CN117593077A - 基于超图神经网络的道具组合推荐方法、装置及计算设备 - Google Patents
基于超图神经网络的道具组合推荐方法、装置及计算设备 Download PDFInfo
- Publication number
- CN117593077A CN117593077A CN202311550754.XA CN202311550754A CN117593077A CN 117593077 A CN117593077 A CN 117593077A CN 202311550754 A CN202311550754 A CN 202311550754A CN 117593077 A CN117593077 A CN 117593077A
- Authority
- CN
- China
- Prior art keywords
- prop
- user
- combination
- hypergraph
- recommended
- 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 60
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 60
- 230000003993 interaction Effects 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000002776 aggregation Effects 0.000 claims description 50
- 238000004220 aggregation Methods 0.000 claims description 50
- 239000013598 vector Substances 0.000 claims description 44
- 238000000605 extraction Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 15
- 230000004931 aggregating effect Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 15
- 239000011159 matrix material Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001125 extrusion Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 241000274965 Cyrestis thyodamas Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种基于超图神经网络的道具组合推荐方法、装置及计算设备,其中,该方法包括:获取道具组合推荐相关数据作为训练数据;分析训练数据,确定用户节点、道具组合节点以及道具节点,构建用户道具组合超图以及用户道具超图;利用超图神经网络,分别对用户道具组合超图和用户道具超图进行处理,并进行多任务学习,得到目标数据;依据目标数据,为待推荐用户确定待推荐道具组合。本申请利用道具构成游戏礼包,将超图神经网络应用至游戏礼包推荐场景中,充分发挥道具在游戏礼包推荐中的桥梁作用,削弱了用户与道具组合之间的交互数据稀疏的影响,有效提升了道具组合推荐的精准度,极大地提升了推荐效果。
Description
技术领域
本申请实施例涉及数据处理技术领域,具体涉及一种基于超图神经网络的道具组合推荐方法、装置及计算设备。
背景技术
各平台通常会结合其业务需求向用户进行物品推荐。例如,游戏平台向用户推荐游戏礼包等。在现有技术中,通常可根据运营经验或推荐算法为用户确定待推荐物品。其中,推荐算法可包括协同过滤算法、内容过滤算法、矩阵分解算法、DeepFM深度学习算法、简单图神经网络算法等。然而,针对游戏礼包推荐场景,由于其场景具有推荐低频性、单次推荐的游戏礼包数量较少等特性,使得用户与游戏礼包之间的交互数据较少,存在数据稀疏问题,不利于根据运营经验或推荐算法进行游戏礼包推荐,推荐效果不佳,导致用户对所推荐的游戏礼包的采用率较低。
发明内容
鉴于上述问题,本申请提出了一种基于超图神经网络的道具组合推荐方法、装置、计算设备及计算机存储介质,用于解决以下问题:现有的推荐方式推荐效果不佳。
根据本申请实施例的一个方面,提供了一种基于超图神经网络的道具组合推荐方法,包括:
获取道具组合推荐相关数据作为训练数据;
分析训练数据,确定用户节点、道具组合节点以及道具节点,构建用户道具组合超图以及用户道具超图;
利用超图神经网络,分别对用户道具组合超图和用户道具超图进行处理,并进行多任务学习,得到目标数据;
依据目标数据,为待推荐用户确定待推荐道具组合。
进一步地,道具组合推荐相关数据包括:用户数据、道具组合数据、道具数据、各个用户针对道具组合的交互数据以及各个用户针对道具的交互数据。
进一步地,分析训练数据,确定用户节点、道具组合节点以及道具节点,构建用户道具组合超图以及用户道具超图进一步包括:
分析训练数据,提取各个用户标识、各个道具组合标识以及各个道具标识,并确定用户与道具之间的第一交互关系、用户与道具组合之间的第二交互关系、各个用户的相似用户、各个道具的相似道具、各个道具组合的相似道具组合以及道具组合与道具之间的隶属关系;
