[發明專利]內容推薦方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202110736636.2
• 申請日: 2021-06-30
• 公開（公告）號: CN113505214A
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 陳嘉真;徐凱波
• 申請（專利權）人: 北京明略軟件系統有限公司
• 主分類號: G06F16/335
• 分類號: G06F16/335;G06F16/35;G06F16/36
• 代理公司: 北京華夏泰和知識產權代理有限公司 11662
• 代理人: 曾軍;吳雪

本申請涉及一種內容推薦方法、裝置、計算機設備和存儲介質。方法包括：根據用戶知識圖譜中的各個特征節點之間的互信息進行無監督學習，生成各個特征節點對應的表示向量，使用了用戶知識圖譜中所有的特征節點以及周邊信息，最大程度利用上用戶知識圖譜全圖的結構信息，在經過無監督學習之后的用戶知識圖譜中，確定目標對象對應的目標向量以及待預測物料對應的待預測向量，根據目標向量與待預測向量之間的匹配度，確定目標對象對待預測物料可能感興趣的程度，將目標對象可能感興趣的待預測物料對應的推送內容推送至目標對象對應的終端，為目標對象提供其可能感興趣的推送內容。

技術領域

本申請涉及數據推薦技術領域，尤其涉及一種內容推薦方法、裝置、計算機設備和存儲介質。

背景技術

現有的結合知識圖譜和推薦系統的算法包括MKR、KGCN、RippleNet、KGAT等等，這些算法有的只使用和推薦系統中物料相關的知識圖譜節點周邊信息進行訓練(如MKR|KGCN|RippleNet)，有的是借鑒圖預訓練技術來對推薦系統損失函數做正則化(KGAT)。只使用知識圖譜中和物料相關的節點以及周邊信息進行訓練會很大程度上丟失了知識圖譜全圖的結構信息，從而不能充分的利用知識圖譜帶給推薦系統的優勢。

發明內容

為了解決上述技術問題，本申請提供了一種內容推薦方法、裝置、計算機設備和存儲介質。

第一方面，本申請提供了一種內容推薦方法，包括：

對用戶知識圖譜中各個特征節點進行無監督學習，得到各個特征節點對應的表示向量，其中，所述特征節點為用戶節點或物料節點；

根據所述用戶知識圖譜中各個特征節點對應的表示向量，確定目標對象對應的目標向量以及待預測物料對應的待預測向量；

確定所述目標向量與所述待預測向量之間的匹配度；

將所述匹配度滿足推薦條件的待預測物料對應的推送內容，推送至所述目標對象對應的終端。

在一實施方式中，所述對用戶知識圖譜中各個特征節點進行無監督學習，得到各個特征節點對應的表示向量，包括：

根據所述用戶知識圖譜中各個特征節點，確定節點特征矩陣和所述節點特征矩陣對應的鄰接矩陣，其中，所述節點特征矩陣包含各個所述特征節點對應的初始向量；

對所述節點特征矩陣進行隨機變換，得到負例特征矩陣；

根據所述負例特征矩陣和所述鄰接矩陣，調節所述節點特征矩陣中各個特征節點對應的初始向量，得到各個特征節點對應的表示向量。

在一實施方式中，所述根據所述負例特征矩陣和所述鄰接矩陣，調節所述節點特征矩陣中各個特征節點對應的初始向量，得到各個特征節點對應的表示向量，包括：

對所述節點特征矩陣和所述鄰接矩陣進行編碼處理，得到第一隱式矩陣；

對所述負例特征矩陣和所述鄰接矩陣進行編碼處理，得到第二隱式矩陣；

根據所述第一隱式矩陣和所述第二隱式矩陣，確定損失函數的熵；

根據所述損失函數的熵調節所述特征節點對應的初始向量；

在所述損失函數的熵符合預設條件的情況下，確定各個所述特征節點對應的表示向量。

在一實施方式中，所述根據所述用戶知識圖譜中各個特征節點對應的表示向量，確定目標對象對應的目標向量，包括：

在所述用戶知識圖譜中，將所述目標對象相匹配的特征節點作為中心節點；

將與所述中心節點存在鄰接關系的特征節點作為相鄰節點；

獲取所述目標對象以及所述相鄰節點對應的表示向量；