CN112948668A - 一种信息推荐方法、电子设备及存储介质 - Google Patents
一种信息推荐方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112948668A CN112948668A CN202110155886.7A CN202110155886A CN112948668A CN 112948668 A CN112948668 A CN 112948668A CN 202110155886 A CN202110155886 A CN 202110155886A CN 112948668 A CN112948668 A CN 112948668A
- Authority
- CN
- China
- Prior art keywords
- user
- item
- feature
- information
- characteristic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims description 35
- 238000006116 polymerization reaction Methods 0.000 claims description 24
- 230000000379 polymerizing effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 19
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于信息推广技术领域，提供一种信息推荐方法、电子设备及存储介质，包括：获取用户和项目的历史关联信息；基于所述历史关联信息生成用于表示用户i和关联项目之间关系的第一特征和用于表示用户i和其他用户之间关系的第二特征；对所述第一特征和所述第二特征进行融合，生成用户i的用户特征；基于所述历史关联信息生成用于表示项目j与关联用户之间关系的项目特征；对用户i的用户特征和项目j的项目特征进行处理，获得用户i和项目j之间的预测结果，所述预测结果用于评价是否向用户i推荐项目j；通过本申请可以解决推荐方法的信息稀疏性问题和冷启动问题。
Description
技术领域
本申请属于信息推广技术领域，具体涉及一种信息推荐方法、电子设备及存储介质。
背景技术
随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代。消费者想从大量信息中找到自己感兴趣的项目(广义的项目，包括商品、音乐、好友、信息、内容、咨询、新闻等)，信息生产者想让自己生产的信息脱颖而出从而得到关注都是一件很难的问题，面对信息过载，催生出了各种推荐算法。
推荐算法主要包括基于内容的算法和协同过滤算法，上述两种算法通过用户和项目的历史交互信息向用户推荐项目，然而在面对一个新的用户时，因缺少新用户的历史行为信息，或者历史行为信息不足时，导致推荐方法不能准确的向新用户推荐项目，从而导致推荐方法的信息稀疏性问题和冷启动问题。
综上，亟需建立一种信息推荐方法，以用来解决信息稀疏性问题和冷启动问题。
发明内容
有鉴于此，本申请提供了一种信息推荐方法、电子设备及存储介质，以解决推荐方法存在的信息稀疏性问题和冷启动问题。
本申请实施例的第一方面提供了一种信息推荐方法，包括：
获取用户和项目的历史关联信息；
基于所述历史关联信息生成用于表示用户i和关联项目之间关系的第一特征和用于表示用户i和其他用户之间关系的第二特征；
对所述第一特征和所述第二特征进行融合，生成用户i的用户特征；
基于所述历史关联信息生成用于表示项目j与关联用户之间关系的项目特征；
对用户i的用户特征和项目j的项目特征进行处理，获得用户i和项目j之间的预测结果，所述预测结果用于评价是否向用户i推荐项目j。
在第一方面的另一种实现方式中，在获取用户和项目的历史关联信息的过程中，还包括：
获取用户社交信息和用户项目对应信息；
基于所述用户社交信息和用户项目对应信息生成用户和项目的历史关联信息，其中，所述用户和项目的历史关联信息包括：用户为源节点的用户项目分层信息、项目为源节点的用户项目分层信息和以用户为源节点的用户社交分层信息，所述用户为源节点的用户社交分层信息中每个节点上的用户存在与所述节点上的用户存在对应关系的项目。
在第一方面的另一种实现方式中，在基于所述历史关联信息生成用于表示用户i和关联项目之间关系的第一特征和用于表示用户i和其他用户之间关系的第二特征的过程中，还包括：
根据用户i为源节点的用户项目分层信息生成用于表示用户i和关联项目之间关系的第一特征；
根据用户i为源节点的用户社交分层信息生成用于表示用户i和其他用户之间关系的第二特征。
在第一方面的另一种实现方式中，在所述根据用户i为源节点的用户项目分层信息生成用于表示用户i和关联项目之间关系的第一特征的过程中，还包括：
获取用户i为源节点的用户项目分层信息的第一三层特征，其中，所述第一三层特征包括：源节点用户i的第一初始特征、第二层节点项目的第二初始特征、第三层节点用户的第三初始特征；
采用带注意力机制的邻居聚合方式聚合所述第一初始特征和第二初始特征，获得第一一阶特征；
采用带注意力机制的邻居聚合方式聚合所述第二初始特征和第三初始特征，获得第二一阶特征；
采用带注意力机制的邻居聚合方式聚合所述第一一阶特征和所述第二一阶特征，获得第一二阶特征；
根据所述第一三层特征、所述第一一阶特征、所述第二一阶特征和所述第一二阶特征，生成用于表示用户i和关联项目之间关系的第一特征。
在第一方面的另一种实现方式中，在根据用户i为源节点的用户社交分层信息生成用于表示用户i和其他用户之间关系的第二特征的过程中，还包括：
获取用户i为源节点的用户社交分层信息中源节点用户的第四初始特征和源节点项目的第五初始特征，其中，源节点项目为与所述源节点用户i存在对应关系的项目；
采用带注意力机制的邻居聚合方式聚合所述第四初始特征和第五初始特征，获得第三一阶特征；
采用第一层同构图注意力网络对所述第三一阶特征进行处理，获得第二二阶特征；
采用第二层同构图注意力网络对所述第二二阶特征进行处理，获得用户i的三阶特征，所述三阶特征即为生成的用于表示用户i和其他用户之间关系的第二特征。
在第一方面的另一种实现方式中，在基于所述历史关联信息生成用于表示项目j与关联用户之间关系的项目特征的过程中，还包括：
基于以项目j为源节点的用户项目分层信息生成用于表示项目j和关联用户之间关系的项目特征。
在第一方面的另一种实现方式中，在基于以项目j为源节点的用户项目分层信息生成用于表示项目j和关联用户之间关系的项目特征的过程中，还包括：
获取项目j为源节点的用户项目分层信息的第二三层特征，其中，所述第二三层特征包括：源节点项目j的第六初始特征、第二层节点用户的第七初始特征、第三层节点项目的第八初始特征；
采用带注意力机制的邻居聚合方式聚合所述第六初始特征和第七初始特征，获得第四一阶特征；
采用带注意力机制的邻居聚合方式聚合所述第七初始特征和第八初始特征，获得第五一阶特征；
采用带注意力机制的邻居聚合方式聚合所述第四一阶特征和所述第五一阶特征，获得第三二阶特征；
根据所述第二三层特征、所述第四一阶特征、所述第五一阶特征和所述第三二阶特征，生成用于表示项目j和关联用户之间关系的项目特征。
在第一方面的另一种实现方式中，在对用户i的用户特征和项目j的项目特征进行处理，获得用户i和项目j之间的预测结果的过程中，还包括：
对用户i的用户特征和项目j的项目特征进行点积运算，获得用户i和项目j之间的预测结果；
或，对用户i的用户特征和项目j的项目特征进行向量拼接，获得拼接结果；
将所述拼接结果输入多层感知机，获得用户i和项目j之间的预测结果。
本申请实施例的第二方面提供了一种电子设备，包括：
信息获取模块，用于获取用户和项目的历史关联信息；
用户特征生成模块，用于基于所述历史关联信息生成用于表示用户i和关联项目之间关系的第一特征和用于表示用户i和其他用户之间关系的第二特征；对所述第一特征和所述第二特征进行融合，生成用户i的用户特征；
项目特征生成模块，用于基于所述历史关联信息生成用于表示项目j与关联用户之间关系的项目特征；
推荐模块，用于对用户i的用户特征和项目j的项目特征进行处理，获得用户i和项目j之间的预测结果，所述预测结果用于评价是否向用户i推荐项目j。
本申请实施例的第三方面提供了另一种电子设备，包括：处理器，所述处理器用于运行存储器中存储的计算机程序，以实现如第一方面所述的信息推荐方法。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储计算机程序，所述计算机程序在处理器上运行时实现本申请第一方面任一项的方法。
本申请实施例在获取用户和项目的历史关联信息后，基于所述历史关联信息生成用于表示用户i和关联项目之间关系的第一特征和用于表示用户i和其他用户之间关系的第二特征并对所述第一特征和所述第二特征进行融合，生成用户i的用户特征；基于所述历史关联信息生成用于表示项目j与关联用户之间关系的项目特征；通过对用户i的用户特征和项目j的项目特征进行处理，获得用户i和项目j之间的预测结果，并根据所述预测结果评价是否向用户i推荐项目j。通过上述可以看出，在生成用于表示用户的用户特征时，除了考虑用户和关联项目之间的关系特征，还增加了对用户和用户之间的关系特征的考虑，并对以上两种特征进行融合获得了用于表示用户的用户特征，如此一来可以解决推荐算法的信息稀疏性问题和冷启动问题。
可以理解的是，上述第二方面至第三方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图，而并不超出本申请要求保护的范围。
图1示出本申请实施例提供的一种信息推荐方法的流程示意图；
图2(a)至图2(c)示出本申请实施例提供的用户和项目历史关联信息的示意图；
图3示出本申请实施例提供的生成用于表示用户与项目之间关系的第一特征的过程示意图；
图4示出本申请实施例提供的生成用于表示用户与其他用户之间关系的第二特征的过程示意图；
图5示出本申请实施例提供的生成用于表示项目与其他用户之间关系的项目特征的过程示意图；
图6示出本申请实施例提供的电子设备的示意框图；
图7示出本申请实施例提供的另一电子设备的示意框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
本领域技术人员可以理解，附图只是示例实施例的示意图，可能不是按比例的。附图中的模块或流程并不一定是实施本申请所必须的，因此不能用于限制本申请的保护范围。
参见图1，是本发明实施例提供的一种信息推荐方法的流程示意图，如图所示，该方法可以包括以下步骤：
步骤S110，获取用户和项目的历史关联信息；
在本申请实施例中，所述用户是活跃在各类平台上、被平台推荐项目的目标对象；所述项目是一个广义的概念，可以是具有一定用途和形态的物品(如电商平台下的各类商品)，也可以是非物质形态的服务(如OTA平台下的酒店、美食)，还可以是无形的通用信息(例如新媒体平台下的创作内容、新闻、音乐)等；本申请对此不作限定。
在本申请另一实施例中，步骤S110，所述获取用户和项目的历史关联信息包括：
S1101，获取用户社交信息和用户项目对应信息；
在本申请实施例中，所述用户社交信息可以是平台中用户关注和互关好友的朋友的信息，也可以是平台中与用户的兴趣爱好相似的相似用户的信息。
所述用户项目对应信息可以是用户登录某个平台后与平台中感兴趣的项目进行交互建立的交互信息。因此所述用户项目对应信息包括项目的信息以及用户与项目的交互信息。作为举例，用户想要订购的项目是某个OTA平台下的酒店，则项目信息包括对应酒店的地理位置、酒店星级、价格、房间类型、是否含早餐等信息，用户与项目的交互信息可以包含用户对酒店的点击、订购或收藏等信息。综上可以看出，用户在订购酒店的过程中就与酒店建立了交互信息，如此一来也就获取到了用户项目对应信息。
作为另一示例，假设用户在某电商平台下购买商品，则此时的商品就是项目，用户可以对自己想要购买的商品进行点击、浏览、收藏、关注、分享、加入购物车、购买等操作，这些操作就是用户的历史行为，这些历史行为会被记录在平台日志中，如此一来也就建立起了用户项目之间的对应关系。
S1102，对所述用户社交信息和用户项目对应信息进行数据清洗处理，检查是否存在用户和项目信息缺失、信息不全等问题，以去除信息缺失的用户和项目。
作为举例，在某个电商平台下，将获取到的没有购买记录的用户、没有被购买过的商品进行去除，确保获取到的用户和项目之间是存在历史交互行为的，从而可以确保获取到的信息质量。
当然，实际应用中，也可以不经过S1102中的数据清洗处理。本申请实施例对此不作限定。
