基于异构信息网络的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基于异构信息网络的推荐方法及装置，通过根据所述异构信息网络，获得若干个用户‑项目相似性矩阵，将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵，再根据所述用户因子矩阵和项目因子矩阵，构造样本的特征向量，基于所述样本的特征向量通过因子分解机模型构造用户‑项目评分方程，然后构造目标方程，通过对所述目标方程进行优化获得所述用户‑项目评分方程的参数，从而预测用户对每一项目的评分，将所述评分符合预设条件的项目推荐给所述用户，本方案通过结合矩阵分解和因子分解机，解决了现有技术没有充分利用隐性特征的联系性问题，充分融合不同的语义信息，从而向用户推荐有用的商品。

【技术实现步骤摘要】
基于异构信息网络的推荐方法及装置
本专利技术涉及数据挖掘领域，尤其涉及一种基于异构信息网络的推荐方法及装置。
技术介绍
随着现代社会的发展，大型的商业推荐系统中的实体的类型越来越丰富。例如，在亚马逊的商务系统中，产品分为各种不同的类别及其包含的各种信息，比如不同的品牌以及用户对产品的评价。因此，在实际的生活中，我们需要在推荐系统中考虑不同信息所包含的丰富语义。现有技术通常采用异构信息网络中的元路径来分析不同实体类型之间的语义联系性，从而向用户推荐有用的商品。但是，通过元路径分析用户-物品或用户-用户相似性的方法存在语义覆盖不全面的问题。例如，如图1所示的异构信息网络中，当采用路径用户-评价-方面-评价-用户获取用户之间的相似性时，由于两个用户都对海鲜进行了评价，因此可以得到一种联系性。但是，上述路径并未覆盖两个用户对同样的商铺进行评价、在同一城市的联系性，因此，现有技术通过元路径进行语义分析的方案并不能完整覆盖各种相似性，从而不能推荐符合用户需求的商品。再者，通过元路径的方法获得相似性矩阵后，再认知不同路径的权重，从而将不同路径获得的相似性进行融合。但是，这种融合方式没有充分考虑每条本文档来自技高网...

【技术保护点】
一种基于异构信息网络的推荐方法，其特征在于，包括步骤：获取多个实体的信息构建异构信息网络；其中，所述异构信息网络中的节点与实体一一对应；根据所述异构信息网络，获得若干个用户‑项目相似性矩阵，将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵；其中，所述用户因子矩阵包括用户的隐性特征，所述项目因子矩阵包括项目的隐性特征；根据所述用户因子矩阵和项目因子矩阵，构造样本的特征向量，基于所述样本的特征向量通过因子分解机模型构造用户‑项目评分方程；其中，所述样本包括任一用户和任一项目，所述样本的特征向量包括任一用户的隐性特征和任一项目的隐性特征；根据已知评分的样本以及所述用户‑项目评分方程，构造目...

【技术特征摘要】
1.一种基于异构信息网络的推荐方法，其特征在于，包括步骤：获取多个实体的信息构建异构信息网络；其中，所述异构信息网络中的节点与实体一一对应；根据所述异构信息网络，获得若干个用户-项目相似性矩阵，将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵；其中，所述用户因子矩阵包括用户的隐性特征，所述项目因子矩阵包括项目的隐性特征；根据所述用户因子矩阵和项目因子矩阵，构造样本的特征向量，基于所述样本的特征向量通过因子分解机模型构造用户-项目评分方程；其中，所述样本包括任一用户和任一项目，所述样本的特征向量包括任一用户的隐性特征和任一项目的隐性特征；根据已知评分的样本以及所述用户-项目评分方程，构造目标方程，通过对所述目标方程进行优化获得所述用户-项目评分方程的参数；将所述用户-项目评分方程的参数代入所述用户-项目评分方程中，并根据所述样本的特征向量，预测用户对每一项目的评分，将所述评分符合预设条件的项目推荐给所述用户。2.如权利要求1所述的基于异构信息网络的推荐方法，其特征在于，根据所述异构信息网络，获得若干个对应的用户-项目相似性矩阵具体为：根据所述异构信息网络中各个实体的类别构造所述异构信息网络的概要图，将异构信息网络的概要图划分为若干个子图，每一所述子图对应一元图，分别计算每一元图的转移矩阵，从而获得每一所述元图对应的用户-项目相似性矩阵；其中，所述子图包括预设的实体类型；根据每一元图的转移矩阵，获得每一所述元图对应的用户-项目相似性矩阵。3.如权利要求2所述的基于异构信息网络的推荐方法，其特征在于，当任一所述元图包括一条路径时，通过将所述路径中每两个类型之间的邻接矩阵进行乘积运算获得所述元图的转移矩阵；当任一所述元图包括若干分支路径和公用路径，分别计算每一分支路径的转移矩阵，将所述分支路径的转移矩阵进行点积运算获得所述分支路径的总转移矩阵，将所述分支路径的总转移矩阵与所述公用路径中每两个类型之间的邻接矩阵进行乘积运算，从而获得所述元图的转移矩阵。4.如权利要求3所述的基于异构信息网络的推荐方法，其特征在于，将每一相似性矩阵进行矩阵分解获得用户因子矩阵和项目因子矩阵具体为：通过以下优化模型进行降维处理后获得所述用户因子矩阵和项目因子矩阵：其中，当Ω＝1时，[PΩ(X)]ij＝Xij，λu和λb是用于防止过拟合的L2范数正则化的超参数；U和B分别是用户因子矩阵和项目因子矩阵。5.如权利要求4所述的基于异构信息网络的推荐方法，其特征在于，通过以下公式构造样本的特征向量：其中，xn为样本n的特征向量，为用户i对应元图l的隐性特征向量，为项目j对应元图l的隐性特征向量。6.如权利要求5所述的基于异构信息网络的推荐方法，其特征在于，根据所述样本的特征向量及以下公式通过因子分解机模型构造用户-项目评分方程：其中，为所述用户-项目评分方程；w∈Rd为一级特征权重向量，V∈Rd×K为二级特征权重矩阵，用于表示互异特征向量之间的关系；d＝2LF为...

【专利技术属性】
技术研发人员：赵欢，姚权铭，宋阳秋，李迪麟，
申请(专利权)人：广州市香港科大霍英东研究院，
类型：发明
国别省市：广东,44