。
该构图模块210可以通过构建“意图节点(intent node)”将“用户特征,物品特征,上下文特征”这三者关联起来。示例性的,以一个用户特征为例,构图模块210构建出的UEG可以如图3所示,在图3中,Ui表示用户特征,Qi表示物品特征,Vi表示上下文特征,Ti表示意图特征;图3中意图特征所在的节点即为意图节点。由图3中可以看出,通过意图特征所在的节点,将用户特征、物品特征和上下文特征关联在一起。其中,意图特征可以理解为用户选择某个物品的意图对应的特征。
可以理解的是,构图模块210所构建的UEG图中可以包括:意图节点,用户节点,物品节点和上下文节点。其中,意图节点为意图特征所在的节点,用户节点为用户特征所在的节点,物品节点为物品特征所在的节点,上下文节点为上下文特征所在的节点。其中,在构建出的UEG图中一个意图特征可以对应一个物品特征,而一个物品特征可以对应一个意图特征,也可以对应多个意图特征。例如,如图4所示,在该UEG中,物品特征Q2分别与意图特征T2和T3对应,物品特征Q4与意图特征T5对应。其中,当构建出的UEG中只有一个用户特征时,该用户特征对应的一个物品特征也可以对应一个意图特征,或者对应多个意图特征;而该用户对应的一个意图特征可以对应一个物品特征。
对于意图特征,可以通过用户特征和上下文特征得到。在一些实施例中,可以通过下述“公式1”确定出意图特征。
其中,Ue为第e个用户特征,Tc为Ue对应的第c个意图特征,Vi为Ue对应的第i个上下文特征,αi为第i个上下文特征的权重值,W0∈Rd×1,W1和W2∈Rd×d,y∈Rd×1。示例性的,继续参阅图3,由上“公式1”可以确定出:T1=α11*V1+α12*V2,T2=α21*V1+α22*V2+α23*V3。
图卷积模块220主要是用于对构图模块210构建出的UEG进行卷积操作,以得到所需的用户特征、物品特征和上下文特征。由于构建出的UEG中增加了意图节点,因此传统的图卷积方法就不能使用了。所以本申请实施例提出了一种图卷积的方法,该图卷积方法可以充分利用意图节点的关键作用,探索用户特征、物品特征和上下文特征之间的联系。下面分别对各个特征的卷积方法分别进行介绍。
(1)用户特征
对于用户特征,可以使用意图节点作为桥梁来传递物品特征和上下文特征的信息至用户特征,具体可以如下述“公式2”所示。
其中,是指的卷积图内第h层中的第i个用户的用户特征;/>是第(h-1)层中与第i个用户关联的一个意图特征;/>是第(h-1)层中与意图特征/>关联的物品特征。
针对每一个用户特征,当与其关联的物品特征为多个时,通过每个物品特征均可以计算出一个用户特征,此时可以得到多个用户特征。为了降低后续的计算量,且提升计算速度,可以将这些用户特征聚合为一个,并将其作为在第h层中的用户特征,由此以使得可以直观的获知到一个用户都和哪些物品进行了交互。示例性的,可以通过求平均值的方式将多个用户特征聚合为一个,其中,可以通过下述的“公式3”进行聚合。
其中,为在第h层中聚合得到的用户特征,/>为在第h层中基于第x个物品特征得到的用户特征。
最后,当卷积的次数达到预设次数后,可以基于各个卷积层中得到的用户特征,对用户特征进行精调,从而得到最终的用户特征。示例性的,可以将各个卷积层得到的用户特征进行平均,并将得到的平均值作为最终所需的用户特征,其中,可以通过下述“公式4”计算。
其中,为最终计算得到的用户特征,H为卷积层的层数,/>为在第h层中得到的用户特征。
应理解的是,除了采用平均的方式进行精调外,还可以通过其他的方式(比如方差等)进行精调,此处不做限定。另外,在卷积完成后,对用户特征进行精调外,还可以直接将最后一次得到的用户特征,作为最终所需的用户特征。具体可根据实际情况而定,此处不做限定。
(2)物品特征
对于物品特征,可以使用意图节点作为桥梁来传递用户特征和上下文特征的信息至物品特征,具体可以如下述“公式5”所示。
其中,是指的卷积图内第h层中与第i个用户关联的一个物品特征;/>是指的卷积图内第(h-1)层中的第i个用户的用户特征;/>是第(h-1)层中与物品特征/>关联的一个意图特征。
针对每一个物品特征,当与其关联的用户特征为多个时,通过每个用户特征均可以计算出一个物品特征,此时可以得到多个物品特征。为了降低后续的计算量,且提升计算速度,可以将这些物品特征聚合为一个,并将其作为在第h层中的物品特征,由此以使得可以直观的获知到一个物品都和哪些用户进行了交互。示例性的,可以通过求平均值的方式将多个物品特征聚合为一个,其中,可以通过下述的“公式6”进行聚合。
其中,为在第h层中聚合得到的物品特征,/>为在第h层中基于第x个用户特征得到的物品特征。
最后,当卷积的次数达到预设次数后,针对任意一个节点处的物品特征,可以基于各个卷积层中得到的物品特征,对物品特征进行精调,从而得到最终的物品特征。示例性的,可以将各个卷积层得到的物品特征进行平均,并将得到的平均值作为最终所需的物品特征,其中,可以通过下述“公式7”计算。
