[發明專利]一種基于智能的對象推薦方法、裝置和存儲介質

有效

• 申請號: 202010144737.6
• 申請日: 2020-03-04
• 公開（公告）號: CN111382190B
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 陳思宏;牟帥;肖萬鵬;鞠奇
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/9535;G06K9/62;G06N3/04
• 代理公司: 深圳翼盛智成知識產權事務所(普通合伙) 44300
• 代理人: 汪阮磊

1.一種基于智能的對象推薦方法，其特征在于，包括：

根據用戶針對對象的操作信息，生成所述對象之間的對象關系網絡；

根據預設關系挖掘模型，對所述對象關系網絡中的對象進行局部關聯特征提取，得到所述對象的初始特征信息；其中所述預設關系挖掘模型為提取對象關系網絡中的關聯關系，并根據對象與其他對象之間的關聯關系，將圖數據映射為低維稠密的初始特征信息的算法模型；

根據所述對象的初始特征信息，對所述對象關系網絡中的對象進行全局分布特征提取，得到所述對象的全局分布特征信息；

根據所述全局分布特征信息，更新所述預設關系挖掘模型的參數信息，得到目標關系挖掘模型；

根據所述目標關系挖掘模型對所述對象關系網絡進行特征提取，得到所述對象的目標特征信息；

根據所述目標特征信息進行對象推薦。

2.根據權利要求1所述的基于智能的對象推薦方法，其特征在于，所述根據所述對象的初始特征信息，對所述對象關系網絡中的對象進行全局分布特征提取，得到所述對象的全局分布特征信息，包括：

根據所述對象關系網絡中所有對象的所有用戶數量，對所述對象的初始特征信息進行聚類運算，確定所述初始特征信息對應的類別標簽；

將所述初始特征信息對應的類別標簽，作為所述對象的全局分布特征信息。

3.根據權利要求1所述的基于智能的對象推薦方法，其特征在于，所述根據所述全局分布特征信息，更新所述預設關系挖掘模型的參數信息，得到目標關系挖掘模型，包括：

根據預設分類分支網絡對所述初始特征信息進行全連接運算，得到所述初始特征信息對應的類別預測信息；

根據預設損失函數以及所述類別預測信息和所述全局分布特征信息，更新所述預設關系挖掘模型中的參數信息，得到當前關系挖掘模型；

根據所述全局分布特征信息，確定當前關系挖掘模型是否為所述目標關系挖掘模型。

4.根據權利要求3所述的基于智能的對象推薦方法，其特征在于，所述根據所述全局分布特征信息，確定當前關系挖掘模型是否為所述目標關系挖掘模型，包括：

采用所述當前關系挖掘模型對所述對象關系網絡進行特征提取，得到當前初始特征信息；

根據所述對象關系網絡中的用戶數量，對所述當前初始特征信息進行聚類運算，確定所述當前初始特征信息對應的類別標簽，將所述當前初始特征信息對應的類別標簽，作為所述對象的全局分布特征信息；

根據相鄰兩次聚類運算得到的全局分布特征信息，獲取標準互信息；

當所述標準互信息達到預設閾值，將所述當前關系挖掘模型作為目標關系挖掘模型；

當所述標準互信息不滿足預設閾值時，重復上述步驟，直至所述標準互信息達到預設閾值，將所述當前關系挖掘模型作為目標關系挖掘模型。

5.根據權利要求3或4所述的基于智能的對象推薦方法，其特征在于，所述根據預設關系挖掘模型，對所述對象關系網絡中的對象進行局部關聯特征提取，得到所述對象的初始特征信息，包括：

采用所述預設關系挖掘模型中的序列提取子模型，確定各對象的相鄰對象，并根據所述各對象的相鄰對象，生成對象序列；

根據所述對象序列訓練所述預設關系挖掘模型中初始映射子模型，得到所述預設關系挖掘模型中的映射子模型；

根據所述映射子模型中的隱層權重信息，將所述對象映射為對象的初始特征信息。

6.根據權利要求5所述的基于智能的對象推薦方法，其特征在于，所述根據預設損失函數以及所述類別預測信息和所述全局分布特征信息，更新所述預設關系挖掘模型中的參數信息，得到當前關系挖掘模型，包括：

根據預設損失函數以及所述類別預測信息和所述全局分布特征信息，獲取當前損失值；

根據所述當前損失值，更新所述預設關系挖掘模型中映射子模型的權重信息，得到當前映射子模型；

根據預設關系挖掘模型中的序列提取子模型和所述當前映射子模型，獲取當前關系挖掘模型。