物品推荐方法、装置及存储介质制造方法及图纸

本申请涉及人工智能领域，尤其涉及一种物品推荐方法、装置及存储介质。所述方法包括：获取目标对象的历史交互数据，所述历史交互数据指示所述目标对象与至少一个物品之间的历史交互事件；获取预先训练完成的目标推荐模型，所述目标推荐模型包括一层卷积层的图神经网络模型，所述卷积层指示样本对象与样本物品之间的关联关系；根据所述历史交互数据，调用所述目标推荐模型输出得到所述目标对象对应的目标物品。本申请实施例通过简化目标推荐模型的框架结构，使得模型运算时间大幅减少，进而使得模型因其运算效率提高而容易被推广使用，保证了后续基于该模型进行物品推荐的推荐效果。果。果。

【技术实现步骤摘要】
物品推荐方法、装置及存储介质


[0001]本申请涉及人工智能领域，尤其涉及一种物品推荐方法、装置及存储介质。

技术介绍

[0002]在个性化推荐系统中，最重要的是准确预测用户对于特定物品的喜好程度，这不仅影响到用户体验，同时直接影响到企业的收益。因此，用户行为预测具有重要意义。
[0003]在图神经网络(Graph Neural Network，GNN)提出之前，对于基于图或者网络类型数据的推荐方式大多是基于核的方法、基于图论的正则化、矩阵分解等方法等来进行推荐。图神经网络的提出为这一问题提供了另一种解决方案，并在许多数据集上都取得了最佳结果。使用图神经网络学习图上的用户和物品的表示不仅能建模对应节点的高阶信息，同时能模拟用户、物品之间的上下文信息和其之间的差异。
[0004]对于图神经网络而言，学习节点的低维向量表达过程中传播步骤是非常重要的，它可以获得节点的隐藏状态。传播步骤使用的方法通常是选择不同的聚合函数和特定的更新函数，然后进行迭代计算直到收敛，因此存在一个较长的计算过程，使得模型收敛速度比较慢，导致图神经网络因其效率低而难以推广使用。

