推荐方法及装置制造方法及图纸

本说明书实施例提供一种推荐方法及装置，涉及对双曲空间中的目标用户表征矩阵和目标对象表征矩阵进行多轮次迭代更新。该方法中任一轮次的迭代更新包括：先将当前的两个目标表征矩阵分别映射至双曲空间的切平面，得到两个第一表征矩阵；接着，基于构建好的异构图，利用图神经网络更新两个第一表征矩阵得到更新后的两个第二表征矩阵，该异构图中具有预设关联关系的用户节点之间，以及存在预设交互行为的用户节点和对象节点之间形成连接边；再将两个第二表征矩阵分别映射回双曲空间，得到两个第三表征矩阵，用以确定样本用户对样本对象的预测评分；之后，基于预测评分和对应的交互行为标签，在双曲空间中更新当前的两个目标表征矩阵。阵。阵。

【技术实现步骤摘要】
推荐方法及装置


[0001]本说明书一个或多个实施例涉及机器学习
，尤其涉及一种推荐方法及装置。

技术介绍

[0002]随着社会的发展和科技的进步，越来越多的服务平台向用户提供种类丰富的产品、服务等，以满足用户在生活、工作中的各种需求。为了应对服务场景下的千人千面，服务平台构建推荐系统，以期为用户进行个性化推荐。
[0003]然而，尽管随着大数据时代的到来可以取得丰富的用户样本数据，但目前推荐算法对用户样本数据的价值挖掘能力有限。因此，需要一种推荐方案，可以更好地满足实际应用需求，例如，提升推荐的准确度，从而提高用户体验。

