【技术实现步骤摘要】
一种针对商品分享时的好友推荐方法、装置及设备
本专利技术涉及计算机
，特别是涉及一种针对商品分享时的好友推荐方法、装置及设备。
技术介绍
商品分享是电商平台中常有的分享范式。例如，当用户在浏览商品时，通过电商平台内提供的分享功能，显示用户当前的好友列表，用户将商品分享给列表中的好友。现有技术中，针对分享商品时的好友推荐方法包括：确定待分享商品的用户的多个好友，利用好友自身的用户信息，确定待推荐的好友，进行推荐。然而，现有技术中，在确定待推荐好友时，仅仅考虑了好友自身的用户信息，考虑因素单一，导致好友推荐的命中率不高，最终影响用户的使用粘性。
技术实现思路
本专利技术实施例的目的在于提供一种针对商品分享时的好友推荐方法、装置及设备，以提升针对商品分享时好友推荐的命中率。具体技术方案如下：第一方面，本专利技术实施例提供了一种针对商品分享时的好友推荐方法，所述方法包括：在检测到第一用户分享目标商品时，确定所述第一用户的好友列表中的多个第二用户；确定所述第一用户对应的向量、多个第二用户对应的向量，以及所述目标商品对应的向量；所述第一用户对应的向量为表征所述第一用户的用户特征的向量，每一第二用户对应的向量为表征该第二用户的用户特征的向量，所述目标商品对应的向量为表征所述目标商品的商品特征的向量；针对每一第二用户，将所述第一用户对应的向量、该第二用户对应的向量，以及所述目标商品对应的向量，输入至预设的预测模型中，得到所述第一用户向该第二用户分享所述...
【技术保护点】
1.一种针对商品分享时的好友推荐方法，其特征在于，包括：/n在检测到第一用户分享目标商品时，确定所述第一用户的好友列表中的多个第二用户；/n确定所述第一用户对应的向量、多个第二用户对应的向量，以及所述目标商品对应的向量；所述第一用户对应的向量为表征所述第一用户的用户特征的向量，每一第二用户对应的向量为表征该第二用户的用户特征的向量，所述目标商品对应的向量为表征所述目标商品的商品特征的向量；/n针对每一第二用户，将所述第一用户对应的向量、该第二用户对应的向量，以及所述目标商品对应的向量，输入至预设的预测模型中，得到所述第一用户向该第二用户分享所述目标商品的分享概率，作为该第二用户对应的分享概率；/n利用各个第二用户对应的分享概率，从多个第二用户中，筛选用于向所述第一用户进行推荐的目标第二用户；/n向所述第一用户推荐所确定出的目标第二用户；/n其中，所述预测模型是基于训练样本中各对象对应的样本向量，以及所述训练样本的标签信息，对预设的异质图神经网络进行训练所得到的模型；所述训练样本包括：第一样本用户、第二样本用户和样本商品三个对象，所述第一样本用户对应的样本向量用于表征所述第一样本用户的用...
【技术特征摘要】
1.一种针对商品分享时的好友推荐方法，其特征在于，包括：
在检测到第一用户分享目标商品时，确定所述第一用户的好友列表中的多个第二用户；
确定所述第一用户对应的向量、多个第二用户对应的向量，以及所述目标商品对应的向量；所述第一用户对应的向量为表征所述第一用户的用户特征的向量，每一第二用户对应的向量为表征该第二用户的用户特征的向量，所述目标商品对应的向量为表征所述目标商品的商品特征的向量；
针对每一第二用户，将所述第一用户对应的向量、该第二用户对应的向量，以及所述目标商品对应的向量，输入至预设的预测模型中，得到所述第一用户向该第二用户分享所述目标商品的分享概率，作为该第二用户对应的分享概率；
利用各个第二用户对应的分享概率，从多个第二用户中，筛选用于向所述第一用户进行推荐的目标第二用户；
向所述第一用户推荐所确定出的目标第二用户；
其中，所述预测模型是基于训练样本中各对象对应的样本向量，以及所述训练样本的标签信息，对预设的异质图神经网络进行训练所得到的模型；所述训练样本包括：第一样本用户、第二样本用户和样本商品三个对象，所述第一样本用户对应的样本向量用于表征所述第一样本用户的用户特征，所述第二样本用户对应的样本向量用于表征所述第二样本用户的用户特征，所述样本商品对应的样本向量用于表征所述样本商品的商品特征；所述训练样本的标签信息为：用于表征所述第一样本用户是否向所述第二样本用户分享过所述样本商品的信息。
2.根据权利要求1所述的方法，其特征在于，所述预测模型的训练方式，包括：
确定多个训练样本；
确定每个训练样本中各对象对应的样本向量，以及每个训练样本的标签信息；
针对每一训练样本，将该训练样本中各对象对应的样本向量输入至所述异质图神经网络，以使得所述异质图神经网络利用该训练样本中各对象对应的样本向量，预测该训练样本中第二样本用户对应的分享概率；其中，该训练样本中第二样本用户对应的分享概率为：该训练样本中第一样本用户，向该第二样本用户分享相应商品的概率；所述相应商品为该训练样本中的样本商品；
