内容资源推荐方法、神经网络的训练方法、装置和设备制造方法及图纸

本公开提供了一种网页质量评估方法、神经网络的训练方法、装置和设备，涉及人工智能技术领域，具体涉及机器学习技术、推荐系统技术、深度学习技术。神经网络包括第一子网络和第二子网络，该方法包括：针对多个内容资源中的每一个内容资源，利用第一子网络获取表征目标用户和该内容资源的相似度的第一得分，其中，每一个内容资源挂载至少一个待推荐对象；利用第二子网络获取表征目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分；基于第一得分和第二得分，确定该内容资源的综合得分；以及基于多个内容资源各自的综合得分，在多个内容资源中确定至少一部分内容资源以推荐给目标用户。以推荐给目标用户。以推荐给目标用户。

【技术实现步骤摘要】
内容资源推荐方法、神经网络的训练方法、装置和设备


[0001]本公开涉及人工智能
，具体涉及机器学习技术、推荐系统技术、深度学习技术，特别涉及一种基于神经网络的内容资源推荐方法、神经网络的训练方法、基于神经网络的内容资源推荐装置、神经网络训练装置、电子设备、计算机可读存储介质和计算机程序产品。

技术介绍

[0002]人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
[0003]信息流场景下的电商推荐是指将挂载商品的内容资源分发给潜在的转化用户，用户在浏览内容的同时，进行商品的曝光来刺激用户转化，如图文带货、内容付费、直播带货等业务。在电商推荐场景下，主要有三种类型实体，用户、内容资源、商品，内容资源如图文、视频、直播等不同资源，商品是附属在内容资源上进行售卖的对象，如直播带货的商品、内容付费售卖的专栏等。
[0004]在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

