具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下分别进行详细说明。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

以下结合附图说明本申请实施例，可以理解的，在本申请中，执行主体可以为电子设备或云服务器，在此不做限制。其中，电子设备可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(User Equipment，UE)，移动台(Mobile Station，MS)，终端设备(terminaldevice)等等。

参见图1，图1是本申请实施例提供的一种模型参数调整方法的流程示意图。如图1所示，所述方法包括：

101、获取第一社交信息、第二社交信息和第三社交信息，所述第一社交信息与所述第二社交信息属于同一类别，所述第一社交信息与所述第三社交信息属于不同类别。

其中，第一社交信息包括第一词文本、第一标签信息、第一命名实体、第一用户标识、第一时间信息和第一社交信息的标识。第一词文本可以包括一个或多个词文本，一个或多个词文本为除常见词和罕见词之外的词，常见词例如可以为语气助词、停用词等，罕见词可以包含在开源的数据集中或预设的词，在此不做限制。第一标签信息用于标识第一社交信息所属的话题或类别。第一用户标识为发布第一社交信息的用户的标识。第一时间信息为发布第一社交信息的时间。

其中，第二社交信息包括第二词文本、第二标签信息、第二命名实体、第二用户标识、第二时间信息和第二社交信息的标识。第二词文本可以包括二个或多个词文本。第二标签信息用于标识第二社交信息所属的话题或类别。第二用户标识为发布第二社交信息的用户的标识。第二时间信息为发布第二社交信息的时间。

其中，第三社交信息包括第三词文本、第三标签信息、第三命名实体、第三用户标识、第三时间信息和第三社交信息的标识。第三词文本可以包括三个或多个词文本。第三标签信息用于标识第三社交信息所属的话题或类别。第三用户标识为发布第三社交信息的用户的标识。第三时间信息为发布第三社交信息的时间。

需要说明的，在本申请中，社交信息例如可以为推文、评论等文字类信息和/或图片类信息，在此不做限制。

另外，第一词文本根据第一社交信息进行自然语言处理得到，第二词文本根据第二社交信息进行自然语言处理得到，第三词文本根据第三社交信息进行自然语言处理得到，在此不做限制。

102、对所述第一社交信息、所述第二社交信息和所述第三社交信息分别进行编码，得到第一特征向量、第二特征向量和第三特征向量。

可选的，在步骤102之前，所述方法还包括：获取异构社交图，所述异构社交图包括多个异构节点以及所述多个异构节点中至少两个异构节点之间的连接边，所述异构社交图中的一个异构节点包括以下一项：词文本、标签信息、用户标识、时间信息和社交信息的标识，所述标签信息用于标识社交信息所属的类别；根据所述异构社交图，生成同构社交图，所述同构社交图包括多个同构节点以及所述多个同构节点中至少两个同构节点之间的连接边，所述同构社交图中的一个同构节点为社交信息的标识，所述多个同构节点包括所述第一社交信息的标识、所述第二社交信息的标识和所述第三社交信息的标识；根据所述同构社交图，确定第一权重和第二权重，所述第一权重根据所述第一社交信息的标识与所述第二社交信息的标识之间的连接边确定，所述第二权重根据所述第一社交信息的标识与所述第三社交信息的标识之间的连接边确定；若所述第一权重高于第一阈值，则确定所述第一社交信息与所述第二社交信息属于同一类别；若所述第二权重低于第二阈值，则确定所述第一社交信息与所述第三社交信息属于不同类别。

其中，至少两个异构节点之间的连接边可以为同类型的至少两个异构节点之间的连接边，和/或，不同类型的至少两个异构节点之间的连接边。

示例性的，参见图2，图2为本申请实施例提供的一种异构社交图的示意图。如图2所示，一个异构节点(社交信息的标识)可以与其他节点之间存在连接边，如，一个异构节点(社交信息的标识)可以与词文本、标签信息、用户标识、时间信息等节点之间存在连接边，一个异构节点(社交信息的标识)还可以与另一社交信息的标识之间存在连接边。可以理解的，一个异构节点(社交信息的标识)可以与词文本、标签信息、用户标识、时间信息等节点之间存在连接边，即不同类型的至少两个异构节点之间的连接边；一个异构节点(社交信息的标识)还可以与另一社交信息的标识之间存在连接边，即同类型的至少两个异构节点之间的连接边。

其中，至少两个同构节点之间的连接边可以为同类型的至少两个同构节点之间的连接边。

示例性的，参见图3，图3为基于图2所示的异构社交图得到的一种同构社交图的示意图。如图3所示，三个社交信息的标识(三个同构节点)中每两个社交信息的标识(每两个同构节点)之间存在连接边，即，同类型的至少两个同构节点之间的连接边。