依据各个用户标识、各个道具组合标识以及各个道具标识对应确定用户节点、道具组合节点以及道具节点;
依据第一交互关系、第二交互关系、各个用户的相似用户、各个道具组合的相似道具组合以及隶属关系,进行超边提取,构建用户道具组合超图;
依据第一交互关系、各个用户的相似用户以及各个道具的相似道具,在各个用户所交互的道具与各个用户的相似用户之间建立关联关系,在各个道具的相似道具以及与道具存在第一交互关系的用户之间建立关联关系,进行超边提取,构建用户道具超图。
进一步地,在用户道具组合超图中,以用户节点与道具组合节点作为目标节点;
在用户道具超图中,以用户节点与道具节点作为目标节点。
进一步地,利用超图神经网络,分别对用户道具组合超图和用户道具超图进行处理,并进行多任务学习,得到目标数据进一步包括:
利用超图神经网络中的卷积层,分别对用户道具组合超图和用户道具超图进行信息传递与卷积处理,得到用户道具组合超图中各个超边的处理结果以及用户道具超图中各个超边的处理结果;
分别聚合用户道具组合超图中各个超边的处理结果以及用户道具超图中各个超边的处理结果,得到第一聚合结果和第二聚合结果;
依据第一聚合结果和第二聚合结果进行多任务学习,得到目标数据。
进一步地,分别聚合用户道具组合超图中各个超边的处理结果以及用户道具超图中各个超边的处理结果,得到第一聚合结果和第二聚合结果进一步包括:
采用权重衰减方式,对用户道具组合超图中各个超边的处理结果进行加权聚合,得到第一聚合结果;
采用权重衰减方式,对用户道具超图中各个超边的处理结果进行加权聚合,得到第二聚合结果。
进一步地,依据第一聚合结果和第二聚合结果进行多任务学习,得到目标数据进一步包括:
采用贝叶斯个性化排序损失函数,对第一聚合结果和第二聚合结果进行多任务学习,得到目标数据。
进一步地,目标数据包括:各个用户的特征向量和各个道具组合的特征向量。
进一步地,依据目标数据,为待推荐用户确定待推荐道具组合进一步包括:
计算各个用户的特征向量与各个道具组合的特征向量之间的相似度;
针对每个用户,按照相似度从高到低的顺序对各个道具组合进行排列,确定该用户的推荐结果;其中,推荐结果中记录有用户与待推荐道具组合之间的对应关系;
从各个推荐结果中查找与待推荐用户对应的待推荐道具组合,并将待推荐道具组合推荐给待推荐用户。
进一步地,依据目标数据,为待推荐用户确定待推荐道具组合进一步包括:
从各个用户的特征向量中查找待推荐用户的特征向量,并计算待推荐用户的特征向量与各个道具组合的特征向量之间的相似度;
按照相似度从高到低的顺序对各个道具组合进行排列,确定待推荐用户的待推荐道具组合;
将待推荐道具组合推荐给待推荐用户。
根据本申请实施例的另一方面,提供了一种基于超图神经网络的道具组合推荐装置,包括:
获取模块,适于获取道具组合推荐相关数据作为训练数据;
超图构建模块,适于分析训练数据,确定用户节点、道具组合节点以及道具节点,构建用户道具组合超图以及用户道具超图;
处理模块,适于利用超图神经网络,分别对用户道具组合超图和用户道具超图进行处理,并进行多任务学习,得到目标数据;
推荐模块,适于依据目标数据,为待推荐用户确定待推荐道具组合。
根据本申请实施例的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,处理器、存储器和通信接口通过通信总线完成相互间的通信;
存储器用于存放至少一可执行指令,可执行指令使处理器执行上述基于超图神经网络的道具组合推荐方法对应的操作。
根据本申请实施例的再一方面,提供了一种计算机存储介质,存储介质中存储有至少一可执行指令,可执行指令使处理器执行如上述基于超图神经网络的道具组合推荐方法对应的操作。
根据本申请实施例提供的基于超图神经网络的道具组合推荐方法、装置、计算设备及计算机存储介质,利用道具构成游戏礼包,将道具作为桥梁,充分分析训练数据,从多个维度进行超边提取,构建得到用户道具组合超图以及用户道具超图,有助于削弱用户与道具组合之间的交互数据稀疏的影响;将超图神经网络应用至游戏礼包推荐场景中,充分发挥道具在游戏礼包推荐中的桥梁作用,能够得到目标数据,实现了对用户和道具组合的有效表征;依据目标数据进行道具组合推荐,有效提升了道具组合推荐的精准度,提高用户对所推荐的道具组合的采用率,极大地提升了推荐效果。
上述说明仅是本申请实施例技术方案的概述,为了能够更清楚了解本申请实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本申请实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本申请一个实施例的基于超图神经网络的道具组合推荐方法的流程示意图;
图2a示出了根据本申请另一个实施例的基于超图神经网络的道具组合推荐方法的流程示意图;
图2b示出了用户道具组合超图关联矩阵的一种示意图;
图2c示出了用户道具超图关联矩阵的一种示意图;
图3示出了根据本申请一个实施例的基于超图神经网络的道具组合推荐装置的结构框图;
图4示出了根据本申请一个实施例的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
首先,对本申请一个或多个实施例涉及的名词术语进行解释。
