CN114880566A - 基于图神经网络的用户行为分析方法、装置、设备及介质 - Google Patents
基于图神经网络的用户行为分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114880566A CN114880566A CN202210542103.5A CN202210542103A CN114880566A CN 114880566 A CN114880566 A CN 114880566A CN 202210542103 A CN202210542103 A CN 202210542103A CN 114880566 A CN114880566 A CN 114880566A
- Authority
- CN
- China
- Prior art keywords
- user
- recommended item
- node
- initial
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 155
- 238000012795 verification Methods 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 74
- 230000006399 behavior Effects 0.000 claims description 69
- 239000013598 vector Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 230000000873 masking effect Effects 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术领域，提供了一种基于图神经网络的用户行为分析方法、装置、设备及介质。该方法包括：将初始二部图分成训练集和验证集，对训练集进行信息传播得到用户节点表示、推荐项节点表示及边标签；将用户节点表示与推荐项节点表示输入全连接网络得到梯度训练网络并对验证集计算得到屏蔽值；若屏蔽值大于预设值，则对初始二部图更新，根据初始网络模型对更新后的二部图迭代训练目标网络模型，将目标二部图输入目标网络模型得到结果；将目标二部图输入目标网络模型分析得到行为分析结果，根据分析结果向待测用户推送推荐项。本发明还涉及区块链技术领域，上述用户节点、推荐项节点还可以存储于一区块链的节点中。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于图神经网络的用户行为分析方法、装置、设备及介质。
背景技术
在推荐系统应用于深度学习模型时，通常以用户与推荐项为初始网络模型输入，以用户对该推荐项是否有过历史点击行为为标签进行训练，得到目标网络模型，将目标网络模型应用于用户对推荐项的预测推荐。
但是用户的点击行为存在一定的随机性或误触性，点击行为并不一定是用户兴趣的体现，点击行为通常伴随着噪声标签，而噪声标签在模型学习的过程中会干扰其收敛，以及影响目标网络模型的分析能力，使得目标网络模型给出的推荐项得分无法真实反应用户兴趣。
发明内容
鉴于以上内容，本发明提供一种基于图神经网络的用户行为分析方法、装置、设备及介质，其目的在于解决现有技术中噪声标签在预测模型学习的过程中会干扰其收敛，以及影响预测模型对用户行为分析的准确率不高的技术问题。
为实现上述目的，本发明提供一种基于图神经网络的用户行为分析方法，该方法包括：
从预设数据库中获取多张初始二部图，所述初始二部图是由历史用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成，根据所述初始二部图的用户节点对推荐项节点产生的行为信息确定所述初始二部图的连接边；
根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签；
将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值；
若所述屏蔽值大于预设值，则对初始二部图进行更新，根据所述初始网络模型对更新后的二部图进行迭代训练，直至所述屏蔽值小于所述预设值时，得到目标网络模型；
将由待测用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成的目标二部图输入所述目标网络模型进行分析，得到待测用户的行为分析结果，根据所述分析结果向所述待测用户推送推荐项。
优选的，所述根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签，包括：
根据所述连接边将所有的初始二部图按随机比例分成训练集和验证集；
根据所述训练集的用户节点与推荐项节点的特征向量构建特征矩阵；
根据所述训练集的用户节点与推荐项节点的边连接关系构建邻接矩阵；
将所述特征矩阵与所述邻接矩阵输入所述初始网络模型进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签。
优选的，所述初始网络模型包括两个以上的图卷积网络层，所述将所述特征矩阵与所述邻接矩阵输入所述初始网络模型进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签，包括：
根据预设信息传播公式将所述特征矩阵的每一行任意节点的特征向量与所述邻接矩阵的边连接关系在每层图卷积网络层进行聚合，形成下一图卷积网络层的特征向量；
当所述用户节点与所述推荐项节点在所述每层图卷积网络层进行信息聚合完成时，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签。
