本申请实施例提供了一种内容推荐方法、装置、电子设备及存储介质。其中，内容推荐方法包括：获取待推荐用户的交互图信息和候选内容的交互图信息；将待推荐用户的交互图信息和候选内容的交互图信息输入预先训练的图卷积模型，将待推荐用户和候选内容分别作为目标对象，基于目标对象的交互图信息中目标对象的初始特征向量和目标对象的各阶邻域节点的初始特征向量，生成目标对象的综合特征向量，基于待推荐用户的综合特征向量和候选内容的综合特征向量，计算待推荐用户和候选内容的相关度；基于相关度从候选内容中选取目标内容，向待推荐用户推荐目标内容。本申请实施例计算得到的用户和内容的相关度更加准确，能够提高内容推荐的准确性。的准确性。的准确性。
【技术实现步骤摘要】
内容推荐方法、装置、电子设备及存储介质
[0001]本申请涉及互联网
，特别是涉及一种内容推荐方法、装置、电子设备及存储介质。
技术介绍
[0002]随着互联网技术的迅速发展，网络中用户和内容的数量激增，用户较难在海量的内容中找到自身感兴趣的内容，因此为用户推荐其感兴趣的内容成为商家和用户的共同需求。
[0003]现有技术中，内容推荐系统通常是针对一个用户和一个内容，根据该用户的标识信息以及该内容的标识信息，计算出该用户和该内容的相关度，然后根据用户与内容的相关度，向用户进行内容推荐。但是，上述方式中，考虑的因素较为单一，导致内容推荐的准确性较低。
技术实现思路
[0004]鉴于上述问题，本申请实施例提出了一种内容推荐方法、装置、电子设备及存储介质，用以解决现有
技术实现思路
推荐的准确性较低的问题。
[0005]根据本申请的实施例的一个方面，提供了一种内容推荐方法，所述方法包括：
[0006]获取待推荐用户的交互图信息和候选内容的交互图信息；
[0007]将所述待推荐用户的交互图信息和所述候选内容的交互图信息输入预先训练的图卷积模型，将所述待推荐用户和所述候选内容分别作为目标对象，基于所述目标对象的交互图信息中所述目标对象的初始特征向量和所述目标对象的各阶邻域节点的初始特征向量，生成所述目标对象的综合特征向量，基于所述待推荐用户的综合特征向量和所述候选内容的综合特征向量，计算所述待推荐用户和所述候选内容的相关度；
[0008]基于所述相关度从所述候选内容中选取目标内容，向所述待推荐用户推荐所述目标内容。
[0009]可选地，用户的初始特征向量包括用户标识的编码信息和用户兴趣的编码信息；内容的初始特征向量包括内容标识的编码信息和内容类型的编码信息。
[0010]可选地，所述基于所述目标对象的交互图信息中所述目标对象的初始特征向量和所述目标对象的各阶邻域节点的初始特征向量，生成所述目标对象的综合特征向量，包括：基于所述目标对象的各阶邻域节点的初始特征向量，分别计算所述目标对象的各阶特征向量；基于所述目标对象的初始特征向量和所述目标对象的各阶特征向量，计算所述目标对象的综合特征向量。
[0011]可选地，所述基于所述目标对象的各阶邻域节点的初始特征向量，分别计算所述目标对象的各阶特征向量，包括：针对所述目标对象的每阶的每个邻域节点，基于所述目标对象的各阶邻域节点的初始特征向量，获取当前邻域节点的协同特征向量和正则化系数，并计算所述协同特征向量与所述正则化系数的乘积，作为所述当前邻域节点对应的乘积；
对当前阶的各邻域节点对应的乘积进行求和，得到所述目标对象的当前阶特征向量。
[0012]可选地，所述基于所述目标对象的初始特征向量和所述目标对象的各阶特征向量，计算所述目标对象的综合特征向量，包括：对所述目标对象的初始特征向量和所述目标对象的各阶特征向量进行加权求和计算，得到所述目标对象的综合特征向量。
[0013]可选地，所述基于所述待推荐用户的特征向量和所述候选内容的特征向量，计算所述待推荐用户和所述候选内容的相关度，包括：计算所述待推荐用户的特征向量与所述候选内容的特征向量的内积，将所述内积确定为所述待推荐用户和所述候选内容的相关度。
[0014]可选地，所述图卷积模型通过如下方式训练：获取样本用户的交互图信息和样本内容的交互图信息，以及所述样本用户和所述样本内容的实际相关度；将所述样本用户的交互图信息和样本内容的交互图信息作为待训练模型的输入，将所述实际相关度作为所述待训练模型的输出的目标，对所述待训练模型进行训练；将训练完成的模型作为所述图卷积模型。
[0015]根据本申请的实施例的另一方面，提供了一种内容推荐装置，所述装置包括：
[0016]获取模块，用于获取待推荐用户的交互图信息和候选内容的交互图信息；
[0017]预测模块，用于将所述待推荐用户的交互图信息和所述候选内容的交互图信息输入预先训练的图卷积模型，将所述待推荐用户和所述候选内容分别作为目标对象，基于所述目标对象的交互图信息中所述目标对象的初始特征向量和所述目标对象的各阶邻域节点的初始特征向量，生成所述目标对象的综合特征向量，基于所述待推荐用户的综合特征向量和所述候选内容的综合特征向量，计算所述待推荐用户和所述候选内容的相关度；
