基于异质信息网络的推荐评分方法、装置制造方法及图纸

本发明专利技术实施例提供了一种基于异质信息网络的推荐评分方法及装置，该方法包括：确定多个样本用户中的目标用户，并确定多个样本商品中的目标商品；获取针对目标用户的第一相似度向量和针对目标商品的第二相似度向量；获取针对目标用户的第三相似度向量和针对目标商品的第四相似度向量；将针对目标用户的第一相似度向量、第三相似度向量以及针对目标商品的第二相似度向量、第四相似度向量输入推荐网络模型，得到目标用户对目标商品的预测评分值。从而不仅考虑了用户与商品的历史购买信息，还考虑了商品的属性信息以及用户对商品属性的偏好，能够实现更加准确的预测用户对商品的预测评分。

【技术实现步骤摘要】
基于异质信息网络的推荐评分方法、装置
本专利技术涉及深度学习
，特别是涉及一种基于异质信息网络的推荐评分方法、装置。
技术介绍
随着电子商务的发展，互联网公司能够提供大量的商品供用户选择，用户面对大量的商品很难做出选择。目前，主要使用推荐系统帮助用户进行选择。其中，推荐系统是使用深度学习的方法，利用用户对商品的历史购买信息对神经网络模型进行训练得到的系统。利用推荐系统为用户推荐商品时，对于每个候选商品，将该用户对不同商品的购买信息输入推荐系统，进而得到该用户对该候选商品的评分值，该评分值表示用户对商品的购买期望。推荐系统将评分值较高的候选商品推荐给用户。由上可见，向用户推荐商品时，对候选商品的评分值起着重要的作用。目前的推荐系统仅是利用用户对商品的历史购买信息进行训练得到的。而用户对商品的历史购买信息不能全面地反映商品特征以及用户对各个商品特征的偏好，因此，采用现有技术中的推荐系统对候选商品的评分并不准确。
技术实现思路
本专利技术实施例的目的在于提供一种基于异质信息网络的推荐评分方法及装置，以提高预测用户对商品的评分的准确性。具体技术方案如下：为了提高预测用户对商品的评分的准确性，本专利技术实施例提供了一种基于异质信息网络的推荐评分方法，所述方法包括：确定多个样本用户中的目标用户，并确定多个样本商品中的目标商品；获取针对所述目标用户的第一相似度向量和针对所述目标商品的第二相似度向量，所述第一相似度向量和所述第二相似度向量是基于所述异质信息网络中第一类边确定的；获取针对所述目标用户的第三相似度向量和针对所述目标商品的第四相似度向量，所述第三相似度向量是和所述第四相似度向量是基于所述异质信息网络中第一类边和第二类边确定的；将针对所述目标用户的第一相似度向量、第三相似度向量以及针对所述目标商品的第二相似度向量、第四相似度向量输入推荐网络模型，得到所述目标用户对所述目标商品的预测评分值；其中，所述推荐网络模型为根据训练集训练得到的，所述训练集包括：针对每个样本用户的第一相似度向量、第三相似度向量以及针对每个样本商品的第二相似度向量、第四相似度向量以及多个样本用户对多个样本商品的真实评分值。可选的，所述推荐网络模型包括第一神经网络模型、第二神经网络模型、第三神经网络模型、第四神经网络模型；所述将针对所述目标用户的第一相似度向量、第三相似度向量以及针对所述目标商品的第二相似度向量、第四相似度向量输入推荐网络模型，得到所述目标用户对所述目标商品的预测评分值，包括：将针对所述目标用户的第一相似度向量输入第一神经网络模型，得到第一特征向量；将针对所述目标商品的第二相似度向量输入第二神经网络模型，得到第二特征向量；将针对所述目标用户的第三相似度向量输入第三神经网络模型，得到第三特征向量；将针对所述目标商品的第四相似度向量输入第四神经网络模型，得到第四特征向量；将所述第一特征向量、第二特征向量、第三特征向量以及第四特征向量进行融合处理，得到融合特征向量；通过预设激活函数处理所述融合特征向量，得到所述目标用户对所述目标商品的预测评分值。可选的，样本商品的属性因子有预设数量种，所述第三相似度向量、所述第四相似度向量的数量均与所述预设数量相同，所述第三神经网络模型、所述第四神经网络模型的数量均与所述预设数量相同。