其中，第一阈值可以与第二阈值相同或不同，在此不做限制。如第一阈值高于第二阈值。

可选的，根据所述异构社交图，生成同构社交图，包括：基于异构信息网络(heterogeneous information networks，HIN)映射规则将所述异构社交图映射为同构社交图。

其中，HIN映射规则包括以下一项或多项：若所述异构社交图中社交信息D的标识所连接的词文本与所述异构社交图中社交信息E的标识所连接的词文本的相似度大于或等于第三阈值，则在同构社交图中将社交信息D的标识和社交信息E的标识相连；若所述异构社交图中社交信息D的标识所连接的标签信息与所述异构社交图中社交信息E的标识所连接的标签信息相同，则在同构社交图中将社交信息D的标识和社交信息E的标识相连；若所述异构社交图中社交信息D的标识所连接的用户标识与所述异构社交图中社交信息E的标识所连接的用户标识相同，则在同构社交图中将社交信息D的标识和社交信息E的标识相连；若所述异构社交图中社交信息D的标识所连接的时间信息与所述异构社交图中社交信息E的标识所连接的时间信息相同，则在同构社交图中将社交信息D的标识和社交信息E的标识相连；若所述异构社交图中社交信息D的标识所连接的时间信息与所述异构社交图中社交信息E的标识所连接的时间信息的差值小于或等于第四阈值，则在同构社交图中将社交信息D的标识和社交信息E的标识相连。

其中，第三阈值与第四阈值不同，如第三阈值大于第四阈值，或，第三阈值小于第四阈值。

可以看出，上述技术方案中，通过基于异构社交图得到同构社交图，使得获得的同构社交图更加符合实际情况。同时，通过根据同构社交图确定第一权重和第二权重，从而可以根据两个权重确定出不同社交信息是否属于同一类别，提高了类别确定的准确性。

可选的，在所述获取异构社交图之前，所述方法还包括：获取预设时间内的多条社交信息；提取所述多条社交信息中每条社交信息中包含的词文本、标签信息、用户标识、时间信息和社交信息的标识；根据每条社交信息中包含的词文本、标签信息、用户标识、时间信息和社交信息的标识，生成所述异构社交图。

其中，预设时间可以由管理员设置，或配置在配置文件中，在此不做限制。

其中，多条社交信息可以包含在同一社交信息块中，该社交信息块的编号在预设编号范围内，预设编码范围可以为0至t+w，t为大于或等于0且小于w的整数，w为维护推荐模型的时间窗口长度，该时间窗口长度可以由管理员设置或配置在配置文件中，在此不做限制。应理解的，在本申请中，在预设编码范围内的社交信息块其包含的社交信息未过时。

可以理解的，在本申请中，不同社交信息块对应不同的编号，编号的大小用于表示社交信息块发生的时间先后顺序。另外，同一社交信息块中不同社交信息发生的时间可以不同或相同，即同一社交信息块中不同社交信息包含的时间信息可以不同或相同。

可以看出，上述技术方案中，实现了异构社交图的生成。

可选的，所述根据所述同构社交图，确定第一权重和第二权重，包括：若所述同构社交图中至少两个同构节点之间的连接边根据所述异构社交图中不同社交信息的标识所关联的词文本确定，则根据所述第一社交信息的标识所关联的词文本与所述第二社交信息的标识所关联的词文本之间的相似度确定所述第一权重；根据所述第一社交信息的标识所关联的词文本与所述第三社交信息的标识所关联的词文本之间的相似度确定所述第二权重。

其中，根据所述第一社交信息的标识所关联的词文本与所述第二社交信息的标识所关联的词文本之间的相似度确定所述第一权重，可以包括：根据所述第一社交信息的标识所关联的词文本与所述第二社交信息的标识所关联的词文本之间的余弦相似度确定所述第一权重。

其中，根据所述第一社交信息的标识所关联的词文本与所述第三社交信息的标识所关联的词文本之间的相似度确定所述第二权重，包括：根据所述第一社交信息的标识所关联的词文本与所述第三社交信息的标识所关联的词文本之间的余弦相似度确定所述第二权重。

