信息推荐模型训练方法和装置、信息推荐方法和装置与流程

本公开涉及计算机，具体涉及人工智能，尤其涉及信息推荐模型训练方法和装置、信息推荐方法和装置、电子设备、计算机可读存储介质。

背景技术：

1、用户在电商场景浏览物品时，可能点击各种引流物品，进而跳转到包含引流物品的相关推荐场景，进一步了解引流物品的具体信息，并且用户可能在此场景下发生各种行为。用户点击引流物品时，其即时兴趣已经明显的反映出来了，对于基于引流物品的推荐是一个明显信号。

2、目标信息推荐常见模型，一般只考虑用户个性化兴趣，无法满足用户在某一个时间段关注同一兴趣的需求；或者一般只考虑引流物品的相关性进行推荐，推荐结果聚焦在引流物品上，无法满足用户个性化兴趣，模型的推荐结果的准确性和用户体验均较差。

技术实现思路

1、本公开的实施例提出了信息推荐模型训练方法和装置、信息推荐方法和装置、电子设备、计算机可读存储介质。

2、第一方面，本公开的实施例提供了一种信息推荐模型训练方法，该方法包括：基于获取的用户信息、历史被操作对象信息，构建图节点网络结构；获取预先构建的样本集，样本集包括至少一个样本，样本包括：各自具有相应特征的样本用户、样本被操作对象、样本共点击对象；获取预先构建的信息推荐网络，信息推荐网络基于输入信息中的输入用户对图节点网络结构进行更新，将更新后的图节点网络结构拆分为对应输入用户的兴趣子图，基于兴趣子图、输入信息中的被操作对象以及共点击对象，确定即时兴趣和长期兴趣；基于即时兴趣、长期兴趣、更新后的图节点网络结构，确定推荐对象；在向信息推荐网络输入图节点网络结构之后，基于样本集，对信息推荐网络进行训练，得到对应信息推荐网络的信息推荐模型。

3、在一些实施例中，上述基于获取的用户信息、历史被操作对象信息，构建图节点网络结构包括：获取预设时间段中的用户信息、历史被操作对象信息；将用户信息中的用户和历史被操作对象信息中的历史被操作对象作为图节点网络结构的图节点；基于用户和历史被操作对象之间的关系，确定图节点网络结构的边。

4、在一些实施例中，上述样本通过以下步骤得到：基于样本用户的操作行为，确定样本被操作对象以及与样本被操作对象相关的样本共点击对象；获取样本用户的用户特征、样本被操作对象的第一对象特征、样本共点击对象的第二对象特征；将样本用户、样本被操作对象以及样本共点击对象组成三元组；将三元组分别与用户特征、第一对象特征和第二对象特征进行拼接，得到样本。

5、在一些实施例中，上述信息推荐网络包括：兴趣子图划分模块、兴趣筛选模块以及兴趣融合模块；兴趣子图划分模块基于更新后的图节点网络结构和输入信息中输入用户的兴趣，确定与兴趣相关的图节点；对图节点进行部分遮挡，计算输入用户、被操作对象以及共点击对象之间的边权重，得到边权重矩阵；将图节点与边权重矩阵进行内积操作，得到输入用户的兴趣子图；兴趣筛选模块基于输入用户的兴趣子图和被操作对象，计算两者的相关性，确定即时兴趣和长期兴趣；兴趣融合模块将相关性作为权重，并基于权重融合即时兴趣、长期兴趣以及被操作对象，确定推荐对象。

6、第二方面，本公开的实施例提供了一种信息推荐方法，该方法包括：获取待识别用户以及待识别用户的被操作对象、被操作对象的共点击对象；确定与待识别用户相关的图节点网络结构，并将图节点网络结构发送给预先训练完成的信息推荐模型，得到更新后的信息推荐模型，信息推荐模型基于第一方面任一实现方式描述的信息推荐模型训练方法训练得到；基于待识别用户、被操作对象以及共点击对象，得到输入信息；将输入信息输入更新后的信息推荐模型，得到更新后的信息推荐模型输出的推荐对象。

7、在一些实施例中，上述确定与待识别用户相关的图节点网络结构包括：确定预设历史时间段中用户、用户点击的商品以及商品相关内容，并将用户、商品以及内容作为图节点网络结构的图节点；基于各个图节点之间的关系，构建得到图节点网络结构的边。

8、在一些实施例中，上述基于待识别用户、被操作对象以及共点击对象，得到输入信息包括：基于待识别用户、被操作对象以及共点击对象，构建三元组；基于预设的推荐系统的用户侧的用户特征、商品侧的商品特征以及内容侧的内容特征，确定与待识别用户、被操作对象、共点击对象相关的相关特征；将相关特征拼接到三元组中，得到输入信息。

9、第三方面，本公开的实施例提供了一种信息推荐模型训练装置，该装置包括：构建单元，被配置成基于获取的用户信息、历史被操作对象信息，构建图节点网络结构；样本获取单元，被配置成获取预先构建的样本集，样本集包括至少一个样本，样本包括：各自具有相应特征的样本用户、样本被操作对象、样本共点击对象；网络获取单元，被配置成获取预先构建的信息推荐网络，信息推荐网络基于输入信息中的输入用户对图节点网络结构进行更新，将更新后的图节点网络结构拆分为对应输入用户的兴趣子图，基于兴趣子图、输入信息中的被操作对象以及共点击对象，确定即时兴趣和长期兴趣；基于即时兴趣、长期兴趣、更新后的图节点网络结构，确定推荐对象；训练单元，被配置成在向信息推荐网络输入图节点网络结构之后，基于样本集，对信息推荐网络进行训练，得到对应信息推荐网络的信息推荐模型。

10、在一些实施例中，上述构建单元进一步被配置成：获取预设时间段中的用户信息、历史被操作对象信息；将用户信息中的用户和历史被操作对象信息中的历史被操作对象作为图节点网络结构的图节点；基于用户和历史被操作对象之间的关系，确定图节点网络结构的边。

11、在一些实施例中，上述样本通过拼接单元得到，拼接单元进一步被配置成：基于样本用户的操作行为，确定样本被操作对象以及与样本被操作对象相关的样本共点击对象；获取样本用户的用户特征、样本被操作对象的第一对象特征、样本共点击对象的第二对象特征；将样本用户、样本被操作对象以及样本共点击对象组成三元组；将三元组分别与用户特征、第一对象特征和第二对象特征进行拼接，得到样本。

12、在一些实施例中，上述信息推荐网络包括：兴趣子图划分模块、兴趣筛选模块以及兴趣融合模块；兴趣子图划分模块基于更新后的图节点网络结构和输入信息中输入用户的兴趣，确定与兴趣相关的图节点；对图节点进行部分遮挡，计算输入用户、被操作对象以及共点击对象之间的边权重，得到边权重矩阵；将图节点与边权重矩阵进行内积操作，得到输入用户的兴趣子图；兴趣筛选模块基于输入用户的兴趣子图和被操作对象，计算两者的相关性，确定即时兴趣和长期兴趣；兴趣融合模块将相关性作为权重，并基于权重融合即时兴趣、长期兴趣以及被操作对象，确定推荐对象。

13、第四方面，本公开的实施例提供了一种信息推荐装置，该装置包括：对象获取单元，被配置成获取待识别用户以及待识别用户的被操作对象、被操作对象的共点击对象；更新单元，被配置成确定与待识别用户相关的图节点网络结构，并将图节点网络结构发送给预先训练完成的信息推荐模型，得到更新后的信息推荐模型，信息推荐模型基于第一方面描述的信息推荐模型训练方法训练得到；得到单元，被配置成基于待识别用户、被操作对象以及共点击对象，得到输入信息；输入单元，被配置成将输入信息输入更新后的信息推荐模型，得到更新后的信息推荐模型输出的推荐对象。

14、在一些实施例中，上述更新单元进一步被配置成：确定预设历史时间段中用户、用户点击的商品以及商品相关内容，并将用户、商品以及内容作为图节点网络结构的图节点；基于各个图节点之间的关系，构建得到图节点网络结构的边。

15、在一些实施例中，上述得到单元进一步被配置成：基于待识别用户、被操作对象以及共点击对象，构建三元组；基于预设的推荐系统的用户侧的用户特征、商品侧的商品特征以及内容侧的内容特征，确定与待识别用户、被操作对象、共点击对象相关的相关特征；将相关特征拼接到三元组中，得到输入信息。

16、第五方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面或第二方面中任一实施例描述的方法。

17、第六方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面或第二方面中任一实施例描述的方法。

18、本公开的实施例提供的信息推荐模型训练方法和装置，首先，基于获取的用户信息、历史被操作对象信息，构建图节点网络结构；其次，获取预先构建的样本集，样本集包括至少一个样本，样本包括：各自具有相应特征的样本用户、样本被操作对象、样本共点击对象；再次，获取预先构建的信息推荐网络，信息推荐网络基于输入信息中的输入用户对图节点网络结构进行更新，将更新后的图节点网络结构拆分为对应输入用户的兴趣子图，基于兴趣子图、输入信息中的被操作对象以及共点击对象，确定即时兴趣和长期兴趣；基于即时兴趣、长期兴趣、更新后的图节点网络结构，确定推荐对象；最后，在向信息推荐网络输入图节点网络结构之后，基于样本集，对信息推荐网络进行训练，得到对应信息推荐网络的信息推荐模型。由此，通过构建的图节点网络结构更新信息推荐网络中的兴趣子图，通过信息推荐网络确定即时兴趣和长期兴趣，基于即时兴趣和长期兴趣得到推荐对象，在兼顾个性化兴趣的基础上，聚焦被操作对象，提高了推荐对象得到的准确性，提高了用户体验。