一种基于面向用户多关系信息网络的商品推荐方法及系统技术方案

本发明专利技术涉及一种基于面向用户多关系信息网络的商品推荐方法及系统。该方法包括：获取推荐场景；获取待预测用户；根据所述推荐场景，利用图卷积方法和注意力机制，获取所述待预测用户的用户特征；获取待推荐商品的商品特征；所述商品特征为所述待推荐商品的多个特征信息；根据所述待预测用户的用户特征和所述待推荐商品的商品特征，获取所述待预测用户对所述待推荐商品的得分；判断所述待预测用户对所述待推荐商品的得分是否大于预先给定的得分阈值；如果是，将所述待推荐商品推荐至所述待预测用户；如果否，不将所述待推荐商品推荐至所述待预测用户。本发明专利技术可以实现商品的准确推荐。

【技术实现步骤摘要】
一种基于面向用户多关系信息网络的商品推荐方法及系统
本专利技术涉及推荐系统领域，特别是涉及一种基于面向用户多关系信息网络的商品推荐方法及系统。
技术介绍
推荐系统是根据用户的历史消费记录来预测用户的兴趣偏好，从而对用户进行商品或服务推荐的系统。多数的推荐系统在进行推荐时，只是将用户看作孤立的个体，而忽视了用户与用户之间的关系，导致商品推荐或服务推荐的准确度低。事实上，用户与用户存在多种不同类型的关系，考虑到这些关系会使得推荐服务更加准确。
技术实现思路
本专利技术的目的是提供一种基于面向用户多关系信息网络的商品推荐方法及系统，以实现商品的准确推荐。为实现上述目的，本专利技术提供了如下方案：一种基于面向用户多关系信息网络的商品推荐方法，包括：获取推荐场景；所述推荐场景包括用户集合、用户特征信息矩阵、用户关系图、商品集合、商品特征信息矩阵和用户与商品的交互矩阵；所述用户特征信息矩阵为每个用户对应的多个特征信息组成的矩阵；所述商品特征信息矩阵为每个商品对应的多个特征信息组成的矩阵；所述用户关系图为用户之间的本文档来自技高网...

【技术保护点】
1.一种基于面向用户多关系信息网络的商品推荐方法，其特征在于，包括：/n获取推荐场景；所述推荐场景包括用户集合、用户特征信息矩阵、用户关系图、商品集合、商品特征信息矩阵和用户与商品的交互矩阵；所述用户特征信息矩阵为每个用户对应的多个特征信息组成的矩阵；所述商品特征信息矩阵为每个商品对应的多个特征信息组成的矩阵；所述用户关系图为用户之间的多关系信息网络；/n获取待预测用户；/n根据所述推荐场景，利用图卷积方法和注意力机制，获取所述待预测用户的用户特征；所述待预测用户的用户特征融合了所述待预测用户的邻居用户的特征信息；/n获取待推荐商品的商品特征；所述商品特征为所述待推荐商品的多个特征信息；/n根...

【技术特征摘要】
1.一种基于面向用户多关系信息网络的商品推荐方法，其特征在于，包括：
获取推荐场景；所述推荐场景包括用户集合、用户特征信息矩阵、用户关系图、商品集合、商品特征信息矩阵和用户与商品的交互矩阵；所述用户特征信息矩阵为每个用户对应的多个特征信息组成的矩阵；所述商品特征信息矩阵为每个商品对应的多个特征信息组成的矩阵；所述用户关系图为用户之间的多关系信息网络；
获取待预测用户；
根据所述推荐场景，利用图卷积方法和注意力机制，获取所述待预测用户的用户特征；所述待预测用户的用户特征融合了所述待预测用户的邻居用户的特征信息；
获取待推荐商品的商品特征；所述商品特征为所述待推荐商品的多个特征信息；
根据所述待预测用户的用户特征和所述待推荐商品的商品特征，获取所述待预测用户对所述待推荐商品的得分；
判断所述待预测用户对所述待推荐商品的得分是否大于预先给定的得分阈值；
当所述待预测用户对所述待推荐商品的得分大于预先给定的得分阈值时，将所述待推荐商品推荐至所述待预测用户；
当所述待预测用户对所述待推荐商品的得分不大于预先给定的得分阈值时，不将所述待推荐商品推荐至所述待预测用户。


2.根据权利要求1所述的基于面向用户多关系信息网络的商品推荐方法，其特征在于，所述根据所述推荐场景，利用图卷积方法和注意力机制，获取所述待预测用户的用户特征，之前还包括：
获取第一转换矩阵；
利用所述第一转换矩阵对所述用户特征信息矩阵进行降维，得到降维后的用户特征信息矩阵；
根据所述关系类型集合构建关系类型矩阵；所述关系类型矩阵的第i行为第i个关系类型对应的one-hot向量；第i个关系类型对应的one-hot向量中第i个维度的数值为1，其余维度的数值为0；
获取第二转换矩阵；
利用所述第二转换矩阵对所述关系类型矩阵进行降维，得到降维后的关系类型矩阵；所述降维后的关系类型矩阵的列数与所述降维后的用户特征信息矩阵的列数相等；
获取第三转换矩阵；
利用所述第三转换矩阵对所述商品特征信息矩阵进行降维，得到降维后的商品特征信息矩阵。


3.根据权利要求1所述的基于面向用户多关系信息网络的商品推荐方法，其特征在于，所述根据所述推荐场景，利用图卷积方法和注意力机制，获取所述待预测用户的用户特征，具体包括：
对于第i次迭代，利用公式获取每个用户当前迭代即第i次迭代的用户特征；其中，F(i)(j)为第j个用户当前迭代的用户特征；A为激活函数；Wi为当前迭代的权重矩阵；F(i-1)(j)为第j个用户前一次迭代即第i-1次迭代的用户特征；nei(j)为第j个用户的邻居用户集合；att(j,aj)为第j个用户与邻居用户aj之间的注意力权重；为第j个用户与邻居用户aj之间的关系类型；为第j个用户与邻居用户aj之间的关系类型的特征向量；F(i-1)(aj)为邻居用户aj前一次迭代的用户特征信息；
判断当前迭代次数是否到达最大迭代次数；
若当前迭代次数到达最大迭代次数，将当前迭代的所述待预测用户的用户特征确定为最终所述待预测用户的用户特征；
若当前迭代次数未到达最大迭代次数，更新当前迭代次数，返回利用公式获取每个用户当前迭代的用户特征的步骤，进入下一次迭代。


4.根据权利要求2所述的基于面向用户多关系信息网络的商品推荐方法，其特征在于，所述根据所述待预测用户的用户特征和所述待推荐商品的商品特征，获取所述待预测用户对所述待推荐商品的得分，具体包括：
利用公式获取所述待预测用户对所述待推荐商品的得分；其中，为所述待预测用户对所述待推荐商品的得分；σ为sigmoid函数；wp为转换矩阵；||为向量拼接操作；F(t)(u*)为待预测用户u*的用户特征；M(v*)为待推荐商品v*的商品特征。


5.根据权利要求1所述的基于面向用户多关系信息网络的商品推荐方法，其特征在于，所述预先给定的得分阈值为0.5。


6.一种基于面向用户多关系信息网络的商品推荐系统，其特征在于，包括：
推荐场景获取模块，用...

【专利技术属性】
技术研发人员：杨博，李岸宸，于东然，张春旭，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22