技术实现思路

[0004]本说明书实施例描述一种推荐方法及装置，可以更好地满足实际应用需求。
[0005]根据第一方面，提供一种推荐方法，涉及对双曲空间中的两个目标表征矩阵进行多轮次迭代更新；所述两个目标表征矩阵中的目标用户表征矩阵包括M个用户表征向量，目标对象表征矩阵包括N个对象表征向量。其中任一轮次的迭代更新包括：将当前的两个目标表征矩阵分别映射至所述双曲空间的切平面，得到两个第一表征矩阵；基于构建好的异构图，利用图神经网络更新所述两个第一表征矩阵，得到更新后的两个第二表征矩阵；该异构图中包括M个用户节点、N个对象节点、具有预设关联关系的用户节点之间形成的连接边，与存在预设交互行为的用户节点和对象节点之间形成的连接边；将所述两个第二表征矩阵分别映射回所述双曲空间，得到两个第三表征矩阵；基于所述两个第三表征矩阵，确定样本用户对样本对象的预测评分；基于所述预测评分和对应的交互行为标签，在所述双曲空间中更新所述当前的两个目标表征矩阵。
[0006]在一个实施例中，所述图神经网络包括两个图神经网络；其中，基于构建好的异构图，利用图神经网络更新所述两个第一表征矩阵，得到更新后的两个第二表征矩阵，包括：基于所述异构图和第一对象表征矩阵，利用第一图神经网络更新第一用户表征矩阵，得到更新后的第二用户表征矩阵；基于所述异构图和第一用户表征矩阵，利用第二图神经网络更新第一对象表征矩阵，得到更新后的第二对象表征矩阵。
[0007]在一个具体的实施例中，所述第一图神经网络中包括L个隐层；其中，基于所述异构图和第一对象表征矩阵，利用第一图神经网络更新第一用户表征矩阵，得到更新后的第二用户表征矩阵，包括：将所述第一用户表征矩阵作为所述L个隐层中首个隐层的输入；在所述L个隐层中任意的第i个隐层中，针对所述M个用户节点中任意的一个用户节点，基于输入本隐层的与该用户节点对应的用户表征向量、与所述异构图中该用户节点的各个邻居节点对应的节点表征向量，确定本隐层输出的与该用户节点对应的用户表征向量；基于第L个隐层输出的与所述M个用户节点对应的M个用户表征向量，确定所述第二用户表征矩阵。
[0008]在一个具体的实施例中，所述第二图神经网络中包括K个隐层；其中，基于所述异构图和第一用户表征矩阵，利用第二图神经网络更新第一对象表征矩阵，得到更新后的第二对象表征矩阵，包括：将所述第一对象表征矩阵作为所述K个隐层中首个隐层的输入；在所述K个隐层中任意的第j个隐层中，针对所述N个对象节点中的任意一个对象节点，基于输入本隐层的与该对象节点对应的节点表征向量，与所述异构图中该对象节点的各个邻居节点对应的节点表征向量，确定本隐层输出的与该对象节点对应的对象表征向量；基于第K个隐层输出的与所述N个对象节点对应的N个对象表征向量，确定所述第二对象表征矩阵。
[0009]在一个实施例中，基于所述预测评分和对应的交互行为标签，在所述双曲空间中更新所述当前的两个目标表征矩阵，包括：基于所述预测评分和对应的交互行为标签，确定欧式空间中当前的两个参数矩阵中各个权重参数的回传梯度；基于所述回传梯度更新对应的权重参数，形成更新后的两个参数矩阵；将所述更新后的两个参数矩阵映射至所述双曲空间，作为本轮更新后的两个目标表征矩阵。
[0010]在一个具体的实施例中，在所述任一轮次为首轮的情况下，在所述将当前的两个目标表征矩阵分别映射至所述双曲空间的切平面，得到两个第一表征矩阵之前，所述方法还包括：初始化所述当前的两个参数矩阵；将所述当前的两个参数矩阵分别映射至所述双曲空间，用作所述当前的两个目标表征矩阵。
[0011]在一个实施例中，所述图神经网络中包括权重参数；其中，基于所述预测评分和对应的交互行为标签，在所述双曲空间中更新所述当前的两个目标表征矩阵，包括：基于所述预测评分和交互标签，更新所述两个目标表征矩阵和所述图神经网络中的权重参数。
[0012]在一个实施例中，所述两个第三表征矩阵包括第三用户表征矩阵和第三对象表征矩阵；其中，基于所述两个第三表征矩阵，确定样本用户对样本对象的预测评分，包括：从所述第三用户表征矩阵中获取与所述样本用户对应的第三用户表征向量，以及，从所述第三对象表征矩阵中获取与所述样本对象对应的第三对象表征向量；计算所述第三用户表征向量和第三对象表征向量在所述双曲空间中的距离；基于所述距离，确定所述预测评分。
