CN110020910A - 对象推荐方法和装置 - Google Patents

对象推荐方法和装置 Download PDF

Info

Publication number
CN110020910A
CN110020910A CN201910063963.9A CN201910063963A CN110020910A CN 110020910 A CN110020910 A CN 110020910A CN 201910063963 A CN201910063963 A CN 201910063963A CN 110020910 A CN110020910 A CN 110020910A
Authority
CN
China
Prior art keywords
user
character representation
matrix
indirect
association
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
CN201910063963.9A
Other languages
English (en)
Other versions
CN110020910B (zh
Inventor
胡斌斌
张志强
周俊
李小龙
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910063963.9A priority Critical patent/CN110020910B/zh
Publication of CN110020910A publication Critical patent/CN110020910A/zh
Application granted granted Critical
Publication of CN110020910B publication Critical patent/CN110020910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

说明书披露一种对象推荐方法和装置。所述方法包括：针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。

Description

对象推荐方法和装置
技术领域
本说明书涉及人工智能领域，尤其涉及一种对象推荐方法和装置。
背景技术
随着互联网技术的快速发展，需要进行对象推荐的应用场景越来越多。例如，电商平台可为用户推荐商品，电影票购票平台可为用户推荐电影等。推荐算法的准确性将直接影响用户体验。
发明内容
有鉴于此，本说明书提供一种对象推荐方法和装置。
具体地，本说明书是通过如下技术方案实现的：
一种对象推荐方法，包括：
针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；
针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；
根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；
计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；
若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。
一种对象推荐装置，包括：
用户特征生成单元，针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；
对象特征生成单元，针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；
关系特征生成单元，根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；
特征差异计算单元，计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；
对象推荐单元，若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。
一种对象推荐装置，包括：
处理器；
用于存储机器可执行指令的存储器；
其中，通过读取并执行所述存储器存储的与对象推荐逻辑对应的机器可执行指令，所述处理器被促使：
针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；
针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；
根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；
计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；
若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。
由以上描述可以看出，本说明书对象推荐方案中的关系特征表示携带有用户和对象之间的全局信息，可在一定程度上避免冷启动问题。并且，上述对象推荐方案对用户和对象的局部信息和全局信息进行了融合，有效利用了各种辅助信息，可大大提高对象推荐的命中率和推荐列表的准确度。
附图说明
图1是本说明书一示例性实施例示出的一种对象推荐方法的流程示意图。
图2是本说明书一示例性实施例示出的另一种对象推荐方法的流程示意图。
图3是本说明书一示例性实施例示出的一种局部特征表示的生成方法的流程示意图。
图4是本说明书一示例性实施例示出的一种用户和对象之间的关系特征表示生成方法的流程示意图。
图5是本说明书一示例性实施例示出的一种用于对象推荐装置的一结构示意图。
图6是本说明书一示例性实施例示出的一种对象推荐装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书提供一种对象推荐方案。
一方面，可基于与用户存在直接关联关系的关联对象的自身特征表示为该用户生成局部特征表示，基于与对象存在直接关联关系的关联用户的自身特征表示为该对象生成局部特征表示。