超图神经网络(Hypergraph Neural Nerworks,HGNN):是一种用于模拟人脑功能的神经网络,用于学习超图中的节点表示和复杂关系,它可以用来处理复杂的数据和信号,它通过使用多层神经元来学习和表达特定的信息,这些神经元之间有各自不同的连接,可以根据传入信号的强度而学习并表达出不同的功能。
超图(Hyper Graph):是一种广义上的图,又被称为超网络,是对普通图的扩展和推广;超图的边可以和任意数量的节点进行连接,可以易于表征代码结构的高阶关系;在超图中一条边可以包含任意数量的点,这些点共同属于一种关系,这种特殊的边称为超边。
多任务学习(Multi-Task Learning):是指一种集成学习方法,通过对几个任务同时训练而使得多个任务相互影响,多个任务共享一个结构,这个结构中的参数在优化的时候会被所有任务影响,在所有任务收敛时,这个结构就相当于融合了所有任务;与单任务学习相比,多任务学习具有较好的泛化能力。
贝叶斯个性化排序(Bayesian Personalized Ranking,BPR)损失函数:是一种用于学习推荐系统中用户个性化偏好的损失函数;BPR损失函数主要是为了解决隐式反馈数据下的推荐问题而提出的,其基本思想是:给定一个用户和两个物品,模型需要将用户更喜欢的物品排在用户更不喜欢的物品之前,从而学习到用户的个性化偏好。
图1示出了根据本申请一个实施例的基于超图神经网络的道具组合推荐方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤S101,获取道具组合推荐相关数据作为训练数据。
针对游戏礼包推荐场景,用户与游戏礼包之间的交互数据较少,不利于实现精准的游戏礼包推荐,而考虑到用户在参与游戏过程中经常会使用道具,即用户与道具之间的交互数据较多,那么在本申请实施例中,将道具作为桥梁,利用道具构成游戏礼包,也就是说,将道具组合作为游戏礼包,以向用户进行推荐。
为了实现精准的道具组合推荐效果,在步骤S101中,可从游戏平台中获取道具组合推荐相关数据,其中,道具组合推荐相关数据可包括用户数据、道具组合数据、道具数据、游戏平台中各个用户针对道具组合的交互数据以及各个用户针对道具的交互数据等数据。将上述道具组合推荐相关数据作为训练数据,用于超图构建中。
步骤S102,分析训练数据,确定用户节点、道具组合节点以及道具节点,构建用户道具组合超图以及用户道具超图。
在获取了训练数据之后,可通过对训练数据中的用户数据、道具组合数据以及道具数据进行分析,从而确定出各个用户、各个道具组合以及各个道具,将各个用户作为用户节点,将各个道具组合作为道具组合节点,将各个道具作为道具节点;接着可从用户与道具组合之间的交互关系、用户与道具之间的交互关系、道具组合与道具之间的隶属关系、用户相似性、道具相似性、道具组合相似性等多个维度对训练数据进行分析,并从多个维度进行超边提取。在本申请实施例中,构建了两个超图,其中,一个为用户道具组合超图,另一个为用户道具超图。
具体地,用户道具组合超图是以用户-道具组合为视角所构建的超图,用于学习用户对道具组合的偏好;用户道具超图是以用户-道具为视角所构建的超图,用于学习用户对道具的偏好。考虑到用户对道具的偏好能够影响用户对道具组合的兴趣,本申请实施例除了构建了用户道具组合超图,还构建了用户道具超图,通过结合用户道具超图,可以有助于削弱用户与道具组合之间的交互数据稀疏的影响,提升道具组合推荐的精准度。
步骤S103,利用超图神经网络,分别对用户道具组合超图和用户道具超图进行处理,并进行多任务学习,得到目标数据。
超图神经网络可以在大量数据中快速执行分析并生成准确的预测,在本申请实施例中,将超图神经网络应用至游戏礼包推荐场景中,充分发挥道具在游戏礼包推荐中的桥梁作用。利用超图神经网络,分别对用户道具组合超图和用户道具超图进行处理,例如进行超图传播、聚合等处理,得到用户道具组合超图对应的第一聚合结果以及用户道具超图对应的第二聚合结果,然后依据第一聚合结果和第二聚合结果进行多任务学习,从而最终得到目标数据。目标数据为用户和道具组合等的有效表征数据。具体地,目标数据可包括:各个用户的特征向量和各个道具组合的特征向量。
步骤S104,依据目标数据,为待推荐用户确定待推荐道具组合。
在得到了目标数据之后,依据目标数据能够便捷、精准地实现道具组合推荐。具体地,可从目标数据中查找到待推荐用户的特征向量,计算待推荐用户的特征向量与目标数据中各个道具组合的特征向量之间的相似度,将相似度较高的道具组合作为待推荐的游戏礼包推荐给该待推荐用户。
根据本申请实施例提供的基于超图神经网络的道具组合推荐方法,利用道具构成游戏礼包,将道具作为桥梁,充分分析训练数据,从多个维度进行超边提取,构建得到用户道具组合超图以及用户道具超图,有助于削弱用户与道具组合之间的交互数据稀疏的影响;将超图神经网络应用至游戏礼包推荐场景中,充分发挥道具在游戏礼包推荐中的桥梁作用,能够得到目标数据,实现了对用户和道具组合的有效表征;依据目标数据进行道具组合推荐,有效提升了道具组合推荐的精准度,提高用户对所推荐的道具组合的采用率,极大地提升了推荐效果。
图2a示出了根据本申请另一个实施例的基于超图神经网络的道具组合推荐方法的流程示意图,如图2a所示,该方法包括如下步骤:
步骤S201,获取道具组合推荐相关数据作为训练数据。