其中,为最终计算得到的物品特征,H为卷积层的层数,/>为在第h层中得到的物品特征。
应理解的是,除了采用平均的方式进行精调外,还可以通过其他的方式(比如方差等)进行精调,此处不做限定。另外,在卷积完成后,对物品特征进行精调外,还可以直接将最后一次得到的物品特征,作为最终所需的物品特征。具体可根据实际情况而定,此处不做限定。
(3)上下文特征
对于上下文特征,可以先将用户特征和物品特征的信息传递至与上下文特征关联的意图特征,具体可以如下述“公式8”所示。
其中,是指的卷积图内第h层中与第i个用户关联的一个意图特征;/>是指的卷积图内第(h-1)层中的第i个用户的用户特征;/>是第(h-1)层中与意图特征/>关联的物品特征。
另外,可以通过前述“公式1”,对卷积图内第h层中与第i个用户的用户特征和卷积图内第(h-1)层中与意图特征关联的一个上下文特征进行处理,以得到该上下文特征对应的权重值/>接着,可以通过下述“公式9”,确定出该上下文特征在卷积图内第h层中的对应的特征。
其中,是指的卷积图内第h层中与意图特征/>关联的一个上下文特征;/>是通过通过前述“公式1”,对卷积图内第h层中与第i个用户的用户特征和卷积图内第(h-1)层中上下文特征/>所对应的节点处的上下文特征进行处理。
针对每一个上下文特征,当与其关联的用户特征为多个时,通过每个用户特征均可以计算出一个上下文特征,此时可以得到多个上下文特征。为了降低后续的计算量,且提升计算速度,可以将这些上下文特征聚合为一个,并将其作为在第h层中的上下文特征,由此以使得可以直观的获知到一个用户都和哪些物品在哪些上下文上进行了交互。示例性的,可以通过求平均值的方式将多个上下文特征聚合为一个,其中,可以通过下述的“公式10”进行聚合。
其中,为在第h层中聚合得到的上下文特征,/>为在第h层中基于第x个用户特征得到的上下文特征。
最后,当卷积的次数达到预设次数后,针对任意一个节点处的上下文特征,可以基于各个卷积层中得到的上下文特征,对上下文特征进行精调,从而得到最终的上下文特征。示例性的,可以将各个卷积层得到的上下文特征进行平均,并将得到的平均值作为最终所需的上下文特征,其中,可以通过下述“公式11”计算。
其中,为最终计算得到的上下文特征,H为卷积层的层数,/>为在第h层中得到的上下文特征。
应理解的是,除了采用平均的方式进行精调外,还可以通过其他的方式(比如方差等)进行精调,此处不做限定。另外,在卷积完成后,对上下文特征进行精调外,还可以直接将最后一次得到的上下文特征,作为最终所需的上下文特征。具体可根据实际情况而定,此处不做限定。
另外,当获取到卷积图内第h层中的上下文特征后,可以将其传递回给意图节点。其中,可以先通过前述的“公式1”,对第h层中的上下文特征和用户特征进行处理,以得到第h层中的意图特征。
在执行完卷积操作后,可以得到精调了的用户特征/物品特征/上下文特征:
其中,为用户特征,/>为物品特征,/>为上下文特征。
在一些实施例中,当一个上下文特征与多个意图特征相关联时,在前述对上下文特征进行卷积过程中,可能会受到噪声影响。因此,为降低噪声影响,可以先从中选取与该上下文特征关系紧密的意图特征,然后在执行卷积操作。同时,对于该上下文特征,由于舍弃了一些意图特征,因此在后续可以减少一些计算量,所以也可以提升计算速度和模型训练效率。
作为一种可能的实现方式,可以先通过欧式距离算法、绝对值算法或者余弦相似度算法等,确定出该上下文特征与各个意图特征间的第一相似度值。然后再基于这些第一相似度值,确定出一个平均相似度值。接着,可以确定各个意图特征与该平均相似度值间的第二相似度值。最后,当第二相似度值小于预设相似度时,表明该上下文特征与该第二相似度值对应的意图特征间的相似度较高,因此可以保留该第二距离对应的意图特征;否则,表明该上下文特征与该第二相似度值对应的意图特征间的相似度较低,因此该意图特征可能是噪声,所以可以舍弃该意图特征。
推荐模块230主要用于基于图卷积模块220输出的特征,向目标用户推荐服务。示例性的,推荐模块230可以将目标用户在当前环境中的上下文特征,与图卷积模块220输出的特征进行匹配,以向目标用户推荐与其当前环境中上下文特征相匹配的物品。
接下来,基于上文所描述的内容,对本申请实施例提供的一种推荐方法进行介绍。可以理解的是,该方法是基于上文所描述的内容提出,该方法中的部分或全部内容可以参见上文中相关的描述。
请参阅图5,图5是本申请实施例提供的一种推荐方法的流程示意图。可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。如图5所示,该推荐方法包括以下步骤:
S501、基于训练数据,确定用户事件图(UEG),UEG中包括:用户节点,物品节点,上下文节点,和意图节点,其中,意图节点分别与用户节点,物品节点和上下文节点连接,用户节点为用户的用户特征所在的节点,物品节点为用户选择的物品的物品特征所在的节点,上下文节点为影响用户选择物品的上下文特征所在的节点,意图节点为用户选择物品的意图的意图特征所在的节点。
