一种评分模型训练方法、用户推送方法及装置

1.本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种评分模型训练方法、用户推送方法及装置。


背景技术：

2.随着社会的发展和技术的进步，出现了越来越多的服务平台为用户提供各种服务。很多服务平台能够通过服务器和客户端为用户提供便捷的线上服务。例如，电子商务平台能够为用户提供各种商品信息，供用户浏览、选择和购买；内容平台能够为用户提供喜欢的电子书籍、文章、音乐和视频等。为了提供更丰富的服务，服务平台会在得到用户授权之后，在保证用户数据隐私和安全性的前提下，根据用户的历史行为记录为用户推送更丰富的推送对象，供用户选择，这在一定程度上给用户提供了便利。
3.目前，希望能有改进的方案，可以更准确、更合理地为用户提供推送。


技术实现要素：

4.本说明书一个或多个实施例描述了一种评分模型训练方法、用户推送方法及装置，可以更准确、更合理地为用户提供推送。具体的技术方案如下。
5.第一方面，实施例提供了一种评分模型的训练方法，所述评分模型用于预测若干个用户分别对若干个待推送的推送对象的评分；所述评分模型基于包含多个节点的关系网络进行训练，多个节点包括代表用户的节点和代表推送对象的节点，以及表征节点之间连接关系的边；所述评分模型的待学习参量包括节点表征；所述方法包括：
6.通过图神经网络，基于多个节点的所述节点表征以及所述关系网络的原始邻接矩阵，确定节点的聚合表征；其中，所述聚合表征聚合了邻居用户特征和/或邻居推送对象特征；
7.基于节点的所述聚合表征和随机参数，构建节点表征连续分布，并通过确定所述随机参数的取值，对所述节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征；其中，所述节点表征连续分布包括：包含用户特征的节点表征连续分布和包含推送对象特征的节点表征连续分布；
8.基于同一节点的所述第一采样表征与所述第二采样表征之间的差异，以及不同节点的所述第一采样表征与所述第二采样表征之间的差异，确定第一损失，基于所述第一损失确定预测损失；
9.向减小所述预测损失的方向，更新多个节点的所述节点表征。
10.在一种实施方式中，所述图神经网络采用图卷积网络实现；所述图卷积网络包括若干个卷积层；所述确定节点的聚合表征的步骤，包括：
11.任意一个卷积层采用以下方式输出任意一个节点的中间表征：基于上一卷积层输出的该节点的邻居节点的中间表征，确定该节点在该卷积层的中间表征；
12.针对任意一个节点，基于若干个所述卷积层输出的该节点的中间表征，确定该节
点的聚合表征。
13.在一种实施方式中，所述节点表征连续分布符合高斯分布；
14.所述构建节点表征连续分布的步骤，包括：
15.以所述聚合表征为均值；基于所述均值确定对应的方差；
16.基于所述均值、所述方差和所述随机参数，构建符合高斯分布的节点表征连续分布。
17.在一种实施方式中，所述构建符合高斯分布的节点表征连续分布的步骤，包括：
18.以所述方差作为所述随机参数的系数，构建节点表征连续分布的第一项；
19.基于所述第一项与所述均值的和，构建所述节点表征连续分布。
20.在一种实施方式中，所述随机参数为均值为0、方差为1的随机高斯噪声。
21.在一种实施方式中，所述基于所述第一损失确定预测损失的步骤，包括：
22.基于所述均值和所述方差分别与预设的高斯分布的均值与方差之间的差异，确定第二损失；
23.基于所述第一损失和所述第二损失确定预测损失。
24.在一种实施方式中，在构建节点表征连续分布之后，方法还包括：
25.基于所述节点表征连续分布，预测多个节点之间相互连接的概率；
26.基于所述概率，确定所述关系网络的重构邻接矩阵；
27.所述基于所述第一损失确定预测损失的步骤，包括：
28.基于所述重构邻接矩阵与所述原始邻接矩阵之间的差异，确定第三损失；
29.基于所述第一损失和所述第三损失确定预测损失。
30.在一种实施方式中，所述预测多个节点之间相互连接的概率的步骤，包括：
31.针对任意的第一节点和第二节点，将所述第一节点的节点表征连续分布与所述第二节点的节点表征连续分布之间的相似度，作为激活函数的输入参数，将得到的输出值作为所述第一节点和所述第二节点之间相互连接的概率。
32.在一种实施方式中，在构建节点表征连续分布之后，方法还包括：
33.基于所述节点表征连续分布，对多个节点进行聚类，得到多个节点分别归属的类簇；
34.所述基于所述第一损失确定预测损失的步骤，包括：
35.基于同类簇节点的所述第一采样表征与所述第二采样表征之间的差异，以及异类簇节点的所述第一采样表征与所述第二采样表征之间的差异，确定第四损失；
36.基于所述第一损失和所述第四损失确定预测损失。
37.在一种实施方式中，所述基于所述第一损失确定预测损失的步骤，包括：
38.基于所述第一损失，采用对比损失函数确定所述预测损失。
39.第二方面，实施例提供了一种利用评分模型对用户进行推送方法，所述评分模型采用第一方面提供的方法训练得到；所述方法包括：
40.通过所述评分模型，基于用户节点的节点表征连续分布和推送对象节点的节点表征连续分布，确定对应的用户与推送对象之间的相似度；
41.通过所述评分模型，将所述相似度作为输入参数输入激活函数，将得到的输出值作为所述用户对所述推送对象的评分；
42.基于所述用户对若干个推送对象的评分，对所述若干个推送对象进行选择，基于选择结果对所述用户进行推送。
43.第三方面，实施例提供了一种评分模型的训练装置，所述评分模型用于预测若干个用户分别对若干个待推送的推送对象的评分；所述评分模型基于包含多个节点的关系网络进行训练，多个节点包括代表用户的节点和代表推送对象的节点，以及表征节点之间连接关系的边；所述评分模型的待学习参量包括节点表征；所述装置包括：
44.聚合模块，配置为通过图神经网络，基于多个节点的所述节点表征以及所述关系网络的原始邻接矩阵，确定节点的聚合表征；其中，所述聚合表征聚合了邻居用户特征和/或邻居推送对象特征；
45.构建模块，配置为基于节点的所述聚合表征和随机参数，构建节点表征连续分布，并通过确定所述随机参数的取值，对所述节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征；其中，所述节点表征连续分布包括：包含用户特征的节点表征连续分布和包含推送对象特征的节点表征连续分布；
46.损失模块，配置为基于同一节点的所述第一采样表征与所述第二采样表征之间的差异，以及不同节点的所述第一采样表征与所述第二采样表征之间的差异，确定第一损失，基于所述第一损失确定预测损失；
47.更新模块，配置为向减小所述预测损失的方向，更新多个节点的所述节点表征。
48.第四方面，实施例提供了一种利用评分模型对用户进行推送的装置，所述评分模型采用第一方面提供的方法训练得到；所述装置包括：
49.确定模块，配置为通过所述评分模型，基于用户节点的节点表征连续分布和推送对象节点的节点表征连续分布，确定对应的用户与推送对象之间的相似度；
50.评分模块，配置为通过所述评分模型，将所述相似度作为输入参数输入激活函数，将得到的输出值作为所述用户对所述推送对象的评分；
51.推送模块，配置为基于所述用户对若干个推送对象的评分，对所述若干个推送对象进行选择，基于选择结果对所述用户进行推送。
52.第五方面，实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面至第二方面中任一项所述的方法。
53.第六方面，实施例提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面至第二方面中任一项所述的方法。
54.本说明书实施例提供的方法及装置中，利用关系网络训练评分模型。在训练过程中，基于节点的聚合表征和随机参数构建节点表征连续分布，并对节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征，基于构建的该对比目标确定预测损失，能够利用关系网络中稀疏的连接关系构建对比目标，实现对用户和推送对象的无监督学习，从而使得评分模型能够提取到用户和推送对象深层的有价值特征，在利用该评分模型进行推送时能够更准确、更合理地为用户提供推送服务。
附图说明
55.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
56.图1为本说明书披露的一个实施例的实施场景示意图；
57.图2为实施例提供的一种评分模型的训练方法的流程示意图；
58.图3为实施例提供的一种利用评分模型对用户进行推送方法的流程示意图；
59.图4为实施例提供的一种评分模型的训练装置的示意性框图；
60.图5为实施例提供的一种利用评分模型对用户进行推送的装置的示意性框图。
具体实施方式
61.下面结合附图，对本说明书提供的方案进行描述。
62.图1为本说明书披露的一个实施例的实施场景示意图。该图1也是评分模型的训练过程示意图。其中，关系网络包含多个节点以及节点之间的边。这多个节点包括代表用户的用户节点和代表推送对象的推送对象节点。在图1所示的关系网络示例中，圆圈代表用户节点，方框代表推送对象节点。将多个节点的节点表征和节点之间的连接关系输入图神经网络，通过图神经网络可以确定多个节点各自的聚合表征。利用聚合表征和随机参数可以构建节点表征连续分布，对该节点表征连续分布进行采样，得到第一采样表征和第二采样表征。基于第一采样表征和第二采样表征，通过对比学习可以得到预测损失，利用该预测损失对节点表征进行更新。模型训练迭代执行，直至收敛。图1中示出的关系网络包含了用户节点与用户节点之间的连接关系，以及用户节点与推送对象节点之间的连接关系。该关系网络示意图仅是一种举例。在实际应用中，关系网络可以仅包含用户节点与推送对象节点之间的连接关系。
63.其中，上述评分模型用于预测若干个用户分别对若干个待推送的推送对象的评分。待推送，是指待向用户推送，推送对象是等待或准备向用户进行推送的对象，可以包括商品、文章、视频或音乐等内容。用户对推送对象的评分，体现了用户对推送对象的感兴趣程度。服务平台可以通过服务器-客户端的方式，向用户提供推送服务。用户一侧则可以通过客户端查看服务平台推送的推送对象。本说明书实施例中涉及的用户，是指用户设备，或者登陆了用户账号的用户设备，即登陆了用户账号的客户端所在的用户设备。
64.关系网络包括多个节点和多个边。关系网络中的节点包括用户节点和推送对象节点，以及节点之间的边。节点之间的边体现了节点之间的连接关系，包括用户节点与用户节点之间的边，用户节点与推送对象之间的边等。连接关系体现了不同种类节点之间的关联关系。例如，用户节点与用户节点之间的关联关系可以包括亲友关系、点赞关系和借款关系等。用户节点与推送对象节点之间的关联关系可以包括点击、购买、观看、分配和从属等。例如，当用户a对商品v有过点击行为时，可以在该用户a对应的用户节点与该商品v对应的商品节点之间形成连接边。用户对推送对象之间的点击、购买、观看等与用户相关的数据，均是在获得用户的授权后使用的，在使用过程中也会保护与用户相关数据的隐私性不被泄露。
65.节点表征也可以称为节点特征，其包含用户特征或推送对象特征。用户节点的节点表征包含用户特征，推送对象的节点表征包含推送对象特征。用户特征可以理解为是从用户相关数据中提炼出的抽象特征。推送对象特征可以理解为是从推送对象特征中提炼出的抽象特征。一个节点表征可以采用向量表示，多个节点表征可以通过多个向量构成的矩阵表示。
66.关系网络中的用户是服务平台服务的用户，推送对象可以是服务平台提供的推送对象。服务平台的用户和推送对象的数量一般是非常多的。关系网络中包含了部分用户与部分推送对象之间的关联关系。为了预测更多用户对更多推送对象的评分，可以基于关系网络中存在关联关系的节点等信息训练评分模型，利用评分模型可以预测关系网络中所有用户与所有推送对象之间的评分。将节点表征等数据作为评分模型中的待学习参量，通过多轮迭代训练，评分模型可以从关系网络中学习到节点表征。
67.为了学习更深层的节点表征，以便预测更合理的评分，本说明书的一个实施例提供了一种评分模型的训练方法，包括以下步骤：步骤s210，通过图神经网络，基于多个节点的节点表征以及关系网络的原始邻接矩阵，确定节点的聚合表征；步骤s220，基于节点的聚合表征和随机参数，构建节点表征连续分布，并通过确定随机参数的取值，对节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征；步骤s230，基于同一节点的第一采样表征与第二采样表征之间的差异，以及不同节点的第一采样表征与第二采样表征之间的差异，确定第一损失，基于第一损失确定预测损失；步骤s240，向减小预测损失的方向，更新多个节点的节点表征。
68.在本实施例中，评分模型能够构建节点表征连续分布，并通过采样得到对比目标，通过对比学习更新节点表征，从而能够提取到用户和推送对象深层的有价值特征，使得利用该评分模型能够更准确、更合理地为用户提供推送服务。
69.下面结合图2对本实施例进行详细说明。
70.图2为实施例提供的一种评分模型的训练方法的流程示意图。该方法可以通过服务平台执行。服务平台可以通过任何具有计算、处理能力的装置、设备、平台、设备集群等来实现。上述评分模型基于关系网络进行训练。其中，多个节点包括代表用户的节点和代表推送对象的节点，以及表征节点之间连接关系的边。也就是，节点包括用户节点和推送对象节点。在提及节点时，即包括用户节点和/或推送对象节点。评分模型的待学习参量包括节点表征。
71.在一种实施方式中，评分模型可以包括图神经网络和变分编码器。其中，图神经网络用于基于多个节点的节点表征以及关系网络的原始邻接矩阵，确定节点的聚合表征。变分编码器用于基于节点的聚合表征和随机参数，构建节点表征连续分布，并通过确定随机参数的取值，对节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征。在这种情况下，评分模型的待学习参量还可以包括图神经网络中的待学习参量和/或变分编码器中的待学习参量。图神经网络和变分编码器可以统称为变分图推理网络。
72.在一种实施方式中，评分模型可以包括变分编码器，而不包含图神经网络。图神经网络可以与评分模型执行联合训练。
73.评分模型可以通过若干次模型迭代过程进行训练，任意一次模型迭代过程可以包括图2所示的步骤s210～s240。
74.在步骤s210中，通过图神经网络，基于多个节点的节点表征以及关系网络g的原始邻接矩阵a，确定节点的聚合表征μ。其中，聚合表征聚合了邻居用户特征和/或邻居推送对象特征。用户节点的聚合表征包含了用户特征，推送对象节点的聚合表征包含了推送对象特征。确定的聚合表征可以理解为确定每个节点的聚合表征向量，或者确定所有节点的聚合表征矩阵。
75.下面以推送对象为商品为例进行举例说明。令u表示用户集，且u＝{u1,
…
,ua,
…
,ub,
…
,um}，ua表示第a个用户，ub表示第b个用户，m表示用户的总数，1≤a,b≤m。令v表示商品集，且v＝{v1,
…
,vi,
…
,vj,
…
,vn}，vi表示第i个商品，vj表示第j个商品，n表示商品的总数，1≤i,j≤n。令r
ai
表示第a个用户ua对第i个商品vi的评分值，则用户对商品的评分矩阵r＝{r
ai
}m×n。如果第a个用户ua对第i个商品vi有过行为数据，则r
ai
＝1，否则r
ai
＝0。其中，行为数据包括观看、购买和点击等。
76.根据上述原始数据，按照以下的式(1)可以构造用户对商品的交互图g，也就是关系网络g：
[0077][0078]
其中，a为关系网络g的原始邻接矩阵，u∪v表示关系网络g的节点集合。
[0079]
初始时，可以随机确定关系网络g中每个节点的节点表征矩阵e。当关系网络中包含m+n个节点时，e可以采用(m+n)
×
d维的矩阵表示，即e＝{e1,
…
,ea,
…
,em,
…ei
,
…
,e
m+n
}。其中，ea表示第a个用户节点的d维节点表征向量。所确定的聚合表征μ也可以采用(m+n)
×
d维的矩阵表示，即μ＝{μi}，其中μi表示第i个节点的聚合表征向量。这里的第i个节点可以是用户节点或商品节点。
[0080]
将节点表征和原始邻接矩阵a输入图神经网络，图神经网络可以输出节点的聚合表征μ。图神经网络可以采用多种网络模型实现，例如可以采用图卷积网络、图循环网络或图注意力网络等实现。下面以图卷积网络为例对图神经网络的实现方式进行说明。利用图卷积网络确定节点的聚合表征时可以包含多种实施方式，下面介绍具体实施方式。
[0081]
图卷积网络包括l个卷积层。每个卷积层可以基于上一卷积层的输出以及原始邻接矩阵a确定每个节点的中间表征。基于多个卷积层输出的中间表征，可以确定节点的聚合表征。
[0082]
对于任意一个卷积层l+1，可以采用以下方式输出任意一个节点(例如第i个节点)的中间表征：基于上一卷积层l输出的第i个节点的邻居节点的中间表征，确定第i个节点在该卷积层l+1的中间表征。第i个节点的邻居节点可以包括与第i节点存在连接关系的节点。具体的，可以对多个邻居节点的中间表征的加权平均值作为第i个节点的中间表征。例如，可以采用下面的式(2)确定第l+1卷积层输出第i个节点的中间表征μ
il+1
：
[0083][0084]
其中，si表示与第i个节点存在连接关系的节点集合中的节点数量。j在si中取值，sj表示与第j个节点存在连接关系的节点集合中的节点数量。si和sj可以基于原始邻接矩阵a确定。μ
jl
是第i个节点在第l卷积层输出的中间表征。上述式(2)仅仅是一种实施方式，对该式进行修改，比如去掉加权值或修改加权值都是可行的方式。
[0085]
针对任意一个节点，例如第i个节点，基于若干个卷积层输出的第i个节点的中间表征，确定该节点的聚合表征。具体可以将若干个卷积层输出的第i个节点的中间表征的均值或加权均值，确定为第i个节点的聚合表征。例如，可以采用下式(3)得到第i个节点通过图卷积网络输出的聚合表征：
[0086][0087]
其中，μi表示第i个节点的聚合表征，该向量的维度为d维。对于所有节点的聚合表征构成的聚合表征矩阵μ，其矩阵维度为(m+n)
×
d维。
[0088]
通过步骤s210的执行，基于关系网络中用户与用户之间的关联关系，以及用户与推送对象之间的关联关系，在用户节点的聚合表征中聚合其邻居节点的特征，其中包括邻居用户特征和/或邻居推送对象特征；在推送对象节点的聚合表征中聚合其邻居节点的特征，其中包括邻居用户特征和/或邻居推送对象特征，从而使得聚合表征聚合了关系网络中的有用信息。
[0089]
在步骤s220中，基于节点的聚合表征μ和随机参数∈，构建节点表征连续分布，并通过确定随机参数∈的取值，对节点表征连续分布进行采样，得到作为对比目标的第一采样表征z
′
和第二采样表征z
″
。
[0090]
其中，节点表征连续分布包括：包含用户特征的节点表征连续分布和包含推送对象特征的节点表征连续分布。这里的节点表征连续分布可以是每一个节点的向量，也可以是所有节点的向量构成的矩阵。通过采样得到的第一采样表征z
′
和第二采样表征z
″
也包括了用户特征和/或推送对象特征。
[0091]
步骤s220利用了重参数化技巧来重构节点表征连续分布。这种重参数化能够对输入的聚合表征进行重构，并利用随机参数的随机性生成有意义的数据，为对比学习提供更多样本。连续分布可以采用高斯分布，也可以采用其他分布，例如均匀分布。下面以节点表征连续分布符合高斯分布为例说明步骤s220的实施过程。
[0092]
在构建节点表征的高斯分布时，可以以聚合表征为均值，基于该均值确定对应的方差；接着，基于均值、方差和随机参数，构建符合高斯分布的节点表征连续分布。在基于均值、方差和随机参数构建节点表征连续分布时，可以包含多种实施方式。例如，可以以方差作为随机参数的系数，构建节点表征连续分布的第一项，基于第一项与均值的和，构建节点表征连续分布。
[0093]
在构建高斯分布时，可以针对每个节点的节点表征，构建该节点对应的节点表征连续分布。在下面的描述中，在使用均值、方差和随机参数进行计算时，均是使用某一个节点的均值、方差和随机参数，三者相互对应。一对均值和方差即定义了一个高斯分布。
[0094]
在基于均值确定对应的方差时，可以参照已有的均值和方差之间的转换公式进行确定。例如，可以采用以下的式(4)确定方差：
[0095]
σ＝exp(μw+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0096]
其中，w和b是待学习参量。exp是以自然常数e为底的指数函数。μ为均值，σ为方差。考虑到高斯分布的密度函数中带有exp，式(4)为了消除计算结果中的exp，故对常用的方差和均值之间的转换公式进行了适当修改。在式(4)中，当μ为某个节点的均值向量时，σ为该
节点的方差向量。当μ为所有节点的均值向量构成的均值矩阵时，σ为所有节点的方差向量构成的方差矩阵。
[0097]
在构建节点表征连续分布时，可以按照以下式(5)进行：
[0098]
z＝μ+σ
˙
∈
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0099]
其中，z为节点表征连续分布，σ
˙
∈为第一项。∈为随机参数。当μ为某个节点的均值向量，σ为该节点的方差向量时，z为该节点的节点表征连续分布向量。当μ为所有节点的均值向量构成的均值矩阵，σ为所有节点的方差向量构成的方差矩阵时，z为所有节点的节点表征连续分布向量构成的矩阵。
[0100]
为了使得计算简洁，节点表征连续分布可以被假设是均值为0、方差为1的高斯分布。相应的，随机参数∈也可以是均值为0、方差为1的随机高斯噪声。
[0101]
在确定随机参数∈的取值时，可以按照相应的规则生成随机参数∈，当需要生成两个采样表征时，可以获取两个随机参数∈。例如，当生成两个随机参数∈
′
和∈
″
时，可以基于上述式(5)得到以下的式(6)中的对比目标z
′
和z
″
：
[0102]z′
＝μ+σ
˙
∈
′
，z
″
＝μ+σ
˙
∈
″ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0103]
其中，z
′
可以是第一采样表征，z
″
是第二采样表征。
[0104]
在构建对比目标时，可以但不限于获取两个采样表征，也可以获取更多个采样表征。
[0105]
在节点表征连续分布采用高斯分布时，在步骤s210之前，可以使用高斯分布随机初始化节点表征，这样能够加快评分模型的迭代过程。
[0106]
以上内容说明了采用重参数化技巧重构节点表征连续分布的实施方式。对这些实施方式进行一些改进，还可以得到更多的实施方式。例如，方差与随机参数的组合方式不限于两者相乘得到第一项，还可以包含很多种方式。
[0107]
所构建的节点表征连续分布中，随机参数∈是随机产生的，将方差作为随机参数∈的系数，也就放大了这种随机性，并且使得节点表征连续分布的这种随机性变得可控。随机参数∈带来了随机性，而方差则决定了这种随机性的规模，从而使得这种随机性可控。并且，随着模型迭代的进行，方差是在逐渐被学习的，这就使得噪声的幅度也是学到的。并且，不同节点的方差不同，即不同用户节点的节点表征的方差不同，不同推送对象节点的节点表征的方差不同，方差中携带了用户特征和推送对象特征。当方差不同时，对应的节点表征连续分布中的随机参数∈的大小也不同，随机参数∈受到了节点方差的影响，而变得与节点相关了，也就是与用户和推送对象相关了。方差大，对应的随机噪声就大，对该节点计算损失时，节点的差异值也会比较大，对该节点的节点表征的调整也会相应大。这样也就考虑了用户和推送对象特有的性质，生成的节点表征连续分布也考虑了用户和推送对象特有的性质，进而使得构建的对比目标更加高效，更加合理。
[0108]
在步骤s230中，基于同一节点的第一采样表征与第二采样表征之间的差异，以及不同节点的第一采样表征与第二采样表征之间的差异，确定第一损失，基于第一损失确定预测损失。在步骤s240中，向减小预测损失的方向，更新多个节点的节点表征。
[0109]
同一节点的第一采样表征z
′
和第二采样表征z
″
应该尽可能接近，或者说尽可能相似。不同节点的第一采样表征z
′
和第二采样表征z
″
应该尽可能远离，或者说尽可能不相似。同一节点的第一采样表征z
′
和第二采样表征z
″
可以作为正样本，不同节点的第一采样表征z′
和第二采样表征z
″
可以作为负样本。此处的节点可以采用节点标识表示。判断两个节点是否为同一节点，可以包括判断节点标识是否相同。例如，在第一采样表征矩阵和第二采样表征矩阵中，可以将第i节点对应的两个向量作为正样本，将第i节点的向量和第j节点的向量作为负样本，其中i与j不相同。
[0110]
利用步骤s230计算的第一损失时，可以采用对比损失函数确定，并且可以将第一损失作为预测损失中的一部分。在基于第一损失确定预测损失时，可以直接将第一损失作为预测损失进行模型更新，也可以将第一损失作为预测损失的一部分，将第一损失与采用其他方式确定的损失作为预测损失。
[0111]
步骤s230计算预测损失的方式可以称为节点级别的对比损失。节点包括用户节点和推送对象节点，可以采用以下式(7)和(8)分别计算用户级别的对比学习损失函数l
nu
和推送对象级别的对比损失函数l
ni
：
[0112][0113][0114]
其中，τ1是对比温度，是预先设置的超参数。bu是一批(batch)节点中的用户，bi是一批节点中的推送对象。t为矩阵转置符号。za′
为第a个用户的第一采样表征向量，za″
为第a个用户的第二采样表征向量。zi′
为第i个推送对象的第一采样表征向量，zi″
为第i个推送对象的第二采样表征向量。
[0115]
在确定预测损失时，还可以基于上述均值和方差分别与预设的高斯分布的均值与方差之间的差异，确定第二损失，基于第一损失和第二损失确定预测损失。在基于第一损失和第二损失确定预测损失时，可以将第一损失与第二损失的和作为预测损失，也可以将第一损失和第二损失与采用其他方式确定的损失作为预测损失。
[0116]
下面继续说明确定预测损失的其他方式。在构建节点表征连续分布z之后，还可以基于节点表征连续分布z，预测多个节点之间相互连接的概率；基于该概率，确定关系网络的重构邻接矩阵a
′
。
[0117]
在确定预测损失时，可以基于重构邻接矩阵a
′
与原始邻接矩阵a之间的差异，确定第三损失，基于第一损失和第三损失等损失确定预测损失。
[0118]
在预测多个节点之间相互连接的概率时，可以针对任意的第一节点和第二节点，将第一节点的节点表征连续分布与第二节点的节点表征连续分布之间的相似度，作为激活函数的输入参数，将得到的输出值作为第一节点和第二节点之间相互连接的概率。
[0119]
在预测多个节点之间相互连接的概率时，可以通过确定随机参数∈的取值，对节点表征连续分布进行采样，得到第三采样表征z3。基于多个节点的第三采样表征z3，预测多个节点之间相互连接的概率。第三采样表征z3也可以采用第一采用表征z
′
和第二采样表征z
″
中的任意一个，也可以通过随机生成∈来得到新的第三采样表征z3。
[0120]
针对任意的第一节点和第二节点，可以将第一节点的第三采样表征向量与第二节点的第三采样表征向量之间的相似度，作为激活函数的输入参数，将得到的输出值作为第一节点和第二节点之间相互连接的概率。
[0121]
例如，可以采用以下的式(9)确定任意的第i节点和第j节点相连的概率p：
[0122][0123]
其中，zi是第i节点的第三采样表征向量，zj是第j节点的第三采样表征向量，sigmoid是激活函数。对于第三采样表征矩阵，zi和zj分别是第三采样表征矩阵中的第i向量和第j向量。p的取值在0到1之间。
[0124]
在一种实施方式中，可以采用以下的式(10)确定基于重构邻接矩阵a
′
与原始邻接矩阵a之间的差异，以及基于上述均值和方差分别与预设的高斯分布的均值与方差之间的差异，得到的图重构损失函数l
elbo
：
[0125][0126]
其中，δ为激活函数。da是用户a的训练数据。举例来说，对于用户a，如果用户a与1～5等五个商品中的1、2和3有连接关系，则用户a分别与商品1、2和3构成正样本，用户a分别与商品4和5构成负样本。式(10)等式右侧的第一项是邻接矩阵之间的损失函数，第二项是高斯分布之间的损失函数。
[0127]
为了使得确定的预测损失更加全面，从而提高模型的迭代速度，在构建节点表征连续分布之后，还可以对节点进行聚类，确定聚类基本的对比损失函数。
[0128]
具体的，可以基于节点表征连续分布z，对多个节点进行聚类，得到多个节点分别归属的类簇。
[0129]
在确定预测损失时，可以基于同类簇节点的第一采样表征z
′
和第二采样表征z
″
之间的差异，以及异类簇节点的第一采样表征z
′
和第二采样表征z
″
之间的差异，确定第四损失，基于第一损失和第四损失等确定预测损失。
[0130]
在使用节点表征连续分布z对多个节点进行聚类时，可以使用节点表征连续分布z中的任意一个值，可以是第一采样表征z
′
或第二采样表征z
″
，也可以是重新采样后的值。
[0131]
在聚类时，可以采用多种已有的聚类算法，例如k-means算法或均值漂移算法等。下面以k-means算法为例说明对节点的聚类过程。在聚类时，可以针对用户节点和推送对象节点分别进行聚类。
[0132]
初始时，可以定义用户节点聚类个数为ku，推送对象聚类个数为ki。使用k-means算法确定用户节点的聚类原型为cu＝{c
ku
}
ku
，推送对象聚类原型为ci＝{c
ki
}
ki
，进而得到用户节点聚类分布∏
a＝1m
∏
k＝1ku
p(c
ku
|za)，以及推送对象节点聚类分布∏
i＝m+1m+n
∏
k＝1ki
p(c
ki
|zi)。聚类原型即聚类中心，一个聚类原型对应一个类簇。聚类分布包括用户节点聚类分布和推送对象节点聚类分布。聚类分布可以采用向量或矩阵形式表示。在一种实施方式中，聚类分布向量的维度是聚类的总类别数，节点属于哪个类别，对应的向量中的元素可以取值为1，其他元素取值为0。聚类分布矩阵为所有节点的聚类分布向量构成的矩阵。例如，矩阵中的行可以是用户或推送对象的聚类分布向量，列为聚类分布向量的维度。
[0133]
在一种实施方式中，在确定节点的聚类分布之后，还可以基于多个节点的类簇分布，确定任意两个节点属于同一个类簇的概率，基于该概率确定聚类级别的对比损失函数。
[0134]
例如，可以采用以下的式(11)确定第a个用户和第b个用户属于同一个聚类原型的概率，也就是属于同一个类簇的概率p(a,b)：
[0135][0136]
其中，za是节点表征连续分布中第a个用户的向量，zb是节点表征连续分布中第b个用户的向量。
[0137]
同样的，可以采用以下的式(12)确定第i个推送对象和第j个推送对象属于同一个聚类原型的概率，也就是属于同一个类簇的概率p(i,j)：
[0138][0139]
其中，zi是节点表征连续分布中第i个推送对象的向量，zj是节点表征连续分布中第j个推送对象的向量。
[0140]
上述计算概率的公式(11)和(12)仅是一种举例。对这些公式进行适当的修改，比如增加系数或权重等，可以得到新的实施方式。
[0141]
同类簇节点包括属于同类簇的不同用户节点和属于同类簇的不同推送对象节点。异类簇节点包括属于不同类簇的不同用户节点和属于不同类簇的不同推送对象节点。在第一采样表征z
′
和第二采样表征z
″
中，对于属于同一类簇的不同用户a和b，用户a的第一采样表征向量和用户b的第二采样表征向量属于正样本。对于不同类簇的不同用户a和b，用户a的第一采样表征向量和用户b的第二采样表征向量属于负样本。对于属于同一类簇的不同推送对象i和j，推送对象i的第一采样表征向量和推送对象j的第二采样表征向量属于正样本。对于属于不同类簇的不同推送对象i和j，推送对象i的第一采样表征向量和推送对象j的第二采样表征向量属于负样本。在基于同类簇节点的第一采样表征z
′
和第二采样表征z
″
之间的差异，以及异类簇节点的第一采样表征z
′
和第二采样表征z
″
之间的差异，确定第四损失时，可以采用对比损失函数进行确定。
[0142]
例如，可以采用以下式(13)确定用户聚类级别的对比损失函数l
cu
，采用式(14)确定推送对象聚类级别的对比损失函数l
ci
：
[0143][0144][0145]
其中，τ2是对比温度，是预先设置的超参数。bu是一批节点中的用户，bi是一批节点中的推送对象。za′
为第a个用户的第一采样表征向量，zb″
为第b个用户的第二采样表征向量。zi′
为第i个推送对象的第一采样表征向量，zj″
为第j个推送对象的第二采样表征向量。sp(a)是式(13)中分子部分的正样本的数量和，sp(i)是式(14)中分子部分的正样本的数量和，添加这两个参量的倒数使得式(13)和(14)与式(7)和(8)处在同一节点级别。式(13)和(14)仅是一种实施方式，对其进行修改可以得到不同的实施方式。
[0146]
在一种实施方式中，基于第一损失、第二损失和第三损失的和，可以确定总的预测
(如果有)，仅仅是为了区分和描述方便，并不具有任何限定意义。
[0165]
上述内容对本说明书的特定实施例进行了描述，其他实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行，并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的，或者可能是有利的。
[0166]
图4为实施例提供的一种评分模型的训练装置的示意性框图。评分模型用于预测若干个用户分别对若干个待推送的推送对象的评分；所述评分模型基于包含多个节点的关系网络进行训练，多个节点包括代表用户的节点和代表推送对象的节点，以及表征节点之间连接关系的边；所述评分模型的待学习参量包括节点表征。该装置可以部署在服务平台中，服务平台可以通过任何具有计算、处理能力的装置、设备、平台、设备集群等来实现。该装置实施例与图2所示方法实施例相对应。该装置400包括：
[0167]
聚合模块410，配置为通过图神经网络，基于多个节点的所述节点表征以及所述关系网络的原始邻接矩阵，确定节点的聚合表征；其中，所述聚合表征聚合了邻居用户特征和/或邻居推送对象特征；
[0168]
构建模块420，配置为基于节点的所述聚合表征和随机参数，构建节点表征连续分布，并通过确定所述随机参数的取值，对所述节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征；其中，所述节点表征连续分布包括：包含用户特征的节点表征连续分布和包含推送对象特征的节点表征连续分布；
[0169]
损失模块430，配置为基于同一节点的所述第一采样表征与所述第二采样表征之间的差异，以及不同节点的所述第一采样表征与所述第二采样表征之间的差异，确定第一损失，基于所述第一损失确定预测损失；
[0170]
更新模块440，配置为向减小所述预测损失的方向，更新多个节点的所述节点表征。
[0171]
在一种实施方式中，所述图神经网络采用图卷积网络实现；所述图卷积网络包括若干个卷积层；聚合模块410包括第一确定子模块和第二确定子模块；(图中未示出)
[0172]
第一确定子模块，配置为任意一个卷积层采用以下方式输出任意一个节点的中间表征：基于上一卷积层输出的该节点的邻居节点的中间表征，确定该节点在该卷积层的中间表征；
[0173]
第二确定子模块，配置为针对任意一个节点，基于若干个所述卷积层输出的该节点的中间表征，确定该节点的聚合表征。
[0174]
在一种实施方式中，所述节点表征连续分布符合高斯分布；构建模块420包括第三确定子模块和第一构建子模块；(图中未示出)
[0175]
第三确定子模块，配置为以所述聚合表征为均值，基于所述均值确定对应的方差；
[0176]
第一构建子模块，配置为基于所述均值、所述方差和所述随机参数，构建符合高斯分布的节点表征连续分布。
[0177]
在一种实施方式中，所述第一构建子模块具体配置为：
[0178]
以所述方差作为所述随机参数的系数，构建节点表征连续分布的第一项；
[0179]
基于所述第一项与所述均值的和，构建所述节点表征连续分布。
[0180]
在一种实施方式中，所述随机参数为均值为0、方差为1的随机高斯噪声。
[0181]
在一种实施方式中，损失模块430，在基于所述第一损失确定预测损失时，包括：
[0182]
基于所述均值和所述方差分别与预设的高斯分布的均值与方差之间的差异，确定第二损失；
[0183]
基于第一损失和第二损失确定预测损失。
[0184]
在一种实施方式中，装置400还包括：
[0185]
重构模块(图中未示出)，配置为在构建节点表征连续分布之后，基于所述节点表征连续分布，预测多个节点之间相互连接的概率；基于所述概率，确定所述关系网络的重构邻接矩阵；
[0186]
所述损失模块430，在基于所述第一损失确定预测损失时，包括：
[0187]
基于所述重构邻接矩阵与所述原始邻接矩阵之间的差异，确定第三损失；
[0188]
基于所述第一损失和所述第三损失确定预测损失。
[0189]
在一种实施方式中，所述重构模块，在预测多个节点之间相互连接的概率时，包括：
[0190]
针对任意的第一节点和第二节点，将所述第一节点的节点表征连续分布与所述第二节点的节点表征连续分布之间的相似度，作为激活函数的输入参数，将得到的输出值作为所述第一节点和所述第二节点之间相互连接的概率。
[0191]
在一种实施方式中，装置400还包括：
[0192]
聚类模块，配置为在构建节点表征连续分布之后，基于所述节点表征连续分布，对多个节点进行聚类，得到多个节点分别归属的类簇；
[0193]
损失模块430，在基于所述第一损失确定预测损失时，包括：
[0194]
基于同类簇节点的所述第一采样表征与所述第二采样表征之间的差异，以及异类簇节点的所述第一采样表征与所述第二采样表征之间的差异，确定第四损失；
[0195]
基于所述第一损失和所述第四损失确定预测损失。
[0196]
在一种实施方式中，所述损失模块430，在基于所述第一损失确定预测损失时，包括：
[0197]
基于所述第一损失，采用对比损失函数确定所述预测损失。
[0198]
图5为实施例提供的一种利用评分模型对用户进行推送的装置的示意性框图。该评分模型采用图2所示实施例提供的方法训练得到。该装置500可以部署在服务平台中，服务平台可以通过任何具有计算、处理能力的装置、设备、平台、设备集群等来实现。该装置实施例与图3所示方法实施例相对应。装置500包括：
[0199]
确定模块510，配置为通过所述评分模型，基于用户节点的节点表征连续分布和推送对象节点的节点表征连续分布，确定对应的用户与推送对象之间的相似度；
[0200]
评分模块520，配置为通过所述评分模型，将所述相似度作为输入参数输入激活函数，将得到的输出值作为所述用户对所述推送对象的评分；
[0201]
推送模块530，配置为基于所述用户对若干个推送对象的评分，对所述若干个推送对象进行选择，基于选择结果对所述用户进行推送。
[0202]
上述装置实施例与方法实施例相对应，具体说明可以参见方法实施例部分的描述，此处不再赘述。装置实施例是基于对应的方法实施例得到，与对应的方法实施例具有同
样的技术效果，具体说明可参见对应的方法实施例。
[0203]
本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行图1至图3任一项所述的方法。
[0204]
本说明书实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现图1至图3任一项所述的方法。
[0205]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于存储介质和计算设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
[0206]
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
[0207]
以上所述的具体实施方式，对本发明实施例的目的、技术方案和有益效果进行了进一步的详细说明。所应理解的是，以上所述仅为本发明实施例的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

技术特征：
1.一种评分模型的训练方法，所述评分模型用于预测若干个用户分别对若干个待推送的推送对象的评分；所述评分模型基于包含多个节点的关系网络进行训练，多个节点包括代表用户的节点和代表推送对象的节点，以及表征节点之间连接关系的边；所述评分模型的待学习参量包括节点表征；所述方法包括：通过图神经网络，基于多个节点的所述节点表征以及所述关系网络的原始邻接矩阵，确定节点的聚合表征；其中，所述聚合表征聚合了邻居用户特征和/或邻居推送对象特征；基于节点的所述聚合表征和随机参数，构建节点表征连续分布，并通过确定所述随机参数的取值，对所述节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征；其中，所述节点表征连续分布包括：包含用户特征的节点表征连续分布和包含推送对象特征的节点表征连续分布；基于同一节点的所述第一采样表征与所述第二采样表征之间的差异，以及不同节点的所述第一采样表征与所述第二采样表征之间的差异，确定第一损失，基于所述第一损失确定预测损失；向减小所述预测损失的方向，更新多个节点的所述节点表征。2.