[发明专利]利用LSTM神经网络模型处理交互数据的方法及装置

说明书

本说明书实施例提供一种处理交互数据的方法和装置。在该方法中，首先获取根据交互事件集构建的动态交互图，图中的任意节点i通过连接边指向该节点i所代表的对象上次参与的N个关联事件所对应的M个关联节点，其中，允许对象同时参与多个关联事件，允许节点连接到多于2个的关联节点。然后，在动态交互图中，确定与待分析的当前节点对应的当前子图，并将当前子图输入神经网络模型进行处理。神经网络模型包括LSTM层，LSTM层根据当前子图中各个节点之间的连接边的指向关系，依次迭代处理各个节点，从而得到当前节点的隐含向量。

技术领域

本说明书一个或多个实施例涉及机器学习领域，尤其涉及利用机器学习处理交互数据的方法和装置。

背景技术

在许多场景下，需要对用户交互事件进行分析和处理。交互事件是互联网事件的基本组成元素之一，例如，用户浏览页面时的点击行为，可以视为用户与页面内容区块之间的交互事件，电商中的购买行为可以视为用户与商品之间的交互事件，账户间转账行为则是用户与用户之间的交互事件。用户的一系列交互事件中蕴含了用户的细粒度习惯偏好等特点，以及交互对象的特点，是机器学习模型的重要特征来源。因此，在许多场景下，希望根据交互事件对交互参与方进行特征表达和建模。

然而，交互事件涉及交互双方，并且各个参与方本身的状态可以是动态变化的，因此，综合考虑交互参与方的多方面特点对其进行准确的特征表达非常困难。由此，希望能有改进的方案，更为有效地对交互事件中的交互对象进行分析处理，以得到适于后续业务分析的特征向量。

发明内容

本说明书一个或多个实施例描述了处理交互数据的方法和装置，其中利用LSTM神经网络模型，考虑交互对象参与的交互事件以及交互事件中其他对象的影响，将交互对象处理为隐含特征，从而进行后续业务处理分析。

根据第一方面，提供了一种处理交互数据的方法，所述方法包括：

获取根据交互事件集构建的动态交互图，其中，所述交互事件集包括多个交互事件，每个交互事件至少包括，发生交互行为的两个对象和交互时间；所述动态交互图包括任意的第一节点，所述第一节点对应于发生在第一时间的交互事件中的第一对象，所述第一节点通过连接边指向N个关联事件所对应的M个关联节点，所述N个关联事件均发生于第二时间，且均包含所述第一对象作为交互对象之一，所述第二时间为，从所述第一时间向前回溯，所述第一对象发生交互行为的前一时间；所述动态交互图中包括至少一个关联节点数目大于2的多元节点；

在所述动态交互图中，确定与待分析的当前节点对应的当前子图，所述当前子图包括从当前节点出发，经由连接边到达的预定范围内的节点；

将所述当前子图输入神经网络模型，所述神经网络模型包括LSTM层，所述LSTM层根据所述当前子图中各个节点之间的连接边的指向关系，依次迭代处理各个节点，从而得到所述当前节点的隐含向量；其中所述各个节点包括第二节点，所述依次迭代处理各个节点包括，至少根据所述第二节点的节点特征，该第二节点所指向的k个关联节点各自的中间向量和隐含向量，确定所述第二节点的隐含向量和中间向量；

根据所述当前节点的隐含向量，进行与所述当前节点相关的业务处理。

根据一种实施方式，上述对象包括用户，所述交互事件包括以下中的至少一种：点击事件，社交事件，交易事件。

在一个实施例中，上述M个关联节点为2N个节点，分别对应于所述N个关联事件中各个关联事件所包括的两个对象；或者，在另一实施例中，M个关联节点为N+1个节点，分别对应于所述N个关联事件中与所述第一对象交互的N个其他对象，以及所述第一对象自身。

在不同实施方式中，上述预定范围内的节点可以包括，预设阶数K的连接边之内的节点；和/或，交互时间在预设时间范围内的节点。