【技术实现步骤摘要】
本专利技术属于物品推荐，尤其涉及一种基于用户关联关系的物品推荐方法及系统。
技术介绍
1、近年来信息技术和互联网的快速发展，大数据时代的到来，人们面临着海量信息，如何高效地获取感兴趣的信息成为一个重要的问题。推荐系统正是在这样的背景下应运而生，旨在帮助用户更快地找到想要的数据，发现潜在的兴趣和需求。
2、当前，推荐系统也在不断演进和改进。目前，常见的text embedding技术和图像embedding技术都被广泛应用于推荐系统中，如静态向量（word2vec、fasttext、glove）和动态向量（elmo、gpt、bert）。此外，基于图嵌入（graph embedding）的技术也在推荐系统中逐渐流行起来，该技术能够利用图中节点与节点之间的关系对其进行向量化，从而更好地表示用户和商品之间的复杂关系。
3、现有推荐技术主要存在以下两个方面的不足，其一是注重样本的自身特征，缺乏对用户与物品之间的关联关系的实时性关注，而用户实时的反馈更加能够体现用户的实时偏好；其二是过度关注关联关系而忽略了用户与物品本身的特征，无法做到兼顾。
技术实现思路
1、有鉴于此，本专利技术提供一种基于用户关联关系的物品推荐方法及系统， 将用户商品自身特征与其潜在关联联系结合，实现精准推荐。
2、为解决以上技术问题，本专利技术的技术方案为采用一种基于用户关联关系的物品推荐方法，包括：
3、基于关系发生时间抽取节点关联关系；
4、根据节点关联关系
5、对异构图中的节点进行有偏的随机游走，获取异构图中所有节点的节点序列；
6、对节点的节点序列进行嵌入获取图关系结构化特征向量；对节点的属性进行投影获取节点的基础属性映射特征向量；将图关系结构化特征向量与节点的基础属性映射特征向量进行拼接后输入神经网络获取该节点的特征嵌入向量；
7、根据节点之间关系发生的时间构建时间权重；
8、利用用户节点的特征嵌入向量、物品节点的特征嵌入向量以及时间权重计算用户和物品之间的相似度，并根据相似度进行物品推荐。
9、作为一种改进，所述节点关联关系以用户和物品为节点并构建节点之间的相互关系，且每个节点包含各自的属性；所述异构图以用户和物品为节点以关系为连边，并且根据交互次数为连边赋予权重。
10、作为一种进一步的改进，根据异构图中连边的权重，利用metapath2vec算法对异构图中的节点进行有偏的随机游走。
11、作为另一种更进一步的改进，所述进行有偏的随机游走的策略包括：用户-物品-用户、用户-用户-物品-用户或物品-用户-物品中的一种或者几种。
12、作为一种改进，利用word2vec算法对节点的节点序列进行嵌入获取图关系结构化特征向量。
13、作为一种改进，利用公式
14、
15、计算节点的基础属性映射特征向量；其中，为节点v的基础属性映射特征向量，为原始类型的节点v的特征；为类型的节点变换参数权值矩阵。
16、作为一种改进，利用公式
17、
18、计算时间权重；其中ti为时间权重，为当前时间，为时间衰减系数，为关系发生的时间。
19、作为一种改进，利用公式
20、
21、计算用户和物品之间的相似度，其中为用户j和物品k之间的相似度，ti为时间权重，t为关系的数量，αj为用户j的特征向量，βk为物品k的特征向量。
22、作为一种改进，根据用户和物品之间的相似度由高到低进行排序，将序列中前n个物品推荐给该用户。
23、本专利技术还提供一种基于用户关联关系的物品推荐系统，包括：
24、关联关系构建模块，用于基于关系发生时间抽取节点关联关系；
25、异构图构建模块，用于根据节点关联关系构建异构图；
26、异构图游走模块，用于对异构图中的节点进行有偏的随机游走，获取异构图中所有节点的节点序列；
27、特征向量获取模块，用于对节点的节点序列进行嵌入获取图关系结构化特征向量；对节点的属性进行投影获取节点的基础属性映射特征向量；将图关系结构化特征向量与节点的基础属性映射特征向量进行拼接后输入神经网络获取该节点的特征嵌入向量；
28、时间权重获取模块，用于根据节点之间关系发生的时间构建时间权重；
29、相似度计算模块，用于利用用户节点的特征嵌入向量、物品节点的特征嵌入向量以及时间权重计算用户和物品之间的相似度；
30、推荐模块，用于根据相似度进行物品推荐。
31、本专利技术的有益之处在于：
