JP2021193595A - 会話推薦方法、装置及び機器 - Google Patents

会話推薦方法、装置及び機器 Download PDF

Info

Publication number
JP2021193595A
JP2021193595A JP2021148407A JP2021148407A JP2021193595A JP 2021193595 A JP2021193595 A JP 2021193595A JP 2021148407 A JP2021148407 A JP 2021148407A JP 2021148407 A JP2021148407 A JP 2021148407A JP 2021193595 A JP2021193595 A JP 2021193595A
Authority
JP
Japan
Prior art keywords
node
feature vector
determining
weight
conversation
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.)
Granted
Application number
JP2021148407A
Other languages
English (en)
Other versions
JP7262539B2 (ja
Inventor
天健 何
Tianjian He
毅 ▲劉▼
Yi Liu
大祥 董
Daxiang Dong
佃海 于
Dianhai Yu
▲艶軍▼ ▲馬▼
yan jun Ma
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Publication of JP2021193595A publication Critical patent/JP2021193595A/ja
Application granted granted Critical
Publication of JP7262539B2 publication Critical patent/JP7262539B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • G06F16/954—Navigation, e.g. using categorised browsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • 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
    • G06N3/045—Combinations of 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Discrete Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

【課題】有用な情報を効率的に学習し、会話推薦結果の精度を向上させる会話推薦方法、装置、電子機器及び記憶媒体を提供する。【解決手段】方法は、現在の会話に対応する有向グラフを取得する。現在の会話には、複数のクリックされたオブジェクトが含まれる。有向グラフには、複数のクリックされたオブジェクトに夫々対応する複数のノード及びノード間の有向エッジが含まれる。有向エッジは、ノード間の関係データを表する。方法はさらに、各ノードの特徴ベクトル及び関係データに基づいて、有向グラフ内のノードに対応する各有向エッジのアテンションの重みを決定し、各ノードに対して、関係データ及びアテンションの重みに基づいて、ノードの新たな特徴ベクトルを決定し、各ノードの新たな特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定し、現在の会話の特徴ベクトルに基づいてオブジェクト推薦を行う。【選択図】図１