另一方面，可根据用户和对象之间的间接关联关系生成携带有全局信息的所述用户和所述对象之间的关系特征表示。
然后，可计算用户局部特征表示与上述关系特征表示的和值，以及该和值与对象局部特征表示的差异，并可在差异满足预定的推荐条件时，将所述对象推荐给所述用户。
上述对象推荐方案中的关系特征表示携带有用户和对象之间的全局信息，可在一定程度上避免冷启动问题。并且，上述对象推荐方案对用户和对象的局部信息和全局信息进行了融合，有效利用了各种辅助信息，可大大提高对象推荐的命中率和推荐列表的准确度。
上述对象可包括：商品或服务。例如，电商平台可向用户推荐售卖的商品或服务。
上述对象还可包括：资讯。例如，门户网站可向用户推荐资讯。
上述对象还可包括：视频。例如，视频APP(Application，应用程序)可向用户推荐电视剧、电影等视频。
当然，在其他例子中，上述对象还可以是其他实体或数据，上述对象推荐还可应用在其他应用场景中，本说明书对此不作特殊限制。
下面结合具体的实施例来描述本说明书的实现过程。
请参考图1和图2，本说明书提供的对象推荐方法可包括以下步骤：
步骤102，针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示。
步骤104，针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示。
在本实施例中，所述直接关联关系可包括：购买、浏览、评论等。
以对象是商品为例，与用户存在直接关联关系的商品可包括：用户购买过的商品、用户浏览过的商品、用户评论过的商品、用户关注过的商品等。一般而言，与同一用户存在直接关联关系的商品通常有多个。
与商品存在直接关联关系的用户可包括：购买过该商品的用户、浏览过该商品的用户、评论过该商品的用户、关注过该商品的用户等。类似的，与同一商品存在直接关联关系的用户通常也有多个。
以对象是电影为例，与用户存在直接关联关系的电影可包括：用户观看过的电影、用户评价过的电影、用户收藏过的电影等。
与电影存在直接关联关系的用户可包括：观看过该电影的用户、评论过该电影的用户、收藏过该电影的用户等。
请参考图3，上述用户和对象的局部特征表示的生成过程可包括如下步骤：
步骤302，根据各关联对象的自身特征表示生成关联对象特征表示矩阵。
步骤304，根据各关联用户的自身特征表示生成关联用户特征表示矩阵。
在本实施例中，可先生成各对象的自身特征表示，例如，可为各对象生成对应的0/1向量，然后对所述0/1向量进行嵌入处理，得到各个对象的自身特征表示。
上述0/1向量是采用一个很长的向量来表示对象，该向量的维度是对象的总数量，该对象所在维度的元素值是1，其他维度的元素值都是0。
假设，一共有1000万个对象，则每个对象的0/1向量都是1000万维，对象1的第1个维度的元素值是1，其他维度元素值是0，则对象1的0/1向量可表示为[1,0,0,0,0…]；对象2的第3个维度的元素值是1，其他维度元素值是0，则对象2的0/1向量可表示为[0,0,1,0,0…]。
在本实施例中，可对每个对象的0/1向量进行嵌入处理(Embedding)，将高维的0/1向量映射到低维空间，得到每个对象的低维特征表示。由于该低维特征表示不包括对象的属性、对象之间的关系等异构信息，因此可将该低维特征表示称为对象的自身特征表示。
在本实施例中，可预先生成所有对象的自身特征表示，然后在确定某用户的关联对象后，获取各关联对象的自身特征表示。
类似的，也可预先生成所有用户的自身特征表示，然后在确定某对象的关联用户后，获取各关联用户的自身特征表示。其中，用户的自身特征表示的生成过程可参考对象自身特征表示的生成过程，本说明书在此不再一一赘述。
在本实施例中，每个用户的所有关联对象的自身特征表示均可组成一个关联对象特征表示矩阵。
例如，假设关联对象的自身特征表示是D维向量，某用户有M个关联对象，则可组成M×D的关联对象特征表示矩阵。
每个对象的所有关联用户的自身特征表示也均可组成一个关联用户特征表示矩阵。
例如，假设关联用户的自身特征表示也是D维向量，某对象有N个关联用户，则可组成N×D的关联用户特征表示矩阵。
步骤306，根据所述关联对象特征表示矩阵和所述关联用户特征表示矩阵生成所述关联对象和所述关联用户的协同矩阵。
在本实施例中，仍以M×D的关联对象特征表示矩阵和N×D的关联用户特征表示矩阵为例，可计算关联对象特征表示矩阵与关联用户特征表示矩阵的乘积，得到M×N的协同矩阵。所述协同矩阵综合了关联对象和关联用户的自身特征表示。
在其他例子中，也可先采用已训练的神经网络模型对关联对象特征表示矩阵和关联用户特征表示矩阵进行非线性变换，然后再计算变换后的矩阵的乘积，得到协同矩阵。
具体而言，可将M×D的关联对象特征表示矩阵输入已训练的第一神经网络模型，例如可输出M×D＇的矩阵，为便于描述，可将M×D＇的矩阵称为变换关联对象矩阵。所述第一神经网络模型可以为多层感知机等模型，本说明书对此不作特殊限制。
类似的，可将N×D的关联用户特征表示矩阵输入已训练的第二神经网络模型，例如可输出N×D＇的矩阵，为便于描述，可将N×D＇的矩阵称为变换关联用户矩阵。
然后，可计算M×D＇的变换关联对象矩阵和N×D＇的变换关联用户矩阵的乘积，得到M×N的协同矩阵。
采用神经网络模型对关联对象特征表示矩阵和关联用户特征表示矩阵进行变换，可增强模型的拟合能力。
当然，在其他例子中，还可采用其他方式生成关联对象和关联用户的协同矩阵，本说明书对此不作特殊限制。
步骤308，对所述协同矩阵分别进行行池化处理和列池化处理得到所述关联对象和所述关联用户的注意力向量。
在本实施例中，所述池化处理可包括：最大池化处理、平均池化处理、最小池化处理等，本说明书对此不作特殊限制。
以最大池化为例，一方面可对M×N的协同矩阵的每行进行最大池化处理，即针对所述协同矩阵的每一行，选取最大元素值作为该行的池化结果，以得到关联对象的注意力向量，该关联对象注意力向量包括有M个元素。
另一方面，可对M×N的协同矩阵的每列进行最大池化处理，即针对所述协同矩阵的每一列，选取最大元素值作为该列的池化结果，以得到关联用户的注意力向量，该关联用户注意力向量包括有N个元素。
