CN113360745A - 一种数据对象推荐方法、装置及电子设备 - Google Patents
一种数据对象推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113360745A CN113360745A CN202010144194.8A CN202010144194A CN113360745A CN 113360745 A CN113360745 A CN 113360745A CN 202010144194 A CN202010144194 A CN 202010144194A CN 113360745 A CN113360745 A CN 113360745A
- Authority
- CN
- China
- Prior art keywords
- user
- vector
- data
- data object
- statistical time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 382
- 230000002452 interceptive effect Effects 0.000 claims abstract description 179
- 230000003993 interaction Effects 0.000 claims abstract description 135
- 230000004931 aggregating effect Effects 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims description 65
- 230000014509 gene expression Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000007246 mechanism Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 35
- 238000004891 communication Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种数据对象推荐方法、装置及电子设备,该方法包括:获取用户在多个预设的统计时段内针对数据对象执行多种交互操作的交互数据;根据交互数据,确定每一用户第一用户向量,和每一数据对象的第一对象向量;分别对每一用户和每一数据对象在每一统计时段内对应所有交互操作的第一用户向量和第一对象向量进行聚合,得到对应用户的第二用户向量和对应数据对象的第二对象向量;分别对每一用户和每一数据对象在所有统计时段内的第二用户向量和第二对象向量进行聚合,得到对应用户的第三用户向量和对应数据对象的第三对象向量;根据每一数据对象的第三对象向量与目标用户的第三用户向量,选取推荐数据对象,推荐给目标用户。
Description
技术领域
本发明涉及推荐技术领域,更具体地,涉及一种数据对象推荐方法、一种数据对象推荐装置、一种电子设备、及一种计算机可读存储介质。
背景技术
在互联网时代,每天都会产生大量用户和商品之间的交互数据。这些交互数据中包含了丰富的信息,可以利用这些交互数据来构建推荐***,对用户进行精准的商品营销,给用户推荐其可能喜欢或者购买的商品,从而更好地服务用户,提升网站整体的运行效率和指标。
但是用户对商品的行为是多样的,并且用户对商品的兴趣是一个动态变化的过程,而传统的推荐***同时忽略掉了这两个过程,导致商品的推荐结果不精准。
发明内容
本发明的一个目的是提供一种数据对象推荐的新的技术方案。
根据本发明的第一方面,提供了一种数据对象推荐方法,包括:
获取至少一个用户在至少一个预设的统计时段内针对至少一个数据对象执行至少一种交互操作的交互数据;
根据所述交互数据,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量;
分别对每一所述用户在每一所述统计时段内对应所有交互操作的第一用户向量进行聚合,得到对应所有所述用户的第二用户向量;分别对每一所述数据对象在每一所述统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应所有所述数据对象的第二对象向量;
分别对每一所述用户在所有统计时段内的第二用户向量进行聚合,得到对应所有所述用户的第三用户向量;分别对每一所述数据对象在所有统计时段内的第二对象向量进行聚合,得到对应所有所述数据对象的第三对象向量;
根据每一所述数据对象的第三对象向量与所述目标用户的第三用户向量,从所述数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给所述目标用户;其中,所述目标用户为任意用户。
可选的,所述根据所述交互数据,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量包括:
分别根据每一所述统计时段内对应每一所述交互操作的交互数据,构建所有所述用户和所有所述数据对象在每一所述统计时段内对应每一所述交互操作的交互关系图;
根据每一所述统计时段内对应每一所述交互操作的交互关系图,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量。
可选的,所述分别根据每一所述统计时段内对应每一所述交互操作的交互数据,构建所有所述用户和所有所述数据对象在每一所述统计时段内对应每一所述交互操作的交互关系图包括:
将每一所述用户和每一所述数据对象分别作为一个节点;
根据每一所述统计时段内每一所述交互操作的交互数据,确定用于连接节点的边,得到对应的交互关系图。
可选的,所述根据每一所述统计时段内对应每一所述交互操作的交互关系图,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量包括:
对于每一所述交互关系图,分别构建对应每一所述用户和每一所述数据对象的图神经网络;其中,每个图神经网络的层数相同;
对于每一所述交互关系图,获得每一所述用户在对应图神经网络的最后隐藏层的值,作为对应用户的第一用户向量;获得每一所述数据对象在对应图神经网络的最后隐藏层的值,作为对应数据对象的第一对象向量。
可选的,所述获得每一所述用户在对应图神经网络的最后隐藏层的值,作为对应用户的第一用户向量;获得每一所述数据对象在对应图神经网络的最后隐藏层的值,作为对应数据对象的第一对象向量包括:
对于每一所述数据对象和每一所述用户,分别以对应图神经网络的待定参数为变量,构建对应的最后隐藏层的表达式;
根据每一所述数据对象的最后隐藏层的表达式和每一所述用户的最后隐藏层的表达式,构建每一所述数据对象和每一所述用户之间的距离的表达式;
根据每一所述数据对象和每一所述用户之间的距离的表达式、及对应的交互关系图,构建损失函数。
求解所述损失函数,确定每一所述图神经网络的待定参数的值。
可选的,所述根据每一所述统计时段内对应每一所述交互操作的交互关系图,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量包括:
基于预设的第一注意力机制,根据每一所述统计时段内对应每一所述交互操作的交互关系图,确定每一所述用户在每一统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量。
可选的,所述根据每一所述数据对象的第三对象向量与所述目标用户的第三用户向量,从所述数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给所述目标用户包括:
根据每一所述数据对象的第三对象向量与所述目标用户的第三用户向量,确定每一所述数据对象和所述目标用户之间的匹配度;
根据所述匹配度,从所述数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给所述目标用户。
可选的,所述根据每一所述数据对象的第三对象向量与所述目标用户的第三用户向量,确定每一所述数据对象和所述目标用户之间的匹配度包括:
分别确定每一所述数据对象的第三对象向量与所述目标用户的第三用户向量之间的距离,作为对应数据对象与所述目标用户之间的匹配度;或者,
基于预设的机器学习模型,根据每一所述数据对象的第三对象向量与所述目标用户的第三用户向量,得到对应数据对象和所述目标用户之间的匹配度。
可选的,所述根据所述匹配度,从所述数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给所述目标用户包括:
选取与所述目标用户之间的匹配度在设定范围内的数据对象,作为所述推荐数据对象;或者,