优选的，所述预设信息传播公式包括：
其中，X′为所述特征矩阵的每一行任意节点的特征向量与所述邻接矩阵的边连接关系在每层图卷积网络层进行聚合的特征向量，A为所述训练集的邻接矩阵，D为所述训练集的特征矩阵，W是可学习参数，σ是激活函数，X为所述特征矩阵的每一行任意节点的特征向量。
优选的，所述将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，包括：
将所述训练集所有的用户节点表示与推荐项节点表示进行两两拼接并输入至所述全连接网络；
根据所述全连接网络对所述训练集的用户节点与推荐项节点之间进行边预测，得到边标签对应的梯度训练网络。
优选的，所述根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值，包括：
根据所述梯度训练网络对所述验证集任意用户节点与推荐项节点之间网络关系进行计算，得到边网络关系值；
根据所述边网络关系值对所述验证集的连接边进行屏蔽统计，得到所述验证集的连接边的屏蔽值。
优选的，所述若所述屏蔽值大于预设值，则对初始二部图进行更新，包括：
A1、当所述验证集的屏蔽值大于预设值时，若所述初始二部图的用户节点与推荐项节点之间已经存在连接边，则保留所述连接边；
A2、若所述初始二部图的用户节点与推荐项节点之间未存在连接边，则将所述初始二部图的用户节点与推荐项节点进行边连接；
A3、重复A1-A2直至将所述初始二部图所有的用户节点与推荐项节点之间的边关系进行更新，得到更新后的二部图。
为实现上述目的，本发明还提供一种基于图神经网络的用户行为分析装置，所述装置包括：
获取模块用于：从预设数据库中获取多张初始二部图，所述初始二部图是由历史用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成，根据所述初始二部图的用户节点对推荐项节点产生的行为信息确定所述初始二部图的连接边；
训练模块用于：根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签；
训练模块还用于：将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值；
训练模块还用于：若所述屏蔽值大于预设值，则对初始二部图进行更新，根据所述初始网络模型对更新后的二部图进行迭代训练，直至所述屏蔽值小于所述预设值时，得到目标网络模型；
应用模块：将由待测用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成的目标二部图输入所述目标网络模型进行分析，得到待测用户的行为分析结果，根据所述分析结果向所述待测用户推送推荐项。
为实现上述目的，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的程序，所述程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述基于图神经网络的用户行为分析方法。
为实现上述目的，本发明还提供一种计算机可读介质，所述计算机可读介质存储有用户行为分析程序，所述用户行为分析程序被处理器执行时，实现如权利要求1至7中任一项所述基于图神经网络的用户行为分析方法的步骤。
本发明将用户对推荐项的历史点击数据构造初始二部图，根据初始二部图的用户节点、推荐项节点及连接边分别构建特征矩阵和邻接矩阵，根据初始网络模型对特征矩阵和邻接矩阵进行信息传播得到梯度训练网络，根据梯度训练网络对初始二部图中用户对推荐项随机或误触的点击而产生的连接边进行屏蔽，并将用户感兴趣的推荐项节点与用户节点进行边连接，减少噪声标签在模型学习过程中的干扰，得到了对用户行为分析准确率更高的目标预测模型，并将目标预测模型用于对用户行为的分析，将用户感兴趣的推荐项推送给用户。
附图说明
图1为本发明基于图神经网络的用户行为分析方法较佳实施例的流程图示意图；
图2为本发明用户行为分析装置较佳实施例的模块示意图；
图3为本发明电子设备较佳实施例的示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明提供一种基于图神经网络的用户行为分析方法。参照图1所示，为本发明基于图神经网络的用户行为分析方法的实施例的方法流程示意图。该方法可以由一个电子设备执行，该电子设备可以由软件和/或硬件实现。基于图神经网络的用户行为分析方法包括：
步骤S10：从预设数据库中获取多张初始二部图，所述初始二部图是由历史用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成，根据所述初始二部图的用户节点对推荐项节点产生的行为信息确定所述初始二部图的连接边。
本实施例，预设数据库是指企业内部自建或第三方以用户、被用户点击的推荐项及用户对推荐项的点击关系等信息构建的数据库。初始二部图是由历史用户的用户节点、推荐项节点及用户节点与推荐项节点之间的连接边等信息构成的图。用户节点是根据用户信息，例如姓名、性别、职业、常住地址、浏览行为(比如用户喜欢浏览的网站，点击的物品、浏览时长、浏览次数)等属性信息生成一个网络节点。推荐项节点是根据用户点击行为/浏览行为的属性信息(点击、浏览的对象的属性信息，比如是物品的名称、功能、消费人群、历史评价等)生成一个网络节点。推荐项是指用户点击、浏览的对象。
