本說(shuō)明書(shū)一個(gè)或多個(gè)實(shí)施例涉及計(jì)算機(jī)，尤其涉及跨域信息推送及相應(yīng)模型方法、裝置。

背景技術(shù)：

1、信息推送通常是根據(jù)用戶(hù)行為等數(shù)據(jù)，向用戶(hù)推送盡可能符合用戶(hù)需求的信息?？缬蛲扑](cross-domain?recommendation，cdr)可以利用數(shù)據(jù)豐富的源域(也可稱(chēng)為參考信息域)的用戶(hù)行為(例如，在線服務(wù)平臺(tái)中積累的全局行為)來(lái)學(xué)習(xí)可轉(zhuǎn)移知識(shí)，以幫助改進(jìn)數(shù)據(jù)稀疏的目標(biāo)域(也可以稱(chēng)為目標(biāo)信息域，例如，在線服務(wù)平臺(tái)中的某個(gè)小程序或微應(yīng)用)的推薦，通過(guò)對(duì)信息相對(duì)薄弱的目標(biāo)域進(jìn)行信息補(bǔ)充，從而提高目標(biāo)域推薦效果。

2、然而，盡管源域信息相對(duì)豐富，但并不是所有的源域信息都對(duì)目標(biāo)域任務(wù)有增益，例如用戶(hù)在源域中可能存在的一些誤點(diǎn)擊、隨機(jī)點(diǎn)擊等行為，并非用戶(hù)興趣度的表示，這類(lèi)信息如果也被遷移到目標(biāo)域中，反而可能會(huì)對(duì)目標(biāo)域信息推送業(yè)務(wù)帶來(lái)消極影響。

3、因此，如何在跨域的信息推送業(yè)務(wù)中，對(duì)源域信息進(jìn)行篩選，盡可能向目標(biāo)域遷移有效數(shù)據(jù)，是值得研究的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本說(shuō)明書(shū)一個(gè)或多個(gè)實(shí)施例描述了一種跨域信息推送及相應(yīng)模型方法及裝置，用以解決背景技術(shù)提到的一個(gè)或多個(gè)問(wèn)題。

2、根據(jù)第一方面，提供一種跨域信息推送模型的訓(xùn)練方法，包括多個(gè)更新周期，在單個(gè)更新周期，所述方法包括：經(jīng)由對(duì)融合知識(shí)圖譜的處理，獲取當(dāng)前樣本用戶(hù)在源域的第一表征、在目標(biāo)域的第二表征，以及候選信息的信息表征，所述融合知識(shí)圖譜包括基礎(chǔ)圖譜和用戶(hù)、候選信息二部圖；將所述第一表征、第二表征融合為融合表征；針對(duì)所述融合表征進(jìn)行信息壓縮，以確定當(dāng)前樣本用戶(hù)的壓縮表征，其中，所述壓縮表征是所述融合表征與第一噪聲的加權(quán)融合結(jié)果，所述第一噪聲基于當(dāng)前批次樣本用戶(hù)的各個(gè)壓縮表征滿(mǎn)足的分布采樣確定，所述第一噪聲的加權(quán)權(quán)重由滿(mǎn)足第一預(yù)定參數(shù)下的離散映射的伯努利采樣確定；確定模型損失，以更新所述跨域信息推送模型中的待定參數(shù)，所述模型損失包括表征損失和預(yù)測(cè)損失，所述表征損失經(jīng)由所述壓縮表征與所述第一表征、所述第二表征的對(duì)比確定，所述預(yù)測(cè)損失經(jīng)由所述壓縮表征結(jié)合所述信息表征進(jìn)行預(yù)測(cè)得到的預(yù)測(cè)結(jié)果確定。