其中,道具组合推荐相关数据可包括:用户数据、道具组合数据、道具数据、各个用户针对道具组合的交互数据以及各个用户针对道具的交互数据等。在步骤S201中,可从游戏平台中获取上述道具组合推荐相关数据并将其作为训练数据,用于超图构建中。
针对游戏礼包推荐场景,用户数据具体可包括用户标识、用户参与的游戏公会、用户在游戏中的等级、用户在游戏中的角色等数据;道具组合数据具体可包括道具组合标识、道具组合的分类、道具组合所属的游戏标识、道具组合的价格、道具组合中所包括的各个道具的道具数据;道具数据具体可包括道具标识、道具功能介绍数据、道具有效时长数据等;各个用户针对道具组合的交互数据具体可包括用户标识、所交互的道具组合标识、用户针对道具组合的付费金额、支付方式、支付时间等数据;各个用户针对道具的交互数据具体可包括用户标识、所交互的道具标识、道具获取方式、用户针对道具的付费金额、支付方式、支付时间等数据。
步骤S202,分析训练数据,确定用户节点、道具组合节点以及道具节点,构建用户道具组合超图以及用户道具超图。
结合游戏礼包推荐场景的推荐低频性、单次推荐的游戏礼包数量较少等特性,本申请实施例对超图神经网络的捆绑推荐方式进行了改造。在超图构建过程中,从多个维度进行超边构造,除了构建了以用户-道具组合为视角的用户道具组合超图,还构建了以用户-道具为视角的用户道具超图。
分析训练数据,提取各个用户标识、各个道具组合标识以及各个道具标识,并确定用户与道具之间的第一交互关系、用户与道具组合之间的第二交互关系、各个用户的相似用户、各个道具的相似道具、各个道具组合的相似道具组合以及道具组合与道具之间的隶属关系;接着可依据各个用户标识、各个道具组合标识以及各个道具标识对应确定用户节点、道具组合节点以及道具节点,也就是说,将用户作为用户节点,将道具组合作为道具组合节点,将道具作为道具节点。其中,各个用户的相似用户能够用于反映出用户之间协同、兴趣偏好等方面的相似性。在确定了各节点之后,可从多个维度进行超边关系构建。
针对用户道具组合超图的构建,可依据第一交互关系、第二交互关系、各个用户的相似用户、各个道具组合的相似道具组合以及隶属关系,进行超边提取,构建用户道具组合超图。在用户道具组合超图中,以用户节点与道具组合节点作为目标节点,从而构建得到以用户-道具组合为视角的超图。
可利用用户道具组合超图关联矩阵来描述用户道具组合超图。图2b示出了用户道具组合超图关联矩阵的一种示意图,如图2b所示,用户节点包括u1节点和u2节点,道具组合节点包括b1节点、b2节点以及b3节点,道具节点包括i1节点、i2节点、i3节点以及i4节点。将用户节点与道具组合节点作为目标节点,可以依据目标节点构建用户道具组合超图关联矩阵中的行节点,并通过用户道具组合超图关联矩阵中的列从多个维度反映超边关系,如图2b所示,分别从道具维度、用户相似性维度以及道具组合相似性维度进行超边提取。例如,针对道具维度的超边提取,可基于用户与道具之间的第一交互关系、道具组合与道具之间的隶属关系等进行超边提取;针对用户相似性维度的超边提取,可基于用户与道具组合之间的第二交互关系、道具组合之间基于用户的相似用户等进行超边提取;针对道具组合相似性维度的超边提取,可基于用户与道具组合之间的第二交互关系、道具组合的相似道具组合等进行超边提取。其中,在用户道具组合超图关联矩阵中,某位置处的“1”表示其对应的行节点和列节点之间存在超边关系,“0”表示其对应的行节点和列节点之间不存在超边关系。
针对用户道具超图的构建,可依据第一交互关系、各个用户的相似用户以及各个道具的相似道具,在各个用户所交互的道具与各个用户的相似用户之间建立关联关系,在各个道具的相似道具以及与道具存在第一交互关系的用户之间建立关联关系,进行超边提取,构建用户道具超图。其中,在用户道具超图中,以用户节点与道具节点作为目标节点,从而构建得到以用户-道具为视角的超图。
可利用用户道具超图关联矩阵来描述用户道具超图。图2c示出了用户道具超图关联矩阵的一种示意图,如图2c所示,用户节点包括u1节点和u2节点,道具节点包括i1节点、i2节点、i3节点以及i4节点。将用户节点与道具节点作为目标节点,可以依据目标节点构建用户道具超图关联矩阵中的行节点,并通过用户道具超图关联矩阵中的列从多个维度反映超边关系,如图2c所示,分别从交互道具关联至相似用户维度、交互道具的相似道具关联至用户维度进行超边提取。例如,针对交互道具关联至相似用户维度的超边提取,可基于用户与道具之间的第一交互关系、各个用户的相似用户等进行超边提取,除了在用户与其所交互的道具之间建立超边,还在用户所交互的道具与该用户的相似用户之间建立超边;针对交互道具的相似道具关联至用户维度的超边提取,可基于用户与道具之间的第一交互关系、各个道具的相似道具等进行超边提取,除了在用户与其所交互的道具之间建立超边,还在用户所交互的道具的相似道具与该用户之间建立超边。其中,在用户道具超图关联矩阵中,某位置处的“1”表示其对应的行节点和列节点之间存在超边关系,“0”表示其对应的行节点和列节点之间不存在超边关系。
本申请实施例从多个维度进行超边提取,能够很好地解决用户与道具组合之间的交互数据稀疏的问题,有助于更加准确地确定用户、道具组合等的表征数据。
步骤S203,利用超图神经网络中的卷积层,分别对用户道具组合超图和用户道具超图进行信息传递与卷积处理,得到用户道具组合超图中各个超边的处理结果以及用户道具超图中各个超边的处理结果。