本实施例中,训练数据可以但不限于为用户预先配置的数据,该数据中可以包括与用户特征相关的数据,与物品特征相关的数据,和与上下文特征相关的数据。在用户配置好训练数据后,可以基于训练数据,确定用户事件图(UEG)。其中,UEG中包括:用户节点,物品节点,上下文节点,和意图节点。意图节点分别与用户节点,物品节点和上下文节点连接,用户节点为用户的用户特征所在的节点,物品节点为用户选择的物品的物品特征所在的节点,上下文节点为影响用户选择物品的上下文特征所在的节点,意图节点为用户选择物品的意图的意图特征所在的节点。示例性的,UEG可以为图3或图4所示。示例性的,该步骤可但不限于通过前述图2中的构图模块210执行。
在一些实施例中,UEG中的意图特征可以基于用户特征和上下文特征得到。其中,当下文特征为多个,可以先基于用户特征和各个上下文特征,分别确定各个上下文特征的权重值。然后,在基于各个上下文特征和各个上下文特征的权重值,确定意图特征。详见前述的“公式1”。
S502、基于UEG,对用户特征,物品特征,上下文特征和意图特征进行图卷积,得到目标特征集合,目标特征集合中包括目标用户特征,目标物品特征和目标上下文特征。
本实施例中,获取到UEG后,可以基于UEG,对用户特征,物品特征,上下文特征和意图特征进行图卷积,得到目标特征集合,目标特征集合中包括目标用户特征,目标物品特征和目标上下文特征。示例性的,该步骤可以但不限于通过前述图2中的图卷积模块220执行。
在一些实施例中,对于目标用户特征,可以基于在卷积图内第(h-1)层中的第一意图特征,和,第(h-1)层中与第一意图特征关联的物品特征,确定在卷积图内第h层中与第一意图特征关联的第一用户特征(详见前述“公式2”中的描述)。当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一用户特征,确定目标用户特征。示例性的,可以将最后一次卷积得到的用户特征,作为目标用户特征,也可以通过前述的“公式4”得到目标用户特征。
另外,当在第(h-1)层中与第一意图特征关联的物品特征为多个时,针对每个与第一意图特征关联的任意一个物品特征,可以均分别基于第(h-1)层中的第一意图特征和任意一个物品特征,确定在第h层中与第一意图特征关联的第二用户特征,以得到多个第二用户特征。示例性的,可以采用前述“公式2”对第(h-1)层中的第一意图特征和任意一个物品特征进行处理,以得到在第h层中与第一意图特征关联的第二用户特征。接着,可以基于多个第二用户特征,确定在第h层中与第一意图特征关联的第一用户特征,即可以由多个第二用户特征聚合得到一个第一用户特征。示例性的,可以通过前述“公式3”对多个第二用户特征进行处理。最后,当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一用户特征,确定目标用户特征。
对于目标物品特征,可以先基于在卷积图内第(h-1)层中与第一物品特征关联的用户特征,和,第(h-1)层中与第一物品特征关联的意图特征,确定在卷积图内第h层中的第一物品特征(详见前述“公式5”中的描述)。然后,当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一物品特征,确定目标物品特征。示例性的,可以将最后一次卷积得到的物品特征,作为目标物品特征,也可以通过前述的“公式7”得到目标物品特征。
另外,当在第(h-1)层中与第一物品特征关联的用户特征为多个时,针对每个与第一意图特征关联的任意一个用户特征,均分别基于任意一个用户特征和第(h-1)层中与第一物品特征关联的意图特征,确定在第h层中的第二物品特征,以得到多个第二物品特征。示例性的,可以采用前述“公式5”对第(h-1)层中的任意一个用户特征和第(h-1)层中与第一物品特征关联的意图特征进行处理,以得到在第h层中的第二物品特征。接着,可以基于多个第二物品特征,确定在第h层中与第一物品特征,即可以由多个第二物品特征聚合得到一个第一物品特征。示例性的,可以通过前述“公式6”对多个第二物品特征进行处理。最后,当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一物品特征,确定目标物品特征。
对于目标上下文特征,可以先基于在卷积图内第(h-1)层中与第一意图特征关联的用户特征和物品特征,确定在卷积图内第h层中的第一意图特征。示例性的,可以通过前述的“公式8”确定在卷积图内第h层中的第一意图特征。
接着,可以基于第h层中的第一意图特征,在第(h-1)层中与第一意图特征关联的第一上下文特征,和,在第h层中与第一意图特征关联的第一用户特征,确定在第h层中的第一上下文特征。示例性的,可以先通过前述的“公式1”,对在第h层中与第一意图特征关联的第一用户特征,和在第(h-1)层中与第一意图特征关联的第一上下文特征,进行处理,以确定出该第一上下文特征对应的权重值。然后,再通过前述的“公式9”,对第h层中的第一意图特征和确定出的权重进行处理,以得到在第h层中的第一上下文特征。