3、在一個(gè)實(shí)施例中，所述經(jīng)由對(duì)融合知識(shí)圖譜的處理，獲取當(dāng)前樣本用戶(hù)在源域的第一表征、在目標(biāo)域的第二表征，以及候選信息的信息表征包括：利用圖神經(jīng)網(wǎng)絡(luò)針對(duì)基礎(chǔ)圖譜和源域二部圖構(gòu)成的融合知識(shí)圖譜進(jìn)行特征融合，得到所述第一表征和源域各條候選信息分別對(duì)應(yīng)的各個(gè)信息表征；利用圖神經(jīng)網(wǎng)絡(luò)針對(duì)基礎(chǔ)圖譜和目標(biāo)域二部圖構(gòu)成的融合知識(shí)圖譜進(jìn)行特征融合，得到所述第二表征和目標(biāo)域各條候選信息分別對(duì)應(yīng)的各個(gè)信息表征。

4、在一個(gè)實(shí)施例中，所述將所述第一表征、第二表征融合為融合表征包括：對(duì)所述第一表征、所述第二表征進(jìn)行加權(quán)、求平均、加和之一的方式進(jìn)行處理，得到所述融合表征。

5、在一個(gè)實(shí)施例中，各個(gè)壓縮表征滿(mǎn)足的分布為：利用各個(gè)壓縮表征的均值矩陣中相應(yīng)元素作為均值、方差矩陣中相應(yīng)元素作為方差確定的正態(tài)分布。

6、在一個(gè)實(shí)施例中，所述預(yù)測(cè)結(jié)果為當(dāng)前樣本用戶(hù)在各個(gè)候選信息上分別對(duì)應(yīng)的各個(gè)匹配分?jǐn)?shù)，所述預(yù)測(cè)損失通過(guò)以下兩個(gè)向量之間的余弦相似度、歐氏距離、交叉熵、kl散度中的一項(xiàng)進(jìn)行描述，以表達(dá)兩個(gè)向量之間的偏離程度：各個(gè)匹配分?jǐn)?shù)構(gòu)成的匹配向量與根據(jù)當(dāng)前樣本用戶(hù)實(shí)際對(duì)候選信息的選定情形確定的選定向量。

7、在一個(gè)進(jìn)一步的實(shí)施例中，目標(biāo)域預(yù)測(cè)結(jié)果中，單個(gè)候選信息對(duì)應(yīng)的匹配分?jǐn)?shù)通過(guò)以下方式確定：將所述壓縮表征與所述第二表征融合，并確定融合結(jié)果與所述單個(gè)候選信息的信息表征的相似度，以作為匹配分?jǐn)?shù)。

8、在一個(gè)實(shí)施例中，所述模型損失還包括過(guò)濾損失，所述模型損失為所述壓縮損失、所述預(yù)測(cè)損失、所述過(guò)濾損失的加權(quán)和，所述過(guò)濾損失為目標(biāo)域子圖條件下，源域轉(zhuǎn)向目標(biāo)域的較優(yōu)子圖與源域子圖之間的互信息。

9、在一個(gè)實(shí)施例中，所述融合表征的加權(quán)權(quán)重與所述第一噪聲的加權(quán)權(quán)重和為1。

10、根據(jù)第二方面，提供一種信息推送的方法，用于利用源域的用戶(hù)信息，輔助進(jìn)行目標(biāo)域的信息推送，所述方法包括：經(jīng)由對(duì)融合知識(shí)圖譜的處理，獲取當(dāng)前用戶(hù)在源域的第三表征、在目標(biāo)域的第四表征，以及目標(biāo)域各個(gè)候選信息分別對(duì)應(yīng)的各個(gè)信息表征，所述融合知識(shí)圖譜包括基礎(chǔ)圖譜和用戶(hù)、候選信息二部圖；將所述第三表征、所述第四表征融合為第一融合表征；針對(duì)所述第一融合表征進(jìn)行信息壓縮，以確定當(dāng)前用戶(hù)的第一壓縮表征，其中，所述第一壓縮表征是所述第一融合表征與第二噪聲的加權(quán)融合結(jié)果，所述第二噪聲基于訓(xùn)練樣本的壓縮表征滿(mǎn)足的分布采樣確定，所述第二噪聲的加權(quán)權(quán)重由滿(mǎn)足第一預(yù)定參數(shù)下的離散映射的伯努利采樣確定；基于所述第一壓縮表征與各個(gè)信息表征的匹配，從目標(biāo)域的各個(gè)候選信息中確定待推送的目標(biāo)信息。

