CN113779314A - 信息处理方法、装置、电子设备和计算机可读介质 - Google Patents
信息处理方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN113779314A CN113779314A CN202110084602.XA CN202110084602A CN113779314A CN 113779314 A CN113779314 A CN 113779314A CN 202110084602 A CN202110084602 A CN 202110084602A CN 113779314 A CN113779314 A CN 113779314A
- Authority
- CN
- China
- Prior art keywords
- vector
- user
- item
- node
- subgraph
- 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
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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了信息处理方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:对二分图进行子图抽取以生成子图集合;对子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量;生成编码后的子图;对编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量;将编码后的子图中各个节点的向量依照对应位置替换为第二用户向量集合和第二物品向量集合以生成替换后的子图作为词嵌入后的子图。该实施方式可以准确、高效的对二分图中用户节点和物品节点进行编码处理。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及信息处理方法、装置、电子设备和计算机可读介质。
背景技术
目前,各个业务常常通过图模型的形式来直观的展现业务中所涉及的各个用户和各个物品。对于图模型的使用,通常采用的方式为:首先,对图模型中各个用户的用户信息和各个物品的物品信息进行词嵌入(Word Embedding)。然后,将词嵌入后的各个用户向量和各个物品向量直接输入至与业务相关的、预先训练的图神经网络,可以得到业务所需的输出结果。这种方式存在如下问题:
对图模型中各个用户的用户信息和各个物品的物品信息进行词嵌入,得到的词嵌入后的各个用户向量和各个物品向量不能较好的、深层次的提取各个用户和各个物品的特征信息。除此之外,词嵌入后的各个用户向量和各个物品向量不能较好地体现用户与物品之间的关联信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了信息处理方法、装置、设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种信息处理方法,该方法包括:对二分图进行子图抽取以生成子图集合,其中,上述二分图表征用户集与物品集之间的关联关系;对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合;根据上述第一用户向量集合和上述第一物品向量集合,生成编码后的子图,得到编码后的子图集合;依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,得到第二用户向量集合和第二物品向量集合;将上述编码后的子图中各个节点的向量依照对应位置替换为上述第二用户向量集合和上述第二物品向量集合以生成替换后的子图作为词嵌入后的子图,得到词嵌入后的子图集合。
可选的,上述方法还包括:根据所得到的各个词嵌入后的子图,对上述二分图上各个节点进行向量标注,得到向量标注后的二分图;将上述向量标注后的二分图中的各个物品节点作为叶子节点,构建树模型;根据上述树模型,确定与目标用户节点相关联的待召回的物品集。
可选的,上述对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,包括:对上述用户信息集中每个用户信息进行词嵌入处理以生成第一向量,得到第一向量集合;对上述第一向量集合中各个第一向量进行拼接,得到拼接后的向量;对上述拼接后的向量进行批归一化处理,得到归一化处理后的向量;将上述归一化处理后的向量输入至多层第一激活函数层,得到上述第一用户向量。
可选的,上述对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,包括:对上述物品信息集中每个物品信息进行词嵌入处理以生成第二向量,得到第二向量集合;对上述第二向量集合中各个第二向量进行拼接,得到拼接后的向量;对上述拼接后的向量进行批归一化处理,得到归一化处理后的向量;将上述归一化处理后的向量输入至多层第二激活函数层,得到上述第一物品向量,其中,上述第一用户向量的向量维度大于或等于第一物品向量的向量维度。
可选的,上述依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,包括:根据上述编码后的子图,确定与上述第一用户向量相邻的第一物品向量集;将上述第一物品向量集中每个第一物品向量输入至第三激活函数层以输出第三向量,得到第三向量集合;将上述第三向量集合中每个第三向量输入至第一池化层以输出第四向量,得到第四向量集合;将上述第四向量集合中各个第四向量和上述第一用户向量进行拼接,得到第五向量;将上述第五向量输入至第四激活函数层,得到上述第二用户向量。
可选的,上述依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,包括:根据上述编码后的子图,确定与上述第一物品向量相邻的第一用户向量集;将上述相邻的第一用户向量集中每个第一用户向量输入至第五激活函数层以输出第六向量,得到第六向量集合;将上述第六向量集合中每个第六向量输入至第二池化层以输出第七向量,得到第七向量集合;将上述第七向量集合中各个第七向量和上述第一物品向量进行拼接,得到第八向量;将上述第八向量输入至第六激活函数层,得到上述第二物品向量。
可选的,上述根据上述树模型,确定与目标用户节点相关联的待召回的物品集,包括:根据目标用户节点,采用近邻搜索的方法从上述树模型中确定出相关联的物品节点;根据上述物品节点,确定待召回的物品集。
第二方面,本公开的一些实施例提供了一种信息处理装置,装置包括:抽取单元,被配置成对二分图进行子图抽取以生成子图集合,其中,上述二分图表征用户集与物品集之间的关联关系;第一编码单元,被配置成对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合;生成单元,被配置成根据上述第一用户向量集合和上述第一物品向量集合,生成编码后的子图,得到编码后的子图集合;第二次编码单元,被配置成依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,得到第二用户向量集合和第二物品向量集合;替换单元,被配置成将上述编码后的子图中各个节点的向量依照对应位置替换为上述第二用户向量集合和上述第二物品向量集合以生成替换后的子图作为词嵌入后的子图,得到词嵌入后的子图集合。
可选的,装置还包括:根据所得到的各个词嵌入后的子图,对上述二分图上各个节点进行向量标注,得到向量标注后的二分图;将上述向量标注后的二分图中的各个物品节点作为叶子节点,构建树模型;根据上述树模型,确定与目标用户节点相关联的待召回的物品集。
可选的,第一编码单元进一步配置成:对上述用户信息集中每个用户信息进行词嵌入处理以生成第一向量,得到第一向量集合;对上述第一向量集合中各个第一向量进行拼接,得到拼接后的向量;对上述拼接后的向量进行批归一化处理,得到归一化处理后的向量;将上述归一化处理后的向量输入至多层第一激活函数层,得到上述第一用户向量。
可选的,第一编码单元进一步配置成:对上述物品信息集中每个物品信息进行词嵌入处理以生成第二向量,得到第二向量集合;对上述第二向量集合中各个第二向量进行拼接,得到拼接后的向量;对上述拼接后的向量进行批归一化处理,得到归一化处理后的向量;将上述归一化处理后的向量输入至多层第二激活函数层,得到上述第一物品向量,其中,上述第一用户向量的向量维度大于或等于第一物品向量的向量维度。
可选的,第二编码单元进一步配置成:根据上述编码后的子图,确定与上述第一用户向量相邻的第一物品向量集;将上述第一物品向量集中每个第一物品向量输入至第三激活函数层以输出第三向量,得到第三向量集合;将上述第三向量集合中每个第三向量输入至第一池化层以输出第四向量,得到第四向量集合;将上述第四向量集合中各个第四向量和上述第一用户向量进行拼接,得到第五向量;将上述第五向量输入至第四激活函数层,得到上述第二用户向量。
可选的,第二编码单元进一步配置成:根据上述编码后的子图,确定与上述第一物品向量相邻的第一用户向量集;将上述相邻的第一用户向量集中每个第一用户向量输入至第五激活函数层以输出第六向量,得到第六向量集合;将上述第六向量集合中每个第六向量输入至第二池化层以输出第七向量,得到第七向量集合;将上述第七向量集合中各个第七向量和上述第一物品向量进行拼接,得到第八向量;将上述第八向量输入至第六激活函数层,得到上述第二物品向量。
可选的,上述装置还包括:根据目标用户节点,采用近邻搜索的方法从上述树模型中确定出相关联的物品节点;根据上述物品节点,确定待召回的物品集。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的信息处理方法可以准确、高效的对二分图中用户节点和物品节点进行编码处理。具体来说,对图模型中各个用户的用户信息和各个物品的物品信息进行词嵌入,得到的词嵌入后的各个用户向量和各个物品向量不能较好的、深层次的提取各个用户和各个物品的特征信息。除此之外,词嵌入后的各个用户向量和各个物品向量不能较好地体现用户与物品之间的关联信息。基于此,本公开的一些实施例的信息处理方法会首先对二分图进行子图抽取以生成子图集合。其中,上述二分图表征用户集与物品集之间的关联关系。这这里,二分图的节点数目一般远远大于各个子图中节点的数目。由此,在后续训练中,可以大大缩减后续模型聚合时的节点规模,降低模型训练的复杂度。然后,对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码来提取用户特征信息和物品特征信息以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合。再然后,根据上述第一用户向量集合和上述第一物品向量集合,生成编码后的子图,得到编码后的子图集合。进而,依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,得到第二用户向量集合和第二物品向量集合。需要说明的是,上述第二次编码可以进一步的提取子图中用户节点与物品节点之间的关联关系。使得二分图中每个节点能同时学习到图拓扑结构信息。最后,将上述编码后的子图中各个节点的向量依照对应位置替换为上述第二用户向量集合和上述第二物品向量集合以生成替换后的子图作为词嵌入后的子图,得到词嵌入后的子图集合。由此可以得到,上述信息处理方法可以准确、高效的对二分图中用户节点和物品节点进行编码处理。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1-3是本公开的一些实施例的信息处理方法的一个应用场景图的示意图;
