(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211056862.7 (22)申请日 2022.08.31 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 王长志　王培建　 (74)专利代理 机构 北京市汉坤律师事务所 11602 专利代理师 姜浩然　吴丽丽 (51)Int.Cl. G06F 16/9535(2019.01) G06K 9/62(2022.01) (54)发明名称 内容资源推荐方法、 神经网络的训练方法、 装置和设备 (57)摘要 本公开提供了一种网页质量评估 方法、 神经 网络的训练方法、 装置和设备， 涉及人工智 能技 术领域， 具体涉及机器学习技术、 推荐系统技术、 深度学习技术。 神经网络包括第一子网络和第二 子网络， 该方法包括： 针对多个内容资源中的每 一个内容资源， 利用第一子网络获取表征目标用 户和该内容资源的相似度的第一得分， 其中， 每 一个内容资源挂载至少一个待推荐对象； 利用第 二子网络获取表征目标用户和该内容资源所挂 载的至少一个待推荐对象 的相似度的第二得分； 基于第一得分和第二得分， 确定该内容资源的综 合得分； 以及基于多个内容资源各自的综合得 分， 在多个内容资源中确定至少一部分内容资源 以推荐给目标用户。 权利要求书4页 说明书12页 附图5页 CN 115292608 A 2022.11.04 CN 115292608 A 1.一种基于神经网络的内容资源推荐方法， 所述神经网络包括第一子网络和第二子网 络， 所述方法包括： 针对多个 内容资源中的每一个 内容资源， 利用所述第 一子网络获取表征目标用户和该 内容资源的相似度的第一得分， 其中， 每一个所述内容资源挂载至少一个待推荐对象； 利用所述第二子网络获取表征所述目标用户和该内容资源所挂载的至少一个待推荐 对象的相似度的第二得分； 基于所述第一得分和所述第二得分， 确定该内容资源的综合得分； 以及 基于所述多个 内容资源各自的综合得分， 在所述多个内容资源中确定至少一部分内容 资源以推荐给 所述目标用户。 2.根据权利要求1所述的方法， 其中， 所述第一子网络为基于用户 ‑内容资源异构图的 图神经网络， 所述用户 ‑内容资源异构图包括与多个用户对应的多个第一用户节点和与所 述多个内容资源 对应的多个内容资源节点， 所述多个用户包括所述目标用户， 其中， 针对多个内容资源中的每一个内容资源， 利用所述第一子网络获取表征目标用 户和该内容资源的相似度的第一得分包括： 利用所述第一子网络从与所述目标用户对应的第一用户节点获取所述目标用户的第 一用户特 征向量； 利用所述第一子网络从与该内容资源对应的内容资源节点获取该内容资源的内容资 源特征向量； 计算所述第一用户特征向量和所述内容资源特征向量的相似度， 以得到所述第一得 分。 3.根据权利要求2所述的方法， 其中， 所述用户 ‑内容资源异构图包括所述多个用户 和 所述多个内容资源之间的多个第一邻接边， 所述第一邻接边的权重是基于对应的用户关于 对应的内容资源的用户行为数据而得到的， 其中， 所述多个第 一用户节点中的每一个第 一用户节点对应的第 一用户特征向量是通 过将该第一用户节点的至少一个邻域节点对应的特征向量基于相 应的至少一个第一邻接 边的权重进行聚合而得到的， 所述多个内容资源节点中的每一个内容资源节点对应的内容 资源特征向量是通过将该内容资源节点的至少一个邻域节点对应的特征向量基于相 应的 至少一个第一邻接边的权 重进行聚合而得到的。 4.根据权利要求2所述的方法， 其中， 所述第二子网络为基于用户 ‑对象异构图的图神 经网络， 所述用户 ‑对象异构图包括与所述多个用户对应的多个第二用户节点和与所述多 个待推荐对象对应的多个对象节点， 其中， 利用所述第 二子网络获取表征所述目标用户和该内容资源所挂载的至少一个待 推荐对象的相似度的第二得分包括： 利用所述第二子网络从与所述目标用户对应的第二用户节点获取所述目标用户的第 二用户特 征向量； 利用所述第二子网络从与所述至少一个待推荐对象对应的至少一个对象节点获取所 述至少一个待推荐对象各自的对象特 征向量； 计算所述第二用户特征向量和所述至少一个待推荐对象各自的对象特征向量的相似 度， 以得到所述第二得分。权　利　要　求　书 1/4 页 2 CN 115292608 A 25.根据权利要求4所述的方法， 其中， 所述用户 ‑对象异构图包括所述多个用户 和所述 多个待推荐对象之 间的多个第二邻接边， 所述第二邻接边的权重是基于对应的用户关于对 应的待推荐对象的用户行为数据而得到的， 其中， 所述多个第 二用户节点中的每一个第 二用户节点对应的第 二用户特征向量是通 过将该第二用户节点的至少一个邻域节点对应的特征向量基于相 应的至少一个第二邻接 边的权重进行聚合而得到的， 所述多个对象节点中的每一个对象节点对应的对象特征向量 是通过将该对象节点的至少一个邻域节点对应的特征向量基于相 应的至少一个第二邻接 边的权重进行聚合而得到的。 6.根据权利要求5所述的方法， 其中， 所述用户行为数据包括点击、 浏览时长、 点赞、 评 论、 收藏、 分享、 添加到购物车、 以及转 化中的至少一个。 7.根据权利要求1所述的方法， 还 包括： 针对所述多个 内容资源中的目标内容资源， 利用所述第 一子网络确定与所述目标内容 资源相似的多个候选用户； 利用所述第二子网络确定与所述多个候选用户相似的多个候选待推荐对象； 以及 在所述多个候选待推荐对象中确定用于在所述目标内容资源中挂载的至少一个目标 待推荐对象。 8.一种神经网络的训练方法， 所述神经网络包括第一子网络， 所述第一子网络为基于 用户‑内容资源异构图的图神经网络， 所述用户 ‑内容资源异构图包括与多个用户对应的多 个第一用户节点、 与所述多个内容资源对应的多个内容资源节点、 以及所述多个用户和所 述多个内容资源之 间的多个第一邻接边， 所述第一邻接边的权重是基于对应的用户关于对 应的内容资源的用户行为数据而得到的， 其中， 所述方法包括： 在所述多个用户和所述多个 内容资源中确定第 一样本对， 所述第 一样本对包括所述多 个用户中的第一样本用户和所述多个内容资源中的样本内容资源； 确定所述多个第一用户节点各自对应的第一用户特征向量和所述多个内容资源节点 各自对应的内容资源特 征向量； 将与所述第一样本用户对应的第一样本用户节点的至少一个邻域节点的特征向量基 于相应的至少一个第一邻接边的权重进行聚合， 以得到所述第一样本用户节点的更新后的 第一用户特 征向量； 将与所述样本内容资源对应的样本内容资源节点的至少一个邻域节点的特征向量基 于相应的至少一个第一邻接边的权重进行聚合， 以得到所述样本内容资源节点的更新后的 内容资源特 征向量； 以及 基于所述第一用户特征向量和所述内容资源特征向量， 调整所述第一子网络的参数， 以得到训练后的神经网络 。 9.根据权利要求8所述的方法， 其中， 在所述多个用户和所述多个 内容资源中确定第 一 样本对包括： 在所述第一子网络中确定起始 节点； 基于所述起始节点， 在所述第 一子网络 中以所述多个第 一邻接边各自的权重作为游走 概率进行随机游走， 以得到样本节点序列； 以及 基于所述样本节点序列， 确定所述第一样本对。权　利　要　求　书 2/4 页 3 CN 115292608 A 3