一种感兴趣内容的输出方法、装置、设备和存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种感兴趣内容的输出方法、装置、设备和存储介质。


背景技术：

2.随着互联网技术的迅速发展，基于大数据和人工智能的推荐技术应运而生，出现了很多推荐系统，能够智能地向用户推荐用户感兴趣的内容。推荐系统通常可以通过分析用户的历史行为信息预测用户的喜好，从而为用户推荐其感兴趣的信息，以满足用户的个性化推荐需求。
3.然而，这些推荐系统往往是基于具有完全重叠用户的显式数据集进行训练得到，不同领域之间的数据缺乏足够的交互性，难以保证跨领域的重叠用户兴趣的一致性，进而无法准确地向用户输出感兴趣的内容，导致信息输出的精准度不高。


技术实现要素：

4.本技术实施例期望提供一种感兴趣内容的输出方法、装置、设备和存储介质。
5.本技术的技术方案是这样实现的：
6.本技术第一方面的实施例提供一种感兴趣内容的输出方法，包括：
7.获取待处理的交互网络图；所述交互网络图中包含至少一个用户节点、至少一个内容节点以及至少一条第一边，每一所述第一边连接一个用户节点以及所述用户节点交互过的一个内容节点，所述至少一个用户节点中包括至少一个同属于第一领域和第二领域的用户节点；
8.对所述交互网络图进行特征提取，得到属于目标领域的目标用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个候选内容节点分别对应的内容特征；所述目标领域包括所述第一领域或所述第二领域；
9.基于所述目标用户节点在所述目标领域中的用户特征、以及每一所述候选内容节点分别对应的内容特征，确定所述目标用户节点对应的用户在所述目标领域中感兴趣的目标内容节点；
10.输出与所述目标内容节点对应的感兴趣内容。
11.可选地，所述对所述交互网络图进行特征提取，得到属于目标领域的目标用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个候选内容节点分别对应的内容特征，包括：
12.针对所述目标用户节点以及至少一个所述候选内容节点中的每一节点，对所述节点进行向量化处理，得到所述节点的第一节点表征，并基于所述节点在所述交互网络图中的至少一个邻居节点的第一节点表征和所述节点自身的第一节点表征，确定所述节点的第二节点表征；
13.对所述目标用户节点的第二节点表征进行特征提取，得到所述目标用户节点在所
述目标领域中的用户特征，并对每一所述候选内容节点的第二节点表征进行特征提取，得到每一所述候选内容节点分别对应的内容特征。
14.可选地，所述对所述交互网络图进行特征提取，得到属于目标领域的目标用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个候选内容节点分别对应的内容特征，包括：
15.利用已训练的图神经网络，对所述交互网络图进行特征提取，得到属于目标领域的目标用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个候选内容节点分别对应的内容特征。
16.可选地，所述方法还包括：
17.获取交互网络样本图；所述交互网络样本图中包含至少一个同属于所述第一领域和所述第二领域的第一用户节点、至少一个属于所述第一领域或所述第二领域的第二用户节点、至少一个属于所述第一领域的第一内容节点、至少一个属于所述第二领域的第二内容节点以及至少一条第二边，每一所述第二边连接一个用户节点以及所述用户节点交互过的一个内容节点；
18.利用待训练的所述图神经网络，对所述交互网络样本图进行特征提取，得到属于所述第一领域的至少一个用户节点在所述第一领域中的用户特征、属于所述第二领域的至少一个用户节点在所述第二领域中的用户特征、以及至少一个内容节点分别对应的内容特征；
19.基于属于所述目标领域的至少一个用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个内容节点分别对应的内容特征，确定所述交互网络样本图中属于所述目标领域的每一用户节点对应的用户在所述目标领域中感兴趣的目标内容节点；
20.基于所述交互网络样本图中属于所述目标领域的每一用户节点对应的用户在所述目标领域中感兴趣的目标内容节点、以及预先设定的每一所述用户节点对应的目标内容节点标签，确定第一损失；
21.基于所述第一损失，对所述图神经网络的网络参数进行更新，得到训练后的所述图神经网络。
22.可选地，所述方法还包括：
23.确定每一所述第一用户节点分别在所述交互网络样本图中的第二节点表征；
24.针对每一所述第一用户节点，对第一用户节点的第二节点表征、以及所述第一用户节点在所述交互网络图中属于所述第一领域的至少一个邻居节点的第二节点表征进行聚合，得到所述第一用户节点的第一对比视图，并对第一用户节点的第二节点表征、以及所述第一用户节点在所述交互网络图中属于所述第二领域的至少一个邻居节点的第二节点表征进行聚合，得到所述第一用户节点的第二对比视图；
25.基于每一所述第一用户节点的第一对比视图与预设的至少一个兴趣向量之间的相似度、以及每一所述第一用户节点的第二对比视图与所述至少一个兴趣向量之间的相似度，确定第二损失；