32、本专利技术首先根据关系时间构建用户-物品关系图，其之间产生的关系可以是多种多样的，例如用户对物品的浏览、点击、收藏等等不同的关系。再根据其关系的强弱对连边赋予不同的权重，构建成了一张带权重用户与物品的关联关系异构图。
33、其次，为了最终能够得到节点的向量用于下游的任务，需要利用游走的方式获取节点之间连接特性。在本专利技术中，由于节点的连边具有不同的权重的特点，为了能够更加清楚表达出节点与节点之间的连接强弱特性，利用带权重的有偏的随机游走方式得到图的文档表达，能够获得比随机更加具有偏重性的表达，更加契合业务的需求。此外，由于图的节点具有不同的类别，因此我们更希望得到同类型节点表达距离相近，不同类型的节点表达距离相对较远，在本专利技术中，为了解决这个问题，游走的方式采用metapath2vec算法，设置游走元路径，限制随机游走的路径特点。最后采用word2vec的方法就得到了节点嵌入的向量表达。该向量能够表达节点（用户、物品）之间的交互特性，并且在一定程度上能够将不同类型的节点之间的特性进行区分，也就是说该向量能够描述节点的结构化特性。除此之外，节点自身也具有一定的特征，例如用户的性别、年龄等基本属性，物品的类别属性等基本标签。这个基本属性的信息对于推荐模型来说也非常重要，这里将基础属性经过变换后与游走嵌入向量联合，输入神经网络进行训练，并根据目标节点与其采样的负样本进行无监督的训练，训练目标为相邻节点、同类型节点距离小，不相邻节点、不同类型节点距离大，最终训练生成节点嵌入的神经网络。
34、最后，根据不同的时间周期下推荐的结果乘以一定的时间衰减因子，目的在于将用户的行为赋予不同的权重，遵循时间越近权重越大的原则，这样能够更好地实时捕捉用户偏好需求，再根据向量的距离得到推荐结果进而实时化推荐。
本文档来自技高网...【技术保护点】
1.一种基于用户关联关系的物品推荐方法，其特征在于包括：
2.根据权利要求1所述的一种基于用户关联关系的物品推荐方法，其特征在于：所述节点关联关系以用户和物品为节点并构建节点之间的相互关系，且每个节点包含各自的属性；所述异构图以用户和物品为节点以关系为连边，并且根据交互次数为连边赋予权重。
3.根据权利要求2所述的一种基于用户关联关系的物品推荐方法，其特征在于：根据异构图中连边的权重，利用metaPath2Vec算法对异构图中的节点进行有偏的随机游走。
4.根据权利要求1所述的一种基于用户关联关系的物品推荐方法，其特征在于所述进行有偏的随机游走的策略包括：用户-物品-用户、用户-用户-物品-用户或物品-用户-物品中的一种或者几种。
5.根据权利要求1所述的一种基于用户关联关系的物品推荐方法，其特征在于：利用word2Vec算法对节点的节点序列进行嵌入获取图关系结构化特征向量。
6.根据权利要求1所述的一种基于用户关联关系的物品推荐方法，其特征在于：
7.根据权利要求1所述的一种基于用户关联关系的物品推荐方法，
8.根据权利权利要求1所述的一种基于用户关联关系的物品推荐方法，其特征在于：
9.根据权利要求1所述的一种基于用户关联关系的物品推荐方法，其特征在于：根据用户和物品之间的相似度由高到低进行排序，将序列中前N个物品推荐给该用户。
10.一种基于用户关联关系的物品推荐系统，其特征在于包括：
...【技术特征摘要】
1.一种基于用户关联关系的物品推荐方法，其特征在于包括：
2.根据权利要求1所述的一种基于用户关联关系的物品推荐方法，其特征在于：所述节点关联关系以用户和物品为节点并构建节点之间的相互关系，且每个节点包含各自的属性；所述异构图以用户和物品为节点以关系为连边，并且根据交互次数为连边赋予权重。
3.根据权利要求2所述的一种基于用户关联关系的物品推荐方法，其特征在于：根据异构图中连边的权重，利用metapath2vec算法对异构图中的节点进行有偏的随机游走。
4.根据权利要求1所述的一种基于用户关联关系的物品推荐方法，其特征在于所述进行有偏的随机游走的策略包括：用户-物品-用户、用户-用户-物品-用户或物品-用户-物品中的一种或...
【专利技术属性】
技术研发人员：王瑜，
申请(专利权)人：成都帆点创想科技有限公司，
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。