基于用户关系和行为的图推荐方法、装置、介质和设备制造方法及图纸

本发明专利技术公开了一种基于用户关系和行为的图推荐方法、装置、介质和设备，涉及互联网技术领域。所述图推荐方法方法包括：计算用户对项目的评分，建立用户

【技术实现步骤摘要】
基于用户关系和行为的图推荐方法、装置、介质和设备


[0001]本专利技术涉及互联网
，特别涉及一种基于用户关系和行为的图推荐方法、装置、介质和设备。

技术介绍

[0002]随着互联网数据的不断增加，用户越来越难以从海量的数据中筛选出有效的数据，产生信息过载的问题。个性化推荐系统的产生就是为了解决这个问题，它能分析用户的历史行为信息，计算出用户的兴趣偏好，从而从海量的数据中找到用户偏好的信息。已有的推荐算法主要分为：基于内容的推荐、基于关联规则的推荐、协同过滤推荐、利用社交数据进行推荐等。
[0003]其中使用最广泛的是协同过滤推荐，分为基于用户的协同过滤和基于项目的协同过滤，其思想是通过用户的行为计算用户的相似度和物品的相似度，然后给用户推荐物品。该算法是基于相似的用户会购买相同的物品，相似的物品可能受到同一用户喜欢。协同推荐算法的问题是更适合用于推荐物品，不易于推荐其他类型的信息。图推荐算法是一种利用用户行为数据来建立图模型，通过计算任意两个节点的相似度，从而为用户节点推荐与其相似度最高的其他节点。图推荐算法可以给用户推荐物品，也可以推荐具有共同兴趣的用户。基于用户行为数据的推荐算法存在一个共同问题，即当系统中用户行为非常稀疏时，推荐的准确率和召回率会大幅下降。
[0004]在公开号为CN104376083A的专利申请中公开了一种基于关注关系和多用户行为的图推荐方法。该方法包括(1)根据用户对物品的行为数据建立用户行为图；根据用户的关注关系建立关注图；(2)在用户行为图上进行一轮随机游走，计算游走后每个用户节点对图中节点的访问概率；(3)以该访问概率为基础，计算经过关注关系扩散后，每个用户节点对用户行为图中节点的访问概率；(4)将上述两个访问概率进行综合得到新的访问概率；(5)重复执行游走及扩散过程，直到每个用户节点对用户行为图中节点的访问概率收敛到稳定值；(6)最后，根据每个用户节点对其他节点的访问概率，生成该用户的物品推荐列表和用户推荐列表。
[0005]该方法通过用户的社交关系及邻居用户的用户行为来将目标对象推荐给用户，能够为用户提供高质量的个性化信息推荐，包括物品和具有共同兴趣的用户。但当系统中用户行为非常稀疏时，推荐的准确率和召回率会大幅下降。对于新用户，没有社交数据的，无法推荐；对于新物品，无用户行为数据，无法推荐。
[0006]在公开号为CN109118379A专利申请中公开了一种基于社交网络的推荐方法和装置。包括(1)获取社交网络中各用户之间的社交关系，以及获取各目标对象之间的相似性；(2)根据所述社交关系以及所述相似性，建立图推荐模型；其中，所述图推荐模型中各结点的连接关系用于指示存在社交关系的用户中，对应待推荐目标对象之间的相似性；(3)计算所述图推荐模型中，各结点的集中性；其中，所述集中性是根据对应结点在所述图推荐模型中所连接结点的数量确定的；(4)根据各结点的集中性，将所述结点对应的目标对象推荐给
所述结点对应的用户。
[0007]该申请通过将目标对象的推荐与用户之间的社交关系相结合，从而实现了针对某一个用户，根据存在社交关系的其他用户待推荐的相似目标对象，确定出需向该用户推荐的目标对象，提高了用户与推荐的目标对象的匹配程度，解决了现有技术中推荐效果不佳的技术问题。但对于新用户，没有社交数据的，无法推荐；对于新目标对象，无用户行为数据，无法推荐。
[0008]公开号为CN111104606A的专利申请中公开了一种基于权重的条件游走图推荐方法。该方法包括(1)根据用户对商品的评分信息，构建用户
‑
物品行为矩阵；(2)根据用户
‑
物品行为矩阵，计算用户与用户之间的相似度，得到用户
‑
用户相似度矩阵；(3)通过计算用户i对物品j的打分，从而构建用户
‑
物品打分矩阵；(4)基于余弦相似度公式计算物品与物品之间的相似度，并构造物品
‑
物品相似度矩阵；(5)构造用户
‑
标签
‑
物品之间带有权重的有向图；(6)从用户节点开始在有向图中进行条件游走，计算用户走到物品节点的概率得到用户的推荐列表。解决如何在不降低推荐的准确性前提下，提高基于权重的条件游走图推荐方法结果的多样性。但当系统中用户行为非常稀疏时，推荐的准确率和召回率会大幅下降。

技术实现思路

[0009]技术问题：本专利技术提供了一种基于用户关系和行为的图推荐方法、装置、介质和设备，从而通过用户关系与用户行为提升推荐准确率，并能够有效的解决新用户和新项目推荐问题。
[0010]技术方案：第一方面，本专利技术提供一种基于用户关系和行为的图推荐方法，包括步骤S100
‑
步骤S500：
[0011]步骤S100：计算用户对项目的评分，建立用户
‑
项目关系图；在优选的实施例中，步骤S100包括：
[0012]步骤S110：设置用户行为对项目评分产生的贡献程度；
[0013]步骤S120：计算用户
‑
项目评分矩阵，计算公式如下：
[0014][0015][0016]其中，是一个n
×
m的矩阵，n表示项目数量，m表示用户对项目的m种行为；weight表示用户对项目的m种行为所占项目评分的权重；表示第i个用户对所有项目的评分；score为用户
‑
项目评分矩阵；其中：
[0017][0018][0019]α、β、γ表示用户行为，α为点击行为，β为浏览行为，γ为下载行为，t为浏览时长；
[0020]步骤S130：将用户和项目作为节点，若用户对项目评分大于0，建立连接，连接边的值为评分值；
[0021]步骤S140：根据项目关系图谱中的项目关系数据连接项目，其中项目间的关系包括：相似和包含，在连接时，连接边的值为：相似为x、包含为y。
[0022]步骤S200：计算用户相似度，寻找用户的最近邻居集。在优选的实施例中，步骤S200包括：
[0023]步骤S210：判断用户是否为新用户，若用户使用过的项目个数小于g，则判定为新用户，进行步骤S220；否则判定为老用户，进行步骤S250；
[0024]步骤S220：用户的k项基本信息值attr
ε
(ε＝1,2,3,...,k)，分别给不同的属性信息分配权重λ
ε
；
[0025]步骤S230：计算用户之间的特征差，用attr(u,v)表示，计算方式如下；
[0026][0027]其中，λ
ε
满足：u表示用户u；v表示用户v；
[0028]步骤S240：计算用户特征相似度，然后进行步骤S260；其中，计算用户特征相似度的方法为：求得用户特征差值attr(u,v)后，利用Sigmoid函数，计算用户u和用户v之间的用户特征信息相似度sim
attr
(u,v)；
[0029][0030][0031]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户关系和行为的图推荐方法，其特征在于，包括：步骤S100：计算用户对项目的评分，建立用户
‑
项目关系图；步骤S200：计算用户相似度，寻找用户的最近邻居集；步骤S300：计算项目相似度，寻找项目的最近邻居集；步骤S400：分别计算通过相似用户和通过相似项目得到的项目预测评分，进行混合预测，生成推荐列表；步骤S500：根据推荐的用户行为，更新用户
‑
项目评分矩阵。2.根据权利要求1所述的方法，其特征在于，所述步骤S100包括：步骤S110：设置用户行为对项目评分产生的贡献程度；步骤S120：计算用户
‑
项目评分矩阵，计算公式如下：项目评分矩阵，计算公式如下：其中，是一个n
×
m的矩阵，n表示项目数量，m表示用户对项目的m种行为；weight表示用户对项目的m种行为所占项目评分的权重；表示第i个用户对所有项目的评分；score为用户
‑
项目评分矩阵；步骤S130：将用户和项目作为节点，若用户对项目评分大于0，建立连接，连接边的值为评分值；步骤S140：根据项目关系图谱中的项目关系数据连接项目。3.根据权利要求1所述的方法，其特征在于，所述步骤S200包括：步骤S210：判断用户是否为新用户，若用户使用过的项目个数小于g，则判定为新用户，进行步骤S220；否则判定为老用户，进行步骤S250；步骤S220：用户的k项基本信息值attr
ε
(ε＝1,2,3,...,k)，分别给不同的属性信息分配权重λ
ε
，其中ε表示序号；步骤S230：计算用户之间的特征差，用attr(u,v)表示，计算方式如下；其中，λ
ε
满足：u表示用户u；v表示用户v；步骤S240：计算用户特征相似度，然后进行步骤S260；步骤S250：根据用户的行为计算行为特征差，计算基于用户行为的用户相似度；步骤S260：将用户特征信息相似度或基于用户行为的用户相似度值较大的前K个用户判定为目标用户的邻居用户，连接目标用户及其邻居用户，连接边的值为用户相似度。4.根据权利要求3所述的方法，其特征在于，所述步骤S240中，计算用户特征相似度的方法为：求得用户特征差值attr(u,v)后，利用Sigmoid函数，计算用户u和用户v之间的用户特征信息相似度sim
attr
(u,v)；
5.根据权利要求4所述的方法，其特征在于，所述步骤S250中，计算过程如下：5.根据权利要求4所述的方法，其特征在于，所述步骤S250中，计算过程如下：score
u
、score
v
分别表示用户u和用户v对所有项目的评分，用户u和用户v表示的相似度。6.根据权利要求1
‑
5任一项所述的方法，其特征在于，所述步骤S300包括：步骤S310：判断项目为新项目还是老项目，...

【专利技术属性】
技术研发人员：曹建军，汪挺，周晓磊，翁年凤，袁震，江春，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：