选取与所述目标用户之间的匹配度最大的设定数量个数据对象,作为所述推荐数据对象。
可选的,所述分别对每一所述用户在每一所述统计时段内对应所有交互操作的第一用户向量进行聚合,得到对应所有所述用户的第二用户向量;分别对每一所述数据对象在每一所述统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应所有所述数据对象的第二对象向量包括:
基于预设的第二注意力机制,分别对每一所述用户在每一所述统计时段内对应所有交互操作的第一用户向量进行聚合,得到对应用户的第二用户向量;分别对每一所述数据对象在每一所述统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应数据对象的第二对象向量。
可选的,所述分别对每一所述用户在所有统计时段内的第二用户向量进行聚合,得到对应所有所述用户的第三用户向量;分别对每一所述数据对象在所有统计时段内的第二对象向量进行聚合,得到对应所有所述数据对象的第三对象向量包括:
分别对每一所述用户在所有统计时段内的第二用户向量进行合并,得到用户向量矩阵,分别对每一所述数据对象在所有统计时段内的第二对象向量进行合并,得到对象向量矩阵;
基于预设的第三注意力机制,分别根据每一所述用户的用户向量矩阵,得到对应用户的第三用户向量;分别对每一所述数据对象的对象向量矩阵,得到对应数据对象的第三对象向量。
根据本发明的第二方面,提供了一种推荐方法,包括:
获取统计时段内,用户针对数据对象执行交互操作的交互数据;
根据所述交互数据,确定表征所述用户在所有统计时段内所有交互操作的用户向量,以及,表征所述数据对象在所有统计时段内所有交互操作的对象向量;
根据目标用户的用户向量以及所述数据对象的对象向量,筛选符合预设的推荐条件的推荐数据对象,推荐给所述目标用户。
根据本发明的第三方面,提供了一种推荐方法,包括:
获取统计时段内,至少一个用户针对至少一个数据对象执行至少一种交互操作的交互数据;
根据所述交互数据构建对应每一所述用户和每一所述数据对象在每一所述统计时段内的对应每一种交互操作的交互关系图;
基于根据每一所述统计时段内对应每一所述交互操作的交互关系图构建的图神经网络,或基于预设的第一注意力机制和所述交互关系图,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量;
分别对每一所述用户的第一用户向量和每一所述数据对象的第一对象向量进行聚合,得到对应所有用户的第三用户向量和对应所有数据对象的第三对象向量;
根据目标用户的用户向量以及所述数据对象的第三对象向量,筛选符合预设的推荐条件的推荐数据对象,推荐给所述目标用户。
根据本发明的第四方面,提供了一种推荐方法,包括:
预先收集用户基于客户端针对数据对象的交互数据;
响应于目标用户的访问请求,根据所述交互数据得到所述目标用户的推荐数据对象,并在访问结果的页面内容中添加所述推荐数据对象,以使所述推荐数据对象显示在所述访问结果的页面中。
根据本发明的第五方面,提供了一种数据对象推荐装置,包括:
数据获取模块,用于获取至少一个用户在至少一个预设的统计时段内针对至少一个数据对象执行至少一种交互操作的交互数据;
向量确定模块,用于根据所述交互数据,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量;
第一聚合模块,用于分别对每一所述用户在每一所述统计时段内对应所有交互操作的第一用户向量进行聚合,得到对应所有所述用户的第二用户向量;分别对每一所述数据对象在每一所述统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应所有所述数据对象的第二对象向量;
第二聚合模块,用于分别对每一所述用户在所有统计时段内的第二用户向量进行聚合,得到对应所有所述用户的第三用户向量;分别对每一所述数据对象在所有统计时段内的第二对象向量进行聚合,得到对应所有所述数据对象的第三对象向量;
对象推荐模块,用于根据每一所述数据对象的第三对象向量与所述目标用户的第三用户向量,从所述数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给所述目标用户;其中,所述目标用户为任意用户。
根据本发明的第六方面,提供了一种电子设备,包括:
根据本发明第五方面所述的装置;或者,
处理器和存储器,所述存储器用于存储指令,所述指令用于控制所述处理器执行根据本发明第一方面至第四方面中任一项所述的方法。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器执行时实现如本发明第一方面所述的方法。
在本发明的实施例中,根据在多个统计时段内的多种交互操作的交互数据,所得到的每一用户的第三用户向量和每一数据对象的第三对象向量,融合了时间动态特性和多种交互特性,使得第三用户向量和第三对象向量更能够体现对应用户和数据对象的动态变化情况。这样,根据目标用户的第三用户向量和每一数据对象的第三对象向量,可以更加准确地选出目标用户当前更加感兴趣的数据对象,提升了用户体验。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1a是根据本发明第一个实施例的电子设备的硬件结构示意图。
图1b是根据本发明第二个实施例的电子设备的硬件结构示意图。
图2示出了本发明的第一个实施例的数据对象推荐方法的应用场景示意图。
图3示出了本发明的实施例的数据对象推荐方法的流程图。
图4是根据本发明实施例的图神经网络的结果示意图。
图5示出了本发明的实施例的数据对象推荐装置的原理框图。
图6示出了本发明的第二个实施例的数据对象推荐方法的应用场景示意图。
图7示出了本发明的第三个实施例的数据对象推荐方法的应用场景示意图。
图8示出了本发明的第四个实施例的数据对象推荐方法的应用场景示意图。
图9示出了本发明第三个实施例的电子设备的原理框图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
图1a和图1b是可用于实现本发明任意实施例的方法的电子设备1000的硬件配置的框图。
在一个实施例中,如图1a所示,电子设备1000可以是服务器1100。
服务器1100提供处理、数据库、通讯设施的业务点。服务器1100可以是整体式服务器或是跨多计算机或计算机数据中心的分散式服务器。服务器可以是各种类型的,例如但不限于,网络服务器,新闻服务器,邮件服务器,消息服务器,广告服务器,文件服务器,应用服务器,交互服务器,数据库服务器,或代理服务器。在一些实施例中,每个服务器可以包括硬件,软件,或用于执行服务器所支持或实现的合适功能的内嵌逻辑组件或两个或多个此类组件的组合。例如,服务器例如刀片服务器、云端服务器等,或者可以是由多台服务器组成的服务器群组,可以包括上述类型的服务器中的一种或多种等等。
本实施例中,服务器1100可以如图1a所示,包括处理器1110、存储器1120、接口装置1130、通信装置1140、显示装置1150、输入装置1160。
在该实施例中,服务器1100还可以包括扬声器、麦克风等等,在此不做限定。
处理器1110可以是专用的服务器处理器,也可以是满足性能要求的台式机处理器、移动版处理器等,在此不做限定。存储器1120例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1130例如包括各种总线接口,例如串行总线接口(包括USB接口)、并行总线接口等。通信装置1140例如能够进行有线或无线通信。显示装置1150例如是液晶显示屏、LED显示屏触摸显示屏等。输入装置1160例如可以包括触摸屏、键盘等。
在该实施例中,服务器1100的存储器1120用于存储指令,该指令用于控制处理器1110进行操作以至少执行根据本发明任意实施例的方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
尽管在图1a中示出了服务器1100的多个装置,但是,本发明可以仅涉及其中的部分装置,例如,服务器1100只涉及存储器1120和处理器1110。
在一个实施例中,电子设备1000可以是操作人员使用的手机、平板电脑、台式计算机、笔记本电脑等终端设备1200,在此不做限定。
本实施例中,参照图1b所示,终端设备1200可以包括处理器1210、存储器1220、接口装置1230、通信装置1240、显示装置1250、输入装置1260、扬声器1270、麦克风1280等等。
