[发明专利]内容推荐方法、装置、设备、存储介质及程序产品

权利要求书

1.一种内容推荐方法，其特征在于，所述方法包括：

获取内容异质图，所述内容异质图中包含同质元路径以及异质元路径，所述同质元路径由内容对应的内容节点构成，所述异质元路径由所述内容节点以及内容属性对应的属性节点构成；

基于所述同质元路径对目标内容节点进行特征提取，得到内容基础特征，所述目标内容节点属于所述内容节点；

基于所述异质元路径对所述目标内容节点进行特征提取，得到内容属性特征；

对所述内容基础特征以及所述内容属性特征进行特征融合，得到所述目标内容节点的目标内容特征；

基于所述目标内容特征进行内容推荐。

2.根据权利要求1所述的方法，其特征在于，所述基于所述同质元路径对目标内容节点进行特征提取，得到内容基础特征，包括：

按照所述同质元路径对所述目标内容节点进行图卷积，得到所述内容基础特征；

所述基于所述异质元路径对所述目标内容节点进行特征提取，得到内容属性特征，包括：

按照所述异质元路径对所述目标内容节点进行图卷积，得到所述内容属性特征。

3.根据权利要求2所述的方法，其特征在于，所述按照所述同质元路径对所述目标内容节点进行图卷积，得到所述内容基础特征，包括：

基于所述同质元路径，选取所述目标内容节点对应的至少一阶邻居内容节点；

对所述至少一阶邻居内容节点的邻居节点特征与所述目标内容节点的目标节点特征进行特征聚合，得到所述内容基础特征。

4.根据权利要求3所述的方法，其特征在于，所述至少一阶邻居内容节点包含所述目标内容节点的一阶邻居节点与二阶邻居节点；

所述对所述至少一阶邻居内容节点的邻居节点特征与所述目标内容节点的目标节点特征进行特征聚合，得到所述内容基础特征，包括：

对所述一阶邻居节点的节点特征与所述二阶邻居节点的节点特征进行特征聚合，得到邻居聚合特征；

对所述邻居聚合特征与所述目标节点特征进行特征聚合，得到所述内容基础特征。

5.根据权利要求2所述的方法，其特征在于，所述图卷积过程由图神经网络中卷积层执行，所述方法还包括：

按照所述同质元路径对样本内容节点进行图卷积，得到预测内容基础特征；

按照所述异质元路径对所述样本内容节点进行图卷积，得到预测内容属性特征；

对所述预测内容基础特征与所述预测内容属性特征进行特征融合，得到预测内容特征；

基于各个样本内容节点的所述预测内容基础特征、所述预测内容属性特征以及所述预测内容特征，对所述图神经网络进行更新训练。

6.根据权利要求5所述的方法，其特征在于，所述基于各个样本内容节点的所述预测内容基础特征、所述预测内容属性特征以及所述预测内容特征，对所述图神经网络进行更新训练，包括：

基于正样本内容节点对以及负样本内容节点对的所述预测内容特征，确定相关性损失，所述正样本内容节点对中包含具备关联关系或具有相同属性的两个样本内容对应的内容节点，所述负样本内容节点对中包含无关联关系且无相同属性的两个样本内容对应的内容节点；

基于第一内容特征对以及第二内容特征对，确定对比损失，所述第一内容特征对是同一样本内容节点对应的不同类型的预测特征组成的特征对，所述不同类型的预测特征为所述预测内容基础特征或所述预测内容属性特征，所述第二内容特征对是不同样本内容节点对应的不同类型的预测特征组成的特征对；

基于所述相关性损失以及所述对比损失，对所述图神经网络进行更新训练。

7.根据权利要求6所述的方法，其特征在于，所述基于正样本内容节点以及负样本内容节点的所述预测内容特征，确定相关性损失，包括：

计算所述正样本内容节点对所对应的预测内容特征之间的正相关值；

计算所述负样本内容节点对所对应的预测内容特征之间的负相关值；

基于所述正相关值以及所述负相关值，确定所述相关性损失。