26.所述基于所述第一损失，对所述图神经网络的网络参数进行更新，得到训练后的所述图神经网络，包括：
27.基于所述第一损失和所述第二损失，对所述图神经网络的网络参数进行更新，得
到训练后的所述图神经网络。
28.可选地，所述方法还包括：
29.基于所述交互网络样本图中的每一第一用户节点对应的用户在所述第一领域中感兴趣的目标内容节点的内容特征和每一第一用户节点的用户特征，确定在所述图神经网络训练的反向传播过程中所述图神经网络的网络参数的第一梯度；
30.基于所述交互网络样本图中的每一第一用户节点对应的用户在所述第二领域中感兴趣的目标内容节点的内容特征和每一第一用户节点的用户特征，确定在所述图神经网络训练的反向传播过程中所述图神经网络的网络参数的第二梯度；
31.基于所述第一梯度与所述第二梯度之间的相似度，确定第三损失；
32.所述基于所述第一损失和所述第二损失，对所述图神经网络的网络参数进行更新，得到训练后的所述图神经网络，包括：
33.基于所述第一损失、所述第二损失和所述第三损失，对所述图神经网络的网络参数进行更新，得到训练后的所述图神经网络。
34.可选地，所述基于所述目标用户节点在所述目标领域中的用户特征、以及每一所述候选内容节点分别对应的内容特征，确定所述目标用户节点对应的用户在所述目标领域中感兴趣的目标内容节点，包括：
35.针对每一所述候选内容节点，基于所述目标用户节点在所述目标领域中的用户特征、与所述候选内容节点对应的内容特征，确定所述目标用户节点对应的用户对所述候选内容节点的感兴趣程度；
36.基于每一所述候选内容节点对应的感兴趣程度，确定所述目标内容节点。
37.本技术的第二方面的实施例提供一种感兴趣内容的输出装置，包括：
38.获取模块，用于获取待处理的交互网络图；所述交互网络图中包含至少一个用户节点、至少一个内容节点以及至少一条第一边，每一所述第一边连接一个用户节点以及所述用户节点交互过的一个内容节点，所述至少一个用户节点中包括至少一个同属于第一领域和第二领域的用户节点；
39.特征提取模块，用于对所述交互网络图进行特征提取，得到属于目标领域的目标用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个候选内容节点分别对应的内容特征；所述目标领域包括所述第一领域或所述第二领域；
40.确定模块，用于基于所述目标用户节点在所述目标领域中的用户特征、以及每一所述候选内容节点分别对应的内容特征，确定所述目标用户节点对应的用户在所述目标领域中感兴趣的目标内容节点；
41.输出模块，用于输出与所述目标内容节点对应的感兴趣内容。
42.本技术的第三方面的实施例提供一种电子设备，包括：存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，所述处理器执行第一方面所述方法的步骤。
43.本技术的第四方面的实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面所述方法的步骤。
44.本技术实施例提供的一种感兴趣内容的输出方法、装置、设备和存储介质，所述方法包括：获取待处理的交互网络图；所述交互网络图中包含至少一个用户节点、至少一个内
容节点以及至少一条第一边，所述至少一个用户节点中包括至少一个同属于第一领域和第二领域的用户节点；对所述交互网络图进行特征提取，得到属于目标领域的目标用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个候选内容节点分别对应的内容特征；基于所述目标用户节点在所述目标领域中的用户特征、以及每一所述候选内容节点分别对应的内容特征，确定所述目标用户节点对应的用户在所述目标领域中感兴趣的目标内容节点；输出与所述目标内容节点对应的感兴趣内容。采用本技术的技术方案，通过获取用户在不同领域内的内容偏好，结合位于交互网络图中的领域重叠区域的用户节点或内容节点，可以确定不同领域之间的关联性，再基于用户在不同领域内的兴趣一致性，从而可以利用用户在一个领域中的内容偏好反映用户在另一个领域中的内容偏好，基于此在目标域中输出用户感兴趣内容，提高了不同领域之间的交互性和对用户进行内容输出的精准度。
附图说明
45.图1为本技术实施例提供的一种感兴趣内容的输出方法的流程示意图；
46.图2为本技术实施例提供的一种感兴趣内容的输出装置的结构示意图；
47.图3为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
48.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
49.此外，附图仅为本技术的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
50.附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
51.在此使用的术语的目的仅在于描述具体实施例并且不作为本技术的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
52.在一些实施例中，请参阅图1，图1为本技术实施例提供的一种感兴趣内容的输出方法的流程示意图，该输出方法，包括如下步骤s110至步骤s140：步骤s110，获取待处理的交互网络图；交互网络图中包含至少一个用户节点、至少一个内容节点以及至少一条第一