处理器1210可以是移动版处理器。存储器1220例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1230例如包括USB接口、耳机接口等。通信装置1240例如能够进行有线或无线通信,通信装置1240可以包括短距离通信装置,例如是基于Hilink协议、WiFi(IEEE 802.11协议)、Mesh、蓝牙、ZigBee、Thread、Z-Wave、NFC、UWB、LiFi等短距离无线通信协议进行短距离无线通信的任意装置,通信装置1240也可以包括远程通信装置,例如是进行WLAN、GPRS、2G/3G/4G/5G远程通信的任意装置。显示装置1250例如是液晶显示屏、触摸显示屏等。输入装置1260例如可以包括触摸屏、键盘等。用户可以通过扬声器1270和麦克风1280输入/输出语音信息。
在该实施例中,终端设备1200的存储器1220用于存储指令,该指令用于控制处理器1210进行操作以至少执行根据本发明任意实施例的方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
尽管在图1b中示出了终端设备1200的多个装置,但是,本发明可以仅涉及其中的部分装置,例如,终端设备1200只涉及存储器1220和处理器1210和显示装置1250。
<应用场景>
如图2所示,至少一个用户可以在各自的客户端上针对至少一个数据对象执行至少一种交互操作。执行本发明的实施例的电子设备可以获取至少一个用户在至少一个统计时段内针对至少一个数据对象执行至少一种交互操作的交互数据,根据交互数据,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量;分别对每一用户在每一统计时段内对应所有交互操作的第一用户向量进行聚合,得到对应用户的第二用户向量;分别对每一数据对象在每一统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应数据对象的第二对象向量;分别对每一用户在所有统计时段内的第二用户向量进行聚合,得到对应用户的第三用户向量;分别对每一数据对象在所有统计时段内的第二对象向量进行聚合,得到对应数据对象的第三对象向量。目标用户的客户端中,可以提供用于触发访问请求的入口,目标用户可以通过该入口向电子设备发出访问请求。电子设备可以响应于该访问请求,根据每一数据对象的第三对象向量与目标用户的第三用户向量,从数据对象中选取符合预设的推荐条件的推荐数据对象,并将推荐数据对象推荐至目标用户的客户端,在目标用户的客户端的访问结果的页面中展示推荐数据对象。
<第一方法实施例>
在本实施例中,提供一种数据对象推荐方法。该数据对象推荐方法可以是由电子设备实施。该电子设备可以是如图1a所示的服务器1100或如图1b所示的终端设备1200。
根据图3所示,本实施例的数据对象推荐方法可以包括如下步骤S3100~S3500:
步骤S3100,获取至少一个用户在至少一个预设的统计时段内针对至少一个数据对象执行至少一种交互操作的交互数据。
在本发明的一个实施例中,统计时段可以是预先根据应用场景或具体需求设定好的历史时段。例如,统计时段可以是过去的某一天。
本发明实施例中的数据对象,例如可以是实物类产品,也可以是虚拟产品。该数据对象例如可以是服装、鞋、包、日用品、化妆品、办公用品、充值卡等能够交易的产品,也可以是信息。
交互数据可以表示目标用户是否针对目标对象执行对应的交互操作,交互操作例如可以包括如下至少两种购买、点击、收藏和加购物车。
步骤S3200,根据交互数据,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量。
具体的,可以是根据每一统计时段内每一交互操作的交互数据,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量。例如,根据第t个统计时段内第r种交互操作的交互数据,可以确定每一用户在第t个统计时段内对应第r种交互操作的第一用户向量,和每一数据对象在第t个统计时段内对应第r种交互操作的第一对象向量。
在本发明的一个实施例中,根据交互数据,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量可以包括如下所示的步骤S3210~S3220:
步骤S3210,分别根据每一统计时段内对应每一交互操作的交互数据,构建所有用户和所有数据对象在每一统计时段内对应每一交互操作的交互关系图。
在本实施例中,如果通过步骤S3100获取了T个统计时段内对应R种交互操作的交互数据,那么,通过步骤S3210可以得到T×R个交互关系图。
在本发明的一个实施例中,可以是将每一用户和每一数据对象分别作为一个节点;根据每一统计时段内每一交互操作的交互数据,确定用于连接节点的边,得到对应的交互关系图。
每一交互操作类型对应一种边类型,因此,如果用户和数据对象有多个交互操作,他们会被构造为多种交互关系图。
例如,根据第t个统计时段内第r种交互操作的交互数据,得到用户1在第t个统计时段内针对数据对象2执行了第r种交互操作,那么,在第t个统计时段内第r种交互操作的交互关系图中,用户1对应的节点和数据对象2对应的节点之间连接有边。
步骤S3220,根据每一统计时段内对应每一交互操作的交互关系图,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量。
具体的,可以是根据每一统计时段内对应每一交互操作的交互关系图中节点之间的连接关系,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量。
在本发明的一个实施例中,根据每一统计时段内对应每一交互操作的交互关系图,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量可以包括如下所示的步骤S3221~S3222:
步骤S3221,对于每一关系图,分别构建对应每一用户和每一数据对象的图神经网络。
其中,每个图神经网络的层数可以相同,并且不同的统计时段都可共享这些网络。
具体的,对于每一交互关系图,可以是分别以每个用户和每个数据对象为根节点,建立对应于每个用户的图神经网络和对应于每个数据对象的图神经网络。在有N1个用户和N2个数据对象的情况下,根据每一交互关系图可以构建N1+N2个图神经网络,且每个图神经网络的根节点不同。图神经网络中第k层可以是在对应交互关系图中与第k-1层的用户(或数据对象)连接的数据对象(或用户)。
例如,在第t个统计时段内,用户U1~U6针对数据对象P1~P4执行第r种交互操作的交互数据可以是如下表所示:
在本发明的一个实施例中,在该数据表中,用户针对数据对象在第t个统计时段内执行第r种交互操作时,对应位置的取值为1;用户针对数据对象在第t个统计时段内未执行第r种交互操作时,对应位置的取值为0。
在图神经网络的层数为四层的情况下,对于以用户U1为根节点的图神经网络,图神经网络的第一层可以是用户U1,第二层可以是在交互关系图中与用户U1连接的所有数据对象,第三层可以是在交互关系图中与第二层的数据对象连接的所有用户,第四层可以是在交互关系图中与第三层的用户连接的所有数据对象,该图神经网络的结构示意图可以是如图4所示。
步骤S3222,对于每一交互关系图,获得每一用户在对应图神经网络的最后隐藏层的值,作为对应用户的第一用户向量;获得每一数据对象在对应图神经网络的最后隐藏层的值,作为对应数据对象的第一对象向量。
在本发明的一个实施例中,对于其中一个交互关系图,获得每一用户在对应图神经网络的最后隐藏层的值,作为对应用户的第一用户向量;获得每一数据对象在对应图神经网络的最后隐藏层的值,作为对应数据对象的第一对象向量可以包括如下所示的步骤S3222-1~S3222-4:
步骤S3222-1,对于每一数据对象和每一用户,分别以对应图神经网络的待定参数为变量,构建对应的隐藏层的表达式。
其中,每一图神经网络在同一层的待定参数可以是相同的。
在本发明的一个实施例中,可以是将每一数据对象和每一用户轮流作为目标节点,目标节点的隐藏层的表达式可以表示为:
其中,其中是第k层的目标节点的隐藏层的值,x是目标节点的初始值,N(v)代表在交互关系图中与目标节点连接的节点,σ是激活函数(例如可以但不限于是ReLU),Wk和Bk均为图神经网络的第k层的待定参数。
具体的,第i个用户的隐藏层的表达式可以表示为:
其中,其中是第i个用户的图神经网络中第k层的隐藏层的值,xi是第i个目标用户的初始值,N(i)代表在对应的交互关系图中与第i个用户连接的节点,σ是激活函数,Wk和Bk均为图神经网络的第k层的待定参数。
第j个数据对象的隐藏层的表达式可以表示为:
其中,其中是第j个数据对象的图神经网络中第k层的隐藏层的值,xi是第j个数据对象的初始值,N(i)代表在交互关系图中与第j个数据对象连接的节点,σ是激活函数,Wk和Bk均为图神经网络的第k层的待定参数。
步骤S3222-2,根据每一数据对象的隐藏层的表达式和每一用户的隐藏层的表达式,构建每一数据对象和每一用户之间的距离的表达式。
