CN111046188A - 用户偏好度确定方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本申请实施例提供了一种用户偏好度确定方法、装置、电子设备及可读存储介质，涉及数据处理技术领域。所述方法包括：将目标用户历史感兴趣对象在知识图谱上匹配的节点确定为初始节点，将待向目标用户推荐的候选对象在知识图谱上匹配的节点确定为候选节点，确定在知识图谱上与初始节点相关联的至少一个步长的关联节点，根据至少一个步长的关联节点与候选节点之间的关联度，确定目标用户在至少一个步长下的向量表示，根据候选对象的向量表示与目标用户在至少一个步长下的向量表示，确定目标用户对候选对象的偏好度；采用本申请实施例提供的用户偏好度确定方法，能够提高用户偏好度确定的准确性，进而提高推荐系统的推荐效果。

Description

用户偏好度确定方法、装置、电子设备及可读存储介质

技术领域

本实施例涉及数据处理技术领域，尤其涉及一种用户偏好度确定方法、装置、电子设备及可读存储介质。

背景技术

随着互联网技术的迅速发展，用户在互联网上浏览对象成为一种常态，互联网上存在各种各样的对象，对电商平台而言，如果能够在用户浏览对象时准确触及用户的需求，向用户推荐感兴趣的对象，则能极大提高用户使用率，进而提高运营利润。

通常，电商平台采用推荐系统确定用户对候选对象的偏好度，按照偏好度对候选对象进行推荐，因此，用户偏好度确定在推荐系统中占据重要地位。现有的基于偏好度的推荐系统中，偏好度确定准确性低，进而导致推荐系统推荐效果不佳。

发明内容

本申请实施例提供一种用户偏好度确定方法、装置、电子设备及可读存储介质，以提高用户偏好度确定的准确性，进而提高推荐系统的推荐效果。

本申请实施例第一方面提供了一种用户偏好度确定方法，所述方法包括：

根据目标用户的历史感兴趣对象，将所述历史感兴趣对象在知识图谱上匹配的节点确定为初始节点；

根据待向所述目标用户推荐的候选对象，将该候选对象在所述知识图谱上匹配的节点确定为候选节点；

确定在所述知识图谱上与所述初始节点相关联的至少一个步长的关联节点；

根据所述至少一个步长的关联节点与所述候选节点之间的关联度，确定所述目标用户在至少一个步长下的向量表示；

根据所述候选对象的向量表示与所述目标用户在至少一个步长下的向量表示，确定所述目标用户对所述候选对象的偏好度。

可选地，所述确定在所述知识图谱上与所述初始节点相关联的至少一个步长的关联节点，包括：

依次取k从1至K，确定在所述知识图谱上与所述初始节点相关联的步长为k的关联节点；

所述根据所述至少一个步长的关联节点与所述候选节点之间的关联度，确定所述目标用户在至少一个步长下的向量表示，包括：

根据步长为1的关联节点与所述候选节点之间的关联度，确定所述目标用户在第1步长下的向量表示；

依次取k从2至K，将候选节点更新为所述目标用户在第k-1步长下的向量表示所对应的节点，并根据步长为k的关联节点与该更新后的候选节点之间的关联度，确定所述目标用户在第k步长下的向量表示；

对所述目标用户在第1至K个步长下的向量表示以及各自的权重，得到所述目标用户的最终向量表示；

所述根据所述候选对象的向量表示与所述目标用户在至少一个步长下的向量表示，确定所述目标用户对所述候选对象的偏好度，包括：

根据所述候选对象的向量表示与所述目标用户的最终向量表示，确定所述目标用户对所述候选对象的偏好度。

可选地，所述确定所述目标用户对所述候选对象的偏好度，包括：

按照以下公式，确定所述目标用户对所述候选对象的偏好度：

其中，

是sigmoid函数，

是所述候选对象的向量表示，

是所述目标用户在至少一个步长下的向量表示。

可选地，所述确定所述目标用户在至少一个步长下的向量表示，包括：

按照以下公式，确定所述目标用户在第k步长下的向量表示：

其中，

是所述目标用户在第k步长下的向量表示，

是步长为k的关联三元组的集合，(h_i,r_i,t_i)是

中第i个步长为k的关联三元组，其中，h_i是第i个关联三元组对应的起始节点，r_i是第i个关联三元组对应的关系类型，t_i是第i个关联三元组对应的结束节点，p_i是第i个步长为k的三元组与所述候选节点之间的关联度。