通过超图神经网络进行信息传递,针对用户道具组合超图关联矩阵列的信息传递,可以先从列上把信息传递至超边,再从行上把信息传递至节点,通过信息传递和卷积处理,得到用户道具组合超图中各个超边的处理结果;针对用户道具超图关联矩阵列的信息传递,也可以先从列上把信息传递至超边,再从行上把信息传递至节点,通过信息传递和卷积处理,得到用户道具超图中各个超边的处理结果。
可选地,为了有效降低与缓解信息挤压现象,可对超图神经网络进行精简,省去相邻节点间的内积部分,形成轻量级的超图神经网络,采用轻量级的超图神经网络进行信息传递与卷积处理,能够在保证推荐精准度的前提下,加快运行速度。
步骤S204,分别聚合用户道具组合超图中各个超边的处理结果以及用户道具超图中各个超边的处理结果,得到第一聚合结果和第二聚合结果。
具体地,采用权重衰减方式,对用户道具组合超图中各个超边的处理结果进行加权聚合,得到第一聚合结果;采用权重衰减方式,对用户道具超图中各个超边的处理结果进行加权聚合,得到第二聚合结果。考虑到前层的关联性通常会大于后层的关联性,在对各个超边的处理结果进行聚合的过程中,可采用权重衰减方式进行聚合,即前层对应的聚合权重大于后层对应的聚合权重。
步骤S205,依据第一聚合结果和第二聚合结果进行多任务学习,得到目标数据。
本申请实施例引入了多任务学习机制,具体地,可采用贝叶斯个性化排序损失函数,对第一聚合结果和第二聚合结果进行多任务学习,得到目标数据。从用户-道具组合学习任务中学习用户对道具组合的偏好,从用户-道具学习任务中学习用户对道具组合中所包含的道具的偏好,来帮助提升用户-道具组合任务对稀疏数据的处理能力,进一步提升道具组合推荐的精准度和推荐效果。其中,目标数据可包括:各个用户的特征向量和各个道具组合的特征向量。
步骤S206,依据目标数据,为待推荐用户确定待推荐道具组合。
在一种可选的实施方式中,可以预先确定各个用户的推荐结果,当需要进行道具组合推荐时,通过查询对应的推荐结果,可快速、便捷地完成道具组合的推荐。具体地,计算各个用户的特征向量与各个道具组合的特征向量之间的相似度;针对每个用户,按照相似度从高到低的顺序对各个道具组合进行排列,确定该用户的推荐结果,例如将排列靠前的预设数量的道具组合确定为该用户的待推荐道具组合,从而得到该用户的推荐结果。其中,推荐结果中记录有用户与待推荐道具组合之间的对应关系。当需要进行道具组合推荐时,可以从各个推荐结果中查找与待推荐用户对应的待推荐道具组合,并将待推荐道具组合推荐给待推荐用户。
在另一种可选的实施方式中,可在需要进行道具组合推荐时,再实时地通过特征向量的相似度计算为待推荐用户确定待推荐道具组合。具体地,从各个用户的特征向量中查找待推荐用户的特征向量,并计算待推荐用户的特征向量与各个道具组合的特征向量之间的相似度;按照相似度从高到低的顺序对各个道具组合进行排列,确定待推荐用户的待推荐道具组合,例如将排列靠前的预设数量的道具组合确定为该用户的待推荐道具组合;然后将待推荐道具组合推荐给待推荐用户。
在实际的游戏礼包推荐场景中,可以在用户完成某个特定任务(如通过某个游戏关卡)之后触发游戏礼包的推荐,可由游戏服务端向数据引擎请求游戏礼包(即道具组合),数据引擎依据目标数据确定该用户的待推荐道具组合,然后数据引擎向游戏服务端返回待推荐道具组合标识,游戏服务端将待推荐道具组合标识对应的道具组合的相关数据提供给游戏客户端,游戏客户端经过渲染,将道具组合展示给用户,供用户进行交互。
根据本申请实施例提供的基于超图神经网络的道具组合推荐方法,利用道具构成游戏礼包,并从多个维度对训练数据进行分析和超边提取,精准地实现了对用户道具组合超图和用户道具超图的构建,通过超图能够反映出用户、道具组合以及道具之间的高阶关系,很好地解决了用户与道具组合之间的交互数据稀疏的问题;将超图神经网络应用至游戏礼包推荐场景中,采用轻量级的超图神经网络对超图进行信息传递,能够在保证推荐精准度的前提下,加快运行速度,有效降低与缓解信息挤压现象;并且,还引入了多任务学习机制,从用户-道具组合学习任务中学习用户对道具组合的偏好,从用户-道具学习任务中学习用户对道具组合中所包含的道具的偏好,来帮助提升用户-道具组合学习任务对稀疏数据的处理能力,进一步提升道具组合推荐的精准度和推荐效果,得到能够精准、有效表征用户和道具组合的特征向量;通过用户的特征向量和道具组合的特征向量之间的相似度计算,能够为用户精准地推荐符合其偏好的道具组合,极大地提升了推荐效果,实现了道具组合的精准推荐。
图3示出了根据本申请一个实施例的基于超图神经网络的道具组合推荐装置的结构框图,如图3所示,该装置包括:获取模块310、超图构建模块320、处理模块330以及推荐模块340。
获取模块310适于:获取道具组合推荐相关数据作为训练数据。
超图构建模块320适于:分析训练数据,确定用户节点、道具组合节点以及道具节点,构建用户道具组合超图以及用户道具超图。
处理模块330适于:利用超图神经网络,分别对用户道具组合超图和用户道具超图进行处理,并进行多任务学习,得到目标数据。
推荐模块340适于:依据目标数据,为待推荐用户确定待推荐道具组合。
可选地,道具组合推荐相关数据包括:用户数据、道具组合数据、道具数据、各个用户针对道具组合的交互数据以及各个用户针对道具的交互数据。