最后,当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一上下文特征,确定目标上下文特征。示例性的,可以将最后一次卷积得到的上下文特征,作为目标上下文特征,也可以通过前述的“公式11”得到目标上下文特征。
另外,当在第h层中与第一上下文特征关联的用户特征为多个时,针对每个与第一上下文特征关联的任意一个用户特征,均可以分别基于任意一个用户特征,在第h层中的第一意图特征,和在第(h-1)层中与第一意图特征关联的第一上下文特征,确定在第h层中的第二上下文特征,以得到多个第二上下文特征。示例性的,可以采用前述“公式9”对第h层中的任意一个用户特征,在第h层中的第一意图特征,和在第(h-1)层中与第一意图特征关联的第一上下文特征进行处理,以得到在第h层中的第二上下文特征。接着,可以基于多个第二上下文特征,确定在第h层中与第一上下文特征,即可以由多个第二上下文特征聚合得到一个第一上下文特征。示例性的,可以通过前述“公式10”对多个第二上下文特征进行处理。最后,当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一上下文特征,确定目标上下文特征。
在一些实施例中,当一个第一上下文特征与多个第一意图特征相关联时,在至少一次卷积过程中,对多个第一意图特征进行筛选,以得到所需的第一意图特征,其中,所需的第一意图特征与第一上下文特征间的相似度值高于预设相似度值。由此以去除噪声影响,提升计算效率和精准度。
在确定出目标用户特征,目标物品特征和目标上下文特征后,可以执行S503。
S503、基于目标特征集合和目标用户在目标环境中的上下文特征,向目标用户推荐目标物品,目标物品为与目标环境中上下文特征相匹配的物品。
本实施例中,在获取到目标用户在目标环境中的上下文特征后,可以将该目标用户和其对应的上下文特征,与目标特征集合进行匹配,从而得到适合目标用户,且与目标环境中上下文特征相匹配的目标物品,以及向目标用户推荐目标物品。
这样,通过意图节点将用户节点,物品节点和上下文节点进行关联,从而可以将上下文特征融入到图卷积中,进而可以得到更好的用户特征和物品特征,提升了后续的推荐服务的精准度。
基于上述实施例中的方法,本申请实施例提供一种推荐装置。
如图6所示,该推荐装置600包括:构图模块601,图卷积模块602和推荐模块603。其中,构图模块601用于基于训练数据,确定用户事件图(UEG),UEG中包括:用户节点,物品节点,上下文节点,和意图节点,其中,意图节点分别与用户节点,物品节点和上下文节点连接,用户节点为用户的用户特征所在的节点,物品节点为用户选择的物品的物品特征所在的节点,上下文节点为影响用户选择物品的上下文特征所在的节点,意图节点为用户选择物品的意图的意图特征所在的节点。图卷积模块602用于基于UEG,对用户特征,物品特征,上下文特征和意图特征进行图卷积,得到目标特征集合,目标特征集合中包括目标用户特征,目标物品特征和目标上下文特征。推荐模块603用于基于目标特征集合和目标用户在目标环境中的上下文特征,向目标用户推荐目标物品,目标物品为与目标环境中上下文特征相匹配的物品。示例性的,构图模块601可以但不限于与前述图2中的构图模块210相同,图卷积模块602可以但不限于与前述图2中的图卷积模块220相同,推荐模块603可以但不限于与前述图2中的推荐模块230相同。
在一些实施例中,意图特征基于用户特征和上下文特征得到。
在一些实施例中,上下文特征为多个,图卷积模块602,还用于基于用户特征和各个上下文特征,分别确定各个上下文特征的权重值;基于各个上下文特征和各个上下文特征的权重值,确定意图特征。
在一些实施例中,图卷积模块602,具体用于:基于在卷积图内第(h-1)层中的第一意图特征,和,第(h-1)层中与第一意图特征关联的物品特征,确定在卷积图内第h层中与第一意图特征关联的第一用户特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一用户特征,确定目标用户特征。
进一步地,图卷积模块602,还用于:当在第(h-1)层中与第一意图特征关联的物品特征为多个时,针对每个与第一意图特征关联的任意一个物品特征,均分别基于第(h-1)层中的第一意图特征和任意一个物品特征,确定在第h层中与第一意图特征关联的第二用户特征,以得到多个第二用户特征;基于多个第二用户特征,确定在第h层中与第一意图特征关联的第一用户特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一用户特征,确定目标用户特征。
在一些实施例中,图卷积模块602,具体用于:基于在卷积图内第(h-1)层中与第一物品特征关联的用户特征,和,第(h-1)层中与第一物品特征关联的意图特征,确定在卷积图内第h层中的第一物品特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一物品特征,确定目标物品特征。