该方法在从预设数据库中获取多张初始二部图之前，先从预设数据库中获取用户对推荐项的历史行为数据作为原始数据集，对原始数据集进行预处理得到多张初始二部图(例如，预处理为数据筛选)，预设数据库存储有用户对推荐项的行为信息，例如，用户在浏览网站时，对哪些物品(推荐项)产生点击行为。有些点击行为代表用户是出于兴趣或爱好对推荐项进行点击，有些点击行为可能是因用户是随机或误解的点击，还有些推荐项可能是用户喜欢的，由于某些原因却没有进行点击(例如，浏览网页速度过快，没有留意到所有未点击、浏览)，但是，用户对推荐项的所有点击行为，在二部图上都会以用户节点为起点，生成一条或多条连接边与不同的推荐项节点相连接。
步骤S20：根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签。
具体地，步骤S20包括：
根据所述连接边将所有的初始二部图按随机比例分成训练集和验证集；
根据所述训练集的用户节点与推荐项节点的特征向量构建特征矩阵；
根据所述训练集的用户节点与推荐项节点的边连接关系构建邻接矩阵；
将所述特征矩阵与所述邻接矩阵输入所述初始网络模型进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签。
在一个实施例中，所述初始网络模型包括两个以上的图卷积网络层，所述将所述特征矩阵与所述邻接矩阵输入所述初始网络模型进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签，包括：
根据预设信息传播公式将所述特征矩阵的每一行任意节点的特征向量与所述邻接矩阵的边连接关系在每层图卷积网络层进行聚合，形成下一图卷积网络层的特征向量；
当所述用户节点与所述推荐项节点在所述每层图卷积网络层进行信息聚合完成时，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签。
在一个实施例中，所述预设信息传播公式包括：
其中，X′为所述特征矩阵的每一行任意节点的特征向量与所述邻接矩阵的边连接关系在每层图卷积网络层进行聚合的特征向量，A为所述训练集的邻接矩阵，D为所述训练集的特征矩阵，W是可学习参数，σ是激活函数，X为所述特征矩阵的每一行任意节点的特征向量。
为了便于表示，以下用“N”表示训练集的每张初始二部图的节点个数。
特征矩阵具体由初始二部图每个节点的特征向量构建，每个节点的特征向量包含该节点的属性信息，即该特征矩阵可以根据每张初始二部图中每个节点携带的属性信息构建得到。例如，设节点特征向量的长度为M，则初始二部图的节点特征矩阵为N×M维度的矩阵，该矩阵的每一行为一个节点的特征向量。若初始二部图具体为用户与推荐项的二部图，初始二部图中的节点具体为用户节点与推荐项节点，则特征矩阵中的每一个特征向量包含的属性信息分别为(用户的性别、年龄、爱好等信息)和(推荐项名称、功能等信息)。
邻接矩阵具体根据初始二部图中节点之间的边连接关系构建得到，边连接关系是指用户节点对推荐项节点交互的深度(例如，用户对推荐项点击的次数或浏览时长)，该邻接矩阵具体为一个N×N维度的矩阵。例如，以A表示邻接矩阵，设用户节点i、推荐项节点j分别为二部图中的两个节点，若用户节点i与推荐项节点j之间没有连接边，则用户节点i与推荐项节点j在邻接矩阵中的对应元素为0，若用户节点i与推荐项节点j之间存在连接边，则用户节点i与推荐项节点j在邻接矩阵中的对应元素为1。
将所有的初始二部图按随机比例分成训练集和验证集(例如，所有的初始二部图为10万份，随机将训练集和验证集按8:2或7:3比例分配)，也就是说，随机比例要保持训练集的数量大于验证集的数量，避免训练数据过少，可能导致初始网络模型的欠拟合。
初始网络模型包括但不限于图神经网络(GCN)，图神经网络是一种对图数据进行节点分类，图分类、边预测的特征提取器。将特征矩阵与邻接矩阵输入初始网络模型中，经过特征提取和属性信息聚合等处理，得到训练集的用户节点表示、推荐项节点表示、边标签。节点表示包含每个节点(用户节点和推荐项节点)的融合特征向量，例如，设每个节点的融合特征向量的长度为F，则该节点融合特征矩阵的维度为N×F，其中，融合特征向量的长度F为一个提前设定的初始网络模型的超参数(例如，F设为10)，则该节点生成度向量的维度为N×1，也就是说，节点表示是指用户对推荐项的初始建模，用于全矩阵的向量化。边标签是指用户对推荐项的一种向量延续，例如，以I表示用户，设用户I对推荐项J进行6次点击、则(i，j)为用户节点i与推荐项节点j之间的连接边，若该连接边向量长度为6，当推荐项K与推荐项J的属性信息相似，则推荐项K是用户节点i与推荐项节点j之间的边标签的一种向量延续。
步骤S30：将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值。
本实施例，在特征矩阵与邻接矩阵输入多层图卷积层进行信息交换后，将用户节点表示与推荐项节点表示进行两两拼接形成混合特征向量，将该混合特征向量输入至全连接网络进行边预测，得到边标签对应的梯度训练网络。将验证集的用户节点与推荐项节点输入梯度训练网络进行屏蔽计算，确定用户节点与推荐节点之间是否存在真实的网络关系，从而得到验证集的连接边的屏蔽值。
在一个实施例中，所述将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，包括：
将所述训练集所有的用户节点表示与推荐项节点表示进行两两拼接并输入至所述全连接网络；
根据所述全连接网络对所述训练集的用户节点与推荐项节点之间进行边预测，得到边标签对应的梯度训练网络。
在一个实施例中，所述根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值，包括：
根据所述梯度训练网络对所述验证集任意用户节点与推荐项节点之间网络关系进行计算，得到边网络关系值；
