[发明专利]交互信息处理方法、装置和云服务器

说明书

本申请提供一种交互信息处理方法、装置和云服务器。本申请的方法，使用场景表示模型根据交互场景的领域知识确定交互场景的场景表示，基于新兴场景的场景表示更新混合专家模型中专家模块的权重，实现基于领域知识定制不同交互场景的模型参数；通过图神经网络编码生成节点在每一交互场景下的编码向量，通过混合专家模型综合节点在所有交互场景下的编码向量生成节点在新兴场景下的特征向量，由于不同交互场景定制的模型参数不同，使得节点在不同交互场景下的特征向量不同，节点在不同交互场景中有不同的表示，通过定制新兴场景的模型参数，能更好地适应新兴场景，提高新兴场景中交互推荐的精准度。

技术领域

本申请涉及计算机技术领域，尤其涉及一种交互信息处理方法、装置和云服务器。

背景技术

交互推荐(Interaction Recommendation)是社交平台、电子商务、网络游戏等多种系统平台中不可或缺的功能，是提高用户粘性和主动性的关键因素，旨在预测用户间的交互关系。基于交互推荐功能，系统平台会自动预测用户想要与谁进行交互，以向用户推荐感兴趣的交互对象。在实际应用中，在不同的系统平台或同一系统平台的不同功能模块中，有多种不同的用户交互类型，不同用户交互类型产生不同的交互场景。如电子商务平台中项目共享，系统预测当前用户希望与谁共享项目；如网络游戏平台中，系统预测当前用户希望与谁成为队友；如社交平台中，系统预测当前用户希望与谁共享视频、当前用户希望与谁共享订阅、当前用户希望与谁进行消息通信等多种不同场景。随时时间的推移，还会不断出现新兴的交互场景，例如，出现新的网络游戏、新的促销活动、新项目等等。由于交互场景的多样性，用户可能会在不同的场景中与不同的人群进行交互，用户在新兴场景中的交互行为可能与现有场景不同。新兴场景通常只有很少的用户行为数据。

传统交互推荐的方案，早期关注在一种交互类型的单一交互场景的应用。利用特定交互场景的用户行为数据训练模型，训练得到的交互推荐模型适用于特定交互场景。但是新兴场景只有很少的用于模型学习的用户行为数据，会导致在新兴场景中的模型训练出现过度拟合，无法得到有效的交互推荐模型。

为了处理新兴场景，目前一种解决方案是将每一个交互场景视为一个任务，应用元学习技术，基于现有场景的大量用户行为数据训练模型，得到交互场景共用的一组模型参数，再针对特定场景进行简单的梯度训练，快速调整模型以适应单个任务，从而定制单个交互场景的模型。对于交互关系具有相似拓扑结构的交互场景，通过共享更多模型参数的方式可以使得模型应用于单一交互场景时的性能得到改善。但是，新兴场景通常只有很少的用户行为数据，已知的交互关系的拓扑很简单，从而因训练数据有限导致过度拟合，导致模型在应用于新兴场景时交互推荐的精准度依然较低。

发明内容

本申请的多个方面提供一种交互信息处理方法、装置和云服务器，用以解决目前新兴场景中交互推荐的精准度较低的问题。

一方面，本申请提供一种交互信息处理方法，包括：获取已构建的用户交互关系图，其中，所述用户交互关系图包括：每一用户对应的节点，以及连接具有交互关系的两个用户对应节点的边，每一所述节点具有属性信息，每一所述边具有边类型，每一所述边类型对应一种交互场景，所述交互场景包括新兴场景和现有场景；将所述用户交互关系图输入图神经网络，通过所述图神经网络，对每一节点通过同一边类型的边连接的邻居节点的属性信息进行编码，生成每一节点在所述同一边类型对应交互场景下的编码向量；通过混合专家模型，综合每一节点在所有交互场景下的编码向量，生成每一节点在所述新兴场景下的特征向量，其中所述混合专家模型中专家模块的权重是根据所述新兴场景的场景表示更新后得到的，所述新兴场景的场景表示是根据所述新兴场景的领域知识确定，不同交互场景的场景表示不同，场景表示的相似性体现交互场景的相似性；根据每一节点在所述新兴场景下的特征向量，进行所述新兴场景下用户感兴趣的交互对象的推荐处理。