CN111932308A - 数据推荐方法、装置和设备 - Google Patents

Abstract

本申请提供了一种数据推荐方法、装置和设备，涉及人工智能技术领域，其中，该方法包括：获取目标用户的历史行为数据；根据目标用户的历史行为数据，确定目标用户的交互矩阵；交互矩阵用于表征目标用户与m个对象的交互关系；将交互矩阵输入目标预测模型得到预测结果集；其中，目标预测模型为基于m个对象的关系网络训练得到的，m个对象的关系网络用于表征m个对象之间的关系；根据预测结果集从m个对象中确定出向目标用户推荐的至少一个对象。在本申请实施例中，由于m个对象的关系网络中可以包含有新出现的对象，并且上述m个对象的关系网络中包含对象和对象之间的关系，从而可以有效的从m个对象中筛选出向用户推荐的对象。

Description

数据推荐方法、装置和设备

技术领域

本申请涉及人工智能技术领域，特别涉及一种数据推荐方法、装置和设备。

背景技术

随着大数据技术和移动互联网技术的发展，各类信息数据的规模也随之增长。用户在进行浏览网页、网购等操作时会面临海量的商品，从而使得用户很难从大量商品中找到自己感兴趣的商品。

现有技术中，通常采用协同过滤技术从海量商品中筛选出向用户推荐的商品，但是采用协同过滤技术时如果出现新的商品，该商品没有被用户购买或浏览的交互行为数据，那么该商品就不能得到推荐，从而导致冷启动的问题。由此可见，采用现有技术中的协同过滤技术无法有效的从海量商品中筛选出向用户推荐的商品。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种数据推荐方法、装置和设备，以解决现有技术中无法有效的从海量商品中筛选出向用户推荐的商品的问题。

本申请实施例提供了一种数据推荐方法，包括：获取目标用户的历史行为数据；根据所述目标用户的历史行为数据，确定所述目标用户的交互矩阵；其中，所述交互矩阵用于表征所述目标用户与m个对象的交互关系；将所述交互矩阵输入目标预测模型得到预测结果集；其中，所述目标预测模型为基于所述m个对象的关系网络训练得到的，所述m个对象的关系网络用于表征所述m个对象之间的关系，所述预测结果集中包括所述目标用户与所述m个对象中各个对象的交互概率；根据所述预测结果集，从所述m个对象中确定出向所述目标用户推荐的至少一个对象。

本申请实施例还提供了一种数据推荐装置，包括：获取模块，用于获取目标用户的历史行为数据；确定模块，用于根据所述目标用户的历史行为数据，确定所述目标用户的交互矩阵；其中，所述交互矩阵用于表征所述目标用户与m个对象的交互关系；预测模块，用于将所述交互矩阵输入目标预测模型得到预测结果集；其中，所述目标预测模型为基于所述m个对象的关系网络训练得到的，所述m个对象的关系网络用于表征所述m个对象之间的关系，所述预测结果集中包括所述目标用户与所述m个对象中各个对象的交互概率；处理模块，用于根据所述预测结果集，从所述m个对象中确定出向所述目标用户推荐的至少一个对象。

本申请实施例还提供了一种数据推荐设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述数据推荐方法的步骤。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述数据推荐方法的步骤。

本申请实施例提供了一种数据推荐方法，可以通过获取目标用户的历史行为数据，从而确定目标用户的交互矩阵，其中，交互矩阵可以表征目标用户与m个对象的交互关系。进一步的，可以将交互矩阵输入基于m个对象的关系网络预先训练得到的目标预测模型中，得到预测结果集，其中，预测结果集中包括可以目标用户与m个对象中各个对象的交互概率。可以根据预测结果集，从m个对象中确定出向目标用户推荐的至少一个对象。由于m个对象的关系网络中可以包含有新出现的对象，并且上述m个对象的关系网络中可以包含丰富的对象和对象之间的关系，使得即使出现新的对象并且该对象没有与用户的交互数据，也可以根据该对象的与其它对象之间的关系等信息使其可以被推荐，从而可以有效的从m个对象中筛选出向用户推荐的对象。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。在附图中：

