基于图神经网络的数据推荐方法及装置、电子设备制造方法及图纸

本申请公开了一种基于图神经网络的数据推荐方法及装置、电子设备，具体涉及人工智能技术领域。该方法包括：获取新用户的目标搜索信息，并根据目标搜索信息，生成候选数据集。确定与新用户相关联的关联用户，并获取关联用户的第一搜索数据。根据新用户、关联用户和第一搜索数据，生成新用户的社交关系图。将社交关系图输入到预设图神经网络模型中进行特征预测，得到新用户的目标特征信息。根据目标特征信息，对候选数据集进行排序处理，得到推荐数据集，能够缓解用户侧冷启动问题，提升对新用户进行数据推荐的准确性，进而改善了新用户对数据搜索功能的使用体验。数据搜索功能的使用体验。数据搜索功能的使用体验。

【技术实现步骤摘要】
基于图神经网络的数据推荐方法及装置、电子设备


[0001]本申请涉及人工智能
，具体涉及一种基于图神经网络的数据推荐方法及装置、电子设备。

技术介绍

[0002]现有技术中，当用户向搜索引擎输入关键词进行检索时，推荐系统通常会根据用户输入的关键词进行候选数据集的召回和排序，从而向用户推荐可能感兴趣的数据。然而，现有的数据推荐算法，比如基于机器学习的推荐算法，需要根据用户的历史行为数据进行推荐数据排序，因此，容易因新用户的历史行为数据不足而出现数据推荐准确性较低的问题，影响了新用户对搜索引擎的使用体验。

