一种构建用户画像的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种构建用户画像的方法和装置。

背景技术

用户画像，即用户信息标签化(如性别、年龄等)，就是通过收集与分析用户静态属性、社会属性、行为属性等主要信息的数据之后，抽象出一个用户全貌用于支撑个性化推荐等大数据应用的基本方式。用户画像具有较广的应用前景，尤其是在电子商务领域，基于用户画像可快速精准定位用户群体以及用户需求等价值信息，因而用户画像在商品搜索、商品推荐、广告、精准营销等方面具有至关重要的作用。

目前，常用的构建用户画像的方法是，将用户画像构建看成一个监督式的分类任务、每个用户视作独立的数据实例、已知用户画像视作监督学习的标签，基于用户历史行为等人工设计特征构建用户画像分类模型。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有的构建用户画像的方法需要大量的用户标用以进行监督学习，耗时久、成本高；在进行监督学习的过程中仅采用了用户自身的历史行为(如购买商品、点击商品)等数据，而未考虑其他可用于构建用户画像的数据(如用户与其他用户之间的相似度或购买商品的相似度等)，且当需要同时考虑多种数据时，需要人工设计混合方法用以建模多种数据。

发明内容

有鉴于此，本发明提供一种构建用户画像的方法和装置，能够在不进行人工设计混合方法的情况下，直接基于用户信息异构图中的多种数据构建用户画像预测模型，且不需要大量的标签数据，效率高、成本低。

为实现上述目的，根据本发明的一个方面，提供了一种构建用户画像的方法，包括：获取用户信息异构图，所述用户信息异构图的节点包括用户节点、与所述用户相关的商品信息节点，所述用户信息异构图的第一边指示了不同的所述用户之间的关联、所述用户信息异构图的第二边指示了所述用户与所述商品信息之间的关联；根据所述用户节点、所述商品信息节点、所述第一边、所述第二边，基于图神经网络，训练得到用于构建用户画像的用户画像构建模型；将待构建用户相关的商品信息添加至所述用户信息异构图，使用所述用户画像构建模型，构建所述待构建用户的用户画像。

可选地，所述图神网络包括：用户信息输入层、商品信息表示层、第一用户表示层、第二用户表示层、用户画像构建层；其中，所述用户信息输入层，用于获取所述用户信息异构图，以获取所述用户节点、所述商品信息节点、所述第一边、所述第二边；所述用户信息表示层，用于生成表示所述商品信息节点的特征的商品信息向量；所述第一用户表示层，用于根据所述商品信息向量、所述第二边，生成表示所述用户节点的特征的第一用户向量；所述第二用户表示层，用于根据所述第一用户向量、所述第一边，生成表示所述用户节点的特征的第二用户向量；所述用户画像构建层，用于根据所述第二用户向量，构建所述用户节点的用户画像。

可选地，所述用户信息异构图的节点还包括：用于描述所述商品信息的商品属性信息节点；所述用户信息异构图的第三边指示了所述商品属性信息与所述商品信息之间的关联。

可选地，所述图神经网络还包括：商品属性信息表示层；其中，所述商品属性信息表示层，用于生成表示所述商品属性信息节点的特征的商品属性信息向量；所述用户信息表示层，用于根据所述商品属性信息向量、所第三边，生成表示所述商品信息节点的特征的商品信息向量。

可选地，所述用户信息异构图中的用户节点中的第一用户节点具有用户画像标签，所述用户信息异构图中的用户节点中的第二用户节点不具有用户画像标签，根据所述第一用户节点、所述第二用户节点、所述商品信息节点、所述第一边、所述第二边，基于图神经网络，训练得到用于构建用户画像的用户画像构建模型。

为实现上述目的，根据本发明的另一个方面，提供了一种构建用户画像的装置，包括：异构图获取模块、构建模型获取模块、用户画像构建模块；其中，所述异构图获取模块，用于获取用户信息异构图，所述用户信息异构图的节点包括用户节点、与所述用户相关的商品信息节点，所述用户信息异构图的第一边指示了不同的所述用户之间的关联、所述用户信息异构图的第二边指示了所述用户与所述商品信息之间的关联；所述构建模型模获取模块，用于根据所述用户节点、所述商品信息节点、所述第一边、所述第二边，基于图神经网络，训练得到用于构建用户画像的用户画像构建模型；所述用户画像构建模块，用于将待构建用户相关的商品信息添加至所述用户信息异构图，使用所述用户画像构建模型，构建所述待构建用户的用户画像。

