【技术实现步骤摘要】
推荐模型的生成、内容推荐方法、装置、设备和介质
本申请实施例涉及计算机技术，具体涉及人工智能领域和深度学习领域，尤其涉及一种推荐模型的生成、内容推荐方法、装置、设备和介质。
技术介绍
GCN(GraphConvolutionalNetwork，图卷积神经网络)是对卷积神经网络(ConvolutionalNeuralNetworks,CNN)的扩展。GCN通过图谱理论或空间局部定义图形卷积，实现了在不规则的网络数据结构上定义卷积，从而更好的利用关系信息进行预测。由于图卷积网络的权重矩阵规模很大，通常需要大量的训练数据才能完成学习。因此，如图1a所示，学术界提出了基于矩阵分解(MatrixFactorization，MF)的低秩GCN，将原始GCN的权重矩阵分解为两个较小的低秩矩阵和以得到低秩GCN。低秩GCN有效，是因为原始GCN所学数据中存在大量的相似信息，因此对应学出的权重矩阵具有低秩结构。但是，从低秩学习的角度，矩阵分解早已不是最佳选择，尽管它的求解速度较快，但低秩GCN并不能很好的拟合原始GCN。
【技术保护点】
1.一种推荐模型的生成方法，包括：/n获取图训练样本集，图训练样本包括：用户关系矩阵、推荐内容关系矩阵，以及用户和推荐内容联合关系矩阵；/n将图训练样本集输入至设定机器学习模型中，对机器学习模型进行训练，机器学习模型包括至少一个低秩图卷积网络，低秩图卷积网络包括由第一低秩矩阵和第二低秩矩阵构成的完整权重矩阵；/n其中，低秩图卷积网络的训练目标包括：第一低秩矩阵参数项、第二低秩矩阵参数项和非凸低秩项，所述非凸低秩项能够分解为第一低秩矩阵和第二低秩矩阵的组合；/n在检测到满足训练结束条件时，将当前训练的机器学习模型，确定为与所述图训练样本集匹配的推荐模型。/n
【技术特征摘要】
1.一种推荐模型的生成方法，包括：
获取图训练样本集，图训练样本包括：用户关系矩阵、推荐内容关系矩阵，以及用户和推荐内容联合关系矩阵；
将图训练样本集输入至设定机器学习模型中，对机器学习模型进行训练，机器学习模型包括至少一个低秩图卷积网络，低秩图卷积网络包括由第一低秩矩阵和第二低秩矩阵构成的完整权重矩阵；
其中，低秩图卷积网络的训练目标包括：第一低秩矩阵参数项、第二低秩矩阵参数项和非凸低秩项，所述非凸低秩项能够分解为第一低秩矩阵和第二低秩矩阵的组合；
在检测到满足训练结束条件时，将当前训练的机器学习模型，确定为与所述图训练样本集匹配的推荐模型。
2.根据权利要求1所述的方法，其中，所述非凸低秩项为所述完整权重矩阵的核范式与F范式的差值矩阵。
3.根据权利要求2所述的方法，其中，低秩图卷积网络的训练目标包括：
其中，Θr为第一低秩矩阵参数项，Θc为第二低秩矩阵参数项，‖·‖F为矩阵的F范数，λ为超参数，为机器学习模型中的损失函数；为在参数项Θr下的第一低秩矩阵，为在参数项Θc下的第二低秩矩阵；XΘ为在全部参数项Θ下的权重矩阵，Y为输入至低秩图卷积网络的已知信息。
4.根据权利要求3所述的方法，其中，所述损失函数为：
其中，Ω为Y中存在观测数据的位置。
5.根据权利要求1所述的方法，其中，在对机器学习模型进行训练的过程中，使用随机梯度下降法对各低秩图卷积网络中的第一低秩矩阵参数项以及第二低秩矩阵参数项进行学习。
6.一种内容推荐方法，包括：
获取目标用户关系矩阵以及目标推荐内容关系矩阵；
将所述目标用户关系矩阵以及目标内容关系矩阵输入至通过权利要求1-5任一项所述的方法预先训练的推荐模型中，获取所述推荐模型输出的目标用户和推荐内容联合关系矩阵；
在目标用户和推荐内容联合关系矩阵中，获取与各用户分别对应的权重最高的推荐内容作为目标推荐内容；
将各所述目标推荐内容分别推荐给对应的用户。
7.一种推荐模型的生成的装置，包括：
图训练样本集获取模块，用于获取图训练样本集，图训练样本包括：用户关系矩阵、推荐内容关系矩阵，以及用户和推荐内容联合关系矩阵；
推荐模型训练模块，用于将图训练样本集输入至设定机器学习模型中，对机器学习模型进行训练，机器学习模型包括至少一个低秩图卷积网络，低秩图卷积网络包括由第一低秩矩阵和第二低秩矩阵构成的完整权重矩阵；<...
【专利技术属性】
技术研发人员：王雅晴，熊辉，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。