根据权利要求1所述的方法，所述图神经网络采用图卷积网络实现；所述图卷积网络包括若干个卷积层；所述确定节点的聚合表征的步骤，包括：任意一个卷积层采用以下方式输出任意一个节点的中间表征：基于上一卷积层输出的该节点的邻居节点的中间表征，确定该节点在该卷积层的中间表征；针对任意一个节点，基于若干个所述卷积层输出的该节点的中间表征，确定该节点的聚合表征。3.根据权利要求1所述的方法，所述节点表征连续分布符合高斯分布；所述构建节点表征连续分布的步骤，包括：以所述聚合表征为均值；基于所述均值确定对应的方差；基于所述均值、所述方差和所述随机参数，构建符合高斯分布的节点表征连续分布。4.根据权利要求3所述的方法，所述构建符合高斯分布的节点表征连续分布的步骤，包括：以所述方差作为所述随机参数的系数，构建节点表征连续分布的第一项；基于所述第一项与所述均值的和，构建所述节点表征连续分布。5.根据权利要求3所述的方法，所述随机参数为均值为0、方差为1的随机高斯噪声。6.根据权利要求3所述的方法，所述基于所述第一损失确定预测损失的步骤，包括：基于所述均值和所述方差分别与预设的高斯分布的均值与方差之间的差异，确定第二损失；基于所述第一损失和所述第二损失确定预测损失。7.根据权利要求1所述的方法，在构建节点表征连续分布之后，还包括：基于所述节点表征连续分布，预测多个节点之间相互连接的概率；基于所述概率，确定所述关系网络的重构邻接矩阵；所述基于所述第一损失确定预测损失的步骤，包括：基于所述重构邻接矩阵与所述原始邻接矩阵之间的差异，确定第三损失；
基于所述第一损失和所述第三损失确定预测损失。8.根据权利要求7所述的方法，所述预测多个节点之间相互连接的概率的步骤，包括：针对任意的第一节点和第二节点，将所述第一节点的节点表征连续分布与所述第二节点的节点表征连续分布之间的相似度，作为激活函数的输入参数，将得到的输出值作为所述第一节点和所述第二节点之间相互连接的概率。9.根据权利要求1所述的方法，在构建节点表征连续分布之后，还包括：基于所述节点表征连续分布，对多个节点进行聚类，得到多个节点分别归属的类簇；所述基于所述第一损失确定预测损失的步骤，包括：基于同类簇节点的所述第一采样表征与所述第二采样表征之间的差异，以及异类簇节点的所述第一采样表征与所述第二采样表征之间的差异，确定第四损失；基于所述第一损失和所述第四损失确定预测损失。10.根据权利要求1所述的方法，所述基于所述第一损失确定预测损失的步骤，包括：基于所述第一损失，采用对比损失函数确定所述预测损失。11.一种利用评分模型对用户进行推送方法，所述评分模型采用权利要求1所述的方法训练得到；所述方法包括：通过所述评分模型，基于用户节点的节点表征连续分布和推送对象节点的节点表征连续分布，确定对应的用户与推送对象之间的相似度；通过所述评分模型，将所述相似度作为输入参数输入激活函数，将得到的输出值作为所述用户对所述推送对象的评分；基于所述用户对若干个推送对象的评分，对所述若干个推送对象进行选择，基于选择结果对所述用户进行推送。12.一种评分模型的训练装置，所述评分模型用于预测若干个用户分别对若干个待推送的推送对象的评分；所述评分模型基于包含多个节点的关系网络进行训练，多个节点包括代表用户的节点和代表推送对象的节点，以及表征节点之间连接关系的边；所述评分模型的待学习参量包括节点表征；所述装置包括：聚合模块，配置为通过图神经网络，基于多个节点的所述节点表征以及所述关系网络的原始邻接矩阵，确定节点的聚合表征；其中，所述聚合表征聚合了邻居用户特征和/或邻居推送对象特征；构建模块，配置为基于节点的所述聚合表征和随机参数，构建节点表征连续分布，并通过确定所述随机参数的取值，对所述节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征；其中，所述节点表征连续分布包括：包含用户特征的节点表征连续分布和包含推送对象特征的节点表征连续分布；损失模块，配置为基于同一节点的所述第一采样表征与所述第二采样表征之间的差异，以及不同节点的所述第一采样表征与所述第二采样表征之间的差异，确定第一损失，基于所述第一损失确定预测损失；更新模块，配置为向减小所述预测损失的方向，更新多个节点的所述节点表征。13.一种利用评分模型对用户进行推送的装置，所述评分模型采用权利要求1所述的方法训练得到；所述装置包括：确定模块，配置为通过所述评分模型，基于用户节点的节点表征连续分布和推送对象
节点的节点表征连续分布，确定对应的用户与推送对象之间的相似度；评分模块，配置为通过所述评分模型，将所述相似度作为输入参数输入激活函数，将得到的输出值作为所述用户对所述推送对象的评分；推送模块，配置为基于所述用户对若干个推送对象的评分，对所述若干个推送对象进行选择，基于选择结果对所述用户进行推送。14.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-11中任一项所述的方法。15.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-11中任一项所述的方法。

技术总结
本说明书实施例提供了一种评分模型训练方法、用户推送方法及装置。在评分模型的训练方法中，构造用户与推送对象之间交互的关系网络，通过变分图推理网络估计用户和推送对象的节点表征连续分布，并对该节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征，基于该对比目标确定节点级别的对比损失函数。同时，利用节点表征连续分布重构用户与推送对象之间的关系网络，从而得到重构损失函数。利用节点表征连续分布对用户和推送对象进行聚类，基于聚类结果计算聚类感知的对比损失函数。联合多个损失函数进行多任务学习，更新模型直至收敛。利用训练后的评分模型计算用户对推送对象的评分，基于该评分进行用户推送。户推送。户推送。


技术研发人员：吴乐 杨永晖 张琨 洪日昌 汪萌 吴郑伟 张志强 周俊
受保护的技术使用者：合肥工业大学
技术研发日：2023.05.18
技术公布日：2023/8/21