[发明专利]一种针对长尾分布的学习方法、装置以及设备

权利要求书

1.一种针对长尾分布的学习方法，包括：

确定物品集合中的各头部物品和各尾部物品；

确定依次具有从属关系的多个属性维度，以及所述头部物品和所述尾部物品在所述属性维度上的属性值；

将所述头部物品、所述尾部物品、所述属性值作为图节点，根据所述图节点和所述从属关系，生成图网络，以使所述头部物品的图节点通过对应的所述属性值的图节点，与所述尾部物品的图节点连接；

确定反映所述头部物品的图节点向量内不同维度之间的相关性的第一相关性参数，以及反映所述尾部物品的图节点向量内不同维度之间的相关性的第二相关性参数；

确定反映所述第一相关性参数与所述第二相关性参数之间差距的相关性损失；

根据所述相关性损失，对所述图网络中的图节点向量进行学习。

2.如权利要求1所述的方法，所述根据所述相关性损失，对所述图网络中的图节点向量进行学习，具体包括：

根据所述图网络中的图节点及其邻居节点，以及所述第一相关性参数，确定针对所述图节点的特征聚合参数；

确定指定的图神经网络算法中各层的传播过程；

根据所述特征聚合参数执行所述传播过程中包含的聚合子过程；

根据所述相关性损失和所述传播过程的执行结果，对所述图网络中的图节点向量进行学习。

3.如权利要求1所述的方法，所述根据所述图节点和所述从属关系，生成图网络，具体包括：

根据所述从属关系为各所述属性值的图节点划分层次，得到多个属性值节点层，使得处于下一层的属性值的图节点对应的属性维度，从属于处于上一层的属性值的图节点对应的属性维度；

将所述头部物品的图节点、所述尾部物品的图节点作为处于最下层的叶节点；

根据所述属性值节点层之间的关系，以及所述叶节点与所述属性值节点层之间的关系，生成连接图节点的边，得到树形结构的图网络。

4.如权利要求3所述的方法，所述根据所述属性值节点层之间的关系，以及所述叶节点与所述属性值节点层之间的关系，生成连接图节点的边，具体包括：

在所述叶节点与其距离最近的上层目标图节点之间生成边，作为第一基础边，所述上层目标图节点的属性值为所述叶节点的属性值；

在具有从属关系的上层图节点之间生成边，作为第二基础边，所述第二基础边连接的图节点分别属于相邻的所述属性值节点层；

在全部图节点中选择至少部分图节点，作为辅助迁移图节点，在距离为设定层距的不同的所述属性值节点层的所述辅助迁移图节点之间生成边，作为辅助迁移边。

5.如权利要求1、3、4任一项所述的方法，所述多个属性维度为范围依次被包含的多个地理位置维度。

6.如权利要求1所述的方法，所述确定反映所述头部物品的图节点向量内不同维度之间的相关性的第一相关性参数，以及反映所述尾部物品的图节点向量内不同维度之间的相关性的第二相关性参数，具体包括：

根据当前的目标图节点，在所述图网络中采样得到对应的子图，所述子图中包含至少一个所述头部物品的图节点以及至少一个所述尾部物品的图节点；

根据所述子图中包含的所述头部物品的图节点向量内不同维度之间的相关性，生成相关性矩阵作为第一相关性参数；

根据所述子图中包含的所述尾部物品的图节点向量内不同维度之间的相关性，生成相关性矩阵作为第二相关性参数。

7.如权利要求1所述的方法，所述根据所述相关性损失，对所述图网络中的图节点向量进行学习，具体包括：

获取样本用户的基础特征和行为序列，并通过第一神经网络进行处理，得到用户映射向量；

在所述图网络中获取样本物品的图节点向量，并将其对应的所述相关性损失，作为辅助损失；

将所述用户映射向量和所述样本物品的图节点向量输入第二神经网络进行处理，得到端到端预测结果；

根据所述端到端预测结果及其对应的训练标签，得到端到端的主损失；

根据所述主损失和所述辅助损失，对所述样本物品的图节点向量进行学习。