边，每一第一边连接一个用户节点以及用户节点交互过的一个内容节点，至少一个用户节点中包括至少一个同属于第一领域和第二领域的用户节点。
53.在本实施例中，交互网络图表征用户节点与内容节点之间的交互关系，具体的，通过第一边体现用户节点与内容节点之间的联系。用户节点可以分别对应不同客户，如用户甲、用户乙等；内容节点可以包括商品、帖子、影像等。当用户点击或搜索相应的商品、帖子或影像时，即建立起了该用户与对应内容之间的交互联系，由此，通过查询用户的点击或搜索记录，并进行大数据分析和整理后，即可以获取满足要求的交互网络图。
54.在一可选实施例中，第一领域和第二领域可以分别为两个不同的平台，如社交平台、搜索平台、网上商城等，这两个平台之间存在着有交集的用户节点或内容节点。该用户节点或内容节点与两个平台中的其他内容节点或用户节点通过第一边进行连接。需要说明的是，交互网络图可以不仅包括第一领域和第二领域中的节点交互，还可以包括第三领域、第四领域等领域中的节点与第一领域和第二领域中的节点交互，对此不进行限制。
55.步骤s120，对交互网络图进行特征提取，得到属于目标领域的目标用户节点在目标领域中的用户特征、以及属于目标领域的至少一个候选内容节点分别对应的内容特征；目标领域包括第一领域或第二领域。
56.步骤s130，基于目标用户节点在目标领域中的用户特征、以及每一候选内容节点分别对应的内容特征，确定目标用户节点对应的用户在目标领域中感兴趣的目标内容节点。
57.例如，目标领域为第一领域，通过对交互网络图进行特征提取，可以得到属于第一领域的目标用户节点在第一领域中的用户特征、以及属于第一领域的至少一个候选内容节点分别对应的内容特征，从而基于目标用户节点在第一领域中的用户特征、以及第一领域中的每一候选内容节点分别对应的内容特征，确定该目标用户节点对应的用户在第一领域中感兴趣的目标内容节点。这里，至少一个候选内容节点包括与目标用户节点通过第一边连接的一个或多个内容节点。用户特征体现用户的身份信息和个人偏好等特征，内容特征可以包括用于区分不同内容的标识信息，如特殊符号或图形。
58.又如，目标领域为第二领域，通过对交互网络图进行特征提取，可以得到属于第二领域的目标用户节点在第二领域中的用户特征、以及属于第二领域的至少一个候选内容节点分别对应的内容特征，从而基于目标用户节点在第二领域中的用户特征、以及第二领域中的每一候选内容节点分别对应的内容特征，确定该目标用户节点对应的用户在第二领域中感兴趣的目标内容节点。在一些实施方式中，可以根据目标用户节点在目标领域中的用户特征与每一候选内容节点的内容特征之间的相似度，从候选内容节点中筛选出目标用户节点对应的用户在目标领域中感兴趣的目标内容节点。
59.可以理解的是，对于同属于第一领域和第二领域中的目标用户节点，可以对交互网络图进行特征提取，得到该目标用户节点在第一领域中的用户特征、和/或该目标用户节点在第二领域中的用户特征。并且，由于交互网络图中包括目标用户节点与第一领域中的内容节点之间的交互关系、以及目标用户节点与第二领域中的内容节点之间的交互关系，从而基于交互网络图提取的目标用户节点在第一领域中的用户特征可以体现出该目标用户节点在第一领域的内容偏好以及在第二领域的内容偏好，并且基于交互网络图提取的目标用户节点在第二领域中的用户特征也可以体现出该目标用户节点在第一领域的内容偏
好以及在第二领域的内容偏好，从而可以使得提取的用户特征具有更好地跨域一致性。
60.在一可选实施例中，第一领域为目标领域，且第一领域中的整体数据(包括用户信息和/或内容信息)较为稀疏，而第二领域中的整体数据较为丰富，由此，可以结合用户在第二领域中的内容偏好，确定目标用户节点在第一领域中的用户特征，从而确定该目标用户节点对应的用户在第一领域中感兴趣的目标内容节点，有效改善在第一领域中的用户信息和内容信息不足的问题。
61.步骤s140，输出与目标内容节点对应的感兴趣内容。
62.基于目标内容节点对应的内容特征，可以输出对应的感兴趣内容。进一步地，当存在多个目标内容节点时，还可以根据各个目标内容节点对应的交互频率或交互次数确定感兴趣内容的输出顺序，对感兴趣内容进行降序排序，从而按照排序后的感兴趣内容向用户输送感兴趣内容，提升用户体验。
63.在一些实施例中，步骤s120，对交互网络图进行特征提取，得到属于目标领域的目标用户节点在目标领域中的用户特征、以及属于目标领域的至少一个候选内容节点分别对应的内容特征，包括：
64.步骤s121，针对目标用户节点以及至少一个候选内容节点中的每一节点，对节点进行向量化处理，得到节点的第一节点表征，并基于节点在交互网络图中的至少一个邻居节点的第一节点表征和节点自身的第一节点表征，确定节点的第二节点表征；
65.步骤s122，对目标用户节点的第二节点表征进行特征提取，得到目标用户节点在目标领域中的用户特征，并对每一候选内容节点的第二节点表征进行特征提取，得到每一候选内容节点分别对应的内容特征。
