[发明专利]基于异构信息网络的推荐方法及装置

说明书

本发明公开了一种基于异构信息网络的推荐方法及装置，通过将异构信息网络的概要图划分为若干个子图，每一所述子图对应一元图，基于每一所述若干个用户‑项目相似性矩阵，然后对每一所述用户‑项目相似性矩阵进行融合，并构造用户‑项目评分方程，并通过优化所述目标函数，根据已知评分的样本对所述用户‑项目评分方程进行训练，获得所述用户‑项目评分方程的参数，从而预测用户对每一项目的评分，将所述评分符合预设条件的项目推荐给所述用户，能有效解决现有技术使用元路径分析用户和项目相似性语义覆盖不全面的问题，充分考虑特征之间的关联性，从而为用户推荐有用的商品。

技术领域

本发明涉及数据挖掘领域，尤其涉及一种基于异构信息网络的推荐方法及装置。

背景技术

随着现代社会的发展，大型的商业推荐系统中的实体的类型越来越丰富。例如，在亚马逊的商务系统中，产品分为各种不同的类别及其包含的各种信息，比如不同的品牌以及用户对产品的评价。因此，在实际的生活中，我们需要在推荐系统中考虑不同信息所包含的丰富语义。现有技术通常采用异构信息网络中的元路径来分析不同实体类型之间的语义联系性，从而向用户推荐有用的商品。

但是，通过元路径分析用户-物品或用户-用户相似性的方法存在语义覆盖不全面的问题。例如，如图1所示的异构信息网络中，当采用路径用户-评价-单词-评价-用户获取用户之间的相似性时，由于两个用户都对海鲜进行了评价，因此可以得到一种联系性。但是，上述路径并未覆盖两个用户对同样的商铺进行评价、在同一城市的联系性，因此，现有技术通过元路径进行语义分析的方案并不能完整覆盖各种相似性，从而不能推荐符合用户需求的商品。再者，通过元路径的方法获得相似性矩阵后，再认知不同路径的权重，从而将不同路径获得的相似性进行融合。但是，这种融合方式没有充分考虑每条路径包含的隐藏特征，而且，相似性矩阵非常稀疏，并不利于最终的融合。为了解决上述问题，现有技术将每个相似性矩阵进行分解，然后利用隐藏的特征重新构造形成一个新的相似性矩阵，再将新的相似性矩阵进行融合。这种方式解决了相似性矩阵的稀疏问题，但是在融合过程中没有充分利用隐藏特征的联系性。

发明内容

本发明实施例的目的是提供一种基于异构信息网络的推荐方法及装置，能有效解决现有技术使用元路径分析用户和项目相似性语义覆盖不全面的问题，充分考虑特征之间的关联性，从而为用户推荐有用的商品。

为实现上述目的，本发明实施例提供了一种基于异构信息网络的推荐方法，包括步骤：

获取多个实体的信息构建异构信息网络，并根据所述多个实体的类型构建所述异构信息网络的概要图；其中，所述异构信息网络中的节点与实体一一对应；

将异构信息网络的概要图划分为若干个子图，每一所述子图对应一元图，分别计算每一所述元图的转移矩阵；其中，所述子图包括预设的实体类型；

根据每一所述元图的转移矩阵，获得每一所述元图对应的用户-项目相似性矩阵，将每一所述用户-项目相似性矩阵进行融合，并构造用户-项目评分方程；

基于所述用户-项目评分方程，构造目标函数，通过优化所述目标函数，根据已知评分的样本对所述用户-项目评分方程进行训练，获得所述用户-项目评分方程的参数；其中，所述样本包括任一用户和任一项目；

将所述用户-项目评分方程的参数代入所述用户-项目评分方程中，预测用户对每一项目的评分，将所述评分符合预设条件的项目推荐给所述用户。