本申请涉及人工智能领域,特别涉及一种对象推荐方法、装置、设备、介质及产品。
背景技术:
1、图(graph)是一种基本的数据结构,图数据由节点和边构成,图数据能够记录节点对应的对象之间的关系,在众多领域中可以通过学习图数据中节点和边的特征,从而为下游任务提供支持。
2、由于图数据能够很好地记录节点之间的关联关系,因此,常见将图数据应用于推荐领域中。例如,在好友推荐场景中,可以根据用户和用户之间的好友关系生成图数据,通过对图数据的特征进行学习,从而得到各个节点对应的节点表示,根据节点表示之间的相似度来实现好友推荐的功能。相关技术中,常使用频域图神经网络来实现图数据中节点向量表示的获取,从而根据节点向量表示之间的相似度来进行推荐得分的计算。
3、然而,随着互联网的发展,社交网络数据在转化为图数据时,对应有百万级别以上的节点,即,数据规模庞大。当频域图神经网络在对大规模数据进行处理时,由于大规模的图数据中不同部分的结构分布存在较大偏差,导致很剧烈的训练不稳定的问题,从而使得网络参数难以收敛,模型的训练效率较低,从而影响下游的推荐准确度。
技术实现思路
1、本申请实施例提供了一种对象推荐方法、装置、设备、介质及产品,可以提升在大规模数据集的场景下,图神经网络训练的稳定性以及训练效率,从而保证下游推荐的准确度。所述技术方案如下:
2、一方面,提供了一种对象推荐方法,所述方法包括:
3、获取多个候选对象对应的图数据,所述图数据中包括所述多个候选对象分别对应的节点,所述图数据中的节点根据所述多个候选对象之间的关联关系通过边进行连接;
4、将所述图数据输入至目标图神经网络中,对所述图数据中各个节点之间的关联关系进行特征提取,得到所述多个候选对象分别对应的对象节点表示,所述多个候选对象中包括第一对象;
5、响应于接收到对所述第一对象的对象推荐请求,基于所述第一对象对应的第一对象节点表示和第二对象节点表示之间的关联度得分,从所述第二对象中确定出向所述第一对象对应的账号进行推荐的目标对象,所述第二对象是所述多个候选对象中除所述第一对象之外的至少一个候选对象,所述第二对象节点表示与所述第二对象对应;
6、其中,所述目标图神经网络是通过对图神经网络进行迭代训练得到的,所述图神经网络的网络参数包括第一类参数和第二类参数,在所述图神经网络的迭代训练过程中,在每轮迭代训练中对所述第一类参数进行迭代更新,在满足轮次要求的迭代训练轮次中对所述第二类参数进行迭代更新,在迭代训练轮次达到所述图神经网络对应的目标迭代次数的情况下,得到所述目标神经网络。
7、另一方面,提供了一种对象推荐装置,所述装置包括:
8、获取模块,用于获取多个候选对象对应的图数据,所述图数据中包括所述多个候选对象分别对应的节点,所述图数据中的节点根据所述多个候选对象之间的关联关系通过边进行连接;
9、预测模块,用于将所述图数据输入至目标图神经网络中,对所述图数据中各个节点之间的关联关系进行特征提取,得到所述多个候选对象分别对应的对象节点表示,所述多个候选对象中包括第一对象;
10、推荐模块,用于响应于接收到对所述第一对象的对象推荐请求,基于所述第一对象对应的第一对象节点表示和第二对象节点表示之间的关联度得分,从所述第二对象中确定出向所述第一对象对应的账号进行推荐的目标对象,所述第二对象是所述多个候选对象中除所述第一对象之外的至少一个候选对象,所述第二对象节点表示与所述第二对象对应;
11、其中,所述目标图神经网络是通过对图神经网络进行迭代训练得到的,所述图神经网络的网络参数包括第一类参数和第二类参数,在所述图神经网络的迭代训练过程中,在每轮迭代训练中对所述第一类参数进行迭代更新,在满足轮次要求的迭代训练轮次中对所述第二类参数进行迭代更新,在迭代训练轮次达到所述图神经网络对应的目标迭代次数的情况下,得到所述目标神经网络。
12、另一方面,提供了一种计算机设备,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现本申请实施例中任一所述的对象推荐方法。
13、另一方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条程序代码,所述程序代码由处理器加载并执行以实现本申请实施例中任一所述的对象推荐方法。
14、另一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中任一所述的对象推荐方法。
15、本申请的提供的技术方案至少包括以下有益效果:
16、在进行对象推荐的过程中,由多个候选对象所对应的图数据通过训练得到的目标图神经网络获取各个候选对象对应的对象节点表示,通过对象节点表示之间的关联度得分来实现对象推荐。其中,上述目标图神经网络由图神经网络进行迭代训练得到,上述图神经网络包括第一类参数和第二类参数,在迭代训练过程汇总,第一类参数在每轮迭代训练中均进行迭代更新,而第二类参数则在满足轮次要求的迭代训练轮次中进行迭代更新,即,该方法通过调整图神经网络中不同参数的训练轮次,采用分别更新参数的方式来控制网络参数在迭代训练过程中更好地收敛,从而提升模型的训练效率,进而保证下游对象推荐中的推荐准确度。
1.一种对象推荐方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述图神经网络的训练过程,包括:
3.根据权利要求2所述的方法,其特征在于,所述第二类参数对应有训练轮次间隔g;
4.根据权利要求3所述的方法,其特征在于,所述基于所述第二参数调整梯度对所述第二类参数进行迭代更新,包括:
5.根据权利要求3或4所述的方法,其特征在于,所述图神经网络的训练过程还包括:
6.根据权利要求2至4任一所述的方法,其特征在于,所述第一类参数用于对所述图数据中所述节点对应的特征进行降维;所述第二类参数用于对所述图数据对应的图结构进行因式分解。
7.根据权利要求2至4任一所述的方法,其特征在于,在对所述图神经网络进行迭代训练之前,所述方法还包括:
8.根据权利要求7所述的方法,其特征在于,所述图数据包括n个节点和m条边,n≥2且n为整数,m为正整数;
9.根据权利要求7所述的方法,其特征在于,所述图数据包括n个节点和m条边,n≥2且n为整数,m为正整数;
10.根据权利要求2至4任一所述的方法,其特征在于,所述多个候选对象包括候选账号和候选物品,所述图数据中包括账号节点和物品节点,所述账号节点之间根据账号社交关系进行边的连接,所述物品节点之间根据物品的物品类型关系进行边的连接,所述账号节点和所述物品节点之间根据账号对物品的交互关系进行边的连接,所述账号节点中包括目标账号对应的节点;
11.一种对象推荐装置,其特征在于,所述装置包括:
12.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一段程序,所述至少一段程序由所述处理器加载并执行以实现如权利要求1至10任一所述的对象推荐方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条程序代码,所述程序代码由处理器加载并执行以实现如权利要求1至10任一所述的对象推荐方法。
14.一种计算机程序产品,其特征在于,包括计算机程序或指令,所述计算机程序或指令被处理器执行时实现如权利要求1至10任一所述的对象推荐方法。