[0013]根据第二方面，提供一种推荐装置，涉及对双曲空间中的两个目标表征矩阵进行多轮次迭代更新；所述两个目标表征矩阵中的目标用户表征矩阵包括M个用户表征向量，目标对象表征矩阵包括N个对象表征向量；所述装置通过以下的模块执行其中任一轮次的迭代更新：第一映射模块，配置为将当前的两个目标表征矩阵分别映射至所述双曲空间的切平面，得到两个第一表征矩阵；第一更新模块，配置为基于构建好的异构图，利用图神经网络更新所述两个第一表征矩阵，得到更新后的两个第二表征矩阵；该异构图中包括M个用户节点、N个对象节点、具有预设关联关系的用户节点之间形成的连接边，与存在预设交互行为的用户节点和对象节点之间形成的连接边；第二映射模块，配置为将所述两个第二表征矩阵分别映射回所述双曲空间，得到两个第三表征矩阵；评分预测单元，配置为基于所述两个第三表征矩阵，确定样本用户对样本对象的预测评分；第二更新模块，配置为基于所述预测评分和对应的交互行为标签，在所述双曲空间中更新所述当前的两个目标表征矩阵。
[0014]根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
[0015]根据第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，该处理器执行所述可执行代码时，实现第一方面的方法。
[0016]采用本说明书实施例提供的方法和装置，通过在双曲空间中表征用户和对象，深度挖掘用户社交数据和用户交互数据中的层次结构性，同时，通过图神经网络建模用户的社交影响力和兴趣扩散过程，从而可以实现更加精准的个性化推荐。另外，图神经网络建模还可以捕捉到用户
‑
用户之间的高阶相似性以及用户
‑
对象之间的高阶协同信号，从而缓解数据稀疏的问题。
附图说明
[0017]为了更清楚地说明本专利技术实施例的技术方案，下面对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐方法，涉及对双曲空间中的两个目标表征矩阵进行多轮次迭代更新；所述两个目标表征矩阵中的目标用户表征矩阵包括M个用户表征向量，目标对象表征矩阵包括N个对象表征向量；其中任一轮次的迭代更新包括：将当前的两个目标表征矩阵分别映射至所述双曲空间的切平面，得到两个第一表征矩阵；基于构建好的异构图，利用图神经网络更新所述两个第一表征矩阵，得到更新后的两个第二表征矩阵；该异构图中包括M个用户节点、N个对象节点、具有预设关联关系的用户节点之间形成的连接边，与存在预设交互行为的用户节点和对象节点之间形成的连接边；将所述两个第二表征矩阵分别映射回所述双曲空间，得到两个第三表征矩阵；基于所述两个第三表征矩阵，确定样本用户对样本对象的预测评分；基于所述预测评分和对应的交互行为标签，在所述双曲空间中更新所述当前的两个目标表征矩阵。2.根据权利要求1所述的方法，其中，所述图神经网络包括两个图神经网络；其中，基于构建好的异构图，利用图神经网络更新所述两个第一表征矩阵，得到更新后的两个第二表征矩阵，包括：基于所述异构图和第一对象表征矩阵，利用第一图神经网络更新第一用户表征矩阵，得到更新后的第二用户表征矩阵；基于所述异构图和第一用户表征矩阵，利用第二图神经网络更新第一对象表征矩阵，得到更新后的第二对象表征矩阵。3.根据权利要求2所述的方法，其中，所述第一图神经网络中包括L个隐层；其中，基于所述异构图和第一对象表征矩阵，利用第一图神经网络更新第一用户表征矩阵，得到更新后的第二用户表征矩阵，包括：将所述第一用户表征矩阵作为所述L个隐层中首个隐层的输入；在所述L个隐层中任意的第i个隐层中，针对所述M个用户节点中任意的一个用户节点，基于输入本隐层的与该用户节点对应的用户表征向量、与所述异构图中该用户节点的各个邻居节点对应的节点表征向量，确定本隐层输出的与该用户节点对应的用户表征向量；基于第L个隐层输出的与所述M个用户节点对应的M个用户表征向量，确定所述第二用户表征矩阵。4.根据权利要求2所述的方法，其中，所述第二图神经网络中包括K个隐层；其中，基于所述异构图和第一用户表征矩阵，利用第二图神经网络更新第一对象表征矩阵，得到更新后的第二对象表征矩阵，包括：将所述第一对象表征矩阵作为所述K个隐层中首个隐层的输入；在所述K个隐层中任意的第j个隐层中，针对所述N个对象节点中的任意一个对象节点，基于输入本隐层的与该对象节点对应的节点表征向量，与所述异构图中该对象节点的各个邻居节点对应的节点表征向量，确定本隐层输出的与该对象节点对应的对象表征向量；基于第K个隐层输出的与所述N个对象节点对应的N个对象表征向量，确定所述第二对象表征矩阵。5.根据权利要求1所述的方法，其中，基于所述预测评分和对应的交互行为标签，在所述双曲空间中更新所述当前的两个目标表征矩阵，包括：
基于所述预测评分和对应的交互行为标签，确定欧式...

【专利技术属性】
技术研发人员：吴乐，杨永晖，张琨，洪日昌，汪萌，吴郑伟，张志强，周俊，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：