图1是根据本申请实施例提供的数据推荐系统的示意图；

图2是根据本申请实施例提供的数据推荐方法的步骤示意图；

图3是根据本申请实施例提供的数据推荐装置的结构示意图；

图4是根据本申请实施例提供的数据推荐设备的结构示意图。

具体实施方式

下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请，而并非以任何方式限制本申请的范围。相反，提供这些实施方式是为了使本申请公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域的技术人员知道，本申请的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此，本申请公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

虽然下文描述流程包括以特定顺序出现的多个操作，但是应该清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。

在本申请的一个场景示例中提供了一种目标信息确定系统，如图1所示，可以包括：终端设备101、服务器102，目标用户可以通过终端设备101发起数据推荐的请求，例如，目标用户打开网页/应用软件开始浏览、点击进入“好物推荐、猜你喜欢”等节目。服务器102可以基于用户提交的数据推荐请求操作，获取目标用户的历史行为数据，并确定目标用户的交互矩阵，将交互矩阵输入目标预测模型得到预测结果集，从而可以根据预测结果集，从m个对象中确定出向目标用户推荐的至少一个对象。

上述终端设备101可以是用户操作使用的终端设备或者软件。具体的，终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能手表或者其它可穿戴设备等终端设备，也可以是机器人设备等等。当然，终端设备101也可以是能运行于上述终端设备中的软件。例如：系统应用、支付应用、浏览器、微信小程序等应用软件。

上述服务器102可以是单一的服务器，也可以是服务器集群，当然，服务器的功能也可以是通过云计算技术实现的。该服务器102可以与多个终端设备相连，也可以是具备一个强大的信息集库的服务器，可以基于用户发起的数据推荐请求以及信息集库中的信息集进行数据筛选。在一些场景示例中，服务器102还可以将筛选得到的对象推荐给用户并在上述终端设备101的界面上展示。

请参阅图2，本实施方式可以提供一种数据推荐方法。该数据推荐方法可以用于基于目标用户的交互矩阵和目标预测模型从多个对象中确定出向目标用户推荐的至少一个对象。上述数据推荐方法可以包括以下步骤。

S201：获取目标用户的历史行为数据。

在本实施方式中，可以先获取目标用户的历史行为数据。其中，上述目标用户可以为需要进行推荐的用户，上述历史行为数据可以为目标用户在当前时间节点之前产生的行为数据，上述行为数据可以用于表征目标用户行为特征。

在一个实施方式中，上述历史行为数据可以包括：用户购买的对象、用户浏览的对象、用户收藏的对象、用户加入购物车的对象等。当然可以理解的是，在一些实施例中，上述历史行为数据中还可以包括：用户购买对象的频率、用户浏览对象的时间、用户收藏的对象的数量等，具体的可以根据实际情况确定，本申请对此不作限定。

在一个实施方式中，获取目标用户的历史行为数据的方式可以包括：按照预设路径从数据库中查询得到，或者，在网页中按照一定的查找条件搜索目标用户的历史行为数据。当然可以理解的是，还可以采用其它可能的方式获取上述样本数据集，例如，接收人员向系统输入的目标用户的历史行为数据，具体的可以根据实际情况确定，本申请对此不作限定。

S202：根据目标用户的历史行为数据，确定目标用户的交互矩阵；其中，交互矩阵用于表征目标用户与m个对象的交互关系。

在本实施方式中，可以根据上述目标用户的历史行为数据，确定目标用户的交互矩阵。其中，上述交互矩阵可以用于表征目标用户与m个对象的交互关系。其中，上述交互矩阵中的每个元素可以表示目标用户与m个对象中一个对象的交互关系，在交互矩阵中的元素的总数量大于对象的总数量的情况下，可以将交互矩阵中剩余的元素置0。