可选地,超图构建模块320进一步适于:分析训练数据,提取各个用户标识、各个道具组合标识以及各个道具标识,并确定用户与道具之间的第一交互关系、用户与道具组合之间的第二交互关系、各个用户的相似用户、各个道具的相似道具、各个道具组合的相似道具组合以及道具组合与道具之间的隶属关系;依据各个用户标识、各个道具组合标识以及各个道具标识对应确定用户节点、道具组合节点以及道具节点;依据第一交互关系、第二交互关系、各个用户的相似用户、各个道具组合的相似道具组合以及隶属关系,进行超边提取,构建用户道具组合超图;依据第一交互关系、各个用户的相似用户以及各个道具的相似道具,在各个用户所交互的道具与各个用户的相似用户之间建立关联关系,在各个道具的相似道具以及与道具存在第一交互关系的用户之间建立关联关系,进行超边提取,构建用户道具超图。
可选地,在用户道具组合超图中,以用户节点与道具组合节点作为目标节点;在用户道具超图中,以用户节点与道具节点作为目标节点。
可选地,处理模块330进一步适于:利用超图神经网络中的卷积层,分别对用户道具组合超图和用户道具超图进行信息传递与卷积处理,得到用户道具组合超图中各个超边的处理结果以及用户道具超图中各个超边的处理结果;分别聚合用户道具组合超图中各个超边的处理结果以及用户道具超图中各个超边的处理结果,得到第一聚合结果和第二聚合结果;依据第一聚合结果和第二聚合结果进行多任务学习,得到目标数据。
可选地,处理模块330进一步适于:采用权重衰减方式,对用户道具组合超图中各个超边的处理结果进行加权聚合,得到第一聚合结果;采用权重衰减方式,对用户道具超图中各个超边的处理结果进行加权聚合,得到第二聚合结果。
可选地,处理模块330进一步适于:采用贝叶斯个性化排序损失函数,对第一聚合结果和第二聚合结果进行多任务学习,得到目标数据。
可选地,目标数据包括:各个用户的特征向量和各个道具组合的特征向量。
可选地,推荐模块340进一步适于:计算各个用户的特征向量与各个道具组合的特征向量之间的相似度;针对每个用户,按照相似度从高到低的顺序对各个道具组合进行排列,确定该用户的推荐结果;其中,推荐结果中记录有用户与待推荐道具组合之间的对应关系;从各个推荐结果中查找与待推荐用户对应的待推荐道具组合,并将待推荐道具组合推荐给待推荐用户。
可选地,推荐模块340进一步适于:从各个用户的特征向量中查找待推荐用户的特征向量,并计算待推荐用户的特征向量与各个道具组合的特征向量之间的相似度;按照相似度从高到低的顺序对各个道具组合进行排列,确定待推荐用户的待推荐道具组合;将待推荐道具组合推荐给待推荐用户。
以上各模块的描述参照方法实施例中对应的描述,在此不再赘述。
根据本申请实施例提供的基于超图神经网络的道具组合推荐装置,利用道具构成游戏礼包,并从多个维度对训练数据进行分析和超边提取,精准地实现了对用户道具组合超图和用户道具超图的构建,通过超图能够反映出用户、道具组合以及道具之间的高阶关系,很好地解决了用户与道具组合之间的交互数据稀疏的问题;将超图神经网络应用至游戏礼包推荐场景中,采用轻量级的超图神经网络对超图进行信息传递,能够在保证推荐精准度的前提下,加快运行速度,有效降低与缓解信息挤压现象;并且,还引入了多任务学习机制,从用户-道具组合学习任务中学习用户对道具组合的偏好,从用户-道具学习任务中学习用户对道具组合中所包含的道具的偏好,来帮助提升用户-道具组合学习任务对稀疏数据的处理能力,进一步提升道具组合推荐的精准度和推荐效果,得到能够精准、有效表征用户和道具组合的特征向量;通过用户的特征向量和道具组合的特征向量之间的相似度计算,能够为用户精准地推荐符合其偏好的道具组合,极大地提升了推荐效果,实现了道具组合的精准推荐。
本申请实施例还提供了一种非易失性计算机存储介质,计算机存储介质存储有至少一可执行指令,可执行指令可执行上述任意方法实施例中的基于超图神经网络的道具组合推荐方法。
图4示出了根据本申请一个实施例的一种计算设备的结构示意图,本申请实施例的具体实施例并不对计算设备的具体实现做限定。
如图4所示,该计算设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:
处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402,用于执行程序410,具体可以执行上述基于超图神经网络的道具组合推荐方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本申请实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行上述任意方法实施例中的基于超图神经网络的道具组合推荐方法。程序410中各步骤的具体实现可以参见上述基于超图神经网络的道具组合推荐实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本申请实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请实施例的内容,并且上面对特定语言所做的描述是为了披露本申请实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本申请实施例的示例性实施例的描述中,本申请实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请实施例的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请实施例的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请实施例的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例中的一些或者全部部件的一些或者全部功能。本申请实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请实施例进行说明而不是对本申请实施例进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (13)