进一步地,图卷积模块602,还用于:当在第(h-1)层中与第一物品特征关联的用户特征为多个时,针对每个与第一意图特征关联的任意一个用户特征,均分别基于任意一个用户特征和第(h-1)层中与第一物品特征关联的意图特征,确定在第h层中的第二物品特征,以得到多个第二物品特征;基于多个第二物品特征,确定在第h层中与第一物品特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一物品特征,确定目标物品特征。
在一些实施例中,图卷积模块602,具体用于:基于在卷积图内第(h-1)层中与第一意图特征关联的用户特征和物品特征,确定在卷积图内第h层中的第一意图特征;基于第h层中的第一意图特征,在第(h-1)层中与第一意图特征关联的第一上下文特征,和,在第h层中与第一意图特征关联的第一用户特征,确定在第h层中的第一上下文特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一上下文特征,确定目标上下文特征。
进一步地,图卷积模块602,还用于:当在第h层中与第一上下文特征关联的用户特征为多个时,针对每个与第一上下文特征关联的任意一个用户特征,均分别基于任意一个用户特征,在第h层中的第一意图特征,和在第(h-1)层中与第一意图特征关联的第一上下文特征,确定在第h层中的第二上下文特征,以得到多个第二上下文特征;基于多个第二上下文特征,确定在第h层中与第一上下文特征;当卷积图中的卷积次数达到预设次数时,基于在卷积图中各层获取到的第一上下文特征,确定目标上下文特征。
在一些实施例中,图卷积模块602,还用于:当一个第一上下文特征与多个第一意图特征相关联时,在至少一次卷积过程中,对多个第一意图特征进行筛选,以得到所需的第一意图特征,其中,所需的第一意图特征与第一上下文特征间的相似度值高于预设相似度值。
应当理解的是,上述装置用于执行上述实施例中的方法,装置中相应的程序模块,其实现原理和技术效果与上述方法中的描述类似,该装置的工作过程可参考上述方法中的对应过程,此处不再赘述。
基于上述实施例中的方法,本申请实施例提供了一种电子设备。该电子设备可以包括:至少一个存储器,用于存储程序;至少一个处理器,用于执行存储器存储的程序;其中,当存储器存储的程序被执行时,处理器用于执行上述实施例中的方法。
基于上述实施例中的方法,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,当计算机程序在处理器上运行时,使得处理器执行上述实施例中的方法。
基于上述实施例中的方法,本申请实施例提供了一种计算机程序产品,其特征在于,当计算机程序产品在处理器上运行时,使得处理器执行上述实施例中的方法。
基于上述实施例中的方法,本申请实施例还提供了一种芯片。请参阅图7,图7为本申请实施例提供的一种芯片的结构示意图。如图7所示,芯片700包括一个或多个处理器701以及接口电路702。可选的,芯片700还可以包含总线703。其中:
处理器701可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字通信器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
接口电路702可以用于数据、指令或者信息的发送或者接收,处理器701可以利用接口电路702接收的数据、指令或者其它信息,进行加工,可以将加工完成信息通过接口电路702发送出去。
可选的,芯片700还包括存储器,存储器可以包括只读存储器和随机存取存储器,并向处理器提供操作指令和数据。存储器的一部分还可以包括非易失性随机存取存储器(NVRAM)。
可选的,存储器存储了可执行软件模块或者数据结构,处理器可以通过调用存储器存储的操作指令(该操作指令可存储在操作系统中),执行相应的操作。
可选的,接口电路702可用于输出处理器701的执行结果。
需要说明的,处理器701、接口电路702各自对应的功能既可以通过硬件设计实现,也可以通过软件设计来实现,还可以通过软硬件结合的方式来实现,这里不作限制。
应理解,上述方法实施例的各步骤可以通过处理器中的硬件形式的逻辑电路或者软件形式的指令完成。
可以理解的是,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。此外,在一些可能的实现方式中,上述实施例中的各步骤可以根据实际情况选择性执行,可以部分执行,也可以全部执行,此处不做限定。
可以理解的是,本申请的实施例中的处理器可以是中央处理单元(centralprocessing unit,CPU),还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field programmable gate array,FPGA)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。通用处理器可以是微处理器,也可以是任何常规的处理器。
