CN115600016A - 社交网络用户实时推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开的实施方式提供了一种社交网络用户实时推荐方法、装置、设备及存储介质。该方法包括：基于社交网络的用户活动数据生成社交关系图；对社交关系图中各用户节点进行节点采样，获得用户节点序列；对用户节点序列进行图表示学习，获得各个用户节点的特征向量。获取请求用户和候选房间，根据请求用户和候选房间的用户节点的特征向量分别生成请求用户和候选房间的特征向量。基于请求用户的特征向量和候选房间的特征向量，生成推荐结果。通过图表示学习的方式学习用户的社交网络关系，得到的特征向量更健壮且易于推广泛化，能够为社交网络用户提供更为精确的推荐结果，提高用户体验。

Description

社交网络用户实时推荐方法、装置、电子设备及存储介质

技术领域

本公开的实施方式涉及互联网技术领域，更具体地，本公开的实施方式涉及社交网络用户实时推荐方法、装置、电子设备及存储介质。

背景技术

本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

当前，许多社交软件具有相应的社交社区功能，在社交社区内可以形成多个社交房间。用户在进入社交社区时，软件具有为用户推荐社交房间的功能，用户可以根据软件的推荐选择进入相应的社交房间。但是，现有的推荐模型准确性较差，无法向用户准确推荐可能感兴趣的社交房间，用户体验差。

公开内容

基于上述技术问题，本公开的实施方式提供一种社交网络用户实时推荐方法、装置、电子设备及存储介质，以提供推荐结果的准确性，提高用户体验。

在本上下文中，本公开的实施方式提供一种社交网络用户实时推荐方法、装置、电子设备及存储介质。

在本公开实施方式的第一方面中，提供了一种社交网络用户实时推荐方法，包括：获取第一预定时间内的社交网络的第一用户活动数据；基于所述第一用户活动数据生成社交关系图；对所述社交关系图中各用户节点进行节点采样，获得用户节点序列；对所述用户节点序列进行图表示学习，获得各个用户节点的特征向量；获取请求用户，根据所述请求用户的用户节点生成所述请求用户的特征向量；获取候选房间，根据所述候选房间内用户节点的特征向量生成所述候选房间的特征向量，其中，所述候选房间内具有一个或多个用户节点；基于所述请求用户的特征向量和所述候选房间的特征向量，生成推荐结果。

在本公开的一个实施例中，所述方法还包括：获取所述社交网络在第二预定时间内的第二用户活动数据；基于所述第二用户活动数据，获取更新用户；获取所述更新用户在所述社交关系图中的邻居节点，并基于所述第二用户活动数据更新所述更新用户与所述邻居节点之间的连接关系，生成更新社交关系图；对所述更新社交关系图中的用户节点进行采样，生成更新用户节点序列；对所述更新用户节点序列进行图表示学习，获得所述更新社交关系图中各个用户节点的特征向量。

在本公开的另一实施例中，所述基于所述第一用户活动数据生成社交关系图，包括：基于所述第一用户活动数据，获取用户节点和各个用户节点之间的用户行为数据；根据所述用户行为数据，确定各个用户节点之间连接关系；基于所述用户节点和所述连接关系，生成社交关系图，其中，所述社交关系图为同构图结构。

在本公开的又一个实施例中，所述对所述社交关系图中各用户节点进行节点采样，获得用户节点序列，包括：在对一个目标用户节点的采样过程中，执行以下步骤：基于采样概率选取目标用户节点的一个邻居节点作为第一访问节点；从所述目标用户节点游走至所述第一访问节点；基于采样概率选取所述第一访问节点的一个邻居节点作为第二访问节点，从所述第一访问节点游走到所述第二访问节点；在游走的节点序列长度满足预设长度时，生成所述目标用户节点对应的游走路径；重复所述采样过程至预定的采样次数，生成所述用户节点序列。

在本公开的再一个实施例中，所述方法还包括：获取所述目标用户节点到达所述邻居节点的概率P；获取所述目标用户节点与所述邻居节点之间的连接边的权重E；获取以所述目标用户节点为源节点的边的数量n；根据所述概率P、所述权重E和所述数量n确定所述采样概率。

在本公开的再一个实施例中，所述对所述用户节点序列进行图表示学习，获得各个用户节点的特征向量，包括：基于所述用户节点序列和预设的采样窗口，构建各个用户节点的训练样本；将所述训练样本输入向量生成模型，进行迭代训练，其中，所述向量生成模型包括连续词袋模型或连续跳跃模型；在训练完成后，生成每个用户节点的特征向量。

在本公开的再一个实施例中，所述根据所述候选房间内用户节点的特征向量生成候选房间的特征向量，包括：获取所述候选房间内各个用户节点的特征向量；对各个用户节点的特征向量进行聚合处理，生成所述候选房间的特征向量。

在本公开的再一个实施例中，所述聚合处理包括基于注意力机制的加权平均池化处理、最大值池化处理处理和平均池化处理中的一种或多种。

在本公开的再一个实施例中，所述基于所述请求用户的特征向量和所述候选房间的特征向量，生成推荐结果，包括：基于所述请求用户的特征向量和所述候选房间的特征向量，生成所述请求用户和所述候选房间的特征关系；将所述特征关系加入到预训练的房间推荐模型中，生成推荐结果。