图4是根据本公开的信息处理方法一些实施例的流程图;
图5是根据本公开的信息处理方法的另一些实施例的流程图;
图6是根据本公开的信息处理装置的一些实施例的结构示意图;
图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1-图3是本公开的一些实施例的信息处理方法的一个应用场景图的示意图。
如图1-图3所示,电子设备101可以首先对二分图102进行子图抽取以生成子图集合105。其中,上述二分图102表征用户集103与物品集104之间的关联关系。在本应用场景中,上述用户集103可以包括:第一用户1031、第二用户1032、第三用户1033。上述物品集104可以包括:第一物品1041、第二物品1042、第三物品1043。上述子图集合105包括:子图1051、子图1052、子图1053。上述子图1051的第一层节点为第一用户1031。上述子图1051的第二层节点为与第一层节点中第一用户1031相关联的第一物品1041和第二物品1042。上述子图1051的第三层节点包括:与第二层节点中第一物品1041相关联的第一用户1031和第三用户1033、与第二层节点中第二物品1042相关联的第一用户1031和第三用户1033。上述子图1052的第一层节点为第二用户1032。上述子图1052的第二层节点为与第一层节点中第二用户1032相关联的第一物品1041和第三物品1043。上述子图1052的第三层节点包括:与第二层节点中第一物品1041相关联的第一用户1031和第三用户1033、与第二层节点中第三物品1043相关联的第二用户1032和第三用户1033。上述子图1053的第一层节点为第三用户1033。上述子图1053的第二层节点为与第一层节点中第三用户1033相关联的第一物品1041和第二物品1042。上述子图1053的第三层节点包括:与第二层节点中第一物品1041相关联的第一用户1031和第三用户1033、与第二层节点中第二物品1042相关联的第一用户1031和第三用户1033。然后,对上述子图集合105中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合。再然后,根据上述第一用户向量集合和上述第一物品向量集合,生成编码后的子图,得到编码后的子图集合。在本应用场景中,编码后的子图106是根据子图1052得到的。上述编码后的子图106中第一层的第二用户对应的第一用户向量可以是:(1,2,4,5,2,43,2,12,21,33)。上述编码后的子图106中第二层的第一物品对应的第一物品向量可以是:(6,2,5,2,9,4,1,3)。上述编码后的子图106中第二层的第三物品对应的第一物品向量可以是:(12,4,9,3,7,4,0,3)。上述编码后的子图106中第三层的第一用户对应的第一用户向量可以是:(4,3,4,8,4,8,21,12,23,21)。上述编码后的子图106中第三层的第三用户对应的第一用户向量可以是:(12,2,12,5,2,4,2,2,0,3)。上述编码后的子图106中第三层的第二用户对应的第一用户向量可以是:(1,2,4,5,2,43,2,12,21,33)。然而,依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,得到第二用户向量集合和第二物品向量集合。最后,将上述编码后的子图中各个节点的向量依照对应位置替换为上述第二用户向量集合和上述第二物品向量集合以生成替换后的子图作为词嵌入后的子图,得到词嵌入后的子图集合。在本应用场景中,词嵌入后的子图107是根据上述编码后的子图106。上述词嵌入后的子图107中第一层的第二用户对应的第二用户向量可以是:(8,8,7,5,2,3,5,12,5,4)。上述词嵌入后的子图107中第二层的第一物品对应的第二物品向量可以是:(6,6,8,5,2,3,5,5,5,3)。上述词嵌入后的子图107中第二层的第三物品对应的第二物品向量可以是:(5,5,7,5,2,3,3,12,0,2)。上述词嵌入后的子图107中第三层的第一用户对应的第二用户向量可以是:(1,2,3,5,2,3,5,9,5,4)。上述词嵌入后的子图107中第三层的第三用户对应的第二用户向量可以是:(2,2,7,5,2,3,1,1,5,9)。上述编码后的子图106中第三层的第二用户对应的第二用户向量可以是:(8,8,7,5,2,3,5,12,5,4)。
需要说明的是,上述电子设备101可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1、图2或图3中的电子设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
继续参考图4,示出了根据本公开的信息处理方法的一些实施例的流程400。该信息处理方法,包括以下步骤:
步骤401,对二分图进行子图抽取以生成子图集合。
