一种评分模型训练方法、用户推送方法及装置与流程

本说明书一个或多个实施例涉及计算机，尤其涉及一种评分模型训练方法、用户推送方法及装置。

背景技术：

1、随着社会的发展和技术的进步，出现了越来越多的服务平台为用户提供各种服务。很多服务平台能够通过服务器和客户端为用户提供便捷的线上服务。例如，电子商务平台能够为用户提供各种商品信息，供用户浏览、选择和购买；内容平台能够为用户提供喜欢的电子书籍、文章、音乐和视频等。为了提供更丰富的服务，服务平台会在得到用户授权之后，在保证用户数据隐私和安全性的前提下，根据用户的历史行为记录为用户推送更丰富的推送对象，供用户选择，这在一定程度上给用户提供了便利。

2、目前，希望能有改进的方案，可以更准确、更合理地为用户提供推送。

技术实现思路

1、本说明书一个或多个实施例描述了一种评分模型训练方法、用户推送方法及装置，可以更准确、更合理地为用户提供推送。具体的技术方案如下。

2、第一方面，实施例提供了一种评分模型的训练方法，所述评分模型用于预测若干个用户分别对若干个待推送的推送对象的评分；所述评分模型基于包含多个节点的关系网络进行训练，多个节点包括代表用户的节点和代表推送对象的节点，以及表征节点之间连接关系的边；所述评分模型的待学习参量包括节点表征；所述方法包括：

3、通过图神经网络，基于多个节点的所述节点表征以及所述关系网络的原始邻接矩阵，确定节点的聚合表征；其中，所述聚合表征聚合了邻居用户特征和/或邻居推送对象特征；

4、基于节点的所述聚合表征和随机参数，构建节点表征连续分布，并通过确定所述随机参数的取值，对所述节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征；其中，所述节点表征连续分布包括：包含用户特征的节点表征连续分布和包含推送对象特征的节点表征连续分布；

5、基于同一节点的所述第一采样表征与所述第二采样表征之间的差异，以及不同节点的所述第一采样表征与所述第二采样表征之间的差异，确定第一损失，基于所述第一损失确定预测损失；

6、向减小所述预测损失的方向，更新多个节点的所述节点表征。

7、在一种实施方式中，所述图神经网络采用图卷积网络实现；所述图卷积网络包括若干个卷积层；所述确定节点的聚合表征的步骤，包括：

8、任意一个卷积层采用以下方式输出任意一个节点的中间表征：基于上一卷积层输出的该节点的邻居节点的中间表征，确定该节点在该卷积层的中间表征；

9、针对任意一个节点，基于若干个所述卷积层输出的该节点的中间表征，确定该节点的聚合表征。

10、在一种实施方式中，所述节点表征连续分布符合高斯分布；

11、所述构建节点表征连续分布的步骤，包括：

12、以所述聚合表征为均值；基于所述均值确定对应的方差；

13、基于所述均值、所述方差和所述随机参数，构建符合高斯分布的节点表征连续分布。

14、在一种实施方式中，所述构建符合高斯分布的节点表征连续分布的步骤，包括：

15、以所述方差作为所述随机参数的系数，构建节点表征连续分布的第一项；

16、基于所述第一项与所述均值的和，构建所述节点表征连续分布。

17、在一种实施方式中，所述随机参数为均值为0、方差为1的随机高斯噪声。

18、在一种实施方式中，所述基于所述第一损失确定预测损失的步骤，包括：

19、基于所述均值和所述方差分别与预设的高斯分布的均值与方差之间的差异，确定第二损失；

20、基于所述第一损失和所述第二损失确定预测损失。

21、在一种实施方式中，在构建节点表征连续分布之后，方法还包括：

22、基于所述节点表征连续分布，预测多个节点之间相互连接的概率；

23、基于所述概率，确定所述关系网络的重构邻接矩阵；

24、所述基于所述第一损失确定预测损失的步骤，包括：

25、基于所述重构邻接矩阵与所述原始邻接矩阵之间的差异，确定第三损失；

26、基于所述第一损失和所述第三损失确定预测损失。

27、在一种实施方式中，所述预测多个节点之间相互连接的概率的步骤，包括：

28、针对任意的第一节点和第二节点，将所述第一节点的节点表征连续分布与所述第二节点的节点表征连续分布之间的相似度，作为激活函数的输入参数，将得到的输出值作为所述第一节点和所述第二节点之间相互连接的概率。