在本公开实施方式的第二方面中，一种社交网络用户实时推荐装置，包括：数据获取模块，用于获取第一预定时间内的社交网络的第一用户活动数据；图生成模块，用于基于所述第一用户活动数据生成社交关系图；节点采样模块，用于对所述社交关系图中各用户节点进行节点采样，获得用户节点序列；学习模块，用于对所述用户节点序列进行图表示学习，获得各个用户节点的特征向量；请求用户获取模块，用于获取请求用户，根据所述请求用户的用户节点生成所述请求用户的特征向量；候选房间获取模块，用于获取候选房间，根据所述候选房间内用户节点的特征向量生成所述候选房间的特征向量，其中，所述候选房间内具有一个或多个用户节点；推荐结果生成模块，用于基于所述请求用户的特征向量和所述候选房间的特征向量，生成推荐结果。

在本公开实施方式的第三方面中，提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行如上任意一项所述的社交网络用户实时推荐方法。

在本公开实施方式的第四方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任意一项所述的社交网络用户实时推荐方法。

根据本公开实施方式的社交网络用户实时推荐方法，基于用户活动数据构建得到社交关系图。然后对社交关系图进行图表示学习，获得各个用户节点的特征向量。在为请求用户进行候选房间(例如歌房场景)推荐时，可以基于请求用户的特征向量和候选房间的特征向量，生成相应的推荐结果。上述推荐方法采用“用户-用户”的推荐逻辑，能够更为精准地表征用户的音乐兴趣偏好，模型易于优化和维护，解决歌房外显特征太少无法真正表达房间内用户音乐兴趣的问题，并能够解决歌房动态变化带来的兴趣偏移问题，推荐结果更为精准，有效提升了用户的进房率，为用户带来更好的歌房使用体验。

附图说明

通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：

图1示意性地示出了根据本公开实施方式的应用场景的示意图；

图2示意性地示出了根据本公开实施例提供的社交网络用户实时推荐方法的流程示意图；

图3示意性地示出了根据本公开实施例提供的生成社交关系图的流程示意图；

图4示意性地示出了根据本公开实施例提供的社交关系图的示例图；

图5示意性地示出了根据本公开另一实施例提供的社交网络用户实时推荐方法的流程示意图；

图6示意性地示出了根据本公开实施例提供的存储介质的结构示意图；

图7示意性地示出了本公开实施例提供的社交网络用户实时推荐装置的结构示意图；

图8示意性地示出了本公开实施例提供的更新模块的结构示意图；

图9示意性地示出了本公开实施例提供的计算机设备的结构示意图。

在附图中，相同或对应的标号表示相同或相应的部分。

具体实施方式

下面将参考若干示例性实施方式来描述本公开的原理和精神。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公开，而并非以任何方式限制本公开的范围。相反，提供这些实施方式是为了使本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。

本领域技术人员知道，本公开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。本公开的实施方式所涉及的数据可以为经用户授权或经过各方充分授权的数据，对数据的采集、传播和使用等，均符合相关法律法规要求，本公开的实施方式/实施例可以互相组合。

根据本公开的实施方式，提出了一种社交网络用户实时推荐方法、装置、电子设备及存储介质。

在本文中，需要理解的是，所涉及的术语含义如下：

图(Graph)：图论中表示物体与物体之间关系的方法，由顶点和边组成。根据边是否具有方向性可以分为有向图和无向图，根据节点和边是否具有多种类别可以分为异构图和同构图。

社交关系图：用来表述人与人之间关系网络的图称为社交关系图，在社交关系图中，每个节点代表一个人，人与人之间的关系形成边。

图表示学习：通过图论的方法或者深度学习模型把图的每个节点映射到一个低维、稠密的向量中，目标是向量之间的关系可以反映节点在图中的关系。

图神经网络：一种基于图结构的深度学习方法。图神经网络主要由两部分组成，即“图”和“神经网络”。

冷启动：指在推荐系统中新出现的用户或者物品，由于没有任何历史信息，无法被推荐系统通过相似用户或者相似物品等协同过滤方法进行推荐的问题。本公开实施例中，将推荐新创建歌房的过程称为歌房的冷启动。

深度游走(Deepwalk)：随机游走算法，是一种数学统计模型，它是一连串的轨迹所组成，每一次都是随机的。它能用来表示不规则的变动形式，形成随机过程记录。

连续跳跃(Skip-gram)模型：是一种词向量表达学习的无监督语言模型，其方式是在一段文字中预测给定中心词相对应的上下文单词，通过在大规模语料库上进行不断的模型迭代训练，最终获得稳定的词向量表征。

Embedding：将特征经过身份标识(Identity，ID)映射转化为向量表示即为嵌入(Embedding)。本公开实施例中，用于对社交关系图中的用户节点进行数值化处理，转换为统一向量空间的特征向量(Embedding)。基于各个用户的Embedding，能够应用于推荐模型中，提高推荐准确度。