66.在本实施例中，第一节点表征和第二节点表征均为向量。通过相应的向量转化模型，对目标用户节点和各个候选内容节点进行向量化处理，可以得到初始向量，即第一节点表征。进一步的，根据至少一个邻居节点的第一节点表征对目标用户节点自身的第一节点表征的影响因子，确定目标用户节点的第二节点表征。这里，影响因子可以包括邻居节点与目标用户节点之间的交互频率和交互次数。对各第二节点表征进行特征提取，即可得到目标用户节点对应的用户特征及各个候选内容节点对应的内容特征。这里，候选内容节点包括与目标用户节点之间存在交互的内容节点，还包括与目标用户节点之间不存在交互的内容节点。
67.在一些实施例中，步骤s120，对交互网络图进行特征提取，得到属于目标领域的目标用户节点在目标领域中的用户特征、以及属于目标领域的至少一个候选内容节点分别对应的内容特征，包括：
68.利用已训练的图神经网络，对交互网络图进行特征提取，得到属于目标领域的目标用户节点在目标领域中的用户特征、以及属于目标领域的至少一个候选内容节点分别对应的内容特征。
69.在本实施例中，图神经网络是经过样本训练后具备对交互网络图进行特征提取功能的神经网络。样本类型与交互网络图的类型相同，样本的具体内容与交互网络图的内容可以部分相同或相似。
70.在一些实施例中，所述方法还包括如下步骤s151至步骤s155：
71.步骤s151，获取交互网络样本图；交互网络样本图中包含至少一个同属于第一领
域和第二领域的第一用户节点、至少一个属于第一领域或第二领域的第二用户节点、至少一个属于第一领域的第一内容节点、至少一个属于第二领域的第二内容节点以及至少一条第二边，每一第二边连接一个用户节点以及用户节点交互过的一个内容节点；
72.步骤s152，利用待训练的图神经网络，对交互网络样本图进行特征提取，得到属于第一领域的至少一个用户节点在第一领域中的用户特征、属于第二领域的至少一个用户节点在第二领域中的用户特征、以及至少一个内容节点分别对应的内容特征；
73.步骤s153，基于属于目标领域的至少一个用户节点在目标领域中的用户特征、以及属于目标领域的至少一个内容节点分别对应的内容特征，确定交互网络样本图中属于目标领域的每一用户节点对应的用户在目标领域中感兴趣的目标内容节点；
74.步骤s154，基于交互网络样本图中属于目标领域的每一用户节点对应的用户在目标领域中感兴趣的目标内容节点、以及预先设定的每一用户节点对应的目标内容节点标签，确定第一损失；
75.步骤s155，基于第一损失，对图神经网络的网络参数进行更新，得到训练后的图神经网络。
76.在本实施例中，利用待训练的图神经网络，对交互网络样本图进行特征提取，进而基于提取到的特征确定目标领域中的每一用户节点对应的用户在目标领域中感兴趣的目标内容节点。通过将确定结果与预先设定的每一用户节点对应的目标内容节点标签进行对照，得出通过图神经网络进行特征提取产生的误差，即第一损失。基于第一损失，对图神经网络的网络参数进行更新，而后基于更新后的图神经网络重复特征提取、确定目标内容节点和结果对照等步骤，直至得到的第一损失满足预期要求，得到训练好的图神经网络。这样，可以通过预先设定的每一用户节点对应的目标内容节点标签，对第一领域和第二领域中各用户节点对应的目标内容节点进行监督，从而使得基于图神经网络提取的用户特征和内容特征确定的用户节点对应的目标内容节点，与用户节点对应的目标内容节点标签趋于一致，进而从整体上提升图神经网络对用户特征以及内容特征进行表征的能力，使得感兴趣内容的输出更加准确。
77.在一些实施例中，所述方法还包括如下步骤s161至步骤s163：
78.步骤s161，确定每一第一用户节点分别在交互网络样本图中的第二节点表征；
79.步骤s162，针对每一第一用户节点，对第一用户节点的第二节点表征、以及第一用户节点在交互网络图中属于第一领域的至少一个邻居节点的第二节点表征进行聚合，得到第一用户节点的第一对比视图，并对第一用户节点的第二节点表征、以及第一用户节点在交互网络图中属于第二领域的至少一个邻居节点的第二节点表征进行聚合，得到第一用户节点的第二对比视图；
80.步骤s163，基于每一第一用户节点的第一对比视图与预设的至少一个兴趣向量之间的相似度、以及每一第一用户节点的第二对比视图与至少一个兴趣向量之间的相似度，确定第二损失；
81.上述步骤s155可以包括：步骤s164，基于第一损失和所述第二损失，对图神经网络的网络参数进行更新，得到训练后的图神经网络。
82.在本实施例中，第一用户节点同属于第一领域和第二领域。第一对比视图可以体现第一用户节点的第二节点表征与第一领域中该第一用户节点的至少一个邻居节点的第
二节点表征之间的交互关系，从而可以体现第一用户节点在第一领域中的兴趣信息。第二对比视图可以体现第一用户节点的第二节点表征与第二领域中该第一用户节点的至少一个邻居节点的第二节点表征之间的交互关系，从而可以体现第一用户节点在第二领域中的兴趣信息。兴趣向量为预设的表征某一兴趣偏好的向量。
83.在一示例中，第一用户节点在第一领域中在交互网络图中的邻居节点包括邻居节点1、邻居节点2和邻居节点3，在第二领域中在交互网络图中的邻居节点包括邻居节点4、邻居节点5和邻居节点6，其中，邻居节点1的类型与邻居节点4的类型相同，邻居节点2的类型与邻居节点5的类型相同，邻居节点3的类型与邻居节点6的类型相同，由此，可以分别确定第一用户节点与邻居节点1、邻居节点2和邻居节点3形成的第一对比视图和第一用户节点与邻居节点4、邻居节点5和邻居节点6形成的第二对比视图，并得到第一对比视图和第二对比视图与预设的至少一个兴趣向量之间的相似度，确定第二损失。需要说明的是，对于与第一用户节点不相关的非邻居节点，这里不考虑。
