一种推荐方法技术

本申请提供一种推荐方法

【技术实现步骤摘要】
一种推荐方法、装置和存储介质


[0001]本申请实施例涉及数据处理的
，具体而言，涉及一种推荐方法
、
装置和存储介质
。

技术介绍

[0002]不同环境下不同个体的决策过程背后存在着复杂的行为模式，在传统的推荐范式中，个体的行为只与消费环境有关，而在社交推荐系统中，物品消费环境和社交环境的潜在因子高度交织，进而共同驱动个体的行为
。
[0003]对于社交推荐方面的研究越来越多，但是目前的社交推荐相关的推荐装置忽视了不同环境的潜在因素对个体行为的影响，忽略了不同个体的消费互动和社会关系之间的复杂关系，从而导致推荐结果不够准确
。

技术实现思路

[0004]本申请实施例提供一种推荐方法
、
装置和存储介质，旨在提高推荐结果的准确性
。
[0005]第一方面，本申请实施例提供一种基于跨环境解耦表征的推荐方法，所述方法包括：
[0006]获取目标用户的消费数据与社交数据；
[0007]将所述目标用户的消费数据与社交数据输入预先训练完毕本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于跨环境解耦表征的推荐方法，其特征在于，所述方法包括：获取目标用户的消费数据与社交数据；将所述目标用户的消费数据与社交数据输入预先训练完毕的商品推荐模型中，所述商品推荐模型预测所述目标用户针对任一商品的购买概率；将所述购买概率大于购买阈值的商品推荐给所述目标用户；其中，所述商品推荐模型是基于多组样本用户的消费数据样本和社交关系图数据样本训练得到的，所述商品推荐模型根据所述消费数据样本得到描述样本用户的消费偏好的消费解耦表征，以及根据所述社交关系图数据样本得到描述影响样本用户消费的社交解耦表征，并根据所述消费解耦表征和所述社交解耦表征综合预测样本用户购买任一商品的购买概率
。2.
根据权利要求1所述的方法，其特征在于，所述商品推荐模型是按以下步骤训练得到的：获取任一样本用户的消费数据样本和社交关系图数据样本，输入预设模型中；所述预设模型根据所述消费数据样本，生成所述样本用户对应的消费解耦表征，所述消费解耦表征用于描述所述样本用户的消费偏好；所述预设模型将所述社交关系图数据样本拆分为多个子图数据样本，并依次学习所述多个子图数据样本，迭代更新得到所述样本用户对应的社交解耦表征，所述社交解耦表征用于描述社交关系对所述样本用户购物的影响；所述预设模型根据所述消费解耦表征与所述社交解耦表征，生成联合解耦表征，并根据所述联合解耦表征，预测所述样本用户针对多个商品的购买概率；当所述预设模型收敛到目标状态时，将所述预设模型作为训练完毕的商品推荐模型
。3.
根据权利要求2所述的方法，其特征在于，所述预设模型将所述社交关系图数据样本拆分为多个子图数据样本，并依次学习所述多个子图数据样本，包括：基于贪婪原理将所述社交关系图数据样本拆分为相同大小的多个子图数据样本，以减少拆分过程中的信息损失；分别确定所述多个子图数据样本各自对应的复杂度；根据所述复杂度，确定所述多个子图数据样本各自在不同训练阶段的训练权重，以使所述预设模型按照简单到复杂的顺序学习多个子图数据样本；所述预设模型根据所述训练权重，依次学习所述多个子图数据样本
。4.
根据权利要求3所述的方法，其特征在于，分别确定所述多个子图数据样本各自对应的复杂度，包括：对于所述多个子图数据样本中任一子图数据样本，确定该子图数据样本中包括的各个点的度数；根据所述子图数据样本中包括的各个点的度数，确定所述子图数据样本对应的复杂度
。5.
根据权利要求2所述的方法，其特征在于，迭代更新得到所述样本用户对应的社交解耦表征，包括：在每次迭代过程中，分别确定所述样本用户和任一邻居用户在每个原型空间中的相似度，并将所述相似度作为权重对所有邻居用户进行聚合；
直至迭代至目标次数后，生成所述样本用户对应的社交解耦表征
。6.
根据权利要求5所述的方法，其特征在于，分别确定所述样本用户和任一邻居用户在每个原型空间中的相似度，包括：分别确定所述样本用户和任一邻居用户的消费解耦表征在每个原型空间中的映射结果；根据所述映射结果，确定所述样本用户和任一邻居用...

【专利技术属性】
技术研发人员：王鑫，朱文武，潘子睿，
申请(专利权)人：清华大学，
类型：发明
国别省市：