在本实施方式中，上述对象可以指行动或思考时作为目标的事物或者被用户用来接受或选择的特定事物。在一些实施例中，上述m个对象可以为待向用户推荐的对象，上述对象可以包括：商品链接、视频链接、应用软件、小程序、词条等。当然，上述m个对象不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

在本实施方式中，上述交互关系可以包括：购买、浏览、收藏、加入购物车等，当然，上述交互关系不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

在本实施方式中，上述m可以为大于0的正整数，例如，100、200、30等，具体的可以根据实际情况确定，本申请对此不作限定。

S203：将交互矩阵输入目标预测模型得到预测结果集；其中，目标预测模型为基于m个对象的关系网络训练得到的，m个对象的关系网络用于表征m个对象之间的关系，预测结果集中包括目标用户与m个对象中各个对象的交互概率。

在本实施方式中，可以将上述目标用户的交互矩阵输入至目标预测模型中，从而可以得到预测结果集。其中，上述预测结果集中可以包括目标用户与m个对象中各个对象的交互概率上述目标预测模型可以是基于m个对象的关系网络预先训练得到的，上述目标预测模型可以根据用户的交互矩阵预测用户与上述m个对象中各个对象的交互概率。

在本实施方式中，上述m个对象的关系网络可以用于直观的表征m个对象之间的关系。在一些实施例中，上述关系网络可以采用知识图谱来实现，知识图谱旨在描述真实世界中存在的各种实体或概念及其关系，其构成一张巨大的语义网络图，节点表示实体或概念，边则由属性或关系构成。基于三元组是知识图谱的一种通用表示方式，三元组的基本形式主要包括(实体1-关系-实体2)和(实体-属性-属性值)等。每个属性-属性值对(attribute-value pair，AVP)可用来刻画实体的内在特性，而关系可用来连接两个实体，刻画它们之间的关联。例如，商品是一个实体，价格是一种属性，2069是属性值，那么商品-价格-2069构成一个(实体-属性-属性值)的三元组样例。

在一个实施例中，上述实体可以是具有可区别性且独立存在的某种事物，例如上述m个对象，实体是知识图谱中的最基本元素，不同的实体间存在不同的关系。语义类(概念)是具有同种特性的实体构成的集合，概念主要指集合、类别、对象类型、事物的种类，例如人物、地理等。内容通常作为实体和语义类的名字、描述、解释等，可以由文本、图像、音视频等来表达。属性(值)可以是从一个实体指向它的属性值，不同的属性类型对应于不同类型属性的边，属性值主要指对象指定属性的值。上述关系可以形式化为一个函数，在关系网络中，关系则是一个把多个节点(实体、语义类、属性值等)映射到布尔值的函数。

S204：根据预测结果集，从m个对象中确定出向目标用户推荐的至少一个对象。

在本实施方式中，由于上述预测结果集中包括目标用户与m个对象中各个对象的交互概率，因此，可以根据上述预测结果集从m个对象中确定出向目标用户推荐的至少一个对象，从而使用目标用户可以从海量数据中便捷的看到自己可能感兴趣的内容。

在一个实施方式中，在从m个对象中确定出向目标用户推荐的至少一个对象之后，可以将上述确定得到的至少一个对象展示在目标用户的客户端的显示界面上，具体的，可以以图片、链接等方式排列展示，具体的可以根据实际情况确定，本申请对此不作限定

在一个实施方式中，如果目标用户对于推荐的对象中的某一个对象不感兴趣，目标用户可以通过点击移除按钮或者滑动操作，将用户不感兴趣的对象从客户端的显示界面中移除。

在一个实施方式中，由于上述预测结果集中包括目标用户与m个对象中各个对象的交互概率，因此，可以根据交互概率值的高低从m个对象中确定出向目标用户推荐的至少一个对象。

在一个实施方式中，可以根据交互概率值的高低确定向目标用户展示的顺序，交互概率值较高的可以排列的页面的上部或者中部，交互概率值较低的可以排列在页面的中部或者下部，具体的可以根据实际情况确定，本申请对此不作限定。

在本实施方式中，由于现有技术中的协同过滤技术的主要思想是找到与用户1最相似的用户2，向用户1推荐用户2去交互过而用户1没有交互过的对象。而在待推荐的对象数量非常大的情况下，每个用户历史交互过的对象的数量就会非常有限，从而导致交互矩阵很稀疏，难以找到相似的用户，进而导致采用协同过滤技术进行推荐的效果不好、准确率较低。而在本实施方式中，采用基于m个对象的关系网络预先训练得到的目标预测模型进行预测，不需要寻找相似用户，并且上述m个对象的关系网络中可以包含有丰富的对象和对象之间的关系以及对象的属性等信息，从而在交互矩阵稀疏的情况下也可以准确地针对目标用户进行对象的推荐。

进一步的，在本实施方式中，即使有新出现的对象，它也可以实时添加至上述关系网络中，并且由于上述关系网络中可以包含有丰富的对象和对象之间的关系以及对象的属性等信息，使得即使出现新的对象并且该对象没有与用户的交互数据，也可以根据该对象的与其它对象之间的关系和该对象的属性等信息使其可以被推荐，从而可以有效的从m个对象中筛选出向用户推荐的对象。

从以上的描述中，可以看出，本申请实施例实现了如下技术效果：可以通过获取目标用户的历史行为数据，从而确定目标用户的交互矩阵，其中，交互矩阵可以表征目标用户与m个对象的交互关系。进一步的，可以将交互矩阵输入基于m个对象的关系网络预先训练得到的目标预测模型中，得到预测结果集，其中，预测结果集中包括可以目标用户与m个对象中各个对象的交互概率。可以根据预测结果集，从m个对象中确定出向目标用户推荐的至少一个对象。由于m个对象的关系网络中可以包含有新出现的对象，并且上述m个对象的关系网络中可以包含丰富的对象和对象之间的关系，使得即使出现新的对象并且该对象没有与用户的交互数据，也可以根据该对象的与其它对象之间的关系等信息使其可以被推荐，从而可以有效的从m个对象中筛选出向用户推荐的对象。

在一个实施方式中，在将交互矩阵输入目标预测模型得到预测结果集之前，还可以包括：获取各个对象的信息集，其中，上述信息集中可以包括对象的属性和对象所属的分类。进一步的，可以从各个对象的信息集中抽取出多组目标数据，其中，每组目标数据中包括以下至少之一：实体、属性、属性值和实体间的关系，从而可以根据多组目标数据构建m个对象的关系网络；其中，m个对象的关系网络用于表征各个对象之间的关系。

在本实施方式中，上述多组目标数据中每组目标数据可以为三元组数据，例如，(实体1-关系-实体2)和(实体-属性-属性值)等。

在本实施方式中，可以根据对象的属性和对象所属的分类等信息，建立关系网络中的各种节点，例如：对象节点、对象品牌节点、对象所属商户节点、对象价格区间节点、对象一级分类节点、对象二级分类节点、对象三级分类节点等。在一些实施例中，还可以对对象采用其它方式分级，例如，四级分类等。当然，上述关系网络中的节点不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

在本实施方式中，上述对象的三级分类可以为，例如：服装－男装－衬衫，其中，服装、男装和衬衫分别是一级、二级和三级分类，和对象节点直接相连的是三级分类节点，然后三级分类节点连到二级分类节点，二级分类节点连到一级分类节点。从而可以通过这些节点分析总结出它们直接存在的关系，可以建立上述关系网络中的各种边关系，包括：对象品牌关系、对象对应商户关系、对象价格关系、对象分类关系、分类与分类关系、品牌与分类关系等。其中，上述分类与分类关系可以为一级分类和二级分类之间的关系、二级分类与一级分类之间的关系等。