在本实施例中，在进行池化处理后，还可采用softmax函数对注意力向量进行归一化处理，以使得注意力向量的每个元素值均在0和1之间，并且各元素值的和值为1。
步骤310，基于所述关联对象特征表示矩阵和所述关联对象的注意力向量为所述用户生成局部特征表示。
在本实施例中，可将所述关联对象注意力向量中的每个元素值作为权重值，分别对所述关联对象特征表示矩阵中来自不同关联对象但维度相同的元素进行加权求和，以为所述用户生成特征表示，由于该特征表示仅基于与所述用户存在直接关联关系的对象的自身特征表示生成，未参考与所述用户存在间接关联关系的用户和对象的信息，因此可将该特征表示称为局部特征表示。
假设，M×D的关联对象特征表示矩阵如下：
关联对象注意力向量为：(w1，w2，…，wM)，则根据该M×D关联对象特征表示矩阵和该关联对象注意力向量生成的用户局部特征表示的第一个元素值为：
w1×a11+w2×a12+w3×a13+…+wM×a1M，
第二个元素值为：w1×a21+w2×a22+w3×a23+…+wM×a2M，
类似的，第D个元素值为：
w1×aD1+w2×aD2+w3×aD3+…+wM×aDM。
步骤312，基于所述关联用户特征表示矩阵和所述关联用户的注意力向量为所述对象生成局部特征表示。
与前述用户的局部特征表示类似，可将所述关联用户注意力向量中的每个元素值作为权重值，分别对所述关联用户特征表示矩阵中来自不同关联用户但维度相同的元素进行加权求和，以为所述对象生成局部特征表示。
在本实施例中，通过对协同矩阵的池化处理得到关联对象和关联用户的注意力向量，然后基于注意力向量来生成用户和对象的局部特征表示，可对不同关联对象、不同关联用户对本次推荐所产生的影响程度进行区分，进而提高后续对象推荐的准确度。
步骤106，根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示。
在本实施例中，所述间接关联关系可指所述用户和所述对象之间不存在直接关联关系，但可通过其他用户、对象关联到一起。
例如，用户张三没有观看过电影《大黄蜂》，用户张三和《大黄蜂》之间也不存在关注、评论等其他直接关联关系，但用户张三的朋友李四观看过《大黄蜂》，在这种情况下用户张三和《大黄蜂》之间存在间接关联关系。
再例如，用户小白没有购买过iPhone XS，并且小白和iPhone XS之间也不存在关注、评论、浏览等直接关联关系，但是小白的朋友小黑购买过iPhone8，在这种情况下小白通过小黑、iPhone 8、苹果品牌商与iPhone XS关联到一起，小白和iPhone XS之间也存在间接关联关系。
在本实施例中，请参考图4，用户和对象之间的关系特征表示的生成过程可包括以下步骤：
步骤402，获取所述用户与所述对象之间的若干条间接可达路径，所述间接可达路径通过一个或多个节点连接所述用户与所述对象，所述间接可达路径上的连边代表所连接的节点之间具有直接关联关系，所述节点的类型包括：用户类节点、对象类节点和非用户且非对象类节点。
在本实施例中，可先构建携带各种信息的异构网络。
所述异构网络可包括有用户类节点、对象类节点和非用户且非对象类节点。例如，可根据用户属性、对象属性、用户与对象之间的关联关系、用户与用户之间的关联关系等信息构建异构网络，该异构网络中的非用户且非对象类节点可代表用户属性、对象属性等。
当该异构网络的连边连接对象和用户时，该连边可代表所连接的对象和用户之间存在直接关联关系。
当该异构网络的连边连接用户和用户属性时，该连边可代表该用户具有所连接的用户属性。
当该异构网络的连边连接用户和用户时，该连边可代表所连接的用户之间具有好友、转账等关联关系。
当然，异构网络中的连边还可连接用户和对象属性等，本说明书在此不再一一赘述。
在构建异构网络后，可从所述异构网络中随机选定指定数量的节点，然后分别从选定的节点出发，采用随机游走的方式进行路径提取。
以所述指定数量是1000为例，可先从所述异构网络中随机选取1000个节点。针对选取的每个节点，可从该节点出发，采用随机游走的方式提取出指定跳数的路径，例如100跳等。
在本实施例中，可从所述异构网络中提取出1000条路径，每条路径的条数都是100。
当然，在其他例子中，各条路径的条数也可以不完全相同，本说明书对此不作特殊限制。
在本实施例中，通过对节点数量以及路径跳数的设置，可认为提取出的路径携带了异构网络的大部分信息。
在本实施例中，可分别判断提取的路径中是否包括所述用户和所述对象之间的间接可达路径，若包括，则可进行间接可达路径的提取。
举例来说，假设用户节点是u2，对象节点是m5，从异构网络中提取出4条路径，分别为：
路径1：u1-m1-u2-m3-t1-m4-u3-m5-d1-m8；
路径2：u8-m1-u2-m3-a7-m5；
路径3：u5-m1-u2-m3-t1-m4-m5；
路径4：u2-m3-t1-m4。
其中，路径1中包括用户u2至对象m5之间的间接可达路径：u2-m3-t1-m4-u3-m5；
路径2中也包括用户u2至对象m5之间的间接可达路径：u2-m3-a7-m5；
路径3中也包括用户u2至对象m5之间的间接可达路径：u2-m3-t1-m4-m5；
路径4中不包括用户u2至对象m5之间的间接可达路径。
在这个例子中，可提取出3条用户u2至对象m5之间的间接可达路径。
当然，在其他例子中，也可采用其他方式进行间接可达路径的提取，本说明书对此不作特殊限制。
步骤404，针对每条间接可达路径，根据该间接可达路径上各节点的自身特征表示生成该间接可达路径的特征表示。
以前述间接可达路径u2-m3-t1-m4-u3-m5为例，在本实施例中，可先获取该间接可达路径中各节点(节点u2、m3、t1、m4、u3和m5)的自身特征表示，然后综合各节点的自身特征表示生成该间接可达路径的特征表示。
例如，可将该间接可达路径上各节点的自身特征表示作为输入，采用已训练的LSTM(Long Short-Term Memory，长短期记忆网络)模型输出该间接可达路径的特征表示。