在本发明的一个实施例中,每个数据对象和每个目标用户之间的距离可以是余弦距离。
那么,在第i个目标用户和第j个数据对象之间的距离yij的表达式可以表示为:
步骤S3222-3,根据每一数据对象和每一用户之间的距离的表达式、及对应的交互关系图,构建损失函数。
在本发明的一个实施例中,第二损失函数L2的表达式可以表示为:
L2=∑ij(yij-Pij)2
其中,yij为第i个目标用户和第j个数据对象之间的距离;Pij为第i个目标用户和第j个数据对象在对应的交互关系图中是否连接的数据,例如,在第i个目标用户和第j个数据对象在对应的交互关系图中连接的情况下,Pij可以为1,在第i个目标用户和第j个数据对象在对应的交互关系图中不连接的情况下,Pij可以为0。
步骤S3222-4,求解该损失函数,确定每一图神经网络的待定参数的值。
通过求解该损失函数,得到每个图神经网络的待定参数的值。根据每个图神经网络,就可以得到每个用户的图神经网络中第k层的隐藏层的值、和每个数据对象的图神经网络中第k层的隐藏层的值。
进一步地,将每个用户在对应图神经网络的最后隐藏层的值,作为对应用户的第一用户向量;将每个数据对象在对应图神经网络的最后隐藏层的值,作为对应数据对象的第一对象向量。
在本发明的另一个实施例中,根据每一统计时段内对应每一交互操作的交互关系图,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量还可以包括如下所示的步骤S3223:
步骤S3223,对于每一交互关系图,基于预设的第一注意力机制,根据对应交互关系图中每一节点分别与相邻的节点,得到该节点对应每个邻居节点的权重,并根据该节点对应的每个邻居节点的权重对对应的邻居节点的初始向量进行线性加权求和,得到该节点的第一向量。具体的,可以是将用户对应的节点的第一向量,作为对应用户的第一用户向量;将数据对象对应的节点的第一向量,作为对应数据对象的第二对象向量。
在本发明的实施例中,每一节点的初始向量可以是预先根据应用场景或具体需求设定的设定维度的向量。
具体的,在第t(其中,t∈(1,2,……,T))个统计时段内的第r种交互操作对应的交互数据图中,第i个节点的初始向量可以表示为xi,那么,该节点的第一向量可以表示为:
其中,是第r种交互操作对应的第一注意力机制的线性变换矩阵。是节点i在第t个统计时段内的第r种交互操作对应的交互数据图中的邻居节点。αr表示第t个统计时段内的第r种交互操作对应的第一注意力机制下的向量。
步骤S3300,分别对每一用户在每一统计时段内对应所有交互操作的第一用户向量进行聚合,得到对应所有用户的第二用户向量;分别对每一数据对象在每一统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应所有数据对象的第二对象向量。
每一用户在每一统计时段内对应每一交互操作的第一用户向量的维度相同。
在本发明的一个实施例中,可以是分别对每一用户在每一统计时段内对应所有交互操作的第一用户向量加权求和或者加权求平均值,将计算结果作为对应用户的第二用户向量;对每一数据对象在每一统计时段内对应所有交互操作的第一对象向量进行加权求和或者加权求平均值,将计算结果对应数据对象的第二对象向量。
在本发明的另一个实施例中,可以是基于预设的第二注意力机制,分别对每一用户在每一统计时段内对应所有交互操作的第一用户向量进行聚合,得到对应用户的第二用户向量;分别对每一数据对象在每一统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应数据对象的第二对象向量。
具体的,可以是对于每一统计时段,基于第二注意力机制,根据每一节点的第一向量,得到该节点对应每一交互操作的权重,再根据该权重对该节点对应所有交互操作的第一向量进行线性加权求和,得到该节点的第二向量。具体的,可以是将用户对应的节点的第二向量,作为对应用户的第二用户向量;将数据对象对应的节点的第二向量,作为对应数据对象的第二对象向量。
其中,W2是第二注意力机制的线性变换矩阵,b2是第二注意力机制的偏执,qT是第一注意力机制的向量。
步骤S3400,分别对每一用户在所有统计时段内的第二用户向量进行聚合,得到对应所有用户的第三用户向量;分别对每一数据对象在所有统计时段内的第二对象向量进行聚合,得到对应所有数据对象的第三对象向量。
在本发明的一个实施例中,分别对每一用户在所有统计时段内的第二用户向量进行聚合,得到对应用户的第三用户向量;分别对每一数据对象在所有统计时段内的第二对象向量进行聚合,得到对应数据对象的第三对象向量可以包括如下所示的步骤S3410~S3420:
步骤S3410,分别对每一用户在所有统计时段内的第二用户向量进行合并,得到用户向量矩阵,分别对每一数据对象在所有统计时段内的第二对象向量进行合并,得到对象向量矩阵。
在第二向量为行向量的情况下,第i个用户在第t(其中,t∈(1,2,……,T))个统计时段内的第二向量为那么,对第i个用户在所有统计时段内的第二用户向量进行合并,得到第i个用户的用户向量矩阵可以表示为:
在第二向量为列向量的情况下,第i个用户在第t(其中,t∈(1,2,……,T))个统计时段内的第二向量为那么,对第i个用户在所有统计时段内的第二用户向量进行合并,得到第i个用户的用户向量矩阵可以表示为:
步骤S3420,基于预设的第三注意力机制,分别根据每一用户的用户向量矩阵,得到对应用户的第三用户向量;分别根据每一数据对象的对象向量矩阵,得到对应数据对象的第三对象向量。
在得到第i个节点的向量矩阵为Hi的基础上,确定第i个节点的第三向量可以表示为:
Q=HiWq
K=HiWk
V=HiWv
其中,Wq、Wk和Wv为第三注意力机制的参数,Q、K、V和M的维度均为D×D′,D为本发明实施例中所述的向量(包括第一向量、第二向量和第三向量)的维度,m表示矩阵M的第m行,n表示矩阵M的第n列。在m≤n的情况下,矩阵M中第m行第n列对应的元素值为0,否则,矩阵M中第m行第n列对应的元素值为-∞。最终选取Zi矩阵的第T行作为节点最后的输出向量(第三向量)。
在本发明的另一个实施例中,还可以是基于预设的对应每一节点的循环神经网络,按照时间顺序,将该节点在所有统计时段内的第二向量输入对应的循环神经网络中,该循环神经网络的隐藏层向量即可以作为该节点的第三向量。具体的,可以是将用户对应的节点的第三向量,作为对应用户的第三用户向量,将数据对象对应的节点的第三向量,作为对应数据对象的第三对象向量。
步骤S3500,根据每一数据对象的第三对象向量与目标用户的第三用户向量,从数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给目标用户。
其中,目标用户可以为任意用户。
在本发明的一个实施例中,根据每一数据对象的第三对象向量与目标用户的第三用户向量,从数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给目标用户可以包括如下所示的步骤S3510~S3520:
步骤S3510,根据每一数据对象的第三对象向量与目标用户的第三用户向量,确定每一数据对象与目标用户之间的匹配度。
在本发明的一个实施例中,根据每一数据对象的第三对象向量与目标用户的第三用户向量,确定每一数据对象与目标用户之间的匹配度的方式可以包括:
分别确定每一数据对象的第三对象向量与目标用户的第三用户向量之间的距离,作为对应数据对象与目标用户之间的匹配度。
在本实施例中,该距离可以是余弦距离,具体可以参照前述实施例,在此不再赘述。
在本发明的另一个实施例中,根据每一数据对象的第三对象向量与目标用户的第三用户向量,确定每一数据对象与目标用户之间的匹配度的方式还可以包括:
基于预设的机器学习模型,根据每一数据对象的第三对象向量与目标用户的第三用户向量,得到对应数据对象与目标用户之间的匹配度。
在本实施例中,该机器学习模型可以是预先基于预设的机器学习算法,根据样本集进行机器学习训练得到的。其中,样本集中的每一样本均包括由用户的第三用户向量和数据对象的第三对象向量拼接得到的综合、及对应的标签,该标签可以表示是否向该用户推荐该商品。该机器学习算法可以是预先根据应用场景或具体需求所选定的。
步骤S3520,根据该匹配度,从数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给目标用户。
在本发明的一个实施例中,根据该匹配度,从数据对象中选取符合预设的推荐条件的推荐数据对象可以包括:
选取与目标用户之间的匹配度在设定范围内的数据对象,作为推荐数据对象。
在本发明的另一个实施例中,根据该匹配度,从数据对象中选取符合预设的推荐条件的推荐数据对象可以包括:
选取与目标用户之间的匹配度最大的设定数量个数据对象,作为推荐数据对象。