可选地，所述图神经网络包括：用户信息输入层、商品信息表示层、第一用户表示层、第二用户表示层、用户画像构建层；其中，所述用户信息输入层，用于获取所述用户信息异构图，以获取所述用户节点、所述商品信息节点、所述第一边、所述第二边；所述用户信息表示层，用于生成表示所述商品信息节点的特征的商品信息向量；所述第一用户表示层，用于根据所述商品信息向量、所述第二边，生成表示所述用户节点的特征的第一用户向量；所述第二用户表示层，用于根据所述第一用户向量、所述第一边，生成表示所述用户节点的的特征第二用户向量；所述用户画像构建层，用于根据所述第二用户向量，构建所述用户节点的用户画像。

可选地，所述用户信息异构图的节点还包括：用于描述所述商品信息的商品属性信息节点；所述用户信息异构图的第三边指示了所述商品属性信息与所述商品信息之间的关联。

可选地，所述图神经网络还包括：商品属性信息表示层；其中，所述商品属性信息表示层，用于生成表示所述商品属性信息节点的的特征商品属性信息向量；所述用户信息表示层，用于根据所述商品属性信息向量、所第三边，生成表示所述商品信息节点的特征的商品信息向量。

可选地，所述用户信息异构图中的用户节点中的第一用户节点具有用户画像标签，所述用户信息异构图中的用户节点中的第二用户节点不具有用户画像标签；所述构建模型获取模块，还用于根据所述第一用户节点、所述第二用户节点、所述商品信息节点、所述第一边、所述第二边，基于图神经网络，训练得到用于构建用户画像的用户画像构建模型。

为实现上述目的，根据本发明的又一个方面，提供了一种用于预测用户画像的服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现

为实现上述目的，根据本发明的再一个方面，提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如上所述的构建用户画像的方法中任一所述的方法。

上述发明中具有如下优点或有益效果：由于采用具有多种节点的用户信息异构图的节点及边表示用户、商品信息、不同用户之间的相似度、用户与商品信息对应的关系等多种数据，并通过图神经网络对用户信息异构图的节点及边进行学习，用以获取用户画像构建模型；不仅实现了对多种数据的同时建模，又避免了人工设计多种数据混合方法或人工设计特征的问题，且不需要大量的数据标签，实现了快速、高效、低成本用户画像的构建。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的构建用户画像的方法的主要流程的示意图；

图2a是根据本发明实施例的用户信息异构图的示意图；

图2b是根据本发明实施例的另一用户信息异构图的示意图；

图2c是根据本发明实施例的图神经网络的结构示意图；

图2d是根据本发明实施例的另一图神经网络的结构示意图；

图3是根据本发明实施例的又一用户信息异构图的示意图；

图4是根据本发明实施例的构建用户画像的装置的主要模块的示意图；

图5是本发明实施例可以应用于其中的示例性系统架构图；

图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

如图1所示，本发明实施例提供了一种构建用户画像的方法，具体可以包括的步骤如下：

步骤S101，获取用户信息异构图，所述用户信息异构图的节点包括用户节点、与所述用户相关的商品信息节点，所述用户信息异构图的第一边指示了不同的所述用户之间的关联、所述用户信息异构图的第二边指示了所述用户与所述商品信息之间的关联。

图是由节点及节点间连接的边组成，根据节点类型的数量可以分为同构图、异构图；其中，同构图是指只有一种类型节点的图，异构图是指具有两种及以上类型节点的图。本申请实施例所指的用户信息异构图则是指至少包含有用户、商品信息两种节点的图，商品信息则是指商品ID、商品标识、商品名称等可区别商品的信息。相应地，第一边指示的不同用户之间的关联是指不同用户之间的相似关系，在电子商务领域，用户的相似关系可以基于两个用户历史行为(如点击、收藏、购买商品等)的相似度计算，例如，如果两个用户均购买的某一商品超过一定数目，可以在用户间建立一条第一边，表示这两个用户购买商品偏好比较相似。第二边指示的用户与商品信息的关联是指用户的历史行为涉及该商品，例如，如果用户点击或购买过一些商品，则在用户与对应的商品信息之间建立第二边，用以表示用户购买该商品的倾向，即用户为购买或消费该商品的用户。