下面参考本公开的若干代表性实施方式，详细阐释本公开的原理和精神。

公开概述

本发明人发现，在相关技术中，现有的推荐系统大多数用于推荐用户感兴趣的物品，例如新闻、商品等。采用传统“用户-物品”的推荐逻辑，即提取用户购买的商品或浏览的新闻的内容、标签等属性特征，然后根据用户历史点击、播放、购买等行为数据，利用机器学习的方法学习用户的偏好并进行推荐。但是，由于歌房随时创建和随时注销的特性，使得歌房的附属特征相对缺乏，仅具有短文本标题、房间类别以及动态变化的播放歌曲等，缺少足够的图文特征。此外，歌房创建注销实时动态变化的特性导致歌房ID特征不能在海量的用户行为数据训练的模型中发挥作用。因此，通过现有的学习物品的特征进行用户推荐的方法，往往难以充分表征用户，导致推荐模型的精确性较低，且在不同场景下的推荐效果差异加大，推广的泛化性较差。

为了解决以上问题，本发明人通过通过图表示学习的方式学习用户的社交网络关系(例如音乐社交关系)，得到的特征向量更能反应用户的兴趣偏好，且特征向量更健壮且易于推广泛化，能够为社交网络用户提供更为精确的推荐结果，提高用户体验。

在介绍了本公开的基本原理之后，下面具体介绍本公开的各种非限制性实施方式。

应用场景总览

首先参考图1，图1为本公开实施方式提供的应用场景示意图。

如图1所示，用户100通过用户设备110上的应用软件登录到网络服务器120。用户设备110通过网络与网络服务器120通信。用户设备110例如可以为手机、平板、电脑等。应用软件可以是网页浏览器或应用客户端。

网络服务器120接收到用户欲进入社交网络的房间或发起房间匹配的请求时，根据用户的特征向量和候选房间的特征向量生成推荐结果。推荐结果例如可以是候选房间列表，在用户设备110显示推荐的候选房间。本公开实施方式中的社交网络的房间可以是歌房、聊天室、观影室等，歌房例如是一个为具有共同音乐兴趣偏好的用户提供一个网络虚拟空间，一个或多个用户可以在歌房内进行听歌、歌谱pk等与音乐相关的交友活动。聊天室例如是一个为进行特定主题讨论的用户提供的网络虚拟空间，聊天室内的用户对同一个主题进行讨论发言等。

示例性方法

下面结合图1的应用场景，参考图2来描述根据本公开示例性实施方式的社交网络用户实时推荐方法。需要注意的是，上述应用场景仅是为了便于理解本公开的精神和原理而示出，本公开的实施方式在此方面不受任何限制。相反，本公开的实施方式可以应用于适用的任何场景。

本公开实施方式的执行主体可以为用户实时推荐装置，该用户实时推荐装置的实现有多种。例如，可以为程序软件，也可以为存储有相关计算机程序的介质，例如U盘等，或者，该装置还可以为集成或安装有相关计算机程序的实体设备，例如芯片、智能终端、电脑、服务器等。

参考图2，图2为本公开一实施例提供的社交网络用户实时推荐方法的流程示意图。如图2所示，社交网络用户实时推荐方法包括：

步骤S201、获取第一预定时间内的社交网络的第一用户活动数据。

其中，社交网络为多个用户在一定的场景下进行社交所形成的，例如可以是音乐社交网络。在音乐社交网络的场景下，用户可以创建歌房成为房主，其他用户可以加入某个歌房内。同一歌房内的用户可以在房间内听歌、歌唱等，也可以与房间内的其他用户进行一系列的互动行为，例如点赞、送礼物、私信、关注等。不同歌房可以有不同的主题和玩法，例如听歌自习、歌曲PK等。

其中，第一预定时间可以根据需求设置，例如几周、几天或几个小时等。第一用户活动数据包括第一预定时间内进入歌房的用户数据以及用户之间的互动行为数据。

步骤S202、基于所述第一用户活动数据生成社交关系图。

其中，社交关系图例如为图G(V，E)，图G中，V表示图中所有节点的集合，每个节点表示一个用户。E表示图中所有边的集合。通过E表示用户之间的交互行为。

步骤S203、对所述社交关系图中各用户节点进行节点采样，获得用户节点序列。

其中，对各用户节点进行节点采样例如可以通过随机游走(Rand Walk)算法实现。Rand Walk算法通过在社交关系图上某个特定的节点开始，游走的每一步都从与当前节点相连的边中随机选择一条，沿着选定的边移动到下一个顶点，不断重复这个过程。通过不断重复地随机选择游走路径，最终形成一条贯穿网络的路径。

步骤S204、对所述用户节点序列进行图表示学习，获得各个用户节点的特征向量。

其中，图表示学习可以通过Deepwalk网络或者GCN网络实现。Deepwalk网络借助自然语言处理的思路，将生成的用户节点序列看作由单词组成的句子，所有的用户节点序列可以看作一个大的语料库(corpUs)，利用自然语言处理工具word2vec将每一个用户节点表示为一个维度为d的向量。GCN网络即图卷积神经网络，将CNN等神经网络的思想迁移到图(graph)上，提取图上节点的特征向量。例如通过将用户的节点和边输入一个函数f，从而得到一个各个节点的featUre信息。

步骤S205、获取请求用户，根据所述请求用户的用户节点生成所述请求用户的特征向量(Embedding)。

其中，请求用户为欲进入社交房间的用户。例如在音乐社交网络的歌房场景中，请求用户为欲进入歌房的用户，在t时刻，用户点击进入歌房或发起歌房匹配请求，服务器获取该用户对应的用户Embedding。