11、在一個(gè)實(shí)施例中，所述經(jīng)由對(duì)融合知識(shí)圖譜的處理，獲取當(dāng)前用戶(hù)在源域的第三表征、在目標(biāo)域的第四表征，以及目標(biāo)域各個(gè)候選信息分別對(duì)應(yīng)的各個(gè)信息表征包括：利用圖神經(jīng)網(wǎng)絡(luò)針對(duì)基礎(chǔ)圖譜和源域二部圖構(gòu)成的融合知識(shí)圖譜進(jìn)行特征融合，得到所述第三表征；利用圖神經(jīng)網(wǎng)絡(luò)針對(duì)基礎(chǔ)圖譜和目標(biāo)域二部圖構(gòu)成的融合知識(shí)圖譜進(jìn)行特征融合，得到所述第四表征和目標(biāo)域各條候選信息分別對(duì)應(yīng)的各個(gè)信息表征。

12、在一個(gè)實(shí)施例中，訓(xùn)練樣本的各個(gè)壓縮表征滿(mǎn)足的分布為：根據(jù)若干訓(xùn)練樣本的各個(gè)壓縮表征的均值矩陣中各個(gè)元素作為均值、方差矩陣中相應(yīng)元素作為方差確定的正態(tài)分布。

13、在一個(gè)實(shí)施例中，所述將所述第三表征、第四表征融合為第一融合表征包括：對(duì)所述第三表征、所述第四表征進(jìn)行加權(quán)、求平均、加和之一的方式進(jìn)行處理，得到所述第一融合表征。

14、在一個(gè)實(shí)施例中，所述基于所述第一壓縮表征與各個(gè)信息表征的匹配，從目標(biāo)域的各個(gè)候選信息中確定待推送的目標(biāo)信息包括：確定所述第一壓縮表征與各個(gè)信息表征分別對(duì)應(yīng)的各個(gè)匹配分?jǐn)?shù)；按照匹配分?jǐn)?shù)大小選擇若干個(gè)候選信息作為推送給當(dāng)前用戶(hù)的目標(biāo)信息。

15、根據(jù)第三方面，提供一種跨域信息推送模型的訓(xùn)練裝置，用于通過(guò)多個(gè)更新周期訓(xùn)練跨域信息推送模型，所述裝置包括獲取單元、融合單元、壓縮單元、調(diào)整單元，在單個(gè)更新周期：

16、所述獲取單元，配置為經(jīng)由對(duì)融合知識(shí)圖譜的處理，獲取當(dāng)前樣本用戶(hù)在源域的第一表征、在目標(biāo)域的第二表征，以及候選信息的信息表征，所述融合知識(shí)圖譜包括基礎(chǔ)圖譜和用戶(hù)、候選信息二部圖；

17、所述融合單元，配置為將所述第一表征、第二表征融合為融合表征；

18、所述壓縮單元，配置為針對(duì)所述融合表征進(jìn)行信息壓縮，以確定當(dāng)前樣本用戶(hù)的壓縮表征，其中，所述壓縮表征是所述融合表征與第一噪聲的加權(quán)融合結(jié)果，所述第一噪聲基于當(dāng)前批次樣本用戶(hù)的各個(gè)壓縮表征滿(mǎn)足的分布采樣確定，所述第一噪聲的加權(quán)權(quán)重由滿(mǎn)足第一預(yù)定參數(shù)下的離散映射的伯努利采樣確定；

19、所述調(diào)整單元，配置為確定模型損失，以更新所述跨域信息推送模型中的待定參數(shù)，所述模型損失包括表征損失和預(yù)測(cè)損失，所述表征損失經(jīng)由所述壓縮表征與所述第二表征的對(duì)比確定，所述預(yù)測(cè)損失經(jīng)由所述壓縮表征結(jié)合所述信息表征進(jìn)行預(yù)測(cè)得到的預(yù)測(cè)結(jié)果確定。