可选地，在所述根据目标用户的历史感兴趣对象，将所述历史感兴趣对象在知识图谱上匹配的节点确定为初始节点之前，所述方法还包括：

获得多个携带偏好度标签的历史感兴趣对象样本；

以多个所述携带偏好度标签的历史感兴趣对象样本为训练样本，对预设模型进行训练，得到偏好度确定模型，所述偏好度确定模型中的参数即为

R和α。

可选地，所述方法还包括：

获得针对所述目标用户的多个待推荐对象的向量表示；

将所述多个待推荐对象的向量表示输入所述偏好度确定模型，确定所述目标用户对所述多个待推荐对象的偏好度；

根据所述目标用户对所述多个待推荐对象的偏好度，按照偏好度降序，将多个所述待推荐对象中的至少一个待推荐对象推荐给所述目标用户。

本申请实施例第二方面提供一种用户偏好度确定装置，所述装置包括：

第一确定模块，用于根据目标用户的历史感兴趣对象，将所述历史感兴趣对象在知识图谱上匹配的节点确定为初始节点；

第二确定模块，用于根据待向所述目标用户推荐的候选对象，将该候选对象在所述知识图谱上匹配的节点确定为候选节点；

第三确定模块，用于确定在所述知识图谱上与所述初始节点相关联的至少一个步长的关联节点；

第四确定模块，用于根据所述至少一个步长的关联节点与所述候选节点之间的关联度，确定所述目标用户在至少一个步长下的向量表示；

确定模块，用于根据所述候选对象的向量表示与所述目标用户在至少一个步长下的向量表示，确定所述目标用户对所述候选对象的偏好度。

可选地，所述第三确定模块，包括：

关联节点确定子模块，用于依次取k从1至K，确定在所述知识图谱上与所述初始节点相关联的步长为k的关联节点；

所述第四确定模块，包括：

第一向量表示确定子模块，用于根据步长为1的关联节点与所述候选节点之间的关联度，确定所述目标用户在第1步长下的向量表示；

第二向量表示确定子模块，用于依次取k从2至K，将候选节点更新为所述目标用户在第k-1步长下的向量表示所对应的节点，并根据步长为k的关联节点与该更新后的候选节点之间的关联度，确定所述目标用户在第k步长下的向量表示；

第三向量表示确定子模块，用于对所述目标用户在第1至K个步长下的向量表示以及各自的权重，得到所述目标用户的最终向量表示；

所述确定模块，包括：

确定子模块，用于根据所述候选对象的向量表示与所述目标用户的最终向量表示，确定所述目标用户对所述候选对象的偏好度。

可选地，所述确定模块或者所述确定子模块还用于：

按照以下公式，确定所述目标用户对所述候选对象的偏好度：

其中，

是sigmoid函数，

是所述候选对象的向量表示，

是所述目标用户在至少一个步长下的向量表示。

可选地，所述第四确定模块还用于：

按照以下公式，确定所述目标用户在第k步长下的向量表示：

其中，

是所述目标用户在第k步长下的向量表示，

是步长为k的关联节点的集合，(h_i,r_i,t_i)是

中第i个步长为k的关联节点，其中，h_i是第i个关联三元组对应的起始节点，r_i是第i个关联三元组对应的关系类型，t_i是第i个关联三元组对应的结束节点p_i是第i个步长为k的关联节点与所述候选节点之间的关联度。

可选地，所述装置还包括：

第一获得模块，用于获得多个携带偏好度标签的历史感兴趣对象样本；

训练模块，用于以多个所述携带偏好度标签的历史感兴趣对象样本为训练样本，对预设模型进行训练，得到偏好度确定模型，所述偏好度确定模型中的参数即为

R和α。

可选地，所述装置还包括：

第二获得模块，用于获得针对所述目标用户的多个待推荐对象的向量表示；

第五确定模块，用于将所述多个待推荐对象的向量表示输入所述偏好度确定模型，确定所述目标用户对所述多个待推荐对象的偏好度；

推荐模块，用于根据所述目标用户对所述多个待推荐对象的偏好度，按照偏好度降序，将多个所述待推荐对象中的至少一个待推荐对象推荐给所述目标用户。

本申请实施例第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请第一方面所述的方法中的步骤。

本申请实施例第四方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请第一方面所述的方法的步骤。

在本申请实施例中，将知识图谱的向量表示融合到用户偏好度确定方法中，使得知识图谱的向量表示与偏好度确定过程进行结合，构建了一个端到端的偏好度确定方法，提高偏好度确定的准确性，同时，由于知识图谱中包含对象的丰富信息，包括对象的属性以及对象之间丰富的关联信息，利用知识图谱扩展能够发现用户对对象的兴趣点，进一步提高偏好度确定准确性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提出的用户偏好度确定方法的流程图；