在本实施例中，间接可达路径中非用户且非对象类节点的自身特征表示的生成方法可参考前述用户类节点和对象类节点的自身特征表示生成方法，本说明书在此不再一一赘述。
步骤406，融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示。
基于前述步骤404，在为每条间接可达路径生成特征表示后，可对用户与对象之间的所有间接可达路径的特征表示进行融合，得到所述用户与所述对象之间的关系特征表示。
在一个例子中，可采用求和、求平均等方式对各条间接可达路径的特征表示进行融合。例如，对各条间接可达路径的特征表示中相同维度的元素值进行求和、求平均等运算，得到所述关系特征表示。
在另一个例子中，可先根据每条间接可达路径的跳数确定该间接可达路径的权重值，然后采用加权求和或加权平均的方式对各条间接可达路径的特征表示进行融合。
一般而言，间接可达路径的跳数越少，说明这条路径对本次推荐所产生的影响越大，因此权重较高；反之，间接可达路径的跳数越多，说明这条路径对本次推荐所产生的影响越小，因此权重较低。
间接可达路径 跳数 权重值
u2-m3-t1-m4-u3-m5 5 3/12
u2-m3-a7-m5 3 5/12
u2-m3-t1-m4-m5 4 4/12
表1
请参考表1，仍以前述用户u2到对象m5的3条间接可达路径为例，各间接可达路径的跳数和权重值可参考表1的示例。其中，跳数最大的间接可达路径u2-m3-t1-m4-u3-m5的权重值最小，跳数最少的间接可达路径u2-m3-a7-m5的权重值最大。
在本例中，可分别将各条间接可达路径的特征表示中的各元素值乘以所在间接可达路径的权重值，然后针对相同维度的元素值进行求和、求平均等计算，得到所述用户与所述对象之间的关系特征表示。
当然，在其他例子中，还可以采用其他方式对各条间接可达路径的特征表示进行融合，本说明书对此不作特殊限制。
步骤108，计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异。
在本实施例中，当所述局部特征表示和关系特征表示是向量时，可计算用户的局部向量与关系向量的向量和，然后再计算该向量和与对象局部向量的向量差作为所述差异。
当所述局部特征表示和关系特征表示是矩阵时，可计算用户的局部矩阵与关系矩阵的矩阵和，然后再计算该矩阵和与对象局部矩阵的矩阵差作为所述差异。
类似的，当特征表示是其他形式时，可采用相应的方式计算所述和值和差异，本说明书在此不再一一赘述。
步骤110，若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。
在本实施例中，所述推荐条件可在训练阶段确定，例如，所述推荐条件可以为所述差异小于差异阈值。
在一个例子中，当所述差异是向量时，可计算向量的模，然后判断向量的模是否小于差异阈值。
在本实施例中，当所述差异满足所述推荐条件时，可说明用户的局部特征表示与用户和对象之间的关系特征表示的和值与对象的局部特征表示比较接近，进而可将所述对象推荐给所述用户。
由以上描述可以看出，本说明书提供的对象推荐方案中关系特征表示携带有用户和对象之间的全局信息，可在一定程度上避免冷启动问题。并且，上述对象推荐方案对用户和对象的局部信息和全局信息进行了融合，有效利用了各种辅助信息，可大大提高对象推荐的命中率和推荐列表的准确度。
在前述图1所示的实施例中，所述第一神经网络模型、所述第二神经网络模型、用于生成间接可达路径特征表示的LSTM模型等模型的参数以及推荐条件可在训练时确定。
在本实施例中，可基于历史上已发生的用户和对象之间的直接关联关系作为正样本，采用图1所示的方法对上述模型、推荐条件进行训练。例如，用户小花观看过电影《碟中谍6》，则可将用户小花和电影《碟中谍6》作为一个正样本进行训练。
可选的，为加速训练，还可在训练的过程中加入负样本。例如，用户小花和电影《碟中谍5》没有任何直接关联关系，则可将用户小花和《碟中谍5》作为一个负样本进行训练。
在进行训练时，可基于前述步骤108中计算得到的差异构造损失函数，例如，可构造合页损失函数loss＝max(s正-s负+m,0)，其中，s正表示正样本的差异，s负表示负样本的差异，m可代表推荐条件中的差异阈值。
当然，在其他例子中，还可采用其他方式进行训练，本说明书对此不作特殊限制。
与前述对象推荐方法的实施例相对应，本说明书还提供了对象推荐装置的实施例。
本说明书对象推荐装置的实施例可以应用在服务器上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在服务器的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本说明书对象推荐装置所在服务器的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的服务器通常根据该服务器的实际功能，还可以包括其他硬件，对此不再赘述。
图6是本说明书一示例性实施例示出的一种对象推荐装置的框图。
请参考图6，所述对象推荐装置500可以应用在前述图5所示的服务器中，包括有：用户特征生成单元501、对象特征生成单元502、关系特征生成单元503、特征差异计算单元504以及对象推荐单元505。
其中，用户特征生成单元501，针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；
对象特征生成单元502，针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；
关系特征生成单元503，根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；
特征差异计算单元504，计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；
对象推荐单元505，若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。
可选的，所述用户和所述对象的局部特征表示的生成过程，包括：
根据各关联对象的自身特征表示生成关联对象特征表示矩阵；
