[發明專利]推薦模型的生成、內容推薦方法、裝置、設備和介質

有效

• 申請號: 202010529738.2
• 申請日: 2020-06-11
• 公開（公告）號: CN111738414B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 王雅晴;熊輝
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06N3/0464;G06N3/08
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

本申請公開了一種推薦模型的生成、內容推薦方法、裝置、設備和介質，涉及人工智能領域和深度學習領域。推薦模型的生成方法的實現方案為：獲取圖訓練樣本集；將圖訓練樣本集輸入至機器學習模型中進行訓練，機器學習模型包括至少一個低秩圖卷積網絡，低秩圖卷積網絡包括由第一低秩矩陣和第二低秩矩陣構成的完整權重矩陣；低秩圖卷積網絡的訓練目標包括：能夠分解為第一低秩矩陣和第二低秩矩陣的組合的非凸低秩項；在檢測到滿足訓練結束條件時，得到與圖訓練樣本集匹配的推薦模型，本申請實施例的技術方案在保證低秩GCN對原始GCN的擬合效果的同時，減小了低秩GCN中所需學習的數據量，并提高了低秩GCN的參數學習速度。

技術領域

本申請實施例涉及計算機技術，具體涉及人工智能領域和深度學習領域，尤其涉及一種推薦模型的生成、內容推薦方法、裝置、設備和介質。

背景技術

GCN(Graph?Convolutional?Network，圖卷積神經網絡)是對卷積神經網絡(Convolutional?Neural?Networks,CNN)的擴展。GCN通過圖譜理論或空間局部定義圖形卷積，實現了在不規則的網絡數據結構上定義卷積，從而更好的利用關系信息進行預測。由于圖卷積網絡的權重矩陣規模很大，通常需要大量的訓練數據才能完成學習。因此，如圖1a所示，學術界提出了基于矩陣分解(MatrixFactorization，MF)的低秩GCN，將原始GCN的權重矩陣分解為兩個較小的低秩矩陣和以得到低秩GCN。

低秩GCN有效，是因為原始GCN所學數據中存在大量的相似信息，因此對應學出的權重矩陣具有低秩結構。但是，從低秩學習的角度，矩陣分解早已不是最佳選擇，盡管它的求解速度較快，但低秩GCN并不能很好的擬合原始GCN。

發明內容

本申請實施例提供了一種推薦模型的生成、內容推薦方法、裝置、設備和介質，在保證低秩GCN對原始GCN的擬合效果的同時，最大程度的減小了低秩GCN中所需學習的數據量，并提高了低秩GCN的參數學習速度。

第一方面，本申請實施例提供了一種推薦模型的生成方法，包括：

獲取圖訓練樣本集，圖訓練樣本包括：用戶關系矩陣、推薦內容關系矩陣，以及用戶和推薦內容聯合關系矩陣；

將圖訓練樣本集輸入至設定機器學習模型中，對機器學習模型進行訓練，機器學習模型包括至少一個低秩圖卷積網絡，低秩圖卷積網絡包括由第一低秩矩陣和第二低秩矩陣構成的完整權重矩陣；

其中，低秩圖卷積網絡的訓練目標包括：第一低秩矩陣參數項、第二低秩矩陣參數項和非凸低秩項，所述非凸低秩項能夠分解為第一低秩矩陣和第二低秩矩陣的組合；

在檢測到滿足訓練結束條件時，將當前訓練的機器學習模型，確定為與所述圖訓練樣本集匹配的推薦模型。

第二方面，本申請實施例提供了一種內容推薦方法，包括：

獲取目標用戶關系矩陣以及目標推薦內容關系矩陣；

將所述目標用戶關系矩陣以及目標內容關系矩陣輸入至通過如本申請任一實施例所述的推薦模型的生成方法預先訓練的推薦模型中，獲取所述推薦模型輸出的目標用戶和推薦內容聯合關系矩陣；

在目標用戶和推薦內容聯合關系矩陣中，獲取與各用戶分別對應的權重最高的推薦內容作為目標推薦內容；

將各所述目標推薦內容分別推薦給對應的用戶。

第三方面，本申請實施例還提供了一種推薦模型的生成的裝置，包括：

圖訓練樣本集獲取模塊，用于獲取圖訓練樣本集，圖訓練樣本包括：用戶關系矩陣、推薦內容關系矩陣，以及用戶和推薦內容聯合關系矩陣；