(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 202210977110.8 (22)申请日 2022.08.15 (71)申请人 浙江网商银行股份有限公司 地址 310012 浙江省杭州市西湖区古 荡街 道西溪路556号阿里中心D幢9层、 E幢 3-8层 (72)发明人 陶学文　郭晓波　李少帅　刘小雷　 郭乃诚　梁倩乔　 (74)专利代理 机构 北京智信禾专利代理有限公 司 11637 专利代理师 金鹏 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9537(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 对象推荐方法以及装置 (57)摘要 本说明书实施例提供对象推荐方法以及装 置， 其中对象推荐方法包括： 获取目标用户的用 户信息、 预先学习得到的域内交互信息和跨域交 互信息， 其中， 域内交互信息表征数据域内部用 户与交互对象的交互， 跨域交互信息表征多个数 据域之间用户与交互对象 的间接交互； 基于用户 信息、 域内交互信息以及跨域交互信息， 确定目 标交互对象； 向目标用户推荐目标交互对象。 本 方案在做对象推荐时不仅考虑了用户与交互对 象的域内交互信息还考虑了用户与交互对象之 间更高阶更深层次的跨域交互信息， 则确定的目 标交互对象更加符合目标用户的喜好， 提高了对 象推荐的准确性。 权利要求书3页 说明书25页 附图10页 CN 115238191 A 2022.10.25 CN 115238191 A 1.一种对象推荐方法， 包括： 获取目标用户的用户信 息、 预先学习得到的域内交互信 息和跨域交互信息， 其中， 所述 域内交互信息表征数据域内部用户与交互对象的交互， 所述跨域交互信息表征多个数据域 之间用户与交 互对象的间接交 互； 基于所述用户信息、 所述 域内交互信息以及所述 跨域交互信息， 确定目标交 互对象； 向所述目标用户推荐所述目标交 互对象。 2.根据权利要求1所述的方法， 基于所述用户信 息、 所述域内交互信 息以及所述跨域交 互信息， 确定目标交 互对象之前， 还 包括： 获取交互对象集， 其中， 所述交 互对象集包括多个交 互对象的交 互对象信息； 基于所述用户信 息、 所述域内交互信 息以及所述跨域交互信 息， 确定目标交互对象， 包 括： 基于所述用户信息、 所述多个交互对象的交互对象信息、 所述域内交互信息以及所述 跨域交互信息， 从所述交 互对象集中确定目标交 互对象。 3.根据权利要求1或2所述的方法， 所述域内交互信 息和所述跨域交互信 息为对推荐模 型预先训练得到， 所述推荐模型为机器学习模型； 基于所述用户信 息、 所述域内交互信 息以及所述跨域交互信 息， 确定目标交互对象， 包 括： 将所述用户信 息输入推荐模型， 经所述推荐模型利用所述域内交互信 息和所述跨域交 互信息对所述用户信息进行运 算， 获得目标交 互对象。 4.根据权利要求3所述的方法， 所述推荐模型包括图神经网络和超图神经网络， 将所述 用户信息 输入推荐模型之前， 还 包括： 获取至少两个数据域的多个样本组以及每个样本组对应的交互标签， 其中， 所述样本 组包括用户和交 互对象， 所述交 互标签用于表征用户与交 互对象是否存在交 互关系； 基于所述多个样本组， 构建每个数据域分别对应的域内交互图， 以及不同数据域之间 的跨域交互图； 针对每个数据域， 利用所述图神经网络， 对该数据域对应的域内交互图中当前节点的 特征信息以及邻居节点的特征信息进行聚合处理， 获得所述当前节点的交互特征向量， 其 中， 所述当前节点是所述域内交互图中的任一节 点， 所述当前节点为用户或交互对象， 所述 邻居节点 为与所述当前节点存在交 互关系的节点； 利用所述超图神经网络， 对所述跨域交互图中参考节点的特征信 息以及目标节点的特 征信息进 行聚合处理， 获得所述参考节点的关联特征向量， 其中， 所述参考节 点是所述跨域 交互图中的任一节点， 所述目标节点是与所述 参考节点之间存在超边的节点； 基于所述关联特征向量、 所述交互特征向量， 确定每个样本组对应的预测交互指标， 其 中， 所述预测交 互指标用于表征用户与交 互对象产生交 互的概率； 基于每个样本组对应的预测交互指标和每个样本组对应的交互标签， 调整所述推荐模 型的参数， 直至 达到训练停止条件， 获得推荐模型。 