根据各关联用户的自身特征表示生成关联用户特征表示矩阵；
根据所述关联对象特征表示矩阵和所述关联用户特征表示矩阵生成所述关联对象和所述关联用户的协同矩阵；
对所述协同矩阵分别进行行池化处理和列池化处理得到所述关联对象和所述关联用户的注意力向量；
基于所述关联对象特征表示矩阵和所述关联对象的注意力向量为所述用户生成局部特征表示；
基于所述关联用户特征表示矩阵和所述关联用户的注意力向量为所述对象生成局部特征表示。
可选的，所述根据所述关联对象特征表示矩阵和所述关联用户特征表示矩阵生成所述关联对象和所述关联用户的协同矩阵，包括：
将所述关联对象特征表示矩阵作为输入，采用已训练的第一神经网络模型输出变换关联对象矩阵；
将所述关联用户特征表示矩阵作为输入，采用已训练的第二神经网络模型输出变换关联用户矩阵；
计算所述变换关联对象矩阵与所述变换关联用户矩阵的乘积，得到所述协同矩阵。
可选的，所述基于所述关联对象特征表示矩阵和所述关联对象的注意力向量为所述用户生成局部特征表示，包括：
将所述关联对象注意力向量中的每个元素值作为权重值，分别对所述关联对象特征表示矩阵中来自不同关联对象但维度相同的元素进行加权求和，以为所述用户生成局部特征表示；
所述基于所述关联用户特征表示矩阵和所述关联用户的注意力向量为所述对象生成局部特征表示，包括：
将所述关联用户注意力向量中的每个元素值作为权重值，分别对所述关联用户特征表示矩阵中来自不同关联用户但维度相同的元素进行加权求和，以为所述对象生成局部特征表示。
可选的，所述关系特征生成单元503：
获取所述用户与所述对象之间的若干条间接可达路径，所述间接可达路径通过一个或多个节点连接所述用户与所述对象，所述间接可达路径上的连边代表所连接的节点之间具有直接关联关系，所述节点的类型包括：用户类节点、对象类节点和非用户且非对象类节点；
针对每条间接可达路径，根据该间接可达路径上各节点的自身特征表示生成该间接可达路径的特征表示；
融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示。
可选的，所述获取所述用户与所述对象之间的若干条间接可达路径，包括：
构建包括有用户类节点、对象类节点和非用户且非对象类节点的异构网络，所述异构网络中的连边代表所连接的节点之间具有直接关联关系；
从所述异构网络中随机选定指定数量的节点，并分别从选定的节点出发，采用随机游走的方式进行路径提取；
从提取出的路径中获取所述用户与所述对象之间的间接可达路径。
可选的，所述根据该间接可达路径上各节点的自身特征表示生成该间接可达路径的特征表示，包括：
将所述间接可达路径上各节点的自身特征表示作为输入，采用LSTM模型输出该间接可达路径的特征表示。
可选的，所述融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示，包括：
根据所述间接可达路径的跳数确定所述间接可达路径的权重值；
根据所述权重值，采用加权平均的方式融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示。
可选的，所述预定的推荐条件包括：所述差异小于等于差异阈值。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
与前述对象推荐方法的实施例相对应，本说明书还提供一种对象推荐装置，该装置包括：处理器以及用于存储机器可执行指令的存储器。其中，处理器和存储器通常借由内部总线相互连接。在其他可能的实现方式中，所述设备还可能包括外部接口，以能够与其他设备或者部件进行通信。
在本实施例中，通过读取并执行所述存储器存储的与对象推荐逻辑对应的机器可执行指令，所述处理器被促使：
针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；
针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；
根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；
计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；
若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。
可选的，在用户和所述对象的局部特征表示的生成时，所述处理器被促使：
根据各关联对象的自身特征表示生成关联对象特征表示矩阵；
根据各关联用户的自身特征表示生成关联用户特征表示矩阵；
根据所述关联对象特征表示矩阵和所述关联用户特征表示矩阵生成所述关联对象和所述关联用户的协同矩阵；
对所述协同矩阵分别进行行池化处理和列池化处理得到所述关联对象和所述关联用户的注意力向量；
基于所述关联对象特征表示矩阵和所述关联对象的注意力向量为所述用户生成局部特征表示；
基于所述关联用户特征表示矩阵和所述关联用户的注意力向量为所述对象生成局部特征表示。
可选的，在根据所述关联对象特征表示矩阵和所述关联用户特征表示矩阵生成所述关联对象和所述关联用户的协同矩阵时，所述处理器被促使：
将所述关联对象特征表示矩阵作为输入，采用已训练的第一神经网络模型输出变换关联对象矩阵；
将所述关联用户特征表示矩阵作为输入，采用已训练的第二神经网络模型输出变换关联用户矩阵；
计算所述变换关联对象矩阵与所述变换关联用户矩阵的乘积，得到所述协同矩阵。
可选的，在基于所述关联对象特征表示矩阵和所述关联对象的注意力向量为所述用户生成局部特征表示时，所述处理器被促使：
将所述关联对象注意力向量中的每个元素值作为权重值，分别对所述关联对象特征表示矩阵中来自不同关联对象但维度相同的元素进行加权求和，以为所述用户生成局部特征表示；
所述基于所述关联用户特征表示矩阵和所述关联用户的注意力向量为所述对象生成局部特征表示，包括：
将所述关联用户注意力向量中的每个元素值作为权重值，分别对所述关联用户特征表示矩阵中来自不同关联用户但维度相同的元素进行加权求和，以为所述对象生成局部特征表示。
可选的，在根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示时，所述处理器被促使：
