一种基于大数据的推荐方法、系统及可读存储介质技术方案

本发明专利技术公开了一种基于大数据的推荐方法、系统及可读存储介质，包括：获取目标用户的属性信息，基于目标用户的属性信息建立用户异质信息网络；同时建立项目异质信息网络，运用交互算法关联所述用户异质信息网络和项目异质信息网络；基于上下文感知建立节点嵌入模型，使不同信息对齐到同一空间；通过对目标用户和项目的低维嵌入表示计算得分生成排序结果，根据所述排序结果对目标用户的喜好进行预测推荐。

【技术实现步骤摘要】
一种基于大数据的推荐方法、系统及可读存储介质
本专利技术涉及一种推荐方法，更具体的，涉及一种基于大数据的推荐方法、系统及可读存储介质。
技术介绍
随着信息技术及智能技术的迅猛发展,人类已经从IT时代走向DT时代。以互联网为载体,全球大数据如今进入加速发展时期,数据总量每年增长50%，互联网中不同类型数据实体相互作用、相互影响,交织构成了复杂庞大的异质信息网络。现实生活中的异质信息网络随处可见,如电子商务网络、社交媒体网络、移动通信网络、交通运输网络、科学引文网络、医疗卫生网络等。同时网络技术的发展推动了各行业信息化平台的产生,大数据和云计算技术的普遍应用使得互联网平台用户及项目数据量急剧增长。推荐系统作为缓解“信息过载”问题的重要工具,帮助用户从海量信息中获取感兴趣的内容,成为互联网应用不可或缺的重要角色。为了能够通过目标用户的喜好更好的进行推荐，需要开发一款基于大数据的推荐系统进行匹配，该系统通过获取目标用户的属性信息，基于目标用户的属性信息建立用户异质信息网络；同时建立项目异质信息网络，运用交互算法关联所述用户异质信息网络和项目异质信息网络；基于上下文感知建立节点嵌入模型；通过对目标用户和项目的低维嵌入表示计算得分生成排序结果，根据所述排序结果对目标用户的喜好进行预测推荐。在系统的实现过程中如何基于上下文感知建立节点嵌入模型以及如何通过对目标用户和项目的低维嵌入表示并计算得分生成排序结果都是亟不可待需要解决的问题。
技术实现思路
为了解决上述至少一个技术问题，本专利技术提出了一种基于大数据的推荐方法、系统及可读存储介质。本专利技术第一方面提供了一种基于大数据的推荐方法，包括：获取目标用户的属性信息，基于所述目标用户的属性信息建立用户异质信息网络；同时建立项目异质信息网络，运用交互算法关联所述用户异质信息网络和项目异质信息网络；基于上下文感知建立节点嵌入模型，使不同信息对齐到同一空间；通过对目标用户和项目的低维嵌入表示计算得分生成排序结果，根据所述排序结果对目标用户的喜好进行预测推荐。本方案中，所述的基于上下文感知建立节点嵌入模型，使不同信息对齐到同一空间，具体为：获取目标用户及项目的属性信息，从所述属性信息中进行特征提取，构建异质信息网络；选取异质信息网络中第i节点，将第i节点作为中心词，第i节点的邻居节点作为相应上下文；进行多种类型上下文的抽样，根据所述中心词进行相应上下文出现概率的预测；计算用户异质信息网络及项目异质信息网络的损失函数；通过协同过滤的方法对所述损失函数进行对齐，完成模型的参数优化；通过所述节点嵌入模型实现目标用户及项目的低维嵌入表达，将不同的信息实现在同一空间的对齐。本方案中，所述的多种类型上下文的抽样基于用户异质信息网络和项目异质信息网络的交互网络实现，根据所述中心词进行相应上下文出现概率的预测计算公式具体为：其中，表示节点的特征，为项目的低维度向量表示形式，为用户集合，表示当节点是节点的上下文时的低维低维度向量表示形式，表示噪声函数。本方案中，所述的通过对目标用户和项目的低维嵌入表示计算得分生成排序结果，具体为：将目标用户和项目进行嵌入对齐连接，获取目标用户和项目之间的数据关联；提取所述数据关联的特征值、上下文出现概率预测结果数据，将提取到的数据进行预处理；根据所述特征值及上下文出现概率预测结果数据生成权重信息，通过权重比例计算出目标用户与项目之间的相关性得分；按所述相关性得分将目标用户与项目的相关性进行倒序排序，根据所述排序结果对目标用户的喜好进行预测推荐。本方案中，所述的根据上下文出现概率预测结果数据生成权重信息，则所述权重信息的计算公式具体为：其中，表示所求权重信息，表示项目系数，表示上下文出现概率预测结果数据，表示特征值项数，表述数据关联项数。本方案中，还包括：建立神经网络模型对预测信息进行误差补偿及修正，具体为：建立初始神经网络模型，选取相关数据作为训练集对所述初始神经网络模型进行训练；设定神经网络模型误差阈值，测试模型误差值，将测量所得误差值与阈值进行比较；若小于，则证明所述神经网络模型训练完毕，得到训练后神经网络模型；将预测信息导入训练后神经网络模型，生成所述预测信息的误差补偿信息；将所述预测信息的误差补偿信息反馈到节点嵌入模型，对预测信息进行误差补偿及修正。本专利技术第二方面还提供了一种基于大数据的推荐系统，该系统包括：存储器、处理器，所述存储器中包括一种基于大数据的推荐方法程序，所述一种一种基于大数据的推荐方法程序被所述处理器执行时实现如下步骤：获取目标用户的属性信息，基于所述目标用户的属性信息建立用户异质信息网络；同时建立项目异质信息网络，运用交互算法关联所述用户异质信息网络和项目异质信息网络；基于上下文感知建立节点嵌入模型，使不同信息对齐到同一空间；通过对目标用户和项目的低维嵌入表示计算得分生成排序结果，根据所述排序结果对目标用户的喜好进行预测推荐。本方案中，所述的基于上下文感知建立节点嵌入模型，使不同信息对齐到同一空间，具体为：获取目标用户及项目的属性信息，从所述属性信息中进行特征提取，构建异质信息网络；选取异质信息网络中第i节点，将第i节点作为中心词，第i节点的邻居节点作为相应上下文；进行多种类型上下文的抽样，根据所述中心词进行相应上下文出现概率的预测；计算用户异质信息网络及项目异质信息网络的损失函数；通过协同过滤的方法对所述损失函数进行对齐，完成模型的参数优化；通过所述节点嵌入模型实现目标用户及项目的低维嵌入表达，将不同的信息实现在同一空间的对齐。本方案中，所述的多种类型上下文的抽样基于用户异质信息网络和项目异质信息网络的交互网络实现，根据所述中心词进行相应上下文出现概率的预测计算公式具体为：其中，表示节点的特征，为项目的低维度向量表示形式，为用户集合，表示当节点是节点的上下文时的低维低维度向量表示形式，表示噪声函数。本方案中，所述的通过对目标用户和项目的低维嵌入表示计算得分生成排序结果，具体为：将目标用户和项目进行嵌入对齐连接，获取目标用户和项目之间的数据关联；提取所述数据关联的特征值、上下文出现概率预测结果数据，将提取到的数据进行预处理；根据所述特征值及上下文出现概率预测结果数据生成权重信息，通过权重比例计算出目标用户与项目之间的相关性得分；按所述相关性得分将目标用户与项目的相关性进行倒序排序，根据所述排序结果对目标用户的喜好进行预测推荐。本方案中，所述的根据上下文出现概率预测结果数据生成权重信息，则所述权重信息的计算公式具体为：其中，表示所求权重信息，表示项目系数，表示上下文出现概率预测结果数据，表示特征值项数，表述数据关联项数。本方案中，还包括：建立神经网络模型对预测信息进行误差补偿及修正本文档来自技高网...

