基于人工智能的社群推荐方法、装置、设备及介质制造方法及图纸

本申请提供了一种基于人工智能的社群推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品；方法包括：对交互图以及社交网络图进行融合处理，得到扩展图；对扩展图包括的多个节点进行全局特征传播处理，得到每个节点的全局表征向量，节点为扩展图包括的对象节点或社群节点；基于每个节点的全局表征向量，对扩展图中的社群子图进行局部特征传播处理，得到社群子图的局部表征向量，其中，社群子图包括社群节点以及社群节点包括的对象节点；基于每个节点的全局表征向量以及社群子图的局部表征向量，对对象节点以及社群节点进行预测处理，得到对象节点与社群节点之间的推荐指标；基于对象节点与社群节点之间的推荐指标执行推荐操作。行推荐操作。行推荐操作。

【技术实现步骤摘要】
基于人工智能的社群推荐方法、装置、设备及介质


[0001]本申请涉及人工智能技术，尤其涉及一种基于人工智能的社群推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

技术介绍

[0002]人工智能(Artificial Intelligence，AI)是计算机科学的一个综合技术，通过研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，例如自然语言处理技术以及机器学习/深度学习等几大方向，随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
[0003]社群推荐是人工智能领域的重要应用之一，社群推荐系统是指利用计算机对对象以及社群进行处理、分析以及理解，以确定出向对象推荐的社群的系统。
[0004]在相关技术中，通过融合对象节点的邻居节点，来确定对象节点的特征向量，并对对象节点的特征向量以及社群节点的特征向量进行预测，得到对象节点与社群节点之间的推荐指标。但是，这种社群推荐方式仅依赖于对象节点的邻居节点，导致社群推荐的不准确。