获取所述用户与所述对象之间的若干条间接可达路径，所述间接可达路径通过一个或多个节点连接所述用户与所述对象，所述间接可达路径上的连边代表所连接的节点之间具有直接关联关系，所述节点的类型包括：用户类节点、对象类节点和非用户且非对象类节点；
针对每条间接可达路径，根据该间接可达路径上各节点的自身特征表示生成该间接可达路径的特征表示；
融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示。
可选的，在获取所述用户与所述对象之间的若干条间接可达路径时，所述处理器被促使：
构建包括有用户类节点、对象类节点和非用户且非对象类节点的异构网络，所述异构网络中的连边代表所连接的节点之间具有直接关联关系；
从所述异构网络中随机选定指定数量的节点，并分别从选定的节点出发，采用随机游走的方式进行路径提取；
从提取出的路径中获取所述用户与所述对象之间的间接可达路径。
可选的，在根据该间接可达路径上各节点的自身特征表示生成该间接可达路径的特征表示时，所述处理器被促使：
将所述间接可达路径上各节点的自身特征表示作为输入，采用LSTM模型输出该间接可达路径的特征表示。
可选的，在融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示时，所述处理器被促使：
根据所述间接可达路径的跳数确定所述间接可达路径的权重值；
根据所述权重值，采用加权平均的方式融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示。
可选的，所述预定的推荐条件包括：所述差异小于等于差异阈值。
与前述对象推荐方法的实施例相对应，本说明书还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现以下步骤：
针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；
针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；
根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；
计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；
若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。
可选的，所述用户和所述对象的局部特征表示的生成过程，包括：
根据各关联对象的自身特征表示生成关联对象特征表示矩阵；
根据各关联用户的自身特征表示生成关联用户特征表示矩阵；
根据所述关联对象特征表示矩阵和所述关联用户特征表示矩阵生成所述关联对象和所述关联用户的协同矩阵；
对所述协同矩阵分别进行行池化处理和列池化处理得到所述关联对象和所述关联用户的注意力向量；
基于所述关联对象特征表示矩阵和所述关联对象的注意力向量为所述用户生成局部特征表示；
基于所述关联用户特征表示矩阵和所述关联用户的注意力向量为所述对象生成局部特征表示。
可选的，所述根据所述关联对象特征表示矩阵和所述关联用户特征表示矩阵生成所述关联对象和所述关联用户的协同矩阵，包括：
将所述关联对象特征表示矩阵作为输入，采用已训练的第一神经网络模型输出变换关联对象矩阵；
将所述关联用户特征表示矩阵作为输入，采用已训练的第二神经网络模型输出变换关联用户矩阵；
计算所述变换关联对象矩阵与所述变换关联用户矩阵的乘积，得到所述协同矩阵。
可选的，所述基于所述关联对象特征表示矩阵和所述关联对象的注意力向量为所述用户生成局部特征表示，包括：
将所述关联对象注意力向量中的每个元素值作为权重值，分别对所述关联对象特征表示矩阵中来自不同关联对象但维度相同的元素进行加权求和，以为所述用户生成局部特征表示；
所述基于所述关联用户特征表示矩阵和所述关联用户的注意力向量为所述对象生成局部特征表示，包括：
将所述关联用户注意力向量中的每个元素值作为权重值，分别对所述关联用户特征表示矩阵中来自不同关联用户但维度相同的元素进行加权求和，以为所述对象生成局部特征表示。
可选的，所述根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示，包括：
获取所述用户与所述对象之间的若干条间接可达路径，所述间接可达路径通过一个或多个节点连接所述用户与所述对象，所述间接可达路径上的连边代表所连接的节点之间具有直接关联关系，所述节点的类型包括：用户类节点、对象类节点和非用户且非对象类节点；
针对每条间接可达路径，根据该间接可达路径上各节点的自身特征表示生成该间接可达路径的特征表示；
融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示。
可选的，所述获取所述用户与所述对象之间的若干条间接可达路径，包括：
构建包括有用户类节点、对象类节点和非用户且非对象类节点的异构网络，所述异构网络中的连边代表所连接的节点之间具有直接关联关系；
从所述异构网络中随机选定指定数量的节点，并分别从选定的节点出发，采用随机游走的方式进行路径提取；
从提取出的路径中获取所述用户与所述对象之间的间接可达路径。
可选的，所述根据该间接可达路径上各节点的自身特征表示生成该间接可达路径的特征表示，包括：
将所述间接可达路径上各节点的自身特征表示作为输入，采用LSTM模型输出该间接可达路径的特征表示。
可选的，所述融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示，包括：
根据所述间接可达路径的跳数确定所述间接可达路径的权重值；
根据所述权重值，采用加权平均的方式融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示。
可选的，所述预定的推荐条件包括：所述差异小于等于差异阈值。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (19)

