[发明专利]一种基于元路径的个性化推荐方法及系统

权利要求书

1. 一种基于元路径的个性化推荐方法，其特征在于，包括以下步骤：

1）信息获取：获取用户对物品的历史行为信息，用户与用户之间的社会关系和物品自身的内容信息；

2）构建异构网络有向图：基于获取的所有信息构建含有节点类型的异构网络有向图，其中的每一个节点拥有与实际物理类型一致的节点类型；

3）构建概要图：抽象异构网络有向图，只保留节点之间的类型关系，基于异构网路有向图中的节点类型以及节点类型之间的关系构建其概要图；

4）元路径获取：基于概要图，利用广度优先遍历算法，获取含有不同语义的元路径，所述元路径是一个单向路径，其源节点是用户类型，末节点是物品类型，该路径规定了节点遍历的行为和方向，从语义上，不同的元路径对应着不同的语义信息；

5）相关度计算：基于元路径，利用基于异步双向随机游走的相关度计算方法，计算所述元路径下的用户与物品的相关度；

6）生成推荐模型：通过机器学习所述各元路径重要性权值并结合所述元路径生成推荐模型，计算用户对物品的偏好程度；

7）生成推荐项目列表：根据推荐模型预测的用户对未选择物品的偏好程度，以降序方式进行排序，将排在最靠前的一个或多个物品推荐给所述用户。

2.根据权利要求1所述的个性化推荐方法，其特征在于，步骤1）的信息获取过程中，对于用户与用户之间的社会关系，若在应用系统中存在，则获取这些信息；若没有，则无需获取。

3.根据权利要求1所述的个性化推荐方法，其特征在于，在所述步骤1）信息获取和步骤2）构建异构网络有向图之间，还包括对用户历史行为数据进行预处理的步骤，具体为：过滤掉用户对物品否定的信息，只保留肯定的信息；其中对于用户评分系统，中间分数以上的用户评分为肯定信息；在非评分系统中，用户对网页的点击和对物品的购买，都是肯定的信息。

4.根据权利要求1、2或3中所述的个性化推荐方法，其特征在于，所述步骤2）构建异构网络有向图的具体过程为：

       首先，把物品实体及其内容属性值映射为图中相应的节点，并且用实体或属性值的类型作为相应节点的类型; 根据实体拥有的属性值，在相应的节点之间添加双向边; 其次，若用户对物品实体有肯定行为的信息，则在用户与该实体间添加双向边; 最后，若用户是其他用户感兴趣或是其粉丝，即存在社会关系，则添加从该用户节点指向其他用户节点的单向边。

5. 根据权利要求4中所述的个性化推荐方法，其特征在于，步骤4）元路径获取中，需要指定所需元路径长度的上限，以此上限作为元路径获取的结束条件。

6.根据权利要求5所述的个性化推荐方法，其特征在于，步骤5）相关度计算中，所述基于异步双向随机游走的相关度计算方法具体过程为：

       1）依据指定的元路径，分别从路径的源节点和末节点出发，源节点沿着指定的元路径随机游走，末节点沿着元路径逆向随机游走，计算它们到达元路径上每一个位置对应节点的概率；

       2）利用余弦定理对到达同一节点的概率作归一化，并以此作为两节点相遇的概率；

       3）采用算数平均源节点和末节点在元路径每一个位置的相遇概率作为源末节点的相关度。

7.根据权利要求1所述的个性化推荐方法，其特征在于，步骤6）生成推荐模型步骤中机器学习的方法采用的是排序学习方法。

8.一种基于元路径的个性化推荐系统，其特征在于，所述系统包括：

    信息获取模块，用于获取用户对物品的历史行为信息，用户与用户之间的社会关系和物品自身的属性信息；

    预处理模块，用于过滤掉用户对物品否定的信息，只保留肯定的信息；

    图建立模块，用于基于用户对物品的历史行为信息，用户之间的社会关系以及物品自身的属性信息构建含有节点类型的异构网络有向图以及其概要图；

    推荐模型生成模块，用于基于所述异构网络有向图及其概要图，利用基于异步双向随机游走的相关度计算方法，预测用户对物品的偏好程度；

    推荐模块，用于根据推荐模型预测的用户对未选择物品的偏好程度，以降序方式进行排序，将排在最靠前的一个或多个物品推荐给所述用户。