一种信息推荐方法及装置制造方法及图纸

本发明专利技术实施例公开了一种信息推荐方法及装置，其中，方法包括从社交关系网络中通过根据node2vec算法学习网络中各个用户的embedding特征向量来选取K个近邻用户，根据CNN算法从K个近邻用户生成的embedding特征矩阵中提取当前用户的潜在特征；根据潜在特征，利用预设的算法对历史信息评分矩阵进行迭代交替运算，获取当前用户的用户特征矩阵及信息特征矩阵；根据用户特征矩阵和/或所述信息特征矩阵，为当前用户进行信息推荐。有利于挖掘当前用户深层次的潜在特征，从而提高信息推荐的效率以及准确率。

【技术实现步骤摘要】
一种信息推荐方法及装置
本专利技术实施例涉及信息处理
，特别是涉及一种信息推荐方法及装置。
技术介绍
随着云计算及大数据技术的快速发展，数据呈现爆炸式增长。用户从海量信息中找到自己感兴趣的信息越来越难，为用户精准的推荐所需信息，成为本领域技术人员亟待解决的问题。现有的推荐系统，一般基于协调过滤算法，但是，随着用户群体的增加，商品数量以及信息的大幅增长，用户对商品行为数据极度稀疏，推荐系统的准确度较低。
技术实现思路
本专利技术实施例的目的是提供一种信息推荐方法及装置，以提高信息推荐的准确率。为解决上述技术问题，本专利技术实施例提供以下技术方案：本专利技术实施例一方面提供了一种信息推荐方法，包括：获取当前用户在待信息推荐系统中的社交关系网络，根据node2vec算法学习所述社交关系网络中包含的各个用户的embedding特征表达，以获取每个所述用户的embedding特征向量；根据所述社交关系网络中的用户总数设置KNN算法中的参数K值，根据所述K值及多个所述embedding特征向量，从各个所述用户中选取与所述当前用户关系满足预设条件的K个近邻用户，根据K个所述近邻用户的embedding特征向量生成embedding特征矩阵；利用CNN算法在所述embedding特征矩阵上学习所述社交关系网络的潜在特征；根据所述潜在特征，利用预设的算法对历史信息评分矩阵进行迭代交替运算，以获取所述当前用户的用户特征矩阵及信息特征矩阵，所述历史信息评分矩阵根据所述待信息推荐系统中多个用户的历史信息数据获取；根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐。可选的，所述根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐包括：根据所述用户特征矩阵及所述信息特征矩阵为所述当前用户的潜在信息进行评分预测；将满足预设阈值的所述评分值对应的潜在信息进行推荐。可选的，所述根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐包括：当检测到所述当前用户进入所述待信息推荐系统中时，根据所述用户特征矩阵为所述当前用户进行信息推荐。可选的，所述根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐包括：当检测到所述当前用户进入所述待信息推荐系统中时，根据所述用户特征矩阵以及所述信息特征矩阵为所述当前用户进行信息推荐。可选的，所述根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐包括：当检测到所述当前用户在所述待信息推荐系统中进行信息搜索或浏览信息时，根据所述当前用户的搜索信息、浏览信息以及所述信息特征矩阵为所述当前用户进行信息推荐。可选的，所述根据所述社交关系网络中的用户总数设置KNN算法中的参数K值为：所述K值不小于所述社交关系网络包含的用户总个数的1.5％，且不大于所述社交关系网络包含的用户总个数的2％。可选的，所述K值为所述社交关系网络包含的用户总个数的1.5％。可选的，所述信息为商品。可选的，所述根据所述K值及多个所述embedding特征向量，从各个所述用户中选取与所述当前用户关系满足预设条件的K个近邻用户包括：计算所述当前用户依次与各个所述用户的embedding特征向量的欧式距离；对多个所述欧式距离的值进行从小到大排序，前K个欧式距离值对应的K个用户为满足预设条件的K个所述近邻用户。本专利技术实施例另一方面提供了一种信息推荐装置，包括：社交关系网络获取模块，用于获取当前用户在待信息推荐系统中的社交关系网络，根据node2vec算法学习所述社交关系网络中包含的各个用户的embedding特征表达，以获取每个所述用户的embedding特征向量；近邻用户选取模块，用于根据所述社交关系网络中的用户总数设置KNN算法中的参数K值，根据所述K值及多个所述embedding特征向量，从各个所述用户中选取与所述当前用户关系满足预设条件的K个近邻用户，根据K个所述近邻用户的embedding特征向量生成embedding特征矩阵；CNN算法学习模块，用于利用CNN算法在所述embedding特征矩阵上学习所述社交关系网络的潜在特征；推荐参数生成模块，用于根据所述潜在特征，利用预设的算法对历史信息评分矩阵进行迭代交替运算，以获取所述当前用户的用户特征矩阵及信息特征矩阵，所述历史信息评分矩阵根据所述待信息推荐系统中多个用户的历史信息数据获取；信息推荐模块，用于根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐。本专利技术实施例提供了一种信息推荐方法，从社交关系网络中通过根据node2vec算法学习网络中各个用户的embedding特征向量来选取K个近邻用户，根据CNN算法从K个近邻用户生成的embedding特征矩阵中提取当前用户的潜在特征；根据潜在特征，利用预设的算法对历史信息评分矩阵进行迭代交替运算，获取当前用户的用户特征矩阵及信息特征矩阵；根据用户特征矩阵和/或所述信息特征矩阵，为当前用户进行信息推荐。本申请提供的技术方案的优点在于，由于社交关系网络的数据量大、稀疏性、结构复杂性等特点，在利用CNN算法对社交关系网络进行深层特征学习之前对根据node2vec算法及KNN算法从网络中选取K个近邻用户，只针对K个近邻用户构成的特征矩阵进行学习，减少了处理的数据量，且有利于挖掘当前用户深层次的潜在特征，从而提高信息推荐的效率以及准确率。此外，本专利技术实施例还针对信息推荐方法提供了相应的实现装置，进一步使得所述方法更具有实用性，所述装置具有相应的优点。附图说明为了更清楚的说明本专利技术实施例或现有技术的技术方案，下面将对实施例或现有技术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专利技术的一些实施例，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。图1为本专利技术实施例提供的一种信息推荐方法的流程示意图；图2为本专利技术实施例提供的K值对推荐准确率影响的示意图；图3为本专利技术实施例提供的DeepSoR方法的原理示意图；图4为本专利技术实施例提供的另一种信息推荐方法的流程示意图；图5为本专利技术实施例提供的信息推荐装置的一种具体实施方式结构图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。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”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，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，而是可包括没有列出的步骤或单元。本申请的专利技术人经过研究发现，用户行为和喜好与其社交关系网络极其类似，并受其社交关系的好友影响。为此，融合用户社交关系网络信息对用户进行信息和商品推荐具有很强的社会学意义。近年来，诸如Facebook、新浪微博、微信公众号等基于社交属性的信息传播平台的兴起，融合用户社交关本文档来自技高网...