S1103，基于所述用户社交信息和用户项目对应信息生成用户和项目的历史关联信息，其中，所述用户和项目的历史关联信息包括：用户为源节点的用户项目分层信息、项目为源节点的用户项目分层信息和以用户为源节点的用户社交分层信息，所述用户为源节点的用户社交分层信息中每个节点上的用户与所述源节点上的用户存在对应关系的项目。
在本申请实施例中，基于获得的用户社交信息和用户项目对应信息，可以生成用户与项目的历史关联信息，所述历史关联信息可参见图2(a)至图2(c)。
图2(a)为历史关联信息中以用户为源节点的用户项目分层信息，Layer-0是用户u1，Layer-1是与用户u1存在对应关系的项目i1、i2、i3、i4，Layer-2是与项目i1存在对应关系的用户u2与u3、与项目i2存在对应关系的用户u4和u5、与项目i3存在对应关系的用户u6和u7、与项目i4存在对应关系的用户u8和u9。通过图可以看出，Layer-0、Layer-1、Layer-2之间是存在链路(边)的，所述链路将相互关联的Layer-0、Layer-1、Layer-2进行边连接建立起了层与层之间的关联关系。可以看出，通过Layer-1中的项目i1、i2、i3、i4可获得用户u1与u2～u9之间的关联关系。
图2(b)为历史关联信息中以用户为源节点的用户社交分层信息，Layer-0是用户u1，Layer-0-1是与用户u1存在对应关系的一组项目；Layer-1是用户u2、u3、u4，Layer-1-1是与用户u2存在对应关系的一组项目、与用户u2存在对应关系的一组项目、与用户u4存在对应关系的一组项目；Layer-2是用户u5、u6、u7、u8、u9、u10，Layer-2-1是与用户u5存在对应关系的一组项目、与用户u6存在对应关系的一组项目、与用户u7存在对应关系的一组项目、与用户u8存在对应关系的一组项目、与用户u9存在对应关系的一组项目、与用户u10存在对应关系的一组项目。同样的，Layer-0与Layer-0-1之间通过边连接建立起用户u1与对应项目的关联关系；Layer-1和Layer-1-1之间通过边连接建立起用户u2与对应项目的关联关系、用户u3与对应项目的关联关系、用户u4与对应项目的关联关系；Layer-2和Layer-2-1之间通过边连接建立起用户u5户与项目的关联关系、用户u6与项目的关联关系、用户u7与项目的关联关系、用户u8与项目的关联关系、用户u9与项目的关联关系、用户u10与项目的关联关系。
此外，Layer-0中的用户u1与Layer-1中的用户u2、u3、u4之间通过边连接建立用户u1的第一层社交信息，所述用户u2、u3、u4可以是用户u1关注或互关的好友；Layer-1中的用户u2、u3、u4分别与Layer-2中的用户u5和u6、u7和u8、u9和u10之间通过边进行连接，从而分别建立起了用户u2、u3、u4与用户u5和u6、u7和u8、u9和u10之间的社交信息。所述用户u5、u6可以是用户u2关注或互关的好友，所述用户u7、u8可以是用户u3关注或互关的好友，所述u9、u10可以是用户u4关注或互关的好友。因为所述用户u2、u3、u4与u1之间存在社交关联，而u2、u3、u4又分别与u5和u6、u7和u8、u9和u10存在社交关联，所以对应的可以将用户u5、u6、u7、u8、u9、u10作为用户u1的第二层社交信息。
图2(c)为历史关联信息中以项目为源节点的用户项目分层信息，Layer-0是项目i1，Layer-1是与项目i1存在对应关系的用户u1、u2、u3、u4，Layer-2是与用户u1存在对应关系的项目i2与i3、与用户u2存在对应关系的项目i4和i5、与用户u3存在对应关系的项目i6和i7、与用户u4存在对应关系项目i8和i9。由图可以看出，通过Layer-1中的用户u1、u2、u3、u4建立起了项目i1与i2～i9之间的关联关系。
步骤S120，基于所述历史关联信息生成用于表示用户i和关联项目之间关系的第一特征和用于表示用户i和其他用户之间关系的第二特征；
在本申请实施例中，用户i可以是活跃于推荐平台中的任意用户，关联项目则是与用户i存在对应关系、可被推荐给用户i的项目，其他用户可以是平台中用户i关注或互关的好友，也可以是平台中与用户i有相似兴趣爱好的相似用户。
参见图2(a)，基于以用户为源节点的用户项目分层信息可生成用于表示用户i和关联项目之间关系的特征，为了便于描述，此处将生成的上述特征定义为用户的第一特征，所述第一特征体现的是用户与项目之间的关联关系。
参见图2(b)，基于以用户为源节点的用户社交分层信息可生成用于表示用户i与其他用户之间关系的特征，为了便于描述，此处将生成的上述特征定义为用户的第二特征，所述第二特征体现的是用户与其他用户之间的关联关系。
在本申请另一实施例中，所述根据用户i为源节点的用户项目分层信息生成用于表示用户i和关联项目之间关系的第一特征包括：
获取用户i为源节点的用户项目分层信息的第一三层特征，其中，所述第一三层特征包括：源节点用户i的第一初始特征、第二层节点项目的第二初始特征、第三层节点用户的第三初始特征；
对于图2(a)，参见图3的实现过程示意图，初始特征h0包含三层特征，分别为源节点用户u1(即此处的用户i)的初始特征hsrc-u 0，第二层节点项目的初始特征h1-i 0，第三层节点用户的初始特征h2-u 0。为了便于描述，此处将源用户节点的初始特征hsrc-u 0定义为第一初始特征，将第二层节点项目的初始特征h1-i 0定义为第二初始特征，将第三层节点用户的初始特征h2-u 0定义为第三初始特征，将上述三层特征定义为第一三层特征。
采用带注意力机制的邻居聚合方式聚合所述第一初始特征和第二初始特征，获得第一一阶特征；
参见图3，在本申请实施例中，采用带注意力机制的邻居聚合方式聚合所述第一初始特征和第二初始特征得到第一层特征h1中用于表示用户的第一一阶特征hsrc-u 1。所述带注意力机制的邻居聚合方式的具体实现过程可参见公式(1)至(3)：
式(1)中，i为中心节点，C(i)为节点i的邻居节点，
表示节点a在第k层的特征；在式(2)中，W表示权重，b表示偏置，σ为ReLU激活函数；式(3)对所计算的注意力进行归一化。
采用带注意力机制的邻居聚合方式聚合所述第二初始特征和第三初始特征，获得第二一阶特征；