Description

本願は、コンピュータ技術の分野に関し、具体的には、深度学習などの人工知能技術の分野に関し、特に会話推薦方法、装置、電子機器及び記憶媒体に関する。
コンピュータ技術の分野において、グラフは、１組のオブジェクト（ノード）及びそれらの関係（エッジ）に対してモデリングを行うことができる自然なデータ構造である。近年、グラフ構造の表現力が強いことから、機械学習法によるグラフ分析の研究が注目されている。
現在、推薦システムにおいてグラフ構造データと組み合わせて推薦することができ、推薦中に、グラフ構造データを正確に処理することは、正確な推薦を実現することに対して非常に重要であり、グラフ構造データから有用な情報を正確に学習できない場合、不正確な推薦結果につながる。そのため、会話推薦をいかにより適切に実現するかが、解決すべき緊急の課題となっている。
本願は、会話推薦方法、装置、電子機器及び記憶媒体を提供する。
第１の態様によれば、会話推薦方法を提供し、
現在の会話に対応する有向グラフを取得するステップであって、ここで、前記現在の会話には複数のクリックされたオブジェクトが含まれ、前記有向グラフには複数のノード及びノード間の有向エッジが含まれ、前記複数のノードが前記複数のクリックされたオブジェクトにそれぞれ対応し、前記有向エッジがノード間の関係データを表すステップと、
各前記ノードの特徴ベクトル及び前記関係データに基づいて、前記有向グラフ内の前記ノードに対応する各前記有向エッジのアテンションの重みを決定するステップと、
各前記ノードに対して、前記関係データ及び前記アテンションの重みに基づいて、前記ノードの新たな特徴ベクトルを決定するステップと、
各前記ノードの新たな特徴ベクトルに基づいて、前記現在の会話の特徴ベクトルを決定するステップと、
前記現在の会話の特徴ベクトルに基づいて、オブジェクト推薦を行うステップと、を含む。
第２の態様によれば、会話推薦装置を提供し、
現在の会話に対応する有向グラフを取得するための第１の取得モジュールであって、ここで、前記現在の会話には複数のクリックされたオブジェクトが含まれ、前記有向グラフには複数のノード及びノード間の有向エッジが含まれ、前記複数のノードが前記複数のクリックされたオブジェクトにそれぞれ対応し、前記有向エッジがノード間の関係データを表す第１の取得モジュールと、
各前記ノードの特徴ベクトル及び前記関係データに基づいて、前記有向グラフ内の前記ノードに対応する各前記有向エッジのアテンションの重みを決定するための第１の決定モジュールと、
各前記ノードに対して、前記関係データ及び前記アテンションの重みに基づいて、前記ノードの新たな特徴ベクトルを決定するための第２の決定モジュールと、
各前記ノードの新たな特徴ベクトルに基づいて、前記現在の会話の特徴ベクトルを決定するための第３の決定モジュールと、
前記現在の会話の特徴ベクトルに基づいて、オブジェクト推薦を行うための第１の実行モジュールと、を含む。
第３の態様によれば、電子機器を提供し、
少なくとも１つのプロセッサと、
前記少なくとも１つのプロセッサに通信可能に接続されるメモリと、を含み、
前記メモリには、前記少なくとも１つのプロセッサによって実行可能な命令が記憶され、前記命令は、前記少なくとも１つのプロセッサが本願の第１の態様に記載の会話推薦方法を実行できるように、前記少なくとも１つのプロセッサによって実行される。
第４の態様によれば、コンピュータ命令が記憶されている非一時的なコンピュータ読み取り可能な記憶媒体を提供し、前記コンピュータ命令は、コンピュータに本願の第１の態様に記載の会話推薦方法を実行させる。
第５の態様によれば、コンピュータプログラムを提供し、前記コンピュータプログラムは、コンピュータに本願の第１の態様に記載の会話推薦方法を実行させる。
本願により提供される実施例は、少なくとも以下の有益な技術的効果を有する。
現在の会話に対応する有向グラフを取得し、ここで、現在の会話には複数のクリックされたオブジェクトが含まれ、有向グラフには複数のノード及びノード間の有向エッジが含まれ、複数のノードが複数のクリックされたオブジェクトにそれぞれ対応し、有向エッジがノード間の関係データを表し、次に、各ノードの特徴ベクトル及び関係データに基づいて、有向グラフ内のノードに対応する各有向エッジのアテンションの重みを決定し、その後、各ノードに対して、関係データ及びアテンションの重みに基づいて、ノードの新たな特徴ベクトルを決定し、続いて、各ノードの新たな特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定し、さらに、現在の会話の特徴ベクトルに基づいて、オブジェクト推薦を行う。これにより、現在の会話に対応する有向グラフを取得し、有向グラフ内のノードの特徴ベクトル及び関係データと組み合わせることにより、有向グラフ内の有向エッジのアテンションの重みを適応的に決定し、続いて、決定された重みに基づいてノードを表すことができ、有用な情報を効率的に学習し、会話推薦結果の精度を向上させることができる。
なお、この部分に記載されている内容は、本願の実施例の肝心な又は重要な特徴を特定することを意図しておらず、本願の範囲を限定するものでもない。本願の他の特徴は、以下の説明を通じて容易に理解される。
図面は、本技術案をより良く理解するために使用され、本願を限定するものではない。
本願の実施例１に係る概略図である。 本願の実施例２に係る概略図である。 本願の実施例３に係る概略図である。 本願の実施例４に係る概略図である。 本願の実施例５に係る概略図である。 本願の実施例６に係る概略図である。 本願の実施例７に係る概略図である。 本願の実施例８に係る概略図である。 本願の実施例に係る会話推薦方法を実現するための電子機器のブロック図である。
以下、図面を参照しながら本願の例示的な実施例を説明するが、この説明には、理解を容易にするために本願の実施例の様々な詳細事項が含まれており、それらは単なる例示的なものと見なされるべきである。従って、当業者は、本願の範囲及び精神から逸脱することなく、ここで説明される実施例に対して様々な変更と修正を行うことができることを理解できる。同様に、わかりやすく且つ簡潔にするために、以下の説明では、周知の機能及び構造についての説明を省略する。
現在、推薦システムでは、通常、グラフニューラルネットワークに基づいて会話に対応する有向グラフに対して相関処理を行うが、関連技術におけるグラフニューラルネットワークがグラフ構造情報を理解してノードの集約操作を行う場合、対応するノードとその隣接ノードとの特徴ベクトルのみを使用して平均化し、実際のアプリケーションシナリオでは、ノードと隣接ノードの関係が多様である可能性があるため、特徴ベクトルを平均化することは有用な情報を効率的に学習しにくく、不正確な推薦結果につながる。正確な結果を実現するために、本願は、会話推薦方法、装置、電子機器及び記憶媒体を提供し、本願は、現在の会話に対応する有向グラフを取得し、各ノードの特徴ベクトル及び関係データに基づいて、有向グラフ内のノードに対応する各有向エッジのアテンションの重みを決定し、その後、各ノードに対して、関係データ及びアテンションの重みに基づいて、ノードの新たな特徴ベクトルを決定し、続いて、各ノードの新たな特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定し、さらに、現在の会話の特徴ベクトルに基づいてオブジェクト推薦を行う。これにより、現在の会話に対応する有向グラフを取得し、有向グラフ内のノードの特徴ベクトル及び関係データと組み合わせることにより、有向グラフ内の有向エッジのアテンションの重みを適応的に決定し、続いて、決定された重みに基づいてノードを表すことができ、有用な情報を効率的に学習し、会話推薦結果の精度を向上させることができる。
以下、図面を参照しながら本願の実施例に係る会話推薦方法、装置、電子機器及び記憶媒体について説明する。
図１は、本願の一実施例に係る会話推薦方法のフローチャートである。なお、本願の実施例に係る会話推薦方法は、本願の実施例の会話推薦装置に適用でき、当該装置は、電子機器に適用されてもよく、ここで、電子機器は、端末機器又はサーバを含んでもよい。例えば、モバイル端末は、スマートフォン、タブレットコンピュータ、ＰＡＤ、パーソナルデジタルアシスタントなどを含む。本願の実施例は、これを限定しない。
Ｓ１０１において、現在の会話に対応する有向グラフを取得する。ここで、現在の会話には複数のクリックされたオブジェクトが含まれ、有向グラフには複数のノード及びノード間の有向エッジが含まれ、複数のノードが複数のクリックされたオブジェクトにそれぞれ対応し、有向エッジがノード間の関係データを表す。
ここで、現在の会話とは、あるユーザがあるウェブサイトを開いてからの一定期間内の、当該ウェブサイトとのインタラクションレコード、すなわちクリックされたオブジェクトのシーケンスを意味する。
ここで、本実施例におけるオブジェクトは広義の概念であり、具体的なアプリケーションシナリオに関連し、当該オブジェクトは商品、小説、ビデオ、ニュースなどを含むが、これらに限定されない。
本願の一実施例では、ユーザのウェブページ閲覧ログから現在の会話を取得することができる。ここで、ウェブサイトによって収集されたユーザの閲覧ログデータに対して、設定された時間間隔に従ってユーザのログレコードを複数の会話に分割し、各会話には、ユーザがクリックしたオブジェクトが含まれる。
例を挙げて言うと、ユーザは電子機器を介してＡウェブサイトを閲覧し、ここで、このＡウェブサイトを閲覧中の一定時間内に１０個の商品を連続してクリックし、ここで、当該１０個の商品を連続してクリックする動作を現在の会話として理解されてもよく、現在の会話にある商品と組み合わせて現在の会話に対応する有向グラフを構築してもよく、ここで、有向グラフ内の各ノードが各クリックされた商品に対応し、有向グラフ内の各有向エッジは、現在の会話においてユーザが有向エッジの開始ノードに対応する商品をクリックした後、有向エッジが指向するターゲットノードに対応する商品をクリックすることを表す。
ここで、有向グラフの例示図については、図２に示すように、当業者にノードとノードとの間の関係データを明確に理解させるために、以下は、図２と組み合わせて例示的に説明する。
本願の一実施例では、隣接行列で有向グラフの関係、すなわち、隣接行列で有向エッジに対応する重みを表すことができ、隣接行列で有向グラフの関係を表す場合、図２のａに示すように、インディグリー行列とアウトディグリー行列に分割される。
図２に示される有向グラフについて、ノードの特徴ベクトル及び関係データと組み合わせて有向グラフ内の有向エッジの重みを決定する前に、当該有向グラフに対応する有向グラフの関係に対応する隣接行列は、図２のｂに示すとおりである。
なお、各会話のグラフ表示では、クリックされた各オブジェクトが統一されたｅｍｂｅｄｄｉｎｇ（埋め込み）空間に埋め込まれ、そのため、各ノードの特徴ベクトルを使用して、当該ノードに対応するオブジェクトの特徴ベクトルを表すことができ、すなわち本実施例におけるノードの特徴ベクトルが、当該ノードに対応するオブジェクトの特徴ベクトルに対応する。
Ｓ１０２において、各ノードの特徴ベクトル及び関係データに基づいて、有向グラフ内のノードに対応する各有向エッジのアテンションの重みを決定する。
本願の実施例では、現在の会話に対応する有向グラフを取得し、有向グラフ内の各ノードの特徴ベクトル及び関係データを、予めトレーニングされたグラフアテンションネットワークモデル（Ｇｒａｐｈ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋｓ、ＧＡＴ）に入力して、グラフアテンションネットワークモデルのアテンションレイヤーを介して、有向グラフ内のノードに対応する各有向エッジのアテンションの重みを決定することができる。
ここで、ノードの特徴ベクトルは、現在の会話におけるオブジェクトに対応する特徴ベクトルと理解されてもよく、例えば、オブジェクトの語義特徴、文字特徴、品詞特徴、位置特徴、エンティティ特徴などである。
ここで、語義特徴は、ＢＥＲＴによって予めトレーニングされたベクトルを用いて単語語義の特徴表示を行うことができ、文字特徴は、時制、接辞など、より豊富な単語意味特徴を取得するために、文字をエンコードして異なる畳み込みカーネルの畳み込みニューラルネットワークに入力することにより、最大プールを用いて単語における特徴が最大の部分を単語特徴ベクトルの特徴表示の一部として抽出することができ、品詞特徴は、ランダムに初期化された品詞行列を検索することにより特徴表示を行うことができ、位置特徴は、文の各単語の絶対位置を用いてエンコードして、ランダムに初期化されたエンコードレイヤーに入力することにより、位置ベクトルの特徴表示を行うことができ、エンティティ特徴は、ＢＩＯラベル付け形式を用いて認識タイプをラベル付けすることができ、本明細書の実施例はコーパスでラベル付けされたすべてのエンティティラベルを使用し、すべての可能なエンティティタイプの特徴を合計する。
一実施形態として、有向グラフ内の各ノードの特徴ベクトル及び関係データを、予めトレーニングされたグラフアテンションネットワークモデルに入力し、グラフアテンションネットワークモデルは、各ノードに対して、関係データに基づいてノードの隣接ノードを取得し、続いてノードの特徴ベクトル及び隣接ノードの特徴ベクトルに基づいて、ノードと隣接ノードとの間の相関係数の重みを決定し、相関係数の重みに基づいて、隣接ノードに対するノードのアテンションの重みを決定することができる。具体的な実現プロセスは後続の実施例を参照することができる。
Ｓ１０３において、各ノードに対して、関係データ及びアテンションの重みに基づいて、ノードの新たな特徴ベクトルを決定する。
本願の実施例では、グラフアテンションネットワークモデルは、有向グラフにおけるノードに対応する各有向エッジのアテンションの重みを決定した後、各ノードに対して、ノード間の関係データに基づいてノードの新たな特徴ベクトルを決定することができる。
実施例の一実現形態として、関係データに基づいてノードの隣接ノードを取得し、続いてノードと隣接ノードとの間の対応する有向エッジを取得し、対応する有向エッジのアテンションの重みを取得し、続いて隣接ノードの特徴ベクトルと対応する有向エッジのアテンションの重みとに基づいて、ノードの新たな特徴ベクトルを決定することができる。具体的な実現プロセスは後続の実施例を参照することができる。
Ｓ１０４において、各ノードの新たな特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定する。
すなわち、各ノードの新たな特徴ベクトルを決定した後、各ノードの新たな特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定することができる。
本願の一実施例では、ノードの新たな特徴ベクトルをスプライシングして、現在の会話の特徴ベクトルを決定してもよく、又は、ノードの特徴ベクトルを合計して、現在の会話の特徴ベクトルを取得してもよく、実際のアプリケーションにおいて、アプリケーションの要求に合わせ、他の方式を用いて当該現在の会話の特徴ベクトルを決定することができ、当該実施例は、有向グラフ内の各ノードの新たな特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定するという具体的な実施形態について限定しない。
他の例示的な実施形態として、現在の会話に対応するクリックされたオブジェクトのシーケンスについては、一般的に、クリックされたシーケンスにおける異なる位置のオブジェクトが現在の会話に与える影響は異なり、後で現在の会話に対してオブジェクト推薦を正確に行うために、上記のステップ１０４の可能な一実現形態は、次のとおりである：現在の会話内のクリックされたオブジェクトをソートし、さらに現在の会話内のクリックされたオブジェクトのソート順を取得し、続いて、ソート順に基づいて有向グラフにおける各ノードの位置情報を決定し、次に、各ノードの位置情報をベクトル表示を行って、各ノードの位置表示ベクトルを取得し、各ノードに対して、ノードの位置表示ベクトルと新たな特徴ベクトルとに基づいて、ノードのターゲット特徴ベクトルを決定し、各ノードのターゲット特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定する。
Ｓ１０５において、現在の会話の特徴ベクトルに基づいて、オブジェクト推薦を行う。
本実施例では、現在の会話の特徴ベクトルを決定した後、現在の会話の特徴ベクトルに基づいて、ユーザの次の動作に対してオブジェクト推薦を行うことができる。
本願の実施例に係る会話推薦方法によれば、現在の会話に対応する有向グラフを取得し、ここで、現在の会話には複数のクリックされたオブジェクトが含まれ、有向グラフには複数のノード及びノード間の有向エッジが含まれ、複数のノードが複数のクリックされたオブジェクトにそれぞれ対応し、有向エッジがノード間の関係データを表し、次に、各ノードの特徴ベクトル及び関係データに基づいて、有向グラフ内のノードに対応する各有向エッジのアテンションの重みを決定し、その後、各ノードに対して、関係データ及びアテンションの重みに基づいて、ノードの新たな特徴ベクトルを決定し、続いて、各ノードの新たな特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定し、さらに、現在の会話の特徴ベクトルに基づいてオブジェクト推薦を行う。これにより、現在の会話に対応する有向グラフを取得し、有向グラフ内のノードの特徴ベクトル及び関係データと組み合わせることにより、有向グラフ内の有向エッジのアテンションの重みを適応的に決定し、決定された重みに基づいてノードを表すことができ、有用な情報を効率的に学習し、会話推薦結果の精度を向上させることができる。
本実施例では、具体的に実現する時に、各前記ノードの特徴ベクトル及び前記関係データに基づいて、有向グラフ内のすべてのノードの特徴ベクトル及び前記関係データをグラフアテンションネットワークモデルに入力して、当該アテンションネットワークモデルによって各ノードの特徴ベクトルの新たな特徴ベクトルを取得することができる。
ここで、アテンションネットワークモデルによって各ノードの特徴ベクトルの新たな特徴ベクトルを取得することの具体的な実現形態は次のとおりである：アテンションネットワークモデルのアテンションレイヤーが各ノードの特徴ベクトルと組み合わせて各有向エッジのアテンションの重みを取得し、出力レイヤーが各ノードの新たな特徴ベクトル及び有向エッジのアテンションの重みと組み合わせて各ノードの新たな特徴ベクトルを取得する。
アテンションレイヤーの表現力をさらに向上させるために、図３に示すように、本願において予め設定されたグラフアテンションニューラルネットワークは、マルチヘッドアテンションメカニズムを用いてもよく、ここで、各ノードの特徴ベクトルに対する上記更新プロセスは、グラフアテンションネットワークモデルの各ヘッドのアテンションメカニズムが有向グラフ内の各前記ノードの特徴ベクトル及び前記関係データと組み合わせて計算し、各ヘッドのアテンションメカニズムと組み合わせて対応するノードの特徴ベクトルを取得し、取得された特徴ベクトルをスプライシングして、対応するノードの最後の新たな特徴ベクトルを取得することである。ここで、図３は本願の実施例に係るマルチヘッドアテンションメカニズムの概略図であり、Ｋグループの相互独立したアテンションメカニズムを呼び出して、出力結果を融合することができる：
Figure 2021193595
ここで、
Figure 2021193595
は、ｉ番目のノードの新たな特徴ベクトルを表し、
Figure 2021193595
は、ｊ番目のノードの元の特徴ベクトルを表し、
Figure 2021193595
は、ｉ番目のノードとｊ番目のノードとの正規化係数を表し、Ｗｋは、Ｋ個のアテンションメカニズムに対応する重み行列を表し、σは、非線形活性化関数を表す。
当業者に本願をより容易に理解させるために、図４は本願の具体的な一実施例によるに係る会話推薦方法のフローチャートである。図４に示すように、当該会話推薦方法は、ステップＳ４０１〜Ｓ４０８を含むことができる。
Ｓ４０１において、現在の会話に対応する有向グラフを取得し、ここで、現在の会話には複数のクリックされたオブジェクトが含まれ、有向グラフには複数のノード及びノード間の有向エッジが含まれ、複数のノードが複数のクリックされたオブジェクトにそれぞれ対応し、有向エッジがノード間の関係データを表す。
例を挙げて言うと、ユーザが電子機器を介してＡウェブサイトを閲覧し、ここで、当該Ａウェブサイトを閲覧中の一定時間内に１０個の商品を連続してクリックし、ここで、当該１０個の商品を連続してクリックする動作を現在の会話として理解されてもよく、現在の会話にある商品と組み合わせて現在の会話に対応する有向グラフを構築してもよく、ここで、有向グラフ内の各ノードが各クリックされた商品に対応し、有向グラフ内の各有向エッジは、現在の会話においてユーザが有向エッジの開始ノードに対応する商品をクリックした後、有向エッジが指向するターゲットノードに対応する商品をクリックすることを表す。
Ｓ４０２において、各ノードに対して、関係データに基づいてノードの隣接ノードを取得する。
すなわち、有向グラフ内の複数のノード及びノード間の関係データに基づいて、ノードの隣接ノードを決定し、さらにノードの隣接ノードを取得することができる。
Ｓ４０３において、ノードの特徴ベクトル及び隣接ノードの特徴ベクトルに基づいて、ノードと隣接ノードとの間の相関係数の重みを決定する。
ノードの特徴ベクトル及び隣接ノードの特徴ベクトルに基づいて、ノードに対する隣接ノードの特徴の重要性を決定することができると理解できる。
本願の実施例において、ノードの特徴ベクトル及び隣接ノードの特徴ベクトルに対してそれぞれ線形変換を行って、ノードの中間特徴ベクトル及び隣接ノードの中間特徴ベクトルを取得し、ノードの中間特徴ベクトル及び隣接ノードの中間特徴ベクトルに基づいて、ノードと隣接ノードとの間の類似度を決定し、類似度に基づいて、ノードと隣接ノードとの間の相関係数の重みを決定することができる。
ここで、ノードの特徴ベクトル及び隣接ノードの特徴ベクトルに対してそれぞれ線形変換を行うことは、２つのベクトル空間の間の関数で、ベクトル加算とスカラー乗算の演算を維持することとして理解されてもよく、ここで、線形変換のノードの特徴ベクトルと隣接ノードの特徴ベクトルは、変換で方向が変わらないことを意味する。
ここで、本願の実施例では、ノードの中間特徴ベクトル及び隣接ノードの中間特徴ベクトルに基づいて、ユークリッド距離によりノードと隣接ノードとの間の類似度を決定することができる。
本願の一実施例では、ノードの中間特徴ベクトル及び隣接ノードの中間特徴ベクトルに基づいて、ベクトル空間余弦アルゴリズムによってノードと隣接ノードとの間の類似度を決定することができる。
例を挙げて言うと、全てのノードの特徴ベクトルセットは、
Figure 2021193595
であり、ここで、Ｎはノードの数を表し、Ｆは特徴ベクトルの次元を表す。
ここで、隣接ノードｖｊからノードｖｉまでの重み係数は、
Figure 2021193595
であり、ここで、ｖｉは、有向グラフ内のｉ番目のノードを表し、Ｗは、当該レイヤーのノード特徴変換の重みパラメータを表し、ａ（）は、ノードと隣接ノードとの２つのノード間の類似度関数を表す。ここで、類似度関数は、ベクトルの内積を選択してもよく、パラメータ付きのニューラルネットワークを選択してもよい。
Ｓ４０４において、相関係数の重みに基づいて、隣接ノードに対するノードのアテンションの重みを決定する。
重みをよりよく割り当てるために、本願の実施例では、ノードと隣接ノードとの間の相関係数の重みを決定した後、相関係数の重みを正規化して、正規化された相関係数の重みを取得し、正規化された相関係数の重みに基づいて、隣接ノードに対するノードのアテンションの重みを決定することができる。
ここで、本願の一実施例では、正規化指数関数（ｓｏｆｔｍａｘ関数）を介して相関係数の重みを正規化することができる。例えば、正規化された相関係数の重みは、
Figure 2021193595
である。
ここで、ａｉｊは、正規化された相関係数の重みであり、ｅｉｊは、正規化前の相関係数の重みであり、ｋは、ノードｉの全ての隣接ノードを表す。
上記複数の式を統合して、完全なアテンションの重み係数の計算式
Figure 2021193595
を取得することができる。
ここで、Ｔは転置を表し、｜｜はスプライシング操作を表し、ＬｅａｋｙＲｅＬＵは非線形活性化関数である。
Ｓ４０５において、関係データに基づいて、ノードの隣接ノードを取得し、ノードと隣接ノードとの間の対応する有向エッジを取得し、対応する有向エッジのアテンションの重みを取得する。
すなわち、有向グラフ内の複数のノード及び複数のノード間の関係データに基づいて、ノードの隣接ノードを決定し、さらにノードの隣接ノード、及びノードと隣接ノードとの間の対応する有向エッジを取得することができる。
本願の実施例では、隣接ノードに対するノードのアテンションの重みを決定する場合、隣接ノードに対するノードのアテンションの重みを取得し、隣接ノードに対するノードのアテンションの重みを、ノードの対応する有向エッジのアテンションの重みとすることができる。
Ｓ４０６において、隣接ノードの特徴ベクトル及び対応する有向エッジのアテンションの重みに基づいて、ノードの新たな特徴ベクトルを決定する。
本願の一実施例では、隣接ノードの特徴ベクトルに対して線形変換を行って、隣接ノードの中間特徴ベクトルを取得し、続いて対応する有向エッジのアテンションの重みに基づいて、中間特徴ベクトルに対して加重加算を行って、ノードの新たな特徴ベクトルを取得することができる。
例を挙げて言うと、重み係数計算を完了した後、加重加算の考え方に従って、新たな特徴ベクトルを、
Figure 2021193595
として求めることができる。
Ｓ４０７において、各ノードの新たな特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定する。
すなわち、各ノードの新たな特徴ベクトルを決定した後、各ノードの新たな特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定することができる。例えば、新たなノード特徴ベクトルセットは、
Figure 2021193595
である。
本願の一実施例では、現在の会話内のクリックされたオブジェクトのソート順を取得し、ソート順に基づいて、有向グラフ内の各ノードの位置情報を決定し、各ノードの位置情報に対してベクトル表示を行って、各ノードの位置表示ベクトルを取得し、各ノードに対して、ノードの位置表示ベクトルと新たな特徴ベクトルとに基づいて、ノードのターゲット特徴ベクトルを決定し、各ノードのターゲット特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定する。
Ｓ４０８において、現在の会話の特徴ベクトルに基づいてオブジェクト推薦を行う。
すなわち、現在の会話の特徴ベクトルを決定した後、現在の会話の特徴ベクトルに基づいて、ユーザの次の動作に対してオブジェクト推薦を行うことができる。
本願の一実施例では、オブジェクトデータベース内の各オブジェクトの特徴ベクトルと現在の会話の特徴ベクトルとの間の類似度を計算することで、類似度に基づいて、現在の会話におけるオブジェクトデータベース内の各オブジェクトのクリック確率を決定し、クリック確率の大きい順に、オブジェクトデータベース内の各オブジェクトをソートして、ソート結果を取得し、ソート結果から上位Ｋ個のオブジェクトを選択し、Ｋ個のオブジェクトに基づいてオブジェクト推薦を行い、ここで、Ｋは１以上の整数である。
本実施例は、現在の会話内のノードの新規な特徴ベクトルと組み合わせて、現在の会話の特徴ベクトルを取得した後、現在の会話の特徴ベクトルとオブジェクトデータベース内の各ノードの特徴ベクトルとに基づいて、類似度計算を行い、類似度計算によって、現在の会話に対するオブジェクト推薦結果を正確に決定し、会話推薦の精度をさらに向上させる。
実現可能な一実施形態として、角度余弦アルゴリズムにより、オブジェクトデータベース内の各オブジェクトの特徴ベクトルと現在の会話の特徴ベクトルとの間の類似度を計算することができる。ここで、オブジェクトデータベース内の各オブジェクトの特徴ベクトルと現在の会話の特徴ベクトルとの間の類似度が高いほど、オブジェクトデータベース内の各オブジェクトに対するクリック確率が大きくなる。
別の実現可能な実施形態として、Ｊａｃｃａｒｄ類似係数により、オブジェクトデータベース内の各オブジェクトの特徴ベクトルと現在の会話の特徴ベクトルとの間の類似度を計算することができる。
さらに別の実現可能な実施形態として、相関係数関数により、オブジェクトデータベース内の各オブジェクトの特徴ベクトルと現在の会話の特徴ベクトルとの間の類似度を計算することができる。
本願の実施例に係る会話推薦方法によれば、ユーザの現在の会話を取得した後、現在の会話内のクリックされたオブジェクトに基づいて、現在の会話に対応する有向グラフを構築し、ここで、有向グラフ内の各ノードはそれぞれ現在の会話内のオブジェクトであり、各ノードに対して、関係データに基づいてノードの隣接ノードを取得し、ノードの特徴ベクトル及び隣接ノードの特徴ベクトルに基づいて、ノードと隣接ノードとの間の相関係数の重みを決定し、相関係数の重みに基づいて、隣接ノードに対するノードのアテンションの重みを決定し、相関係数の重みを正規化して、隣接ノードに対するノードのアテンションの重みを決定し、隣接ノードの特徴ベクトル及び対応する有向エッジのアテンションの重みに基づいて、ノードの新たな特徴ベクトルを決定し、各ノードの新たな特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定し、さらに現在の会話の特徴ベクトルに基づいてオブジェクト推薦を行う。異なる隣接重みの自己適応配分を実現し、重みの配分をより良く実現することで、グラフニューラルネットワークモデルの表現力を向上させ、さらに有用な情報を効率的に学習し、推薦結果をより正確にすることができる。
本願の具体的な一実施例では、グラフアテンションネットワークＧＡＴのネットワークアーキテクチャに基づいて、ある会話シーケンスのｅｍｂｅｄｄｉｎｇをチェックした結果がＳ＝［ｖ１，ｖ２，…，ｖｎ］であると仮定すると、２つの線形変換Ｆｋｏｕｔ＊Ｆｑｏｕｔ＝［Ｗｋｉｎ，Ｗｋｏｕｔ］＊Ｓ、［Ｆｑｉｎ，Ｆｑｏｕｔ］＝［Ｗｑｉｎ，Ｗｑｏｕｔ］＊Ｓをそれぞれ計算し、当該会話に対応する有向グラフに基づいて、Ｆｋｉｎ及びＦｋｏｕｔに基づく全ての隣接する要素間の類似度を計算して正規化し、さらに重みパラメータ行列Ｈｉｎ及びＨｏｕｔを求める。ここでの類似度をニューラルネットワークを用いてシミュレーションし、最後に加重和Ｈｉｎ＊Ｆｑｉｎ及びＨｏｕｔ＊Ｆｑｏｕｔをそれぞれ計算し、結果をスプライシングして各ノードの新たな特徴ベクトルを取得し、続いて、各前記ノードの新たな特徴ベクトルに基づいて、前記現在の会話の特徴ベクトルを決定し、前記現在の会話の特徴ベクトルに基づいてオブジェクト推薦を行う。
