(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 202210871040.8 (22)申请日 2022.07.22 (71)申请人 北京三快在线科技有限公司 地址 100080 北京市海淀区北四环西路9号 2106-030 (72)发明人 李银峰　杜小毅　韦华周　罗恒亮　 (74)专利代理 机构 北京三高永信知识产权代理 有限责任公司 1 1138 专利代理师 谢冬寒 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/958(2019.01) G06K 9/62(2022.01) (54)发明名称 内容项推荐方法、 装置及服 务器 (57)摘要 本公开提供了一种内容项推荐 方法、 装置及 服务器， 属于互联网技术领域。 该方法包括： 基于 第一有向图中多个目标节点的特征向量， 确定多 个目标节 点的局部特征向量， 多个目标节点包括 当前行为序列对应的多个决策因素节 点、 序列节 点及已点击的多个内容项对应的多个内容节点； 基于第二有向图中多个节点的特征向量及多个 节点之间有向连接边的类型， 确定多个目标节点 的全局特征向量； 基于多个目标节 点的局部特征 向量和全局特征向量， 确定当前行为序列对应的 序列特征向量； 基于序列特征向量进行内容项推 荐。 本公开能够同时捕获到外部决策因素和行为 序列对用户偏好的影响， 从而能够学习到更为准 确的偏好知识， 提高了 推荐结果的准确性。 权利要求书3页 说明书20页 附图5页 CN 115309984 A 2022.11.08 CN 115309984 A 1.一种内容项推荐方法， 其特 征在于， 所述方法包括： 获取第一有向图和第二有向图， 所述第一有向图根据当前行为序列构建， 所述第一有 向图用于表征多个目标节点之 间的有向连接关系， 所述多个目标节点包括所述当前行为序 列对应的多个决策因素节点、 序列节点及已点击的多个内容项对应的多个内容节点， 所述 第二有向图根据多个历史行为序列构建， 所述第二有向图用于表征多个节点之 间的有向连 接关系， 所述多个节点包括所述多个目标节点及与任一目标节点具有有向连接关系的节 点； 基于所述第 一有向图中所述多个目标节点的特征向量， 确定所述多个目标节点的局部 特征向量， 所述局部特征向量中融合了所述第一有向图中与所述目标节点具有有向连接关 系的其他目标节点的特 征向量； 基于所述第二有向图中所述多个节点的特征向量及所述多个节点之间有向连接边的 类型， 确定所述多个目标节点的全局特征向量， 所述全局特征向量中融合了所述第二有向 图中与所述目标节点具有 有向连接关系的其 他节点的特 征向量； 基于所述多个目标节点的局部特征向量和所述全局特征向量， 确定所述当前行为序列 对应的序列特征向量， 所述序列特征向量用于表征在当前场景下偏好的内容项所具有的特 征； 基于所述序列特 征向量进行内容项推荐。 2.根据权利要求1所述的方法， 其特征在于， 所述基于所述第 一有向图中所述多个目标 节点的特 征向量， 确定所述多个目标节点的局部特 征向量， 包括： 基于所述多个内容节点的特征向量和所述当前行为序列中各个内容项之间的转移关 系， 确定所述多个内容节点的局部特 征向量； 基于所述多个决策因素节点的特征向量和所述多个 内容节点的局部特征向量， 确定所 述多个决策因素节点的局部特 征向量； 基于所述序列节点的特征向量和所述多个决策因素节点的局部特征向量， 确定所述序 列节点的局部特 征向量。