[发明专利]推荐方法、介质、装置和计算设备

权利要求书

1.一种推荐方法，其特征在于，包括：

将候选对象的自身节点及其邻居节点的第一表征向量作为预先训练的图神经网络模型的输入，获取所述图神经网络模型输出的所述候选对象的最终表征向量；

将用户的历史行为列表中至少一个历史对象的自身节点及其邻居节点的第一表征向量作为所述图神经网络模型的输入，获取所述图神经网络模型输出的至少一个所述历史对象的最终表征向量；根据至少一个所述历史对象的最终表征向量，获取所述用户的用户表征向量；

根据所述候选对象的最终表征向量与所述用户表征向量的相似度，确定所述候选对象中的推荐对象。

2.根据权利要求1所述的方法，其特征在于，所述第一表征向量包括属性特征向量；

所述将候选对象的自身节点及其邻居节点的第一表征向量作为预先训练的图神经网络模型的输入之前，还包括：

预先建立知识图谱，将所述候选对象作为目标节点，基于所述知识图谱，获取所述目标节点的邻居节点；

获取所述目标节点及其邻居节点的属性特征向量；将所述目标节点的所述属性特征向量作为所述目标节点的第一表征向量；将所述目标节点的邻居节点的所述属性特征向量作为所述目标节点的邻居节点的第一表征向量。

3.根据权利要求2所述的方法，其特征在于，所述第一表征向量还包括ID特征向量；

所述将候选对象的自身节点及其邻居节点的第一表征向量作为预先训练的图神经网络模型的输入之前，还包括：

获取所述目标节点及其邻居节点的所述ID特征向量；对所述目标节点的所述属性特征向量和所述ID特征向量进行拼接，将拼接结果作为所述目标节点的第一表征向量；对所述目标节点的邻居节点的所述属性特征向量和所述ID特征向量进行拼接，将拼接结果作为所述目标节点的邻居节点的第一表征向量。

4.根据权利要求2所述的方法，其特征在于，所述预先建立知识图谱，包括：

根据业务数据，确定实体节点；所述实体节点包括非用户实体节点和用户实体节点；

对所述用户实体节点进行聚类形成多个聚类簇，构建多个用户组抽象节点与所述多个聚类簇一一对应，所述聚类簇的聚类中心特征向量作为所述用户组抽象节点的属性特征向量；

抽取所述非用户实体节点及所述用户组抽象节点之间的关系，建立所述知识图谱。

5.根据权利要求1所述的方法，其特征在于，所述将候选对象的自身节点及其邻居节点的第一表征向量作为预先训练的图神经网络模型的输入，获取所述图神经网络模型输出的所述候选对象的最终表征向量，包括：

将所述候选对象作为目标节点，所述目标节点的邻居节点包括所述目标节点的一阶邻居节点至N阶邻居节点；其中，N为大于2的正整数；

将所述目标节点的N-1阶邻居节点及其对应的所述N阶邻居节点的第一表征向量作为所述图神经网络模型的输入层的输入，获取所述输入层输出的所述N-1阶邻居节点的第二表征向量；

将所述N-1阶邻居节点的第二表征向量以及从所述目标节点至N-2阶邻居节点的每个节点的第一表征向量作为所述图神经网络模型的聚合层的输入，获取所述聚合层输出的关于所述候选对象的最终表征向量。

6.根据权利要求5所述的方法，其特征在于，所述将所述N-1阶邻居节点的第二表征向量以及从所述目标节点至N-2阶邻居节点的每个节点的第一表征向量作为所述图神经网络模型的聚合层的输入，获取所述聚合层输出的关于所述候选对象的最终表征向量，包括：

每一聚合层将当前层的节点的第一表征向量和上一层中与当前层的节点所对应的节点的第二表征向量进行聚合，将聚合后的向量作为所述当前层的节点的第二表征向量；

将所述当前层的节点的第二表征向量输入下一聚合层并与对应下一聚合层的节点的第一表征向量进行聚合，直至从最后一聚合层聚合输出关于所述候选对象的最终表征向量。

7.根据权利要求6所述的方法，其特征在于，每一聚合层采用如下至少一种技术进行聚合：注意力技术、特征交叉技术、图卷积技术。