本申请的实施例中的方法步骤可以通过硬件的方式来实现,也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成,软件模块可以被存放于随机存取存储器(random access memory,RAM)、闪存、只读存储器(read-only memory,ROM)、可编程只读存储器(programmable rom,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
可以理解的是,在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分,并不用来限制本申请的实施例的范围。
Claims (15)
1.一种推荐方法,其特征在于,所述方法包括:
基于训练数据,确定用户事件图(UEG),所述UEG中包括:用户节点,物品节点,上下文节点,和意图节点,其中,所述意图节点分别与所述用户节点,所述物品节点和所述上下文节点连接,所述用户节点为用户的用户特征所在的节点,所述物品节点为用户选择的物品的物品特征所在的节点,所述上下文节点为影响用户选择物品的上下文特征所在的节点,所述意图节点为用户选择物品的意图的意图特征所在的节点;
基于所述UEG,对所述用户特征,所述物品特征,所述上下文特征和所述意图特征进行图卷积,得到目标特征集合,所述目标特征集合中包括目标用户特征,目标物品特征和目标上下文特征;
基于所述目标特征集合和目标用户在目标环境中的上下文特征,向所述目标用户推荐目标物品,所述目标物品为与所述目标环境中上下文特征相匹配的物品。
2.根据权利要求1所述的方法,其特征在于,所述意图特征基于所述用户特征和所述上下文特征得到。
3.根据权利要求2所述的方法,其特征在于,所述上下文特征为多个,所述方法还包括:
基于所述用户特征和各个所述上下文特征,分别确定各个所述上下文特征的权重值;
基于各个所述上下文特征和各个所述上下文特征的权重值,确定所述意图特征。
4.根据权利要求1-3任一所述的方法,其特征在于,基于所述UEG,对所述用户特征,所述物品特征,所述上下文特征和所述意图特征进行图卷积,得到目标用户特征,具体包括:
基于在卷积图内第(h-1)层中的第一意图特征,和,所述第(h-1)层中与所述第一意图特征关联的物品特征,确定在所述卷积图内第h层中与所述第一意图特征关联的第一用户特征;
当所述卷积图中的卷积次数达到预设次数时,基于在所述卷积图中各层获取到的所述第一用户特征,确定所述目标用户特征。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
当在第(h-1)层中与所述第一意图特征关联的物品特征为多个时,针对每个与所述第一意图特征关联的任意一个物品特征,均分别基于所述第(h-1)层中的第一意图特征和所述任意一个物品特征,确定在所述第h层中与所述第一意图特征关联的第二用户特征,以得到多个第二用户特征;
基于所述多个第二用户特征,确定在所述第h层中与所述第一意图特征关联的第一用户特征;
当所述卷积图中的卷积次数达到预设次数时,基于在所述卷积图中各层获取到的所述第一用户特征,确定所述目标用户特征。
6.根据权利要求1-5任一所述的方法,其特征在于,基于所述UEG,对所述用户特征,所述物品特征,所述上下文特征和所述意图特征进行图卷积,得到目标物品特征,具体包括:
基于在卷积图内第(h-1)层中与第一物品特征关联的用户特征,和,所述第(h-1)层中与所述第一物品特征关联的意图特征,确定在所述卷积图内第h层中的所述第一物品特征;
当所述卷积图中的卷积次数达到预设次数时,基于在所述卷积图中各层获取到的所述第一物品特征,确定所述目标物品特征。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
当在第(h-1)层中与所述第一物品特征关联的用户特征为多个时,针对每个与所述第一意图特征关联的任意一个用户特征,均分别基于所述任意一个用户特征和所述第(h-1)层中与所述第一物品特征关联的意图特征,确定在所述第h层中的第二物品特征,以得到多个第二物品特征;
基于所述多个第二物品特征,确定在所述第h层中与所述第一物品特征;
当所述卷积图中的卷积次数达到预设次数时,基于在所述卷积图中各层获取到的所述第一物品特征,确定所述目标物品特征。
8.根据权利要求1-7任一所述的方法,其特征在于,基于所述UEG,对所述用户特征,所述物品特征,所述上下文特征和所述意图特征进行图卷积,得到目标上下文特征,具体包括:
基于在卷积图内第(h-1)层中与第一意图特征关联的用户特征和物品特征,确定在所述卷积图内第h层中的所述第一意图特征;
基于所述第h层中的所述第一意图特征,在所述第(h-1)层中与第一意图特征关联的第一上下文特征,和,在所述第h层中与所述第一意图特征关联的第一用户特征,确定在所述第h层中的所述第一上下文特征;
