【技术实现步骤摘要】
本申请实施例涉及数据处理，具体涉及一种基于超图神经网络的道具组合推荐方法、装置及计算设备。
技术介绍
1、各平台通常会结合其业务需求向用户进行物品推荐。例如，游戏平台向用户推荐游戏礼包等。在现有技术中，通常可根据运营经验或推荐算法为用户确定待推荐物品。其中，推荐算法可包括协同过滤算法、内容过滤算法、矩阵分解算法、deepfm深度学习算法、简单图神经网络算法等。然而，针对游戏礼包推荐场景，由于其场景具有推荐低频性、单次推荐的游戏礼包数量较少等特性，使得用户与游戏礼包之间的交互数据较少，存在数据稀疏问题，不利于根据运营经验或推荐算法进行游戏礼包推荐，推荐效果不佳，导致用户对所推荐的游戏礼包的采用率较低。
技术实现思路
1、鉴于上述问题，本申请提出了一种基于超图神经网络的道具组合推荐方法、装置、计算设备及计算机存储介质，用于解决以下问题：现有的推荐方式推荐效果不佳。
2、根据本申请实施例的一个方面，提供了一种基于超图神经网络的道具组合推荐方法，包括：
3、获取道具组合推荐相关数据作为训练数据；
4、分析训练数据，确定用户节点、道具组合节点以及道具节点，构建用户道具组合超图以及用户道具超图；
5、利用超图神经网络，分别对用户道具组合超图和用户道具超图进行处理，并进行多任务学习，得到目标数据；
6、依据目标数据，为待推荐用户确定待推荐道具组合。
7、进一步地，道具组合推荐相关数据包括：用户数据、道具组合数据、道具数据、各
8、进一步地，分析训练数据，确定用户节点、道具组合节点以及道具节点，构建用户道具组合超图以及用户道具超图进一步包括：
9、分析训练数据，提取各个用户标识、各个道具组合标识以及各个道具标识，并确定用户与道具之间的第一交互关系、用户与道具组合之间的第二交互关系、各个用户的相似用户、各个道具的相似道具、各个道具组合的相似道具组合以及道具组合与道具之间的隶属关系；
10、依据各个用户标识、各个道具组合标识以及各个道具标识对应确定用户节点、道具组合节点以及道具节点；
11、依据第一交互关系、第二交互关系、各个用户的相似用户、各个道具组合的相似道具组合以及隶属关系，进行超边提取，构建用户道具组合超图；
12、依据第一交互关系、各个用户的相似用户以及各个道具的相似道具，在各个用户所交互的道具与各个用户的相似用户之间建立关联关系，在各个道具的相似道具以及与道具存在第一交互关系的用户之间建立关联关系，进行超边提取，构建用户道具超图。
13、进一步地，在用户道具组合超图中，以用户节点与道具组合节点作为目标节点；
14、在用户道具超图中，以用户节点与道具节点作为目标节点。
15、进一步地，利用超图神经网络，分别对用户道具组合超图和用户道具超图进行处理，并进行多任务学习，得到目标数据进一步包括：
16、利用超图神经网络中的卷积层，分别对用户道具组合超图和用户道具超图进行信息传递与卷积处理，得到用户道具组合超图中各个超边的处理结果以及用户道具超图中各个超边的处理结果；
17、分别聚合用户道具组合超图中各个超边的处理结果以及用户道具超图中各个超边的处理结果，得到第一聚合结果和第二聚合结果；
18、依据第一聚合结果和第二聚合结果进行多任务学习，得到目标数据。
19、进一步地，分别聚合用户道具组合超图中各个超边的处理结果以及用户道具超图中各个超边的处理结果，得到第一聚合结果和第二聚合结果进一步包括：
20、采用权重衰减方式，对用户道具组合超图中各个超边的处理结果进行加权聚合，得到第一聚合结果；
21、采用权重衰减方式，对用户道具超图中各个超边的处理结果进行加权聚合，得到第二聚合结果。
22、进一步地，依据第一聚合结果和第二聚合结果进行多任务学习，得到目标数据进一步包括：
23、采用贝叶斯个性化排序损失函数，对第一聚合结果和第二聚合结果进行多任务学习，得到目标数据。
24、进一步地，目标数据包括：各个用户的特征向量和各个道具组合的特征向量。
25、进一步地，依据目标数据，为待推荐用户确定待推荐道具组合进一步包括：
26、计算各个用户的特征向量与各个道具组合的特征向量之间的相似度；
27、针对每个用户，按照相似度从高到低的顺序对各个道具组合进行排列，确定该用户的推荐结果；其中，推荐结果中记录有用户与待推荐道具组合之间的对应关系；
28、从各个推荐结果中查找与待推荐用户对应的待推荐道具组合，并将待推荐道具组合推荐给待推荐用户。