图2是本申请一实施例提出的知识图谱示意图；

图3是本申请一实施例提出的用户偏好度确定装置的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

现有技术中，基于知识图谱的偏好度确定是现在常用的一个重要手段，知识图谱已经作为重要的辅助知识来帮助提高个性化偏好度确定的精确性。使用知识图谱来辅助提高个性化偏好度确定的效果，通常的做法是先对知识图谱中的用户和对象做特征工程，然后用作特征加入到偏好度确定模型中。这个工作首先把知识图谱中的节点通过图嵌入的方法表示为向量，然后把用户和对象对应的知识图谱向量作为特征加入到偏好度确定模型。在这样的方法中，优化目标中知识图谱表示和偏好度确定系统是独立的，因此优化知识图谱的表示并没有针对个性化偏好度确定的目标进行优化，不能最大化提升偏好度确定系统的效果。

基于上述现有技术的缺陷，申请人提出一种用户偏好度确定方法，能够融合知识图谱的向量表示到偏好度确定方法中，根据目标统一进行优化，提高用户偏好度确定效果，从而取得更好的推荐效果。下面对用户偏好度确定方法进行详细描述。

参考图1，图1是本申请实施例提供的用户偏好度确定方法的流程图，如图1所示，该方法包括以下步骤：

步骤S11，根据目标用户的历史感兴趣对象，将所述历史感兴趣对象在知识图谱上匹配的节点确定为初始节点。

本实施例中，首先需要获得知识图谱，知识图谱的获得可以是采用任一现有手段新建的知识图谱，也可以是使用已经构建完成的知识图谱。其中，知识图谱可以是包含用户历史感兴趣对象的知识图谱，知识图谱中包括大量对象、特征(包括：品类、属性、标签等)、以及对象与对象之间的关系、对象与特征之间的关系。其中，历史感兴趣对象可以是历史感兴趣商品、历史感兴趣景区、历史感兴趣服务等。

另外，需要注意的是，对于不同的应用场景，知识图谱包含的内容可以不同。因此，对于不同的推荐场景，可以根据场景特点进行知识图谱的建立，此处不作具体限定。

目标用户历史感兴趣对象可以通过目标用户历史购买行为确定，或者根据目标用户历史搜索行为确定、或者根据目标用户历史点击、收藏行为确定，历史感兴趣对象匹配知识图谱上的节点。

在确定了目标用户历史感兴趣对象以及获得包含目标用户历史感兴趣对象的知识图谱之后，可以根据目标用户的历史感兴趣对象，在商品知识图谱上将与历史感兴趣对象匹配的节点确定为初始节点。在具体实施时，可以首先确定在当前时刻之前的历史时间段内目标用户的部分或全部历史感兴趣对象，然后将所确定出的各个历史感兴趣对象与知识图谱比较，从知识图谱中确定与所确定出的各个历史感兴趣对象匹配的节点，作为初始节点，初始节点的数量与历史感兴趣对象的数量相同。

步骤S12，根据待向所述目标用户推荐的候选对象，将该候选对象在所述知识图谱上匹配的节点确定为候选节点。

本实施例中，与历史感兴趣对象类似，候选对象相应地可以是候选商品、候选景区、候选服务等。以历史感兴趣对象为历史感兴趣商品，且和候选对象为候选商品为例，选定待向目标用户推荐的商品，即候选商品，候选商品也包含在知识图谱中，即候选商品也匹配知识图谱上的节点，此时将候选对象在知识图谱上匹配的节点确定为候选节点。