29、在一种实施方式中，在构建节点表征连续分布之后，方法还包括：

30、基于所述节点表征连续分布，对多个节点进行聚类，得到多个节点分别归属的类簇；

31、所述基于所述第一损失确定预测损失的步骤，包括：

32、基于同类簇节点的所述第一采样表征与所述第二采样表征之间的差异，以及异类簇节点的所述第一采样表征与所述第二采样表征之间的差异，确定第四损失；

33、基于所述第一损失和所述第四损失确定预测损失。

34、在一种实施方式中，所述基于所述第一损失确定预测损失的步骤，包括：

35、基于所述第一损失，采用对比损失函数确定所述预测损失。

36、第二方面，实施例提供了一种利用评分模型对用户进行推送方法，所述评分模型采用第一方面提供的方法训练得到；所述方法包括：

37、通过所述评分模型，基于用户节点的节点表征连续分布和推送对象节点的节点表征连续分布，确定对应的用户与推送对象之间的相似度；

38、通过所述评分模型，将所述相似度作为输入参数输入激活函数，将得到的输出值作为所述用户对所述推送对象的评分；

39、基于所述用户对若干个推送对象的评分，对所述若干个推送对象进行选择，基于选择结果对所述用户进行推送。

40、第三方面，实施例提供了一种评分模型的训练装置，所述评分模型用于预测若干个用户分别对若干个待推送的推送对象的评分；所述评分模型基于包含多个节点的关系网络进行训练，多个节点包括代表用户的节点和代表推送对象的节点，以及表征节点之间连接关系的边；所述评分模型的待学习参量包括节点表征；所述装置包括：

41、聚合模块，配置为通过图神经网络，基于多个节点的所述节点表征以及所述关系网络的原始邻接矩阵，确定节点的聚合表征；其中，所述聚合表征聚合了邻居用户特征和/或邻居推送对象特征；

42、构建模块，配置为基于节点的所述聚合表征和随机参数，构建节点表征连续分布，并通过确定所述随机参数的取值，对所述节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征；其中，所述节点表征连续分布包括：包含用户特征的节点表征连续分布和包含推送对象特征的节点表征连续分布；

43、损失模块，配置为基于同一节点的所述第一采样表征与所述第二采样表征之间的差异，以及不同节点的所述第一采样表征与所述第二采样表征之间的差异，确定第一损失，基于所述第一损失确定预测损失；

44、更新模块，配置为向减小所述预测损失的方向，更新多个节点的所述节点表征。

45、第四方面，实施例提供了一种利用评分模型对用户进行推送的装置，所述评分模型采用第一方面提供的方法训练得到；所述装置包括：

46、确定模块，配置为通过所述评分模型，基于用户节点的节点表征连续分布和推送对象节点的节点表征连续分布，确定对应的用户与推送对象之间的相似度；

47、评分模块，配置为通过所述评分模型，将所述相似度作为输入参数输入激活函数，将得到的输出值作为所述用户对所述推送对象的评分；

48、推送模块，配置为基于所述用户对若干个推送对象的评分，对所述若干个推送对象进行选择，基于选择结果对所述用户进行推送。

49、第五方面，实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面至第二方面中任一项所述的方法。

50、第六方面，实施例提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面至第二方面中任一项所述的方法。

51、本说明书实施例提供的方法及装置中，利用关系网络训练评分模型。在训练过程中，基于节点的聚合表征和随机参数构建节点表征连续分布，并对节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征，基于构建的该对比目标确定预测损失，能够利用关系网络中稀疏的连接关系构建对比目标，实现对用户和推送对象的无监督学习，从而使得评分模型能够提取到用户和推送对象深层的有价值特征，在利用该评分模型进行推送时能够更准确、更合理地为用户提供推送服务。