参见图3，在本申请实施例中，采用同获取第一一阶特征相同的方式聚合所述第二初始特征和第三初始特征得到第一层特征h1中的第二一阶特征h1-i 1。
采用带注意力机制的邻居聚合方式聚合所述第一一阶特征和所述第二一阶特征，获得第一二阶特征；
参见图3，在本申请实施例中，采用同获取第一一阶特征和第二一阶特征相同的方式聚合所述第一一阶特征和第二一阶特征获得第二层特征h2中用于表示用户i的第一二阶特征hsrc-u 2。
根据所述第一三层特征、所述第一一阶特征、所述第二一阶特征和所述第一二阶特征，生成用于表示用户i和关联项目之间关系的第一特征。
参见图2(a)，在本申请实施例中，源用户节点与多层邻居节点之间相互连接构成了图结构，带注意力机制的邻居聚合方式就是基于图结构的一种多阶多层邻居聚合方法。然而在实际应用中，对节点特征进行多阶多层邻居聚合处理后，不同节点的特征会过于平滑而导致节点的特征梯度消失，为了避免这一现象，此处将获得的所述第一三层特征、所述第一一阶特征、所述第二一阶特征和所述第一二阶特征信息进行组合，并送入一个多层感知机，最终得到用户的第一特征：
在本申请另一实施例中，所述根据用户i为源节点的用户社交分层信息生成用于表示用户i和其他用户之间关系的第二特征包括：
获取用户i为源节点的用户社交分层信息中源节点用户的第四初始特征和源节点项目的第五初始特征，其中，源节点项目为与所述源节点用户i存在对应关系的项目；
对于图2(b)，参见图4所示的实现过程示意图，初始特征h0-1中分别为源节点用户的初始特征hsrc-u 0，源节点项目的初始特征h1-i 0。为了便于描述，此处将源用户节点的初始特征hsrc-u 0定义为第四初始特征，将源节点项目的初始特征h1-i 0定义为第五初始特征。
采用带注意力机制的邻居聚合方式聚合所述第四初始特征和第五初始特征，获得第三一阶特征；
参见图4，在本申请实施例中，采用带注意力机制的邻居聚合方式聚合所述第四初始特征和第五初始特征得到第一层特征h1-1中用于表示用户的第三一阶特征hsrc-u 1。所述带注意力机制的邻居聚合方式的具体实现过程同生成用于表示用户i和关联项目之间关系的第一特征相同，此处不再赘述。
采用第一层同构图注意力网络对所述第三一阶特征进行处理，获得第二二阶特征；
参见图4，在本申请实施例中，将获得的第三一阶特征作为第一层同构图注意力网络的输入。此处需要说明的是，本申请中提到的用户项目关联信息、用户社交关联信息、项目用户关联信息本质是一个图结构，不管是用户特征的获取还是项目特征的获取都是基于图结构进行学习表示而获得的，本申请中的图结构可以是节点类型和连接关系单一的普通图，也可以是存在各种节点类型和连接关系的图神经网络，在此不作特别限定。
所述同构图是指图中的节点类型和关系类型都仅有一种的图结构，作为举例，假设在快手平台中，“我”关注了某个网红，那“我”和某个网红之间就建立了“关注”这一关系，因为“我”和某个网红所具有的属性是一样的，都是“人”，所以这个图中就分“我”和某个网红以及“关注”这个边，如此一来就形成了一张同构图。
所述注意力网络是仅通过源节点的一阶邻居特征来获得节点新的特征表示的过程，该方法并不需要获得整个的图神经网络，此外，测试和训练过程采用的都是同一个图的数据，因此算法运行过程比较简单。
参照图4所示的过程示意图，对图2(b)中的源节点用户u1(即此处的用户i)和其他用户节点的一阶邻居项目节点进行聚合，获得第一层同构图注意力网络的输入，所述第一层同构图注意力网络会对输入的所有节点训练一个共享的权重矩阵W∈RF*F′，得到每个邻居节点的权重，这个权重矩阵就是输入的F个特征与输出的F′个特征之间的关系，起到映射的作用。计算注意力值时，将节点i和节点j的表示分别使用W做映射，并将其结果向量拼接起来(这里由于是拼接操作所以节点间注意力值不对称，即eij≠eji)。之后使用前馈图网络
将拼接向量映射到实数上，并通过LeakyReLU激活，经过归一化后得到最终的注意力系数，计算公式如下图所示，||符号表示向量拼接：
得到注意力系数后即可对邻居加权求和，得到节点i的输出特征：
参见图4，通过第一层同构图注意力网络处理，获得了用户i的第二层特征h2-1，为了方便描述，将此处获得的所述第二层特征h2-1定义为第二二阶特征。
采用第二层同构图注意力网络对所述第二二阶特征进行处理，获得用户i的三阶特征，所述三阶特征即为生成的用于表示用户i和其他用户之间关系的第二特征。
参见图4，此处采用与上述获得用户i的第二二阶级特征h2-1相同的方法将所述第二二阶特征作为第二层同构图注意力网络的输入，经过第二层同构图注意力网络的处理得到用于表示用户i的第三层特征h3，为了便于描述，将此处获得的所述第三层特征h3定义为三阶特征，所述三阶特征即为生成的用于表示用户i和其他用户之间关系的第二特征hi S。
步骤S130，对所述第一特征和所述第二特征进行融合，生成用户i的用户特征；
在本申请实施例中，融合基于步骤S120获得的用户的第一特征hi I和第二特征hi S，并将融合的特征输入多层感知机进行混合学习，最终生成用户i的用户特征hi：
步骤S140，基于所述历史关联信息生成用于表示项目j与关联用户之间关系的项目特征；
在本申请实施例中，所述项目j可以为平台中的任意项目，所述关联用户可以为与项目进行过实质***互的用户。参见图2(c)，基于以项目为源节点的用户项目分层信息可生成用于表示项目j和关联用户之间关系的项目特征，所述项目特征体现的是项目j与关联用户之间的关联关系。
在本申请另一实施例中，所述基于以项目j为源节点的用户项目分层信息生成用于表示项目j和关联用户之间关系的项目特征包括：
获取项目j为源节点的用户项目分层信息的第二三层特征，其中，所述第二三层特征包括：源节点项目j的第六初始特征、第二层节点用户的第七初始特征、第三层节点项目的第八初始特征；
对于图2(c)，参见图5，初始特征h0-2包含三层特征，分别为源节点项目i1的(即此处的项目j)初始特征hsrc-i 0，第二层节点用户的初始特征h1-u 0，第三层节点项目的初始特征h2-i 0。为了便于描述，此处将源项目节点的初始特征hsrc-i 0定义为第六初始特征，第二层节点用户的初始特征h1-u 0定义为第七初始特征，将三层节点项目的初始特征h2-i 0定义为第八初始特征，将上述三层特征定义为第二三层特征。
采用带注意力机制的邻居聚合方式聚合所述第六初始特征和第七初始特征，获得第四一阶特征；