1.一种对象推荐方法，包括：
针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；
针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；
根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；
计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；
若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。
2.根据权利要求1所述的方法，所述用户和所述对象的局部特征表示的生成过程，包括：
根据各关联对象的自身特征表示生成关联对象特征表示矩阵；
根据各关联用户的自身特征表示生成关联用户特征表示矩阵；
根据所述关联对象特征表示矩阵和所述关联用户特征表示矩阵生成所述关联对象和所述关联用户的协同矩阵；
对所述协同矩阵分别进行行池化处理和列池化处理得到所述关联对象和所述关联用户的注意力向量；
基于所述关联对象特征表示矩阵和所述关联对象的注意力向量为所述用户生成局部特征表示；
基于所述关联用户特征表示矩阵和所述关联用户的注意力向量为所述对象生成局部特征表示。
3.根据权利要求2所述的方法，所述根据所述关联对象特征表示矩阵和所述关联用户特征表示矩阵生成所述关联对象和所述关联用户的协同矩阵，包括：
将所述关联对象特征表示矩阵作为输入，采用已训练的第一神经网络模型输出变换关联对象矩阵；
将所述关联用户特征表示矩阵作为输入，采用已训练的第二神经网络模型输出变换关联用户矩阵；
计算所述变换关联对象矩阵与所述变换关联用户矩阵的乘积，得到所述协同矩阵。
4.根据权利要求2所述的方法，所述基于所述关联对象特征表示矩阵和所述关联对象的注意力向量为所述用户生成局部特征表示，包括：
将所述关联对象注意力向量中的每个元素值作为权重值，分别对所述关联对象特征表示矩阵中来自不同关联对象但维度相同的元素进行加权求和，以为所述用户生成局部特征表示；
所述基于所述关联用户特征表示矩阵和所述关联用户的注意力向量为所述对象生成局部特征表示，包括：
将所述关联用户注意力向量中的每个元素值作为权重值，分别对所述关联用户特征表示矩阵中来自不同关联用户但维度相同的元素进行加权求和，以为所述对象生成局部特征表示。
5.根据权利要求1所述的方法，所述根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示，包括：
获取所述用户与所述对象之间的若干条间接可达路径，所述间接可达路径通过一个或多个节点连接所述用户与所述对象，所述间接可达路径上的连边代表所连接的节点之间具有直接关联关系，所述节点的类型包括：用户类节点、对象类节点和非用户且非对象类节点；
针对每条间接可达路径，根据该间接可达路径上各节点的自身特征表示生成该间接可达路径的特征表示；
融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示。
6.根据权利要求5所述的方法，所述获取所述用户与所述对象之间的若干条间接可达路径，包括：
构建包括有用户类节点、对象类节点和非用户且非对象类节点的异构网络，所述异构网络中的连边代表所连接的节点之间具有直接关联关系；
从所述异构网络中随机选定指定数量的节点，并分别从选定的节点出发，采用随机游走的方式进行路径提取；
从提取出的路径中获取所述用户与所述对象之间的间接可达路径。
7.根据权利要求5所述的方法，所述根据该间接可达路径上各节点的自身特征表示生成该间接可达路径的特征表示，包括：
将所述间接可达路径上各节点的自身特征表示作为输入，采用LSTM模型输出该间接可达路径的特征表示。
8.根据权利要求5所述的方法，所述融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示，包括：
根据所述间接可达路径的跳数确定所述间接可达路径的权重值；
根据所述权重值，采用加权平均的方式融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示。
9.根据权利要求1所述的方法，
所述预定的推荐条件包括：所述差异小于等于差异阈值。
10.一种对象推荐装置，包括：
用户特征生成单元，针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；
对象特征生成单元，针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；
关系特征生成单元，根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；
特征差异计算单元，计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；
对象推荐单元，若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。
11.根据权利要求10所述的装置，所述用户和所述对象的局部特征表示的生成过程，包括：
根据各关联对象的自身特征表示生成关联对象特征表示矩阵；
根据各关联用户的自身特征表示生成关联用户特征表示矩阵；
根据所述关联对象特征表示矩阵和所述关联用户特征表示矩阵生成所述关联对象和所述关联用户的协同矩阵；
对所述协同矩阵分别进行行池化处理和列池化处理得到所述关联对象和所述关联用户的注意力向量；
基于所述关联对象特征表示矩阵和所述关联对象的注意力向量为所述用户生成局部特征表示；
基于所述关联用户特征表示矩阵和所述关联用户的注意力向量为所述对象生成局部特征表示。
12.根据权利要求11所述的装置，所述根据所述关联对象特征表示矩阵和所述关联用户特征表示矩阵生成所述关联对象和所述关联用户的协同矩阵，包括：
将所述关联对象特征表示矩阵作为输入，采用已训练的第一神经网络模型输出变换关联对象矩阵；
将所述关联用户特征表示矩阵作为输入，采用已训练的第二神经网络模型输出变换关联用户矩阵；
计算所述变换关联对象矩阵与所述变换关联用户矩阵的乘积，得到所述协同矩阵。
13.根据权利要求11所述的装置，所述基于所述关联对象特征表示矩阵和所述关联对象的注意力向量为所述用户生成局部特征表示，包括：
将所述关联对象注意力向量中的每个元素值作为权重值，分别对所述关联对象特征表示矩阵中来自不同关联对象但维度相同的元素进行加权求和，以为所述用户生成局部特征表示；
所述基于所述关联用户特征表示矩阵和所述关联用户的注意力向量为所述对象生成局部特征表示，包括：
将所述关联用户注意力向量中的每个元素值作为权重值，分别对所述关联用户特征表示矩阵中来自不同关联用户但维度相同的元素进行加权求和，以为所述对象生成局部特征表示。
14.根据权利要求10所述的装置，所述关系特征生成单元：
获取所述用户与所述对象之间的若干条间接可达路径，所述间接可达路径通过一个或多个节点连接所述用户与所述对象，所述间接可达路径上的连边代表所连接的节点之间具有直接关联关系，所述节点的类型包括：用户类节点、对象类节点和非用户且非对象类节点；
针对每条间接可达路径，根据该间接可达路径上各节点的自身特征表示生成该间接可达路径的特征表示；
融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示。
15.根据权利要求14所述的装置，所述获取所述用户与所述对象之间的若干条间接可达路径，包括：
构建包括有用户类节点、对象类节点和非用户且非对象类节点的异构网络，所述异构网络中的连边代表所连接的节点之间具有直接关联关系；
从所述异构网络中随机选定指定数量的节点，并分别从选定的节点出发，采用随机游走的方式进行路径提取；
从提取出的路径中获取所述用户与所述对象之间的间接可达路径。
16.根据权利要求14所述的装置，所述根据该间接可达路径上各节点的自身特征表示生成该间接可达路径的特征表示，包括：
将所述间接可达路径上各节点的自身特征表示作为输入，采用LSTM模型输出该间接可达路径的特征表示。
17.根据权利要求14所述的装置，所述融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示，包括：
根据所述间接可达路径的跳数确定所述间接可达路径的权重值；
根据所述权重值，采用加权平均的方式融合每条间接可达路径的特征表示，得到所述用户与所述对象之间的关系特征表示。
18.根据权利要求10所述的装置，
所述预定的推荐条件包括：所述差异小于等于差异阈值。
19.一种对象推荐装置，包括：
处理器；
用于存储机器可执行指令的存储器；
其中，通过读取并执行所述存储器存储的与对象推荐逻辑对应的机器可执行指令，所述处理器被促使：
针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；
针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；
根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；
计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；
若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。
CN201910063963.9A 2019-01-23 2019-01-23 对象推荐方法和装置 Active CN110020910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910063963.9A CN110020910B (zh) 2019-01-23 2019-01-23 对象推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910063963.9A CN110020910B (zh) 2019-01-23 2019-01-23 对象推荐方法和装置