【技术保护点】
一种信息推荐方法，其特征在于，包括：获取当前用户在待信息推荐系统中的社交关系网络，根据node2vec算法学习所述社交关系网络中包含的各个用户的embedding特征表达，以获取每个所述用户的embedding特征向量；根据所述社交关系网络中的用户总数设置KNN算法中的参数K值，根据所述K值及多个所述embedding特征向量，从各个所述用户中选取与所述当前用户关系满足预设条件的K个近邻用户，根据K个所述近邻用户的embedding特征向量生成embedding特征矩阵；利用CNN算法在所述embedding特征矩阵上学习所述社交关系网络的潜在特征；根据所述潜在特征，利用预设的算法对历史信息评分矩阵进行迭代交替运算，以获取所述当前用户的用户特征矩阵及信息特征矩阵，所述历史信息评分矩阵根据所述待信息推荐系统中多个用户的历史信息数据获取；根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐。

【技术特征摘要】
1.一种信息推荐方法，其特征在于，包括：获取当前用户在待信息推荐系统中的社交关系网络，根据node2vec算法学习所述社交关系网络中包含的各个用户的embedding特征表达，以获取每个所述用户的embedding特征向量；根据所述社交关系网络中的用户总数设置KNN算法中的参数K值，根据所述K值及多个所述embedding特征向量，从各个所述用户中选取与所述当前用户关系满足预设条件的K个近邻用户，根据K个所述近邻用户的embedding特征向量生成embedding特征矩阵；利用CNN算法在所述embedding特征矩阵上学习所述社交关系网络的潜在特征；根据所述潜在特征，利用预设的算法对历史信息评分矩阵进行迭代交替运算，以获取所述当前用户的用户特征矩阵及信息特征矩阵，所述历史信息评分矩阵根据所述待信息推荐系统中多个用户的历史信息数据获取；根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐。2.根据权利要求1所述的信息推荐方法，其特征在于，所述根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐包括：根据所述用户特征矩阵及所述信息特征矩阵为所述当前用户的潜在信息进行评分预测；将满足预设阈值的所述评分值对应的潜在信息进行推荐。3.根据权利要求1所述的信息推荐方法，其特征在于，所述根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐包括：当检测到所述当前用户进入所述待信息推荐系统中时，根据所述用户特征矩阵为所述当前用户进行信息推荐。4.根据权利要求1所述的信息推荐方法，其特征在于，所述根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐包括：当检测到所述当前用户进入所述待信息推荐系统中时，根据所述用户特征矩阵以及所述信息特征矩阵为所述当前用户进行信息推荐。5.根据权利要求1所述的信息推荐方法，其特征在于，所述根据所述用户特征矩阵和/或所述信息特征矩阵，为所述当前用户进行信息推荐包括：当检测到所述当前用户在所述待信息推荐系统中进行信息搜索或浏览信息时，根据所述当前用户的搜...

【专利技术属性】
技术研发人员：刘文印，范文琦，李青，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44