29、进一步地，依据目标数据，为待推荐用户确定待推荐道具组合进一步包括：
30、从各个用户的特征向量中查找待推荐用户的特征向量，并计算待推荐用户的特征向量与各个道具组合的特征向量之间的相似度；
31、按照相似度从高到低的顺序对各个道具组合进行排列，确定待推荐用户的待推荐道具组合；
32、将待推荐道具组合推荐给待推荐用户。
33、根据本申请实施例的另一方面，提供了一种基于超图神经网络的道具组合推荐装置，包括：
34、获取模块，适于获取道具组合推荐相关数据作为训练数据；
35、超图构建模块，适于分析训练数据，确定用户节点、道具组合节点以及道具节点，构建用户道具组合超图以及用户道具超图；
36、处理模块，适于利用超图神经网络，分别对用户道具组合超图和用户道具超图进行处理，并进行多任务学习，得到目标数据；
37、推荐模块，适于依据目标数据，为待推荐用户确定待推荐道具组合。
38、根据本申请实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
39、存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于超图神经网络的道具组合推荐方法对应的操作。
40、根据本申请实施例的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述基于超图神经网络的道具组合推荐方法对应的操作。
41、根据本申请实施例提供的基于超图神经网络的道具组合推荐方法、装置、计算设备及计算机存储介质，利用道具构成游戏礼包，将道具作为桥梁，充分分析训练数据，从多个维度进行超边提取，构建得到用户道具组合超图以及用户道具超图，有助于削弱用户与道具组合之间的交互数据稀疏的影响；将超图神经网络应用至游戏礼包推荐场景中，充分发挥道具在游戏礼包推荐中的桥梁作用，能够得到目标数据，实现了对用户和道具组合的有效表征；依据目标数据进行道具组合推荐，有效提升了道具组合推荐的精准度，提高用户对所推荐的道具组合的采用率，极大地本文档来自技高网...
【技术保护点】
1.一种基于超图神经网络的道具组合推荐方法，包括：
2.根据权利要求1所述的方法，所述道具组合推荐相关数据包括：用户数据、道具组合数据、道具数据、各个用户针对道具组合的交互数据以及各个用户针对道具的交互数据。
3.根据权利要求1或2所述的方法，所述分析所述训练数据，确定用户节点、道具组合节点以及道具节点，构建用户道具组合超图以及用户道具超图进一步包括：
4.根据权利要求1-3任一项所述的方法，在所述用户道具组合超图中，以所述用户节点与所述道具组合节点作为目标节点；
5.根据权利要求1-4任一项所述的方法，所述利用超图神经网络，分别对所述用户道具组合超图和所述用户道具超图进行处理，并进行多任务学习，得到目标数据进一步包括：
6.根据权利要求5所述的方法，所述分别聚合所述用户道具组合超图中各个超边的处理结果以及所述用户道具超图中各个超边的处理结果，得到第一聚合结果和第二聚合结果进一步包括：
7.根据权利要求5所述的方法，所述依据所述第一聚合结果和所述第二聚合结果进行多任务学习，得到所述目标数据进一步包括：
...【技术特征摘要】
1.一种基于超图神经网络的道具组合推荐方法，包括：
2.根据权利要求1所述的方法，所述道具组合推荐相关数据包括：用户数据、道具组合数据、道具数据、各个用户针对道具组合的交互数据以及各个用户针对道具的交互数据。
3.根据权利要求1或2所述的方法，所述分析所述训练数据，确定用户节点、道具组合节点以及道具节点，构建用户道具组合超图以及用户道具超图进一步包括：
4.根据权利要求1-3任一项所述的方法，在所述用户道具组合超图中，以所述用户节点与所述道具组合节点作为目标节点；
5.根据权利要求1-4任一项所述的方法，所述利用超图神经网络，分别对所述用户道具组合超图和所述用户道具超图进行处理，并进行多任务学习，得到目标数据进一步包括：
6.根据权利要求5所述的方法，所述分别聚合所述用户道具组合超图中各个超边的处理结果以及所述用户道具超图中各个超边的处理结果，得到第一聚合结果和第二聚合结果进一步包括：<...
【专利技术属性】
技术研发人员：王磊，
申请(专利权)人：上海幻电信息科技有限公司，
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。