84.在本公开实施例中，考虑到同一个用户在不同领域中的行为源自类似的兴趣分布，从而可以认为同一个用户在不同领域中的对比视图会足够近似。因此，通过每一第一用户节点的第一对比视图与预设的至少一个兴趣向量之间的相似度、以及每一第一用户节点的第二对比视图与至少一个兴趣向量之间的相似度之间的差异，确定第二损失，并结合上述实施例中的第一损失和该第二损失，对图神经网络的网络参数进行进一步的更新。这样，可以使得同一第一用户节点的第一对比视图与预设的至少一个兴趣向量之间的相似度分布、以及该第一用户节点的第二对比视图与至少一个兴趣向量之间的相似度分布趋于一致，也即同一第一用户节点在第一领域中的兴趣分布以及在第二领域中的兴趣分布趋于一致，从而可以提升用户在不同领域之间的兴趣一致性，进而使得感兴趣内容的输出更加准确合理。
85.在一些实施例中，所述方法还包括如下步骤s171至步骤s173：
86.步骤s171，基于交互网络样本图中的每一第一用户节点对应的用户在第一领域中感兴趣的目标内容节点的内容特征和每一第一用户节点的用户特征，确定在图神经网络训练的反向传播过程中图神经网络的网络参数的第一梯度；
87.步骤s172，基于交互网络样本图中的每一第一用户节点对应的用户在第二领域中感兴趣的目标内容节点的内容特征和每一第一用户节点的用户特征，确定在图神经网络训练的反向传播过程中图神经网络的网络参数的第二梯度；
88.步骤s173，基于第一梯度与第二梯度之间的相似度，确定第三损失；
89.上述步骤s164可以包括：基于第一损失、第二损失和第三损失，对图神经网络的网络参数进行更新，得到训练后的所述图神经网络。
90.在本实施例中，考虑到用户所交互的内容是对用户兴趣的体现，因此，同一个用户在不同领域中的不同视图会体现出对交互过的内容有一致偏好，从而可以认为同一个用户节点在不同领域中的用户特征与该用户节点交互过的内容节点的内容特征在反向传播中的梯度会近似。因此，通过将第一领域中的目标内容节点的内容特征和第一用户节点的用户特征输入至图神经网络进行反向传播，得到第一用户节点和内容节点之间的交互关系。将反向传播得到的第一用户节点和内容节点之间的交互关系与预先设定的每一用户节点对应的内容节点标签进行对照，从而确定图神经网络的网络参数的第一梯度。同理，得到图
神经网络的网络参数的第二梯度。接着，通过图神经网络的网络参数的第一梯度和第二梯度之间的相似度，确定第三损失，并结合上述实施例中的第一损失和第二损失，对图神经网络的网络参数进行进一步的更新。这样，可以使得同一个用户节点在不同领域中的用户特征与该用户节点交互过的内容节点的内容特征在反向传播中的梯度趋于一致，也即同一第一用户节点在第一领域中对交互过的内容的偏好、与该第一用户节点在第二领域中对交互过的内容的偏好趋于一致，从而可以使得用户在不同领域之间对交互过的内容有一致偏好，进而使得感兴趣内容的输出更加准确合理。
91.在一些实施例中，步骤s130，基于目标用户节点在目标领域中的用户特征、以及每一候选内容节点分别对应的内容特征，确定目标用户节点对应的用户在目标领域中感兴趣的目标内容节点，包括：
92.步骤s131，针对每一候选内容节点，基于目标用户节点在目标领域中的用户特征、与候选内容节点对应的内容特征，确定目标用户节点对应的用户对候选内容节点的感兴趣程度；
93.步骤s132，基于每一候选内容节点对应的感兴趣程度，确定目标内容节点。
94.在本实施例中，当存在多个候选内容节点时，可以根据各个候选内容节点与目标用户节点之间的交互频率或交互次数确定确定目标用户节点对应的用户对候选内容节点的感兴趣程度，进而根据每一候选内容节点对应的感兴趣程度对候选内容节点进行降序排序，并将感兴趣程度最高的候选内容节点确定目标内容节点，提高对目标域中的用户进行内容输出的精准度。
95.本技术实施例通过获取用户在不同领域内的内容偏好，结合位于交互网络图中的领域重叠区域的用户节点或内容节点，可以确定不同领域之间的关联性，再基于用户在不同领域内的兴趣一致性，从而可以利用用户在一个领域中的内容偏好反映用户在另一个领域中的内容偏好，基于此在目标域中输出用户感兴趣内容，提高了不同领域之间的交互性和对用户进行内容输出的精准度。
96.在一些实施例中，请参阅图2，图2为本技术实施例提供的一种感兴趣内容的输出装置的结构示意图，本技术实施例提供一种感兴趣内容的输出装置200，包括：
97.获取模块210，用于获取待处理的交互网络图；交互网络图中包含至少一个用户节点、至少一个内容节点以及至少一条第一边，每一第一边连接一个用户节点以及用户节点交互过的一个内容节点，至少一个用户节点中包括至少一个同属于第一领域和第二领域的用户节点。
98.特征提取模块220，用于对交互网络图进行特征提取，得到属于目标领域的目标用户节点在目标领域中的用户特征、以及属于目标领域的至少一个候选内容节点分别对应的内容特征；目标领域包括第一领域或第二领域。
99.确定模块230，用于基于目标用户节点在目标领域中的用户特征、以及每一候选内容节点分别对应的内容特征，确定目标用户节点对应的用户在目标领域中感兴趣的目标内容节点。
100.输出模块240，用于输出与目标内容节点对应的感兴趣内容。
