对象推荐方法和装置制造方法及图纸

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

Object Recommendation Method and Device

【技术实现步骤摘要】
对象推荐方法和装置
本说明书涉及人工智能领域，尤其涉及一种对象推荐方法和装置。
技术介绍
随着互联网技术的快速发展，需要进行对象推荐的应用场景越来越多。例如，电商平台可为用户推荐商品，电影票购票平台可为用户推荐电影等。推荐算法的准确性将直接影响用户体验。
技术实现思路
有鉴于此，本说明书提供一种对象推荐方法和装置。具体地，本说明书是通过如下技术方案实现的：一种对象推荐方法，包括：针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。一种对象推荐装置，包括：用户特征生成单元，针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；对象特征生成单元，针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；关系特征生成单元，根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；特征差异计算单元，计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；对象推荐单元，若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。一种对象推荐装置，包括：处理器；用于存储机器可执行指令的存储器；其中，通过读取并执行所述存储器存储的与对象推荐逻辑对应的机器可执行指令，所述处理器被促使：针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示；针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示；根据所述用户与所述对象之间的间接关联关系生成所述用户和所述对象之间的关系特征表示；计算所述用户的局部特征表示和所述关系特征表示的和值，并计算所述和值与所述对象的局部特征表示的差异；若所述差异满足预定的推荐条件，则将所述对象推荐给所述用户。由以上描述可以看出，本说明书对象推荐方案中的关系特征表示携带有用户和对象之间的全局信息，可在一定程度上避免冷启动问题。并且，上述对象推荐方案对用户和对象的局部信息和全局信息进行了融合，有效利用了各种辅助信息，可大大提高对象推荐的命中率和推荐列表的准确度。附图说明图1是本说明书一示例性实施例示出的一种对象推荐方法的流程示意图。图2是本说明书一示例性实施例示出的另一种对象推荐方法的流程示意图。图3是本说明书一示例性实施例示出的一种局部特征表示的生成方法的流程示意图。图4是本说明书一示例性实施例示出的一种用户和对象之间的关系特征表示生成方法的流程示意图。图5是本说明书一示例性实施例示出的一种用于对象推荐装置的一结构示意图。图6是本说明书一示例性实施例示出的一种对象推荐装置的框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。本说明书提供一种对象推荐方案。一方面，可基于与用户存在直接关联关系的关联对象的自身特征表示为该用户生成局部特征表示，基于与对象存在直接关联关系的关联用户的自身特征表示为该对象生成局部特征表示。另一方面，可根据用户和对象之间的间接关联关系生成携带有全局信息的所述用户和所述对象之间的关系特征表示。然后，可计算用户局部特征表示与上述关系特征表示的和值，以及该和值与对象局部特征表示的差异，并可在差异满足预定的推荐条件时，将所述对象推荐给所述用户。上述对象推荐方案中的关系特征表示携带有用户和对象之间的全局信息，可在一定程度上避免冷启动问题。并且，上述对象推荐方案对用户和对象的局部信息和全局信息进行了融合，有效利用了各种辅助信息，可大大提高对象推荐的命中率和推荐列表的准确度。上述对象可包括：商品或服务。例如，电商平台可向用户推荐售卖的商品或服务。上述对象还可包括：资讯。例如，门户网站可向用户推荐资讯。上述对象还可包括：视频。例如，视频APP(Application，应用程序)可向用户推荐电视剧、电影等视频。当然，在其他例子中，上述对象还可以是其他实体或数据，上述对象推荐还可应用在其他应用场景中，本说明书对此不作特殊限制。下面结合具体的实施例来描述本说明书的实现过程。请参考图1和图2，本说明书提供的对象推荐方法可包括以下步骤：步骤102，针对任一用户，根据与所述用户存在直接关联关系的关联对象的自身特征表示为所述用户生成局部特征表示。步骤104，针对任一对象，根据与所述对象存在直接关联关系的关联用户的自身特征表示为所述对象生成局部特征表示。在本实施例中，所述直接关联关系可包括：购买、浏览、评论等。以对象是商品为例，与用户存在直接关联关系的商品可包括：用户购买过的商品、用户浏览过的商品、用户评论过的商品、用户关注过的商品等。一般而言，与同一用户存在直接关联关系的商品通常有多个。与商品存在直接关联关系的用户可包括：购买过该商品的用户、浏览过该商品的用户、评论过该商品的用户、关注过该商品的用户等。类似的，与同一商品存在直接关联关系的用户通常也有多个。以对象是电影为例，与用户存在直接关联关系的电影可包括：用户观看过的电影、用户评价过的电影、用户收藏过的电影等。与电影存在直接关联关系的用户可包括：观看过该电影的用户、评论过该电影的用户、收藏过该电影的用户等。请参考图3，上述用户和对象的局部特征表示的生成过程可包括如下步骤：步骤302，根据各关联对象的自身特征表示生成关联对象特征表示矩阵。步骤304，根据各关联用户的自身特征表示生成关联用户特征表示矩阵。在本实施例中，可先生成各对象的自身特征表示，例如，可为各对象生成对应的0/1向量，然后对所述0/1向量进行嵌入处理，得到各个对象的自身特征表示。上述0/1向量是采用一个很长的向量来表示对象，该向量的维度是对象的总数量，该对象所在维度的元素值是1，其他维度的元素值都是0。假设，一共有本文档来自技高网...

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

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

【专利技术属性】
技术研发人员：胡斌斌，张志强，周俊，李小龙，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY