对象推荐方法及装置、跨域联邦商品推荐方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116028719A(43)申请公布日2023.04.28(21)申请号202310321945.2(22)申请日2023.03.29(71)申请人杭州金智塔科技有限公司地址310012浙江省杭州市西湖区西斗门路3号天堂软件园D幢6楼B座(72)发明人郑小林陈超超刘伟明(74)专利代理机构北京智信禾专利代理有限公司11637专利代理师张小娜(51)Int.Cl.G06F16/9535(2019.01)G06Q30/0601(2023.01)G06N3/098(2023.01)G06F21/62(2013.01)权利要求书3页说明书18页附图6页(54)发明名称对象推荐方法及装置、跨域联邦商品推荐方法及装置(57)摘要本说明书提供对象推荐方法及装置、跨域联邦商品推荐方法及装置，其中对象推荐方法包括：客户端对用户进行向量化表示获得用户向量，对对象进行向量化表示获得对象向量；根据用户‑对象评分矩阵，构造用户‑对象图，并将用户向量、对象向量和用户‑对象图，输入至图卷积网络，获得用户‑对象的本地偏好分布；根据用户‑对象的本地偏好分布，对图卷积网络、用户向量和对象向量进行训练，获得用户‑对象的目标偏好分布；根据用户‑对象的目标偏好分布，向目标用户推荐目标对象。结合用户‑对象图和用户向量、对象向量，进行训练，充分考虑了用户和对象之间的复杂交互关系，估计各个用户对各个对象的偏好分布，提高了对象推荐的准确度。CN116028719ACN116028719A权利要求书1/3页1.一种对象推荐方法，其特征在于，应用于客户端，所述方法包括：对用户进行向量化表示获得用户向量，对对象进行向量化表示获得对象向量；根据用户‑对象评分矩阵，构造用户‑对象图，并将所述用户向量、所述对象向量和所述用户‑对象图，输入至图卷积网络，获得用户‑对象的本地偏好分布，其中，所述用户‑对象评分矩阵基于用户为对象的评分构建；根据所述用户‑对象的本地偏好分布，对所述图卷积网络、所述用户向量和所述对象向量进行训练，获得用户‑对象的目标偏好分布；根据所述用户‑对象的目标偏好分布，向目标用户推荐目标对象。2.根据权利要求1所述的对象推荐方法，其特征在于，所述根据用户‑对象评分矩阵，构造用户‑对象图之前，还包括：获取第一用户给第一对象的评分；在所述评分大于等于分数阈值的情况下，将第一用户‑第一对象对应位置的元素设置为第一数值；在所述评分小于分数阈值的情况下，将第一用户和第一对象对应位置处的元素设置为第二数值；根据各个用户给各个对象的评分，生成所述用户‑对象评分矩阵。3.根据权利要求2所述的对象推荐方法，其特征在于，所述根据用户‑对象评分矩阵，构造用户‑对象图，包括：确定所述用户‑对象评分矩阵的行列数，并构造所述行列数的第一参考矩阵和第二参考矩阵，其中，所述第一参考矩阵为用户‑用户矩阵，所述第二参考矩阵为对象‑对象矩阵；将所述第一参考矩阵和所述第二参考矩阵作为对角线，并将所述用户‑对象评分矩阵作为反对角线，构造所述用户‑对象图。4.根据权利要求1‑3任一项所述的对象推荐方法，其特征在于，所述根据所述用户‑对象的本地偏好分布，对所述图卷积网络、所述用户向量和所述对象向量进行训练，获得用户‑对象的目标偏好分布，包括：获取服务器下发的全局偏好分布；结合所述用户‑对象的本地偏好分布和所述全局偏好分布，对所述图卷积网络、所述用户向量和所述对象向量进行训练，获得用户‑对象的目标偏好分布。5.根据权利要求4所述的对象推荐方法，其特征在于，所述结合所述用户‑对象的本地偏好分布和所述全局偏好分布，对所述图卷积网络、所述用户向量和所述对象向量进行训练，获得用户‑对象的目标偏好分布，包括：根据所述用户‑对象的本地偏好分布，计算本地损失函数；根据所述用户‑对象的本地偏好分布和所述服务器下发的全局偏好分布，计算全局损失函数；根据所述本地损失函数和所述全局损失函数，对所述图卷积网络、所述用户向量和所述对象向量进行训练，获得用户‑对象的目标偏好分布。6.根据权利要求5所述的对象推荐方法，其特征在于，所述根据所述用户‑对象的本地偏好分布，计算本地损失函数，包括：根据所述用户‑对象的本地偏好分布，计算三元组损失函数，其中，所述三元组包括用2CN116028719A权利要求书2/3页户、喜好对象和不喜好对象；对用户进行聚类，计算聚类损失函数；相应地，所述根据所述本地损失函数和所述全局损失函数，对所述图卷积网络、所述用户向量和所述对象向量进行训练，获得用户‑对象的目标偏好分布，包括：根据所述三元组损失函数、所述聚类损失函数和所述全局损失函数，对所述图卷积网络、所述用户向量和所述对象向量进行训练，获得用户‑对象的目标偏好分布。7.根据权利要求6所述的对象推荐方法，其