101.在一些实施例中，特征提取模块220具体用于：
102.在一些实施例中，特征提取模块220具体还用于：
103.利用已训练的图神经网络，对交互网络图进行特征提取，得到属于目标领域的目标用户节点在目标领域中的用户特征、以及属于目标领域的至少一个候选内容节点分别对应的内容特征。
104.在一些实施例中，还包括训练模块，训练模块具体用于：
105.获取交互网络样本图；交互网络样本图中包含至少一个同属于第一领域和第二领域的第一用户节点、至少一个属于第一领域或所述第二领域的第二用户节点、至少一个属于所述第一领域的第一内容节点、至少一个属于第二领域的第二内容节点以及至少一条第二边，每一第二边连接一个用户节点以及用户节点交互过的一个内容节点；
106.利用待训练的图神经网络，对交互网络样本图进行特征提取，得到属于第一领域的至少一个用户节点在第一领域中的用户特征、属于第二领域的至少一个用户节点在第二领域中的用户特征、以及至少一个内容节点分别对应的内容特征；
107.基于属于目标领域的至少一个用户节点在目标领域中的用户特征、以及属于目标领域的至少一个内容节点分别对应的内容特征，确定交互网络样本图中属于目标领域的每一用户节点对应的用户在目标领域中感兴趣的目标内容节点；
108.基于交互网络样本图中属于目标领域的每一用户节点对应的用户在目标领域中感兴趣的目标内容节点、以及预先设定的每一用户节点对应的目标内容节点标签，确定第一损失；
109.基于第一损失，对图神经网络的网络参数进行更新，得到训练后的所述图神经网络。
110.在一些实施例中，训练模块具体还用于：
111.确定每一第一用户节点分别在交互网络样本图中的第二节点表征；
112.针对每一第一用户节点，对第一用户节点的第二节点表征、以及第一用户节点在交互网络图中属于第一领域的至少一个邻居节点的第二节点表征进行聚合，得到第一用户节点的第一对比视图，并对第一用户节点的第二节点表征、以及第一用户节点在交互网络图中属于第二领域的至少一个邻居节点的第二节点表征进行聚合，得到第一用户节点的第二对比视图；
113.基于每一第一用户节点的第一对比视图与预设的至少一个兴趣向量之间的相似度、以及每一第一用户节点的第二对比视图与至少一个兴趣向量之间的相似度，确定第二损失；
114.基于所述第一损失，对图神经网络的网络参数进行更新，得到训练后的图神经网络，包括：
115.基于第一损失和第二损失，对所述图神经网络的网络参数进行更新，得到训练后的图神经网络。
116.在一些实施例中，训练模块具体还用于：
117.基于交互网络样本图中的每一第一用户节点对应的用户在第一领域中感兴趣的目标内容节点的内容特征和每一第一用户节点的用户特征，确定在图神经网络训练的反向传播过程中图神经网络的网络参数的第一梯度；
118.基于交互网络样本图中的每一第一用户节点对应的用户在所述第二领域中感兴趣的目标内容节点的内容特征和每一第一用户节点的用户特征，确定在图神经网络训练的
反向传播过程中图神经网络的网络参数的第二梯度；
119.基于第一梯度与第二梯度之间的相似度，确定第三损失；
120.所述基于第一损失和第二损失，对图神经网络的网络参数进行更新，得到训练后的图神经网络，包括：
121.基于第一损失、第二损失和第三损失，对图神经网络的网络参数进行更新，得到训练后的图神经网络。
122.在一些实施例中，确定模块230具体用于：
123.针对每一候选内容节点，基于目标用户节点在目标领域中的用户特征、与候选内容节点对应的内容特征，确定目标用户节点对应的用户对候选内容节点的感兴趣程度；
124.基于每一候选内容节点对应的感兴趣程度，确定目标内容节点。
125.这里需要指出的是：以上感兴趣内容的输出装置200实施例的描述，与上述感兴趣内容的输出方法实施例的描述是类似的，具有同感兴趣内容的输出方法实施例相似的有益效果。对于本技术电子设备控制装置实施例中未披露的技术细节，请参照本技术感兴趣内容的输出方法实施例的描述而理解，在此不再一一赘述。
126.本技术实施例本技术实施例通过获取用户在不同领域内的内容偏好，结合位于交互网络图中的领域重叠区域的用户节点或内容节点，可以确定不同领域之间的关联性，再基于用户在不同领域内的兴趣一致性，从而可以利用用户在一个领域中的内容偏好反映用户在另一个领域中的内容偏好，基于此在目标域中输出用户感兴趣内容，提高了不同领域之间的交互性和对用户进行内容输出的精准度。
127.在一些实施例中，本技术实施例提供一种电子设备，请参阅图3，图3为本技术实施例提供的一种电子设备的结构示意图；本技术实施例提供一种电子设备300，包括：存储器310和处理器320，所述存储器310存储有计算机程序，所述计算机程序被所述处理器320执行时，所述处理器320执行上述感兴趣内容的输出方法实施例所述的步骤。