在一个示例中，请求用户为新用户时，基于预设的默认Embedding生成该新用户的Embedding。新用户表示未进入任何社交房间，也未欲卡用户发生过互动行为的用户。

在一个示例中，默认Embedding例如可以通过融合社交关系图中所有用户Embedding得到。例如通过average pooling(平均池化)方式对所有用户Embedding进行处理，将处理后的值作为新用户的Embedding。

步骤S206、获取候选房间，根据所述候选房间内用户节点的特征向量生成所述候选房间的特征向量，其中，每个候选房间内具有一个或多个用户节点。

具体地，候选房间为社交网络中的一个聚集体，例如，在音乐社交网络中，候选房间表征为歌房，在聊天社交网络中，候选房间表征为聊天室。

在一个示例中，步骤S206包括：获取所述候选房间内各个用户节点的特征向量；对各个用户节点的特征向量进行聚合处理，生成所述候选房间的特征向量。

其中，所述聚合处理包括基于注意力机制的加权平均池化处理、最大值池化处理处理和平均池化处理中的一种或多种。具体地，最大值池化处理(Max pooling)为保留各个用户Embedding中每个维度的最大特征值，其他特征值全部抛弃。平均池化处理(Averagepooling)为对各个用户Embedding中每个维度的特征值取平均值，得到候选房间的Embedding。基于attention机制的加权平均池化，利用attention机制在各个用户的Embedding加上不同权重，通过加权平均的方式得到候选房间的Embedding。

步骤S207、基于所述请求用户的特征向量和所述候选房间的特征向量，生成推荐结果。具体地，可以利用请求用户的特征向量和候选房间的特征向量的相似度确定推荐的候选房间。

通过请求用户的特征向量和候选房间的Embedding，建模请求用户和候选房间的社交网络关系，从而为请求用户推荐适合用户相关偏好的候选房间。上述过程基于“用户-用户”的推荐逻辑，能够更为精准地表征用户的音乐兴趣偏好，使得推荐结果更为精准，有效提升了用户的进房率，为用户带来更好的歌房使用体验。

请参阅图3，在一个示例中，步骤S202、基于所述第一用户活动数据生成社交关系图，具体包括：

步骤S301、基于所述第一用户活动数据，获取用户节点和各个用户节点之间的用户行为数据。其中，用户行为数据可以包括用户之间交互行为的类型、交互行为的次数、交互行为的时长、交互频率等等。交互行为例如为点赞、送礼物、听同一首歌曲等等。

步骤S302、根据所述用户行为数据，确定各个用户节点之间连接关系。其中，所述连接关系包括连接边的方向和权重。连接边的方向根据用户互动行为的发起方和接收方确定，例如用户a送礼物给用户b，则在用户节点a和用户节点形成由节点a指向节点b的连接边。连接边的权重根据用户交互行为的频次、时长等确定。例如，若两个用户之间存在多次交互行为，或者某次交互行为时长较长，例如听同一首歌超过30s，则两个用户之间连接边的权重较高。相应地，若两个用户之间的交互行为较少，则两个用户之间连接边的权重较低。

步骤S303，基于所述用户节点和所述连接关系，生成社交关系图。其中，所述社交关系图为同构图结构，即用户节点和连接边仅有一种类型。

通过用户节点和用户连接关系构建社交网络图，能够准确反映用户之间的社交行为，将“人推物”转化为“人推人”，学习到的社交图表征向量更健壮且易于推广泛化。

例如在歌房场景下，根据用户歌房内的活动数据形成一个社交关系图G:{V,E}，其中，用户构成图G的节点集合，用V＝{v1,v2,...,vn}表示；用户之间的行为关系在节点之间建立边，用E＝{e1,e2,...,en}表示。同一歌房内的用户可以在房间内听歌和唱歌，也可以与其他用户进行一系列的互动行为，比如点赞、送礼物、私信、关注等，根据这些不同的行为节点间建立不同方向和权重的边。为了避免形成稠密图，减少图的复杂程度和计算量，对于在歌房内听歌和唱歌的用户，仅在其与房主之间建立双向边的联系。除此之外，在有互动行为的用户之间建立单向边的联系。在不同时间用户可能参与其他歌房的互动。把一段时间内所有歌房活动数据集中在一起，并以用户间的互动频率、程度以及互动类型区分不同边的权重和方向，生成社交关系图。

图4示例性地示出了歌房场景下的社交关系图的图示。请参阅图4，U1～U9构成社交关系图中的用户节点，其中，用户U1为歌房400的房主，用户U6和用户U9分别为其他歌房的房主。用户U2、U3、U4和U5加入房主U1的歌房，与房主U1之间采用实线连接。用户U10加入房主U9的歌房，用户U7和U8加入房主U6的歌房。用户U3给用户U2发过礼物，二者之间用粗虚线单向连接；用户U4关注了用户U2，二者之间用细虚线单向连接。用户U2在曾经进入过房主U9创建的歌房，二者之间用实线连接。用户U4曾经进入过房主U6创建的歌房，二者之间用实线连接。因此，基于用户的行为行为数据，构建得到歌房场景下的社交关系图。