[0018]推荐模块，用于基于所述相关度从所述候选内容中选取目标内容，向所述待推荐用户推荐所述目标内容。
[0019]可选地，用户的初始特征向量包括用户标识的编码信息和用户兴趣的编码信息；内容的初始特征向量包括内容标识的编码信息和内容类型的编码信息。
[0020]可选地，所述预测模块包括：第一计算单元，用于基于所述目标对象的各阶邻域节点的初始特征向量，分别计算所述目标对象的各阶特征向量；第二计算单元，用于基于所述目标对象的初始特征向量和所述目标对象的各阶特征向量，计算所述目标对象的综合特征向量。
[0021]可选地，所述第一计算单元，具体用于针对所述目标对象的每阶的每个邻域节点，基于所述目标对象的各阶邻域节点的初始特征向量，获取当前邻域节点的协同特征向量和正则化系数，并计算所述协同特征向量与所述正则化系数的乘积，作为所述当前邻域节点对应的乘积；对当前阶的各邻域节点对应的乘积进行求和，得到所述目标对象的当前阶特征向量。
[0022]可选地，所述第二计算单元，具体用于对所述目标对象的初始特征向量和所述目标对象的各阶特征向量进行加权求和计算，得到所述目标对象的综合特征向量。
[0023]可选地，所述预测模块包括：第三计算单元，用于计算所述待推荐用户的特征向量与所述候选内容的特征向量的内积，将所述内积确定为所述待推荐用户和所述候选内容的相关度。
[0024]可选地，所述图卷积模型通过如下模块训练：样本获取模块，用于获取样本用户的
交互图信息和样本内容的交互图信息，以及所述样本用户和所述样本内容的实际相关度；训练模块，用于将所述样本用户的交互图信息和样本内容的交互图信息作为待训练模型的输入，将所述实际相关度作为所述待训练模型的输出的目标，对所述待训练模型进行训练，将训练完成的模型作为所述图卷积模型。
[0025]根据本申请的实施例的另一方面，提供了一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个计算机可读存储介质；当所述指令由所述一个或多个处理器执行时，使得所述处理器执行如上任一项所述的内容推荐方法。
[0026]根据本申请的实施例的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，使得所述处理器执行如上任一项所述的内容推荐方法。
[0027]本申请实施例中，获取待推荐用户的交互图信息和候选内容的交互图信息；将所述待推荐用户的交互图信息和所述候选内容的交互图信息输入预先训练的图卷积模型，将所述待推荐用户和所述候选内容分别作为目标对象，基于所述目标对象的交互图信息中所述目标对象的初始特征向量和本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种内容推荐方法，其特征在于，所述方法包括：获取待推荐用户的交互图信息和候选内容的交互图信息；将所述待推荐用户的交互图信息和所述候选内容的交互图信息输入预先训练的图卷积模型，将所述待推荐用户和所述候选内容分别作为目标对象，基于所述目标对象的交互图信息中所述目标对象的初始特征向量和所述目标对象的各阶邻域节点的初始特征向量，生成所述目标对象的综合特征向量，基于所述待推荐用户的综合特征向量和所述候选内容的综合特征向量，计算所述待推荐用户和所述候选内容的相关度；基于所述相关度从所述候选内容中选取目标内容，向所述待推荐用户推荐所述目标内容。2.根据权利要求1所述的方法，其特征在于，用户的初始特征向量包括用户标识的编码信息和用户兴趣的编码信息；内容的初始特征向量包括内容标识的编码信息和内容类型的编码信息。3.根据权利要求1所述的方法，其特征在于，所述基于所述目标对象的交互图信息中所述目标对象的初始特征向量和所述目标对象的各阶邻域节点的初始特征向量，生成所述目标对象的综合特征向量，包括：基于所述目标对象的各阶邻域节点的初始特征向量，分别计算所述目标对象的各阶特征向量；基于所述目标对象的初始特征向量和所述目标对象的各阶特征向量，计算所述目标对象的综合特征向量。4.根据权利要求3所述的方法，其特征在于，基于所述目标对象的各阶邻域节点的初始特征向量，分别计算所述目标对象的各阶特征向量，包括：针对所述目标对象的每阶的每个邻域节点，基于所述目标对象的各阶邻域节点的初始特征向量，获取当前邻域节点的协同特征向量和正则化系数，并计算所述协同特征向量与所述正则化系数的乘积，作为所述当前邻域节点对应的乘积；对当前阶的各邻域节点对应的乘积进行求和，得到所述目标对象的当前阶特征向量。5.根据权利要求3所述的方法，其特征在于，所述基于所述目标对象的初始特征向量和所述目标对象的各阶特征向量，计算所述目标对象的综合特征向量，包括：对所述目标对象的初始特征向量和所...
【专利技术属性】
技术研发人员：危枫，王晨子，张素娟，姜明崎，谭静，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
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。