技术实现思路

[0005]有鉴于此，提出了一种物品推荐方法、装置及存储介质，可以解决由于图神经网络运算时间过长导致推荐效率低的问题。
[0006]第一方面，本申请的实施例提供了一种物品推荐方法，所述方法包括：
[0007]获取目标对象的历史交互数据，所述历史交互数据指示所述目标对象与至少一个物品之间的历史交互事件；
[0008]获取预先训练完成的目标推荐模型，所述目标推荐模型包括一层卷积层的图神经网络模型，所述卷积层指示样本对象与样本物品之间的关联关系；
[0009]根据所述历史交互数据，调用所述目标推荐模型输出得到所述目标对象对应的目标物品。
[0010]在该实现方式中，获取目标对象的历史交互数据，历史交互数据指示目标对象与至少一个物品之间的历史交互事件，根据历史交互数据调用预先训练完成的目标推荐模型，输出得到目标对象对应的目标物品，由于目标推荐模型包括一层卷积层的图神经网络模型，该卷积层指示样本对象与样本物品之间的关联关系，大大简化了目标推荐模型的框架结构，使得模型运算时间大幅减少，进而使得模型因其运算效率提高而容易被推广使用，保证了后续基于该模型进行物品推荐的推荐效果。
[0011]在一种可能的实现方式中，所述目标推荐模型指示n个样本对象各自对应的关联物品信息和m个样本物品各自对应的关联对象信息，所述关联物品信息指示与所述样本对象交互过的至少一个物品，所述关联对象信息指示与所述样本物品交互过的至少一个对象，所述n和所述m为正整数。
[0012]在该实现方式中，预先训练完成的目标推荐模型指示n个样本对象各自对应的关联物品信息和m个样本物品各自对应的关联对象信息，其中关联物品信息指示与样本对象交互过的至少一个物品，关联对象信息指示与样本物品交互过的至少一个对象，即目标推荐模型可以表示样本对象的操作频繁度和样本物品的热度，进一步保证了后续基于该模型进行物品推荐的推荐效果。
[0013]在另一种可能的实现方式中，所述目标推荐模型还指示至少两个所述样本物品之间的关联关系和/或至少两个所述样本对象之间的关联关系。
[0014]在该实现方式中，通过建立物品与物品关系、对象与对象的关系，可以更进一步的使用图结构中隐含的信息，有效地利用整个图结构中的其他信息，从而提高了目标推荐模型的推荐效果。
[0015]在另一种可能的实现方式中，所述根据所述历史交互数据，调用所述目标推荐模型输出得到所述目标对象对应的目标物品，包括：
[0016]将所述历史交互数据输入至所述目标推荐模型中，输出得到目标对象对应的所述目标物品；
[0017]其中，所述目标推荐模型是根据至少一组样本数据组训练得到的，每组所述样本数据组包括：样本交互数据和预先标注的正确推荐信息，所述样本交互数据指示所述样本对象和对应的所述样本物品。
[0018]在该实现方式中，根据至少一组样本数据组预先训练得到目标推荐模型，每组样本数据组包括：样本交互数据和预先标注的正确推荐信息，样本交互数据指示样本对象和对应的样本物品，以便后续将历史交互数据输入至训练完成的目标推荐模型中，输出得到目标对象对应的目标物品，保证了后续基于该模型进行物品推荐的准确性和可执行性。
[0019]在另一种可能的实现方式中，所述获取预先训练完成的目标推荐模型之前，还包括：
[0020]获取训练样本集，所述训练样本集包括所述至少一组样本数据组；
[0021]对于所述至少一组样本数据组中的每组样本数据组，将所述样本交互数据输入初始参数模型得到训练结果；
[0022]根据所述训练结果和所述正确推荐信息，采用预设损失函数计算得到训练损失值，所述训练损失值指示所述训练结果与所述正确推荐信息之间的误差；
[0023]根据所述至少一组样本数据组各自对应的训练损失值调整所述初始参数模型的模型参数；
[0024]在满足预设收敛条件的情况下，训练得到所述目标推荐模型。
[0025]在该实现方式中，获取训练样本集，对于训练样本集中的每组样本数据组，将样本交互数据输入初始参数模型得到训练结果，根据训练结果和正确推荐信息，采用预设损失函数计算得到训练损失值，根据至少一组样本数据组各自对应的训练损失值调整初始参数模型的模型参数，在满足预设收敛条件的情况下训练得到目标推荐模型，由于训练损失值是根据训练结果和正确推荐信息采用预设损失函数计算得到的，避免了相关技术中需要选择不同的聚合函数和特定的更新函数进行迭代计算的情况，大大缩短了训练过程中的计算时长，提高了目标推荐模型的收敛速度。
[0026]在另一种可能的实现方式中，所述至少一组样本数据组包括至少一组正样本数据
组和随机采样的至少一组负样本数据组，所述正样本数据组中的所述样本对象与所述样本物品存在交互事件，所述负样本数据组中的所述样本对象与所述样本物品不存在交互事件。
[0027]在该实现方式中，在图神经网络模型的训练阶段内采用至少一组正样本数据组和随机采样的至少一组负样本数据组进行模型训练，提高了训练得到的目标推荐模型的准确性，进一步保证了后续基于该模型进行物品推荐的推荐效果。
[0028]在另一种可能的实现方式中，所述预设损失函数包括第一损失函数和第二损失函数，所述第一损失函数是基于所述样本对象与所述样本物品之间的关联关系设置的损失函数，所述第二损失函数是预设类型的损失函数。
[0029]在该实现方式中，基于样本对象与样本物品之间的关联关系设置第一损失函数，采用第一损失函数和预设类型的第二损失函数直接计算训练损失值，提高了图神经网络模型的收敛速度和运算效率。
[0030]在另一种可能的实现方式中，所述预设损失函数还包括第三损失函数，所述第三损失函数是基于至少两个所述样本物品之间的关联关系设置的损失函数。
[0031]在该实现方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物品推荐方法，其特征在于，所述方法包括：获取目标对象的历史交互数据，所述历史交互数据指示所述目标对象与至少一个物品之间的历史交互事件；获取预先训练完成的目标推荐模型，所述目标推荐模型包括一层卷积层的图神经网络模型，所述卷积层指示样本对象与样本物品之间的关联关系；根据所述历史交互数据，调用所述目标推荐模型输出得到所述目标对象对应的目标物品。2.根据权利要求1的方法，其特征在于，所述目标推荐模型指示n个样本对象各自对应的关联物品信息和m个样本物品各自对应的关联对象信息，所述关联物品信息指示与所述样本对象交互过的至少一个物品，所述关联对象信息指示与所述样本物品交互过的至少一个对象，所述n和所述m为正整数。3.根据权利要求1或2所述的方法，其特征在于，所述目标推荐模型还指示至少两个所述样本物品之间的关联关系和/或至少两个所述样本对象之间的关联关系。4.根据权利要求1至3任一所述的方法，其特征在于，所述根据所述历史交互数据，调用所述目标推荐模型输出得到所述目标对象对应的目标物品，包括：将所述历史交互数据输入至所述目标推荐模型中，输出得到目标对象对应的所述目标物品；其中，所述目标推荐模型是根据至少一组样本数据组训练得到的，每组所述样本数据组包括：样本交互数据和预先标注的正确推荐信息，所述样本交互数据指示所述样本对象和对应的所述样本物品。5.根据权利要求3的方法，其特征在于，所述获取预先训练完成的目标推荐模型之前，还包括：获取训练样本集，所述训练样本集包括所述至少一组样本数据组；对于所述至少一组样本数据组中的每组样本数据组，将所述样本交互数据输入初始参数模型得到训练结果；根据所述训练结果和所述正确推荐信息，采用预设损失函数计算得到训练损失值，所述训练损失值指示所述训练结果与所述正确推荐信息之间的误差；根据所述至少一组样本数据组各自对应的训练损失值调整所述初始参数模型的模型参数；在满足预设收敛条件的情况下，训练得到所述目标推荐模型。6.根据权利要求5的方法，其特征在于，所述至少一组样本数据组包括至少一组正样本数据组和随机采样的至少一组负样本数据组，所述正样本数据组中的所述样本对象与所述样本物品存在交互事件，所述负样本数据组中的所述样本对象与所述样本物品不存在交互事件。7.根据权利要求5或6的方法，其特征在于，所述预设损失函数包括第一损失函数和第...

【专利技术属性】
技术研发人员：卢彪，朱杰明，何秀强，王钊伟，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：