技术实现思路

[0003]本申请提供一种基于图神经网络的数据推荐方法及装置、电子设备，其主要目的在于提升对新用户进行数据推荐的准确性。
[0004]为实现上述目的，本申请实施例提供了一种基于图神经网络的数据推荐方法，所述方法包括：
[0005]获取新用户的目标搜索信息，并根据所述目标搜索信息，生成候选数据集；
[0006]确定与所述新用户相关联的关联用户；
[0007]获取所述关联用户的第一搜索数据；
[0008]根据所述新用户、所述关联用户和所述第一搜索数据，生成所述新用户的社交关系图；
[0009]将所述社交关系图输入到预设图神经网络模型中进行特征预测，得到所述新用户的目标特征信息；
[0010]根据所述目标特征信息，对所述候选数据集进行排序处理，得到推荐数据集。
[0011]为实现上述目的，本申请实施例还提出了一种基于图神经网络的数据推荐装置，所述装置包括：
[0012]获取模块，用于获取新用户的目标搜索信息；
[0013]第一生成模块，用于根据所述目标搜索信息，生成候选数据集；
[0014]确定模块，用于确定与所述新用户相关联的关联用户；
[0015]所述获取模块，还用于获取所述关联用户的第一搜索数据；
[0016]第二生成模块，用于根据所述新用户、所述关联用户和所述第一搜索数据，生成所述新用户的社交关系图；
[0017]预测模块，用于将所述社交关系图输入到预设图神经网络模型中进行特征预测，得到所述新用户的目标特征信息；
[0018]排序模块，用于根据所述目标特征信息，对所述候选数据集进行排序处理，得到推荐数据集。
[0019]为实现上述目的，本申请实施例还提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器上存储有程序，所述程序被所述处理器执行时实现前述方法的步骤。
[0020]为实现上述目的，本申请提供了一种存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现前述方法的步骤。
[0021]本申请提出的基于图神经网络的数据推荐方法及装置、电子设备，可以确定与新用户相关联的关联用户，并获取关联用户的第一搜索数据，从而根据新用户、关联用户和第一搜索数据，生成新用户的社交关系图，故社交关系图同时融合了用户社交关系以及不同用户的第一搜索数据。基于此，将社交关系图输入到预设图神经网络模型中，使得预设图神经网络模型沿着社交关系链的深层传播识别关联用户之间的共同数据需求和评价模式特征，从而为新用户确定更具备可解释性的目标特征信息。之后，再基于新用户的目标特征信息，对新用户的候选数据集进行排序，得到为新用户推送的推荐数据集，能够缓解用户侧冷启动问题，提升对新用户进行数据推荐的准确性，进而改善了新用户对数据搜索功能的使用体验。
附图说明
[0022]图1是本申请实施例所应用的一种电子设备的结构框图；
[0023]图2是本申请实施例一提供的基于图神经网络的数据推荐方法的流程图；
[0024]图3是本申请实施例中一种社交关系图的示意图；
[0025]图4是本申请实施例中一种预设图神经网络模型的结构示意图；
[0026]图5是本申请实施例二提供的基于图神经网络的数据推荐方法的流程图；
[0027]图6是本申请实施例所应用的一种基于图神经网络的数据推荐装置的结构框图。
具体实施方式
[0028]应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0029]在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
[0030]本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。人工智能(artificial intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。其中，人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术，而人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0031]本申请提供一种基于图神经网络(graph neural networks,GNN)的数据推荐方法，应用于一种电子设备。参照图1所示，图1是本申请实施例所应用的一种电子设备的结构框图。
[0032]在本实施例中，电子设备可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有运算功能的终端设备。
[0033]该电子设备包括：存储器11、处理器12、网络接口13及数据总线14。
[0034]存储器11包括至少一种类型的可读存储介质，至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子设备的内部存储单元，例如该电子设备的硬盘。在另一些实施例中，可读存储介质也可以是电子设备的外部存储器，例如电子设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。
[0035]在本实施例中，存储器11的可读存储介质通常用于存储安装于电子设备的基于图神经网络的数据推荐程序、多种样本集及预先训练好的模型等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
[0036]处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行数据推荐程序等。
[0037]网络接口13可选地可以包括标准的有线接口、无线接口(如WI
‑
FI接口)，通常用于在该电子设备与其他电子设备之间建立通信连接。
[0038]数据总线14用于实现这些组件之间的连接通信。
[0039]可选的，该电子设备还可以包括用户接口，用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的数据推荐方法，其特征在于，所述方法包括：获取新用户的目标搜索信息，并根据所述目标搜索信息，生成候选数据集；确定与所述新用户相关联的关联用户；获取所述关联用户的第一搜索数据；根据所述新用户、所述关联用户和所述第一搜索数据，生成所述新用户的社交关系图；将所述社交关系图输入到预设图神经网络模型中进行特征预测，得到所述新用户的目标特征信息；根据所述目标特征信息，对所述候选数据集进行排序处理，得到推荐数据集。2.根据权利要求1所述的方法，其特征在于，所述预设图神经网络模型的训练步骤包括：获取训练样本以及所述训练样本的标注数据，所述训练样本包括第一用户的第一社交关系样本图以及第二用户的第二社交关系样本图，所述第一用户和所述第二用户为任意两位用户，所述标注数据用于表示所述第一用户与所述第二用户是否相似；将所述第一社交关系样本图和所述第二社交关系样本图输入预设图神经网络模型；通过所述预设图神经网络模型生成所述第一社交关系样本图的第一特征信息以及所述第二社交关系样本图的第二特征信息，并对所述第一特征信息和所述第二特征信息进行融合，得到融合结果；利用所述标注数据对所述融合结果进行验证，得到验证结果，若所述验证结果未达到预设准确率，则重新执行所述获取训练样本以及所述训练样本的标注数据的步骤，若所述验证结果达到所述预设准确率，训练结束。3.根据权利要求2所述的方法，其特征在于，所述获取训练样本以及所述训练样本的标注数据，包括：取第一用户的第一社交关系样本图以及第二用户的第二社交关系样本图作为训练样本；对所述第一社交关系样本图和所述第二社交关系样本图进行节点搜索；若在所述第二社交关系样本图中搜索到所述第一用户对应的第一节点，和/或，在所述第一社交关系样本图中搜索到所述第二用户对应的第二节点，将所述训练样本的标注数据确定为所述第一用户与所述第二用户相似；若未在所述第一社交关系样本图搜索到所述第二节点，并且未在所述第二社交关系样本图中搜索到所述第一节点，将所述训练样本的标注数据确定为所述第一用户与所述第二用户不相似。4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述目标特征信息，对所述候选数据集进行排序处理，得到推荐数据集，包括：根据所述目标特征信息，获取所述新用户的多位相似用户以及所述相似用户与所述新用户的相似度；获取多位所述相似用户对所述候选数据集的第一评分信息；根据所述第一评分信息，并结合每位所述相似用户与所述新用户的相似度，计算所述新用户对所述候选数据集的第二评分信息；根据所述第二评分信息，对所述候选数据集进行排序处理，得到推荐数据集。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标特征信息，获取所述新用户的多位相...

【专利技术属性】
技术研发人员：吴粤敏，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：