在一个示例中，步骤S203、对所述社交关系图中各用户节点进行节点采样，获得用户节点序列，具体包括：

在对一个目标用户节点的采样过程中，执行以下步骤：

基于采样概率选取目标用户节点的一个邻居节点作为第一访问节点；

从所述目标用户节点游走至所述第一访问节点；

基于采样概率选取所述第一访问节点的一个邻居节点作为第二访问节点，从所述第一访问节点游走到所述第二访问节点；

在游走的节点序列长度满足预设长度时，生成所述目标用户节点对应的游走路径；

重复所述采样过程至预定的采样次数，生成所述用户节点序列。

具体地，预设每个用户节点的采样次数γ和采样的序列长度t，对于社交关系图中的每一个用于节点，单次采样时，从初始节点以一定的采样概率随机采样一个邻居节点作为下一个访问节点，重复此过程，直到访问节点序列长度满足预设条件。重复单次采样过程，直到满足预设的采样次数，最终得到序列长度为t的有用户节点序列。例如，生成序列长度为3的用户节点序列(U1-U4-U2)、(U2-U9-U1)和(U3-U1-U2)。

在一个示例中，所述采样概率按照如下步骤确定：

获取所述目标用户节点到达所述邻居节点的概率P；

获取所述目标用户节点与所述邻居节点之间的连接边的权重E；

获取以所述目标用户节点为源节点的边的数量n；

根据所述概率P、所述权重E和所述数量n确定所述采样概率。

例如，所述采样概率可以通过公式(1)表示：

其中，P(b/a)表示从用户节点a到用户节点b的采样概率，E_a→b表示用户节点a与用户节点b之间的连接边的权重，E_a→i表示用户节点a与用户节点i之间的连接边的权重；n表示以用户节点a为源节点的边的数量。

通过上述的采样概率公式，结合社交网络关系图的特性对原始随机游走的采样策略进行进一步优化，从而考虑用户不同互动程度带来差异，以获得更为可靠的用户Embedding。

在一个示例中，步骤S204、对所述用户节点序列进行图表示学习，获得各个用户节点的特征向量，具体包括：

基于所述用户节点序列和预设的采样窗口，构建各个用户节点的训练样本；

将所述训练样本输入向量生成模型，进行迭代训练在训练完成后，生成每个用户节点的特征向量。

其中，所述向量生成模型包括连续词袋(CBOW)模型或连续跳跃(skip-gram)模型。CBOW模型是个在自然语言处理和信息检索(IR)下被简化的表达模型。此模型下，像是句子或是文件这样的文字可以用一个袋子装着这些词的方式表现，通过中心词的前R个词和后R个词来预测中心词。skip-gram模型在自然语言中用于将单词嵌入为高维向量，用户节点序列可以看作时单词构成的句子，可以对节点进行向量化表征学习。

在一个示例中，以skip-gram(连续跳跃)模型为所述向量生成模型进行描述。具体地，在对用户节点采样后，得到由用户节点组成的序列seq＝{u₁，u₂，...，u_m}。预先设定采样窗口w，并对所有节点随机初始化为一个d维的表征向量W。对于序列seq中的每一个用户节点U，取其前后大小为w的窗口内的节点v，计算在当前表征向量W下，给定节点U出现节点v的后验概率，并使其最大化。通过反向传播算法迭代更新表征向量W，训练完成后获得社交关系图中各个用户节点的表征向量W，该表征向量W即为各个用户节点的Embedding。

例如，设置参数采样窗口w＝2，采样id的个数n_skips＝2，则对于每个用户节点U_i，可生成(U_i，U_(i-2))、(U_i，U_(i-1))、(U_i，U_(i+1))、(U_i，U_(i+2))四组训练样本。构建完训练样本，对于每个节点U_i，通过一个映射函数Φ(U)映射到向量空间W，然后优化以下目标函数至收敛：

其中，映射函数Φ的参数是一个|V|×d大小的矩阵，列维度与用户节点序列维度相同，且行维度为d维。目标函数minimize J表示在一次节点采样过程中，每当给定一个用户节点Ui，出现它的w窗口范围的节点的概率。通过目标函数minimize J训练skip-gram模型，学习不同用户节点之间的关系，使得对应的用户节点生成特征向量，能够表示出不同用户节点之间的关联性。

请参阅图5，在一个示例中，所述推荐方法还包括：

步骤S501、获取所述社交网络在第二预定时间内的第二用户活动数据。具体地，第二用户活动数据为第二预定时间内进入歌房的用户数据以及用户之间的互动行为数据。第二预定时间可以根据实际需求进行设定，本公开不进行具体限制。

步骤S502、基于所述第二用户活动数据，获取更新用户。具体地，更新用户包括新加入的用户和发生新活动行为的用户。

步骤S503、获取所述更新用户在所述社交关系图中的邻居节点，并基于所述第二用户活动数据更新所述更新用户与所述邻居节点之间的连接关系，生成更新社交关系图。

步骤S504、对所述更新社交关系图中的用户节点进行采样，生成更新用户节点序列。

步骤S505、对所述更新用户节点序列进行图表示学习，获得所述更新社交关系图中各个用户节点的特征向量。

具体地，若有新用户加入，则在相应的位置新增用户节点。对每个更新用户节点，获取其在原始社交关系图中的邻居节点，并更新边的权重，形成更新社交关系图G′＝{V′，E′}。对更新社交关系图G′＝{V′，E′}进行用户节点和图表示学习，更新V′对应的表征向量W′，从而得更新用户的Embedding。用户节点的采样过程和图表示学习过程参见上述步骤S203和步骤S204，在此不再进行赘述。

