(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211210833.1 (22)申请日 2022.09.30 (65)同一申请的已公布的文献号 申请公布号 CN 115270005 A (43)申请公布日 2022.11.01 (73)专利权人 腾讯科技 （深圳） 有限公司 地址 518064 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 沈春旭　成昊　薛天竹　 (74)专利代理 机构 深圳市深佳知识产权代理事 务所(普通 合伙) 44285 专利代理师 李杭 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/958(2019.01) G06N 3/04(2006.01) (56)对比文件 CN 103440341 A,2013.12.1 1CN 112084407 A,2020.12.15 CN 110060061 A,2019.07.26 CN 111859166 A,2020.10.3 0 CN 111489815 A,2020.08.04 CN 111723285 A,2020.09.2 9 CN 105260460 A,2016.01.20 CN 111259133 A,2020.0 6.09 CN 112084427 A,2020.12.15 CN 112100486 A,2020.12.18 US 2019158520 A1,2019.0 5.23 US 202120 0799 A1,2021.07.01 US 2019080 383 A1,2019.0 3.14 高建煌 等. “基于用户兴趣传播的协同过滤 方法”. 《电子技 术》 .2010, Jie Liu 等.“Personal Recom mendation Based on Weighted Bipartite Netw orks”. 《2009 Sixth I nternati onal Conference o n Fuzzy System s and Kn owledge Discovery》 .2009, 审查员 李小敏 (54)发明名称 一种信息推荐方法、 装置、 设备以及存储介 质 (57)摘要 本申请实施例提供了一种信息推荐 方法、 装 置、 设备以及存储介质， 用于提高信息推荐的精 确度。 包括： 根据对象对资源信息产生的历史交 互行为构建二部图， 其中， 二部图包括图节点和 关联关系； 根据二部图的关联关系确定对象节点 与资源节 点之间传播消息； 利用传播消息和关联 关系训练初始图神经网络得到第一图神经网络； 利用传播消息和第一图神经网络得到对象节点 的第一嵌入表示以及资源节点的第二嵌入表示； 根据第一嵌入表示和第二嵌入表示计算得到目 标对象对第二资源信息的第一预测分数； 根据第 一预测分数向目标对象推荐第二 资源信息。 本申 请提供的技 术方案可应用于人工智能领域。 权利要求书4页 说明书29页 附图12页 CN 115270005 B 2022.12.23 CN 115270005 B 1.一种信息推荐方法， 其特 征在于， 包括： 根据对象对资源信息产生的历史交互行为构建二部 图， 其中， 所述二部 图包括图节点 和关联关系， 所述图节点的节点类型包括标识所述对象的对象节点和标识所述资源信息的 资源节点， 所述关联关系用于指示所述对象节点与所述资源信息节点之间的正面反馈和负 面反馈； 根据所述二部图的关联关系确定所述对象节点与 所述资源节点之间传播消息， 所述传 播消息包括对象节点与对象节点的正面传播消息和负面传播消息、 对象节点与资源节点的 正面传播消息和负面传播消息、 资源节点对资源节点的正面传播消息和负面传播消息以及 资源节点与对象节点的正 面传播消息和负面传播消息； 利用所述传播消息和所述关联关系训练初始图神经网络得到第一图神经网络； 利用所述传播消息和所述第一图神经网络得到所述对象节点的第一嵌入表示以及所 述资源节点的第二嵌入表示； 根据所述第一嵌入表示和所述第二嵌入表示计算得到目标对象对第二资源信息的第 一预测分数， 所述第二资源信息为所述二部图中未与所述目标对象产生历史交互行为的资 源信息， 所述目标对象包 含于所述 二部图的对象节点； 根据所述第一预测分数向所述目标对象推荐所述第二资源信息 。 2.