对象推荐方法以及装置制造方法及图纸

本说明书实施例提供对象推荐方法以及装置，其中对象推荐方法包括：获取目标用户的用户信息、预先学习得到的域内交互信息和跨域交互信息，其中，域内交互信息表征数据域内部用户与交互对象的交互，跨域交互信息表征多个数据域之间用户与交互对象的间接交互；基于用户信息、域内交互信息以及跨域交互信息，确定目标交互对象；向目标用户推荐目标交互对象。本方案在做对象推荐时不仅考虑了用户与交互对象的域内交互信息还考虑了用户与交互对象之间更高阶更深层次的跨域交互信息，则确定的目标交互对象更加符合目标用户的喜好，提高了对象推荐的准确性。象推荐的准确性。象推荐的准确性。

【技术实现步骤摘要】
对象推荐方法以及装置


[0001]本说明书实施例涉及数据处理
，特别涉及一种对象推荐方法。

技术介绍

[0002]随着互联网的快速发展，网络上信息资源迅猛增长，用户从海量的文本、视频、图像和商品等资源中找到符合自己需求的信息变得十分困难。为了改善用户体验，推出了能够为用户进行个性化推荐的推荐系统，该推荐系统通过对用户的历史行为数据的研究，统计分析出用户的兴趣偏好，从而向用户推荐符合其需求的资源。
[0003]但目前不少的项目遇到了数据稀疏的问题，这一问题导致很多推荐系统的推荐效果受影响，为了解决这一问题，跨域推荐方法(CDR，Cross
‑
domain Recommendation)被提出，即针对某数据域数据稀疏的问题，可以根据用户在其他数据域的历史行为数据为用户在该数据域推荐对象，但由于该种方式涉及到跨域，相对于域内推荐的方式准确性比较低，因此，亟需一种能够准确实现对象推荐的方法。

技术实现思路

[0004]有鉴于此，本说明书实施例提供了一种对象推荐方法。本说明书一个或者多个实施例同时涉及一种对象推荐装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
[0005]根据本说明书实施例的第一方面，提供了一种对象推荐方法，包括：
[0006]获取目标用户的用户信息、预先学习得到的域内交互信息和跨域交互信息，其中，所述域内交互信息表征数据域内部用户与交互对象的交互，所述跨域交互信息表征多个数据域之间用户与交互对象的间接交互；
[0007]基于所述用户信息、所述域内交互信息以及所述跨域交互信息，确定目标交互对象；
[0008]向所述目标用户推荐所述目标交互对象。
[0009]根据本说明书实施例的第二方面，提供了一种对象推荐装置，包括：
[0010]获取模块，被配置为获取目标用户的用户信息、预先学习得到的域内交互信息和跨域交互信息，其中，所述域内交互信息表征数据域内部用户与交互对象的交互，所述跨域交互信息表征多个数据域之间用户与交互对象的间接交互；
[0011]确定模块，被配置为基于所述用户信息、所述域内交互信息以及所述跨域交互信息，确定目标交互对象；
[0012]推荐模块，被配置为向所述目标用户推荐所述目标交互对象。
[0013]根据本说明书实施例的第三方面，提供了一种计算设备，包括：
[0014]存储器和处理器；
[0015]所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述对象推荐方法的步骤。
[0016]根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述对象推荐方法的步骤。
[0017]根据本说明书实施例的第五方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述对象推荐方法的步骤。
[0018]本说明书一个实施例实现了获取目标用户的用户信息、预先学习得到的域内交互信息和跨域交互信息，其中，域内交互信息表征数据域内部用户与交互对象的交互，跨域交互信息表征多个数据域之间用户与交互对象的间接交互；基于用户信息、域内交互信息以及跨域交互信息，确定目标交互对象；向目标用户推荐该目标交互对象。即在本方案中，预先学习了数据域内部用户与交互对象的域内交互信息，以及不同数据域之间用户与交互对象的跨域交互信息，由于用户与交互对象在域内有交互说明用户对该交互对象很感兴趣，则可以向用户推荐该交互对象，而不同数据域之间用户与交互对象存在间接交互关系，说明用户与交互对象可能目前没有交互，但根据用户之间的跨域关联、交互对象之间的跨域关联、以及用户与交互对象的域内交互关系，可以确定该用户与该交互对象很可能会有交互，所以在向用户推荐对象时可以推荐该交互对象，即本方案提取了用户与交互对象之间更高阶更深层次的跨域交互信息，在做对象推荐时考虑了更丰富的交互信息，则确定的目标交互对象更加符合目标用户的喜好，提高了对象推荐的准确性，并且在某个数据域数据稀疏的情况下，由于提取了不同数据域之间用户与交互对象的间接交互关系，则能够基于该间接交互关系为用户在该数据域实现精准地对象推荐。
附图说明
[0019]图1示出了根据本说明书一个实施例提供的一种在对象推荐系统下执行对象推荐方法的处理流程图；
[0020]图2示出了根据本说明书一个实施例提供的另一种在对象推荐系统下执行对象推荐方法的处理流程图；
[0021]图3示出了根据本说明书一个实施例提供的一种对象推荐方法的流程图；
[0022]图4示出了根据本说明书一个实施例提供的一种目标交互对象显示的页面示意图；
[0023]图5示出了根据本说明书一个实施例提供的一种推荐模型训练方法的流程图；
[0024]图6示出了根据本说明书一个实施例提供的一种域内交互图的示意图；
[0025]图7示出了根据本说明书一个实施例提供的一种跨域交互图的示意图；
[0026]图8示出了根据本说明书一个实施例提供的另一种跨域交互图的示意图；
[0027]图9示出了根据本说明书一个实施例提供的又一种跨域交互图的示意图；
[0028]图10示出了根据本说明书一个实施例提供的一种基于跨域交互图确定关联特征向量的示意图；
[0029]图11示出了根据本说明书一个实施例提供的一种特征向量的处理流程图；
[0030]图12示出了根据本说明书一实施例提供的一种推荐模型训练方法的流程图；
[0031]图13示出了本说明书一个实施例提供的一种应用于流量营销场景的对象推荐方法的处理过程流程图；
[0032]图14示出了本说明书一个实施例提供的一种对象推荐装置的结构示意图；
[0033]图15示出了根据本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
[0034]在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
[0035]在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0036]应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对象推荐方法，包括：获取目标用户的用户信息、预先学习得到的域内交互信息和跨域交互信息，其中，所述域内交互信息表征数据域内部用户与交互对象的交互，所述跨域交互信息表征多个数据域之间用户与交互对象的间接交互；基于所述用户信息、所述域内交互信息以及所述跨域交互信息，确定目标交互对象；向所述目标用户推荐所述目标交互对象。2.根据权利要求1所述的方法，基于所述用户信息、所述域内交互信息以及所述跨域交互信息，确定目标交互对象之前，还包括：获取交互对象集，其中，所述交互对象集包括多个交互对象的交互对象信息；基于所述用户信息、所述域内交互信息以及所述跨域交互信息，确定目标交互对象，包括：基于所述用户信息、所述多个交互对象的交互对象信息、所述域内交互信息以及所述跨域交互信息，从所述交互对象集中确定目标交互对象。3.根据权利要求1或2所述的方法，所述域内交互信息和所述跨域交互信息为对推荐模型预先训练得到，所述推荐模型为机器学习模型；基于所述用户信息、所述域内交互信息以及所述跨域交互信息，确定目标交互对象，包括：将所述用户信息输入推荐模型，经所述推荐模型利用所述域内交互信息和所述跨域交互信息对所述用户信息进行运算，获得目标交互对象。4.根据权利要求3所述的方法，所述推荐模型包括图神经网络和超图神经网络，将所述用户信息输入推荐模型之前，还包括：获取至少两个数据域的多个样本组以及每个样本组对应的交互标签，其中，所述样本组包括用户和交互对象，所述交互标签用于表征用户与交互对象是否存在交互关系；基于所述多个样本组，构建每个数据域分别对应的域内交互图，以及不同数据域之间的跨域交互图；针对每个数据域，利用所述图神经网络，对该数据域对应的域内交互图中当前节点的特征信息以及邻居节点的特征信息进行聚合处理，获得所述当前节点的交互特征向量，其中，所述当前节点是所述域内交互图中的任一节点，所述当前节点为用户或交互对象，所述邻居节点为与所述当前节点存在交互关系的节点；利用所述超图神经网络，对所述跨域交互图中参考节点的特征信息以及目标节点的特征信息进行聚合处理，获得所述参考节点的关联特征向量，其中，所述参考节点是所述跨域交互图中的任一节点，所述目标节点是与所述参考节点之间存在超边的节点；基于所述关联特征向量、所述交互特征向量，确定每个样本组对应的预测交互指标，其中，所述预测交互指标用于表征用户与交互对象产生交互的概率；基于每个样本组对应的预测交互指标和每个样本组对应的交互标签，调整所述推荐模型的参数，直至达到训练停止条件，获得推荐模型。5.根据权利要求4所述的方法，基于所述多个样本组，构建每个数据域分别对应的域内交互图，以及不同数据域之间的跨域交互图，包括：根据同一个数据域中多个样本组包括的用户和交互对象、以及每个样本组对应的交互
标签，构建该数据域对应的域内交互图；若根据所述至少两个数据域的多个样本组确定多个第一样本与同一个第二样本存在交互关系，根据所述多个第一样本的特征信息构建跨域交互图，其中，所述第一样本与所述第二样本是不同类型，所述第一样本是用户或交互对象。6.根据权利要求4或5所述的方法，所述参考节点为用户，基于所述关联特征向量、每个数据域中每个用户的交互特征向量和每个交互对象的交互特征向量，确定每个样本组对应的预测交互指标，包括：针对第一数据域中的每个用户，将该用户的交互特征向量和关联特征向量进行拼接，得到合并特征向量，其中，所述第一数据域是所述至少两个数据域中的任意一个；将每个用户的合并特征向量和每个交互对象的交互特征向量映射至具备层次结构表达能力的数据空间，得到所述第一数据域中每个用户的增强特征向量和每个交互对象的增强特征向量；基于所述第一数据域中每个用户的增强特征向量和每个交互对象的增强特征向量，确定所述第一数据域中每个样本组对应的预测交互指标。7.根据权利要求4或5所述的方法，所述参考节点为交互对象，基于所述关联特征向量、每个数据域中每个用户的交互特征向量和每个交互对象的交互特征向量，...

【专利技术属性】
技术研发人员：陶学文，郭晓波，李少帅，刘小雷，郭乃诚，梁倩乔，
申请(专利权)人：浙江网商银行股份有限公司，
类型：发明
国别省市：