【技术保护点】
1.一种基于大数据的推荐方法，其特征在于，包括：/n获取目标用户的属性信息，基于所述目标用户的属性信息建立用户异质信息网络；/n同时建立项目异质信息网络，运用交互算法关联所述用户异质信息网络和项目异质信息网络；/n基于上下文感知建立节点嵌入模型，使不同信息对齐到同一空间；/n通过对目标用户和项目的低维嵌入表示计算得分生成排序结果，根据所述排序结果对目标用户的喜好进行预测推荐。/n

【技术特征摘要】
1.一种基于大数据的推荐方法，其特征在于，包括：
获取目标用户的属性信息，基于所述目标用户的属性信息建立用户异质信息网络；
同时建立项目异质信息网络，运用交互算法关联所述用户异质信息网络和项目异质信息网络；
基于上下文感知建立节点嵌入模型，使不同信息对齐到同一空间；
通过对目标用户和项目的低维嵌入表示计算得分生成排序结果，根据所述排序结果对目标用户的喜好进行预测推荐。


2.根据权利要求1所述的一种基于大数据的推荐方法，其特征在于，所述的基于上下文感知建立节点嵌入模型，使不同信息对齐到同一空间，具体为：
获取目标用户及项目的属性信息，从所述属性信息中进行特征提取，构建异质信息网络；
选取异质信息网络中第节点，将第节点作为中心词，第节点的邻居节点作为相应上下文；
进行多种类型上下文的抽样，根据所述中心词进行相应上下文出现概率的预测；
计算用户异质信息网络及项目异质信息网络的损失函数；
通过协同过滤的方法对所述损失函数进行对齐，完成模型的参数优化；
通过所述节点嵌入模型实现目标用户及项目的低维嵌入表达，将不同的信息实现在同一空间的对齐。


3.根据权利要求2所述的一种基于大数据的推荐方法，其特征在于，所述的多种类型上下文的抽样基于用户异质信息网络和项目异质信息网络的交互网络实现，根据所述中心词进行相应上下文出现概率的预测计算公式具体为：
其中，表示节点的特征，为项目的低维度向量表示形式，为用户集合，表示当节点是节点的上下文时的低维低维度向量表示形式，表示噪声函数。


4.根据权利要求1所述的一种基于大数据的推荐方法，其特征在于，所述的通过对目标用户和项目的低维嵌入表示计算得分生成排序结果，具体为：
将目标用户和项目进行嵌入对齐连接，获取目标用户和项目之间的数据关联；
提取所述数据关联的特征值、上下文出现概率预测结果数据，将提取到的数据进行预处理；
根据所述特征值及上下文出现概率预测结果数据生成权重信息，通过权重比例计算出目标用户与项目之间的相关性得分；
按所述相关性得分将目标用户与项目的相关性进行倒序排序，根据所述排序结果对目标用户的喜好进行预测推荐。


5.根据权利要求4所述的一种基于大数据的推荐方法，其特征在于，所述的根据上下文出现概率预测结果数据生成权重信息，则所述权重信息的计算公式具体为：
其中，表示所求权重信息，表示项目系数，表示上下文出现概率预测结果数据，表示特征值项数，表述数据关联项数。

【专利技术属性】
技术研发人员：洪丽凤，刘立斌，
申请(专利权)人：佛山市墨纳森智能科技有限公司，
类型：发明
国别省市：广东;44