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述多个 内容节点的特征向量和 所述当前行为序列中各个内容项之间的转移关系， 确定所述多个内容节点的局部特征向 量， 包括： 计算所述多个内容节点的特 征向量的平均值， 得到均值特 征向量； 对于任一内容节点， 根据所述内容节点的特征向量、 所述均值特征向量及每个起始内 容节点的特征向量， 计算每个起始内容节点与所述内容节点之间有向连接边的权重值， 所 述起始内容节点 为以所述内容节点 为内容项转移终点的内容节点； 对每个起始内容节点对应的权重值进行归一化处理， 得到每个起始内容节点对应的归 一化权重值； 基于每个起始内容节点对应的归一化权重值， 对各个起始内容节点的特征向量进行加 权相加， 得到所述内容节点的局部特 征向量。 4.根据权利要求2所述的方法， 其特征在于， 所述基于所述多个决策因素节点的特征向 量和所述多个内容节点的局部特征向量， 确定所述多个决策因素节点的局部特征向量， 包 括：权　利　要　求　书 1/3 页 2 CN 115309984 A 2对于任一决策因素节点， 根据 所述决策因素节点的特征向量和每个内容节点的局部特 征向量， 计算所述决策因素节点与每 个内容节点之间有向连接边的归一 化权重值； 基于每个 内容节点对应的归一化权重值， 对所述多个内容节点的特征向量进行加权相 加， 得到加权内容特 征向量； 将所述决策因素节点的特征向量和所述加权内容特征向量进行相加， 得到所述决策因 素节点的局部特 征向量。 5.根据权利要求2所述的方法， 其特征在于， 所述基于所述序列节点的特征向量和所述 多个决策因素节点的局部特 征向量， 确定所述序列节点的局部特 征向量， 包括： 根据序列节点的特征向量和每个决策因素节点的局部特征向量， 计算所述序列节点与 每个决策因素节点之间有向连接边的归一 化权重值； 基于每个决策因素节点对应的归一化权重值， 对所述多个决策因素节点的特征向量进 行加权相加， 得到加权决策 特征向量； 将所述决策因素节点的特征向量和所述加权决策特征向量进行相加， 得到所述序列节 点的局部特 征向量。 6.根据权利要求1所述的方法， 其特征在于， 所述基于所述第 二有向图中所述多个节点 的特征向量及所述多个节点之 间有向连接边的类型， 确定所述多个目标节点的全局特征向 量， 包括： 对于任一目标节点， 根据所述目标节点前一层的特征向量、 与所述目标节点具有有向 连接关系的各个起始节点当前层的特征向量以及所述目标节点与各个起始节点之间有向 连接边的类型， 确定所述 目标节点在每种类型 的连接边下当前层的关系内特征向量， 所述 起始节点为以所述目标节点 为转移终点的节点； 对所述目标节点在每种类型的连接边下当前层的关系内特征向量进行聚合， 得到所述 目标节点当前层的全局特 征向量； 计算所述目标节点所有层的全局特征向量的平均值， 得到所述目标节点的全局特征向 量。 7.根据权利要求6所述的方法， 其特征在于， 所述根据所述目标节点前一层的特征向 量、 与所述目标节点具有有向连接 关系的各个起始节点当前层的特征向量以及所述目标节 点与各个起始节点之间有向连接边的类型， 确定所述目标节点在每种类型的连接边下当前 层的关系内特 征向量， 包括： 对于任一种类型的有向连接边， 根据 所述目标节点前一层的特征向量以及与 所述目标 节点之间的有向连接边的类型为所述类型的各个起始节点当前层的特征向量， 确定有向连 接边的类型为所述类型的各个起始 节点对应的归一 化权重值； 基于有向连接边的类型为所述类型的各个起始节点对应的归一化权重值， 对有向连接 边的类型为所述类型的各个起始节点当前层的特征向量进 行加权相加， 得到所述目标节点 在所述类型的连接边下当前层的关系内特 征向量。 8.根据权利要求6所述的方法， 其特征在于， 所述对所述目标节点在每种类型的连接边 下当前层的关系内特 征向量进行聚合， 得到所述目标节点当前层的全局特 征向量， 包括： 根据所述目标节点在每种类型的连接边下当前层的关系内特征向量， 计算所述目标节 点在每种类型的连接边下当前层的归一 化权重值；权　利　要　求　书 2/3 页 3 CN 115309984 A 3