【技术实现步骤摘要】
本专利技术主要涉及社交推荐，具体涉及一种兴趣社交关系的推荐方法、装置、系统以及存储介质。
技术介绍
1、推荐方法作为当今信息时代的重要组成部分，旨在帮助用户发现并获得个性化、符合偏好的内容。其中，协同过滤是一种常见的推荐算法，通过分析用户行为和偏好，从大量用户中找到相似兴趣的群体，为用户推荐可能感兴趣的物品或内容。然而，传统的协同过滤算法在面对数据稀疏和冷启动问题时表现不佳。
2、现有兴趣社交关系的推荐方法大多在社交空间中直接使用原始社交数据，然而原始社交数据中很大一部分社交关系是冗余的甚至是嘈杂的。例如，部分朋友很可能在特定领域缺乏共同爱好，甚至在兴趣爱好上彼此无关联，这些导致了很大一部分社交关系对于推荐任务来说是无意义的，这将降低推荐系统的准确性和计算效率。除此之外，现有兴趣社交关系的推荐方法使用向量相加或拼接的方法并不能获取更为准确的用户和项目目标节点嵌入。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的不足，提供一种兴趣社交关系的推荐方法、装置、系统以及存储介质。
2、本专利技术解决上述技术问题的技术方案如下：一种兴趣社交关系的推荐方法，包括如下步骤：
3、导入各个目标用户对应的用户id数据、各个目标用户对应的多个原始项目交互数据以及与各个所述目标用户对应的多个原始社交数据；
4、分别对各个目标用户对应的用户id数据以及各个所述目标用户对应的各个原始项目交互数据进行向量化处理，得到与各个所述用户id数据对应的初
5、分别对各个所述目标用户对应的多个原始项目交互向量以及与各个所述目标用户对应的多个原始社交数据进行数据清洗，得到与各个所述目标用户对应的多个兴趣社交数据；
6、构建训练模型，通过所有所述目标用户对应的初始用户节点向量、所有所述目标用户对应的多个原始项目交互向量以及所有所述目标用户对应的多个原始兴趣社交数据对所述训练模型进行模型分析，得到社交关系推荐模型；
7、导入多个待推荐项目交互数据，通过所述社交关系推荐模型对所有所述待推荐项目交互数据进行推荐，得到兴趣社交关系的推荐结果。
8、本专利技术解决上述技术问题的另一技术方案如下：一种兴趣社交关系的推荐装置，包括：
9、导入模块，用于导入各个目标用户对应的用户id数据、各个目标用户对应的多个原始项目交互数据以及与各个所述目标用户对应的多个原始社交数据；
10、向量化处理模块，用于分别对各个目标用户对应的用户id数据以及各个所述目标用户对应的各个原始项目交互数据进行向量化处理，得到与各个所述用户id数据对应的初始用户节点向量以及与各个所述原始项目交互数据对应的原始项目交互向量；
11、数据清洗模块，用于分别对各个所述目标用户对应的多个原始项目交互向量以及与各个所述目标用户对应的多个原始社交数据进行数据清洗，得到与各个所述目标用户对应的多个兴趣社交数据；
12、模型分析模块，用于构建训练模型，通过所有所述目标用户对应的初始用户节点向量、所有所述目标用户对应的多个原始项目交互向量以及所有所述目标用户对应的多个原始兴趣社交数据对所述训练模型进行模型分析，得到社交关系推荐模型；
13、所述导入模块，还用于导入多个待推荐项目交互数据；
14、推荐结果获得模块，用于通过所述社交关系推荐模型对所有所述待推荐项目交互数据进行推荐，得到兴趣社交关系的推荐结果。
15、基于上述一种兴趣社交关系的推荐方法，本专利技术还提供一种兴趣社交关系的推荐系统。
16、本专利技术解决上述技术问题的另一技术方案如下：一种兴趣社交关系的推荐系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的兴趣社交关系的推荐方法。
17、基于上述一种兴趣社交关系的推荐方法，本专利技术还提供一种计算机可读存储介质。
18、本专利技术解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的兴趣社交关系的推荐方法。
19、本专利技术的有益效果是：通过对用户id数据以及原始项目交互数据的向量化处理得到初始用户节点向量以及原始项目交互向量，对原始项目交互向量以及原始社交数据的数据清洗得到兴趣社交数据，通过初始用户节点向量、原始项目交互向量以及原始兴趣社交数据对训练模型的模型分析得到社交关系推荐模型，通过社交关系推荐模型对待推荐项目交互数据的推荐得到兴趣社交关系的推荐结果，能够动态筛选和去除兴趣社交空间中的无意义社交，有效地过滤可能干扰或误导用户的社交信息，提升了推荐算法的计算效率，还能提高推荐的准确率，在推荐方法中具有较大的实用价值，极大地满足了用户的需求。
本文档来自技高网...【技术保护点】
1.一种兴趣社交关系的推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的兴趣社交关系的推荐方法，其特征在于，所述分别对各个所述目标用户对应的多个原始项目交互向量以及与各个所述目标用户对应的多个原始社交数据进行数据清洗，得到与各个所述目标用户对应的多个兴趣社交数据的过程包括：
3.根据权利要求2所述的兴趣社交关系的推荐方法，其特征在于，所述原始社交数据包括邻居用户以及与所述邻居用户对应的邻居项目交互数据，
4.根据权利要求3所述的兴趣社交关系的推荐方法，其特征在于，所述根据各个所述目标用户对应的多个排序后社交关系置信度分数分别从各个所述目标用户对应的多个原始社交数据中筛选出与各个所述目标用户对应的多个兴趣社交数据的过程包括：
5.根据权利要求1所述的兴趣社交关系的推荐方法，其特征在于，所述构建训练模型，通过所有所述目标用户对应的初始用户节点向量、所有所述目标用户对应的多个原始项目交互向量以及所有所述目标用户对应的多个原始兴趣社交数据对所述训练模型进行模型分析，得到社交关系推荐模型的过程包括：
6.根据权利要求5
7.根据权利要求6所述的兴趣社交关系的推荐方法，其特征在于，所述S42中，对所有所述目标用户对应的多个原始项目交互向量、所有所述目标用户对应的多个预测评分以及所有所述目标用户对应的多个真实评分进行损失值计算，得到损失值的过程包括：
8.一种兴趣社交关系的推荐装置，其特征在于，包括：
9.一种兴趣社交关系的推荐系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，当所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述的兴趣社交关系的推荐方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的兴趣社交关系的推荐方法。
...【技术特征摘要】
1.一种兴趣社交关系的推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的兴趣社交关系的推荐方法，其特征在于，所述分别对各个所述目标用户对应的多个原始项目交互向量以及与各个所述目标用户对应的多个原始社交数据进行数据清洗，得到与各个所述目标用户对应的多个兴趣社交数据的过程包括：
3.根据权利要求2所述的兴趣社交关系的推荐方法，其特征在于，所述原始社交数据包括邻居用户以及与所述邻居用户对应的邻居项目交互数据，
4.根据权利要求3所述的兴趣社交关系的推荐方法，其特征在于，所述根据各个所述目标用户对应的多个排序后社交关系置信度分数分别从各个所述目标用户对应的多个原始社交数据中筛选出与各个所述目标用户对应的多个兴趣社交数据的过程包括：
5.根据权利要求1所述的兴趣社交关系的推荐方法，其特征在于，所述构建训练模型，通过所有所述目标用户对应的初始用户节点向量、所有所述目标用户对应的多个原始项目交互向量以及所有所述目标用户对应的多个原...
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。