步骤S13，确定在所述知识图谱上与所述初始节点相关联的至少一个步长的关联节点。

本实施例中，步长表示知识图谱上的节点与节点之间的边，两个节点之间通过几条边连接，就表示两个节点通过几个步长相关联。

参考图2，图2示出了本申请实施例提供的知识图谱示意图，在图2中，假设目标用户历史感兴趣对象为A，候选对象为B，分别将其匹配到知识图谱上，如图中A为初始节点，图中B为候选节点，图中与初始节点A相关联的一个步长的关联节点为C，与初始节点A相关联的两个步长的关联节点为D，初始节点A相关联的三个步长的关联节点为E1、E2、E3、E4。

在步骤S11中在知识图谱上确定了初始节点之后，可以在知识图谱上确定与初始节点相关联的至少一个步长的关联节点。

步骤S14，根据所述至少一个步长的关联节点与所述候选节点之间的关联度，确定所述目标用户在至少一个步长下的向量表示。

本实施例中，可以利用任一合适现有技术得到知识图上各个节点的向量表示，例如，可以把知识图谱中的节点通过图嵌入的方法表示为向量，因此可以得到知识图谱上候选节点、初始节点、初始节点的关联节点的向量表示。初始节点、初始节点的关联节点以及候选节点均为知识图谱上的节点，因此相互之间存在关联，利用相互之间的关联关系，即相互之间的关联度，可以确定目标用户历史感兴趣对象在至少一个步长下的向量表示。

步骤S15，根据所述候选对象的向量表示与所述目标用户在至少一个步长下的向量表示，确定所述目标用户对所述候选对象的偏好度。

在得到了候选对象的向量表示和目标用户在至少一个步长的向量表示之后，可以根据候选对象的向量表示和目标用户在至少一个步长的向量表示确定所述目标用户对候选对象的偏好度。

以下结合优选实施例对上述方法进行详细描述。

在本发明实施例的一种优选实施例中，上述步骤S13可以包括：

步骤S131，依次取k从1至K，确定在所述知识图谱上与所述初始节点相关联的步长为k的关联节点。

本实施例中，对于每个目标用户u，定义与其相关的步长为k的节点集合

其中

是知识图谱的所有三元组集合，

是用户u历史上感兴趣的对象匹配到知识图谱上的节点结合，可以认为是用户u在图谱上的初始节点结合。

另外，对于每个用户u，定义与其相关的步长为k的三元组集合

在做出从上述定义之后，便可以从中确定与初始节点相关联的步长为k的关联节点。

在执行步骤S131，确定知识图谱上与初始节点相关联的步长为k的关联节点之后，上述步骤S14可以包括：

子步骤S141，根据步长为1的关联节点与所述候选节点之间的关联度，确定所述目标用户在第1步长下的向量表示。

本实施例中，对于用户u，给定一个候选对象v的向量表示

结合关联节点与候选节点之间的关联度，则用户u可以被与其相关的步长为1的节点表示为

子步骤S142，依次取k从2至K，将候选节点更新为所述目标用户在第k-1个步长下的向量表示所对应的节点，并根据步长为k的关联节点与该更新后的候选节点之间的关联度，确定所述目标用户在第k个步长下的向量表示。

在本实施例一种示例中，取k为2时，用

替换来指代候选对象

的向量表示，利用

可以得到用户u被与其相关的步长为2的节点表示

在本实施例另一种示例中，用

替换来指代候选对象

的向量表示，利用

可以得到用户u被与其相关的步长为k的节点表示

可选地，用户u被与其相关的步长为k的节点表示

可以通过如下公式进行计算:

其中，

是所述目标用户在第k步长下的向量表示，k的值可以取为1到k，

是步长为k的关联节点的集合，(h_i,r_i,t_i)是

中第i个步长为k的关联节点是步长为k的三元组中的第i个关联三元组，其中，h_i是第i个关联三元组对应的起始节点(也称为头节点)，r_i是第i个关联三元组对应的关系类型，t_i是第i个关联三元组对应的结束节点(也称为尾结点)。p_i是第i个步长为k的关联节点与所述候选节点之间的关联度。