技术实现思路

[0005]本公开提供了一种基于神经网络的内容资源推荐方法、神经网络的训练方法、基于神经网络的内容资源推荐装置、神经网络训练装置、电子设备、计算机可读存储介质和计算机程序产品。
[0006]根据本公开的一方面，提供了一种基于神经网络的内容资源推荐方法。神经网络包括第一子网络和第二子网络，该方法包括：针对多个内容资源中的每一个内容资源，利用所述第一子网络获取表征目标用户和该内容资源的相似度的第一得分，其中，每一个所述内容资源挂载至少一个待推荐对象；利用所述第二子网络获取表征所述目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分；基于所述第一得分和所述第二得分，确定该内容资源的综合得分；以及基于所述多个内容资源各自的综合得分，在所述多个内容资源中确定至少一部分内容资源以推荐给所述目标用户。
[0007]根据本公开的另一方面，提供了一种神经网络的训练方法。神经网络包括第一子网络，所述第一子网络为基于用户
‑
内容资源异构图的图神经网络，所述用户
‑
内容资源异构图包括与多个用户对应的多个第一用户节点、与所述多个内容资源对应的多个内容资源节点、以及所述多个用户和所述多个内容资源之间的多个第一邻接边，所述第一邻接边的
权重是基于对应的用户关于对应的内容资源的用户行为数据而得到的。训练方法包括：在所述多个用户和所述多个内容资源中确定样本对，所述样本对包括所述多个用户中的第一样本用户和所述多个内容资源中的样本内容资源；确定所述多个第一用户节点各自对应的第一用户特征向量和所述多个内容资源节点各自对应的内容资源特征向量；将与所述第一样本用户对应的第一样本用户节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合，以得到所述第一样本用户节点的更新后的第一用户特征向量；将与所述样本内容资源对应的样本内容资源节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合，以得到所述样本内容资源节点的更新后的内容资源特征向量；以及基于所述第一用户特征向量和所述内容资源特征向量，调整所述第一子网络的参数，以得到训练后的神经网络。
[0008]根据本公开的一方面，提供了一种基于神经网络的内容资源推荐装置。神经网络包括第一子网络和第二子网络，该装置包括：第一获取单元，被配置为针对多个内容资源中的每一个内容资源，利用所述第一子网络获取表征目标用户和该内容资源的相似度的第一得分，其中，每一个所述内容资源挂载至少一个待推荐对象；第二获取单元，被配置为利用所述第二子网络获取表征所述目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分；第一确定单元，被配置为基于所述第一得分和所述第二得分，确定该内容资源的综合得分；以及第二确定单元，被配置为基于所述多个内容资源各自的综合得分，在所述多个内容资源中确定至少一部分内容资源以推荐给所述目标用户。
[0009]根据本公开的一方面，提供了一种神经网络的训练装置。神经网络包括第一子网络，所述第一子网络为基于用户
‑
内容资源异构图的图神经网络，所述用户
‑
内容资源异构图包括与多个用户对应的多个第一用户节点、与所述多个内容资源对应的多个内容资源节点、以及所述多个用户和所述多个内容资源之间的多个第一邻接边，所述第一邻接边的权重是基于对应的用户关于对应的内容资源的用户行为数据而得到的，训练装置包括：第三确定单元，被配置为在所述多个用户和所述多个内容资源中确定样本对，所述样本对包括所述多个用户中的第一样本用户和所述多个内容资源中的样本内容资源；第四确定单元，被配置为确定所述多个第一用户节点各自对应的第一用户特征向量和所述多个内容资源节点各自对应的内容资源特征向量；第一聚合单元，被配置为将与所述第一样本用户对应的第一样本用户节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合，以得到所述第一样本用户节点的更新后的第一用户特征向量；第二聚合单元，被配置为将与所述样本内容资源对应的样本内容资源节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合，以得到所述样本内容资源节点的更新后的内容资源特征向量；以及调整单元，被配置为基于所述第一用户特征向量和所述内容资源特征向量，调整所述第一子网络的参数，以得到训练后的神经网络。
[0010]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。
[0011]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述方法。
[0012]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计
算机程序在被处理器执行时实现上述方法。
[0013]根据本公开的一个或多个实施例，通过利用第一子网络和第二子网络分别对用户
‑
内容资源间关系以及用户
‑
待推荐对象间关系进行建模，并分别获取用户和内容资源的相似度以及用户和待推荐对象的相似度，实现了将待推荐对象从业务场景剥离，从而能够利用与内容资源相关的信息和与内容资源上挂载的对象直接相关的信息以得到更符合用户偏好的推荐结果。
[0014]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的内容资源推荐方法，所述神经网络包括第一子网络和第二子网络，所述方法包括：针对多个内容资源中的每一个内容资源，利用所述第一子网络获取表征目标用户和该内容资源的相似度的第一得分，其中，每一个所述内容资源挂载至少一个待推荐对象；利用所述第二子网络获取表征所述目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分；基于所述第一得分和所述第二得分，确定该内容资源的综合得分；以及基于所述多个内容资源各自的综合得分，在所述多个内容资源中确定至少一部分内容资源以推荐给所述目标用户。2.根据权利要求1所述的方法，其中，所述第一子网络为基于用户
‑
内容资源异构图的图神经网络，所述用户
‑
内容资源异构图包括与多个用户对应的多个第一用户节点和与所述多个内容资源对应的多个内容资源节点，所述多个用户包括所述目标用户，其中，针对多个内容资源中的每一个内容资源，利用所述第一子网络获取表征目标用户和该内容资源的相似度的第一得分包括：利用所述第一子网络从与所述目标用户对应的第一用户节点获取所述目标用户的第一用户特征向量；利用所述第一子网络从与该内容资源对应的内容资源节点获取该内容资源的内容资源特征向量；计算所述第一用户特征向量和所述内容资源特征向量的相似度，以得到所述第一得分。3.根据权利要求2所述的方法，其中，所述用户
‑
内容资源异构图包括所述多个用户和所述多个内容资源之间的多个第一邻接边，所述第一邻接边的权重是基于对应的用户关于对应的内容资源的用户行为数据而得到的，其中，所述多个第一用户节点中的每一个第一用户节点对应的第一用户特征向量是通过将该第一用户节点的至少一个邻域节点对应的特征向量基于相应的至少一个第一邻接边的权重进行聚合而得到的，所述多个内容资源节点中的每一个内容资源节点对应的内容资源特征向量是通过将该内容资源节点的至少一个邻域节点对应的特征向量基于相应的至少一个第一邻接边的权重进行聚合而得到的。4.根据权利要求2所述的方法，其中，所述第二子网络为基于用户
‑
对象异构图的图神经网络，所述用户
‑
对象异构图包括与所述多个用户对应的多个第二用户节点和与所述多个待推荐对象对应的多个对象节点，其中，利用所述第二子网络获取表征所述目标用户和该内容资源所挂载的至少一个待推荐对象的相似度的第二得分包括：利用所述第二子网络从与所述目标用户对应的第二用户节点获取所述目标用户的第二用户特征向量；利用所述第二子网络从与所述至少一个待推荐对象对应的至少一个对象节点获取所述至少一个待推荐对象各自的对象特征向量；计算所述第二用户特征向量和所述至少一个待推荐对象各自的对象特征向量的相似度，以得到所述第二得分。
5.根据权利要求4所述的方法，其中，所述用户
‑
对象异构图包括所述多个用户和所述多个待推荐对象之间的多个第二邻接边，所述第二邻接边的权重是基于对应的用户关于对应的待推荐对象的用户行为数据而得到的，其中，所述多个第二用户节点中的每一个第二用户节点对应的第二用户特征向量是通过将该第二用户节点的至少一个邻域节点对应的特征向量基于相应的至少一个第二邻接边的权重进行聚合而得到的，所述多个对象节点中的每一个对象节点对应的对象特征向量是通过将该对象节点的至少一个邻域节点对应的特征向量基于相应的至少一个第二邻接边的权重进行聚合而得到的。6.根据权利要求5所述的方法，其中，所述用户行为数据包括点击、浏览时长、点赞、评论、收藏、分享、添加到购物车、以及转化中的至少一个。7.根据权利要求1所述的方法，还包括：针对所述多个内容资源中的目标内容资源，利用所述第一子网络确定与所述目标内容资源相似的多个候选用户；利用所述第二子网络确定与所述多个候选用户相似的多个候选待推荐对象；以及在所述多个候选待推荐对象中确定用于在所述目标内容资源中挂载的至少一个目标待推荐对象。8.一种神经网络的训练方法，所述神经网络包括第一子网络，所述第一子网络为基于用户
‑
内容资源异构图的图神经网络，所述用户
‑
内容资源异构图包括与多个用户对应的多个第一用户节点、与所述多个内容资源对应的多个内容资源节点、以及所述多个用户和所述多个内容资源之间的多个第一邻接边，所述第一邻接边的权重是基于对应的用户关于对应的内容资源的用户行为数据而得到的，其中，所述方法包括：在所述多个用户和所述多个内容资源中确定第一样本对，所述第一样本对包括所述多个用户中的第一样本用户和所述多个内容资源中的样本内容资源；确定所述多个第一用户节点各自对应的第一用户特征向量和所述多个内容资源节点各自对应的内容资源特征向量；将与所述第一样本用户对应的第一样本用户节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合，以得到所述第一样本用户节点的更新后的第一用户特征向量；将与所述样本内容资源对应的样本内容资源节点的至少一个邻域节点的特征向量基于相应的至少一个第一邻接边的权重进行聚合，以得到所述样本内容资源节点的更新后的内容资源特征向量；以及基于所述第...

【专利技术属性】
技术研发人员：王长志，王培建，
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：