在本实施方式中，可以将上述涉及到节点和边的关系网络文件加载到图数据库中，在图数据库中查询时可以通过设置起始节点和需要的几跳关系查询出从当前节点开始的节点和边。其中，所有起始节点都是预先设置好的，查询的时候就可以根据自己想查询的节点手动设置。其中，上述几跳关系可以用于表征在关系网络中的节点跨度，例如，商品节点到商户节点就相当于一跳，商品节点到商户节点再到分类节点就相当于两跳。

在本实施方式中，上述图数据库可以为：JanusGraph、Neo4j等。上述JanusGraph是一个可扩展的图数据库，可以把包含数千亿个顶点和边的图存储在多机集群上。它支持事务，支持数千用户实时、并发访问存储在其中的图。Neo4j是一个高性能的图形数据库，它将结构化数据存储在网络上而不是表中。

在一个实施方式中，在将交互矩阵输入目标预测模型得到预测结果集之前，还可以包括：获取样本数据集，其中，上述样本数据集中可以包括n个样本用户的交互矩阵。进一步的，可以获取m个对象的关系网络，并将样本数据集和m个对象的关系网络作为模型的输入数据进行训练，得到目标预测模型。

在本实施方式中，上述n可以为大于0的正整数，例如，300、2000、3100等，具体的可以根据实际情况确定，本申请对此不作限定。

在本实施方式中，上述n个样本用户可以是从多个维度确定的，上述多个维度可以包括但不限于以下至少之一：不同年龄层、不同地域、不同职业、不同性别等，从而可以确保上述样本数据集的代表性。

在一个实施方式中，上述模型可以为RippleNet模型，RippleNet是一种端到端的框架，可以模拟用户兴趣在知识图谱上的一个传播过程。RippleNet通过沿着知识图谱中的链接自动、迭代地扩展用户的潜在兴趣，从而刺激用户对一组知识实体的偏好的传播。因此，由用户以往交互过的对象激活的多个“涟漪”叠加起来，形成用户相对于候选对象的偏好分布，该分布可用于预测最终的交互概率。

在本实施方式中，上述目标预测模型的输入数据为用户的交互矩阵，输出数据为用户与m个对象的关系网络中的各个对象交互的概念。在本实施方式中，在训练过程中可以将m个对象的关系网络和上述样本数据集作为输入数据，利用Ripple Net模型进行训练。

在一个实施方式中，获取样本数据集，可以包括：获取n个样本用户的历史行为数据，进一步的，可以根据n个样本用户的历史行为数据，确定各个样本用户的交互矩阵，从而可以将各个样本用户的交互矩阵作为样本数据集。

在本实施方式中，根据目标用户的历史行为数据，确定目标用户的交互矩阵，可以包括：根据m个对象生成初始交互矩阵，其中，上述初始交互矩阵中的每个元素分别对应一个对象。进一步的，根据目标用户的历史行为数据设置初始交互矩阵中的每个元素的值，得到目标用户的交互矩阵；其中，在确定目标用户与m个对象中的第一对象之间存在交互关系的情况下，可以将第一对象对应的初始交互矩阵中的元素的值设置为1；在确定目标用户与m个对象中的第二对象之间不存在交互关系的情况下，可以将第二对象对应的初始交互矩阵中的元素的值设置为0。

在本实施方式中，上述初始交互矩阵中每个元素的值可以均为0，当然也可以为其它值，具体的可以根据实际情况设置，本申请对此不作限定。

在本实施方式中，设置得到的目标用户的交互矩阵可以如下所示：

其中，上述交互矩阵中共包含9个对象，交互矩阵中第1行第1列的元素的值为1表示目标用户对第一行第一列的元素对应的对象存在交互关系；交互矩阵中第1行第2列的元素的值为0，表示目标用户对第1行第2列的元素对应的对应不存在交互关系，上述交互矩阵中的其它元素也可以以此类推。

在一个实施方式中，根据预测结果集，从m个对象中确定出向目标用户推荐的至少一个对象，可以包括：将预测结果集中目标用户与各个对象的交互概率进行降序排列，将排序前预设数量的对象作为向目标用户推荐的对象。其中，上述预设数据量可以为大于0的正整数，例如：10、15等，具体的可以根据实际情况确定，本申请对此不作限定。

在一个实施方式中，可以基于目标用户最新的行为数据实时更新目标用户交互矩阵，从而实时的对向目标用户推荐的对象进行更新，有效提高向目标用户推荐的对象的准确度和有效性。

基于同一发明构思，本申请实施例中还提供了一种数据推荐装置，如下面的实施例。由于数据推荐装置解决问题的原理与数据推荐方法相似，因此数据推荐装置的实施可以参见数据推荐方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图3是本申请实施例的数据推荐装置的一种结构框图，如图3所示，可以包括：获取模块301、确定模块302、预测模块303、处理模块304，下面对该结构进行说明。

获取模块301，可以用于获取目标用户的历史行为数据；

确定模块302，可以用于根据目标用户的历史行为数据，确定目标用户的交互矩阵；其中，交互矩阵用于表征目标用户与m个对象的交互关系；

预测模块303，可以用于将交互矩阵输入目标预测模型得到预测结果集；其中，目标预测模型为基于m个对象的关系网络训练得到的，m个对象的关系网络用于表征m个对象之间的关系，预测结果集中包括目标用户与m个对象中各个对象的交互概率；

处理模块304，可以用于根据预测结果集，从m个对象中确定出向目标用户推荐的至少一个对象。

本申请实施方式还提供了一种电子设备，具体可以参阅图4所示的基于本申请实施例提供的数据推荐方法的电子设备组成结构示意图，电子设备具体可以包括输入设备41、处理器42、存储器43。其中，输入设备41具体可以用于输入目标用户的历史行为数据。处理器42具体可以用于获取目标用户的历史行为数据；根据目标用户的历史行为数据，确定目标用户的交互矩阵；其中，交互矩阵用于表征目标用户与m个对象的交互关系；将交互矩阵输入目标预测模型得到预测结果集；其中，目标预测模型为基于m个对象的关系网络训练得到的，m个对象的关系网络用于表征m个对象之间的关系，预测结果集中包括目标用户与m个对象中各个对象的交互概率；根据预测结果集，从m个对象中确定出向目标用户推荐的至少一个对象。存储器43具体可以用于存储目标用户的交互矩阵、向目标用户推荐的至少一个对象等参数。

在本实施方式中，输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等；输入设备用于把原始数据和处理这些数的程序输入到计算机中。输入设备还可以获取接收其他模块、单元、设备传输过来的数据。处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。存储器具体可以是现代信息技术中用于保存信息的记忆设备。存储器可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。

在本实施方式中，该电子设备具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。

本申请实施方式中还提供了一种基于数据推荐方法的计算机存储介质，计算机存储介质存储有计算机程序指令，在计算机程序指令被执行时可以实现：获取目标用户的历史行为数据；根据目标用户的历史行为数据，确定目标用户的交互矩阵；其中，交互矩阵用于表征目标用户与m个对象的交互关系；将交互矩阵输入目标预测模型得到预测结果集；其中，目标预测模型为基于m个对象的关系网络训练得到的，m个对象的关系网络用于表征m个对象之间的关系，预测结果集中包括目标用户与m个对象中各个对象的交互概率；根据预测结果集，从m个对象中确定出向目标用户推荐的至少一个对象。

在本实施方式中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory，RAM)、只读存储器(Read-Only Memory，ROM)、缓存(Cache)、硬盘(Hard DiskDrive，HDD)或者存储卡(Memory Card)。存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。

在本实施方式中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。

显然，本领域的技术人员应该明白，上述的本申请实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请实施例不限制于任何特定的硬件和软件结合。

虽然本申请提供了如上述实施例或流程图的方法操作步骤，但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。的方法的在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此，本申请的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种数据推荐方法，其特征在于，包括：