通过本发明的实施例,根据在至少一个统计时段内的多种交互操作的交互数据,所得到的每一用户的第三用户向量和每一数据对象的第三对象向量,融合了时间动态特性和多种交互特性,使得第三用户向量和第三对象向量更能够体现对应用户和数据对象的动态变化情况。这样,根据目标用户的第三用户向量和每一数据对象的第三对象向量,可以更加准确地选出目标用户当前更加感兴趣的数据对象,提升了用户体验。
<装置实施例>
在本实施例中,提供一种数据对象推荐装置5000,如图5所示,包括数据获取模块5100、向量确定模块5200、第一聚合模块5300、第二聚合模块5400和对象推荐模块5500。该数据获取模块5100用于获取至少一个用户在至少一个预设的统计时段内针对数据对象执行至少一种交互操作的交互数据;该向量确定模块5200用于根据交互数据,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量;该第一聚合模块5300用于分别对每一用户在每一统计时段内对应所有交互操作的第一用户向量进行聚合,得到对应所有用户的第二用户向量;分别对每一数据对象在每一统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应所有数据对象的第二对象向量;该第二聚合模块5400用于分别对每一用户在所有统计时段内的第二用户向量进行聚合,得到对应所有用户的第三用户向量;分别对每一数据对象在所有统计时段内的第二对象向量进行聚合,得到对应所有数据对象的第三对象向量;该对象推荐模块5500用于根据每一数据对象的第三对象向量与目标用户的第三用户向量,从数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给目标用户;其中,目标用户为任意用户。
在本发明的一个实施例中,该向量确定模块5200可以用于:
分别根据每一统计时段内对应每一交互操作的交互数据,构建所有用户和所有数据对象在每一统计时段内对应每一交互操作的交互关系图;
根据每一统计时段内对应每一交互操作的交互关系图,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量。
在本发明的一个实施例中,分别根据每一统计时段内对应每一交互操作的交互数据,构建所有用户和所有数据对象在每一统计时段内对应每一交互操作的交互关系图包括:
将每一用户和每一数据对象分别作为一个节点;
根据每一统计时段内每一交互操作的交互数据,确定用于连接节点的边,得到对应的交互关系图。每一交互操作类型对应一种边类型,因此,如果用户和数据对象有多个交互操作,他们会被构造为多种交互关系图。
在本发明的一个实施例中,根据每一统计时段内对应每一交互操作的交互关系图,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量包括:
对于每一交互关系图,分别构建对应每一用户和每一数据对象的图神经网络;其中,每个图神经网络的层数相同,并且不同的统计时段都可共享这些网络;
对于每一交互关系图,获得每一用户在对应图神经网络的最后隐藏层的值,作为对应用户的第一用户向量;获得每一数据对象在对应图神经网络的最后隐藏层的值,作为对应数据对象的第一对象向量。
在本发明的一个实施例中,获得每一用户在对应图神经网络的最后隐藏层的值,作为对应用户的第一用户向量;获得每一数据对象在对应图神经网络的最后隐藏层的值,作为对应数据对象的第一对象向量包括:
对于每一数据对象和每一用户,分别以对应图神经网络的待定参数为变量,构建对应的最后隐藏层的表达式;
根据每一数据对象的最后隐藏层的表达式和每一用户的最后隐藏层的表达式,构建每一数据对象和每一用户之间的距离的表达式;
根据每一数据对象和每一用户之间的距离的表达式、及对应的交互关系图,构建损失函数。
求解损失函数,确定每一图神经网络的待定参数的值。
在本发明的一个实施例中,根据每一统计时段内对应每一交互操作的交互关系图,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量包括:
基于预设的第一注意力机制,根据每一统计时段内对应每一交互操作的交互关系图,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量。
在本发明的一个实施例中,对象推荐模块5500还可以用于:
根据每一数据对象的第三对象向量与目标用户的第三用户向量,确定每一数据对象和目标用户之间的匹配度;
根据匹配度,从数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给目标用户。
在本发明的一个实施例中,根据每一数据对象的第三对象向量与目标用户的第三用户向量,确定每一数据对象和目标用户之间的匹配度包括:
分别确定每一数据对象的第三对象向量与目标用户的第三用户向量之间的距离,作为对应数据对象与目标用户之间的匹配度;或者,
基于预设的机器学习模型,根据每一数据对象的第三对象向量与目标用户的第三用户向量,得到对应数据对象和目标用户之间的匹配度。
在本发明的一个实施例中,根据匹配度,从数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给目标用户包括:
选取与目标用户之间的匹配度在设定范围内的数据对象,作为推荐数据对象;或者,
选取与目标用户之间的匹配度最大的设定数量个数据对象,作为推荐数据对象。
在本发明的一个实施例中,第一聚合模块5300还可以用于:
基于预设的第二注意力机制,分别对每一用户在每一统计时段内对应所有交互操作的第一用户向量进行聚合,得到对应用户的第二用户向量;分别对每一数据对象在每一统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应数据对象的第二对象向量。
在本发明的一个实施例中,第二聚合模块5400还可以用于:
分别对每一用户在所有统计时段内的第二用户向量进行合并,得到用户向量矩阵,分别对每一数据对象在所有统计时段内的第二对象向量进行合并,得到对象向量矩阵;
基于预设的第三注意力机制,分别根据每一用户的用户向量矩阵,得到对应用户的第三用户向量;分别对每一数据对象的对象向量矩阵,得到对应数据对象的第三对象向量。
本领域技术人员应当明白,可以通过各种方式来实现数据对象推荐装置5000。例如,可以通过指令配置处理器来实现数据对象推荐装置5000。例如,可以将指令存储在ROM中,并且当启动设备时,将指令从ROM读取到可编程器件中来实现数据对象推荐装置5000。例如,可以将数据对象推荐装置5000固化到专用器件(例如ASIC)中。可以将数据对象推荐装置5000分成相互独立的单元,或者可以将它们合并在一起实现。数据对象推荐装置5000可以通过上述各种实现方式中的一种来实现,或者可以通过上述各种实现方式中的两种或更多种方式的组合来实现。
在本实施例中,数据对象推荐装置5000可以具有多种实现形式,例如,数据对象推荐装置5000可以是任何的提供数据对象推荐服务的软件产品或者应用程序中运行的功能模块,或者是这些软件产品或者应用程序的外设嵌入件、插件、补丁件等,还可以是这些软件产品或者应用程序本身。
<第二方法实施例>
在本实施例中,提供一种推荐方法。该推荐方法可以是由电子设备实施。该电子设备可以是如图1a所示的服务器1100或如图1b所示的终端设备1200。
如图6所示,本实施例的推荐方法可以包括如下步骤S6100~S6300:
步骤S6100,获取统计时段内,用户针对数据对象执行交互操作的交互数据。
该步骤可以参照前述实施例中的步骤S3100,在此不再赘述。
步骤S6200,根据交互数据,确定表征用户在所有统计时段内所有交互操作的用户向量,以及,表征数据对象在所有统计时段内所有交互操作的对象向量。
该用户向量可以是前述实施例中的第三用户向量,该对象向量可以是前述实施例中的第三对象向量,那么,该步骤可以参照前述实施例中的步骤S3200~S3400,在此不再赘述。
步骤S6300,根据目标用户的用户向量以及数据对象的对象向量,筛选符合预设的推荐条件的推荐数据对象,推荐给目标用户。
该步骤可以参照前述实施例中的步骤S3500,在此不再赘述。
<第三方法实施例>
在本实施例中,提供一种推荐方法。该推荐方法可以是由电子设备实施。该电子设备可以是如图1a所示的服务器1100或如图1b所示的终端设备1200。
如图7所示,本实施例的推荐方法可以包括如下步骤S7100~S7500:
步骤S7100,获取统计时段内,至少一个用户针对至少一个数据对象执行至少一种交互操作的交互数据。
该步骤可以参照前述实施例中的步骤S3100,在此不再赘述。
步骤S7200,根据交互数据构建对应每一用户和每一数据对象在每一统计时段内的对应每一种交互操作的交互关系图。