1.一种基于超图神经网络的道具组合推荐方法,包括:
获取道具组合推荐相关数据作为训练数据;
分析所述训练数据,确定用户节点、道具组合节点以及道具节点,构建用户道具组合超图以及用户道具超图;
利用超图神经网络,分别对所述用户道具组合超图和所述用户道具超图进行处理,并进行多任务学习,得到目标数据;
依据所述目标数据,为待推荐用户确定待推荐道具组合。
2.根据权利要求1所述的方法,所述道具组合推荐相关数据包括:用户数据、道具组合数据、道具数据、各个用户针对道具组合的交互数据以及各个用户针对道具的交互数据。
3.根据权利要求1或2所述的方法,所述分析所述训练数据,确定用户节点、道具组合节点以及道具节点,构建用户道具组合超图以及用户道具超图进一步包括:
分析所述训练数据,提取各个用户标识、各个道具组合标识以及各个道具标识,并确定用户与道具之间的第一交互关系、用户与道具组合之间的第二交互关系、各个用户的相似用户、各个道具的相似道具、各个道具组合的相似道具组合以及道具组合与道具之间的隶属关系;
依据各个用户标识、各个道具组合标识以及各个道具标识对应确定所述用户节点、所述道具组合节点以及所述道具节点;
依据所述第一交互关系、所述第二交互关系、各个用户的相似用户、各个道具组合的相似道具组合以及所述隶属关系,进行超边提取,构建所述用户道具组合超图;
依据所述第一交互关系、各个用户的相似用户以及各个道具的相似道具,在各个用户所交互的道具与各个用户的相似用户之间建立关联关系,在各个道具的相似道具以及与所述道具存在第一交互关系的用户之间建立关联关系,进行超边提取,构建所述用户道具超图。
4.根据权利要求1-3任一项所述的方法,在所述用户道具组合超图中,以所述用户节点与所述道具组合节点作为目标节点;
在所述用户道具超图中,以所述用户节点与所述道具节点作为目标节点。
5.根据权利要求1-4任一项所述的方法,所述利用超图神经网络,分别对所述用户道具组合超图和所述用户道具超图进行处理,并进行多任务学习,得到目标数据进一步包括:
利用所述超图神经网络中的卷积层,分别对所述用户道具组合超图和所述用户道具超图进行信息传递与卷积处理,得到所述用户道具组合超图中各个超边的处理结果以及所述用户道具超图中各个超边的处理结果;
分别聚合所述用户道具组合超图中各个超边的处理结果以及所述用户道具超图中各个超边的处理结果,得到第一聚合结果和第二聚合结果;
依据所述第一聚合结果和所述第二聚合结果进行多任务学习,得到所述目标数据。
6.根据权利要求5所述的方法,所述分别聚合所述用户道具组合超图中各个超边的处理结果以及所述用户道具超图中各个超边的处理结果,得到第一聚合结果和第二聚合结果进一步包括:
采用权重衰减方式,对所述用户道具组合超图中各个超边的处理结果进行加权聚合,得到所述第一聚合结果;
采用权重衰减方式,对所述用户道具超图中各个超边的处理结果进行加权聚合,得到所述第二聚合结果。
7.根据权利要求5所述的方法,所述依据所述第一聚合结果和所述第二聚合结果进行多任务学习,得到所述目标数据进一步包括:
采用贝叶斯个性化排序损失函数,对所述第一聚合结果和所述第二聚合结果进行多任务学习,得到所述目标数据。
8.根据权利要求1-7任一项所述的方法,所述目标数据包括:各个用户的特征向量和各个道具组合的特征向量。
9.根据权利要求8所述的方法,所述依据所述目标数据,为待推荐用户确定待推荐道具组合进一步包括:
计算各个用户的特征向量与各个道具组合的特征向量之间的相似度;
针对每个用户,按照相似度从高到低的顺序对各个道具组合进行排列,确定该用户的推荐结果;其中,所述推荐结果中记录有用户与待推荐道具组合之间的对应关系;
从各个推荐结果中查找与所述待推荐用户对应的待推荐道具组合,并将所述待推荐道具组合推荐给所述待推荐用户。
10.根据权利要求8所述的方法,所述依据所述目标数据,为待推荐用户确定待推荐道具组合进一步包括:
从各个用户的特征向量中查找所述待推荐用户的特征向量,并计算所述待推荐用户的特征向量与各个道具组合的特征向量之间的相似度;
按照相似度从高到低的顺序对各个道具组合进行排列,确定所述待推荐用户的待推荐道具组合;
将所述待推荐道具组合推荐给所述待推荐用户。
11.一种基于超图神经网络的道具组合推荐装置,包括:
获取模块,适于获取道具组合推荐相关数据作为训练数据;
超图构建模块,适于分析所述训练数据,确定用户节点、道具组合节点以及道具节点,构建用户道具组合超图以及用户道具超图;
处理模块,适于利用超图神经网络,分别对所述用户道具组合超图和所述用户道具超图进行处理,并进行多任务学习,得到目标数据;
推荐模块,适于依据所述目标数据,为待推荐用户确定待推荐道具组合。