20、根據(jù)第四方面，提供一種信息推送的裝置，用于利用源域的用戶(hù)信息，輔助進(jìn)行目標(biāo)域的信息推送，所述裝置包括：

21、獲取單元，配置為經(jīng)由對(duì)融合知識(shí)圖譜的處理，獲取當(dāng)前用戶(hù)在源域的第三表征、在目標(biāo)域的第四表征，以及目標(biāo)域各個(gè)候選信息分別對(duì)應(yīng)的各個(gè)信息表征，所述融合知識(shí)圖譜包括基礎(chǔ)圖譜和用戶(hù)、候選信息二部圖；

22、融合單元，配置為將所述第三表征、所述第四表征融合為第一融合表征；

23、壓縮單元，配置為針對(duì)所述第一融合表征進(jìn)行信息壓縮，以確定當(dāng)前用戶(hù)的第一壓縮表征，其中，所述第一壓縮表征是所述第一融合表征與第二噪聲的加權(quán)融合結(jié)果，所述第二噪聲基于訓(xùn)練樣本的壓縮表征滿(mǎn)足的分布采樣確定，所述第二噪聲的加權(quán)權(quán)重由滿(mǎn)足第一預(yù)定參數(shù)下的離散映射的伯努利采樣確定；

24、匹配單元，配置為基于所述第一壓縮表征與各個(gè)信息表征的匹配，從目標(biāo)域的各個(gè)候選信息中確定待推送的目標(biāo)信息。

25、根據(jù)第五方面，提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序在計(jì)算機(jī)中執(zhí)行時(shí)，令計(jì)算機(jī)執(zhí)行第一方面或第二方面所述的方法。

26、根據(jù)第六方面，提供一種計(jì)算設(shè)備，包括存儲(chǔ)器和處理器，其特征在于，所述存儲(chǔ)器中存儲(chǔ)有可執(zhí)行代碼，所述處理器執(zhí)行所述可執(zhí)行代碼時(shí)，實(shí)現(xiàn)第一方面或第二方面所述的方法。

27、通過(guò)本說(shuō)明書(shū)實(shí)施例提供的方法和裝置，在跨域的信息推送場(chǎng)景下，將源域二部圖和目標(biāo)域二部圖分別與基礎(chǔ)知識(shí)圖譜融合構(gòu)成相應(yīng)的融合知識(shí)圖譜，基于對(duì)融合知識(shí)圖譜的處理，分別確定用戶(hù)在源域和目標(biāo)域的用戶(hù)表征，以及候選信息的信息表征，從而將源域和目標(biāo)域的用戶(hù)表征融合后再利用信息瓶頸理論過(guò)濾掉與目標(biāo)域關(guān)聯(lián)性較小的數(shù)據(jù)，得到用戶(hù)對(duì)應(yīng)的壓縮表征。再將用戶(hù)壓縮表征與候選信息的信息表征進(jìn)行匹配，得到預(yù)測(cè)結(jié)果(如確定與各條候選信息的匹配程度)。在模型訓(xùn)練過(guò)程中，各個(gè)更新周期模型損失可以包括預(yù)測(cè)損失和壓縮損失。通過(guò)最小化模型損失，可以使得模型中的待定參數(shù)向著以下目標(biāo)調(diào)整：最大化壓縮表征和第二表征之間的相似度；最小化預(yù)測(cè)結(jié)果與樣本標(biāo)簽之間的差距。在信息推送過(guò)程中，利用根據(jù)以上目標(biāo)調(diào)整的跨域信息推送模型得到的預(yù)測(cè)結(jié)果確定目標(biāo)信息推送給相應(yīng)用戶(hù)。

28、如此，本說(shuō)明書(shū)技術(shù)構(gòu)思下的信息推送流程可以借助源域中的用戶(hù)數(shù)據(jù)，進(jìn)行數(shù)據(jù)稀疏的目標(biāo)域的信息推送，并在確定目標(biāo)信息過(guò)程中利用信息瓶頸理論過(guò)濾掉源域中對(duì)目標(biāo)域提供增益較少的信息，減少無(wú)效信息的影響，更準(zhǔn)確地進(jìn)行目標(biāo)域的信息推送，提高用戶(hù)體驗(yàn)。