参见图5，在本申请实施例中，采用带注意力机制的邻居聚合方式聚合所述第六初始特征和第七初始特征得到第一层特征h1-2中用于表示项目的第四一阶特征hsrc-i 1。所述带注意力机制的邻居聚合方式的具体实现过程同生成用于表示用户i和关联项目之间关系的第一特征，此处不再赘述。
采用带注意力机制的邻居聚合方式聚合所述第七初始特征和第八初始特征，获得第五一阶特征；
参见图5，在本申请实施例中，采用同获取第四一阶特征相同的方式聚合所述第七初始特征和第八初始特征得到第一层特征h1-2中的第五一阶特征h1-u 1。
采用带注意力机制的邻居聚合方式聚合所述第四一阶特征和所述第五一阶特征，获得第三二阶特征；
参见图5，在本申请实施例中，采用同获取第四一阶特征和第五一阶特征相同的方式聚合所述第四一阶特征和第五一阶特征获得第二层特征h2-2中用于表示项目j的二阶特征hsrc-i 2，为了便于描述，此处将获得的项目j的二阶特征定义为第三二阶特征。
根据所述第二三层特征、所述第四一阶特征、所述第五一阶特征和所述第三二阶特征，生成用于表示项目j和关联用户之间关系的项目特征。
参见图5，在本申请实施例中采用同生成用于表示用户i和关联项目之间关系的第一特征相同的方法获得项目j的项目特征：
需要说明，在实际应用中，若以一个用户i和一个项目j为例，可以先获得用户i的用户特征，再获得项目j的项目特征；也可以先获得项目j的项目特征，再获得用户i的用户特征；当然，也可以以并行的方式同时获得用户i的用户特征和项目j的项目特征。
步骤S150，对用户i的用户特征和项目j的项目特征进行处理，获得用户i和项目j之间的预测结果，所述预测结果用于评价是否向用户i推荐项目j。
在本申请实施例中，在得到用户i的用户特征和项目j的项目特征后，需要实现评级预测，并将用户的预测评级值输出到项目上，最后根据用户对项目的评级预测结果评价是否向用户i根推荐项目j。
在本申请另一实施例中，所述对用户i的用户特征和项目j的项目特征进行处理，获得用户i和项目j之间的预测结果包括：
对用户i的用户特征和项目j的项目特征进行点积运算，获得用户i和项目j之间的预测结果；
本申请实施例中，所述用户i的用户特征反映的是用户i自身的兴趣爱好以及与用户i存在社交关联的其他用户的兴趣爱好。
所述项目特征反映的是项目j的自身个性标签以及通过多阶多层邻居聚合过程后获得的项目j的附加标签特征。
将获得用户i的用户特征与项目j的项目特征进行点积计算，可以得到用户i对项目j的评级结果：
或，对用户i的用户特征和项目j的项目特征进行向量拼接，获得拼接结果；
将所述拼接结果输入多层感知机，获得用户i和项目j之间的预测结果。
此外，在本申请实施例中，也可以将用户i的用户特征和项目j的项目特征进行向量拼接，并将拼接结果输入多层感知机来获得用户i和项目j之间的评级预测结果：
根据所述评级结果可以评价是否向用户i推荐项目j。作为举例，所述评级结果可以是用户i的兴趣爱好与项目j之间的相似度，若相似度符合推荐要求，就将项目j推荐给用户i，反之则不推荐。当然也可以是用户i对项目j的评分结果，比如1、2、3、4、5，评分结果是1说明项目j不是用户i感兴趣的项目，评分越高说明项目j越符合用户i的喜好。
在此需要说明，由于可能存在多个用户，存在多个项目，因此，需要设置用户i为大于或等于1、且小于或等于N(N为用户的总个数)的自然数，j为大于或等于1、且小于或等于M(项目的总个数)的自然数。当存在多个用户和多个项目时，可以计算每个用户的用户特征和每个项目的项目特征，通过交叉的方式获得每个用户和每个项目之间的预测结果。
图6示出本申请一实施例提供的电子设备的示意框图，为了便于说明，仅示出与本申请实施例相关的部分。
所述电子设备600，包括：
信息获取模块610，用于获取用户和项目的历史关联信息；
用户特征获取模块620，用于基于所述历史关联信息生成用于表示用户i和关联项目之间关系的第一特征和用于表示用户i和其他用户之间关系的第二特征；
对所述第一特征和所述第二特征进行融合，生成用户i的用户特征；
项目特征获取模块630，用于基于所述历史关联信息生成用于表示项目j与关联用户之间关系的项目特征；
推荐模块640，用于对用户i的用户特征和项目j的项目特征进行处理，获得用户i和项目j之间的预测结果，所述预测结果用于评价是否向用户i推荐项目j。
作为本申请另一实施例，所述信息获取模块610还用于：
获取用户社交信息和用户项目对应信息；
基于所述用户社交信息和用户项目对应信息生成用户和项目的历史关联信息，其中，所述用户和项目的历史关联信息包括：用户为源节点的用户项目分层信息、项目为源节点的用户项目分层信息和以用户为源节点的用户社交分层信息，所述用户为源节点的用户社交分层信息中每个节点上的用户存在与所述节点上的用户存在对应关系的项目。
作为本申请另一实施例，所述用户特征获取模块620还用于：
根据用户i为源节点的用户项目分层信息生成用于表示用户i和关联项目之间关系的第一特征；
根据用户i为源节点的用户社交分层信息生成用于表示用户i和其他用户之间关系的第二特征。
作为本申请另一实施例，所述用户特征获取模块620还用于：
获取用户i为源节点的用户项目分层信息的第一三层特征，其中，所述第一三层特征包括：源节点用户i的第一初始特征、第二层节点项目的第二初始特征、第三层节点用户的第三初始特征；
采用带注意力机制的邻居聚合方式聚合所述第一初始特征和第二初始特征，获得第一一阶特征；
采用带注意力机制的邻居聚合方式聚合所述第二初始特征和第三初始特征，获得第二一阶特征；
采用带注意力机制的邻居聚合方式聚合所述第一一阶特征和所述第二一阶特征，获得第一二阶特征；
根据所述第一三层特征、所述第一一阶特征、所述第二一阶特征和所述第一二阶特征，生成用于表示用户i和关联项目之间关系的第一特征。
作为本申请另一实施例，所述用户特征获取模块620还用于：
获取用户i为源节点的用户社交分层信息中源节点用户的第四初始特征和源节点项目的第五初始特征，其中，源节点项目为与所述源节点用户i存在对应关系的项目；
采用带注意力机制的邻居聚合方式聚合所述第四初始特征和第五初始特征，获得第三一阶特征；
采用第一层同构图注意力网络对所述第三一阶特征进行处理，获得第二二阶特征；
采用第二层同构图注意力网络对所述第二二阶特征进行处理，获得用户i的三阶特征，所述三阶特征即为生成的用于表示用户i和其他用户之间关系的第二特征。