128.该电子设备可以是终端、服务器或者类似的运算装置。该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，cpu)，包括但不限于微处理器mcu或可编程逻辑器件fpga、用于存储数据的存储器，一个或一个以上存储应用程序或数据的存储介质(例如一个或一个以上海量存储设备)。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块，每个模块可以包括对电子设备中的一系列指令操作。更进一步地，中央处理器可以设置为与存储介质通信，在电子设备上执行存储介质中的一系列指令操作。电子设备还可以包括一个或一个以上电源，一个或一个以上有线或无线网络接口，一个或一个以上输入输出接口，和/或，一个或一个以上操作系统，例如windows server，mac os x，unix，linux，freebsd等等。输入输出接口可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备的通信供应商提供的无线网络。
129.在一个实例中，输入输出接口包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个示例性实施例中，输入输出接口可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
130.本领域普通技术人员可以理解，图3所示的结构仅为示意，其并不对上述电子设备
的结构造成限定。例如，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。
131.在一些实施例中，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述感兴趣内容的输出方法的步骤。
132.这里需要指出的是：以上电子设备实施例和存储介质实施例的描述，与上述感兴趣内容的输出方法实施例的描述是类似的，具有同感兴趣内容的输出方法实施例相似的有益效果。对于本技术电子设备实施例和存储介质实施例中未披露的技术细节，请参照本技术感兴趣内容的输出方法实施例的描述而理解，在此不再一一赘述。
133.在本技术所提供的几个实施例中，应该理解到，所揭露的感兴趣内容的输出方法、装置、设备和存储介质可以通过其他的方式实现。以上所描述的方法、装置、电子设备和存储介质实施例仅仅是示意性的。
134.本技术实施例中记载的一种感兴趣内容的输出方法、装置、电子设备和存储介质只以本技术所述实施例为例，但不仅限于此，只要涉及到该感兴趣内容的输出方法、装置、电子设备和存储介质均在本技术的保护范围。
135.应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
136.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
137.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种感兴趣内容的输出方法，包括：获取待处理的交互网络图；所述交互网络图中包含至少一个用户节点、至少一个内容节点以及至少一条第一边，每一所述第一边连接一个用户节点以及所述用户节点交互过的一个内容节点，所述至少一个用户节点中包括至少一个同属于第一领域和第二领域的用户节点；对所述交互网络图进行特征提取，得到属于目标领域的目标用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个候选内容节点分别对应的内容特征；所述目标领域包括所述第一领域或所述第二领域；基于所述目标用户节点在所述目标领域中的用户特征、以及每一所述候选内容节点分别对应的内容特征，确定所述目标用户节点对应的用户在所述目标领域中感兴趣的目标内容节点；输出与所述目标内容节点对应的感兴趣内容。2.根据权利要求1所述的感兴趣内容的输出方法，所述对所述交互网络图进行特征提取，得到属于目标领域的目标用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个候选内容节点分别对应的内容特征，包括：针对所述目标用户节点以及至少一个所述候选内容节点中的每一节点，对所述节点进行向量化处理，得到所述节点的第一节点表征，并基于所述节点在所述交互网络图中的至少一个邻居节点的第一节点表征和所述节点自身的第一节点表征，确定所述节点的第二节点表征；对所述目标用户节点的第二节点表征进行特征提取，得到所述目标用户节点在所述目标领域中的用户特征，并对每一所述候选内容节点的第二节点表征进行特征提取，得到每一所述候选内容节点分别对应的内容特征。3.根据权利要求1所述的感兴趣内容的输出方法，所述对所述交互网络图进行特征提取，得到属于目标领域的目标用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个候选内容节点分别对应的内容特征，包括：利用已训练的图神经网络，对所述交互网络图进行特征提取，得到属于目标领域的目标用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个候选内容节点分别对应的内容特征。4.根据权利要求3所述的感兴趣内容的输出方法，所述方法还包括：获取交互网络样本图；所述交互网络样本图中包含至少一个同属于所述第一领域和所述第二领域的第一用户节点、至少一个属于所述第一领域或所述第二领域的第二用户节点、至少一个属于所述第一领域的第一内容节点、至少一个属于所述第二领域的第二内容节点以及至少一条第二边，每一所述第二边连接一个用户节点以及所述用户节点交互过的一个内容节点；利用待训练的所述图神经网络，对所述交互网络样本图进行特征提取，得到属于所述第一领域的至少一个用户节点在所述第一领域中的用户特征、属于所述第二领域的至少一个用户节点在所述第二领域中的用户特征、以及至少一个内容节点分别对应的内容特征；基于属于所述目标领域的至少一个用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个内容节点分别对应的内容特征，确定所述交互网络样本图中属于
