[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

说明书

本说明书实施例提供一种训练用户兴趣挖掘模型、用户兴趣挖掘的方法和装置，方法包括：获取多个样本用户构成的关系网络图，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；根据用户的行为日志特征，确定其初始用户表征向量；将多个样本用户分别对应的初始用户表征向量和关系网络图输入所述图神经网络，得到目标用户的融合用户表征向量；将多个样本用户分别对应的融合用户表征向量输入兴趣分布预测网络，得到各样本用户分别对应的兴趣分布参数；调整网络参数，使得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减小。对于不活跃的用户，也能有效挖掘用户兴趣。

技术领域

本说明书一个或多个实施例涉及计算机领域，尤其涉及训练用户兴趣挖掘模型、用户兴趣挖掘的方法和装置。

背景技术

在数字营销领域，运营需要根据对用户需求和偏好的理解，创造新的营销广告或内容素材。然而，用户数据往往是高维难以理解的，对高维用户行为数据进行降维和提供可解释性是帮助运营做营销的关键。假如把用户视为文档，访问对象(item)的行为当成词，那么使用主题模型来从用户行为数据挖掘用户意图是很自然的事情。其中，用户意图还可以称为用户兴趣。然而，现实中常存在大量不活跃的用户，这就给传统的主题模型带来了挑战，意味着大量的用户兴趣将无法被有效挖掘。

因此，希望能有改进的方案，对于不活跃的用户，也能有效挖掘用户兴趣。

发明内容

本说明书一个或多个实施例描述了一种训练用户兴趣挖掘模型、用户兴趣挖掘的方法和装置，对于不活跃的用户，也能有效挖掘用户兴趣。

第一方面，提供了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，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。

在一种可能的实施方式中，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。

在一种可能的实施方式中，所述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，包括：

通过所述图神经网络，进行预定轮数的多轮迭代运算得到所述目标用户的融合用户表征向量；

所述多轮迭代运算中的任一轮迭代包括：

利用所述目标用户的上一轮迭代得到的融合用户表征向量，所述目标用户的邻居用户的上一轮迭代得到的融合用户表征向量，所述目标用户和所述邻居用户之间的权重参数，以及本轮的迭代参数，得到所述目标用户本轮迭代的融合用户表征向量。

在一种可能的实施方式中，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：