例えば、有向グラフは図２のａ図に示すとおりであり、ａ図のＶ２ノードについては、Ｖ３とＶ４への有向パスがあり、ＳＲ−ＧＮＮにおいて情報の集約を行う場合、Ｖ２によってＶ３とＶ４から取得された情報量が同じであり、グラフアテンションネットワークＧＡＴのアーキテクチャに基づいて、取得された重みはそれらの潜在的な意味に関連している可能性があり、従って、Ｖ２とＶ３との間の重みはＶ２とＶ４との間の重みより大幅に大きく、それにより意味のある情報を効率的に学習し、さらに推薦結果をより正確にすることができる。
有用な情報を効率的に学習するために、本願の一実施例では、グラフアテンションネットワークモデルを使用した後、さらに位置情報コードを重ね合わせることで、有用な情報をより効率的に学習し、推薦結果をより正確にすることができる。
Ｄｉｇｉｎｅｔｉｃａ、Ｙｏｏｃｏｓｅ４、及びＹｏｏｃｏｓｅ６４の３つのデータセットにおいて検証を行った。テストセット上のＰ＠２０の指標値の比較を以下の表に示す。ここで、ＳＲ−ＧＮＩＮ列は元の論文に示されるテスト結果を示し、ＳＲ−ＧＮＩＮ−ＰＯＳはＰｏｓｉｔｉａｌ Ｅｎｃｏｄｉｎｇを加えた後のテスト結果を示し、ＳＲ−ＧＡＴ−ＰＯＳは本発明により提供されるＧＡＴアーキテクチャを採用し、さらにＰｏｓｉｔｉａｌ Ｅｎｃｏｄｉｎｇを加えた後のテスト結果である。３つの実験はいずれも３回繰り返し実行した後に平均値を取るという結論である。
ＳＲ−ＧＮＮ−ＰＯＳとＳＲ−ＧＡＴ−ＰＯＳの２列を比較すると、ＧＡＴネットワークの使用は効果の大幅な改善をもたらすことができることがわかる。これらの３つのデータセットでは、いずれも現在の最良の効果（ＳＯＴＡ：ＳＲ−ＧＮＮ）を超えている。
Figure 2021193595
注：実験１と２の違いは、学習率の減衰戦略が異なることであり、実験１は指数減衰を採用し、実験２は段階的減少スキームを採用する。
ＧＡＴアーキテクチャは、いずれもマルチヘッドアテンションメカニズムを使用し、ｈｅａｄｅ ｎｕｍ＝８であり、ｋｅｙ及びｖａｌｕｅのマッピング次元はいずれも８である。
すべてのＧＡＴアーキテクチャ実験のスーパーパラメータは、いずれもＳＲ−ＧＮＮに位置合わせされたものから取得され、実際には、詳細なスーパーパラメータ検索を実行すると、より良い結果が期待できると考えている。
上記ＧＡＴのネットワーク構造では、何の正則化操作も加えされていない。実際には、Ａｔｔｅｎｔｉｏｎアーキテクチャでは、新たに提案されたｄｒｏｐｅｄｇｅなどのスキームを含むｄｒｏｐｏｕｔは試す価値がある。
上記いくつかの実施例により提供される会話推薦方法に対応し、本願の一実施例は、会話推薦装置をさらに提供し、本願の実施例により提供される会話推薦装置が上記いくつかの実施例により提供される会話推薦方法に対応するため、会話推薦方法の実施形態は、本実施例により提供される会話推薦装置にも適用し、本実施例では詳細な説明を省略する。図５〜図８は、本願の一実施例に係る会話推薦装置の概略構造図である。
図５に示すように、当該会話推薦装置５００は、第１の取得モジュール５０１、第１の決定モジュール５０２、第２の決定モジュール５０３、第３の決定モジュール５０４及び第１の実行モジュール５０５を含む。
第１の取得モジュール５０１は、現在の会話に対応する有向グラフを取得し、ここで、前記現在の会話には複数のクリックされたオブジェクトが含まれ、前記有向グラフには複数のノード及びノード間の有向エッジが含まれ、前記複数のノードが前記複数のクリックされたオブジェクトにそれぞれ対応し、前記有向エッジがノード間の関係データを表す。
第１の決定モジュール５０２は、各前記ノードの特徴ベクトル及び前記関係データに基づいて、前記有向グラフ内の前記ノードに対応する各前記有向エッジのアテンションの重みを決定する。一例として、前記第１の決定モジュール５０２は、各前記ノードに対して、前記関係データに基づいて、前記ノードの隣接ノードを取得するための第１の取得ユニット５０２１と、前記ノードの特徴ベクトル及び前記隣接ノードの特徴ベクトルに基づいて、前記ノードと前記隣接ノードとの間の相関係数の重みを決定するための第１の決定ユニット５０２２と、前記相関係数の重みに基づいて、前記隣接ノードに対する前記ノードのアテンションの重みを決定するための第２の決定ユニット５０２３と、を含む。
本願の実施例では、第１の決定ユニット５０２２は、前記ノードの特徴ベクトル及び前記隣接ノードの特徴ベクトルに対してそれぞれ線形変換を行って、前記ノードの中間特徴ベクトル及び前記隣接ノードの中間特徴ベクトルを取得し、前記ノードの中間特徴ベクトル及び前記隣接ノードの中間特徴ベクトルに基づいて、前記ノードと前記隣接ノードとの間の類似度を決定し、前記類似度に基づいて、前記ノードと前記隣接ノードとの間の相関係数の重みを決定する。
本願の実施例では、前記第２の決定ユニット５０２３は、前記相関係数の重みを正規化して、正規化された相関係数の重みを取得し、前記正規化された相関係数の重みに基づいて、前記隣接ノードに対する前記ノードのアテンションの重みを決定する。
第２の決定モジュール５０３は、各前記ノードに対して、前記関係データ及び前記アテンションの重みに基づいて、前記ノードの新たな特徴ベクトルを決定する。一例として、前記第２の決定モジュール５０３は、前記関係データに基づいて、前記ノードの隣接ノードを取得するための第２の取得ユニット５０３１と、前記ノードと前記隣接ノードとの間の対応する有向エッジを取得するための第３の取得ユニット５０３２と、前記対応する有向エッジのアテンションの重みを取得するための第４の取得ユニット５０３３と、前記隣接ノードの特徴ベクトル及び前記対応する有向エッジのアテンションの重みに基づいて、前記ノードの新たな特徴ベクトルを決定するための第３の決定ユニット５０３４と、を含む。
本願の実施例では、前記第３の決定ユニット５０３４は、前記隣接ノードの特徴ベクトルに対して線形変換を行って、前記隣接ノードの中間特徴ベクトルを取得し、前記対応する有向エッジのアテンションの重みに基づいて、前記中間特徴ベクトルに対して加重加算を行って、前記ノードの新たな特徴ベクトルを取得する。
第３の決定モジュール５０４は、各前記ノードの新たな特徴ベクトルに基づいて、前記現在の会話の特徴ベクトルを決定する。一例として、前記第３の決定モジュール５０４は、前記現在の会話内のクリックされたオブジェクトのソート順を取得するための第５の取得ユニット５０４１と、前記ソート順に基づいて、前記有向グラフ内の各前記ノードの位置情報を決定するための第４の決定ユニット５０４２と、各前記ノードの位置情報に対してベクトル表示を行って、各前記ノードの位置表示ベクトルを取得するための第５の決定ユニット５０４３と、各前記ノードに対して、前記ノードの位置表示ベクトル及び前記新たな特徴ベクトルに基づいて、前記ノードのターゲット特徴ベクトルを決定するための第６の決定ユニット５０４４と、各前記ノードのターゲット特徴ベクトルに基づいて、前記現在の会話の特徴ベクトルを決定するための第７の決定ユニット５０４５と、を含む。
第１の実行モジュール５０５は、前記現在の会話の特徴ベクトルに基づいてオブジェクト推薦を行う。一例として、前記第１の実行モジュール５０５は、オブジェクトデータベース内の各オブジェクトの特徴ベクトルと前記現在の会話の特徴ベクトルとの間の類似度を計算し、前記類似度に基づいて、前記現在の会話における前記オブジェクトデータベース内の各オブジェクトのクリック確率を決定し、前記クリック確率の大きい順に、前記オブジェクトデータベース内の各オブジェクトをソートして、ソート結果を取得し、前記ソート結果から上位Ｋ個のオブジェクトを選択し、前記Ｋ個のオブジェクトに基づいてオブジェクト推薦を行う。
本願の実施例に係る会話推薦装置によれば、現在の会話に対応する有向グラフを取得し、ここで、現在の会話には複数のクリックされたオブジェクトが含まれ、有向グラフには複数のノード及びノード間の有向エッジが含まれ、複数のノードが複数のクリックされたオブジェクトにそれぞれ対応し、有向エッジがノード間の関係データを表し、次に、各ノードの特徴ベクトル及び関係データに基づいて、有向グラフ内のノードに対応する各有向エッジのアテンションの重みを決定し、その後、各ノードに対して、関係データ及びアテンションの重みに基づいて、ノードの新たな特徴ベクトルを決定し、続いて、各ノードの新たな特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定し、さらに、現在の会話の特徴ベクトルに基づいてオブジェクト推薦を行う。これにより、現在の会話に対応する有向グラフを取得し、有向グラフ内のノードの特徴ベクトル及び関係データと組み合わせることにより、有向グラフ内の有向エッジのアテンションの重みを適応的に決定し、決定された重みに基づいてノードを表すことができ、有用な情報を効率的に学習し、会話推薦結果の精度を向上させることができる。
本願の実施例によれば、本願は、電子機器及び読み取り可能な記憶媒体をさらに提供する。
本願の実施例によれば、本願は、コンピュータプログラムを提供し、コンピュータプログラムは、コンピュータに本願によって提供される会話推薦方法を実行させる。
図９に示すように、それは本願の実施例に係る会話推薦方法を実現するための電子機器のブロック図である。電子機器は、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、メインフレームコンピュータ、及び他の適切なコンピュータなどの様々な形態のデジタルコンピュータを表すことを目的とする。電子機器は、パーソナルデジタルプロセッサ、携帯電話、スマートフォン、ウェアラブルデバイス、他の類似するコンピューティングデバイスなどの様々な形態のモバイルデバイスを表すこともできる。本明細書で示されるコンポーネント、それらの接続と関係、及びそれらの機能は単なる例であり、本明細書の説明及び／又は要求される本願の実現を制限することを意図したものではない。