所述目标领域的每一用户节点对应的用户在所述目标领域中感兴趣的目标内容节点；基于所述交互网络样本图中属于所述目标领域的每一用户节点对应的用户在所述目标领域中感兴趣的目标内容节点、以及预先设定的每一所述用户节点对应的目标内容节点标签，确定第一损失；基于所述第一损失，对所述图神经网络的网络参数进行更新，得到训练后的所述图神经网络。5.根据权利要求4所述的感兴趣内容的输出方法，所述方法还包括：确定每一所述第一用户节点分别在所述交互网络样本图中的第二节点表征；针对每一所述第一用户节点，对第一用户节点的第二节点表征、以及所述第一用户节点在所述交互网络图中属于所述第一领域的至少一个邻居节点的第二节点表征进行聚合，得到所述第一用户节点的第一对比视图，并对第一用户节点的第二节点表征、以及所述第一用户节点在所述交互网络图中属于所述第二领域的至少一个邻居节点的第二节点表征进行聚合，得到所述第一用户节点的第二对比视图；基于每一所述第一用户节点的第一对比视图与预设的至少一个兴趣向量之间的相似度、以及每一所述第一用户节点的第二对比视图与所述至少一个兴趣向量之间的相似度，确定第二损失；所述基于所述第一损失，对所述图神经网络的网络参数进行更新，得到训练后的所述图神经网络，包括：基于所述第一损失和所述第二损失，对所述图神经网络的网络参数进行更新，得到训练后的所述图神经网络。6.根据权利要求5所述的感兴趣内容的输出方法，所述方法还包括：基于所述交互网络样本图中的每一第一用户节点对应的用户在所述第一领域中感兴趣的目标内容节点的内容特征和每一第一用户节点的用户特征，确定在所述图神经网络训练的反向传播过程中所述图神经网络的网络参数的第一梯度；基于所述交互网络样本图中的每一第一用户节点对应的用户在所述第二领域中感兴趣的目标内容节点的内容特征和每一第一用户节点的用户特征，确定在所述图神经网络训练的反向传播过程中所述图神经网络的网络参数的第二梯度；基于所述第一梯度与所述第二梯度之间的相似度，确定第三损失；所述基于所述第一损失和所述第二损失，对所述图神经网络的网络参数进行更新，得到训练后的所述图神经网络，包括：基于所述第一损失、所述第二损失和所述第三损失，对所述图神经网络的网络参数进行更新，得到训练后的所述图神经网络。7.根据权利要求1至6中任一项所述的感兴趣内容的输出方法，所述基于所述目标用户节点在所述目标领域中的用户特征、以及每一所述候选内容节点分别对应的内容特征，确定所述目标用户节点对应的用户在所述目标领域中感兴趣的目标内容节点，包括：针对每一所述候选内容节点，基于所述目标用户节点在所述目标领域中的用户特征、与所述候选内容节点对应的内容特征，确定所述目标用户节点对应的用户对所述候选内容节点的感兴趣程度；基于每一所述候选内容节点对应的感兴趣程度，确定所述目标内容节点。
8.一种感兴趣内容的输出装置，包括：获取模块，用于获取待处理的交互网络图；所述交互网络图中包含至少一个用户节点、至少一个内容节点以及至少一条第一边，每一所述第一边连接一个用户节点以及所述用户节点交互过的一个内容节点，所述至少一个用户节点中包括至少一个同属于第一领域和第二领域的用户节点；特征提取模块，用于对所述交互网络图进行特征提取，得到属于目标领域的目标用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个候选内容节点分别对应的内容特征；所述目标领域包括所述第一领域或所述第二领域；确定模块，用于基于所述目标用户节点在所述目标领域中的用户特征、以及每一所述候选内容节点分别对应的内容特征，确定所述目标用户节点对应的用户在所述目标领域中感兴趣的目标内容节点；输出模块，用于输出与所述目标内容节点对应的感兴趣内容。9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，所述处理器执行如权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述方法的步骤。

技术总结
本申请实施例公开了一种感兴趣内容的输出方法、装置、设备和存储介质，所述方法包括：获取待处理的交互网络图；所述交互网络图中包含至少一个用户节点、至少一个内容节点以及至少一条第一边，所述至少一个用户节点中包括至少一个同属于第一领域和第二领域的用户节点；对所述交互网络图进行特征提取，得到属于目标领域的目标用户节点在所述目标领域中的用户特征、以及属于所述目标领域的至少一个候选内容节点分别对应的内容特征；基于所述目标用户节点在所述目标领域中的用户特征、以及每一所述候选内容节点分别对应的内容特征，确定所述目标用户节点对应的用户在所述目标领域中感兴趣的目标内容节点；输出与所述目标内容节点对应的感兴趣内容。对应的感兴趣内容。对应的感兴趣内容。


技术研发人员：赵闯 何明 韩岩
受保护的技术使用者：联想（北京）有限公司
技术研发日：2023.04.29
技术公布日：2023/8/9