如图2a所示，在一个优选的实施例中提供了一种用户信息异构图，具有用户u、商品信息i两种类型节点；其中，用户节点具有多个，包括u1、u2、u3、u4、u5等，用于标识或表示用户曾经曾购买、点击或收藏等的商品信息也有多个，分别为i1、i2、i3、i4等；第一边u1u2、u2u5、u3u6、u4u5等表示不同用户之间用户购买或者具有购买倾向的商品数量至设定阈值(如1个、2个等)；第二边u1i1、u2i1、u3i2等表示了用户购买或者具有购买倾向的商品。具体地，以用户节点u2为例进行说明，由于用户u2购买或者倾向购买商品i1，因而用户u2与商品i1之间具有第二边u2i1，同时，由于用户u2与用户u1均购买或倾向购买商品i1，故而用户u2与用户u1之间具有相似关系，因而具有第一边u1u2。

可以理解的是，由于商品信息(如手机)具有可以用于描述该商品信息的商品属性信息，如颜色、品牌、型号等商品属性信息，因而在构建用户信息异构图的过程中，可以根据用户、将商品信息、商品属性信息等多种信息构建用户信息异构图，以使得可以基于更多种信息实现用户画像构建模型的建立，更全面、立体地、准确地构建用户画像。

在一种可选的实施方式中，所述用户信息异构图的节点还包括：用于描述所述商品信息的商品属性信息节点；所述用户信息异构图的第三边指示了所述商品属性信息与所述商品信息之间的关联。

具体地，参见图2b，在一个优选的实施例中构建的用户信息异构图的节点包括：用户节点u、商品信息节点i、商品属性信息节点t三种类型；其中，用户节点具有多个，包括u1、u2、u3、u4、u5等，用于标识或表示用户曾经曾购买、点击或收藏等的商品信息也有多个，分别为i1、i2、i3、i4等，用于描述商品信息的商品属性信息包括t1、t2、t3、t4等；第一边u1u2、u2u5、u3u6、u4u5等表示不同用户之间用户购买或者具有购买倾向的商品数量至设定阈值(如1个、2个等)；第二边u1i1、u2i1、u3i2等表示了用户购买或者具有购买倾向的商品；第三边i1t1、i1t2、i2t2等表示了商品信息具有的商品属性信息。具体地，以用户节点u2为例进行说明，由于用户u2购买或者倾向购买商品i1，因而用户u2与商品i1之间具有第二边u2i1；同时，由于用户u2与用户u1均购买或倾向购买商品i1，故而用户u2与用户u1之间具有相似关系，因而具有第一边u1u2；由于商品信息i1具有t1、t2两种商品属性信息，因商品信息i1同时具有第三边i1t1、i1t2。

步骤S102，根据所述用户节点、所述商品信息节点、所述第一边、所述第二边，基于图神经网络，训练得到用于构建用户画像的用户画像构建模型。

在一种可选的实施方式中，所述图神网络包括：用户信息输入层、商品信息表示层、第一用户表示层、第二用户表示层、用户画像构建层；其中，所述用户信息输入层，用于获取所述用户信息异构图，以获取所述用户节点、所述商品信息节点、所述第一边、所述第二边；所述用户信息表示层，用于生成表示所述商品信息节点的特征的商品信息向量；所述第一用户表示层，用于根据所述商品信息向量、所述第二边，生成表示所述用户节点的特征的第一用户向量；所述第二用户表示层，用于根据所述第一用户向量、所述第一边，生成表示所述用户节点的特征的第二用户向量；所述用户画像构建层，用于根据所述第二用户向量，构建所述用户节点的用户画像。

