信息推荐方法、装置、设备和介质制造方法及图纸

本申请涉及一种信息推荐方法、装置、设备和介质，属于人工智能技术领域。所述方法包括：从目标用户对象对应的至少一个实时邻居对象存储块中，确定目标邻居对象存储块；至少一个实时邻居对象存储块，用于存储目标用户对象在实时关系网络图中的邻居对象的标识；实时关系网络图，是基于目标用户对象的实时交互数据确定得到；对目标邻居对象存储块所存储的邻居对象的标识进行采样，得到至少一个目标邻居对象的目标标识；查找与目标标识对应的邻居对象属性信息，并根据邻居对象属性信息和目标用户对象的用户对象属性信息，生成用户对象融合特征；基于用户对象融合特征向目标用户对象进行信息推荐。采用本方法能够提升推荐准确率。信息推荐。采用本方法能够提升推荐准确率。信息推荐。采用本方法能够提升推荐准确率。

【技术实现步骤摘要】
信息推荐方法、装置、设备和介质


[0001]本申请涉及图神经网络技术，更涉及信息推荐领域，特别是涉及一种信息推荐方法、装置、设备和介质。

技术介绍

[0002]在机器学习领域，神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。图神经网络是一种基于图结构的深度学习方法。图神经网络主要由两部分组成，即“图”和“神经网络”。其中，“图”是图论中的图数据结构，“神经网络”是深度学习神经网络结构。
[0003]随着人工智能技术的发展，图神经网络已经广泛应用于信息推荐场景中。传统技术中，通常会预先构建一个关系网络图，以及在后续推荐过程中都是基于该预先构建的关系网络图进行信息推荐，从而导致推荐准确率较低。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提升推荐准确率的信息推荐方法、装置、设备和介质。
[0005]第一方面，本申请提供了一种信息推荐方法，所述方法包括：
[0006]从目标用户对象对应的至少一个实时邻居对象存储块中，确定目标邻居对象存储块；所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息推荐方法，其特征在于，所述方法包括：从目标用户对象对应的至少一个实时邻居对象存储块中，确定目标邻居对象存储块；所述至少一个实时邻居对象存储块，用于存储所述目标用户对象在实时关系网络图中的邻居对象的标识；所述实时关系网络图，是基于所述目标用户对象的实时交互数据确定得到；对所述目标邻居对象存储块所存储的邻居对象的标识进行采样，得到至少一个目标邻居对象的目标标识；查找与所述目标标识对应的邻居对象属性信息，并根据所述邻居对象属性信息和所述目标用户对象的用户对象属性信息，生成用户对象融合特征；基于所述用户对象融合特征向所述目标用户对象进行信息推荐。2.根据权利要求1所述的方法，其特征在于，每个所述实时邻居对象存储块中还记录有块采样参照参数；所述从目标用户对象对应的至少一个实时邻居对象存储块中，确定目标邻居对象存储块，包括：根据所述至少一个实时邻居对象存储块中记录的块采样参照参数，从所述至少一个实时邻居对象存储块中，确定目标邻居对象存储块。3.根据权利要求2所述的方法，其特征在于，所述根据所述至少一个实时邻居对象存储块中记录的块采样参照参数，从所述至少一个实时邻居对象存储块中，确定目标邻居对象存储块，包括：从第一权重取值区间对应的数值中确定块采样随机参数；根据所述块采样参照参数和所述块采样随机参数之间的大小关系，从所述至少一个实时邻居对象存储块中，确定目标邻居对象存储块；其中，所述第一权重取值区间，是所述目标用户对象的综合采样权重对应的权重取值区间；所述综合采样权重，是各所述实时邻居对象存储块分别对应的块采样权重之和；所述块采样权重，是同一实时邻居对象存储块中各邻居对象的标识分别对应的对象采样权重之和。4.根据权利要求2所述的方法，其特征在于，所述方法还包括：根据各所述实时邻居对象存储块分别对应的块采样权重，将所述目标用户对象的综合采样权重对应的第一权重取值区间，划分为各所述实时邻居对象存储块分别对应的块权重区间；针对每一个实时邻居对象存储块，根据在先块权重区间对应的实时邻居对象存储块的块采样权重和所述实时邻居对象存储块对应的块采样权重，确定所述实时邻居对象存储块对应的块采样参照参数，并将所述块采样参照参数存储至所述实时邻居对象存储块中；其中，所述在先块权重区间是所述第一权重取值区间中的、且在所述实时邻居对象存储块的块权重区间之前的块权重区间。5.根据权利要求1所述的方法，其特征在于，所述目标邻居对象存储块中还记录有所存储的邻居对象的标识对应的邻居采样参照参数；所述对所述目标邻居对象存储块所存储的邻居对象的标识进行采样，得到至少一个目标邻居对象的目标标识，包括：根据所述目标邻居对象存储块中记录的各邻居对象的标识分别对应的邻居采样参照
参数，对所述目标邻居对象存储块中各邻居对象的标识进行采样，得到至少一个目标邻居对象的目标标识。6.根据权利要求5所述的方法，其特征在于，所述根据所述目标邻居对象存储块中记录的各邻居对象的标识分别对应的邻居采样参照参数，对所述目标邻居对象存储块中各邻居对象的标识进行采样，得到至少一个目标邻居对象的目标标识，包括：从第二权重取值区间对应的数值中确定邻居采样随机参数；根据所述邻居采样参照参数和所述邻居采样随机参数之间的大小关系，对所述目标邻居对象存储块中各邻居对象的标识进行采样，得到至少一个目标邻居对象的目标标识；其中，所述第二权重取值区间，是所述目标邻居对象存储块的块采样权重对应的权重取值区间；所述块采样权重，是所述目标邻居对象存储块中各邻居对象的标识分别对应的对象采样权重之和。7.根据权利要求5所述的方法，其特征在于，所述方法还包括：根据所述目标邻居对象存储块中各邻居对象的标识分别对应的对象采样权重，将所述目标邻居对象存储块的块采样权重对应的第二权重取值区间，划分为所述各邻居对象的标识分别对应的对象权重区间；针对所述各邻居对象的标识中的每一个邻居对象的标识，根据在先对象采样权重和所述邻居对象的标识对应的对象采样权重，确定所述邻居对象的标识对应的邻居采样参照参数，并将所述邻居采样参照参数与所述邻居对象的标识关联存储至所述目标邻居对象存储块中；其中，所述在先对象采样权重，是在先对象权重区间对应的邻居对象的对象采样权重；所述在先对象权重区间，是所述第二权重取值区间中的、且在所述邻居对象的标识对应的对象权重区间之前的对象权重区...

【专利技术属性】
技术研发人员：孙仕杰，易玲玲，柯学翰，林丹丹，文杰，陈川，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：