获取目标用户的历史行为数据；

根据所述目标用户的历史行为数据，确定所述目标用户的交互矩阵；其中，所述交互矩阵用于表征所述目标用户与m个对象的交互关系；

将所述交互矩阵输入目标预测模型得到预测结果集；其中，所述目标预测模型为基于所述m个对象的关系网络训练得到的，所述m个对象的关系网络用于表征所述m个对象之间的关系，所述预测结果集中包括所述目标用户与所述m个对象中各个对象的交互概率；

根据所述预测结果集，从所述m个对象中确定出向所述目标用户推荐的至少一个对象。

2.根据权利要求1所述的方法，其特征在于，在将所述交互矩阵输入目标预测模型得到预测结果集之前，还包括：

获取所述各个对象的信息集；其中，所述信息集中包括对象的属性和对象所属的分类；

从所述各个对象的信息集中抽取出多组目标数据，其中，每组目标数据中包括以下至少之一：实体、属性、属性值和实体间的关系；

根据所述多组目标数据构建所述m个对象的关系网络；其中，所述m个对象的关系网络用于表征所述各个对象之间的关系。

3.根据权利要求1所述的方法，其特征在于，在将所述交互矩阵输入目标预测模型得到预测结果集之前，还包括：

获取样本数据集；其中，所述样本数据集中包括n个样本用户的交互矩阵；

获取所述m个对象的关系网络；

将所述样本数据集和所述m个对象的关系网络作为模型的输入数据进行训练，得到所述目标预测模型。

4.根据权利要求3所述的方法，其特征在于，获取样本数据集，包括：

获取n个样本用户的历史行为数据；

根据所述n个样本用户的历史行为数据，确定各个样本用户的交互矩阵；

将所述各个样本用户的交互矩阵作为样本数据集。

5.根据权利要求3所述的方法，其特征在于，将所述样本数据集和所述m个对象的关系网络作为模型的输入数据进行训练，包括：

将所述样本数据集和所述m个对象的关系网络作为输入数据，利用Ripple Net模型进行训练。

6.根据权利要求1所述的方法，其特征在于，根据所述目标用户的历史行为数据，确定所述目标用户的交互矩阵，包括：

根据所述m个对象生成初始交互矩阵；其中，所述初始交互矩阵中的每个元素分别对应一个对象；

根据所述目标用户的历史行为数据设置所述初始交互矩阵中的每个元素的值，得到所述目标用户的交互矩阵；其中在确定目标用户与所述m个对象中的第一对象之间存在交互关系的情况下，将所述第一对象对应的初始交互矩阵中的元素的值设置为1；在确定目标用户与所述m个对象中的第二对象之间不存在交互关系的情况下，将所述第二对象对应的初始交互矩阵中的元素的值设置为0。

7.根据权利要求1所述的方法，其特征在于，根据所述预测结果集，从所述m个对象中确定出向所述目标用户推荐的至少一个对象，包括：

将所述预测结果集中所述目标用户与所述各个对象的交互概率进行降序排列；

将排序前预设数量的对象作为向所述目标用户推荐的对象。

8.一种数据推荐装置，其特征在于，包括：

获取模块，用于获取目标用户的历史行为数据；

确定模块，用于根据所述目标用户的历史行为数据，确定所述目标用户的交互矩阵；其中，所述交互矩阵用于表征所述目标用户与m个对象的交互关系；

预测模块，用于将所述交互矩阵输入目标预测模型得到预测结果集；其中，所述目标预测模型为基于所述m个对象的关系网络训练得到的，所述m个对象的关系网络用于表征所述m个对象之间的关系，所述预测结果集中包括所述目标用户与所述m个对象中各个对象的交互概率；

处理模块，用于根据所述预测结果集，从所述m个对象中确定出向所述目标用户推荐的至少一个对象。

9.一种数据推荐设备，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求1至7中任一项所述方法的步骤。

Images