図９に示すように、当該電子機器は、１つ又は複数のプロセッサ９０１と、メモリ９０２と、高速インタフェース及び低速インタフェースを含む各コンポーネントを接続するためのインタフェースと、を含む。各コンポーネントは、異なるバスで相互に接続され、共通のマザーボードに取り付けられるか、又は必要に応じて他の方式で取り付けることができる。プロセッサは、電子機器内で実行される命令を処理することができ、当該命令は、外部入力／出力装置（例えば、インタフェースに結合されたディスプレイデバイスなど）にＧＵＩの図形情報をディスプレイするためにメモリ内又はメモリに記憶されている命令を含む。他の実施形態では、必要に応じて、複数のプロセッサ及び／又は複数のバスを、複数のメモリと一緒に用いることができる。同様に、複数の電子機器を接続することができ、各電子機器は、一部の必要な操作（例えば、サーバアレイ、１グループのブレードサーバ、又はマルチプロセッサシステムとする）を提供することができる。図９では、１つのプロセッサ９０１を例とする。
メモリ９０２は、本願により提供される非一時的なコンピュータ読み取り可能な記憶媒体である。ここで、前記メモリには、少なくとも１つのプロセッサが本願により提供される会話推薦方法を実行するように、少なくとも１つのプロセッサによって実行可能な命令が記憶されている。本願の非一時的なコンピュータ読み取り可能な記憶媒体には、コンピュータに本願により提供される会話推薦方法を実行させるためのコンピュータ命令が記憶されている。
メモリ９０２は、非一時的なコンピュータ読み取り可能な記憶媒体として、本願の実施例における会話推薦方法に対応するプログラム命令／モジュール（例えば、図５に示す第１の取得モジュール５０１、第１の決定モジュール５０２、第２の決定モジュール５０３、第３の決定モジュール５０４及び第１の実行モジュール５０５）のような、非一時的なソフトウェアプログラム、非一時的なコンピュータ実行可能なプログラム及びモジュールを記憶する。プロセッサ９０１は、メモリ９０２に記憶されている非一時的なソフトウェアプログラム、命令及びモジュールを実行することによって、サーバの様々な機能アプリケーション及びデータ処理を実行し、すなわち上記の方法の実施例における会話推薦方法を実現する。
メモリ９０２は、ストレージプログラムエリアとストレージデータエリアと、を含むことができ、その中で、ストレージプログラムエリアは、オペレーティングシステム、少なくとも１つの機能に必要なアプリケーションプログラムを記憶することができ、ストレージデータエリアは、会話推薦の電子機器の使用によって作成されたデータなどを記憶することができる。また、メモリ９０２は、高速ランダムアクセスメモリを含むことができ、非一時的なメモリをさらに含むことができ、例えば、少なくとも１つの磁気ディスクストレージデバイス、フラッシュメモリデバイス、又は他の非一時的なソリッドステートストレージデバイスである。いくつかの実施例では、メモリ９０２は、プロセッサ９０１に対して遠隔に設定されたメモリを選択的に含むことができ、これらの遠隔メモリは、ネットワークを介して会話推薦の電子機器に接続されることができる。上記のネットワークの例は、インターネット、イントラネット、ローカルエリアネットワーク、モバイル通信ネットワーク、及びその組み合わせを含むが、これらに限定されない。
会話推薦方法を実現するための電子機器は、入力装置９０３と出力装置９０４とをさらに含むことができる。プロセッサ９０１、メモリ９０２、入力装置９０３、及び出力装置９０４は、バス又は他の方式を介して接続することができ、図９では、バスを介して接続することを例とする。
入力装置９０３は、入力された数字又は文字情報を受信し、会話推薦方法を実行する電子機器のユーザ設定及び機能制御に関するキー信号入力を生成することができ、例えば、タッチスクリーン、キーパッド、マウス、トラックパッド、タッチパッド、ポインティングスティック、１つ又は複数のマウスボタン、トラックボール、ジョイスティックなどの入力装置である。出力装置９０４は、ディスプレイデバイス、補助照明装置（例えば、ＬＥＤ）、及び触覚フィードバック装置（例えば、振動モータ）などを含むことができる。当該ディスプレイデバイスは、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）ディスプレイ、及びプラズマディスプレイを含むことができるが、これらに限定されない。いくつかの実施形態で、ディスプレイデバイスは、タッチスクリーンであってもよい。
本明細書で説明されるシステムと技術の様々な実施形態は、デジタル電子回路システム、集積回路システム、特定用途向けＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／又はそれらの組み合わせで実現することができる。これらの様々な実施形態は、１つ又は複数のコンピュータプログラムで実施され、当該１つ又は複数のコンピュータプログラムは、少なくとも１つのプログラマブルプロセッサを含むプログラム可能なシステムで実行及び／又は解釈されることができ、当該プログラマブルプロセッサは、専用又は汎用のプログラマブルプロセッサであってもよく、ストレージシステム、少なくとも１つの入力装置、及び少なくとも１つの出力装置からデータ及び命令を受信し、データ及び命令を当該ストレージシステム、当該少なくとも１つの入力装置、及び当該少なくとも１つの出力装置に伝送することができる。
これらのコンピューティングプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、又はコードとも呼ばれる）は、プログラマブルプロセッサの機械命令を含むことができ、高レベルのプロセス及び／又はオブジェクト指向プログラミング言語、及び／又はアセンブリ／機械言語でこれらのコンピューティングプログラムを実施することができる。本明細書に使用されるような、「機械読み取り可能な媒体」及び「コンピュータ読み取り可能な媒体」という用語は、機械命令及び／又はデータをプログラマブルプロセッサに提供するための任意のコンピュータプログラム製品、機器、及び／又は装置（例えば、磁気ディスク、光ディスク、メモリ、プログラマブルロジックデバイス（ＰＬＤ））を指し、機械読み取り可能な信号である機械命令を受信する機械読み取り可能な媒体を含む。「機械読み取り可能な信号」という用語は、機械命令及び／又はデータをプログラマブルプロセッサに提供するための任意の信号を指す。
ユーザとのインタラクションを提供するために、コンピュータ上で、ここで説明されるシステム及び技術を実施することができ、当該コンピュータは、ユーザに情報をディスプレイするための表示装置（例えば、ＣＲＴ（陰極線管）又はＬＣＤ（液晶ディスプレイ）モニタ）と、キーボード及びポインティングデバイス（例えば、マウス又はトラックボール）とを有し、ユーザは、当該キーボード及び当該ポインティングデバイスによって入力をコンピュータに提供することができる。他の種類の装置も、ユーザとのインタラクションを提供することができ、例えば、ユーザに提供されるフィードバックは、任意の形態のセンシングフィードバック（例えば、視覚フィードバック、聴覚フィードバック、又は触覚フィードバック）であってもよく、任意の形態（音響入力と、音声入力と、触覚入力とを含む）でユーザからの入力を受信することができる。
ここで説明されるシステム及び技術は、バックエンドコンポーネントを含むコンピューティングシステム（例えば、データサーバとする）、又はミドルウェアコンポーネントを含むコンピューティングシステム（例えば、アプリケーションサーバ）、又はフロントエンドコンポーネントを含むコンピューティングシステム（例えば、グラフィカルユーザインタフェース又はウェブブラウザを有するユーザコンピュータであり、ユーザは、当該グラフィカルユーザインタフェース又は当該ウェブブラウザによってここで説明されるシステム及び技術の実施形態とインタラクションする）、又はこのようなバックエンドコンポーネントと、ミドルウェアコンポーネントと、フロントエンドコンポーネントの任意の組み合わせを含むコンピューティングシステムで実施することができる。任意の形態又は媒体のデジタルデータ通信（例えば、通信ネットワーク）によってシステムのコンポーネントを相互に接続することができる。通信ネットワークの例は、ローカルエリアネットワーク（ＬＡＮ）と、ワイドエリアネットワーク（ＷＡＮ）と、インターネットと、を含む。
コンピュータシステムは、クライアント及びサーバを含むことができる。クライアントとサーバは、一般に、互いに離れており、通常に通信ネットワークを介してインタラクションする。対応するコンピュータ上で実行され、且つ互いにクライアント−サーバの関係を有するコンピュータプログラムによって、クライアントとサーバとの関係が生成される。
本願の実施例に係る技術的解決手段によれば、現在の会話に対応する有向グラフを取得し、ここで、現在の会話には複数のクリックされたオブジェクトが含まれ、有向グラフには複数のノード及びノード間の有向エッジが含まれ、複数のノードが複数のクリックされたオブジェクトにそれぞれ対応し、有向エッジがノード間の関係データを表し、次に、各ノードの特徴ベクトル及び関係データに基づいて、有向グラフ内のノードに対応する各有向エッジのアテンションの重みを決定し、その後、各ノードに対して、関係データ及びアテンションの重みに基づいて、ノードの新たな特徴ベクトルを決定し、続いて、各ノードの新たな特徴ベクトルに基づいて、現在の会話の特徴ベクトルを決定し、さらに、現在の会話の特徴ベクトルに基づいてオブジェクト推薦を行う。これにより、現在の会話に対応する有向グラフを取得し、有向グラフ内のノードの特徴ベクトル及び関係データと組み合わせることにより、有向グラフ内の有向エッジのアテンションの重みを適応的に決定し、決定された重みに基づいてノードを表示することができ、有用な情報を効率的に学習し、会話推薦結果の精度を向上させることができる。
上記に示される様々な形態のフローを使用して、ステップを並べ替え、追加、又は削除することができる。例えば、本願に記載されている各ステップは、並列に実行されてもよいし、順次的に実行されてもよいし、異なる順序で実行されてもよいが、本願で開示されている技術案が所望の結果を実現することができれば、本明細書では限定しない。
上記の具体的な実施形態は、本願の保護範囲を制限するものではない。当業者は、設計要件と他の要因に基づいて、様々な修正、組み合わせ、サブコンビネーション、及び代替を行うことができる。本願の精神と原則内で行われる任意の修正、同等の置換、及び改善などは、いずれも本願の保護範囲内に含まれるべきである。

