基于图表示学习的推荐方法、装置、设备及存储介质制造方法及图纸

本说明书提供了一种基于图表示学习的推荐方法、装置、设备及存储介质，该方法包括：根据用户之间的关联关系构建用户的有向带权图，并存储为邻接矩阵；利用特征工程将用户属性表示为有向带权图的特征矩阵；将当前时刻的邻接矩阵和特征矩阵作为当前时刻图快照，输入至图表示学习模型中；使图表示学习模型将当前时刻图快照编码为快照编码；使图表示学习模型根据快照编码及自身的上一时刻隐状态，生成当前时刻节点向量及当前时刻隐状态；使图表示学习模型根据当前时刻节点向量重构有向带权图；计算当前时刻节点向量中每个节点与其他节点的相似度；根据相似度生成针对每个节点的推荐对象。本说明书实施例可用低成本方式提高推荐系统的推荐精度。统的推荐精度。统的推荐精度。

【技术实现步骤摘要】
基于图表示学习的推荐方法、装置、设备及存储介质


[0001]本说明书涉及信息推荐
，尤其是涉及一种基于图表示学习的推荐方法、装置、设备及存储介质。

技术介绍

[0002]近年来，推荐系统作为人工智能领域最重要的应用之一，已经被广泛地应用来帮助许多网站和电子商务用户更容易地找到相关的内容、产品或服务。与此同时，随着表示学习技术的快速发展和其在自然语言处理等领域中的广泛应用，图表示学习方法也吸引了众多专家学者的关注，并显示出了巨大的发展前景。在现实世界中，我们周围的大多数个体都存在着显示或隐式的连接，形成了自然的图结构，而这种特征在推荐系统中更为明显，考虑到图表示学习在挖掘图结构信息上表现出的优势，出现了基于图表示学习的推荐方案。如何以低成本实现基于图表示学习的高精度推荐，已成为目前亟待解决的技术问题。

