基于异构图的虚拟物品时序推荐方法、装置、介质及设备制造方法及图纸

本发明专利技术公开了一种基于异构图的虚拟物品时序推荐方法、装置、介质及设备。该方法首先在包括用户、虚拟物品和物品属性三种结点的异构图上使用GCN得到用户表示和物品表示；然后在异构图中分别提取出社交子图和物品关联度子图，分别通过GCN得到用户表示和物品表示，并与异构图中得到的用户和物品的表示融合，获得最终的用户表示和物品表示。然后将得到的物品表示按照购买时间顺序输入时序网络，得到候选的虚拟物品；最后将用户表示与候选的虚拟物品表示做点积，得到每个候选物品的推荐概率。本发明专利技术在虚拟物品推荐任务中可以充分考虑到用户和虚拟物品之间在空间维度上的联系以及虚拟物品的购买在时间维度上的联系，从而实现更准确的虚拟物品推荐。确的虚拟物品推荐。确的虚拟物品推荐。

【技术实现步骤摘要】
基于异构图的虚拟物品时序推荐方法、装置、介质及设备


[0001]本专利技术涉及个性化推荐领域，尤其涉及一种在物品推荐任务上的基于异构图的时序推荐方法。

技术介绍

[0002]近年来，时序模型作为一种可以捕捉上下文信息的技术，引起了越来越多的研究者们的注意。时序模型设计出来的最佳架构已在多种任务，例如自然语言处理任务、机器翻译等任务上面，展示出了巨大的优越性。
[0003]在虚拟物品推荐领域中，使用时序模型来捕捉用户在时间维度上的偏好是非常有效的。以时序模型Transformer为例，引入Positional Embedding来表示虚拟物品的序列关系，并通过自注意力机制对用户的历史行为信息建模，得到隐藏的用户行为模式。但仅使用时序模型对用户行为建模存在着以下问题：
[0004]实际情况下，由于用户和虚拟物品的数量非常庞大，用户的历史行为数据是非常稀疏的，仅使用时序模型来捕捉虚拟物品和虚拟物品、用户和用户、物品和用户间在时间维度上的联系是不全面的，会遗漏掉很多关键的潜在的联系。
[0005]因此，如何从历史用户行为中全面提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异构图的虚拟物品时序推荐方法，其特征在于，包括：S1：获取根据虚拟物品历史购买记录构建的异构图，所述异构图以用户、虚拟物品和虚拟物品属性为结点，以用户、虚拟物品和虚拟物品属性之间的交互为边，并在异构图上使用图卷积神经网络得到每个用户对应的第一用户特征向量和每个虚拟物品的第一物品特征向量；S2：以用户和用户之间的交互作为社交属性，从异构图中单独提取出用户与用户之间的社交子图，在社交子图上利用图卷积神经网络融合周围邻居特征得到每个用户的第二用户特征向量，将每个用户对应的第一用户特征向量和第二用户特征向量融合得到第三用户特征向量；S3：以虚拟物品和虚拟物品之间的交互作为物品关联度属性，从异构图中单独提取出物品与物品之间的关联度子图，在物品关联度子图上利用图卷积神经网络融合周围邻居特征得到每个虚拟物品的第二物品特征向量，将每个虚拟物品对应的第一物品特征向量和第二物品特征向量融合得到第三物品特征向量；S4：针对待进行推荐的目标用户，将目标用户历史购买的虚拟物品的第三物品特征向量按照购买顺序输入自注意力时序模型中，通过自注意力机制充分捕捉购买的虚拟物品的上下文关联，并将自注意力时序模型输出的每个候选虚拟物品的特征向量与目标用户的第三用户特征向量做内积，得到每个候选物品的被购买概率，并根据概率向目标用户进行虚拟物品推荐。2.根据权利要求1所述的基于异构图的虚拟物品时序推荐方法，其特征在于，所述异构图中，将虚拟物品历史购买记录中的用户、虚拟物品和虚拟物品属性作为结点，并在三类结点之间根据交互建立边连接，其中每一个用户结点需要与其购买过的物品建立边连接，每一个物品需要与其所属的属性建立边连接。3.根据权利要求1所述的基于异构图的虚拟物品时序推荐方法，其特征在于，所述第一用户特征向量和第二用户特征向量通过向量连接的形式融合得到第三用户特征向量。4.根据权利要求1所述的基于异构图的虚拟物品时序推荐方法，其特征在于，所述第一物品特征向量和第二物品特征向量通过向量连接的形式融合得到第三物品特征向量。5.根据权利要求1所述的基于网络裁剪的图像分类神经网络架构搜索方法，其特征在于，每个用户的所述第三用户特征向量中，除该用户的第一用户特征向量和第二用户特征向量之外，还融合有该用户的静态属性的编码向量；所...

【专利技术属性】
技术研发人员：刘剑，符靖雅，卢路，陈红艳，
申请(专利权)人：杭州碧游信息技术有限公司，
类型：发明
国别省市：