可以看出，上述技术方案中，通过不同社交信息的标识所关联的词文本之间的相似度确定权重，使得在根据权重确定是否属于同一类别时可以更加精准。

可选的，所述根据所述同构社交图，确定第一权重和第二权重，包括：若所述同构社交图中至少两个同构节点之间的连接边根据所述异构社交图中不同社交信息的标识所关联的标签信息确定，则根据所述第一社交信息的标识所关联的标签信息与所述第二社交信息的标识所关联的标签信息之间的相似度确定所述第一权重；根据所述第一社交信息的标识所关联的标签信息与所述第三社交信息的标识所关联的标签信息之间的相似度确定所述第二权重。

其中，根据所述第一社交信息的标识所关联的标签信息与所述第三社交信息的标识所关联的标签信息之间的相似度确定所述第二权重，包括：根据所述第一社交信息的标识所关联的标签信息与所述第三社交信息的标识所关联的标签信息之间的余弦相似度确定所述第二权重。

可以看出，上述技术方案中，通过不同社交信息的标识所关联的标签信息之间的相似度确定权重，使得在根据权重确定是否属于同一类别时可以更加精准。

可选的，所述根据所述同构社交图，确定第一权重和第二权重，包括：若所述同构社交图中至少两个同构节点之间的连接边根据所述异构社交图中不同社交信息的标识所关联的时间信息确定，则根据所述第一社交信息的标识所关联的时间信息与所述第二社交信息的标识所关联的时间信息之间的差值，确定所述第一权重；根据所述第一社交信息的标识所关联的时间信息与所述第三社交信息的标识所关联的时间信息之间的差值确定所述第二权重。

可以看出，上述技术方案中，通过不同社交信息的标识所关联的时间信息之间的相似度确定权重，使得在根据权重确定是否属于同一类别时可以更加精准。

103、确定所述第一特征向量与所述第二特征向量之间的距离，得到第一距离。

104、确定所述第一特征向量与所述第三特征向量之间的距离，得到第二距离。

105、根据所述第一距离和所述第二距离之间的差值，确定损失函数。

106、根据所述损失函数调整所述推荐模型的模型参数，以对所述推荐模型进行训练。

可以看出，上述技术方案中，通过确定属于同一类别的社交信息对应的特征向量之间的第一距离，以及确定属于不同类别的社交信息对应的特征向量之间的第二距离，进而可以根据第一距离和第二距离之间的差值，确定损失函数。因为该损失函数是根据属于同一类别的社交信息对应的特征向量之间的第一距离和属于不同类别的社交信息对应的特征向量之间的第二距离确定，所以在利用该损失函数调整推荐模型的模型参数时可以使得同类数据的表现形式更加丰富，进而使得推荐模型的特征提取能力得到增强，提高了推荐模型的泛化能力。

可选的，推荐模型的输入为m_i时第l层的模型参数与所述推荐模型的输入为m_j时前l-1层的模型参数有关；其中，l为大于或等于2的整数；m_i为第一社交信息，m_j为第二社交信息；或，m_i为第一社交信息，m_j为第三社交信息。

可以看出，上述技术方案中，因为推荐模型的输入为m_i时第l层的模型参数与所述推荐模型的输入为m_j时前l-1层的模型参数有关，所以可以使得推荐模型中不同层的模型参数之间有关联关系，进而可以使得模型参数包含的信息更加丰富，进而提高了推荐模型的泛化能力。

可选的，满足以下公式：

其中，heads表示前l-1层的模型参数往头部方向串联，N(m_j)为m_j的邻接矩阵，用于在所述推荐模型的输入为m_j时提取前l-1层的模型参数，用于聚合在所述推荐模型的输入为m_j时所提取前l-1层的模型参数。

可选的，损失函数ζ_t满足以下公式：

其中，m_i为第一社交信息，m_i+为第二社交信息，m_i-为第三社交信息，为第一距离，为第二距离，a为正则化参数，T为每三条社交信息构成的组合所形成的集合，所述组合中社交信息A与社交信息B属于同一类型，所述组合中社交信息A与社交信息C属于不同类型。

参见图4，图4是本申请实施例提供的又一种模型参数调整方法的流程示意图。如图4所示，所述方法包括：

401、获取第一社交信息、第二社交信息和第三社交信息，所述第一社交信息与所述第二社交信息属于同一类别，所述第一社交信息与所述第三社交信息属于不同类别。

其中，步骤401与图1中步骤101相同，在此不加赘述。

402、获取异构社交图。

其中，步骤402可以参考图1中步骤102相关描述，在此不加赘述。

403、根据所述异构社交图，生成同构社交图。

其中，步骤403可以参考图1中步骤102相关描述，在此不加赘述。

404、根据所述同构社交图，确定第一权重和第二权重。

其中，步骤404可以参考图1中步骤102相关描述，在此不加赘述。

405、若所述第一权重高于第一阈值，则确定所述第一社交信息与所述第二社交信息属于同一类别。

其中，步骤405可以参考图1中步骤102相关描述，在此不加赘述。

406、若所述第二权重低于第二阈值，则确定所述第一社交信息与所述第三社交信息属于不同类别。

其中，步骤406可以参考图1中步骤102相关描述，在此不加赘述。

407、对所述第一社交信息、所述第二社交信息和所述第三社交信息分别进行编码，得到第一特征向量、第二特征向量和第三特征向量。

其中，步骤407与图1中步骤102相同，在此不加赘述。

408、确定所述第一特征向量与所述第二特征向量之间的距离，得到第一距离。

其中，步骤408与图1中步骤103相同，在此不加赘述。

409、确定所述第一特征向量与所述第三特征向量之间的距离，得到第二距离。

其中，步骤409与图1中步骤104相同，在此不加赘述。

410、根据所述第一距离和所述第二距离之间的差值，确定损失函数。

其中，步骤410与图1中步骤105相同，在此不加赘述。

411、根据所述损失函数调整所述推荐模型的模型参数，以对所述推荐模型进行训练。

其中，步骤411与图1中步骤106相同，在此不加赘述。

可以看出，上述技术方案中，通过确定属于同一类别的社交信息对应的特征向量之间的第一距离，以及确定属于不同类别的社交信息对应的特征向量之间的第二距离，进而可以根据第一距离和第二距离之间的差值，确定损失函数。因为该损失函数是根据属于同一类别的社交信息对应的特征向量之间的第一距离和属于不同类别的社交信息对应的特征向量之间的第二距离确定，所以在利用该损失函数调整推荐模型的模型参数时可以使得同类数据的表现形式更加丰富，进而使得推荐模型的特征提取能力得到增强，提高了推荐模型的泛化能力。同时，通过基于异构社交图得到同构社交图，使得获得的同构社交图更加符合实际情况。同时，通过根据同构社交图确定第一权重和第二权重，从而可以根据两个权重确定出不同社交信息是否属于同一类别，提高了类别确定的准确性。

参见图5，图5为本申请实施例提供的一种模型参数调整装置的示意图。其中，如图5所示，本申请实施例提供的一种模型参数调整装置500包括获取模块501、编码模块502、第一确定模块503、第二确定模块504、第三确定模块505和训练模块506，

所述获取模块501，用于获取第一社交信息、第二社交信息和第三社交信息，所述第一社交信息与所述第二社交信息属于同一类别，所述第一社交信息与所述第三社交信息属于不同类别；所述编码模块502，用于对所述第一社交信息、所述第二社交信息和所述第三社交信息分别进行编码，得到第一特征向量、第二特征向量和第三特征向量；所述第一确定模块503，用于确定所述第一特征向量与所述第二特征向量之间的距离，得到第一距离；所述第二确定模块504，用于确定所述第一特征向量与所述第三特征向量之间的距离，得到第二距离；所述第三确定模块505，用于根据所述第一距离和所述第二距离之间的差值，确定损失函数；所述训练模块506，用于根据所述损失函数调整所述推荐模型的模型参数，以对所述推荐模型进行训练。

可选的，模型参数调整装置500还包括生成模块507，获取模块501，还用于获取异构社交图，所述异构社交图包括多个异构节点以及所述多个异构节点中至少两个异构节点之间的连接边，所述异构社交图中的一个异构节点包括以下一项：词文本、标签信息、用户标识、时间信息和社交信息的标识，所述标签信息用于标识社交信息所属的类别；生成模块507，用于根据所述异构社交图，生成同构社交图，所述同构社交图包括多个同构节点以及所述多个同构节点中至少两个同构节点之间的连接边，所述同构社交图中的一个同构节点为社交信息的标识，所述多个同构节点包括所述第一社交信息的标识、所述第二社交信息的标识和所述第三社交信息的标识；第一确定模块503，还用于根据所述同构社交图，确定第一权重和第二权重，所述第一权重根据所述第一社交信息的标识与所述第二社交信息的标识之间的连接边确定，所述第二权重根据所述第一社交信息的标识与所述第三社交信息的标识之间的连接边确定；第一确定模块503，还用于若所述第一权重高于第一阈值，则确定所述第一社交信息与所述第二社交信息属于同一类别；第一确定模块503，还用于若所述第二权重低于第二阈值，则确定所述第一社交信息与所述第三社交信息属于不同类别。