当所述卷积图中的卷积次数达到预设次数时,基于在所述卷积图中各层获取到的所述第一上下文特征,确定所述目标上下文特征。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
当在第h层中与所述第一上下文特征关联的用户特征为多个时,针对每个与所述第一上下文特征关联的任意一个用户特征,均分别基于所述任意一个用户特征,在所述第h层中的所述第一意图特征,和在所述第(h-1)层中与第一意图特征关联的第一上下文特征,确定在所述第h层中的第二上下文特征,以得到多个第二上下文特征;
基于所述多个第二上下文特征,确定在所述第h层中与所述第一上下文特征;
当所述卷积图中的卷积次数达到预设次数时,基于在所述卷积图中各层获取到的所述第一上下文特征,确定所述目标上下文特征。
10.根据权利要求1-9任一所述的方法,其特征在于,所述方法还包括:
当一个第一上下文特征与多个第一意图特征相关联时,在至少一次卷积过程中,对所述多个第一意图特征进行筛选,以得到所需的第一意图特征,其中,所述所需的第一意图特征与所述第一上下文特征间的相似度值高于预设相似度值。
11.一种推荐装置,其特征在于,所述装置包括:
构图模块,用于基于训练数据,确定用户事件图(UEG),所述UEG中包括:用户节点,物品节点,上下文节点,和意图节点,其中,所述意图节点分别与所述用户节点,所述物品节点和所述上下文节点连接,所述用户节点为用户的用户特征所在的节点,所述物品节点为用户选择的物品的物品特征所在的节点,所述上下文节点为影响用户选择物品的上下文特征所在的节点,所述意图节点为用户选择物品的意图的意图特征所在的节点;
图卷积模块,用于基于所述UEG,对所述用户特征,所述物品特征,所述上下文特征和所述意图特征进行图卷积,得到目标特征集合,所述目标特征集合中包括目标用户特征,目标物品特征和目标上下文特征;
推荐模块,用于基于所述目标特征集合和目标用户在目标环境中的上下文特征,向所述目标用户推荐目标物品,所述目标物品为与所述目标环境中上下文特征相匹配的物品。
12.一种电子设备,其特征在于,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于执行所述存储器存储的程序;
其中,当所述存储器存储的程序被执行时,所述处理器用于执行如权利要求1-10任一所述的方法。
13.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序在处理器上运行时,使得所述处理器执行如权利要求1-10任一所述的方法。
14.一种计算机程序产品,其特征在于,当所述计算机程序产品在处理器上运行时,使得所述处理器执行如权利要求1-10任一所述的方法。
15.一种芯片,其特征在于,包括至少一个处理器和接口;
所述至少一个处理器通过所述接口获取程序指令或者数据;
所述至少一个处理器用于执行所述程序行指令,以实现如权利要求1-10任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210743393.XA CN117349333A (zh) | 2022-06-28 | 2022-06-28 | 一种推荐方法、装置及电子设备 |
PCT/CN2023/100467 WO2024001809A1 (zh) | 2022-06-28 | 2023-06-15 | 一种推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210743393.XA CN117349333A (zh) | 2022-06-28 | 2022-06-28 | 一种推荐方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117349333A true CN117349333A (zh) | 2024-01-05 |
Family
ID=89361883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210743393.XA Pending CN117349333A (zh) | 2022-06-28 | 2022-06-28 | 一种推荐方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117349333A (zh) |
WO (1) | WO2024001809A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829153A (zh) * | 2019-01-04 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于卷积神经网络的意图识别方法、装置、设备及介质 |
CN111259235A (zh) * | 2020-01-09 | 2020-06-09 | 齐鲁工业大学 | 基于上下文感知及特征交互建模的个性化推荐方法及系统 |