5.根据权利要求4所述的方法， 基于所述多个样本组， 构建每个数据域分别对应的域内 交互图， 以及不同数据域之间的跨 域交互图， 包括： 根据同一个数据域中多个样本组包括的用户和交互对象、 以及每个样本组对应的交互权　利　要　求　书 1/3 页 2 CN 115238191 A 2标签， 构建该 数据域对应的域内交 互图； 若根据所述至少两个数据域的多个样本组确定多个第一样本与同一个第二样本存在 交互关系， 根据所述多个第一样本的特征信息构建跨域交互图， 其中， 所述第一样本与所述 第二样本是不同类型， 所述第一样本是用户或交 互对象。 6.根据权利要求4或5所述的方法， 所述参考节点为用户， 基于所述关联特征向量、 每个 数据域中每个用户的交互特征向量和每个交互对象的交互特征向量， 确定每个样本组对应 的预测交 互指标， 包括： 针对第一数据域中的每个用户， 将该用户的交互特征向量和关联特征向量进行拼接， 得到合并特 征向量， 其中， 所述第一数据域是 所述至少两个数据域中的任意 一个； 将每个用户的合并特征向量和每个交互对象的交互特征向量映射至具备层次结构表 达能力的数据空间， 得到所述第一数据域中每个用户的增强特征向量和每个交互对象的增 强特征向量； 基于所述第 一数据域中每个用户的增强特征向量和每个交互对象的增强特征向量， 确 定所述第一数据域中每 个样本组对应的预测交 互指标。 7.根据权利要求4或5所述的方法， 所述参考节点为交互对象， 基于所述关联特征向量、 每个数据域中每个用户的交互特征向量和每个交互对象的交互特征向量， 确定每个样本组 对应的预测交 互指标， 包括： 针对第一数据域中的每个交互对象， 将该交互对象的交互特征向量和关联特征向量进 行拼接， 得到合并特 征向量， 其中， 第一数据域是 所述至少两个数据域中的任意 一个； 将每个用户的交互特征向量和每个交互对象的合并特征向量映射至具备层次结构表 达能力的数据空间， 得到所述第一数据域中每个用户的增强特征向量和每个交互对象的增 强特征向量； 基于所述第 一数据域中每个用户的增强特征向量和每个交互对象的增强特征向量， 确 定所述第一数据域中每 个样本组对应的预测交 互指标。 8.根据权利要求6所述的方法， 所述推荐模型还包括特征提取层和全连接层， 基于所述 第一数据域中每个用户的增强特征向量和每个交互对象的增强特征向量， 确定所述第一数 据域中每 个样本组对应的预测交 互指标， 包括： 将每个用户的增强特征向量和该用户的交互特征向量进行拼接， 将每个用户的拼接后 的特征向量输入所述特 征提取层， 得到每 个用户的融合特 征向量； 对每个交互对象的增强特征向量输入所述特征提取层， 得到每个交互对象的融合特征 向量； 将属于同一个样本组的用户的融合特征向量和交互对象的融合特征向量拼接后输入 所述全连接层， 确定该样本组对应的预测交 互指标。 9.根据权利要求4、 5、 8中任一项所述的方法， 所述多个样本组包括正样本组和负样本 组； 基于每个样本组对应的预测交互指标和每个样本组对应的交互标签， 调整所述推荐模 型的参数， 直至 达到训练停止条件， 获得推荐模型， 包括： 确定每个数据域中正样本组对应的第一预测交互指标和负样本组对应的第二预测交 互指标；权　利　要　求　书 2/3 页 3 CN 115238191 A 3