具体地，参见图2a及图2c，图神经网络(如图2c所示)的用户信息输入层在接收到图2a所示的用户信息异构图后，获取用户信息异构图指示的u1、u2、u3、u4、u5等用户节点，i1、i2、i3、i4等商品信息节点，t1、t2、t3、t4等商品属性信息节点，以及第一边u1u2、u2u5、u3u6、u4u5等，第二边u1i1、u2i1、u3i2等，第三边。商品信息表示层用于将每一个商品信息表示为由多个实数构成的低维向量，例如商品信息i1对应的商品信息向量可以是一个长度为T的低维向量：s＝[s

在一种可选的实施方式中，在所述用户信息异构图的节点还包括：用于描述所述商品信息的商品属性信息节点；所述用户信息异构图的第三边指示了所述商品属性信息与所述商品信息之间的关联的情况下，所述图神经网络还包括：商品属性信息表示层；其中，所述商品属性信息表示层，用于生成表示所述商品属性信息节点的特征的商品属性信息向量；所述用户信息表示层，用于根据所述商品属性信息向量、所第三边，生成表示所述商品信息节点的特征的商品信息向量。

参见图2b及图2d，图神经网络(如图2d所示)的用户信息输入层在接收到图2b所示的用户信息异构图后，获取用户信息异构图指示的u1、u2、u3、u4等用户节点，i1、i2、i3、i4等商品信息节点，以及第一边u1u2、u2u5、u3u6、u4u5等，第二边u1i1、u2i1、u3i2等，第三边i1t1、i1t2、i2t2等。商品属性信息表示层用于将每一个商品属性信息表示为由多个实数构成的低维向量，例如商品属性信息t1对应的商品属性信息向量可以是一个长度为T的低维向量：e＝[e

更进一步地，所述用户信息异构图中的用户节点中的第一用户节点具有用户画像标签，所述用户信息异构图中的用户节点中的第二用户节点不具有用户画像标签，根据所述第一用户节点、所述第二用户节点、所述商品信息节点、所述第一边、所述第二边，基于图神经网络，训练得到用于构建用户画像的用户画像构建模型。具体地，通过将构建的用户画像与一致的用户画像标签进行对比，并通过交叉熵计算损失函数，从而对图神经网络中的用户信息输入层、商品信息表示层、第一用户表示层、第二用户表示层、用户画像构建层等的参数进行训练优化。如此，可以基于训练后的用户画像构建模型，构建用户信息异构图中每一个用户的用户画像。

参见图3，在一个优选的实施例中提供了一种含有新用户的用户信息异构图。具体地，以用户u1、u2、u5和u7的用户画像分别为男性、男性、女性和女性为例进行说明。在用户画像构建过程中，我们把用户u2和u7的画像看成未知的。对于u1和u2两个用户，均购买过商品i1和i3，购买习惯相似，基于此模型构建的用户u2的用户画像为男性。对于u5和u7两个用户，只购买过一个相同的商品i5。由于i5和i6这两个商品被女性用户u7购买，因此它们可能是更偏女性的商品，进而对应的商品属性t6和t7，也更可能偏向女性。由于商品i4包括属性t6，因此判断商品i4更偏女性，基于商品i5和i4都更偏女性的特征，构建用户u5的用户画像为女性。与此同时，若模型构建的u2和u7对应的用户画像与已知的用户画像不一致，则基于算是函数继续对用户画像构建模型进行优化。

步骤S103，将待构建用户相关的商品信息添加至所述用户信息异构图，使用所述用户画像构建模型，构建所述待构建用户的用户画像。

可以理解的是，基于用户信息异构图学习后得到的用户画像构建模型，可以实现用户信息异构图中用户对应的用户画像的构建。因此，在需要构建新用户的用户画像时，需要将新用户及对应的商品信息、商品属性信息等作为节点添加用户信息异构图中，同时构建对应的第一边、第二边、第三边等用以构建，然后基于含有新用户的用户信息异构图构建新用户的用户画像。

上述发明中具有如下优点或有益效果：由于采用具有多种节点的用户信息异构图的节点及边表示用户、商品信息、不同用户之间的相似度、用户与商品信息对应的关系等多种数据，并通过图神经网络对用户信息异构图的节点及边进行学习，用以获取用户画像构建模型；不仅实现了对多种数据的同时建模，又避免了人工设计多种数据混合方法或人工设计特征的问题，且不需要大量的数据标签，实现了快速、高效、低成本用户画像的构建。