Publications (2)

Publication Number Publication Date
CN110020910A true CN110020910A (zh) 2019-07-16
CN110020910B CN110020910B (zh) 2022-05-24

Family

ID=67188854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910063963.9A Active CN110020910B (zh) 2019-01-23 2019-01-23 对象推荐方法和装置

Country Status (1)

Country Link
CN (1) CN110020910B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860783A (zh) * 2020-07-22 2020-10-30 中山大学 图节点低维表征学习方法、装置、终端设备及存储介质
CN112182424A (zh) * 2020-11-11 2021-01-05 重庆邮电大学 一种基于异构信息和同构信息网络融合的社交推荐方法
CN114637923A (zh) * 2022-05-19 2022-06-17 之江实验室 基于层次注意力图神经网络的数据信息推荐方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180075514A1 (en) * 2016-09-15 2018-03-15 Xerox Corporation Method and system for data processing for generating adaptive recommendations of relevant items
CN108520450A (zh) * 2018-03-21 2018-09-11 电子科技大学 基于隐式反馈信息的局部低秩矩阵近似的推荐方法及***
CN108711075A (zh) * 2018-05-22 2018-10-26 阿里巴巴集团控股有限公司 一种产品推荐方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180075514A1 (en) * 2016-09-15 2018-03-15 Xerox Corporation Method and system for data processing for generating adaptive recommendations of relevant items
CN108520450A (zh) * 2018-03-21 2018-09-11 电子科技大学 基于隐式反馈信息的局部低秩矩阵近似的推荐方法及***
CN108711075A (zh) * 2018-05-22 2018-10-26 阿里巴巴集团控股有限公司 一种产品推荐方法和装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860783A (zh) * 2020-07-22 2020-10-30 中山大学 图节点低维表征学习方法、装置、终端设备及存储介质
CN111860783B (zh) * 2020-07-22 2021-07-30 中山大学 图节点低维表征学习方法、装置、终端设备及存储介质
CN112182424A (zh) * 2020-11-11 2021-01-05 重庆邮电大学 一种基于异构信息和同构信息网络融合的社交推荐方法
CN112182424B (zh) * 2020-11-11 2023-01-31 重庆邮电大学 一种基于异构信息和同构信息网络融合的社交推荐方法
CN114637923A (zh) * 2022-05-19 2022-06-17 之江实验室 基于层次注意力图神经网络的数据信息推荐方法和装置
CN114637923B (zh) * 2022-05-19 2022-09-02 之江实验室 基于层次注意力图神经网络的数据信息推荐方法和装置

Also Published As

Publication number Publication date
CN110020910B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN110837598B (zh) 信息推荐方法、装置、设备及存储介质
CN109002488B (zh) 一种基于元路径上下文的推荐模型训练方法及装置
CN112000819B (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
CN109902708A (zh) 一种推荐模型训练方法及相关装置
CN110796477A (zh) 广告展示方法、装置、电子设备及可读存储介质
CN106164837A (zh) 图像评估
CN107341679A (zh) 获取用户画像的方法及装置
CN108629608A (zh) 用户数据处理方法及装置
CN111506820B (zh) 推荐模型、方法、装置、设备及存储介质
CN110046301B (zh) 对象推荐方法和装置
CN110879864A (zh) 一种基于图神经网络和注意力机制的上下文推荐方法
CN110020893A (zh) 一种广告贡献度确定方法、装置及设备
CN110020910A (zh) 对象推荐方法和装置
CN111026977B (zh) 信息推荐方法、装置及存储介质
CN112989169B (zh) 目标对象识别方法、信息推荐方法、装置、设备及介质
CN113422986B (zh) 用于直播间推荐的方法、装置、设备、介质和程序产品
US11556822B2 (en) Cross-domain action prediction
CN115270001A (zh) 基于云端协同学习的隐私保护推荐方法及***
CN103678548B (zh) 基于组合模式的失效服务替代推荐方法
CN114511387A (zh) 产品推荐方法、装置、电子设备及存储介质
CN106257507A (zh) 用户行为的风险评估方法及装置
CN108647986A (zh) 一种目标用户确定方法、装置及电子设备
KR20180107515A (ko) 상품 평가에 기초하여 상품 판매 정보를 제공하기 위한 방법, 그 장치 및 시스템
CN115829159A (zh) 社交媒体粉丝新增预测方法、装置、设备及存储介质
CN113407862B (zh) 一种基于门机制的序列社交推荐方法、***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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40012072

Country of ref document: HK

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200925

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200925

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

GR01 Patent grant
GR01 Patent grant