【技术实现步骤摘要】
一种推荐系统及方法
[0001]本专利技术涉及推荐系统
，特别是涉及一种推荐系统及方法。
技术介绍
[0002]推荐系统旨在根据用户的兴趣爱好和历史行为，预测用户是否会与某个项目(例如物品，新闻，文章，多媒体文件)发生交互，为每个用户推荐其可能喜欢或者需要的项目，从而满足用户的需求。
[0003]随着推荐系统的发展，人们致力于提高推荐物品的准确性，而忽略了推荐项目的多样性，即推荐的项目类型少。
[0004]然而，准确的推荐结果不一定是令人满意的。当用户访问网络时，找到准确的内容只是他们众多的需求之一。从用户满意的角度来看，准确性从来不是唯一的标准。在影响用户满意度的众多指标中，多样性决定了用户在推荐场景中的参与度。如果没有多样性的推荐结果，用户很可能会接触到重复的信息，从而导致信息冗余。
技术实现思路
[0005]本专利技术实施例的目的是提供一种推荐方法及系统，在保证推荐结果准确性的同时，提高了推荐结果的多样性。
[0006]为实现上述目的，本专利技术实施例提供了如下方案：
【技术保护点】
【技术特征摘要】
1.一种推荐系统，其特征在于，包括：输入层，侧重多样性预测的第一图游走模型，侧重准确性预测的第二图游走模型和门控平衡层；所述输入层用于基于输入数据生成初始嵌入向量，所述输入数据包括用户和项目间的历史交互记录；所述输入数据中的项目包括预设的N个项目中的部分或全部项目；所述输入数据中的用户为全部用户；N为正整数；所述第一图游走模型用于根据输入层输出的初始嵌入向量进行邻域聚合得到第一最终嵌入向量，并根据所述第一最终嵌入向量生成第一预测结果；其中，所述第一预测结果包括：所述N个项目中每一项目被推荐给所述用户的第一可能性；所述第一图游走模型的衰减因子为d＝λ且λ∈[0，1]，所述衰减因子d＝λ用于使所述第一图游走模型侧重多样性预测；所述第二图游走模型用于根据输入层输出的初始嵌入向量进行邻域聚合得到第二最终嵌入向量，并根据所述第二最终嵌入向量生成第二预测结果；其中，所述第二预测结果包括：所述N个项目中每一项目被推荐给所述用户的第二可能性；所述第二图游走模型的衰减因子为d＝1
‑
λ且λ∈[0，1]，所述衰减因子d＝1
‑
λ用于使所述第二图游走模型侧重准确性预测；所述门控平衡层用于将所述第一预测结果和所述第二预测结果进行融合，得到综合预测结果，所述综合预测结果包括：所述N个项目中每一项目被推荐给所述用户的综合可能性。2.根据权利要求1所述的推荐系统，其特征在于，还包括：模型输出层，用于：根据所述综合预测结果，计算推荐概率；所述推荐概率包括：所述N个项目中每一项目被推荐给所述用户的概率；根据所述推荐概率对所述N个项目进行降序排序，输出排序后的前n个项目；n不大于N；n为正整数。3.根据权利要求1所述的推荐系统，其特征在于，在所述基于输入数据生成初始嵌入向量的方面，所述输入层具体用于：根据所述输入数据中用户与项目间的历史交互记录，生成用户
‑
项目二分图；所述用户
‑
项目二分图中每一节点包括：节点标识和节点属性；所述节点标识为用户标识或者项目标识；包含用户标识的节点为用户节点，包含项目标识的节点为项目节点；发生交互的用户节点与项目节点之间采用边相连；根据所述用户
‑
项目二分图，生成初始嵌入向量。4.根据权利要求1所述的推荐系统，其特征在于，所述邻域聚合具体包括：对第u个用户进行第k+1次邻域聚合：对第i个项目进行第k+1次邻域聚合：
其中，d为衰减因子，表示对称归一化项，|N
i
|表示项目i的邻居节点总个数，N
i
为项目i的邻居集合，|N
u
|表示用户u的邻居节点总个数，N
u
为用户u的邻居集合，为项目i的第k阶嵌入向量，为用户u的第k阶嵌入向量，为用户u的初始嵌入向量，为项目i的初始嵌入向量。5.根据权利要求1所述的推荐系统，其特征在于，所述融合具体包括：对所述第一预测结果和所述第二预测结果进行线性变换；公式如下：G＝σ(W1R
a
+W2R
d
)；其中，R
a
表示第二预测结果，R
d
表示第一预测结果，W1表示第二预测结果R
a
的权重系数，W2表示第一预测结果R
d
的权重系数，σ(
·
)表示激活函数，G表示权重分配向量，G的取值范围为(0,1)；通过矩阵点乘对所述第二预测结果R
a
和所述第一预测结果R
d
进行加权融合得到综合预测结果Rating；Rating＝GΘR
a
+(1
‑
G)...
【专利技术属性】
技术研发人员：方月婷，汤乾，曾俊，武浩，张骥先，
申请(专利权)人：云南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。