根据所述边网络关系值对所述验证集的连接边进行屏蔽统计，得到所述验证集的连接边的屏蔽值。
将验证集的用户节点与推荐项节点输入梯度训练网络，得到节点之间的边网络关系值，根据边网络关系值与预设网络值比较，确定用户节点与推荐节点之间是否存在真实的网络关系，网络关系表示用户节点与当前推荐节点之间紧密度，通过用户对其所有点击的推荐项的属性信息，来判断用户节点对当前推荐项的连接边的紧密度。经过比较后对不真实的连接边进行屏蔽后，统计被屏蔽的连接边的数量与验证集的连接边的数量的占比值，将该占比值作为验证集的连接边的屏蔽值。例如，验证集的连接边的数量为10000，被屏蔽的连接边的数量为3000，将3000除以10000，得到验证集的连接边的屏蔽值为0.3。
例如，设验证集的用户节点i、推荐项节点j，(i，j)为用户节点i与推荐项节点j之间的连接边，根据梯度训练网络对用户节点i与推荐项节点j之间网络关系进行计算，若得到两者之间的边网络关系值为1，根据预设的条件，边网络关系值小于或等于预设网络值(例如，预设网络值为1)时，即梯度训练网络判断两个节点之间不存在边网络关系，也代表(i，j)连接边是用户节点i对推荐项节点j是随机点击或误触，屏蔽或删除用户节点i对推荐项节点j之间的(i，j)连接边，相当于将初始二部图上的噪声标签清除。
设验证集的用户节点i、推荐项节点j，两个节点之间没有连接边，根据梯度训练网络对用户节点i与推荐项节点j之间网络关系进行计算，若得到两者之间的边网络关系值为3，根据预设的条件，边网络关系值大于预设网络值(例如，预设网络值为1)时，即梯度训练网络判断两个节点之间存在边网络关系，也代表用户节点i可能会对推荐项节点j感兴趣而点击，添加用户节点i对推荐项节点j之间的(i，j)连接边，相当于在初始二部图上生成点击预测。
步骤S40：若所述屏蔽值大于预设值，则对初始二部图进行更新，根据所述初始网络模型对更新后的二部图进行迭代训练，直至所述屏蔽值小于所述预设值时，得到目标网络模型。
本实施例，当屏蔽值大于预设值时(例如，预设值为0.1)，说明初始二部图还是含有比较多的噪声标签和初始网络模型的各个训练参数处于不稳定的状态，根据验证集的连接边的屏蔽值将初始二部图(所有的训练集和验证集)进行更新得到更新后的初始二部图。
根据初始网络模型对初始二部图进行训练迭代，训练迭代步骤包括：先将所有的初始二部图随机按随机比例分成训练集和所述验证集，根据初始网络模型对训练集进行信息传播，得到训练集的用户节点表示、推荐项节点表示、边标签，将用户节点表示与推荐项节点表示进行拼接并输入至初始网络模型的全连接网络，得到边标签对应的梯度训练网络，根据梯度训练网络对验证集进行屏蔽计算，得到验证集的连接边的屏蔽值，当屏蔽值小于预设值时，保存训练参数得到目标网络模型，也就是说，验证集的含有噪声标签被降低至一个比较小的范围内，初始网络模的各个训练参数趋于稳定，可以保存初始网络模的训练参数得到目标网络模型。
在一个实施例中，所述若所述屏蔽值大于预设值，则对初始二部图进行更新，包括：
A1、当所述验证集的屏蔽值大于预设值时，若所述初始二部图的用户节点与推荐项节点之间已经存在连接边，则保留所述连接边；
A2、若所述初始二部图的用户节点与推荐项节点之间未存在连接边，则将所述初始二部图的用户节点与推荐项节点进行边连接；
A3、重复A1-A2直至将所述初始二部图所有的用户节点与推荐项节点之间的边关系进行更新，得到更新后的二部图。
步骤S50：将由待测用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成的目标二部图输入所述目标网络模型进行分析，得到待测用户的行为分析结果，根据所述分析结果向所述待测用户推送推荐项。
本实施例，将目标网络模型应用于待测用户对推荐项点击行为预测的目标二部图，目标二部图是指某个待测用户对推荐项点击产生连接边等信息的数据图，根据已经训练好的目标网络模型将目标二部图的待测用户随机点击产生的连接边屏蔽，并且将待测用户感兴趣的推荐项节点与待测用户节点进行边连接，得到待测用户的行为分析结果，根据该行为分析结果将待测用户感兴趣的推荐项推送给待测用户。
参照图2所示，为本发明用户行为分析装置100的功能模块示意图。
本发明所述用户行为分析装置100可以安装于电子设备中。根据实现的功能，所述用户行为分析装置100可以包括获取模块110、训练模块120及应用模块130。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
本实施例，关于各模块/单元的功能如下：
获取模块110用于：从预设数据库中获取多张初始二部图，所述初始二部图是由历史用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成，根据所述初始二部图的用户节点对推荐项节点产生的行为信息确定所述初始二部图的连接边；
训练模块120用于：根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签；
训练模块120还用于：将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值；
训练模块120还用于：若所述屏蔽值大于预设值，则对初始二部图进行更新，根据所述初始网络模型对更新后的二部图进行迭代训练，直至所述屏蔽值小于所述预设值时，得到目标网络模型；
应用模块130：将由待测用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成的目标二部图输入所述目标网络模型进行分析，得到待测用户的行为分析结果，根据所述分析结果向所述待测用户推送推荐项。
