社交及消费联合推荐系统、方法、存储介质、计算机设备技术方案

本发明专利技术属于深度学习的应用之推荐系统技术领域，公开了一种社交及消费联合推荐系统、方法、存储介质、计算机设备，从评级矩阵R提取出消费偏好特征，从社交矩阵S提取出社交偏好特征，二者通过互惠图神经网络得出联合消费特征和联合社交特征，由此对用户潜在的消费和社交可能进行预测。所述社交及消费联合推荐系统包括：自注意力空间层、自注意力频谱层、互惠分析层、预测层。本发明专利技术解决了稀疏矩阵分解的局限性；自注意力模型的引入，充分考虑个体差异性，使得通过前两层提取的特征更贴合用户真实属性；互惠机制的引入，充分发挥了两大推荐系统原始信息的互作用性，提升了预测层推荐的准确性、召回率和NDCG指标。确性、召回率和NDCG指标。确性、召回率和NDCG指标。

【技术实现步骤摘要】
社交及消费联合推荐系统、方法、存储介质、计算机设备


[0001]本专利技术属于深度学习的应用之推荐系统
，尤其涉及一种社交及消费联合推荐系统、方法、存储介质、计算机设备。

技术介绍

[0002]目前：很多社会学研究表明，人们的消费行为和社交行为息息相关。然而，当前大多数研究要么只考虑社交对消费推荐的影响，要么探索用户关系的推荐，或者将其中一个推荐作为另一个推荐的辅助参考来提升准确率。只有极少数工作将社交和消费推荐作为一个共同的问题，而这些解决思路通常是基于矩阵分解和神经网络，然后简单地使用级联或加权和来汇总用户的消费和社交行为信息，使得二者的互作用关系不能充分得以表征，遗漏了很多潜在的推荐可能。
[0003]通过上述分析，现有技术存在的问题及缺陷为：
[0004](1)现有技术采用矩阵分解技术提取消费偏好特征和社交偏好特征，推荐系统不可避免地会遇到新用户推荐以及新数据入库的稀疏数据问题，然而，矩阵分解对于稀疏矩阵不敏感，通过矩阵分解提取的消费偏好特征或社交偏好特征，不能解决数据稀疏时的推荐问题；
[0005](2)现有联合推荐技术采用直接级联或加权级联的方式对上述过程提取的特征进行汇总和使用，研究表明，用户的消费行为容易受到其朋友的影响，同时，拥有相同消费行为的人也更容易建立社交联系，简单地使用级联或加权和来汇总特征不能充分体现二者的互作用性；
[0006](3)现有联合推荐技术忽视了个体主观认知差异性在推荐系统中的作用和影响，不同亲密度的友人对其消费行为的影响必然存在差异性，同时，对物品的不同喜爱程度也必然会影响其社交行为。如果不能将个体差异性考虑进去，预测结果准确性必然会受到影响。
[0007]解决以上问题及缺陷的难度为：
[0008](1)如何在充分提取消费特征和社交特征的同时解决矩阵稀疏性的问题；
[0009](2)如何合理的表征消费特征以及社交特征的互作用关系；
[0010](3)如何表征个性化差异并合理引入到联合推荐系统。
[0011]解决以上问题及缺陷的意义为：由上述分析可知，现有联合推荐系统的缺陷对推荐系统的准确性有极大的影响，因此，解决上述问题将进一步提升联合推荐系统的准确性。

技术实现思路

[0012]针对现有技术存在的问题，本专利技术提供了一种社交及消费联合推荐系统、方法、存储介质、计算机设备。
[0013]本专利技术是这样实现的，一种社交及消费联合推荐方法，所述社交及消费联合推荐方法包括：
[0014]图神经网络和自注意力机制从输入的评级矩阵R提取出消费偏好特征；
[0015]图卷积网络和自注意力机制从输入的社交矩阵S提取出社交偏好特征；
[0016]引入互惠图神经网络，类比生物界的共生机制，结合消费偏好特征和社交偏好特征得出联合消费特征和联合社交特征；
[0017]输入需要预测的用户、可能发生的消费物品以及可能建立关系的人的数据，对用户潜在的消费可能和社交可能进行预测。
[0018]进一步，所述图神经网络和自注意力机制从输入的评级矩阵R提取出消费偏好特征，首先将评级矩阵R转化为图神经网络；其次，从转换后的网络中分离两个non-Euclidean子图：物品偏好子图和用户偏好子图；接着分别从中提取物品偏好以及用户偏好特征；最后，合并二者为消费偏好特征。
[0019]进一步，所述图卷积网络和自注意力机制从输入的社交矩阵S提取出社交偏好特征，首先，构造一个正则化Laplacian矩阵；然后通过该矩阵的eigenvalue和eigenvector矩阵构造出频谱图卷积网络的卷积核，提取出每个人的社交特征；最后，聚合某个用户的所有朋友的社交特征，得出社交偏好特征。
[0020]进一步，所述结合消费偏好特征和社交偏好特征得出联合消费特征和联合社交特征，首先采用element wise方式，消费偏好特征和社交偏好特征对位相乘得到互惠特征，然后，消费偏好特征级联互惠特征得到联合消费特征，社交偏好特征级联互惠特征得到联合社交特征。
[0021]进一步，所述对用户潜在的消费可能和社交可能进行预测，联合消费特征与待预测的物品属性相乘得到概率，对所有待预测的物品概率进行递减排序，取top k作为预测结果，或者采用经验值0.5作为阈值，将大于0.5的消费概率均视为预测结果；同理，联合社交特征与待预测的人的属性相乘得到概率，最后取top k或大于阈值0.5的数据作为结果。
[0022]本专利技术的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
[0023]图神经网络和自注意力机制从输入的评级矩阵R提取出消费偏好特征；
[0024]图卷积网络和自注意力机制从输入的社交矩阵S提取出社交偏好特征；
[0025]引入互惠图神经网络，类比生物界的共生机制，结合消费偏好特征和社交偏好特征得出联合消费特征和联合社交特征；
[0026]输入需要预测的用户、可能发生的消费物品以及可能建立关系的人的数据，对用户潜在的消费可能和社交可能进行预测。
[0027]本专利技术的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
[0028]图神经网络和自注意力机制从输入的评级矩阵R提取出消费偏好特征；
[0029]图卷积网络和自注意力机制从输入的社交矩阵S提取出社交偏好特征；
[0030]引入互惠图神经网络，类比生物界的共生机制，结合消费偏好特征和社交偏好特征得出联合消费特征和联合社交特征；
[0031]输入需要预测的用户、可能发生的消费物品以及可能建立关系的人的数据，对用户潜在的消费可能和社交可能进行预测。
[0032]本专利技术的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的社交及消费联合推荐方法。
[0033]本专利技术的另一目的在于提供一种实施所述的社交及消费联合推荐方法的社交及消费联合推荐系统，所述社交及消费联合推荐系统包括：
[0034]自注意力空间层，用于从评级矩阵R中提取用户的消费偏好特征；
[0035]自注意力频谱层，用于从社交矩阵S中提取用户的社交偏好特征；
[0036]互惠分析层，受到共生模型的启发，将消费偏好特征和社交偏好特征作为输入，目标是对用户消费偏好与社交联系之间的相互关系进行自适应建模，产生联合消费特征和联合社交特征。
[0037]预测层，用于将联合消费特征和联合社交特征应用于预测层中，以预测潜在的消费和社交可能。
[0038]结合上述的所有技术方案，本专利技术所具备的优点及积极效果为：图神经网络取代邻接矩阵以及频谱图卷积网络的引入，解决了稀疏矩阵分解的局限性；自注意力模型的引入，充分考虑个体差异性，使得通过前两层提取的特征属性更贴合用户真实属性；互惠机制的引入，充分发挥了两大推荐系统原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种社交及消费联合推荐方法，其特征在于，所述社交及消费联合推荐方法包括：图神经网络和自注意力机制从输入的评级矩阵R提取出消费偏好特征；图卷积网络和自注意力机制从输入的社交矩阵S提取出社交偏好特征；引入互惠图神经网络，类比生物界的共生机制，结合消费偏好特征和社交偏好特征得出联合消费特征和联合社交特征；输入需要预测的用户、可能发生的消费物品以及可能建立关系的人的数据，对用户潜在的消费可能和社交可能进行预测。2.如权利要求1所述的社交及消费联合推荐方法，其特征在于，所述图神经网络和自注意力机制从输入的评级矩阵R提取出消费偏好特征，首先将评级矩阵R转化为图神经网络；其次，从转换后的网络中分离两个non-Euclidean子图：物品偏好子图和用户偏好子图；接着分别从中提取物品偏好以及用户偏好特征；最后，合并二者为消费偏好特征。3.如权利要求1所述的社交及消费联合推荐方法，其特征在于，所述图卷积网络和自注意力机制从输入的社交矩阵S提取出社交偏好特征，首先，构造一个正则化Laplacian矩阵；然后通过该矩阵的eigenvalue和eigenvector矩阵构造出频谱图卷积网络的卷积核，提取出每个人的社交特征；最后，聚合某个用户的所有朋友的社交特征，得出社交偏好特征。4.如权利要求1所述的社交及消费联合推荐方法，其特征在于，所述结合消费偏好特征和社交偏好特征得出联合消费特征和联合社交特征，首先采用element wise方式，消费偏好特征和社交偏好特征对位相乘得到互惠特征，然后，消费偏好特征级联互惠特征得到联合消费特征，社交偏好特征级联互惠特征得到联合社交特征。5.如权利要求1所述的社交及消费联合推荐方法，其特征在于，所述对用户潜在的消费可能和社交可能进行预测，联合消费特征与待预测的物品属性相乘得到概率，对所有待预测的物品概率进行递减排序，取top k作为预测结果，或者采用经验值0.5作为阈值，将大于0.5的消费概率均视为预测结果；同理，联...

【专利技术属性】
技术研发人员：肖阳，刘杰，裴庆祺，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：