作为本申请另一实施例，所述项目特征获取模块630还用于：
获取项目j为源节点的用户项目分层信息的第二三层特征，其中，所述第二三层特征包括：源节点项目j的第六初始特征、第二层节点用户的第七初始特征、第三层节点项目的第八初始特征；
采用带注意力机制的邻居聚合方式聚合所述第六初始特征和第七初始特征，获得第四一阶特征；
采用带注意力机制的邻居聚合方式聚合所述第七初始特征和第八初始特征，获得第五一阶特征；
采用带注意力机制的邻居聚合方式聚合所述第四一阶特征和所述第五一阶特征，获得第三二阶特征；
根据所述第二三层特征、所述第四一阶特征、所述第五一阶特征和所述第三二阶特征，生成用于表示项目j和关联用户之间关系的项目特征。
推荐模块640，用于对用户i的用户特征和项目j的项目特征进行处理，获得用户i和项目j之间的预测结果，所述预测结果用于评价是否向用户i推荐项目j。
作为本申请另一实施例，所述推荐模块640还用于：
对用户i的用户特征和项目j的项目特征进行点积运算，获得用户i和项目j之间的预测结果；
或，对用户i的用户特征和项目j的项目特征进行向量拼接，获得拼接结果；
将所述拼接结果输入多层感知机，获得用户i和项目j之间的预测结果。
需要说明的是，上述电子设备/模块之间的执行过程和相互之间的信息交互与本申请实施例提供的信息推荐方法基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图7是本申请一实施例提供的另一种电子设备的示意框图。如图7所示，该实施例的电子设备7包括：
一个或多个处理器700、存储器710以及存储在所述存储器710中并可在所述处理器700上运行的计算机程序720。所述处理器700执行所述计算机程序720时实现上述各个方法实施例中的步骤，例如图1所示的步骤S110至S150。
示例性的，所述计算机程序720可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器710中，并由所述处理器700执行，所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序720在所述电子设备7中的执行过程。
所述电子设备包括但不仅限于处理器700、存储器710。本领域技术人员可以理解，图7仅仅是电子设备7的一个示例，并不构成对电子设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备7还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器700可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器710可以是所述电子设备7的内部存储单元，例如电子设备7的硬盘或内存。所述存储器710也可以是所述电子设备7的外部存储设备，例如所述电子设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器710还可以既包括所述电子设备7的内部存储单元也包括外部存储设备。所述存储器710用于存储所述计算机程序以及所述电子设备7所需的其他程序和数据。所述存储器710还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，电子设备或模块的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被一个或多个处理器执行时，可实现上述各个方法实施例的步骤。
同样，作为一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时，本领域技术人员依据本申请的思想，基于本申请的具体实施方式及应用范围上做出的改变或变形之处，都属于本申请保护的范围。综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种信息推荐方法，其特征在于，包括：
获取用户和项目的历史关联信息；
基于所述历史关联信息生成用于表示用户i和关联项目之间关系的第一特征和用于表示用户i和其他用户之间关系的第二特征；
对所述第一特征和所述第二特征进行融合，生成用户i的用户特征；
基于所述历史关联信息生成用于表示项目j与关联用户之间关系的项目特征；
对用户i的用户特征和项目j的项目特征进行处理，获得用户i和项目j之间的预测结果，所述预测结果用于评价是否向用户i推荐项目j。
2.如权利要求1所述的方法，其特征在于，所述获取用户和项目的历史关联信息包括：
获取用户社交信息和用户项目对应信息；
基于所述用户社交信息和用户项目对应信息生成用户和项目的历史关联信息，其中，所述用户和项目的历史关联信息包括：用户为源节点的用户项目分层信息、项目为源节点的用户项目分层信息和以用户为源节点的用户社交分层信息，所述用户为源节点的用户社交分层信息中每个节点上的用户存在与所述节点上的用户存在对应关系的项目。
3.如权利要求2所述的方法，其特征在于，所述基于所述历史关联信息生成用于表示用户i和关联项目之间关系的第一特征和用于表示用户i和其他用户之间关系的第二特征包括：
根据用户i为源节点的用户项目分层信息生成用于表示用户i和关联项目之间关系的第一特征；
根据用户i为源节点的用户社交分层信息生成用于表示用户i和其他用户之间关系的第二特征。
4.如权利要求3所述的方法，其特征在于，所述根据用户i为源节点的用户项目分层信息生成用于表示用户i和关联项目之间关系的第一特征包括：
获取用户i为源节点的用户项目分层信息的第一三层特征，其中，所述第一三层特征包括：源节点用户i的第一初始特征、第二层节点项目的第二初始特征、第三层节点用户的第三初始特征；
采用带注意力机制的邻居聚合方式聚合所述第一初始特征和第二初始特征，获得第一一阶特征；
采用带注意力机制的邻居聚合方式聚合所述第二初始特征和第三初始特征，获得第二一阶特征；
采用带注意力机制的邻居聚合方式聚合所述第一一阶特征和所述第二一阶特征，获得第一二阶特征；
根据所述第一三层特征、所述第一一阶特征、所述第二一阶特征和所述第一二阶特征，生成用于表示用户i和关联项目之间关系的第一特征。
5.如权利要求3所述的方法，其特征在于，所述根据用户i为源节点的用户社交分层信息生成用于表示用户i和其他用户之间关系的第二特征包括：
