【技术实现步骤摘要】
本申请涉及数据处理领域，具体涉及一种信息推荐方法、装置及设备。
技术介绍
1、随着互联网的快速发展，为人们的生活带来了许多便利，同时也带了海量的数据信息。在推荐场景中，可以为用户有针对性地推荐感兴趣的推荐信息。
2、目前主流的推荐方法根据用户的交互历史建模用户的偏好特征，将与用户偏好特征相似的信息推荐给用户。但是，这类方法存在数据利用不充分，推荐结果准确性不足的问题。
技术实现思路
1、有鉴于此，本申请实施例提供一种信息推荐方法、装置及设备，以提高信息推荐的准确性。
2、为解决上述问题，本申请实施例提供的技术方案如下：
3、一种信息推荐方法，所述方法包括：
4、获取用户交互真实数据；
5、根据所述用户交互真实数据，生成真实用户信息与真实推荐信息的交互图、所述真实用户信息的嵌入向量以及所述真实推荐信息的嵌入向量；
6、利用神经网络，根据所述用真实用户信息与真实推荐信息的交互图、所述真实用户信息的嵌入向量以及所述真实推荐信息的嵌入向量，提取真实交互特征；所述神经网络的最优参数基于用户交互训练数据训练得到；
7、将所述真实交互特征赋值给所述真实用户信息的嵌入向量以及所述真实推荐信息的嵌入向量，得到处理后的真实用户信息的嵌入向量以及处理后的真实推荐信息的嵌入向量；
8、计算所述处理后的真实用户信息的嵌入向量与所述处理后的真实推荐信息的嵌入向量的内积，得到所述真实用户信息对所述真实推荐信息的偏好得
9、将所述偏好得分在预设排序范围的真实推荐信息进行推荐。
10、在一种可能的实现方式中，所述神经网络的最优参数的训练过程，包括：
11、获取用户交互训练数据；
12、根据所述用户交互训练数据，生成用户信息与推荐信息的交互图、所述用户信息的嵌入向量以及所述推荐信息的嵌入向量；
13、利用神经网络，根据所述用户信息与推荐信息的交互图、所述用户信息的嵌入向量以及所述推荐信息的嵌入向量，提取交互特征；
14、将所述交互特征赋值给所述用户信息的嵌入向量以及所述推荐信息的嵌入向量，得到处理后的用户信息的嵌入向量以及处理后的推荐信息的嵌入向量；
15、计算所述处理后的用户信息的嵌入向量与所述处理后的推荐信息的嵌入向量的内积，得到所述用户信息对所述推荐信息的预测偏好得分；
16、通过所述预测偏好得分与所述用户信息对所述推荐信息的实际偏好得分，计算损失值；
17、根据所述损失值调整所述神经网络的参数值，重复执行所述利用神经网络，根据所述用户信息与推荐信息的交互图、所述用户信息的嵌入向量以及所述推荐信息的嵌入向量，提取交互特征以及后续步骤，直到达到预设条件，输出所述神经网络的最优参数。
18、在一种可能的实现方式中，所述根据所述用户交互训练数据，生成用户信息与推荐信息的交互图、所述用户信息的嵌入向量以及所述推荐信息的嵌入向量，包括：
19、根据所述用户交互训练数据，建立包括用户信息、推荐信息以及所述用户信息与所述推荐信息的关系的三元组，由所述三元组组成用户信息与推荐信息的交互图；
20、基于正态分布，由所述交互图初始化生成用户信息的嵌入向量以及推荐信息的嵌入向量。
21、在一种可能的实现方式中，所述利用神经网络，根据所述用户信息与推荐信息的交互图、所述用户信息的嵌入向量以及所述推荐信息的嵌入向量，提取交互特征，包括：
22、利用所述神经网络中的第一神经网络，将所述用户信息的嵌入向量分解为用户信息在k个意图下的嵌入向量，将所述推荐信息的嵌入向量分解为推荐信息在k个意图下的嵌入向量；
23、利用所述神经网络中的图卷积神经网络，根据所述交互图中每个用户信息关联的推荐信息集合、每个推荐信息关联的用户信息集合以及所述推荐信息在k个意图下的嵌入向量，得到用户信息在k个意图下的交互特征，根据所述交互图中每个用户信息关联的推荐信息集合、每个推荐信息关联的用户信息集合以及所述用户信息在k个意图下的嵌入向量，得到推荐信息在k个意图下的交互特征；
24、将所述交互特征赋值给所述用户信息的嵌入向量以及所述推荐信息的嵌入向量，得到处理后的用户信息的嵌入向量以及处理后的推荐信息的嵌入向量。
25、在一种可能的实现方式中，所述将所述交互特征赋值给所述用户信息的嵌入向量以及所述推荐信息的嵌入向量，得到处理后的用户信息的嵌入向量以及处理后的推荐信息的嵌入向量，包括：
26、将所述用户特征在k个意图下的交互特征赋值给所述用户信息在k个意图下的嵌入向量，得到处理后的用户信息的嵌入向量，将所述推荐信息在k个意图下的交互特征赋值给所述推荐信息在k个意图下的嵌入向量，得到处理后的推荐信息的嵌入向量。
27、在一种可能的实现方式中，所述将所述用户特征在k个意图下的交互特征赋值给所述用户信息在k个意图下的嵌入向量，得到处理后的用户信息的嵌入向量，将所述推荐信息在k个意图下的交互特征赋值给所述推荐信息在k个意图下的嵌入向量，得到处理后的推荐信息的嵌入向量，包括：
28、利用所述神经网络中的第二神经网络，根据所述用户信息在k个意图下的嵌入向量，计算k个意图对用户信息的贡献度，根据所述推荐信息在k个意图下的嵌入向量，计算k个意图对推荐信息的贡献度；
29、将k个意图对用户信息的贡献度与所述用户特征在k个意图下的交互特征加权求和，得到处理后的用户信息的嵌入向量，将k个意图对推荐信息的贡献度与所述推荐信息在k个意图下的交互特征加权求和，得到处理后的推荐信息的嵌入向量。
30、在一种可能的实现方式中，所述方法还包括：
31、获取用户基础训练数据，生成所述基础训练数据中各个用户基础信息的嵌入向量；
32、利用所述神经网络中的第三神经网络，根据所述用户信息在k个意图下的嵌入向量以及用户基础信息的嵌入向量，计算各个用户基础信息对用户信息的贡献度；
33、将各个用户基础信息对用户信息的贡献度与对应的用户基础信息的嵌入向量加权求和，得到所述用户信息的显式特征向量；
34、将所述处理后的用户信息的嵌入向量与所述用户信息的显式特征向量相加，重新得到所述处理后的用户信息的嵌入向量。
35、一种信息推荐装置，所述装置包括：
36、第一获取单元，用于获取用户交互真实数据；
37、第一生成单元，用于单元根据所述用户交互真实数据，生成真实用户信息与真实推荐信息的交互图、所述真实用户信息的嵌入向量以及所述真实推荐信息的嵌入向量；
38、第一提取单元，用于利用神经网络，根据所述用真实用户信息与真实推荐信息的交互图、所述真实用户信息的嵌入向量以及所述真实推荐信息的嵌入向量，提取真实交互特征；所述神经网络的最优参数基于用户交互训练数据训练得到；
39、第一赋值单元，用于将本文档来自技高网...
【技术保护点】
1.一种信息推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述神经网络的最优参数的训练过程，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述用户交互训练数据，生成用户信息与推荐信息的交互图、所述用户信息的嵌入向量以及所述推荐信息的嵌入向量，包括：
4.根据权利要求2所述的方法，其特征在于，所述利用神经网络，根据所述用户信息与推荐信息的交互图、所述用户信息的嵌入向量以及所述推荐信息的嵌入向量，提取交互特征，包括：
5.根据权利要求4所述的方法，其特征在于，所述将所述交互特征赋值给所述用户信息的嵌入向量以及所述推荐信息的嵌入向量，得到处理后的用户信息的嵌入向量以及处理后的推荐信息的嵌入向量，包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述用户特征在k个意图下的交互特征赋值给所述用户信息在k个意图下的嵌入向量，得到处理后的用户信息的嵌入向量，将所述推荐信息在k个意图下的交互特征赋值给所述推荐信息在k个意图下的嵌入向量，得到处理后的推荐信息的嵌入向量，包括：
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。