可选的，模型参数调整装置500还包括提取模块508，获取模块501，还用于获取预设时间内的多条社交信息；提取模块508，还用于提取所述多条社交信息中每条社交信息中包含的词文本、标签信息、用户标识、时间信息和社交信息的标识；生成模块507，还用于根据每条社交信息中包含的词文本、标签信息、用户标识、时间信息和社交信息的标识，生成所述异构社交图。

可选的，在根据所述同构社交图，确定第一权重和第二权重时，第一确定模块503，用于若所述同构社交图中至少两个同构节点之间的连接边根据所述异构社交图中不同社交信息的标识所关联的词文本确定，则根据所述第一社交信息的标识所关联的词文本与所述第二社交信息的标识所关联的词文本之间的相似度确定所述第一权重；根据所述第一社交信息的标识所关联的词文本与所述第三社交信息的标识所关联的词文本之间的相似度确定所述第二权重。

可选的，推荐模型的输入为m_i时第l层的模型参数与所述推荐模型的输入为m_j时前l-1层的模型参数有关；其中，l为大于或等于2的整数；m_i为第一社交信息，m_j为第二社交信息；或，m_i为第一社交信息，m_j为第三社交信息。

可选的，满足以下公式：

其中，heads表示前l-1层的模型参数往头部方向串联，N(m_j)为m_j的邻接矩阵，用于在所述推荐模型的输入为m_j时提取前l-1层的模型参数，用于聚合在所述推荐模型的输入为m_j时所提取前l-1层的模型参数。

可选的，损失函数ζ_t满足以下公式：

其中，m_i为第一社交信息，m_i+为第二社交信息，m_i-为第三社交信息，为第一距离，为第二距离，a为正则化参数，T为每三条社交信息构成的组合所形成的集合，所述组合中社交信息A与社交信息B属于同一类型，所述组合中社交信息A与社交信息C属于不同类型。

参见图6，图6为本申请的实施例涉及的硬件运行环境的电子设备结构示意图。

本申请实施例提供了一种模型参数调整的电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，以执行包括任一项模型参数调整方法中的步骤的指令。其中，如图6所示，本申请的实施例涉及的硬件运行环境的电子设备可以包括：

处理器601，例如CPU。

存储器602，可选的，存储器可以为高速RAM存储器，也可以是稳定的存储器，例如磁盘存储器。

通信接口603，用于实现处理器601和存储器602之间的连接通信。

本领域技术人员可以理解，图6中示出的电子设备的结构并不构成对其的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图6所示，存储器602中可以包括操作系统、网络通信模块以及一个或多个程序。操作系统是管理和控制服务器硬件和软件资源的程序，支持一个或多个程序的运行。网络通信模块用于实现存储器602内部各组件之间的通信，以及与电子设备内部其他硬件和软件之间通信。

在图6所示的电子设备中，处理器601用于执行存储器602中一个或多个程序，实现以下步骤：

获取第一社交信息、第二社交信息和第三社交信息，所述第一社交信息与所述第二社交信息属于同一类别，所述第一社交信息与所述第三社交信息属于不同类别；

对所述第一社交信息、所述第二社交信息和所述第三社交信息分别进行编码，得到第一特征向量、第二特征向量和第三特征向量；

确定所述第一特征向量与所述第二特征向量之间的距离，得到第一距离；

确定所述第一特征向量与所述第三特征向量之间的距离，得到第二距离；

根据所述第一距离和所述第二距离之间的差值，确定损失函数；

根据所述损失函数调整所述推荐模型的模型参数，以对所述推荐模型进行训练。

本申请涉及的电子设备的具体实施可参见上述模型参数调整方法的各实施例，在此不做赘述。

本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述存储计算机程序被所述处理器执行，以实现以下步骤：

获取第一社交信息、第二社交信息和第三社交信息，所述第一社交信息与所述第二社交信息属于同一类别，所述第一社交信息与所述第三社交信息属于不同类别；

对所述第一社交信息、所述第二社交信息和所述第三社交信息分别进行编码，得到第一特征向量、第二特征向量和第三特征向量；

确定所述第一特征向量与所述第二特征向量之间的距离，得到第一距离；

确定所述第一特征向量与所述第三特征向量之间的距离，得到第二距离；

根据所述第一距离和所述第二距离之间的差值，确定损失函数；

根据所述损失函数调整所述推荐模型的模型参数，以对所述推荐模型进行训练。

本申请涉及的计算机可读存储介质的具体实施可参见上述模型参数调整方法的各实施例，在此不做赘述。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应所述知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应所述知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。