获取用户i为源节点的用户社交分层信息中源节点用户的第四初始特征和源节点项目的第五初始特征，其中，源节点项目为与所述源节点用户i存在对应关系的项目；
采用带注意力机制的邻居聚合方式聚合所述第四初始特征和第五初始特征，获得第三一阶特征；
采用第一层同构图注意力网络对所述第三一阶特征进行处理，获得第二二阶特征；
采用第二层同构图注意力网络对所述第二二阶特征进行处理，获得用户i的三阶特征，所述三阶特征即为生成的用于表示用户i和其他用户之间关系的第二特征。
6.如权利要求2所述的方法，其特征在于，所述基于所述历史关联信息生成用于表示项目j与关联用户之间关系的项目特征包括：
基于以项目j为源节点的用户项目分层信息生成用于表示项目j和关联用户之间关系的项目特征。
7.如权利要求6所述的方法，其特征在于，所述基于以项目j为源节点的用户项目分层信息生成用于表示项目j和关联用户之间关系的项目特征包括：
获取项目j为源节点的用户项目分层信息的第二三层特征，其中，所述第二三层特征包括：源节点项目j的第六初始特征、第二层节点用户的第七初始特征、第三层节点项目的第八初始特征；
采用带注意力机制的邻居聚合方式聚合所述第六初始特征和第七初始特征，获得第四一阶特征；
采用带注意力机制的邻居聚合方式聚合所述第七初始特征和第八初始特征，获得第五一阶特征；
采用带注意力机制的邻居聚合方式聚合所述第四一阶特征和所述第五一阶特征，获得第三二阶特征；
根据所述第二三层特征、所述第四一阶特征、所述第五一阶特征和所述第三二阶特征，生成用于表示项目j和关联用户之间关系的项目特征。
8.如权利要求1所述的方法，其特征在于，所述对用户i的用户特征和项目j的项目特征进行处理，获得用户i和项目j之间的预测结果包括：
对用户i的用户特征和项目j的项目特征进行点积运算，获得用户i和项目j之间的预测结果；
或，对用户i的用户特征和项目j的项目特征进行向量拼接，获得拼接结果；
将所述拼接结果输入多层感知机，获得用户i和项目j之间的预测结果。
9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储计算机程序，所述计算机程序在处理器上运行时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110155886.7A CN112948668B (zh) | 2021-02-04 | 2021-02-04 | 一种信息推荐方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110155886.7A CN112948668B (zh) | 2021-02-04 | 2021-02-04 | 一种信息推荐方法、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112948668A true CN112948668A (zh) | 2021-06-11 |
| CN112948668B CN112948668B (zh) | 2023-03-03 |
Family
ID=76243917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110155886.7A Active CN112948668B (zh) | 2021-02-04 | 2021-02-04 | 一种信息推荐方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112948668B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114756762A (zh) * | 2022-06-13 | 2022-07-15 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、设备、存储介质及程序产品 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120059788A1 (en) * | 2010-09-08 | 2012-03-08 | Masashi Sekino | Rating prediction device, rating prediction method, and program |
| CN103399858A (zh) * | 2013-07-01 | 2013-11-20 | 吉林大学 | 基于信任的社会化协同过滤推荐方法 |
| CN110457573A (zh) * | 2019-07-04 | 2019-11-15 | 平安科技（深圳）有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
| CN111639979A (zh) * | 2020-06-08 | 2020-09-08 | 上海商汤智能科技有限公司 | 一种游乐项目推荐方法及装置 |
| CN111861583A (zh) * | 2020-07-31 | 2020-10-30 | 成都新潮传媒集团有限公司 | 一种广告点击率的预测方法、装置及计算机可读存储介质 |
| CN112084427A (zh) * | 2020-09-15 | 2020-12-15 | 辽宁工程技术大学 | 一种基于图神经网络的兴趣点推荐方法 |
| CN112084428A (zh) * | 2020-09-17 | 2020-12-15 | 辽宁工程技术大学 | 一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法 |
-
2021
- 2021-02-04 CN CN202110155886.7A patent/CN112948668B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120059788A1 (en) * | 2010-09-08 | 2012-03-08 | Masashi Sekino | Rating prediction device, rating prediction method, and program |