技术实现思路

[0003]本说明书实施例的目的在于提供一种基于图表示学习的推荐方法、装置、设备及存储介质，以实现用低成本方式提高推荐系统的推荐精度。
[0004]为达到上述目的，一方面，本说明书实施例提供了一种基于图表示学习的推荐方法，包括：
[0005]根据用户之间的关联关系构建用户的有向带权图，并存储为邻接矩阵；
[0006]利用特征工程将用户属性表示为所述有向带权图的特征矩阵；
[0007]将当前时刻的邻接矩阵和特征矩阵作为当前时刻图快照，输入至图表示学习模型中；
[0008]使所述图表示学习模型将所述当前时刻图快照编码为快照编码；
[0009]使所述图表示学习模型根据所述快照编码及自身的上一时刻隐状态，生成当前时刻节点向量及当前时刻隐状态；
[0010]使所述图表示学习模型根据所述当前时刻节点向量重构所述有向带权图，以与所述当前时刻隐状态一并用于下一时刻的图表示学习；
[0011]计算所述当前时刻节点向量中每个节点与其他节点的相似度；
[0012]根据所述相似度生成针对每个节点的推荐对象。
[0013]本说明书实施例的基于图表示学习的推荐方法中，所述图表示学习模型以循环神经网络为模型框架。
[0014]本说明书实施例的基于图表示学习的推荐方法中，使所述图表示学习模型将所述当前时刻图快照编码为快照编码，包括：
[0015]使所述图表示学习模型中的基于注意力机制的编码器，将所述当前时刻图快照编码为快照编码。
[0016]本说明书实施例的基于图表示学习的推荐方法中，使所述图表示学习模型根据所
述快照编码及自身的上一时刻隐状态，生成当前时刻节点向量及当前时刻隐状态，包括：
[0017]使所述图表示学习模型中的门控循环单元，根据所述快照编码及所述上一时刻隐状态，生成当前时刻节点向量及当前时刻隐状态。
[0018]本说明书实施例的基于图表示学习的推荐方法中，根据所述快照编码及自身的上一时刻隐状态，生成当前时刻节点向量及当前时刻隐状态，包括：
[0019]当所述快照编码对应的节点数量少于所述上一时刻隐状态对应的节点数量时，将注销的节点从所述上一时刻隐状态对应的节点向量中删除对应的行向量，将所述快照编码及删除后得到的上一时刻隐状态输入至门控循环单元，获得当前时刻节点向量及当前时刻隐状态；
[0020]当所述快照编码对应的节点数量多于所述上一时刻隐状态对应的节点数量时，在所述上一时刻隐状态对应的节点向量中增加新增节点对应的行向量，并初始化为0向量，将所述快照编码及增加后得到的上一时刻隐状态输入至门控循环单元，获得当前时刻节点向量及当前时刻隐状态；
[0021]当所述快照编码对应的节点数量等于所述上一时刻隐状态对应的节点数量时，将所述快照编码及所述上一时刻隐状态输入至门控循环单元，获得当前时刻节点向量及当前时刻隐状态。
[0022]本说明书实施例的基于图表示学习的推荐方法中，使所述图表示学习模型根据所述当前时刻节点向量重构所述有向带权图，包括：
[0023]使所述图表示学习模型中的基于注意力机制的解码器，根据所述当前时刻节点向量重构所述有向带权图。
[0024]本说明书实施例的基于图表示学习的推荐方法中，根据所述当前时刻节点向量重构所述有向带权图，包括：
[0025]利用所述解码器将所述当前时刻节点向量反转编码为新的邻接矩阵和特征矩阵。
[0026]本说明书实施例的基于图表示学习的推荐方法中，根据所述相似度生成针对每个节点的推荐对象，包括：
[0027]对于每个目标节点，将其与其他节点的相似度进行排序；
[0028]将相似度排序中最大相似度对应的节点作为针对该目标节点的推荐对象。
[0029]另一方面，本说明书实施例还提供了一种基于图表示学习的推荐装置，包括：
[0030]图构建模块，用于根据用户之间的关联关系构建用户的有向带权图，并存储为邻接矩阵，并利用特征工程将用户属性表示为所述有向带权图的特征矩阵；
[0031]快照输入模块，用于将当前时刻的邻接矩阵和特征矩阵作为当前时刻图快照，输入至图表示学习模型中；
[0032]图表示学习模型，用于将所述当前时刻图快照编码为快照编码；根据所述快照编码及自身的上一时刻隐状态，生成当前时刻节点向量及当前时刻隐状态；根据所述当前时刻隐状态重构所述有向带权图，以与所述当前时刻隐状态一并用于下一时刻的图表示学习；
[0033]对象推荐模块，用于计算所述当前时刻节点向量中每个节点与其他节点的相似度，并根据所述相似度生成针对每个节点的推荐对象。
[0034]另一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及
存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。
[0035]另一方面，本说明书实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
[0036]另一方面，本说明书实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
[0037]由以上本说明书实施例提供的技术方案可见，本说明书实施例中，图表示学习模型在图表示学习过程中始终能够保留上一时刻隐状态，当有用户增删时，可以基于当前时刻图快照和上一时刻隐状态生成当前时刻节点向量和当前时刻隐状态，从而使得后续可以在包含有节点变化信息的当前时刻节点向量的基础上进行对象推荐，从而提高了推荐精度；当没有新用户增删时，不需要重新计算原有用户的特征矩阵及构建的图结构，从而有助于学习到更稳定的图表示，且在新的图到来时，模型不需要重启训练过程，可直接从上一时刻隐状态转移到当前时刻隐状态继续训练，从而降低了成本。
附图说明
[0038]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图表示学习的推荐方法，其特征在于，包括：根据用户之间的关联关系构建用户的有向带权图，并存储为邻接矩阵；利用特征工程将用户属性表示为所述有向带权图的特征矩阵；将当前时刻的邻接矩阵和特征矩阵作为当前时刻图快照，输入至图表示学习模型中；使所述图表示学习模型将所述当前时刻图快照编码为快照编码；使所述图表示学习模型根据所述快照编码及自身的上一时刻隐状态，生成当前时刻节点向量及当前时刻隐状态；使所述图表示学习模型根据所述当前时刻节点向量重构所述有向带权图，以与所述当前时刻隐状态一并用于下一时刻的图表示学习；计算所述当前时刻节点向量中每个节点与其他节点的相似度；根据所述相似度生成针对每个节点的推荐对象。2.如权利要求1所述的基于图表示学习的推荐方法，其特征在于，所述图表示学习模型以循环神经网络为模型框架。3.如权利要求2所述的基于图表示学习的推荐方法，其特征在于，使所述图表示学习模型将所述当前时刻图快照编码为快照编码，包括：使所述图表示学习模型中的基于注意力机制的编码器，将所述当前时刻图快照编码为快照编码。4.如权利要求2所述的基于图表示学习的推荐方法，其特征在于，使所述图表示学习模型根据所述快照编码及自身的上一时刻隐状态，生成当前时刻节点向量及当前时刻隐状态，包括：使所述图表示学习模型中的门控循环单元，根据所述快照编码及所述上一时刻隐状态，生成当前时刻节点向量及当前时刻隐状态。5.如权利要求4所述的基于图表示学习的推荐方法，其特征在于，根据所述快照编码及自身的上一时刻隐状态，生成当前时刻节点向量及当前时刻隐状态，包括：当所述快照编码对应的节点数量少于所述上一时刻隐状态对应的节点数量时，将注销的节点从所述上一时刻隐状态对应的节点向量中删除对应的行向量，将所述快照编码及删除后得到的上一时刻隐状态输入至门控循环单元，获得当前时刻节点向量及当前时刻隐状态；当所述快照编码对应的节点数量多于所述上一时刻隐状态对应的节点数量时，在所述上一时刻隐状态对应的节点向量中增加新增节点对应的行向量，并初始化为0向量，将所述快照编码及增加后得到的上一时刻隐状态输入至门控循环单元，获得当前时刻节点向量及当前时刻隐状态；当所述快照编码对应的节点数量等于所述上一时刻隐状态对应的节点数量时，将所述快照编...

【专利技术属性】
技术研发人员：冯肖，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：