根据权利要求1所述的方法， 其特征在于， 所述初始图神经网络包括N层消息传播层， 所述N为大于1的正整 数， 所述利用所述传播消息和所述关联关系训练初始图神经网络得到 第一图神经网络包括： 随机生成所述对象节点的第一初始嵌入表示和所述资源节点的第二初始嵌入表示； 将所述第一初始嵌入表示、 所述第二初始嵌入表示和所述传播消息输入所述N层消息 传播层得到所述对象节点的第三嵌入表示和所述资源节点的第四嵌入表示； 根据所述第三嵌入表示和所述第四嵌入表示计算所述对象节点对所述资源节点的第 二预测分数； 根据所述第二预测分数和所述关联关系计算第一损失值； 根据所述第一损失值训练所述初始图神经网络得到所述第一图神经网络 。 3.根据权利要求2所述的方法， 其特征在于， 所述N层消息传播层均包括消息函数、 消息 聚合函数和消息更新函数， 所述将所述第一初始嵌入表示、 所述第二初始嵌入表示和所述 传播消息输入所述N层消息传播层得到所述对象节点的第三嵌入表示和所述资源节点的第 四嵌入表示包括： 将所述第一初始嵌入表示和所述第 一初始嵌入表示输入第 一层消息传播层， 根据 所述 第一初始嵌入表示、 所述第一初始嵌入表示以及所述传播消息得到所述对象节点和所述资 源节点对应的第一消息函数表示； 根据所述第一层消息传播层的消息聚合函数和所述第一消息函数表示得到所述对象 节点和所述资源节点对应的第一聚合表示； 根据所述第一层消息传播层的消息更新函数和所述第一聚合表示得到所述对象节点 的第一中间嵌入表示和所述资源节点的第二中间嵌入表示； 将所述第一中间嵌入表示和所述第 二中间嵌入表示输入第 二层消息传播层， 根据 所述 第一中间嵌入表示、 所述第一中间嵌入表示以及所述传播消息得到所述对象节点和所述资权　利　要　求　书 1/4 页 2 CN 115270005 B 2源节点对应的第二消息函数表示； 根据所述第二层消息传播层的消息聚合函数和所述第二消息函数表示得到所述对象 节点和所述资源节点对应的第二聚合表示； 根据所述第二层消息传播层的消息更新函数和所述第二聚合表示得到所述对象节点 的第三中间嵌入表示和所述资源节点的第四中间嵌入表示； 依此类推， 执行完所述N层消息传播层得到所述二部 图中各个对象节点的第三嵌入表 示和所述 二部图中各个资源节点的第四嵌入表示。 4.根据权利要求2所述的方法， 其特征在于， 所述根据所述第 二预测分数和所述关联关 系计算第一损失值包括： 根据所述关联关系从所述第 二预测分数中获取第 三预测分数， 所述第 三预测分数为所 述二部图中存在关联关系的对象节点与资源节点对应的预测分数； 根据所述关联关系和所述第三预测分数利用有符号对比损失函数计算所述第一损失 值。 5.根据权利要求2所述的方法， 其特征在于， 所述根据所述第 一损失值训练所述初始图 神经网络得到所述第一图神经网络包括： 根据所述第一损失值和梯度下降法训练所述初始图神经网络得到所述第一图神经网 络。 6.根据权利要求1所述的方法， 其特征在于， 所述初始图神经网络包括N层消息传播层， 所述N为大于1的正整 数， 所述利用所述传播消息和所述关联关系训练初始图神经网络得到 第一图神经网络包括： 随机生成所述对象节点的第一初始嵌入表示和所述资源节点的第二初始嵌入表示； 将所述第一初始嵌入表示、 所述第二初始嵌入表示和所述传播消息输入所述N层消息 传播层得到所述对象节点的第三嵌入表示和所述资源节点的第四嵌入表示； 基于所述第四嵌入表示随机采样生成M个假反例资源节点的第五嵌入表示； 根据所述第三嵌入表示和所述第四嵌入表示计算所述对象节点对所述资源节点的第 二预测分数， 并根据所述第三嵌入表示和所述第五嵌入表示计算所述对象节点对所述假反 例资源节点的第四预测分数； 根据所述第二预测分数、 所述第四预测分数和所述关联关系计算第二损失值； 根据所述第二损失值训练所述初始图神经网络得到所述第一图神经网络 。 7.根据权利要求6所述的方法， 其特征在于， 所述根据所述第二预测分数、 所述第 四预 测分数和所述关联关系计算第二损失值包括： 根据所述关联关系从所述第 二预测分数中获取第 三预测分数， 所述第 三预测分数为所 述二部图中存在关联关系的对象节点与资源节点对应的预测分数； 根据所述第 三预测分数、 所述第四预测分数和所述关联关系利用有符号对比损失函数 计算所述第二损失值。 8.根据权利要求1至7中任一项所述的方法， 其特征在于， 所述根据所述第一嵌入表示 和所述第二嵌入表示计算得到目标对象对第二资源信息的第一预测分数包括： 根据所述第一嵌入表示和所述第二嵌入表示计算得到所述目标对象和所述第二资源 信息之间的余弦距离；权　利　要　求　书 2/4 页 3 CN 115270005 B 3