可选地，第i个步长为k的关联节点与所述候选节点之间的关联度可以通过如下公式进行计算：

其中，

是所述候选节点的向量表示且长度为d，R是所述知识图谱中边的d×d矩阵表示，

表示关联三元组集合中某一个关联三元组的头节点的向量表示，R_i表示第i个关联三元组的边表示，

表示第i个关联三元组的头节点的向量表示。

子步骤S143，对所述目标用户在第1至K个步长下的向量表示以及各自的权重，得到所述目标用户的最终向量表示。

在得到目标用户在第1至K个步长下的向量表示

到

之后，可以根据

到

各自的权重，计算得到目标用户的最终向量表示，记为

在执行步骤S141-S143，得到目标用户的最终向量表示

之后，上述步骤S15可以包括：

步骤S151，根据所述候选对象的向量表示与所述目标用户的最终向量表示，确定所述目标用户对所述候选对象的偏好度。

优选地，目标用户对候选对象的偏好度

可以通过以下公式进行确定：

其中，

是sigmoid函数，

是所述候选对象的向量表示，

是所述目标用户在至少一个步长下的向量表示，即目标用户的最终向量表示。

本实施例中，将知识图谱的向量表示融合到用户偏好度确定方法中，使得知识图谱的向量表示与偏好度确定过程进行结合，构建了一个端到端的偏好度确定方法，提高偏好度确定的准确性，同时，由于知识图谱中包含对象的丰富信息，包括对象的属性以及对象之间丰富的关联信息，利用知识图谱扩展能够发现用户对对象的兴趣点，进一步提高偏好度确定准确性。

当然，本发明实施例中，用户偏好度确定方法中的参数需要预先进行训练，具体地，以下述优选实施例进行详细描述。

在本发明实施例的一种优选实施例中，在上述步骤S11之前，还可以包括：

步骤S1，获得多个携带偏好度标签的历史感兴趣对象样本。

步骤S2，以多个所述携带偏好度标签的历史感兴趣对象样本为训练样本，对预设模型进行训练，得到偏好度确定模型，所述偏好度确定模型中的参数即为

R和α。

本实施例中，可以给定历史数据中的对象样本，通过人工对感兴趣对象设置偏好标签，对不感兴趣对象设置非偏好标签，得到携带偏好标签或非偏好标签的对象样本作为训练样本，本实施例中，可以单独以携带偏好度标签的历史感兴趣对象样本为训练样本，也可以同时以携带偏好度标签的历史感兴趣对象样本以及携带非偏好标签的历史不感兴趣样本作为训练样本，对偏好度确定模型进行训练，通过SGD等算法学习得到偏好度确定模型中的参数

R和α，从而得到更新后的偏好度确定模型。

本实施例中，采用历史数据中用户对对象的偏好标签或非偏好标签对象作为训练样本，对端到端的偏好度确定确定模型进行训练，训练过程将知识图谱的向量表示融合到推荐模型中，是知识图谱与推荐模型统一学习的过程，能够有效提升偏好度确定效果。同时，端到端的模型减少了系统的复杂性和中间模块的管理成本，易于维护和不断更新。

本发明实施例中，在得到偏好度确定模型之后，可以应用偏好度确定模型进行对象推荐，具体可以包括以下步骤：

步骤S21，获得针对所述目标用户的多个待推荐对象的向量表示。

步骤S22,将所述多个待推荐对象的向量表示输入所述偏好度确定模型，确定所述目标用户对所述多个待推荐对象的偏好度。

步骤S23,根据所述目标用户对所述多个待推荐对象的偏好度，按照偏好度降序，将多个所述待推荐对象中的至少一个待推荐对象推荐给所述目标用户。

在向目标用户推荐对象时，通常会有多个待推荐对象，首先对知识图谱中的节点通过图嵌入的方法表示为向量，再将多个待推荐对象匹配到知识图谱上，得到待推荐对象的向量表示，将多个待推荐对象的向量表示输入到偏好度确定模型，可以确定得到目标用户对多个待推荐对象的偏好度，在得到偏好度之后，按照偏好度降序原则，选择排序靠前的待推荐对象推荐给目标用户。应用本实施例的偏好度确定模型进行对象推荐，能够提高推荐效果。