在一个实施例中，所述根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签，包括：
根据所述连接边将所有的初始二部图按随机比例分成训练集和验证集；
根据所述训练集的用户节点与推荐项节点的特征向量构建特征矩阵；
根据所述训练集的用户节点与推荐项节点的边连接关系构建邻接矩阵；
将所述特征矩阵与所述邻接矩阵输入所述初始网络模型进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签。
在一个实施例中，所述初始网络模型包括两个以上的图卷积网络层，所述将所述特征矩阵与所述邻接矩阵输入所述初始网络模型进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签，包括：
根据预设信息传播公式将所述特征矩阵的每一行任意节点的特征向量与所述邻接矩阵的边连接关系在每层图卷积网络层进行聚合，形成下一图卷积网络层的特征向量；
当所述用户节点与所述推荐项节点在所述每层图卷积网络层进行信息聚合完成时，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签。
在一个实施例中，所述预设信息传播公式包括：
其中，X′为所述特征矩阵的每一行任意节点的特征向量与所述邻接矩阵的边连接关系在每层图卷积网络层进行聚合的特征向量，A为所述训练集的邻接矩阵，D为所述训练集的特征矩阵，W是可学习参数，σ是激活函数，X为所述特征矩阵的每一行任意节点的特征向量。
在一个实施例中，所述将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，包括：
将所述训练集所有的用户节点表示与推荐项节点表示进行两两拼接并输入至所述全连接网络；
根据所述全连接网络对所述训练集的用户节点与推荐项节点之间进行边预测，得到边标签对应的梯度训练网络。
在一个实施例中，所述根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值，包括：
根据所述梯度训练网络对所述验证集任意用户节点与推荐项节点之间网络关系进行计算，得到边网络关系值；
根据所述边网络关系值对所述验证集的连接边进行屏蔽统计，得到所述验证集的连接边的屏蔽值。
在一个实施例中，所述若所述屏蔽值大于预设值，则对初始二部图进行更新，包括：
A1、当所述验证集的屏蔽值大于预设值时，若所述初始二部图的用户节点与推荐项节点之间已经存在连接边，则保留所述连接边；
A2、若所述初始二部图的用户节点与推荐项节点之间未存在连接边，则将所述初始二部图的用户节点与推荐项节点进行边连接；
A3、重复A1-A2直至将所述初始二部图所有的用户节点与推荐项节点之间的边关系进行更新，得到更新后的二部图。
参照图3所示，为本发明电子设备1较佳实施例的示意图。
该电子设备1包括但不限于：存储器11、处理器12、显示器13及网络接口14。所述电子设备1通过网络接口14连接网络，获取原始数据。其中，所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(GlobalSystemofMobilecommunication，GSM)、宽带码分多址(WidebandCodeDivisionMultipleAccess，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
其中，存储器11至少包括一种类型的可读介质，所述可读介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述电子设备1的内部存储单元，例如该电子设备1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述电子设备1的外部存储设备，例如该电子设备1配备的插接式硬盘，智能存储卡(SmartMediaCard，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(FlashCard)等。当然，所述存储器11还可以既包括所述电子设备1的内部存储单元也包括其外部存储设备。本实施例中，存储器11通常用于存储安装于所述电子设备1的操作系统和各类应用软件，例如用户行为分析程序10的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(CentralProcessingUnit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行用户行为分析程序10的程序代码等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(OrganicLight-EmittingDiode，OLED)触摸器等。显示器13用于显示在电子设备1中处理的信息以及用于显示可视化的工作界面，例如显示数据统计的结果。
网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，该网络接口14通常用于在所述电子设备1与其它电子设备之间建立通信连接。
图3仅示出了具有组件11-14以及用户行为分析程序10的电子设备1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(OrganicLight-EmittingDiode，OLED)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