Claims (19)

  1. 会話推薦方法であって、
    現在の会話に対応する有向グラフを取得するステップであって、前記現在の会話には複数のクリックされたオブジェクトが含まれ、前記有向グラフには複数のノード及びノード間の有向エッジが含まれ、前記複数のノードが前記複数のクリックされたオブジェクトにそれぞれ対応し、前記有向エッジがノード間の関係データを表すステップと、
    各前記ノードの特徴ベクトル及び前記関係データに基づいて、前記有向グラフ内の前記ノードに対応する各前記有向エッジのアテンションの重みを決定するステップと、
    各前記ノードに対して、前記関係データ及び前記アテンションの重みに基づいて、前記ノードの新たな特徴ベクトルを決定するステップと、
    各前記ノードの新たな特徴ベクトルに基づいて、前記現在の会話の特徴ベクトルを決定するステップと、
    前記現在の会話の特徴ベクトルに基づいて、オブジェクト推薦を行うステップと、を含む、
    ことを特徴とする会話推薦方法。
  2. 前記各前記ノードの特徴ベクトル及び前記関係データに基づいて、前記有向グラフ内の前記ノードに対応する各前記有向エッジのアテンションの重みを決定するステップは、
    各前記ノードに対して、前記関係データに基づいて、前記ノードの隣接ノードを取得するステップと、
    前記ノードの特徴ベクトル及び前記隣接ノードの特徴ベクトルに基づいて、前記ノードと前記隣接ノードとの間の相関係数の重みを決定するステップと、
    前記相関係数の重みに基づいて、前記隣接ノードに対する前記ノードのアテンションの重みを決定するステップと、を含む、
    ことを特徴とする請求項１に記載の方法。
  3. 前記ノードの特徴ベクトル及び前記隣接ノードの特徴ベクトルに基づいて、前記ノードと前記隣接ノードとの間の相関係数の重みを決定するステップは、
    前記ノードの特徴ベクトル及び前記隣接ノードの特徴ベクトルに対してそれぞれ線形変換を行って、前記ノードの中間特徴ベクトル及び前記隣接ノードの中間特徴ベクトルを取得するステップと、
    前記ノードの中間特徴ベクトル及び前記隣接ノードの中間特徴ベクトルに基づいて、前記ノードと前記隣接ノードとの間の類似度を決定するステップと、
    前記類似度に基づいて、前記ノードと前記隣接ノードとの間の相関係数の重みを決定するステップと、を含む、
    ことを特徴とする請求項２に記載の方法。
  4. 前記相関係数の重みに基づいて、前記隣接ノードに対する前記ノードのアテンションの重みを決定するステップは、
    前記相関係数の重みを正規化して、正規化された相関係数の重みを取得するステップと、
    前記正規化された相関係数の重みに基づいて、前記隣接ノードに対する前記ノードのアテンションの重みを決定するステップと、を含む、
    ことを特徴とする請求項２に記載の方法。
  5. 前記関係データ及び前記アテンションの重みに基づいて、前記ノードの新たな特徴ベクトルを決定するステップは、
    前記関係データに基づいて、前記ノードの隣接ノードを取得するステップと、
    前記ノードと前記隣接ノードとの間の対応する有向エッジを取得するステップと、
    前記対応する有向エッジのアテンションの重みを取得するステップと、
    前記隣接ノードの特徴ベクトル及び前記対応する有向エッジのアテンションの重みに基づいて、前記ノードの新たな特徴ベクトルを決定するステップと、を含む、
    ことを特徴とする請求項１に記載の方法。
  6. 前記隣接ノードの特徴ベクトル及び前記対応する有向エッジのアテンションの重みに基づいて、前記ノードの新たな特徴ベクトルを決定するステップは、
    前記隣接ノードの特徴ベクトルに対して線形変換を行って、前記隣接ノードの中間特徴ベクトルを取得するステップと、
    前記対応する有向エッジのアテンションの重みに基づいて、前記中間特徴ベクトルに対して加重加算を行って、前記ノードの新たな特徴ベクトルを取得するステップと、を含む、
    ことを特徴とする請求項５に記載の方法。
  7. 前記各前記ノードの新たな特徴ベクトルに基づいて、前記現在の会話の特徴ベクトルを決定するステップは、
    前記現在の会話内のクリックされたオブジェクトのソート順を取得するステップと、
    前記ソート順に基づいて、前記有向グラフ内の各前記ノードの位置情報を決定するステップと、
    各前記ノードの位置情報に対してベクトル表示を行って、各前記ノードの位置表示ベクトルを取得するステップと、
    各前記ノードに対して、前記ノードの位置表示ベクトル及び前記新たな特徴ベクトルに基づいて、前記ノードのターゲット特徴ベクトルを決定するステップと、
    各前記ノードのターゲット特徴ベクトルに基づいて、前記現在の会話の特徴ベクトルを決定するステップと、を含む、
    ことを特徴とする請求項１に記載の方法。
  8. 前記現在の会話の特徴ベクトルに基づいて、オブジェクト推薦を行うステップは、
    オブジェクトデータベース内の各オブジェクトの特徴ベクトルと前記現在の会話の特徴ベクトルとの間の類似度を計算するステップと、
    前記類似度に基づいて、前記現在の会話における前記オブジェクトデータベース内の各オブジェクトのクリック確率を決定するステップと、
    前記クリック確率の大きい順に、前記オブジェクトデータベース内の各オブジェクトをソートして、ソート結果を取得するステップと、
    前記ソート結果から上位Ｋ個のオブジェクトを選択し、前記Ｋ個のオブジェクトに基づいてオブジェクト推薦を行うステップであって、Ｋは１以上の整数であるステップと、を含む、
    ことを特徴とする請求項１に記載の方法。
  9. 会話推薦装置であって、
    現在の会話に対応する有向グラフを取得するための第１の取得モジュールであって、前記現在の会話には複数のクリックされたオブジェクトが含まれ、前記有向グラフには複数のノード及びノード間の有向エッジが含まれ、前記複数のノードが前記複数のクリックされたオブジェクトにそれぞれ対応し、前記有向エッジがノード間の関係データを表すための第１の取得モジュールと、
    各前記ノードの特徴ベクトル及び前記関係データに基づいて、前記有向グラフ内の前記ノードに対応する各前記有向エッジのアテンションの重みを決定するための第１の決定モジュールと、
    各前記ノードに対して、前記関係データ及び前記アテンションの重みに基づいて、前記ノードの新たな特徴ベクトルを決定するための第２の決定モジュールと、
    各前記ノードの新たな特徴ベクトルに基づいて、前記現在の会話の特徴ベクトルを決定するための第３の決定モジュールと、
    前記現在の会話の特徴ベクトルに基づいて、オブジェクト推薦を行うための第１の実行モジュールと、を含む、
    ことを特徴とする会話推薦装置。
  10. 前記第１の決定モジュールが、
    各前記ノードに対して、前記関係データに基づいて、前記ノードの隣接ノードを取得するための第１の取得ユニットと、
    前記ノードの特徴ベクトル及び前記隣接ノードの特徴ベクトルに基づいて、前記ノードと前記隣接ノードとの間の相関係数の重みを決定するための第１の決定ユニットと、
    前記相関係数の重みに基づいて、前記隣接ノードに対する前記ノードのアテンションの重みを決定するための第２の決定ユニットと、を含む、
    ことを特徴とする請求項９に記載の装置。
  11. 前記第１の決定ユニットが、
    前記ノードの特徴ベクトル及び前記隣接ノードの特徴ベクトルに対してそれぞれ線形変換を行って、前記ノードの中間特徴ベクトル及び前記隣接ノードの中間特徴ベクトルを取得し、
    前記ノードの中間特徴ベクトル及び前記隣接ノードの中間特徴ベクトルに基づいて、前記ノードと前記隣接ノードとの間の類似度を決定し、
    前記類似度に基づいて、前記ノードと前記隣接ノードとの間の相関係数の重みを決定する、
    ことを特徴とする請求項１０に記載の装置。
  12. 前記第２の決定ユニットが、
    前記相関係数の重みを正規化して、正規化された相関係数の重みを取得し、
    前記正規化された相関係数の重みに基づいて、前記隣接ノードに対する前記ノードのアテンションの重みを決定する、
    ことを特徴とする請求項１０に記載の装置。
  13. 前記第２の決定モジュールが、
    前記関係データに基づいて、前記ノードの隣接ノードを取得するための第２の取得ユニットと、
    前記ノードと前記隣接ノードとの間の対応する有向エッジを取得するための第３の取得ユニットと、
    前記対応する有向エッジのアテンションの重みを取得するための第４の取得ユニットと、
    前記隣接ノードの特徴ベクトル及び前記対応する有向エッジのアテンションの重みに基づいて、前記ノードの新たな特徴ベクトルを決定するための第３の決定ユニットと、を含む、
    ことを特徴とする請求項９に記載の装置。
  14. 前記第３の決定ユニットが、
    前記隣接ノードの特徴ベクトルに対して線形変換を行って、前記隣接ノードの中間特徴ベクトルを取得し、
    前記対応する有向エッジのアテンションの重みに基づいて、前記中間特徴ベクトルに対して加重加算を行って、前記ノードの新たな特徴ベクトルを取得する、
    ことを特徴とする請求項１３に記載の装置。
  15. 前記第３の決定モジュールが、
    前記現在の会話内のクリックされたオブジェクトのソート順を取得するための第５の取得ユニットと、
    前記ソート順に基づいて、前記有向グラフ内の各前記ノードの位置情報を決定するための第４の決定ユニットと、
    各前記ノードの位置情報に対してベクトル表示を行って、各前記ノードの位置表示ベクトルを取得するための第５の決定ユニットと、
    各前記ノードに対して、前記ノードの位置表示ベクトル及び前記新たな特徴ベクトルに基づいて、前記ノードのターゲット特徴ベクトルを決定するための第６の決定ユニットと、
    各前記ノードのターゲット特徴ベクトルに基づいて、前記現在の会話の特徴ベクトルを決定するための第７の決定ユニットと、を含む、
    ことを特徴とする請求項９に記載の装置。
  16. 前記第１の実行モジュールが、
    オブジェクトデータベース内の各オブジェクトの特徴ベクトルと前記現在の会話の特徴ベクトルとの間の類似度を計算し、
    前記類似度に基づいて、前記現在の会話における前記オブジェクトデータベース内の各オブジェクトのクリック確率を決定し、
    前記クリック確率の大きい順に、前記オブジェクトデータベース内の各オブジェクトをソートして、ソート結果を取得し、
    前記ソート結果から上位Ｋ個のオブジェクトを選択し、前記Ｋ個のオブジェクトに基づいてオブジェクト推薦を行い、Ｋは１以上の整数である、
    ことを特徴とする請求項９に記載の装置。
  17. 少なくとも１つのプロセッサと、
    前記少なくとも１つのプロセッサに通信可能に接続されるメモリと、を含み、
    前記メモリには、前記少なくとも１つのプロセッサによって実行可能な命令が記憶され、前記命令は、前記少なくとも１つのプロセッサが請求項１〜８のいずれかに記載の会話推薦方法を実行できるように、前記少なくとも１つのプロセッサによって実行される、
    ことを特徴とする電子機器。
  18. コンピュータ命令が記憶されている非一時的なコンピュータ読み取り可能な記憶媒体であって、
    前記コンピュータ命令は、コンピュータに請求項１〜８のいずれかに記載の会話推薦方法を実行させる、
    ことを特徴とする非一時的なコンピュータ読み取り可能な記憶媒体。
  19. コンピュータプログラムであって、
    前記コンピュータプログラムは、コンピュータに請求項１〜８のいずれかに記載の会話推薦方法を実行させる、
    ことを特徴とするコンピュータプログラム。
JP2021148407A 2020-09-21 2021-09-13 会話推薦方法、装置及び機器 Active JP7262539B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010996994.2A CN112148975A (zh) 2020-09-21 2020-09-21 会话推荐方法、装置及设备
CN202010996994.2 2020-09-21