基于同一发明构思，本申请一实施例提供一种用户偏好度确定装置。参考图3，图3是本申请一实施例提供的用户偏好度确定装置30的示意图。如图3所示，该装置包括：

第一确定模块31，用于根据目标用户的历史感兴趣对象，将所述历史感兴趣对象在知识图谱上匹配的节点确定为初始节点；

第二确定模块32，用于根据待向所述目标用户推荐的候选对象，将该候选对象在所述知识图谱上匹配的节点确定为候选节点；

第三确定模块33，用于确定在所述知识图谱上与所述初始节点相关联的至少一个步长的关联节点；

第四确定模块34，用于根据所述至少一个步长的关联节点与所述候选节点之间的关联度，确定所述目标用户在至少一个步长下的向量表示；

确定模块35，用于根据所述候选对象的向量表示与所述目标用户在至少一个步长下的向量表示，确定所述目标用户对所述候选对象的偏好度。

可选地，所述第三确定模块，包括：

关联节点确定子模块，用于依次取k从1至K，确定在所述知识图谱上与所述初始节点相关联的步长为k的关联节点；

所述第四确定模块，包括：

第一向量表示确定子模块，用于根据步长为1的关联节点与所述候选节点之间的关联度，确定所述目标用户在第1步长下的向量表示；

第二向量表示确定子模块，用于依次取k从2至K，将候选节点更新为所述目标用户在第k-1步长下的向量表示所对应的节点，并根据步长为k的关联节点与该更新后的候选节点之间的关联度，确定所述目标用户在第k步长下的向量表示；

第三向量表示确定子模块，用于对所述目标用户在第1至K个步长下的向量表示以及各自的权重，得到所述目标用户的最终向量表示；

所述确定模块，包括：

确定子模块，用于根据所述候选对象的向量表示与所述目标用户的最终向量表示，确定所述目标用户对所述候选对象的偏好度。

可选地，所述确定模块或者所述确定子模块还用于：

按照以下公式，确定所述目标用户对所述候选对象的偏好度：

其中，

是sigmoid函数，

是所述候选对象的向量表示，

是所述目标用户在至少一个步长下的向量表示。

可选地，所述第四确定模块还用于：

按照以下公式，确定所述目标用户在第k步长下的向量表示：

其中，

是所述目标用户在第k步长下的向量表示，

是步长为k的关联节点的集合，(h_i,r_i,t_i)是

中第i个步长为k的关联节点，其中，h_i是第i个关联三元组对应的起始节点，r_i是第i个关联三元组对应的关系类型，t_i是第i个关联三元组对应的结束节点p_i是第i个步长为k的关联节点与所述候选节点之间的关联度。

可选地，所述装置还包括：

第一获得模块，用于获得多个携带偏好度标签的历史感兴趣对象样本；

训练模块，用于以多个所述携带偏好度标签的历史感兴趣对象样本为训练样本，对预设模型进行训练，得到偏好度确定模型，所述偏好度确定模型中的参数即为

R和α。

可选地，所述装置还包括：

第二获得模块，用于获得针对所述目标用户的多个待推荐对象的向量表示；

第五确定模块，用于将所述多个待推荐对象的向量表示输入所述偏好度确定模型，确定所述目标用户对所述多个待推荐对象的偏好度；

推荐模块，用于根据所述目标用户对所述多个待推荐对象的偏好度，按照偏好度降序，将多个所述待推荐对象中的至少一个待推荐对象推荐给所述目标用户。

基于同一发明构思，本申请另一实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的方法中的步骤。

基于同一发明构思，本申请另一实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请上述任一实施例所述的方法中的步骤。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、对象或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、对象或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、对象或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种用户偏好度确定方法、装置、存储介质和电子设备，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种用户偏好度确定方法，其特征在于，所述方法包括：

根据目标用户的历史感兴趣对象，将所述历史感兴趣对象在知识图谱上匹配的节点确定为初始节点；

根据待向所述目标用户推荐的候选对象，将该候选对象在所述知识图谱上匹配的节点确定为候选节点；

确定在所述知识图谱上与所述初始节点相关联的至少一个步长的关联节点；

根据所述至少一个步长的关联节点与所述候选节点之间的关联度，确定所述目标用户在至少一个步长下的向量表示；

根据所述候选对象的向量表示与所述目标用户在至少一个步长下的向量表示，确定所述目标用户对所述候选对象的偏好度。

2.根据权利要求1所述的方法，其特征在于，所述确定在所述知识图谱上与所述初始节点相关联的至少一个步长的关联节点，包括：

依次取k从1至K，确定在所述知识图谱上与所述初始节点相关联的步长为k的关联节点；

所述根据所述至少一个步长的关联节点与所述候选节点之间的关联度，确定所述目标用户在至少一个步长下的向量表示，包括：

根据步长为1的关联节点与所述候选节点之间的关联度，确定所述目标用户在第1步长下的向量表示；

依次取k从2至K，将候选节点更新为所述目标用户在第k-1步长下的向量表示所对应的节点，并根据步长为k的关联节点与该更新后的候选节点之间的关联度，确定所述目标用户在第k步长下的向量表示；