在一些实施例中,信息处理方法的执行主体(例如图1所示的电子设备101)可以对二分图进行子图抽取以生成子图集合。其中,其中,上述二分图表征用户集与物品集之间的关联关系。例如,上述二分图中用户与物品之间的关联关系可以是点击行为关系。除此之外,上述二分图中的连接边可以是由用户指向物品。用户之间和物品之间不会建立连接边。上述连接边可以表征用户与物品之间的关联关系。
作为示例,可以采用两个阶段的图采样策略来进行子图抽取以生成子图集合。
可选的,上述两个阶段的图采样策略可以包括:
第一步,从上述二分图中用户节点集中确定目标用户节点。
第二步,确定上述二分图中与上述目标用户节点相连接的物品节点集的节点数目。
第三步,从上述目标用户节点相连接的物品节点集中随机选择第一数目个物品节点。其中,上述第一数目小于或等于相连接的物品节点集的节点数目。
第四步,确定所选的每个物品节点相连接的用户节点集合的节点数目。
第五步,从所选的每个物品节点相连接的用户节点集合选择第二数目个用户节点。其中,上述第二数目小于或等于相连接的用户节点集合的节点数目。
步骤402,对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合。
在一些实施例中,上述执行主体对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合。其中,上述用户节点所输入的用户信息集可以是对应用户相关的用户特征信息。例如,用户的年龄信息、用户的性别信息等等。上述物品节点所输入的物品信息集可以是对应物品相关的物品特征信息。例如,物品的类目信息、物品的品牌信息。物品的价值信息等等。
作为示例,上述执行主体可以对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行词嵌入处理以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合。其中,词嵌入(WordEmbedding)可以是将文本中的词转换成数字向量的方法。词嵌入过程可以是将维数为所有词数量的高维空间嵌入到维数较低的连续向量空间中,每个单词或词组被映射为实数域上的向量,词嵌入的结果就生成了词向量。
在一些实施例的一些可选的实现方式中,上述对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,可以包括以下步骤:
第一步,对上述用户信息集中每个用户信息进行词嵌入处理以生成第一向量,得到第一向量集合。
第二步,对上述第一向量集合中各个第一向量进行拼接,得到拼接后的向量。
第三步,对上述拼接后的向量进行批归一化处理(BN,Batch Normalization),得到归一化处理后的向量。在这里,对上述拼接后的向量进行批归一化处理可以在模型训练中加快训练速度、省去正则化处理过程。进而,提高了模型的训练精度。
第四步,将上述归一化处理后的向量输入至多层第一激活函数层,得到上述第一用户向量。其中,各个第一激活函数层之间输出向量的维度可以是不一致的。上述激活函数可以是包括但不限于以下至少一项:归一化指数函数(Normalized exponentialfunction,Softmax函数),线性整流函数(Rectified Linear Unit,ReLU)。作为示例,上述多层第一激活函数层可以是三层第一激活函数,第一层第一激活函数的输出向量维度可以是512×1。第二层第一激活函数的输出向量维度可以是128×1。第三层第一激活函数的输出向量维度可以是64×1。
可选的,上述对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量可以包括以下步骤:
第一步,对上述物品信息集中每个物品信息进行词嵌入处理以生成第二向量,得到第二向量集合。
第二步,对上述第二向量集合中各个第二向量进行拼接,得到拼接后的向量。
第三步,对上述拼接后的向量进行批归一化处理,得到归一化处理后的向量。
第四步,将上述归一化处理后的向量输入至多层第二激活函数层,得到上述第一物品向量。其中,上述第一用户向量的向量维度大于或等于第一物品向量的向量维度。作为示例,上述多层第二激活函数层可以是三层第二激活函数,第一层第二激活函数的输出向量维度可以是128×1。第二层第二激活函数的输出向量维度可以是64×1。第三层第二激活函数的输出向量维度可以是32×1。
步骤403,根据上述第一用户向量集合和上述第一物品向量集合,生成编码后的子图,得到编码后的子图集合。
在一些实施例中,上述执行主体可以根据上述第一用户向量集合和上述第一物品向量集合,生成编码后的子图,得到编码后的子图集合。其中。编码后的子图上各个节点存在对应的编码向量。作为示例,上述执行主体可以将上述第一用户向量集合和上述第一物品向量集合标注在上述子图中的对应位置,得到编码后的子图。
步骤404,依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,得到第二用户向量集合和第二物品向量集合。
在一些实施例中,上述执行主体可以依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,得到第二用户向量集合和第二物品向量集合。作为示例,上述执行主体可以依据上述子图中用户节点与物品节点之间的关联关系,可以将上述编码后的子图输入至预先训练的图卷积神经网络(Graph Convolutional Network,GCN),得到第二用户向量集合和第二物品向量集合。