Publications (2)

Publication Number Publication Date
JP2021193595A true JP2021193595A (ja) 2021-12-23
JP7262539B2 JP7262539B2 (ja) 2023-04-21

Family

ID=73893950

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021148407A Active JP7262539B2 (ja) 2020-09-21 2021-09-13 会話推薦方法、装置及び機器

Country Status (5)

Country Link
US (1) US20210374356A1 (ja)
EP (1) EP3901788A3 (ja)
JP (1) JP7262539B2 (ja)
KR (1) KR20210106398A (ja)
CN (1) CN112148975A (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733018B (zh) * 2020-12-31 2022-12-06 哈尔滨工程大学 一种基于图神经网络gnn和多任务学习的会话推荐方法
CN113868537B (zh) * 2021-10-19 2022-07-05 山东省人工智能研究院 一种基于多行为会话图融合的推荐方法
CN114579851B (zh) * 2022-02-25 2023-03-14 电子科技大学 一种基于自适应性节点特征生成的信息推荐方法
US20230306204A1 (en) * 2022-03-22 2023-09-28 International Business Machines Corporation Mining asynchronous support conversation using attributed directly follows graphing
CN114707070A (zh) * 2022-04-12 2022-07-05 华为技术有限公司 一种用户行为预测方法及其相关设备
CN115221413B (zh) * 2022-08-03 2023-04-14 湖北工业大学 一种基于交互式图注意力网络的序列推荐方法及系统
CN116342228B (zh) * 2023-05-18 2023-10-20 云筑信息科技(成都)有限公司 一种基于有向图神经网络的相关推荐的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012098845A (ja) * 2010-10-29 2012-05-24 Rakuten Inc 情報処理装置、情報処理システム、情報処理プログラム、情報処理プログラムを記録したコンピュータ読み取り可能な記録媒体、及び情報処理方法
CN111046257A (zh) * 2019-12-09 2020-04-21 北京百度网讯科技有限公司 一种会话推荐方法、装置以及电子设备
CN111667067A (zh) * 2020-05-28 2020-09-15 平安医疗健康管理股份有限公司 基于图神经网络的推荐方法、装置和计算机设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816101A (zh) * 2019-01-31 2019-05-28 中科人工智能创新技术研究院(青岛)有限公司 一种基于图卷积神经网络的会话序列推荐方法及系统
US11544535B2 (en) * 2019-03-08 2023-01-03 Adobe Inc. Graph convolutional networks with motif-based attention
CN110490717B (zh) * 2019-09-05 2021-11-05 齐鲁工业大学 基于用户会话及图卷积神经网络的商品推荐方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012098845A (ja) * 2010-10-29 2012-05-24 Rakuten Inc 情報処理装置、情報処理システム、情報処理プログラム、情報処理プログラムを記録したコンピュータ読み取り可能な記録媒体、及び情報処理方法
CN111046257A (zh) * 2019-12-09 2020-04-21 北京百度网讯科技有限公司 一种会话推荐方法、装置以及电子设备
CN111667067A (zh) * 2020-05-28 2020-09-15 平安医疗健康管理股份有限公司 基于图神经网络的推荐方法、装置和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
H. WANG 外: "Session-Based Graph Convolutional ARMA Filter Recommendation Model", IEEE ACCESS, vol. 8, JPN6022051600, 30 March 2020 (2020-03-30), pages 62053 - 62064, XP011782986, ISSN: 0004938134, DOI: 10.1109/ACCESS.2020.2984039 *

Also Published As

Publication number Publication date
JP7262539B2 (ja) 2023-04-21
EP3901788A3 (en) 2022-03-09
KR20210106398A (ko) 2021-08-30
CN112148975A (zh) 2020-12-29
US20210374356A1 (en) 2021-12-02
EP3901788A2 (en) 2021-10-27

Similar Documents

Publication Publication Date Title
JP2021193595A (ja) 会話推薦方法、装置及び機器
CN112507715B (zh) 确定实体之间关联关系的方法、装置、设备和存储介质
CN112860866B (zh) 语义检索方法、装置、设备以及存储介质
CN111737954B (zh) 文本相似度确定方法、装置、设备和介质
CN111311321B (zh) 用户消费行为预测模型训练方法、装置、设备及存储介质
CN111967256B (zh) 事件关系的生成方法、装置、电子设备和存储介质
US20110282861A1 (en) Extracting higher-order knowledge from structured data
JP7395445B2 (ja) 検索データに基づくヒューマンコンピュータ対話型インタラクションの方法、装置及び電子機器
CN111950254B (zh) 搜索样本的词特征提取方法、装置、设备以及存储介质
JP7113097B2 (ja) テキストエンティティの語義記述処理方法、装置及び機器
KR20220003085A (ko) 검색 결과를 결정하는 방법, 장치, 기기 및 컴퓨터 기록 매체
CN111582479B (zh) 神经网络模型的蒸馏方法和装置
CN111667056B (zh) 用于搜索模型结构的方法和装置
EP4006909B1 (en) Method, apparatus and device for quality control and storage medium
JP2021166098A (ja) 検索語の推薦方法と装置、目的モデルの訓練方法と装置、電子デバイス、記憶媒体、及びプログラム
CN111274407B (zh) 知识图谱中三元组置信度计算方法和装置
CN113553414B (zh) 智能对话方法、装置、电子设备和存储介质
US11829447B2 (en) Resident area prediction method, apparatus, device, and storage medium
CN112699215B (zh) 基于胶囊网络与交互注意力机制的评级预测方法及系统
JP7295200B2 (ja) 汎化処理方法、装置、デバイス、コンピュータ記憶媒体及びプログラム
CN111966782B (zh) 多轮对话的检索方法、装置、存储介质及电子设备
CN111241838B (zh) 文本实体的语义关系处理方法、装置及设备
CN112288483A (zh) 用于训练模型的方法和装置、用于生成信息的方法和装置
JP2020008836A (ja) 語彙テーブルの選択方法、装置およびコンピュータ読み取り可能な記憶媒体
CN112328896B (zh) 用于输出信息的方法、装置、电子设备和介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210913

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211020

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221028

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221206

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230303

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230404

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230411

R150 Certificate of patent or registration of utility model

Ref document number: 7262539

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150