参见图4，在上述实施例的基础上，提供了一种构建用户画像的装置400，其特征在于，包括：异构图获取模块401、构建模型获取模块402、用户画像构建模块403；其中，

所述异构图获取模块401，用于获取用户信息异构图，所述用户信息异构图的节点包括用户节点、与所述用户相关的商品信息节点，所述用户信息异构图的第一边指示了不同的所述用户之间的关联、所述用户信息异构图的第二边指示了所述用户与所述商品信息之间的关联；所述构建模型模获取模块402，用于根据所述用户节点、所述商品信息节点、所述第一边、所述第二边，基于图神经网络，训练得到用于构建用户画像的用户画像构建模型；所述用户画像构建模块403，用于将待构建用户相关的商品信息添加至所述用户信息异构图，使用所述用户画像构建模型，构建所述待构建用户的用户画像。

在一种可选的实施方式中，所述图神经网络包括：用户信息输入层、商品信息表示层、第一用户表示层、第二用户表示层、用户画像构建层；其中，所述用户信息输入层，用于获取所述用户信息异构图，以获取所述用户节点、所述商品信息节点、所述第一边、所述第二边；所述用户信息表示层，用于生成表示所述商品信息节点的特征的商品信息向量；所述第一用户表示层，用于根据所述商品信息向量、所述第二边，生成表示所述用户节点的特征的第一用户向量；所述第二用户表示层，用于根据所述第一用户向量、所述第一边，生成表示所述用户节点的特征的第二用户向量；所述用户画像构建层，用于根据所述第二用户向量，构建所述用户节点的用户画像。

在一种可选的实施方式中，所述用户信息异构图的节点还包括：用于描述所述商品信息的商品属性信息节点；所述用户信息异构图的第三边指示了所述商品属性信息与所述商品信息之间的关联。

在一种可选的实施方式中，所述图神经网络还包括：商品属性信息表示层；其中，所述商品属性信息表示层，用于生成表示所述商品属性信息节点的特征的商品属性信息向量；所述用户信息表示层，用于根据所述商品属性信息向量、所第三边，生成表示所述商品信息节点的特征的商品信息向量。

在一种可选的实施方式中，所述用户信息异构图中的用户节点中的第一用户节点具有用户画像标签，所述用户信息异构图中的用户节点中的第二用户节点不具有用户画像标签；所述构建模型获取模块402，还用于根据所述第一用户节点、所述第二用户节点、所述商品信息节点、所述第一边、所述第二边，基于图神经网络，训练得到用于构建用户画像的用户画像构建模型。

图5示出了可以应用本发明实施例的构建用户画像方法或构建用户画像装置的示例性系统架构500。

如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(构建的用户画像)反馈给终端设备。

需要说明的是，本发明实施例所提供的构建用户画像方法一般由服务器505执行，相应地，构建用户画像装置一般设置于服务器505中。

应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括异构图获取模块、构建模型获取模块、用户画像构建模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，异构图获取模块还可以被描述为“获取用户信息异构图的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括获取用户信息异构图，所述用户信息异构图的节点包括用户节点、与所述用户相关的商品信息节点，所述用户信息异构图的第一边指示了不同的所述用户之间的关联、所述用户信息异构图的第二边指示了所述用户与所述商品信息之间的关联；根据所述用户节点、所述商品信息节点、所述第一边、所述第二边，基于图神经网络，训练得到用于构建用户画像的用户画像构建模型；将待构建用户相关的商品信息添加至所述用户信息异构图，使用所述用户画像构建模型，构建所述待构建用户的用户画像。

根据本发明实施例的技术方案，由于采用具有多种节点的用户信息异构图的节点及边表示用户、商品信息、不同用户之间的相似度、用户与商品信息对应的关系等多种数据，并通过图神经网络对用户信息异构图的节点及边进行学习，用以获取用户画像构建模型；不仅实现了对多种数据的同时建模，又避免了人工设计多种数据混合方法或人工设计特征的问题，且不需要大量的数据标签，实现了快速、高效、低成本用户画像的构建。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。