在一些实施例的一些可选的实现方式中,上述依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,可以包括以下步骤:
第一步,根据上述编码后的子图,确定与上述第一用户向量相邻的第一物品向量集。
第二步,将上述第一物品向量集中每个第一物品向量输入至第三激活函数层以输出第三向量,得到第三向量集合。作为示例,上述第三激活函数层的输出向量维度可以是64×1。
第三步,将上述第三向量集合中每个第三向量输入至第一池化层以输出第四向量,得到第四向量集合。其中,上述第一池化层可以是以下之一:最大池化(Max Pooling),平均池化(Average Pooling)。使用池化层可以进一步对特征映射结果进行处理。池化会将平面内某未知及其相邻位置的特征值进行统计汇总。并将汇总后的结果作为这一位置在该平面的值。最大池化会计算该位置及其相邻矩阵区域内的最大值,并将这个最大值作为该位置的值。平均池化会计算该位置及其相邻矩阵区域内的平均值,并将这个值作为该位置的值。使用池化不会造成数据矩阵深度的改变,只会在高度和宽度上降低,以达到降维的目的。作为示例,上述第一池化层的输出向量的维度可以是64×1。
第四步,将上述第四向量集合中各个第四向量和上述第一用户向量进行拼接,得到第五向量。
第五步,将上述第五向量输入至第四激活函数层,得到上述第二用户向量。作为示例,上述第四激活函数层输出的向量的维度可以是64×1。
在一些实施例的一些可选的实现方式中,上述依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,可以包括以下步骤:
第一步,根据上述编码后的子图,确定与上述第一物品向量相邻的第一用户向量集。
第二步,将上述相邻的第一用户向量集中每个第一用户向量输入至第五激活函数层以输出第六向量,得到第六向量集合。作为示例,上述第五激活函数层的输出向量维度可以是64×1。
第三步,将上述第六向量集合中每个第六向量输入至第二池化层以输出第七向量,得到第七向量集合。作为示例,上述第二池化层的输出向量的维度可以是64×1。
第四步,将上述第七向量集合中各个第七向量和上述第一物品向量进行拼接,得到第八向量。
第五步,将上述第八向量输入至第六激活函数层,得到上述第二物品向量。作为示例,上述第六激活函数层的输出向量维度可以是64×1。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的信息处理方法可以准确、高效的对二分图中用户节点和物品节点进行编码处理。具体来说,对图模型中各个用户的用户信息和各个物品的物品信息进行词嵌入,得到的词嵌入后的各个用户向量和各个物品向量不能较好的、深层次的提取各个用户和各个物品的特征信息。除此之外,词嵌入后的各个用户向量和各个物品向量不能较好地体现用户与物品之间的关联信息。基于此,本公开的一些实施例的信息处理方法会首先对二分图进行子图抽取以生成子图集合。其中,上述二分图表征用户集与物品集之间的关联关系。这这里,二分图的节点数目一般远远大于各个子图中节点的数目。由此,在后续训练中,可以大大缩减后续模型聚合时的节点规模,降低模型训练的复杂度。然后,对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码来提取用户特征信息和物品特征信息以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合。再然后,根据上述第一用户向量集合和上述第一物品向量集合,生成编码后的子图,得到编码后的子图集合。进而,依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,得到第二用户向量集合和第二物品向量集合。需要说明的是,上述第二次编码可以进一步的提取子图中用户节点与物品节点之间的关联关系。使得二分图中每个节点能同时学习到图拓扑结构信息。最后,将上述编码后的子图中各个节点的向量依照对应位置替换为上述第二用户向量集合和上述第二物品向量集合以生成替换后的子图作为词嵌入后的子图,得到词嵌入后的子图集合。由此可以得到,上述信息处理方法可以准确、高效的对二分图中用户节点和物品节点进行编码处理。
继续参考图5,示出了根据本公开的信息处理方法的另一些实施例的流程500。该信息处理方法,包括以下步骤:
步骤501,对二分图进行子图抽取以生成子图集合。
步骤502,对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合。
步骤503,根据上述第一用户向量集合和上述第一物品向量集合,生成编码后的子图,得到编码后的子图集合。
步骤504,依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,得到第二用户向量集合和第二物品向量集合。
步骤505,将上述编码后的子图中各个节点的向量依照对应位置替换为上述第二用户向量集合和上述第二物品向量集合以生成替换后的子图作为词嵌入后的子图,得到词嵌入后的子图集合
在一些实施例中,步骤501-505的具体实现及所带来的技术效果可以参考图4对应的那些实施例中的步骤401-405,在此不再赘述。
步骤506,根据所得到的各个词嵌入后的子图,对上述二分图上各个节点进行向量标注,得到向量标注后的二分图。
在一些实施例中,响应于不存在,执行主体(例如图1所示的电子设备101)可以根据所得到的各个词嵌入后的子图,对上述二分图上各个节点进行向量标注,得到向量标注后的二分图。
步骤507,将上述向量标注后的二分图中的各个物品节点作为叶子节点,构建树模型。
