【技术实现步骤摘要】
一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法
[0001]本专利技术涉及信息推荐领域，尤其涉及一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法。
技术介绍
[0002]推荐系统(Recommendation system)是一种在各类应用和电商场景下十分常用的技术。它的功能是根据用户的历史记录和一些物理特征，例如性别、年龄等，从海量的商品候选中挑选最有可能被用户消费的一小部分推荐给用户，从而节省用户的搜寻时间，提升用户的体验。通常情况下，推荐系统分为召回、粗排、精排步骤，这三部类似于三个漏斗，召回步骤从海量候选中粗略选出一批相对合适的候选，粗排再对结果精细化加工，筛选出一批更加契合用户的候选，最后再由精排细筛选得到推荐给用户的结果。
[0003]在图书管理系统中的推荐系统，用户比电商场景下的应用情况下相对较少，(通常在十万级以内)，用户的消费行为相对稀疏(大多数用户的年消费次数在一百以内)，推荐系统需要在见过更小的数据集的情况下，做出更有效的预测，从而给出更精准的推荐。
[0004]而现有的图书管...
【技术保护点】
【技术特征摘要】
1.一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，所述方法包括如下步骤：。对用户节点执行初步分析，获取所述用户节点与第一图书候选集节点的第一图神经网络集；按照设定跳选取所述第一图神经网络集中的子图；分别针对所述子图中的用户节点及第一图书候选集节点中的每个执行至少两个带MC
‑
Dropout的神经网络的多次更新；依据所述多次更新获取多个所述用户节点的图嵌入及所述第一图书候选集节点的图嵌入；依据所述用户节点的图嵌入求取节点的第一不确定评估参数；依据所述第一图书候选集节点的图嵌入求取节点的第二不确定评估参数；依据所述第一不确定评估参数与所述第二不确定评估参数计算不确定性加权相似度值；依据所述不确定性相似度值对所述第一图书候选集节点执行排序，获取对应所述用户节点的图书推荐。2.如权利要求1所述的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，所述用户节点的图嵌入为：对每次更新后的原始图嵌入求平均；所述第一图书候选集节点的图嵌入为：对每次更新后的原始图嵌入求平均。3.如权利要求1所述的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，依据所述用户节点的图嵌入求取节点的第一不确定评估参数为：对所述用户节点的图嵌入求方差；依据所述第一图书候选集节点的图嵌入求取节点的第二不确定评估参数为：对所述第一图书候选集节点的图嵌入求方差。4.如权利要求1所述的基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，其特征在于，对所述图嵌入及所述不确定评估参数多轮聚合，之后执行计算不确定性加权相似度值：计算重复K次，计算所述k为聚合轮次，所述K为聚合轮次总数，d
v
为v节点的度数，v节点为统称的用...
【专利技术属性】
技术研发人员：宋涛，郑承宇，管海兵，李新碗，徐伟国，
申请(专利权)人：江苏嘉图网络科技股份有限公司，
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。