该步骤可以参照前述的步骤S3210,在此不再赘述。
步骤S7300,基于根据每一统计时段内对应每一交互操作的交互关系图构建的图神经网络,或基于预设的第一注意力机制和交互关系图,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量。
基于根据每一统计时段内对应每一交互操作的交互关系图构建的图神经网络,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量的实施例,可以参照前述的步骤S3221~S3222,在此不再赘述。
基于预设的第一注意力机制和交互关系图,确定每一用户在每一统计时段内对应每一交互操作的第一用户向量,和每一数据对象在每一统计时段内对应每一交互操作的第一对象向量的实施例,可以参照前述的步骤S3223,在此不再赘述。
步骤S7400,分别对每一用户的第一用户向量和每一数据对象的第一对象向量进行聚合,得到对应所有用户的第三用户向量和对应所有数据对象的第三对象向量。
该步骤可以参照前述的步骤S3300~S3400,在此不再赘述。
步骤S7500,根据目标用户的用户向量以及数据对象的第三对象向量,筛选符合预设的推荐条件的推荐数据对象,推荐给目标用户。
该步骤可以参照前述的步骤S3500,在此不再赘述。
<第四方法实施例>
在本实施例中,提供一种推荐方法。该推荐方法可以是由电子设备实施。该电子设备可以是如图1a所示的服务器1100或如图1b所示的终端设备1200。
如图8所示,本实施例的推荐方法可以包括如下步骤S8100~S8200:
步骤S8100,预先收集用户基于客户端针对数据对象的交互数据。
该步骤可以参照前述的步骤S3100,在此不再赘述。
步骤S8200,响应于目标用户的访问请求,根据交互数据得到目标用户的推荐数据对象,并在访问结果的页面内容中添加推荐数据对象,以使推荐数据对象显示在访问结果的页面中。
在本实施例中,根据交互数据得到目标用户的推荐数据对象的方式,可以参照前述的步骤S3200~S3500,在此不再赘述。
<电子设备>
在本实施例中,还提供一种电子设备1000。该电子设备1000可以是图1a所示的服务器1100或如图1b所示的终端设备1200。
在本发明的一个实施例中,如图9所示,电子设备1000还可以包括处理器1300和存储器1400,该存储器1400用于存储可执行的指令;该处理器1300用于根据指令的控制运行电子设备1000执行根据本发明任意实施例的数据对象推荐方法或推荐方法。
在本实施例中,该电子设备1000可以是手机、平板电脑、掌上电脑、台式机、笔记本电脑、工作站、游戏机等设备。例如,电子设备1000可以是安装有提供显示服务的应用的智能手机。
<计算机可读存储介质>
在本实施例中,还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序在被处理器执行时实现如本发明任意实施例的数据对象推荐方法或推荐方法。
本发明可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (17)
1.一种数据对象推荐方法,包括:
获取至少一个用户在至少一个预设的统计时段内针对至少一个数据对象执行至少一种交互操作的交互数据;
根据所述交互数据,确定每一所述用户在每一统计时段内对应每一所述交互操作的第一用户向量,和每一数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量;
分别对每一所述用户在每一统计时段内对应所有交互操作的第一用户向量进行聚合,得到对应所有所述用户的第二用户向量;分别对每一所述数据对象在每一所述统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应所有所述数据对象的第二对象向量;
分别对每一所述用户在所有统计时段内的第二用户向量进行聚合,得到对应所有所述用户的第三用户向量;分别对每一数据对象在所有统计时段内的第二对象向量进行聚合,得到对应所有所述数据对象的第三对象向量;
根据每一所述数据对象的第三对象向量与目标用户的第三用户向量,从所述数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给所述目标用户;其中,所述目标用户为任意用户。
2.根据权利要求1所述的方法,所述根据所述交互数据,确定每一所述用户在每一统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量包括:
分别根据每一所述统计时段内对应每一所述交互操作的交互数据,构建所有所述用户和所有所述数据对象在每一所述统计时段内对应每一所述交互操作的交互关系图;
根据每一所述统计时段内对应每一所述交互操作的交互关系图,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量。
3.根据权利要求2所述的方法,所述分别根据每一所述统计时段内对应每一所述交互操作的交互数据,构建所有所述用户和所有所述数据对象在每一所述统计时段内对应每一所述交互操作的交互关系图包括:
将每一所述用户和每一所述数据对象分别作为一个节点;
根据每一所述统计时段内每一所述交互操作的交互数据,确定用于连接节点的边,得到对应的交互关系图。
4.根据权利要求2所述的方法,所述根据每一所述统计时段内对应每一所述交互操作的交互关系图,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量包括:
对于每一所述交互关系图,分别构建对应每一所述用户和每一所述数据对象的图神经网络;其中,每个图神经网络的层数相同;
对于每一所述交互关系图,获得每一所述用户在对应图神经网络的最后隐藏层的值,作为对应用户的第一用户向量;获得每一所述数据对象在对应图神经网络的最后隐藏层的值,作为对应数据对象的第一对象向量。
5.根据权利要求4所述的方法,所述获得每一所述用户在对应图神经网络的最后隐藏层的值,作为对应用户的第一用户向量;获得每一所述数据对象在对应图神经网络的最后隐藏层的值,作为对应数据对象的第一对象向量包括:
对于每一所述数据对象和每一所述用户,分别以对应图神经网络的待定参数为变量,构建对应的最后隐藏层的表达式;
根据每一所述数据对象的最后隐藏层的表达式和每一所述用户的最后隐藏层的表达式,构建每一所述数据对象和每一所述用户之间的距离的表达式;
根据每一所述数据对象和每一所述用户之间的距离的表达式、及对应的交互关系图,构建损失函数;
求解所述损失函数,确定每一所述图神经网络的待定参数的值。
6.根据权利要求2所述的方法,所述根据每一所述统计时段内对应每一所述交互操作的交互关系图,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量包括:
基于预设的第一注意力机制,根据每一所述统计时段内对应每一所述交互操作的交互关系图,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量。
7.根据权利要求1所述的方法,所述根据每一所述数据对象的第三对象向量与所述目标用户的第三用户向量,从所述数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给所述目标用户包括:
根据每一所述数据对象的第三对象向量与所述目标用户的第三用户向量,确定每一所述数据对象和所述目标用户之间的匹配度;
根据所述匹配度,从所述数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给所述目标用户。
8.根据权利要求7所述的方法,所述根据每一所述数据对象的第三对象向量与所述目标用户的第三用户向量,确定每一所述数据对象和所述目标用户之间的匹配度包括:
分别确定每一所述数据对象的第三对象向量与所述目标用户的第三用户向量之间的距离,作为对应数据对象与所述目标用户之间的匹配度;或者,
基于预设的机器学习模型,根据每一所述数据对象的第三对象向量与所述目标用户的第三用户向量,得到对应数据对象和所述目标用户之间的匹配度。
9.根据权利要求7所述的方法,所述根据所述匹配度,从所述数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给所述目标用户包括:
选取与所述目标用户之间的匹配度在设定范围内的数据对象,作为所述推荐数据对象;或者,
选取与所述目标用户之间的匹配度最大的设定数量个数据对象,作为所述推荐数据对象。
10.根据权利要求1所述的方法,所述分别对每一所述用户在每一所述统计时段内对应所有交互操作的第一用户向量进行聚合,得到对应所有所述用户的第二用户向量;分别对每一所述数据对象在每一所述统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应所有所述数据对象的第二对象向量包括:
基于预设的第二注意力机制,分别对每一所述用户在每一所述统计时段内对应所有交互操作的第一用户向量进行聚合,得到对应用户的第二用户向量;分别对每一所述数据对象在每一统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应数据对象的第二对象向量。
11.根据权利要求1所述的方法,所述分别对每一所述用户在所有统计时段内的第二用户向量进行聚合,得到对应所有所述用户的第三用户向量;分别对每一所述数据对象在所有统计时段内的第二对象向量进行聚合,得到对应所有所述数据对象的第三对象向量包括:
分别对每一所述用户在所有统计时段内的第二用户向量进行合并,得到用户向量矩阵,分别对每一所述数据对象在所有统计时段内的第二对象向量进行合并,得到对象向量矩阵;
基于预设的第三注意力机制,分别根据每一所述用户的用户向量矩阵,得到对应用户的第三用户向量;分别对每一所述数据对象的对象向量矩阵,得到对应数据对象的第三对象向量。
12.一种推荐方法,包括:
获取统计时段内,用户针对数据对象执行交互操作的交互数据;
根据所述交互数据,确定表征所述用户在所有统计时段内所有交互操作的用户向量,以及,表征所述数据对象在所有统计时段内所有交互操作的对象向量;
根据目标用户的用户向量以及所述数据对象的对象向量,筛选符合预设的推荐条件的推荐数据对象,推荐给所述目标用户。
13.一种推荐方法,包括:
获取统计时段内,至少一个用户针对至少一个数据对象执行至少一种交互操作的交互数据;
根据所述交互数据构建对应每一所述用户和每一所述数据对象在每一所述统计时段内的对应每一种交互操作的交互关系图;
基于根据每一所述统计时段内对应每一所述交互操作的交互关系图构建的图神经网络,或基于预设的第一注意力机制和所述交互关系图,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量;
分别对每一所述用户的第一用户向量和每一所述数据对象的第一对象向量进行聚合,得到对应所有用户的第三用户向量和对应所有数据对象的第三对象向量;
根据目标用户的用户向量以及所述数据对象的第三对象向量,筛选符合预设的推荐条件的推荐数据对象,推荐给所述目标用户。
14.一种推荐方法,包括:
预先收集用户基于客户端针对数据对象的交互数据;
响应于目标用户的访问请求,根据所述交互数据得到所述目标用户的推荐数据对象,并在访问结果的页面内容中添加所述推荐数据对象,以使所述推荐数据对象显示在所述访问结果的页面中。
15.一种数据对象推荐装置,包括:
数据获取模块,用于获取至少一个用户在至少一个预设的统计时段内针对至少一个数据对象执行至少一种交互操作的交互数据;
向量确定模块,用于根据所述交互数据,确定每一所述用户在每一所述统计时段内对应每一所述交互操作的第一用户向量,和每一所述数据对象在每一所述统计时段内对应每一所述交互操作的第一对象向量;
第一聚合模块,用于分别对每一所述用户在每一所述统计时段内对应所有所述交互操作的第一用户向量进行聚合,得到对应所有所述用户的第二用户向量;分别对每一所述数据对象在每一所述统计时段内对应所有交互操作的第一对象向量进行聚合,得到对应所有所述数据对象的第二对象向量;
第二聚合模块,用于分别对每一所述用户在所有统计时段内的第二用户向量进行聚合,得到对应所有所述用户的第三用户向量;分别对每一所述数据对象在所有统计时段内的第二对象向量进行聚合,得到对应所有所述数据对象的第三对象向量;
对象推荐模块,用于根据每一所述数据对象的第三对象向量与所述目标用户的第三用户向量,从所述数据对象中选取符合预设的推荐条件的推荐数据对象,推荐给所述目标用户;其中,所述目标用户为任意用户。
16.一种电子设备,包括:
根据权利要求15所述的装置;或者,
处理器和存储器,所述存储器用于存储指令,所述指令用于控制所述处理器执行根据权利要求1至14中任一项所述的方法。
17.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器执行时实现如权利要求1至14中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144194.8A CN113360745A (zh) | 2020-03-04 | 2020-03-04 | 一种数据对象推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144194.8A CN113360745A (zh) | 2020-03-04 | 2020-03-04 | 一种数据对象推荐方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113360745A true CN113360745A (zh) | 2021-09-07 |
Family
ID=77523685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010144194.8A Pending CN113360745A (zh) | 2020-03-04 | 2020-03-04 | 一种数据对象推荐方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360745A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886090A (zh) * | 2014-03-31 | 2014-06-25 | 北京搜狗科技发展有限公司 | 基于用户喜好的内容推荐方法及装置 |
US20170185673A1 (en) * | 2015-12-25 | 2017-06-29 | Le Holdings (Beijing) Co., Ltd. | Method and Electronic Device for QUERY RECOMMENDATION |
EP3267386A1 (en) * | 2016-07-07 | 2018-01-10 | Yandex Europe AG | Method and apparatus for generating a content recommendation in a recommendation system |
CN108090807A (zh) * | 2017-12-13 | 2018-05-29 | 北京小度信息科技有限公司 | 信息推荐方法及装置 |
CN109190046A (zh) * | 2018-09-18 | 2019-01-11 | 北京点网聚科技有限公司 | 内容推荐方法、装置及内容推荐服务器 |
CN109255073A (zh) * | 2018-08-28 | 2019-01-22 | 麒麟合盛网络技术股份有限公司 | 一种个性化推荐方法、装置及电子设备 |
CN109509054A (zh) * | 2018-09-30 | 2019-03-22 | 平安科技(深圳)有限公司 | 海量数据下商品推荐方法、电子装置及存储介质 |
CN110134783A (zh) * | 2018-02-09 | 2019-08-16 | 阿里巴巴集团控股有限公司 | 个性化推荐的方法、装置、设备和介质 |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
CN110457589A (zh) * | 2019-08-19 | 2019-11-15 | 上海新共赢信息科技有限公司 | 一种车辆推荐方法、装置、设备及存储介质 |
CN110490717A (zh) * | 2019-09-05 | 2019-11-22 | 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*** |
WO2019226933A1 (en) * | 2018-05-25 | 2019-11-28 | Target Brands, Inc. | Personalized recommendations for unidentified users based on web browsing context |
CN110543603A (zh) * | 2019-09-06 | 2019-12-06 | 上海喜马拉雅科技有限公司 | 基于用户行为的协同过滤推荐方法、装置、设备和介质 |
CN110598118A (zh) * | 2019-09-23 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 资源对象的推荐方法、装置及计算机可读介质 |
