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)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：