基于所预测得到的各个分享概率与各个训练样本的标签信息，计算损失值；
基于所述损失值，判断训练中的所述异质图神经网络是否收敛，如果收敛，结束训练，得到训练完成的所述异质图神经网络，作为所述预测模型；否则，调整训练中的所述异质图神经网络的网络参数，继续训练所述异质图神经网络。
3.根据权利要求2所述的方法，其特征在于，所述异质图神经网络包括：
特征预训练子网络、三元异质图神经子网络、对偶协同注意力子网络以及三元组子网络；
所述异质图神经网络利用该训练样本中各对象对应的样本向量，预测该训练样本对应的分享概率，包括：
所述特征预训练子网络，分别对该训练样本中各对象对应的样本向量进行矩阵转换，得到该训练样本中各对象对应的表示矩阵；
所述三元异质图神经子网络，基于该训练样本中各对象对应的表示矩阵，生成该训练样本中各对象对应的语义矩阵，每一对象对应的语义矩阵用于表征该对象对应的表示矩阵在多种元路径下的语义的矩阵；
所述对偶协同注意力子网络，利用该训练样本中第一样本用户对应的语义矩阵、该训练样本中样本商品对应的语义矩阵，以及预设的第一协同注意力向量，生成第一协同矩阵，利用该训练样本中第二样本用户对应的语义矩阵、该训练样本中样本商品对应的语义矩阵，以及预设的第二协同注意力向量，生成第二协同矩阵；并且，分别对所述第一协同矩阵和第二协同矩阵，进行归一化处理，得到该训练样本中第一样本用户在指定元路径下的第一权重，以及该训练样本中第二样本用户在所述指定元路径下的第二权重；将所述第一权重与该训练样本中第一样本用户对应的语义矩阵进行融合处理，得到第一目标矩阵；将所述第二权重与该训练样本中第二样本用户对应的语义矩阵进行融合处理，得到第二目标矩阵；所述第一协同矩阵用于表征该训练样本中样本商品与该训练样本中第一样本用户之间的关联性，所述第二协同矩阵用于表征该训练样本中样本商品与该训练样本中第二样本用户之间的关联性；
所述三元组子网络，生成包括所述第一目标矩阵、所述第二目标矩阵，以及该训练样本中样本商品对应的语义矩阵的联合矩阵，并基于所述联合矩阵，确定该训练样本对应的分享概率。
4.根据权利要求3所述的方法，其特征在于，
所述分别对该训练样本中各对象对应的样本向量进行矩阵转换，得到该训练样本中各对象对应的表示矩阵，包括：
分别将该训练样本中各对象对应的样本向量映射到预设的初始矩阵内，得到该训练样本中各对象对应的特征矩阵；
分别将该训练样本中各对象对应的特征矩阵代入预定的表示矩阵生成公式内，得到该训练样本中各对象对应的表示矩阵；
所述基于该训练样本中各对象对应的表示矩阵，生成该训练样本中各对象对应的语义矩阵，包括：
针对该训练样本中每一对象，将该对象对应的表示矩阵，代入至预定的语义矩阵生成公式，得到该对象对应的表示矩阵在不同元路径下的语义矩阵，并利用预设的语义聚合器，聚合所得到的语义矩阵，得到该对象对应的语义矩阵；
所述利用该训练样本中第一样本用户对应的语义矩阵、该训练样本中样本商品对应的语义矩阵，以及预设的第一协同注意力向量，生成第一协同矩阵，利用该训练样本中第二样本用户对应的语义矩阵、该训练样本中样本商品对应的语义矩阵，以及预设的第二协同注意力向量，生成第二协同矩阵，包括：
将该训练样本中第一样本用户对应的语义矩阵、该训练样本中样本商品对应的语义矩阵，以及预设的第一协同注意力向量，输入至预定的第一协同矩阵生成公式，生成第一协同矩阵；
将该训练样本中第二样本用户对应的语义矩阵、该训练样本中样本商品对应的语义矩阵，以及预设的第二协同注意力向量，输入至预设的第二协同矩阵生成公式，生成第二协同矩阵；
所述生成包括所述第一目标矩阵、所述第二目标矩阵，以及该训练样本中样本商品对应的语义矩阵的联合矩阵，并基于所述联合矩阵，确定该训练样本对应的分享概率，包括：
将所述第一目标矩阵、所述第二目标矩阵，以及该训练样本中样本商品对应的语义矩阵，输入至预设的联合矩阵生成公式，生成所述联合矩阵；
将所述联合矩阵输入至预设的预测概率公式，预测得到该训练样本对应的分享概率。
5.根据权利要求4所述的方法，其特征在于，
所述第一协同矩阵生成公式包括：
其中，为第一协同矩阵，为第一协同注意力向量的转置，WU,I和bU,I分别为权重矩阵和偏置向量，为第一样本用户的m条元路径，为第一样本用户对应的语义矩阵，为样本商品对应的语义矩阵，i为样本商品，u为第一样本用户，||代表拼接操作，σ为激活函数；
所述第二协同矩阵生成公式包括：
其中，为第二协同矩阵，为第二协同注意力向量的转置，WV,I和bV,I分别为权重矩阵和偏置向量，为第二样本用户的第m条元路径，为第二样本用户对应的语义...
【专利技术属性】
技术研发人员：石川，王啸，纪厚业，
申请(专利权)人：北京邮电大学，
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。