可选的，所述第一相似度向量、所述第二相似度向量、所述第三相似度向量以及所述第四相似度向量是采用预设算法计算得到；所述预设算法包括：pathsim算法、simrank算法以及hetesim算法中的一种或多种。可选的，所述推荐网络模型采用以下步骤训练获得：获取预设的神经网络模型和所述训练集；将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入所述神经网络模型，得到多个样本用户对多个样本商品的预测评分值；根据得到的预测评分值和所述训练集中包括的真实评分值，确定损失值；根据所述损失值确定所述神经网络模型是否收敛；若否，则调整所述神经网络模型中的参数值，并返回将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入所述神经网络模型，得到多个样本用户对多个样本商品的预测评分值的步骤；若是，则将当前的神经网络模型确定为推荐网络模型。可选的，所述方法还包括：判断所述目标用户对所述目标商品的预测评分值是否达到阈值；若是，则将所述目标商品推荐给所述目标用户。为了提高预测用户对商品的评分的准确性，本专利技术实施例提供了一种基于异质信息网络的推荐评分装置，所述装置包括：确定模块，用于确定多个样本用户中的目标用户，并确定多个样本商品中的目标商品；第一获取模块，用于获取针对所述目标用户的第一相似度向量和针对所述目标商品的第二相似度向量，所述第一相似度向量和所述第二相似度向量是基于所述异质信息网络中第一类边确定的；第二获取模块，用于获取针对所述目标用户的第三相似度向量和针对所述目标商品的第四相似度向量，所述第三相似度向量是和所述第四相似度向量是基于所述异质信息网络中第一类边和第二类边确定的；预测模块，用于将针对所述目标用户的第一相似度向量、第三相似度向量以及针对所述目标商品的第二相似度向量、第四相似度向量输入推荐网络模型，得到所述目标用户对所述目标商品的预测评分值。可选的，所述预测模块，具体用于：将针对所述目标用户的第一相似度向量输入第一神经网络模型，得到第一特征向量；将针对所述目标商品的第二相似度向量输入第二神经网络模型，得到第二特征向量；将针对所述目标用户的第三相似度向量输入第三神经网络模型，得到第三特征向量；将针对所述目标商品的第四相似度向量输入第四神经网络模型，得到第四特征向量；将所述第一特征向量、第二特征向量、第三特征向量以及第四特征向量进行融合处理，得到融合特征向量；通过预设激活函数处理所述融合特征向量，得到所述目标用户对所述目标商品的预测评分值。可选的，样本商品的属性因子有预设数量种，所述第三相似度向量、所述第四相似度向量的数量均与所述预设数量相同，所述第三神经网络模型、所述第四神经网络模型的数量均与所述预设数量相同。可选的，所述第一相似度向量、所述第二相似度向量、所述第三相似度向量以及所述第四相似度向量是采用预设算法计算得到；所述预设算法包括：pathsim算法、simrank算法以及hetesim算法中的一种或多种。可选的，所述装置还包括：训练模块，用于训练所述推荐网络模型；所述训练模块，具体用于：获取预设的神经网络模型和所述训练集；将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入所述神经网络模型，得到多个样本用户对多个样本商品的预测评分值；根据得到的预测评分值和所述训练集中包括的真实评分值，确定损失值；根据所述损失值确定所述神经网络模型是否收敛；若否，则调整所述神经网络模型中的参数值，并返回将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似度向量、针对多个样本商品的第四相似度向量输入所述神经网络模型，得到多个样本用户对多个样本文档来自技高网...