技术实现思路

[0005]本申请实施例提供一种基于人工智能的社群推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够提高社群推荐的准确性。
[0006]本申请实施例的技术方案是这样实现的：
[0007]本申请实施例提供一种基于人工智能的社群推荐方法，包括：
[0008]对交互图以及社交网络图进行融合处理，得到扩展图，其中，所述交互图包括至少一个对象节点与至少一个社群节点之间的交互关系，所述社交网络图包括所述对象节点之间的社交关系；
[0009]对所述扩展图包括的多个节点进行全局特征传播处理，得到每个所述节点的全局表征向量，其中，所述节点为所述扩展图包括的所述对象节点或所述社群节点；
[0010]基于每个所述节点的全局表征向量，对所述扩展图中的社群子图进行局部特征传播处理，得到所述社群子图的局部表征向量，其中，所述社群子图包括所述社群节点以及所述社群节点包括的对象节点；
[0011]基于每个所述节点的全局表征向量以及所述社群子图的局部表征向量，对所述对象节点以及所述社群节点进行预测处理，得到所述对象节点与所述社群节点之间的推荐指标；
[0012]基于所述对象节点与所述社群节点之间的推荐指标执行推荐操作。
[0013]本申请实施例提供一种基于人工智能的社群推荐装置，包括：
[0014]融合模块，用于对交互图以及社交网络图进行融合处理，得到扩展图，其中，所述
交互图包括至少一个对象节点与至少一个社群节点之间的交互关系，所述社交网络图包括所述对象节点之间的社交关系；
[0015]全局传播模块，用于对所述扩展图包括的多个节点进行全局特征传播处理，得到每个所述节点的全局表征向量，其中，所述节点为所述扩展图包括的所述对象节点或所述社群节点；
[0016]局部传播模块，用于基于每个所述节点的全局表征向量，对所述扩展图中的社群子图进行局部特征传播处理，得到所述社群子图的局部表征向量，其中，所述社群子图包括所述社群节点以及所述社群节点包括的对象节点；
[0017]预测模块，用于基于每个所述节点的全局表征向量以及所述社群子图的局部表征向量，对所述对象节点以及所述社群节点进行预测处理，得到所述对象节点与所述社群节点之间的推荐指标；
[0018]推荐模块，用于基于所述对象节点与所述社群节点之间的推荐指标执行推荐操作。
[0019]本申请实施例提供一种用于基于人工智能的社群推荐的电子设备，所述电子设备包括：
[0020]存储器，用于存储计算机程序或计算机可执行指令；
[0021]处理器，用于执行所述存储器中存储的计算机程序或计算机可执行指令时，实现本申请实施例提供的基于人工智能的社群推荐方法。
[0022]本申请实施例提供一种计算机可读存储介质，存储有计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时实现本申请实施例提供的基于人工智能的社群推荐方法。
[0023]本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时实现本申请实施例提供的基于人工智能的社群推荐方法。
[0024]本申请实施例具有以下有益效果：
[0025]通过对扩展图包括的多个节点进行全局特征传播处理，以在每个节点中融入扩展图的全局信息；基于每个节点的全局表征向量，对扩展图中的社群子图进行局部特征传播处理，以充分利用节点的局部信息，从而保证每个节点的表征向量的准确性，进而保证了对象节点与社群节点之间的推荐指标，以提高社群推荐的准确性。
附图说明
[0026]图1是本申请实施例提供的社群推荐系统10的架构示意图；
[0027]图2是本申请实施例提供的用于基于人工智能的社群推荐的电子设备500的结构示意图；
[0028]图3A
‑
图3D是本申请实施例提供的基于人工智能的社群推荐方法的流程示意图；
[0029]图4A是本申请实施例提供的扩展图；
[0030]图4B是本申请实施例提供的节点特征矩阵的示意图；
[0031]图4C是本申请实施例提供的节点特征矩阵的示意图；
[0032]图4D是本申请实施例提供的俱乐部推荐业务的界面示意图；
[0033]图5是本申请实施例提供的基于人工智能的社群推荐方法的框架示意图；
[0034]图6A
‑
图6B是本申请实施例提供的非同构图；
[0035]图7是本申请实施例提供的算法线上测试期间每日的ESR和计算历史全量玩家推荐列表所需的时间开销的示意图。
具体实施方式
[0036]为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0037]在以下的描述中，所涉及的术语“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
[0038]在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
[0039]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
[0040]对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的社群推荐方法，其特征在于，所述方法包括：对交互图以及社交网络图进行融合处理，得到扩展图，其中，所述交互图包括至少一个对象节点与至少一个社群节点之间的交互关系，所述社交网络图包括所述对象节点之间的社交关系；对所述扩展图包括的多个节点进行全局特征传播处理，得到每个所述节点的全局表征向量，其中，所述节点为所述扩展图包括的所述对象节点或所述社群节点；基于每个所述节点的全局表征向量，对所述扩展图中的社群子图进行局部特征传播处理，得到所述社群子图的局部表征向量，其中，所述社群子图包括所述社群节点以及所述社群节点包括的对象节点；基于每个所述节点的全局表征向量以及所述社群子图的局部表征向量，对所述对象节点以及所述社群节点进行预测处理，得到所述对象节点与所述社群节点之间的推荐指标；基于所述对象节点与所述社群节点之间的推荐指标执行推荐操作。2.根据权利要求1所述的方法，其特征在于，所述对交互图以及社交网络图进行融合处理，得到扩展图，包括：对所述交互图以及所述社交网络图进行合并处理，得到所述扩展图；所述对交互图以及社交网络图进行融合处理，得到扩展图之后，所述方法还包括：获取所述扩展图包括的所述对象节点的对象特征，并获取所述扩展图包括的所述社群节点的社群特征；对所述对象特征以及所述社群特征进行拼接处理，得到所述扩展图的节点特征矩阵。3.根据权利要求2所述的方法，其特征在于，所述对所述扩展图包括的多个节点进行全局特征传播处理，得到每个所述节点的全局表征向量，包括：按照每个所述节点的特征维度，从所述扩展图的节点特征矩阵中，提取多个特征列；基于所述多个特征列，对所述多个节点进行随机游走传播，得到每个所述节点的全局表征向量。4.根据权利要求3所述的方法，其特征在于，所述基于所述多个特征列，对所述多个节点进行随机游走传播，得到每个所述节点的全局表征向量，包括：对每个所述特征列进行归一化处理，得到归一化特征列；基于所述归一化特征列，对所述多个节点进行随机游走传播，得到每个所述节点的全局表征向量。5.根据权利要求4所述的方法，其特征在于，所述基于所述归一化特征列，对所述多个节点进行随机游走传播，得到每个所述节点的全局表征向量，包括：获取第k个所述归一化特征列，其中，k为依次递增的正整数、且1≤k≤F，F为所述特征维度的数量；获取第u个节点在第k个所述归一化特征列上的第一特征值，其中，u为依次递增的正整数、且1≤u≤U，U为所述多个节点的数量；当所述第一特征值大于节点阈值时，将所述第一特征值按照第一概率传播到所述第u个节点，并将所述第一特征值按照第二概率传播至所述第u个节点的邻居节点，其中，所述第一概率与所述第二概率之和为设定值；当多个所述第一特征值已传播完成时，将每个所述节点被传播的第一特征值作为每个
所述节点的全局表征向量。6.根据权利要求5所述的方法，其特征在于，所述将所述第一特征值按照第一概率传播到所述第u个节点，包括：确定所述第一概率与所述第一特征值的第一乘积，并将所述第一乘积传播至所述第u个节点；所述将所述第一特征值按照第二概率传播至所述第u个节点的邻居节点，包括：确定所述第一特征值与所述第u个节点的出度的比值，并确定所述比值与所述第二概率的第二乘积；获取所述第u个节点的邻居节点在第k个所述归一化特征列上的第二特征值；确定所述第二特征值与所述第二乘积的加和，将所述加和传播至所述第u个节点的邻居节点。7.根据权利要求1所述的方法，其特征在于，所述基于每个所述节点的全局表征向量，对所述扩展图中的社群子图进行局部特征传播处理，得到所述社群子图的局部表征向量，包括：基于每个所述节点的全局表征向量，对所述社群子图包括的社群节点进行局部更新处理，得到所述社群节点的局部表征向量；基于每个所述节点的全局表征向量，对所述所述社群节点包括的对象节点进行子图更新处理，得到所述社群节点包括的对象节点的局部表征向量。8.根据权利要求7所述的方法，其特征在于，所述基于每个所述节点的全局表征向量，对所述社群子图包括的社群节点进行局部更新处理，得到所述社群节点的局部表征向量，包括：从每个所述节点的全局表征向量中，获取所述社群节点包括的对象节点的全局表征向量；对所述社群节点包括的对象节点的全局表征向量进行池化处理，得到所述社群节点的池化向量；对...

【专利技术属性】
技术研发人员：张星熠，徐树良，林文清，
申请(专利权)人：深圳市腾讯天游科技有限公司，
类型：发明
国别省市：