对所述目标用户在第1至K个步长下的向量表示以及各自的权重，得到所述目标用户的最终向量表示；

所述根据所述候选对象的向量表示与所述目标用户在至少一个步长下的向量表示，确定所述目标用户对所述候选对象的偏好度，包括：

根据所述候选对象的向量表示与所述目标用户的最终向量表示，确定所述目标用户对所述候选对象的偏好度。

3.根据权利要求1或2所述的方法，其特征在于，所述确定所述目标用户对所述候选对象的偏好度，包括：

按照以下公式，确定所述目标用户对所述候选对象的偏好度：

其中，

是sigmoid函数，

是所述候选对象的向量表示，

是所述目标用户在至少一个步长下的向量表示。

4.根据权利要求1所述的方法，其特征在于，所述确定所述目标用户在至少一个步长下的向量表示，包括：

按照以下公式，确定所述目标用户在第k步长下的向量表示：

其中，

是所述目标用户在第k步长下的向量表示，

是步长为k的关联节点的集合，(h_i,r_i,t_i)是

中第i个步长为k的关联节点，其中，h_i,是第i个关联三元组对应的起始节点，r_i是第i个关联三元组对应的关系类型，t_i是第i个关联三元组对应的结束节点，p_i是第i个步长为k的关联节点与所述候选节点之间的关联度。

5.根据权利要求4所述的方法，其特征在于，在所述根据目标用户的历史感兴趣对象，将所述历史感兴趣对象在知识图谱上匹配的节点确定为初始节点之前，所述方法还包括：

获得多个携带偏好度标签的历史感兴趣对象样本；

以多个所述携带偏好度标签的历史感兴趣对象样本为训练样本，对预设模型进行训练，得到偏好度确定模型，所述偏好度确定模型中的参数即为

R和α。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

获得针对所述目标用户的多个待推荐对象的向量表示；

将所述多个待推荐对象的向量表示输入所述偏好度确定模型，确定所述目标用户对所述多个待推荐对象的偏好度；

根据所述目标用户对所述多个待推荐对象的偏好度，按照偏好度降序，将多个所述待推荐对象中的至少一个待推荐对象推荐给所述目标用户。

7.一种用户偏好度确定装置，其特征在于，所述装置包括：

第一确定模块，用于根据目标用户的历史感兴趣对象，将所述历史感兴趣对象在知识图谱上匹配的节点确定为初始节点；

第二确定模块，用于根据待向所述目标用户推荐的候选对象，将该候选对象在所述知识图谱上匹配的节点确定为候选节点；

第三确定模块，用于确定在所述知识图谱上与所述初始节点相关联的至少一个步长的关联节点；

第四确定模块，用于根据所述至少一个步长的关联节点与所述候选节点之间的关联度，确定所述目标用户在至少一个步长下的向量表示；

确定模块，用于根据所述候选对象的向量表示与所述目标用户在至少一个步长下的向量表示，确定所述目标用户对所述候选对象的偏好度。

8.根据权利要求7所述的装置，其特征在于，所述第三确定模块，包括：

关联节点确定子模块，用于依次取k从1至K，确定在所述知识图谱上与所述初始节点相关联的步长为k的关联节点；

所述第四确定模块，包括：

第一向量表示确定子模块，用于根据步长为1的关联节点与所述候选节点之间的关联度，确定所述目标用户在第1步长下的向量表示；

第二向量表示确定子模块，用于依次取k从2至K，将候选节点更新为所述目标用户在第k-1步长下的向量表示所对应的节点，并根据步长为k的关联节点与该更新后的候选节点之间的关联度，确定所述目标用户在第k步长下的向量表示；

第三向量表示确定子模块，用于对所述目标用户在第1至K个步长下的向量表示以及各自的权重，得到所述目标用户的最终向量表示；

所述确定模块，包括：

确定子模块，用于根据所述候选对象的向量表示与所述目标用户的最终向量表示，确定所述目标用户对所述候选对象的偏好度。

9.一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，该程序被处理器执行时实现如权利要求1-6任一所述的方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行时实现如权利要求1-6任一所述的方法的步骤。

Images