在音乐社交网络的歌房场景下，歌房的创建和用户的加入不断进行，原先构建的社交关系图的结构会发生变化，新的用户加入和用户新的活动行为会形成新的连接边，或者改变连接边之间的方向、权重等连接关系。通过对社交关系图中加入的新用户和发生变动的用户节点进行采样和图表示学习，实现对更新用户节点的Embedding进行更新。上述处理方法可以及时捕捉用户兴趣群体的变化，且不需要处理社交网络中的所有节点，节省算力。通过上述过程实现对社交关系图的实时增量学习，能够对社交网络图进行动态更新迭代，具有较好的实时性，对于能够实时创建和删除的歌房场景，具有良好的应用效果。

在一个示例中，步骤S207、基于所述请求用户的特征向量和所述候选房间的特征向量，生成推荐结果，具体包括：确定请求用户的特征向量和候选房间的特征向量的相似度，根据所述相似度确定所述候选房间中的推荐对象。

例如，计算对请求用户的Embedding和候选房间房间的Embedding的余弦相似度，根据余弦相似度对候选房间进行排序，按照排序结果候选房间中的推荐对象。推荐对象例如可以是排序第一或前几的候选房间。或者，可以设定相似度阈值，对超过阈值的候选房间进行推荐。可以理解的时，相似度阈值可以是一个固定值，也可以是动态变化的数值。

可以理解的是，在具体的应用中，除了考量请求用户的Embedding和候选房间房间的Embedding之外，还可以增加其他维度的考虑因素，形成多个维度的综合排序结果，根据综合排序结果确定候选房间的推荐对象。其他维度的考虑因例如可以为用户的历史听歌记录与歌房主题的特征关系的相似度、用户的历史搜索记录与歌房主题的特征关系的相似度等。示例性地，可以对不同维度的相似度设置权重，例如请求用户的Embedding和候选房间房间的Embedding的相似度的权重为0.6，用户的历史听歌记录与歌房主题的特征关系的相似度的权重为0.4，根据不同维度下相似度的加权结果确定候选房间中的推荐对象。

在另一个示例中，步骤S207、基于所述请求用户的特征向量和所述候选房间的特征向量，生成推荐结果，具体包括：基于所述请求用户的特征向量和所述候选房间的特征向量，生成所述请求用户和所述候选房间的特征关系；将所述特征关系加入到预训练的房间推荐模型中，生成推荐结果。

示例性地，所述请求用户和所述候选房间的特征关系可以通过特征交叉技术获得。特征交叉特征交叉是利用非线性映射函数将样本从原始空间映射到特征空间的过程，其通过将两个或多个特征相乘，来实现对样本空间的非线性变换，增加模型的非线性能力。实现特征交叉的方法有内积、哈达玛积、笛卡尔积。举例说明，假设特征向量X＝[x1，x2，x3]，特征向量Y＝[y1，y2，y3]，那么内积为x1*y1+x2*y2+x3*y3；哈达玛积为[x1*y1，x2*y2，x3*y3]；笛卡尔积为[x1*y1，x1*y2，x1*y3，x2*y1，x2*y2，x2*y3，x3*y1，x3*y2，x3*y3]。特征交叉技术包括FM聚合技术。在一个示例中，通过FM聚合技术得到请求用户的Embedding和候选房间的Embedding的聚合特征。

示例性地，所述预训练的房间推荐模型例如可以采用现有的推荐模型，推荐模型可以是多任务学习模型，例如MOE模型(Mixture of experts model，混合专家结构模型)、MMOE模型(Multigate Mixture-of-Experts model，多门控混合专家结构模型)、CGC模型(Customized Gate Control model，定制门控结构模型)等。房间推荐模型可以参照相关技术进行构建。请求用户和候选房间存在一定的关联性，这种关联性往往对推荐结果有很大的影响。上述过程通过将请求用户mbedding和候选房间Embedding的聚合特征作为房间推荐模型的一个输入，提高房间推荐模型预测结果的精准度。房间推荐模型的预测结果可以理解为用户对候选房间的消费可能性，根据获得消费结果，将消费可能性最高的候选房间推荐给请求用户。

实施本公开的社交网络用户实时推荐方法，获取预定周期内社交网络中的用户活动数据，基于用户活动数据构建得到社交关系图。然后对社交关系图进行图表示学习，获得各个用户节点的图嵌入特征向量。并能够通过增量学习的方式对用户节点的图嵌入特征向量进行更新，相比于现有技术中采用t+1离线静态训练的方式，能够实现社交关系图的动态迭代更新，具有更好的实时性。在为请求用户进行歌房推荐时，可以基于请求用户的图嵌入特征向量和候选房间的图嵌入特征向量，生成更为准确的推荐结果，有效提升了用户体验。

示例性介质

在介绍了本公开示例性实施方式的方法之后，接下来，参考图6对本公开示例性实施方式的存储介质进行说明。

参考图6所示，在一些可能的实施方式中，本公开的各个方面还可以实现为一种存储介质60，其上存储有程序代码，当程序代码被设备的处理器执行时用于实现本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的社交网络用户实时推荐方法中的步骤。

具体地，所述设备的处理器执行所述程序代码时用于实现如下步骤：步骤S201、获取第一预定时间内的社交网络的第一用户活动数据；步骤S202、基于所述第一用户活动数据生成社交关系图；步骤S203、对所述社交关系图中各用户节点进行节点采样，获得用户节点序列；步骤S204、对所述用户节点序列进行图表示学习，获得各个用户节点的特征向量；步骤S205、获取请求用户，根据所述请求用户的用户节点生成所述请求用户的特征向量；步骤S206、获取候选房间，根据所述候选房间内用户节点的特征向量生成所述候选房间的特征向量，其中，所述候选房间内具有一个或多个用户节点；步骤S207、基于所述请求用户的特征向量和所述候选房间的特征向量，生成推荐结果。

需要说明的是：上述的介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线、光缆、RF等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

示例性装置

在介绍了本公开示例性实施方式的介质之后，接下来，参考图6对本公开示例性实施方式的社交网络用户实时推荐装置进行说明，用于实现上述任一实施方式中的方法，其实现原理和技术效果类似，在此不再赘述。

参考图7，图7为本公开一实施方式提供的社交网络用户实时推荐装置的结构示意图。如图7所示，社交网络用户实时推荐装置包括：

数据获取模块710，用于获取第一预定时间内的社交网络的第一用户活动数据；

图生成模块720，用于基于所述第一用户活动数据生成社交关系图；

节点采样模块730，用于对所述社交关系图中各用户节点进行节点采样，获得用户节点序列；

学习模块740，用于对所述用户节点序列进行图表示学习，获得各个用户节点的特征向量；

请求用户获取模块750，用于获取请求用户，根据所述请求用户的用户节点生成所述请求用户的特征向量；

候选房间获取模块760，用于获取候选房间，根据所述候选房间内用户节点的特征向量生成所述候选房间的特征向量，其中，所述候选房间内具有一个或多个用户节点；

推荐结果生成模块770，用于基于所述请求用户的特征向量和所述候选房间的特征向量，生成推荐结果。

在一个示例中，第一预定时间可以根据需求设置，例如几周、几天或几个小时等。第一用户活动数据包括第一预定时间内进入歌房的用户数据以及用户之间的互动行为数据。

在一个示例中，图生成模块720，具体用于基于所述第一用户活动数据，获取用户节点和各个用户节点之间的用户行为数据；根据所述用户行为数据，确定各个用户节点之间连接关系；基于所述用户节点和所述连接关系，生成社交关系图。其中，所述社交关系图为同构图结构。

在一个示例中，节点采样模块730具体用于在对一个目标用户节点的采样过程中，执行以下步骤：基于采样概率选取目标用户节点的一个邻居节点作为第一访问节点；从所述目标用户节点游走至所述第一访问节点；基于采样概率选取所述第一访问节点的一个邻居节点作为第二访问节点，从所述第一访问节点游走到所述第二访问节点；在游走的节点序列长度满足预设长度时，生成所述目标用户节点对应的游走路径；重复所述采样过程至预定的采样次数，生成所述用户节点序列。

在一个示例中，学习模块740具体用于基于所述用户节点序列和预设的采样窗口，构建各个用户节点的训练样本；将所述训练样本输入向量生成模型，进行迭代训练在训练完成后，生成每个用户节点的特征向量。

在一个示例中，候选房间获取模块760具体用于获取所述候选房间内各个用户节点的特征向量；对各个用户节点的特征向量进行聚合处理，生成所述候选房间的特征向量。

在一个示例中，推荐结果生成模块770具体用于确定请求用户的特征向量和候选房间的特征向量的相似度，根据所述相似度确定所述候选房间中的推荐对象。

在另一个示例中，推荐结果生成模块770具体用于基于所述请求用户的特征向量和所述候选房间的特征向量，生成所述请求用户和所述候选房间的特征关系；将所述特征关系加入到预训练的房间推荐模型中，生成推荐结果。

请参阅图8，在一个示例中，社交网络用户实时推荐装置还包括更新模块，所述更新模块包括更新数据获取子模块810、更新用户获取子模块820、更新图生成子模块830、更新节点采样子模块840和更新学习子模块850。数据获取子模块810用于获取所述社交网络在第二预定时间内的第二用户活动数据。更新用户获取子模块820用于基于所述第二用户活动数据，获取更新用户。更新图生成子模块830用于获取所述更新用户在所述社交关系图中的邻居节点，并基于所述第二用户活动数据更新所述更新用户与所述邻居节点之间的连接关系，生成更新社交关系图。更新节点采样子模块840用于对所述更新社交关系图中的用户节点进行采样，生成更新用户节点序列。更新学习子模块850用于对所述更新用户节点序列进行图表示学习，获得所述更新社交关系图中各个用户节点的特征向量。

本实施例提供的社交网络用户实时推荐装置，数据获取模块获取社交网络的用户活动数据，图生成模块基于用户活动数据构建得到社交关系图。节点采样模块和学习模块分别对社交关系图进行节点采样和图表示学习，获得各个用户节点的特征向量。在为请求用户进行候选房间(例如歌房场景)推荐时，请求用户获取模块和候选房间获取模块分别得到请求用户的特征向量和候选房间的特征向量，推荐结果生成模块基于请求用户的特征向量和候选房间的特征向量，生成相应的推荐结果。上述推荐装置采用“用户-用户”的推荐逻辑，能够更为精准地表征用户的音乐兴趣偏好，模型易于优化和维护，解决歌房外显特征太少无法真正表达房间内用户音乐兴趣的问题，有效避免歌房实时创建带来的冷启动问题，并能够解决歌房动态变化带来的兴趣偏移问题，推荐结果更为精准，有效提升了用户的进房率，为用户带来更好的歌房使用体验。

示例性计算设备

在介绍了本公开示例性实施方式的方法、介质和装置之后，接下来，参考图对本公开示例性实施方式的电子设备进行说明。

图9显示的电子设备90仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。

如图9所示，电子设备90以通用计算设备的形式表现。电子设备的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。

存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备90也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备90能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备90还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图9所示，网络适配器960通过总线930与电子设备90的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备90使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

应当注意，尽管在上文详细描述中提及了社交网络用户实时推荐装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考若干具体实施方式描述了本公开的精神和原理，但是应该理解，本公开并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (10)

1.一种社交网络用户实时推荐方法，其特征在于，包括：

获取第一预定时间内的社交网络的第一用户活动数据；

基于所述第一用户活动数据生成社交关系图；

对所述社交关系图中各用户节点进行节点采样，获得用户节点序列；

对所述用户节点序列进行图表示学习，获得各个用户节点的特征向量；

获取请求用户，根据所述请求用户的用户节点生成所述请求用户的特征向量；

获取候选房间，根据所述候选房间内用户节点的特征向量生成所述候选房间的特征向量，其中，所述候选房间内具有一个或多个用户节点；

基于所述请求用户的特征向量和所述候选房间的特征向量，生成推荐结果。

2.根据权利要求1所述的社交网络用户实时推荐方法，其特征在于，所述方法还包括：

获取所述社交网络在第二预定时间内的第二用户活动数据；

基于所述第二用户活动数据，获取更新用户；

获取所述更新用户在所述社交关系图中的邻居节点，并基于所述第二用户活动数据更新所述更新用户与所述邻居节点之间的连接关系，生成更新社交关系图；

对所述更新社交关系图中的用户节点进行采样，生成更新用户节点序列；

对所述更新用户节点序列进行图表示学习，获得所述更新社交关系图中各个用户节点的特征向量。

3.根据权利要求1所述的社交网络用户实时推荐方法，其特征在于，所述基于所述第一用户活动数据生成社交关系图，包括：

基于所述第一用户活动数据，获取用户节点和各个用户节点之间的用户行为数据；

根据所述用户行为数据，确定各个用户节点之间连接关系；

基于所述用户节点和所述连接关系，生成社交关系图，其中，所述社交关系图为同构图结构。

4.根据权利要求1所述的社交网络用户实时推荐方法，其特征在于，所述对所述社交关系图中各用户节点进行节点采样，获得用户节点序列，包括：

在对一个目标用户节点的采样过程中，执行以下步骤：

基于采样概率选取目标用户节点的一个邻居节点作为第一访问节点；

从所述目标用户节点游走至所述第一访问节点；

基于采样概率选取所述第一访问节点的一个邻居节点作为第二访问节点，从所述第一访问节点游走到所述第二访问节点；

在游走的节点序列长度满足预设长度时，生成所述目标用户节点对应的游走路径；

重复所述采样过程至预定的采样次数，生成所述用户节点序列。

5.根据权利要求1所述的社交网络用户实时推荐方法，其特征在于，所述对所述用户节点序列进行图表示学习，获得各个用户节点的特征向量，包括：

基于所述用户节点序列和预设的采样窗口，构建各个用户节点的训练样本；

将所述训练样本输入向量生成模型，进行迭代训练，其中，所述向量生成模型包括连续词袋模型或连续跳跃模型；

在训练完成后，生成每个用户节点的特征向量。

6.根据权利要求1所述的社交网络用户实时推荐方法，其特征在于，所述根据所述候选房间内用户节点的特征向量生成候选房间的特征向量，包括：

获取所述候选房间内各个用户节点的特征向量；

对各个用户节点的特征向量进行聚合处理，生成所述候选房间的特征向量。

7.根据权利要求1所述的社交网络用户实时推荐方法，其特征在于，所述基于所述请求用户的特征向量和所述候选房间的特征向量，生成推荐结果，包括：

基于所述请求用户的特征向量和所述候选房间的特征向量，生成所述请求用户和所述候选房间的特征关系；

将所述特征关系加入到预训练的房间推荐模型中，生成推荐结果。

8.一种社交网络用户实时推荐装置，其特征在于，包括：

数据获取模块，用于获取第一预定时间内的社交网络的第一用户活动数据；

图生成模块，用于基于所述第一用户活动数据生成社交关系图；

节点采样模块，用于对所述社交关系图中各用户节点进行节点采样，获得用户节点序列；

学习模块，用于对所述用户节点序列进行图表示学习，获得各个用户节点的特征向量；

请求用户获取模块，用于获取请求用户，根据所述请求用户的用户节点生成所述请求用户的特征向量；

候选房间获取模块，用于获取候选房间，根据所述候选房间内用户节点的特征向量生成所述候选房间的特征向量，其中，所述候选房间内具有一个或多个用户节点；

推荐结果生成模块，用于基于所述请求用户的特征向量和所述候选房间的特征向量，生成推荐结果。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述的社交网络用户实时推荐方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任意一项所述的社交网络用户实时推荐方法。

Images