该电子设备1还可以包括射频(RadioFrequency，RF)电路、传感器和音频电路等等，在此不再赘述。
在上述实施例中，处理器12执行存储器11中存储的用户行为分析程序10时可以实现如下步骤：
从预设数据库中获取多张初始二部图，所述初始二部图是由历史用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成，根据所述初始二部图的用户节点对推荐项节点产生的行为信息确定所述初始二部图的连接边；
根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签；
将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值；
若所述屏蔽值大于预设值，则对初始二部图进行更新，根据所述初始网络模型对更新后的二部图进行迭代训练，直至所述屏蔽值小于所述预设值时，得到目标网络模型；
将由待测用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成的目标二部图输入所述目标网络模型进行分析，得到待测用户的行为分析结果，根据所述分析结果向所述待测用户推送推荐项。
所述存储设备可以为电子设备1的存储器11，也可以为与电子设备1通讯连接的其它存储设备。
关于上述步骤的详细介绍，请参照上述图2关于用户行为分析装置100实施例的功能模块图以及图1关于基于图神经网络的用户行为分析方法实施例的流程图的说明。
此外，本发明实施例还提出一种计算机可读介质，所述计算机可读介质可以是非易失性的，也可以是易失性的。该计算机可读介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读介质中包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有用户行为分析程序10，所述用户行为分析程序10被处理器执行时实现如下操作：
从预设数据库中获取多张初始二部图，所述初始二部图是由历史用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成，根据所述初始二部图的用户节点对推荐项节点产生的行为信息确定所述初始二部图的连接边；
根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签；
将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值；
若所述屏蔽值大于预设值，则对初始二部图进行更新，根据所述初始网络模型对更新后的二部图进行迭代训练，直至所述屏蔽值小于所述预设值时，得到目标网络模型；
将由待测用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成的目标二部图输入所述目标网络模型进行分析，得到待测用户的行为分析结果，根据所述分析结果向所述待测用户推送推荐项。
本发明之计算机可读介质的具体实施方式与上述基于图神经网络的用户行为分析方法的具体实施方式大致相同，在此不再赘述。
在另一个实施例中，本发明所提供的基于图神经网络的用户行为分析方法，为进一步保证上述所有出现的数据的私密和安全性，上述所有数据还可以存储于一区块链的节点中。例如用户节点、推荐项节点，这些数据均可存储在区块链节点中。
需要说明的是，本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，电子装置，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于图神经网络的用户行为分析方法，其特征在于，所述方法包括：
从预设数据库中获取多张初始二部图，所述初始二部图是由历史用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成，根据所述初始二部图的用户节点对推荐项节点产生的行为信息确定所述初始二部图的连接边；
根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签；
将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值；
若所述屏蔽值大于预设值，则对初始二部图进行更新，根据所述初始网络模型对更新后的二部图进行迭代训练，直至所述屏蔽值小于所述预设值时，得到目标网络模型；
将由待测用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成的目标二部图输入所述目标网络模型进行分析，得到待测用户的行为分析结果，根据所述分析结果向所述待测用户推送推荐项。
2.如权利要求1所述的基于图神经网络的用户行为分析方法，其特征在于，所述根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签，包括：
根据所述连接边将所有的初始二部图按随机比例分成训练集和验证集；
根据所述训练集的用户节点与推荐项节点的特征向量构建特征矩阵；
根据所述训练集的用户节点与推荐项节点的边连接关系构建邻接矩阵；
将所述特征矩阵与所述邻接矩阵输入所述初始网络模型进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签。
3.如权利要求2所述的基于图神经网络的用户行为分析方法，其特征在于，所述初始网络模型包括两个以上的图卷积网络层，所述将所述特征矩阵与所述邻接矩阵输入所述初始网络模型进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签，包括：