| CN103399858A (zh) * | 2013-07-01 | 2013-11-20 | 吉林大学 | 基于信任的社会化协同过滤推荐方法 |
| CN110457573A (zh) * | 2019-07-04 | 2019-11-15 | 平安科技（深圳）有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
| CN111639979A (zh) * | 2020-06-08 | 2020-09-08 | 上海商汤智能科技有限公司 | 一种游乐项目推荐方法及装置 |
| CN111861583A (zh) * | 2020-07-31 | 2020-10-30 | 成都新潮传媒集团有限公司 | 一种广告点击率的预测方法、装置及计算机可读存储介质 |
| CN112084427A (zh) * | 2020-09-15 | 2020-12-15 | 辽宁工程技术大学 | 一种基于图神经网络的兴趣点推荐方法 |
| CN112084428A (zh) * | 2020-09-17 | 2020-12-15 | 辽宁工程技术大学 | 一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| WENQI FAN ET AL: "Graph Neural Networks for Social Recommendation", 《WWW "19: THE WORLD WIDE WEB CONFERENCE》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114756762A (zh) * | 2022-06-13 | 2022-07-15 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、设备、存储介质及程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112948668B (zh) | 2023-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | A fuzzy TOPSIS method for performance evaluation of reverse logistics in social commerce platforms | |
| CN113409121B (zh) | 一种基于异构图表达学习的跨境电商推荐方法 | |
| CN111611472A (zh) | 一种基于图卷积神经网络的捆绑推荐方法及*** | |
| CN110046301B (zh) | 对象推荐方法和装置 | |
| CN108182268B (zh) | 一种基于社会网络的协同过滤推荐方法及*** | |
| CN115270001B (zh) | 基于云端协同学习的隐私保护推荐方法及*** | |
| Zhao et al. | Anatomy of a web-scale resale market: a data mining approach | |
| CN113763095A (zh) | 信息推荐方法、装置和模型训练方法、装置 | |
| CN112948668B (zh) | 一种信息推荐方法、电子设备及存储介质 | |
| CN115860880A (zh) | 基于多层异质图卷积模型的个性化商品推荐方法及*** | |
| CN113850654A (zh) | 物品推荐模型的训练方法、物品筛选方法、装置和设备 | |
| Lin et al. | Improving the effectiveness of experiential decisions by recommendation systems | |
| Alluhaidan | Recommender system using collaborative filtering algorithm | |
| Savas-Hall et al. | Consumers’ perception of service newness and its marketing implications | |
| Hooda et al. | A study of recommender systems on social networks and content-based web systems | |
| CN112784064B (zh) | 一种面向社交网络的层次化超维知识图谱构建方法 | |
| CN114861079A (zh) | 一种融合商品特征的协同过滤推荐方法和*** | |
| WO2022165714A1 (zh) | 一种信息推荐方法、电子设备及存储介质 | |
| Tang et al. | Service recommendation based on dynamic user portrait: an integrated approach | |
| Abed et al. | A review of marketing recommendation systems | |
| Paleti et al. | User opinions driven social recommendation system | |
| Li et al. | Movie recommendation based on ALS collaborative filtering recommendation algorithm with deep learning model | |
| Boteanu et al. | Mapping content to an item repository | |
| Abulaish et al. | OMCR: An Opinion-Based Multi-Criteria Ranking Approach | |
| Farooqi et al. | Enhancing E-Commerce Applications with Machine Learning Recommendation Systems |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |