[發(fā)明專利]交互信息處理方法、裝置和云服務(wù)器在審
| 申請?zhí)枺?/td> | 202210307894.3 | 申請日： | 2022-03-25 |
| 公開（公告）號： | CN114611015A | 公開（公告）日： | 2022-06-10 |
| 發(fā)明（設(shè)計）人： | 王楨;李雅亮;丁博麟;鄧洪波 | 申請（專利權(quán)）人： | 阿里巴巴達(dá)摩院（杭州）科技有限公司 |
| 主分類號： | G06F16/9536 | 分類號： | G06F16/9536;G06N3/04;G06N3/08 |
| 代理公司： | 北京同鈞律師事務(wù)所 16037 | 代理人： | 許懷遠(yuǎn) |
| 地址： | 310023 浙江省杭州市余杭*** | 國省代碼： | 浙江;33 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 交互 信息處理 方法 裝置 服務(wù)器 | ||
1.一種交互信息處理方法，其特征在于，包括：
獲取已構(gòu)建的用戶交互關(guān)系圖，其中，所述用戶交互關(guān)系圖包括：每一用戶對應(yīng)的節(jié)點，以及連接具有交互關(guān)系的兩個用戶對應(yīng)節(jié)點的邊，每一所述節(jié)點具有屬性信息，每一所述邊具有邊類型，每一所述邊類型對應(yīng)一種交互場景，所述交互場景包括新興場景和現(xiàn)有場景；
將所述用戶交互關(guān)系圖輸入圖神經(jīng)網(wǎng)絡(luò)，通過所述圖神經(jīng)網(wǎng)絡(luò)，對每一節(jié)點通過同一邊類型的邊連接的鄰居節(jié)點的屬性信息進(jìn)行編碼，生成每一節(jié)點在所述同一邊類型對應(yīng)交互場景下的編碼向量；
通過混合專家模型，綜合每一節(jié)點在所有交互場景下的編碼向量，生成每一節(jié)點在所述新興場景下的特征向量，其中所述混合專家模型中專家模塊的權(quán)重是根據(jù)所述新興場景的場景表示更新后得到的，所述新興場景的場景表示是根據(jù)所述新興場景的領(lǐng)域知識確定，不同交互場景的場景表示不同，場景表示的相似性體現(xiàn)交互場景的相似性；
根據(jù)每一節(jié)點在所述新興場景下的特征向量，進(jìn)行所述新興場景下用戶感興趣的交互對象的推薦處理。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過混合專家模型，綜合每一節(jié)點在所有交互場景下的編碼向量，生成每一節(jié)點在所述新興場景下的特征向量之前，還包括：
獲取所述交互場景的領(lǐng)域知識信息；
通過場景表示模型，根據(jù)所述交互場景的領(lǐng)域知識信息生成每一所述交互場景的場景表示；
根據(jù)所述新興場景的場景表示，更新所述混合專家模型中專家模塊的權(quán)重。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過場景表示模型，根據(jù)所述交互場景的領(lǐng)域知識信息生成每一所述交互場景的場景表示，包括：
將所述交互場景的領(lǐng)域知識信息輸入所述場景表示模型，通過所述場景表示模型，根據(jù)所述交互場景的領(lǐng)域知識信息，提取每一交互場景的描述特征，其中不同交互場景的描述特征不同，描述特征的相似性體現(xiàn)交互場景的相似性；
將每一交互場景的描述特征轉(zhuǎn)換為K維向量，得到每一交互場景的場景表示，其中K為所述混合專家模型中專家模塊的數(shù)量。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述交互場景的領(lǐng)域知識信息為交互場景的分類樹，所述分類樹基于交互場景的目的和功能進(jìn)行分類形成，所述分類樹包括多個葉子節(jié)點，每一葉子節(jié)點對應(yīng)一個交互場景；
所述根據(jù)所述交互場景的領(lǐng)域知識信息，提取每一交互場景的描述特征，包括：
根據(jù)所述交互場景的分類樹，生成所述分類樹中每一葉子節(jié)點的向量表示，得到每一葉子節(jié)點對應(yīng)交互場景的描述特征。
5.權(quán)利要求3所述的方法，其特征在于，所述交互場景的領(lǐng)域知識信息包括每一交互場景的描述文本，
所述根據(jù)所述交互場景的領(lǐng)域知識信息，提取每一交互場景的描述特征，包括：
將每一交互場景的描述文本轉(zhuǎn)化為向量，得到每一交互場景的描述特征。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過混合專家模型，綜合每一節(jié)點在所有交互場景下的編碼向量，生成每一節(jié)點在所述新興場景下的特征向量，包括：
將每一節(jié)點在每一交互場景下的編碼向量輸入混合專家模型，通過所述混合專家模型的每一專家模塊聚合每一節(jié)點在所述現(xiàn)有場景下的編碼向量，生成每一節(jié)點對應(yīng)于每一專家模塊的聚合特征；
根據(jù)每一專家模塊的權(quán)重，對每一節(jié)點對應(yīng)于所有專家模塊的聚合特征進(jìn)行混合處理，生成每一節(jié)點在所述新興場景下的聚合向量；
基于預(yù)設(shè)權(quán)重系數(shù)，對每一節(jié)點在所述新興場景下的聚合向量和編碼向量進(jìn)行加權(quán)求和，得到每一節(jié)點的在所述新興場景下的最終特征向量。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于阿里巴巴達(dá)摩院（杭州）科技有限公司，未經(jīng)阿里巴巴達(dá)摩院（杭州）科技有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210307894.3/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