根据预设信息传播公式将所述特征矩阵的每一行任意节点的特征向量与所述邻接矩阵的边连接关系在每层图卷积网络层进行聚合，形成下一图卷积网络层的特征向量；
当所述用户节点与所述推荐项节点在所述每层图卷积网络层进行信息聚合完成时，得到所述训练集的用户节点表示、推荐项节点表示，以及用户节点表示与推荐项节点表示分别对应的边标签。
4.如权利要求3所述的基于图神经网络的用户行为分析方法，其特征在于，所述预设信息传播公式包括：
其中，X′为所述特征矩阵的每一行任意节点的特征向量与所述邻接矩阵的边连接关系在每层图卷积网络层进行聚合的特征向量，A为所述训练集的邻接矩阵，D为所述训练集的特征矩阵，W是可学习参数，σ是激活函数，X为所述特征矩阵的每一行任意节点的特征向量。
5.如权利要求1所述的基于图神经网络的用户行为分析方法，其特征在于，所述将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，包括：
将所述训练集所有的用户节点表示与推荐项节点表示进行两两拼接并输入至所述全连接网络；
根据所述全连接网络对所述训练集的用户节点与推荐项节点之间进行边预测，得到边标签对应的梯度训练网络。
6.如权利要求1所述的基于图神经网络的用户行为分析方法，其特征在于，所述根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值，包括：
根据所述梯度训练网络对所述验证集任意用户节点与推荐项节点之间网络关系进行计算，得到边网络关系值；
根据所述边网络关系值对所述验证集的连接边进行屏蔽统计，得到所述验证集的连接边的屏蔽值。
7.如权利要求1所述的基于图神经网络的用户行为分析方法，其特征在于，所述若所述屏蔽值大于预设值，则对初始二部图进行更新，包括：
A1、当所述验证集的屏蔽值大于预设值时，若所述初始二部图的用户节点与推荐项节点之间已经存在连接边，则保留所述连接边；
A2、若所述初始二部图的用户节点与推荐项节点之间未存在连接边，则将所述初始二部图的用户节点与推荐项节点进行边连接；
A3、重复A1-A2直至将所述初始二部图所有的用户节点与推荐项节点之间的边关系进行更新，得到更新后的二部图。
8.一种基于图神经网络的用户行为分析装置，其特征在于，所述装置包括：
获取模块用于：从预设数据库中获取多张初始二部图，所述初始二部图是由历史用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成，根据所述初始二部图的用户节点对推荐项节点产生的行为信息确定所述初始二部图的连接边；
训练模块用于：根据所述连接边将所有的初始二部图分成训练集和验证集，根据初始网络模型对所述训练集进行信息传播，得到所述训练集的用户节点表示、推荐项节点表示及对应的边标签；
训练模块还用于：将所述用户节点表示与所述推荐项节点表示进行拼接并输入至所述初始网络模型的全连接网络，得到所述边标签对应的梯度训练网络，根据所述梯度训练网络对所述验证集进行屏蔽计算，得到所述验证集的连接边的屏蔽值；
训练模块还用于：若所述屏蔽值大于预设值，则对初始二部图进行更新，根据所述初始网络模型对更新后的二部图进行迭代训练，直至所述屏蔽值小于所述预设值时，得到目标网络模型；
应用模块：将由待测用户的用户节点、推荐项节点、用户节点与推荐项节点之间的连接边构成的目标二部图输入所述目标网络模型进行分析，得到待测用户的行为分析结果，根据所述分析结果向所述待测用户推送推荐项。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的程序，所述程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述基于图神经网络的用户行为分析方法。
10.一种计算机可读介质，其特征在于，所述计算机可读介质存储有用户行为分析程序，所述用户行为分析程序被处理器执行时，实现如权利要求1至7中任一项所述基于图神经网络的用户行为分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210542103.5A CN114880566A (zh) | 2022-05-17 | 2022-05-17 | 基于图神经网络的用户行为分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210542103.5A CN114880566A (zh) | 2022-05-17 | 2022-05-17 | 基于图神经网络的用户行为分析方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114880566A true CN114880566A (zh) | 2022-08-09 |
Family
ID=82676175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210542103.5A Pending CN114880566A (zh) | 2022-05-17 | 2022-05-17 | 基于图神经网络的用户行为分析方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114880566A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115270005A (zh) * | 2022-09-30 | 2022-11-01 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法、装置、设备以及存储介质 |
