[发明专利]训练用户兴趣挖掘模型、用户兴趣挖掘的方法和装置

权利要求书

1.一种训练用户兴趣挖掘模型的方法，所述用户兴趣挖掘模型包括图神经网络和兴趣分布预测网络，所述方法包括：

获取多个样本用户构成的关系网络图，所述关系网络图中具有社交关系的两个样本用户之间具有连接边；

将所述多个样本用户中的任一样本用户作为目标用户，根据所述目标用户的行为日志特征，确定所述目标用户的初始用户表征向量，所述行为日志特征表征了用户在一段时间内访问的对象；

将所述多个样本用户分别对应的初始用户表征向量和所述关系网络图输入所述图神经网络，通过所述图神经网络，得到所述目标用户的融合用户表征向量；

将所述多个样本用户分别对应的融合用户表征向量输入所述兴趣分布预测网络，得到各样本用户分别对应的兴趣分布参数；

通过最小化目标函数，调整所述用户兴趣挖掘模型的网络参数，所述目标函数包括，各样本用户分别对应的兴趣分布参数所表征的预测兴趣分布与已知的用户兴趣先验分布之间的分布差异，所述调整至少使得所述分布差异减小。

2.如权利要求1所述的方法，其中，所述行为日志特征通过向量表征，该向量的每个元素对应于一个对象，该元素的数值代表该对象是否被访问。

3.如权利要求1所述的方法，其中，所述用户兴趣先验分布为正态分布，所述正态分布具有已知均值和已知协方差；

所述将所述多个样本用户分别对应的融合用户表征向量输入所述兴趣分布预测网络，得到各样本用户分别对应的兴趣分布参数，包括：

将所述多个样本用户中任一样本用户对应的融合用户表征向量输入所述兴趣分布预测网络，通过所述兴趣分布预测网络输出该样本用户对应的预测均值和预测协方差。

4.如权利要求3所述的方法，其中，所述已知均值和已知协方差根据先验的狄利克雷的已知参数而确定，所述已知参数与预先假定的兴趣数目有关。

5.如权利要求3所述的方法，其中，所述兴趣分布预测网络包括多层感知器MLP；所述通过所述兴趣分布预测网络输出该样本用户对应的预测均值和预测协方差，包括：

通过所述MLP的第一网络层，输出所述预测均值；

通过所述MLP的第二网络层，输出所述预测协方差。

6.如权利要求3所述的方法，其中，所述分布差异为KL散度，所述KL散度通过所述预测均值、所述预测协方差、所述已知均值和所述已知协方差而确定。

7.如权利要求1所述的方法，其中，所述用户兴趣挖掘模型还包括线性映射网络；所述方法还包括：

获取各对象分别对应的语义表征向量；

将各语义表征向量输入所述线性映射网络，通过所述线性映射网络生成兴趣对象分布矩阵，所述兴趣对象分布矩阵中的同一行元素体现了同一兴趣下各对象分别出现的概率；

根据各样本用户分别对应的兴趣分布参数形成用户兴趣预测分布，通过对所述用户兴趣预测分布采样，得到用户兴趣分布矩阵，所述用户兴趣分布矩阵的同一行元素体现了同一样本用户针对各兴趣分别的概率；

根据所述兴趣对象分布矩阵和所述用户兴趣分布矩阵，确定各样本用户的预测行为日志；

所述目标函数还包括，根据各样本用户的预测行为日志和行为日志特征确定的似然概率；所述调整所述用户兴趣挖掘模型的网络参数还使得，所述似然概率增大。

8.如权利要求7所述的方法，其中，所述似然概率，通过计算各样本用户的预测行为日志和行为日志特征之间的相似度而确定。

9.如权利要求7所述的方法，其中，所述获取各对象分别对应的语义表征向量，包括：

将各对象中任一对象的描述性文本输入预先训练的表征模型，通过所述表征模型输出该对象对应的语义表征向量。