在一些实施例中,上述执行主体将上述向量标注后的二分图中的各个物品节点作为叶子节点,构建树模型。
作为示例,上述执行主体可以首先将向量标注后的二分图中的各个物品节点作为叶子节点。然后,利用聚类算法,对各个叶子节点对应的向量进行聚类,可以得到预定数目个、上一级的内部节点。各个内部节点可以是至少一个、被归为一类的叶子节点。进而,取各个内部节点中的、位于簇中心的向量集合。最终,通过多次聚类确定上一级的内部节点和确定簇中心的向量集合,可以最终得到树模型的根节点。
步骤508,根据上述树模型,确定与目标用户节点相关联的待召回的物品集。
在一些实施例中,上述执行主体可以根据上述树模型,通过各种方式来确定与目标用户节点相关联的待召回的物品集。
在一些实施例的一些可选的实现方式中,上述根据上述树模型,确定与目标用户节点相关联的待召回的物品集,可以包括以下步骤:
第一步,根据目标用户节点,采用近邻搜索的方法从上述树模型中确定出相关联的物品节点。
第二步,根据上述物品节点,确定待召回的物品集。
从图5中可以看出,与图4对应的一些实施例的描述相比,图5对应的一些实施例中的信息处理方法的流程500更加突出了通过得到的词嵌入后的子图集合来实现与目标用户相关的物品召回的具体步骤。由此,这些实施例描述的方案以得到的词嵌入后的子图集合为基础来构建树模型,来进一步的通过树模型来精准、快速的确定出与目标用户节点相关联的待召回的物品集。
继续参考图6,作为对上述各图上述方法的实现,本公开提供了一种信息处理装置的一些实施例,这些装置实施例与图4上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,一些实施例的信息处理装置600包括:抽取单元601、第一编码单元602、生成单元603、第二次编码单元604和替换单元605。其中,抽取单元601,被配置成对二分图进行子图抽取以生成子图集合,其中,上述二分图表征用户集与物品集之间的关联关系。第一编码单元602,被配置成对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合。生成单元603,被配置成根据上述第一用户向量集合和上述第一物品向量集合,生成编码后的子图,得到编码后的子图集合。第二次编码单元604,被配置成依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,得到第二用户向量集合和第二物品向量集合;替换单元605,被配置成将上述编码后的子图中各个节点的向量依照对应位置替换为上述第二用户向量集合和上述第二物品向量集合以生成替换后的子图作为词嵌入后的子图,得到词嵌入后的子图集合。
在一些实施例的一些可选的实现方式中,上述装置还包括:预处理单元和输入单元(图中未展示)。其中,上述预处理单元可以进一步被配置成:响应于不存在,将上述目标用户所询问的问题进行预处理,得到处理后的文本。输入单元可以进一步被配置成:将上述处理后的文本输入至预先训练的语言生成模型,得到上述答复信息。
在一些实施例的一些可选的实现方式中,上述装置还包括:向量标注单元、构建单元和确定单元(图中未展示)。其中,向量标注单元可以被配置成:根据所得到的各个词嵌入后的子图,对上述二分图上各个节点进行向量标注,得到向量标注后的二分图。构建单元可以被配置成:将上述向量标注后的二分图中的各个物品节点作为叶子节点,构建树模型。确定单元可以被配置成:根据上述树模型,确定与目标用户节点相关联的待召回的物品集。
在一些实施例的一些可选的实现方式中,信息处理装置600的第一编码单元602可以进一步被配置成:对上述用户信息集中每个用户信息进行词嵌入处理以生成第一向量,得到第一向量集合;对上述第一向量集合中各个第一向量进行拼接,得到拼接后的向量;对上述拼接后的向量进行批归一化处理,得到归一化处理后的向量;将上述归一化处理后的向量输入至多层第一激活函数层,得到上述第一用户向量。
在一些实施例的一些可选的实现方式中,信息处理装置600的第一编码单元602可以进一步被配置成:对上述物品信息集中每个物品信息进行词嵌入处理以生成第二向量,得到第二向量集合;对上述第二向量集合中各个第二向量进行拼接,得到拼接后的向量;对上述拼接后的向量进行批归一化处理,得到归一化处理后的向量;将上述归一化处理后的向量输入至多层第二激活函数层,得到上述第一物品向量,其中,上述第一用户向量的向量维度大于或等于第一物品向量的向量维度。
在一些实施例的一些可选的实现方式中,信息处理装置600的第二编码单元604可以进一步被配置成:根据上述编码后的子图,确定与上述第一用户向量相邻的第一物品向量集;将上述第一物品向量集中每个第一物品向量输入至第三激活函数层以输出第三向量,得到第三向量集合;将上述第三向量集合中每个第三向量输入至第一池化层以输出第四向量,得到第四向量集合;将上述第四向量集合中各个第四向量和上述第一用户向量进行拼接,得到第五向量;将上述第五向量输入至第四激活函数层,得到上述第二用户向量。
在一些实施例的一些可选的实现方式中,信息处理装置600的第二编码单元604可以进一步被配置成:根据上述编码后的子图,确定与上述第一物品向量相邻的第一用户向量集;将上述相邻的第一用户向量集中每个第一用户向量输入至第五激活函数层以输出第六向量,得到第六向量集合;将上述第六向量集合中每个第六向量输入至第二池化层以输出第七向量,得到第七向量集合;将上述第七向量集合中各个第七向量和上述第一物品向量进行拼接,得到第八向量;将上述第八向量输入至第六激活函数层,得到上述第二物品向量。
