偏好预测方法、装置及计算机设备制造方法及图纸

本申请涉及一种偏好预测方法、装置及计算机设备。该方法包括：获取包括组合节点和边的网络图；所述组合节点，用于表征用户和对象的组合；所述组合节点中的一部分组合节点，携带所表征组合中用户对所述组合中的对象的偏好度；根据所述网络图中建边的组合节点之间的组合相似度，对所述网络图进行划分，得到至少一个子网络；同一子网络中包括聚为一类的组合节点；从同一子网络中组合节点携带的各偏好度中，选取所述子网络中的组合节点对应的目标偏好度。本申请方案能够节省成本。

Preference prediction methods, devices and computer equipment

【技术实现步骤摘要】
偏好预测方法、装置及计算机设备
本专利技术涉及计算机技术和机器学习
，特别是涉及一种偏好预测方法、装置及计算机设备。
技术介绍
随着科学技术的飞速发展，机器学习技术越来越受到重视。机器学习技术被应用的场景越来越多，比如，通过机器学习技术来预测用户的偏好。传统方法中，在通过机器学习技术预测用户偏好时，需要准备大量具有真实偏好分值的样本数据，进行有监督地机器学习训练，生成机器学习模型。进而基于该机器学习模型，来预测用户偏好。这样一来，大量的偏好分值作为样本数据，就需要耗费较多的成本。
技术实现思路
基于此，有必要针对传统方法成本比较高的问题，提供一种偏好预测方法、装置、计算机设备及存储介质。一种偏好预测方法，方法包括：获取包括组合节点和边的网络图；组合节点，用于表征用户和对象的组合；所述组合节点中的一部分组合节点，携带所表征组合中用户对组合中的对象的偏好度；根据网络图中建边的组合节点之间的组合相似度，对网络图进行划分，得到至少一个子网络；同一子网络中包括聚为一类的组合节点；从同一子网络中组合节点携带的各偏好度中，选取所述子网络中的组合节点对应的目标偏好度。在一个实施例中，获取包括组合节点和边的网络图包括：获取至少两个组合特征；组合特征，是组合的特征；组合为用户和对象的组合；将组合特征映射为空间中的组合节点，并根据组合特征，确定两两组合节点之间的组合相似度；在组合相似度大于或等于相似度阈值的组合节点之间建边，生成网络图。>在一个实施例中，获取至少两个组合特征包括：获取至少两组数据；同组数据中包括用户数据和对象数据；用户数据所对应的用户和对象数据所对应的对象，属于同一组合；从用户数据中提取用户特征，以及从对象数据中提取对象特征；将对应于同组数据的用户特征和对象特征进行组合，生成组合特征。在一个实施例中，根据网络图中建边的组合节点之间的组合相似度，对网络图进行划分，得到至少一个子网络包括：根据网络图中各边对应的组合节点之间的组合相似度，确定组合节点之间的转移概率；转移概率与组合相似度正相关；按照转移概率在网络图中进行随机游走，确定随机游走过程中各组合节点的第一出现概率和聚类类别的第二出现概率；根据第一出现概率和第二出现概率，确定对随机游走的结果进行编码所生成的序列的最短平均编码长度；通过最小化最短平均编码长度，将网络图中各组合节点进行聚类，得到至少一个子网络。在一个实施例中，根据第一出现概率和第二出现概率，确定对随机游走的结果进行编码所生成的序列的最短平均编码长度包括：根据第一出现概率，确定对随机游走的结果进行编码所生成的序列中同一聚类类别内的组合节点的第一最短平均编码长度；根据第二出现概率，确定序列中聚类类别的第二最短平均编码长度；根据第一最短平均编码长度和第二最短平均编码长度，确定序列的最短平均编码长度。在一个实施例中，在网络图中，组合相似度大于或等于相似度阈值的组合节点之间建边；在从同一子网络中组合节点携带的各偏好度中，选取所述子网络中的组合节点对应的目标偏好度之前，方法还包括：步进地调整相似度阈值，并根据每次步进调整后的相似度阈值，更新网络图中的边；针对每次更新后的网络图，执行根据网络图中建边的组合节点之间的组合相似度，对网络图进行划分，得到至少一个子网络的步骤，直至满足步进停止条件；从各次划分得到的子网络划分结果中，选取目标子网络划分结果，得到最终的至少一个子网络；在目标子网络划分结果的每个子网络中包含至少一个携带偏好度的组合节点。在一个实施例中，从同一子网络中组合节点携带的各偏好度中，选取所述子网络中的组合节点对应的目标偏好度包括：根据同一子网络中组合节点携带的各偏好度的占比，从各所述偏好度中，选取所述子网络中的组合节点对应的目标偏好度；其中，所述目标偏好度的所述占比高于非目标偏好度的所述占比。在一个实施例中，根据同一子网络中组合节点携带的各偏好度的占比，从各偏好度中，选取子网络中的组合节点对应的目标偏好度包括：针对每个子网络，确定子网络中组合节点携带的各偏好度的占比；确定子网络中未携带偏好度的组合节点，得到待预测组合节点；从子网络的各偏好度中，选取占比最高的偏好度作为待预测组合节点对应的目标偏好度。在一个实施例中，从同一子网络中组合节点携带的各偏好度中，选取所述子网络中的组合节点对应的目标偏好度包括：确定同一子网络中组合节点的聚类中心；根据各组合节点距所述聚类中心的距离大小，从所述子网络中组合节点所携带的各偏好度中，选取所述子网络中的组合节点对应的目标偏好度；其中，所述目标偏好度对应的组合节点距所述聚类中心的距离，小于所述各偏好度中非目标偏好度距所述聚类中心的距离。在一个实施例中，所述组合节点中的一部分组合节点具有对应的历史行为数据；历史行为数据，用于描述相应组合节点所表征组合中用户针对组合中对象产生的历史行为；方法还包括：针对该一部分组合节点中每个组合节点，根据组合节点对应的历史行为数据，确定组合节点所表征组合中用户对组合中的对象的偏好度；对应于组合节点标记偏好度。在一个实施例中，历史行为数据包括至少两种行为的历史行为数据；根据组合节点对应的历史行为数据，确定组合节点所表征组合中用户对组合中的对象的偏好度包括：确定各行为的历史行为数据所对应的行为偏好分值；获取各行为对应的行为权重；对各行为偏好分值按照相应权重进行加权平均处理，得到组合节点所表征组合中用户对组合中的对象的偏好度。在一个实施例中，确定各行为的历史行为数据所对应的行为偏好分值包括：针对每种行为，根据行为的历史行为数据，分别确定行为对应的第一分值、第二分值和第三分值；第一分值，用于表征距最近一次产生行为的间隔时长；第二分值，用于表征行为在预设时间段内产生的次数；第三分值，用于表征行为产生的价值表征值；根据第一分值、第二分值和第三分值，确定行为对应的行为偏好分值。在一个实施例中，偏好度为偏好等级；对各行为偏好分值按照相应权重进行加权平均处理，得到组合节点所表征组合中用户对组合中的对象的偏好度包括：将各行为偏好分值按照相应权重进行加权平均处理，得到组合节点所对应的偏好分值；根据该一部分组合节点中各组合节点所对应的偏好分值中的最大值和最小值，确定偏好分值总区间；将偏好分值总区间划分为与各预设的偏好等级对应的偏好等级区间；将该一部分组合节点中各组合节点所对应的偏好分值映射到对应的偏好等级区间，得到组合节点所对应的偏好等级。在一个实施例中，方法还包括：根据网络图中各组合节点对应的目标偏好度，确定目标用户所偏好的对象；生成针对所偏好的对象的第一推荐信息，并向目标用户所对应终端发送第一推荐信息；或，根据网络图中各组合节点对应的目标本文档来自技高网...

【技术保护点】
1.一种偏好预测方法，所述方法包括：/n获取包括组合节点和边的网络图；所述组合节点，用于表征用户和对象的组合；所述组合节点中的一部分组合节点，携带所表征组合中用户对所述组合中的对象的偏好度；/n根据所述网络图中建边的组合节点之间的组合相似度，对所述网络图进行划分，得到至少一个子网络；同一子网络中包括聚为一类的组合节点；/n从同一子网络中组合节点携带的各偏好度中，选取所述子网络中的组合节点对应的目标偏好度。/n

【技术特征摘要】
1.一种偏好预测方法，所述方法包括：
获取包括组合节点和边的网络图；所述组合节点，用于表征用户和对象的组合；所述组合节点中的一部分组合节点，携带所表征组合中用户对所述组合中的对象的偏好度；
根据所述网络图中建边的组合节点之间的组合相似度，对所述网络图进行划分，得到至少一个子网络；同一子网络中包括聚为一类的组合节点；
从同一子网络中组合节点携带的各偏好度中，选取所述子网络中的组合节点对应的目标偏好度。


2.根据权利要求1所述的方法，其特征在于，所述获取包括组合节点和边的网络图包括：
获取至少两个组合特征；所述组合特征，是组合的特征；所述组合为用户和对象的组合；
将所述组合特征映射为空间中的组合节点，并根据所述组合特征，确定两两组合节点之间的组合相似度；
在组合相似度大于或等于相似度阈值的组合节点之间建边，生成网络图。


3.根据权利要求2所述的方法，其特征在于，所述获取至少两个组合特征包括：
获取至少两组数据；同组数据中包括用户数据和对象数据；所述用户数据所对应的用户和所述对象数据所对应的对象，属于同一组合；
从所述用户数据中提取用户特征，以及从所述对象数据中提取对象特征；
将对应于同组数据的用户特征和对象特征进行组合，生成组合特征。


4.根据权利要求1所述的方法，其特征在于，所述根据所述网络图中建边的组合节点之间的组合相似度，对所述网络图进行划分，得到至少一个子网络包括：
根据所述网络图中各边对应的组合节点之间的组合相似度，确定所述组合节点之间的转移概率；所述转移概率与所述组合相似度正相关；
按照所述转移概率在所述网络图中进行随机游走，确定随机游走过程中各组合节点的第一出现概率和聚类类别的第二出现概率；
根据所述第一出现概率和所述第二出现概率，确定对随机游走的结果进行编码所生成的序列的最短平均编码长度；
通过最小化所述最短平均编码长度，将所述网络图中各组合节点进行聚类，得到至少一个子网络。


5.根据权利要求1所述的方法，其特征在于，在所述网络图中，组合相似度大于或等于相似度阈值的组合节点之间建边；
在所述从同一子网络中组合节点携带的各偏好度中，选取所述子网络中的组合节点对应的目标偏好度之前，所述方法还包括：
步进地调整所述相似度阈值，并根据每次步进调整后的相似度阈值，更新所述网络图中的边；
针对每次更新后的网络图，执行所述根据所述网络图中建边的组合节点之间的组合相似度，对所述网络图进行划分，得到至少一个子网络的步骤，直至满足步进停止条件；
从各次划分得到的子网络划分结果中，选取目标子网络划分结果，得到最终的至少一个子网络；在所述目标子网络划分结果的每个子网络中包含至少一个携带偏好度的组合节点。


6.根据权利要求1所述的方法，其特征在于，所述从同一子网络中组合节点携带的各偏好度中，选取所述子网络中的组合节点对应的目标偏好度包括：
根据同一子网络中组合节点携带的各偏好度的占比，从各所述偏好度中，选取所述子网络中的组合节点对应的目标偏好度；
其中，所述目标偏好度的所述占比高于非目标偏好度的所述占比。


7.根据权利要求6所述的方法，其特征在于，所述根据同一子网络中组合节点携带的各偏好度的占比，从各所述偏好度中，选取所述子网络中的组合节点对应的目标偏好度包括：
针对每个子网络，确定所述子网络中组合节点携带的各偏好度的占比；
确定所述子网络中未携带偏好度的组合节点，得到待预测组合节点；
从所述子网络的各所述偏好度中，选取占比最高的偏好度作为所述待预测组合节点对应的目标偏好度。


8.根据权利要求1所述的方法，其特征在于，所述从同一子网络中组合节点携带的各偏好度中，选取所述子网络中的组合节点对应的目标偏好度包括：
确定同一...

【专利技术属性】
技术研发人员：刘志煌，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44