[发明专利]推荐方法及装置、推荐模型的训练方法及装置

说明书

本公开关于一种推荐方法及装置、推荐模型的训练方法及装置。该训练方法包括：获取待推荐对象的用户账户和至少两个待推荐对象的对象标识；将超图的信息输入超图卷积网络，得到训练数据中训练用户账户、对象和行为的嵌入表示信息，其中，训练数据包括多个元组，每个元组包括一个训练用户账户、一个对象的对象标识、训练用户账户对对象产生的行为的行为标识，超图是基于训练数据中的多个元组构建的以训练用户账户、对象标识和行为标识为节点的图；将嵌入表示信息、用户账户和至少两个待推荐对象的对象标识输入到推荐网络，得到每个待推荐对象的推荐信息；基于推荐信息向用户账户推荐至少两个待推荐对象。

技术领域

本公开涉及人工智能领域，尤其涉及一种推荐方法及装置、推荐模型的训练方法及装置。

背景技术

目前，推荐系统可以根据用户的历史行为数据来学习用户的兴趣，提供个性化的信息访问。传统的协同过滤(CF)只针对一种行为(如购买或点击)进行操作，然而，只针对一种行为进行建模在现实世界的推荐引擎中是有局限性的。例如，在电子商务网站，用户的购买记录总是比点击行为稀少得多，这就导致了数据稀少的问题。

为了解决这个问题，一般是将传统的协同过滤扩展到多行为推荐，具体来说，多行为推荐是指利用多种类型的行为，包括目标行为(target behavior)和辅助行为，来提高目标行为的推荐效果。目前已有的最先进的利用图神经网络的多行为推荐算法，依赖的是多行为图卷积网络(Multi-Behavior Graph Convolutional Network，缩写为MBGCN)，以为用户推荐视频为例说明，MBGCN是通过包含用户节点和视频节点的超图进行卷积来为用户推荐视频，使得各种行为独立的通过卷积进行建模，忽略了行为之间的强相关性，例如，在短视频平台上，用户看过视频觉得视频很有趣，决定点赞和收藏，这样的“点赞-收藏”表征了这两种行为之间的强相关性，而MBGCN忽略了这两种行为的强相关性，因此在语义复杂的场景下难以捕捉全局信息。

发明内容

本公开提供一种推荐方法及装置、推荐模型的训练方法及装置，以至少解决相关技术无法捕获全局信息导致推荐的对象没有很好的符合用户所需的问题。

根据本公开实施例的第一方面，提供了一种推荐方法，推荐方法基于推荐模型实现，推荐模型包括超图卷积网络和推荐网络，推荐方法包括：获取待推荐对象的用户账户和至少两个待推荐对象的对象标识；将超图的信息输入超图卷积网络，得到训练数据中训练用户账户、对象和行为的嵌入表示信息，其中，训练数据包括多个元组，每个元组包括一个训练用户账户、一个对象的对象标识、训练用户账户对对象产生的行为的行为标识，超图是基于训练数据中的多个元组构建的以训练用户账户、对象标识和行为标识为节点的图，超图的边为连接一个元组中训练用户账户、对象标识和行为标识中至少两个节点的线；将嵌入表示信息、用户账户和至少两个待推荐对象的对象标识输入到推荐网络，得到每个待推荐对象的推荐信息，其中，推荐信息表示用户账户对相应的待推荐对象产生的行为是目标行为的概率，训练数据包括目标行为；基于推荐信息向用户账户推荐至少两个待推荐对象。

可选地，超图包括以下至少之一：第一超图、第二超图，第一超图和第二超图通过如下方式构建：基于目标元组构建以用户账户、对象标识和行为标识为节点的第一超图，其中，目标元组是多个元组中包含目标行为的行为标识的元组；基于非目标元组构建以用户账户、对象标识和行为标识为节点的第二超图，其中，非目标元组是多个元组中除目标元组之外的元组。

可选地，在超图包括第一超图和第二超图的情况下，超图卷积网络包括第一超图卷积网络、第二超图卷积网络和权重系数，将超图的信息输入超图卷积网络，得到训练数据中训练用户账户、对象和行为的嵌入表示信息，包括：将第一超图的信息输入第一超图卷积网络，得到训练数据中训练用户账户、对象和行为的第一嵌入表示信息；将第二超图的信息输入第二超图卷积网络，得到训练数据中训练用户账户、对象和行为的第二嵌入表示信息；基于第一嵌入表示信息、第二嵌入表示信息和权重系数，得到嵌入表示信息。