[發(fā)明專利]評估交互事件的方法及裝置

有效

• 申請?zhí)枺?/td>: 202010588751.5
• 申請日: 2020-06-24
• 公開（公告）號: CN111476223B
• 公開（公告）日: 2020-09-22
• 發(fā)明（設(shè)計）人: 劉旭欽;文劍烽;常曉夫;宋樂
• 申請（專利權(quán)）人: 支付寶（杭州）信息技術(shù)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京億騰知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11309
• 代理人: 陳霽;周良玉

1.一種計算機執(zhí)行的、評估交互事件的方法，所述方法包括：

獲取用于反映交互事件關(guān)聯(lián)關(guān)系的動態(tài)交互圖，所述動態(tài)交互圖包括多對節(jié)點，每對節(jié)點代表一個交互事件中的兩個對象，任意節(jié)點通過連接邊指向該節(jié)點所代表的對象參與的上一交互事件對應(yīng)的兩個節(jié)點；

分別以待分析的第一目標(biāo)節(jié)點、第二目標(biāo)節(jié)點為當(dāng)前根節(jié)點，在所述動態(tài)交互圖中確定出從當(dāng)前根節(jié)點出發(fā)，經(jīng)由連接邊到達的預(yù)定范圍的子圖作為第一子圖和第二子圖；

將所述第一子圖和第二子圖輸入神經(jīng)網(wǎng)絡(luò)模型進行圖處理，得到所述第一目標(biāo)節(jié)點和所述第二目標(biāo)節(jié)點進行交互的交互表征向量，所述神經(jīng)網(wǎng)絡(luò)模型包括依次堆疊的輸出層和L個處理層，所述L個處理層中至少一個處理層具有對應(yīng)的融合層，所述圖處理包括：

在所述L個處理層中的各個處理層中，根據(jù)所述第一子圖和第二子圖中包含的各個節(jié)點的本層輸入特征，以及各個節(jié)點之間的連接邊的指向關(guān)系，分別處理得到各個節(jié)點的本層隱含向量；

在所述融合層中，將對應(yīng)處理層得到的各個本層隱含向量分別進行第一壓縮處理，得到各個節(jié)點對應(yīng)的各個壓縮表示，并對所述各個壓縮表示進行第一變換處理，得到各個節(jié)點對應(yīng)的權(quán)重估計；將各個節(jié)點的本層隱含向量與其對應(yīng)的權(quán)重估計的組合結(jié)果，作為所述各個節(jié)點的下一層輸入特征；

在所述輸出層中，對所述L個處理層分別得到的、與所述第一目標(biāo)節(jié)點對應(yīng)的L個第一隱含向量和與所述第二目標(biāo)節(jié)點對應(yīng)的L個第二隱含向量進行融合，得到所述交互表征向量；

根據(jù)所述交互表征向量，評估所述第一目標(biāo)節(jié)點和第二目標(biāo)節(jié)點進行交互的第一事件；

其中，所述各個壓縮表示為各個壓縮值，所述各個壓縮值構(gòu)成壓縮向量；所述第一變換處理包括：

利用第一變換矩陣對所述壓縮向量進行第一線性變換，得到第一變換向量，所述第一變換向量的維度小于所述壓縮向量；

對所述第一變換向量執(zhí)行第一非線性變換，得到第二變換向量；

利用第二變換矩陣對所述第二變換向量進行第二線性變換，得到第三變換向量，所述第三變換向量的維度等于所述壓縮向量；

對所述第三變換向量執(zhí)行第二非線性變換，得到權(quán)值向量，所述權(quán)值向量中各個元素對應(yīng)于所述各個節(jié)點的權(quán)重估計。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述經(jīng)由連接邊到達的預(yù)定范圍內(nèi)的子圖包括：

經(jīng)由預(yù)設(shè)數(shù)目K之內(nèi)的連接邊到達的節(jié)點；和/或

經(jīng)由連接邊可達且交互時間在預(yù)設(shè)時間范圍內(nèi)的節(jié)點。

3.根據(jù)權(quán)利要求1所述的方法，其中，所述L個處理層包括位于最底層的第一處理層，在所述第一處理層中，所述各個節(jié)點的本層輸入特征包括，各個節(jié)點的節(jié)點屬性特征。

4.根據(jù)權(quán)利要求3所述的方法，其中，所述各個節(jié)點包括用戶節(jié)點和/或物品節(jié)點，所述用戶節(jié)點的節(jié)點屬性特征包括以下中的至少一項：年齡、職業(yè)、教育程度、所在地區(qū)、注冊時長、人群標(biāo)簽；所述物品節(jié)點的節(jié)點屬性特征包括以下中的至少一項：物品類別、上架時間、評論數(shù)、銷量。

5.根據(jù)權(quán)利要求1所述的方法，其中，所述各個處理層為基于時序的網(wǎng)絡(luò)處理層，用于根據(jù)所述第一子圖和第二子圖中包含的各個節(jié)點的本層輸入特征，以及各個節(jié)點之間的連接邊的指向關(guān)系，依次迭代處理各個節(jié)點，從而得到各個節(jié)點的本層隱含向量。

6.根據(jù)權(quán)利要求5所述的方法，其中，所述基于時序的網(wǎng)絡(luò)處理層為LSTM層，所述LSTM層用于：按照各個節(jié)點之間的連接邊的指向關(guān)系順序，將各個節(jié)點依次作為當(dāng)前節(jié)點，根據(jù)當(dāng)前節(jié)點的本層輸入特征，該當(dāng)前節(jié)點所指向的兩個節(jié)點各自的中間向量和隱含向量，確定該當(dāng)前節(jié)點的隱含向量和中間向量，將當(dāng)前節(jié)點的隱含向量作為所述本層隱含向量。

7.根據(jù)權(quán)利要求1所述的方法，其中，所述第一壓縮處理包括：

對于所述各個本層隱含向量中的任意隱含向量，計算該任意隱含向量的各個向量元素的平均值，作為該任意隱含向量對應(yīng)的節(jié)點的壓縮表示。