12.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-10中任一项所述的基于超图神经网络的道具组合推荐方法对应的操作。
13.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-10中任一项所述的基于超图神经网络的道具组合推荐方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311550754.XA CN117593077A (zh) | 2023-11-20 | 2023-11-20 | 基于超图神经网络的道具组合推荐方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311550754.XA CN117593077A (zh) | 2023-11-20 | 2023-11-20 | 基于超图神经网络的道具组合推荐方法、装置及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117593077A true CN117593077A (zh) | 2024-02-23 |
Family
ID=89916030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311550754.XA Pending CN117593077A (zh) | 2023-11-20 | 2023-11-20 | 基于超图神经网络的道具组合推荐方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593077A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932278A (zh) * | 2024-03-22 | 2024-04-26 | 四川省生态环境科学研究院 | 一种智慧城市环保监控系统及方法 |
-
2023
- 2023-11-20 CN CN202311550754.XA patent/CN117593077A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932278A (zh) * | 2024-03-22 | 2024-04-26 | 四川省生态环境科学研究院 | 一种智慧城市环保监控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220198289A1 (en) | Recommendation model training method, selection probability prediction method, and apparatus | |
CN113508378B (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
EP4180991A1 (en) | Neural network distillation method and apparatus | |
CN112380453B (zh) | 物品推荐方法、装置、存储介质及设备 | |
CN110413888B (zh) | 一种书籍推荐方法及装置 | |
CN111506820B (zh) | 推荐模型、方法、装置、设备及存储介质 | |
CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
CN110175895A (zh) | 一种物品推荐方法及装置 | |
CN117593077A (zh) | 基于超图神经网络的道具组合推荐方法、装置及计算设备 | |
CN112182362A (zh) | 训练用于在线预测点击率的模型的方法、设备及推荐系统 | |
CN111931055A (zh) | 对象推荐方法、对象推荐装置和电子设备 | |
CN114626503A (zh) | 模型的训练方法、目标检测方法、装置、电子设备及介质 | |
CN117217284A (zh) | 一种数据处理方法及其装置 | |
CN117009650A (zh) | 一种推荐方法以及装置 | |
CN117251619A (zh) | 一种数据处理方法及相关装置 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
CN115237732A (zh) | 一种操作预测方法及相关装置 | |
CN116764236A (zh) | 游戏道具推荐方法、装置、计算机设备和存储介质 | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
WO2024078411A1 (zh) | 一种数据处理方法及其装置 | |
WO2023051678A1 (zh) | 一种推荐方法及相关装置 | |
CN116204709A (zh) | 一种数据处理方法及相关装置 | |
CN108920492A (zh) | 一种网页分类方法、系统、终端及存储介质 |
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 |