【技术保护点】
1.一种基于异质信息网络的推荐评分方法，其特征在于，所述异质信息网络中的节点包括样本用户、样本商品和属性因子，所述异质信息网络中的边包括连接样本用户和样本商品的第一类边、以及连接样本商品和属性因子的第二类边，所述第一类边用于指示样本商品为样本用户的历史购买商品，所述第二类边用于指示样本商品的属性因子与节点的属性因子匹配；所述方法包括：确定多个样本用户中的目标用户，并确定多个样本商品中的目标商品；获取针对所述目标用户的第一相似度向量和针对所述目标商品的第二相似度向量，所述第一相似度向量和所述第二相似度向量是基于所述异质信息网络中第一类边确定的；获取针对所述目标用户的第三相似度向量和针对所述目标商品的第四相似度向量，所述第三相似度向量和所述第四相似度向量是基于所述异质信息网络中第一类边和第二类边确定的；将针对所述目标用户的第一相似度向量、第三相似度向量以及针对所述目标商品的第二相似度向量、第四相似度向量输入推荐网络模型，得到所述目标用户对所述目标商品的预测评分值；其中，所述推荐网络模型为根据训练集训练得到的，所述训练集包括：针对每个样本用户的第一相似度向量、第三相似度向量以及针对每个样本商品的第二相似度向量、第四相似度向量以及多个样本用户对多个样本商品的真实评分值。...

【技术特征摘要】
1.一种基于异质信息网络的推荐评分方法，其特征在于，所述异质信息网络中的节点包括样本用户、样本商品和属性因子，所述异质信息网络中的边包括连接样本用户和样本商品的第一类边、以及连接样本商品和属性因子的第二类边，所述第一类边用于指示样本商品为样本用户的历史购买商品，所述第二类边用于指示样本商品的属性因子与节点的属性因子匹配；所述方法包括：确定多个样本用户中的目标用户，并确定多个样本商品中的目标商品；获取针对所述目标用户的第一相似度向量和针对所述目标商品的第二相似度向量，所述第一相似度向量和所述第二相似度向量是基于所述异质信息网络中第一类边确定的；获取针对所述目标用户的第三相似度向量和针对所述目标商品的第四相似度向量，所述第三相似度向量和所述第四相似度向量是基于所述异质信息网络中第一类边和第二类边确定的；将针对所述目标用户的第一相似度向量、第三相似度向量以及针对所述目标商品的第二相似度向量、第四相似度向量输入推荐网络模型，得到所述目标用户对所述目标商品的预测评分值；其中，所述推荐网络模型为根据训练集训练得到的，所述训练集包括：针对每个样本用户的第一相似度向量、第三相似度向量以及针对每个样本商品的第二相似度向量、第四相似度向量以及多个样本用户对多个样本商品的真实评分值。2.根据权利要求1所述的方法，其特征在于，所述推荐网络模型包括第一神经网络模型、第二神经网络模型、第三神经网络模型、第四神经网络模型；所述将针对所述目标用户的第一相似度向量、第三相似度向量以及针对所述目标商品的第二相似度向量、第四相似度向量输入推荐网络模型，得到所述目标用户对所述目标商品的预测评分值，包括：将针对所述目标用户的第一相似度向量输入第一神经网络模型，得到第一特征向量；将针对所述目标商品的第二相似度向量输入第二神经网络模型，得到第二特征向量；将针对所述目标用户的第三相似度向量输入第三神经网络模型，得到第三特征向量；将针对所述目标商品的第四相似度向量输入第四神经网络模型，得到第四特征向量；将所述第一特征向量、第二特征向量、第三特征向量以及第四特征向量进行融合处理，得到融合特征向量；通过预设激活函数处理所述融合特征向量，得到所述目标用户对所述目标商品的预测评分值。3.根据权利要求1或2所述的方法，其特征在于，样本商品的属性因子有预设数量种，所述第三相似度向量、所述第四相似度向量的数量均与所述预设数量相同，所述第三神经网络模型、所述第四神经网络模型的数量均与所述预设数量相同。4.根据权利要求1所述的方法，其特征在于，所述第一相似度向量、所述第二相似度向量、所述第三相似度向量以及所述第四相似度向量是采用预设算法计算得到；所述预设算法包括：pathsim算法、simrank算法以及hetesim算法中的一种或多种。5.根据权利要求1所述的方法，其特征在于，所述推荐网络模型采用以下步骤训练获得：获取预设的神经网络模型和所述训练集；将针对多个样本用户的第一相似度向量、针对多个样本商品的第二相似度向量、针对多个样本用户的第三相似...

【专利技术属性】
技术研发人员：石川，韩霄天，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11