CN111949887B (zh) * | 2020-08-31 | 2024-04-05 | 华东理工大学 | 物品推荐方法、装置及计算机可读存储介质 |
CN112364242B (zh) * | 2020-11-10 | 2024-04-02 | 中国科学技术大学 | 针对上下文感知型的图卷积推荐系统 |
CN112861012B (zh) * | 2021-03-09 | 2022-11-08 | 河南工业大学 | 基于上下文和用户长短期偏好自适应学习的推荐方法及装置 |
-
2022
- 2022-06-28 CN CN202210743393.XA patent/CN117349333A/zh active Pending
-
2023
- 2023-06-15 WO PCT/CN2023/100467 patent/WO2024001809A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024001809A1 (zh) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276446B (zh) | 模型训练和选择推荐信息的方法和装置 | |
Pereira et al. | Simultaneous co-clustering and learning to address the cold start problem in recommender systems | |
CN110321422A (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
CN110717099B (zh) | 一种推荐影片的方法及终端 | |
US11494617B2 (en) | Recommender system using bayesian graph convolution networks | |
US11301506B2 (en) | Automated digital asset tagging using multiple vocabulary sets | |
US11755641B2 (en) | Image searches based on word vectors and image vectors | |
KR20210018384A (ko) | 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템 | |
CN115114542B (zh) | 一种对象推荐方法、系统、训练方法、介质及计算机设备 | |
WO2023000491A1 (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN109933678B (zh) | 艺术品推荐方法、装置、可读介质及电子设备 | |
CN113742572B (zh) | 一种数据的推荐方法、装置、电子设备及存储介质 | |
CN111010592A (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
CN112163929B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN114428910A (zh) | 资源推荐方法、装置、电子设备、产品及介质 | |
CN112528149A (zh) | 一种融合知识图谱及贝叶斯网络的智能推荐方法 | |
CN110162535B (zh) | 用于执行个性化的搜索方法、装置、设备以及存储介质 | |
CN117349333A (zh) | 一种推荐方法、装置及电子设备 | |
CN110727853A (zh) | 向用户呈现控制的异构数字内容 | |
CN115757962A (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN115017413A (zh) | 推荐方法、装置、计算设备及计算机存储介质 | |
CN111353052B (zh) | 一种多媒体对象推荐方法、装置、电子设备及存储介质 | |
El Alami et al. | Improving Neighborhood-Based Collaborative Filtering by a Heuristic Approach and an Adjusted Similarity Measure. | |
CN112862008A (zh) | 偏好预测模型的训练方法及用户偏好的预测方法 | |
CN118313446B (zh) | 面向冷启动场景的因果元学习多视角图学习方法及设备 |
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 |