US20200005196A1 (en) * | 2018-06-27 | 2020-01-02 | Microsoft Technology Licensing, Llc | Personalization enhanced recommendation models |
CN110781396A (zh) * | 2019-10-25 | 2020-02-11 | 上海喜马拉雅科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
-
2020
- 2020-03-04 CN CN202010144194.8A patent/CN113360745A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886090A (zh) * | 2014-03-31 | 2014-06-25 | 北京搜狗科技发展有限公司 | 基于用户喜好的内容推荐方法及装置 |
US20170185673A1 (en) * | 2015-12-25 | 2017-06-29 | Le Holdings (Beijing) Co., Ltd. | Method and Electronic Device for QUERY RECOMMENDATION |
EP3267386A1 (en) * | 2016-07-07 | 2018-01-10 | Yandex Europe AG | Method and apparatus for generating a content recommendation in a recommendation system |
CN108090807A (zh) * | 2017-12-13 | 2018-05-29 | 北京小度信息科技有限公司 | 信息推荐方法及装置 |
CN110134783A (zh) * | 2018-02-09 | 2019-08-16 | 阿里巴巴集团控股有限公司 | 个性化推荐的方法、装置、设备和介质 |
WO2019226933A1 (en) * | 2018-05-25 | 2019-11-28 | Target Brands, Inc. | Personalized recommendations for unidentified users based on web browsing context |
US20200005196A1 (en) * | 2018-06-27 | 2020-01-02 | Microsoft Technology Licensing, Llc | Personalization enhanced recommendation models |
CN109255073A (zh) * | 2018-08-28 | 2019-01-22 | 麒麟合盛网络技术股份有限公司 | 一种个性化推荐方法、装置及电子设备 |
CN109190046A (zh) * | 2018-09-18 | 2019-01-11 | 北京点网聚科技有限公司 | 内容推荐方法、装置及内容推荐服务器 |
CN109509054A (zh) * | 2018-09-30 | 2019-03-22 | 平安科技(深圳)有限公司 | 海量数据下商品推荐方法、电子装置及存储介质 |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
CN110457589A (zh) * | 2019-08-19 | 2019-11-15 | 上海新共赢信息科技有限公司 | 一种车辆推荐方法、装置、设备及存储介质 |
CN110490717A (zh) * | 2019-09-05 | 2019-11-22 | 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*** |
CN110543603A (zh) * | 2019-09-06 | 2019-12-06 | 上海喜马拉雅科技有限公司 | 基于用户行为的协同过滤推荐方法、装置、设备和介质 |
CN110598118A (zh) * | 2019-09-23 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 资源对象的推荐方法、装置及计算机可读介质 |
CN110781396A (zh) * | 2019-10-25 | 2020-02-11 | 上海喜马拉雅科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019114423A1 (zh) | 对模型预测值进行融合的方法、装置和设备 | |
CN107103036B (zh) | 应用下载概率的获取方法、设备及可编程设备 | |
CN104794145B (zh) | 基于内容和关系距离来连接人们 | |
CN111179031B (zh) | 一种商品推荐模型的训练方法、装置及*** | |
US11651233B2 (en) | Candidate visualization techniques for use with genetic algorithms | |
US20200117758A1 (en) | Dynamically enhancing query results | |
CN104331411A (zh) | 推荐项目的方法和装置 | |
CN107786943A (zh) | 一种用户分群方法及计算设备 | |
CN109690581B (zh) | 用户指导***及方法 | |
CN109214543B (zh) | 数据处理方法及装置 | |
WO2013059904A1 (en) | Factor-graph based matching systems and methods | |
CN110555172A (zh) | 用户关系挖掘方法及装置、电子设备和存储介质 | |
CN114036398A (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN111159565A (zh) | 构建基于多目标优化的推荐模型的方法、装置及设备 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
WO2022001887A1 (zh) | 用于训练物品编码模型的方法和装置 | |
CN113360745A (zh) | 一种数据对象推荐方法、装置及电子设备 | |
CN111667018B (zh) | 一种对象聚类的方法、装置、计算机可读介质及电子设备 | |
Yan et al. | Some path properties of weighted-fractional Brownian motion | |
CN113450167A (zh) | 一种商品推荐方法和装置 | |
CN114064843B (zh) | Rdf数据中天际线位置节点查询方法、装置和设备 | |
EP4134898A1 (en) | Method and apparatus for pushing information | |
CN115391661A (zh) | 训练推荐模型的方法、推荐资源的方法及其装置 | |
US11520855B2 (en) | Matrix sketching using analog crossbar architectures | |
US20220027434A1 (en) | Providing recommendations via matrix factorization |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240329 Address after: Unit 602-604, Unit 601, 6th Floor, Building 15, Yizhou Avenue, High tech Zone, Chengdu City, Sichuan Province, China Applicant after: Alibaba (Chengdu) Software Technology Co.,Ltd. Country or region after: China Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: ALIBABA GROUP HOLDING Ltd. Country or region before: Cayman Islands |