在一些实施例的一些可选的实现方式中,上述装置还包括:物品节点确定单元和物品确定单元(图中未展示)。其中,物品节点确定单元可以被配置成:根据目标用户节点,采用近邻搜索的方法从上述树模型中确定出相关联的物品节点。物品确定单元可以被配置成:根据上述物品节点,确定待召回的物品集。
可以理解的是,该装置600中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元,在此不再赘述。
下面参考图7,其示出了适于用来实现本公开的一些实施例的电子设备700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对二分图进行子图抽取以生成子图集合,其中,上述二分图表征用户集与物品集之间的关联关系;对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合;根据上述第一用户向量集合和上述第一物品向量集合,生成编码后的子图,得到编码后的子图集合;依据上述子图中用户节点与物品节点之间的关联关系,对上述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,得到第二用户向量集合和第二物品向量集合;将上述编码后的子图中各个节点的向量依照对应位置替换为上述第二用户向量集合和上述第二物品向量集合以生成替换后的子图作为词嵌入后的子图,得到词嵌入后的子图集合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括抽取单元、第一编码单元、生成单元、第二次编码单元和替换单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一编码单元还可以被描述为“对上述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种信息处理方法,包括:
对二分图进行子图抽取以生成子图集合,其中,所述二分图表征用户集与物品集之间的关联关系;
对所述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合;
根据所述第一用户向量集合和所述第一物品向量集合,生成编码后的子图,得到编码后的子图集合;
依据所述子图中用户节点与物品节点之间的关联关系,对所述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,得到第二用户向量集合和第二物品向量集合;
将所述编码后的子图中各个节点的向量依照对应位置替换为所述第二用户向量集合和所述第二物品向量集合以生成替换后的子图作为词嵌入后的子图,得到词嵌入后的子图集合。
2.根据权利要求1所述的方法,其中,所述方法还包括:
根据所得到的各个词嵌入后的子图,对所述二分图上各个节点进行向量标注,得到向量标注后的二分图;
将所述向量标注后的二分图中的各个物品节点作为叶子节点,构建树模型;
根据所述树模型,确定与目标用户节点相关联的待召回的物品集。
3.根据权利要求1所述的方法,其中,所述对所述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,包括:
对所述用户信息集中每个用户信息进行词嵌入处理以生成第一向量,得到第一向量集合;
对所述第一向量集合中各个第一向量进行拼接,得到拼接后的向量;
对所述拼接后的向量进行批归一化处理,得到归一化处理后的向量;
将所述归一化处理后的向量输入至多层第一激活函数层,得到所述第一用户向量。
4.根据权利要求3所述的方法,其中,所述对所述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,包括:
对所述物品信息集中每个物品信息进行词嵌入处理以生成第二向量,得到第二向量集合;
对所述第二向量集合中各个第二向量进行拼接,得到拼接后的向量;
对所述拼接后的向量进行批归一化处理,得到归一化处理后的向量;
将所述归一化处理后的向量输入至多层第二激活函数层,得到所述第一物品向量,其中,所述第一用户向量的向量维度大于或等于第一物品向量的向量维度。
5.根据权利要求1所述的方法,其中,所述依据所述子图中用户节点与物品节点之间的关联关系,对所述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,包括:
根据所述编码后的子图,确定与所述第一用户向量相邻的第一物品向量集;
将所述第一物品向量集中每个第一物品向量输入至第三激活函数层以输出第三向量,得到第三向量集合;
将所述第三向量集合中每个第三向量输入至第一池化层以输出第四向量,得到第四向量集合;
将所述第四向量集合中各个第四向量和所述第一用户向量进行拼接,得到第五向量;
将所述第五向量输入至第四激活函数层,得到所述第二用户向量。
6.根据权利要求1所述的方法,其中,所述依据所述子图中用户节点与物品节点之间的关联关系,对所述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,包括:
根据所述编码后的子图,确定与所述第一物品向量相邻的第一用户向量集;
将所述相邻的第一用户向量集中每个第一用户向量输入至第五激活函数层以输出第六向量,得到第六向量集合;
将所述第六向量集合中每个第六向量输入至第二池化层以输出第七向量,得到第七向量集合;
将所述第七向量集合中各个第七向量和所述第一物品向量进行拼接,得到第八向量;
将所述第八向量输入至第六激活函数层,得到所述第二物品向量。
7.根据权利要求2所述的方法,其中,所述根据所述树模型,确定与目标用户节点相关联的待召回的物品集,包括:
根据目标用户节点,采用近邻搜索的方法从所述树模型中确定出相关联的物品节点;
根据所述物品节点,确定待召回的物品集。
8.一种信息处理装置,包括:
抽取单元,被配置成对二分图进行子图抽取以生成子图集合,其中,所述二分图表征用户集与物品集之间的关联关系;
第一编码单元,被配置成对所述子图集合中子图的每个用户节点所输入的用户信息集和每个物品节点所输入的物品信息集分别进行第一次编码以生成第一用户向量和第一物品向量,得到第一用户向量集合和第一物品向量集合;
生成单元,被配置成根据所述第一用户向量集合和所述第一物品向量集合,生成编码后的子图,得到编码后的子图集合;
第二次编码单元,被配置成依据所述子图中用户节点与物品节点之间的关联关系,对所述编码后的子图中的每个用户节点对应的第一用户向量和每个物品节点对应的第一物品向量分别进行第二次编码以生成第二用户向量和第二物品向量,得到第二用户向量集合和第二物品向量集合;
替换单元,被配置成将所述编码后的子图中各个节点的向量依照对应位置替换为所述第二用户向量集合和所述第二物品向量集合以生成替换后的子图作为词嵌入后的子图,得到词嵌入后的子图集合。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084602.XA CN113779314A (zh) | 2021-01-21 | 2021-01-21 | 信息处理方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084602.XA CN113779314A (zh) | 2021-01-21 | 2021-01-21 | 信息处理方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113779314A true CN113779314A (zh) | 2021-12-10 |
Family
ID=78835513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110084602.XA Pending CN113779314A (zh) | 2021-01-21 | 2021-01-21 | 信息处理方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779314A (zh) |
-
2021
- 2021-01-21 CN CN202110084602.XA patent/CN113779314A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10650311B2 (en) | Suggesting resources using context hashing | |
CN112732911B (zh) | 基于语义识别的话术推荐方法、装置、设备及存储介质 | |
CN110688528A (zh) | 生成视频的分类信息的方法、装置、电子设备和介质 | |
CN116010684A (zh) | 物品推荐方法、装置及存储介质 | |
CN113763093A (zh) | 一种基于用户画像的物品推荐方法和装置 | |
CN111368551A (zh) | 一种确定事件主体的方法和装置 | |
CN112906361A (zh) | 文本数据的标注方法和装置、电子设备和存储介质 | |
CN111444335B (zh) | 中心词的提取方法及装置 | |
CN113468344B (zh) | 实体关系抽取方法、装置、电子设备和计算机可读介质 | |
CN111008213A (zh) | 用于生成语言转换模型的方法和装置 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN111090740B (zh) | 一种用于对话***的知识图谱生成方法 | |
CN116127925B (zh) | 基于对文本进行破坏处理的文本数据增强方法及装置 | |
CN112419312A (zh) | 相似房源信息检测方法、装置、电子设备和可读介质 | |
CN113779316A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN116108810A (zh) | 文本数据增强方法及装置 | |
CN109753708A (zh) | 一种付费金额预测方法、装置及可读存储介质 | |
CN111709784B (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
CN113779314A (zh) | 信息处理方法、装置、电子设备和计算机可读介质 | |
CN114792086A (zh) | 一种支持文本交叉覆盖的信息抽取方法、装置、设备和介质 | |
CN113886547A (zh) | 基于人工智能的客户实时对话转接方法、装置和电子设备 | |
CN113722584A (zh) | 任务推送方法、装置及存储介质 | |
CN110795424B (zh) | 特征工程变量数据请求处理方法、装置及电子设备 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN113688232A (zh) | 招标文本分类方法、装置、存储介质及终端 |
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 |