| CN117057929A (zh) * | 2023-10-11 | 2023-11-14 | 中邮消费金融有限公司 | 异常用户行为检测方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968418A (zh) * | 2011-09-01 | 2013-03-13 | 阿里巴巴集团控股有限公司 | 网站信息检索方法和系统 |
| CN113095901A (zh) * | 2021-02-20 | 2021-07-09 | 科大讯飞股份有限公司 | 推荐方法和相关模型的训练方法、电子设备、存储装置 |
| CN113705797A (zh) * | 2021-09-29 | 2021-11-26 | 平安科技（深圳）有限公司 | 基于图神经网络的推荐模型训练方法、装置、设备及介质 |
-
2022
- 2022-05-17 CN CN202210542103.5A patent/CN114880566A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968418A (zh) * | 2011-09-01 | 2013-03-13 | 阿里巴巴集团控股有限公司 | 网站信息检索方法和系统 |
| CN113095901A (zh) * | 2021-02-20 | 2021-07-09 | 科大讯飞股份有限公司 | 推荐方法和相关模型的训练方法、电子设备、存储装置 |
| CN113705797A (zh) * | 2021-09-29 | 2021-11-26 | 平安科技（深圳）有限公司 | 基于图神经网络的推荐模型训练方法、装置、设备及介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115270005A (zh) * | 2022-09-30 | 2022-11-01 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法、装置、设备以及存储介质 |
| CN117057929A (zh) * | 2023-10-11 | 2023-11-14 | 中邮消费金融有限公司 | 异常用户行为检测方法、装置、设备及存储介质 |
| CN117057929B (zh) * | 2023-10-11 | 2024-01-26 | 中邮消费金融有限公司 | 异常用户行为检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866181B (zh) | 资源推荐的方法、装置及存储介质 | |
| CN110598845B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN112085565B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
| CN114372573B (zh) | 用户画像信息识别方法、装置、计算机设备和存储介质 | |
| CN109509056A (zh) | 基于对抗网络的商品推荐方法、电子装置及存储介质 | |
| CN111723292B (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
| CN112085615B (zh) | 图神经网络的训练方法及装置 | |
| CN110866180A (zh) | 资源推荐方法、服务器及存储介质 | |
| CN114880566A (zh) | 基于图神经网络的用户行为分析方法、装置、设备及介质 | |
| CN114565196B (zh) | 基于政务热线的多事件趋势预判方法、装置、设备及介质 | |
| CN111275205A (zh) | 虚拟样本的生成方法、终端设备及存储介质 | |
| CN113761375B (zh) | 基于神经网络的消息推荐方法、装置、设备及存储介质 | |
| CN113343091A (zh) | 面向产业和企业的科技服务推荐计算方法、介质及程序 | |
| CN111738780A (zh) | 一种推荐对象的方法及系统 | |
| CN111198967A (zh) | 基于关系图谱的用户分组方法、装置及电子设备 | |
| CN113434762A (zh) | 基于用户信息的关联推送方法、装置、设备及存储介质 | |
| CN115204971B (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN109978594B (zh) | 订单处理方法、装置及介质 | |
| CN111475720A (zh) | 推荐方法、装置、服务器及存储介质 | |
| CN112511632A (zh) | 基于多源数据的对象推送方法、装置、设备及存储介质 | |
| CN108304407A (zh) | 一种进行对象排序的方法和系统 | |
| CN115392361A (zh) | 一种智能排序方法、装置、计算机设备及存储介质 | |
| CN115186188A (zh) | 基于行为分析的产品推荐方法、装置、设备及存储介质 | |
| CN116127188A (zh) | 目标反馈值确定方法、装置、电子设备及存储介质 | |
| CN113722437A (zh) | 基于人工智能的用户标签识别方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |