[发明专利]基于图神经网络的推荐方法、系统、电子设备及存储介质

权利要求书

1.一种基于图神经网络的推荐方法，其特征在于，包括：

获取第一样本数据集，所述第一样本数据集包含在第一时间段内采集的若干用户的用户数据以及若干项目的项目数据；

将每个所述用户和每个所述项目分别作为节点，并根据所述用户数据和所述项目数据分别获取各节点对应的邻近节点集合；

获取每个所述节点对应的各邻近节点的TF-IDF值；

将每个所述节点对应的各邻近节点的TF-IDF值与预先生成的随机噪声相加，得到每个所述节点与对应的各邻近节点之间的权重；

根据每个所述节点与对应的各邻近节点之间的权重，获取每个所述节点对应的目标邻近节点；

根据每个所述节点对应的目标邻近节点，生成网络图；

利用所述第一样本数据集、所述网络图以及每个所述节点与对应的各邻近节点之间的权重，对预设的神经网络模型进行训练，得到目标神经网络模型；

根据所述目标神经网络模型，获取每个所述节点的嵌入向量；

根据每个所述节点的嵌入向量，获取不同节点之间的相似度，并根据所述不同节点之间的相似度进行项目推荐；

所述获取每个所述节点对应的各邻近节点的TF-IDF值的步骤，包括针对每个所述节点执行以下步骤：

从当前节点对应的邻近节点集合中，获取对应各邻近节点出现的频次占比作为所述当前节点的各邻近节点的TF值；

获取所述当前节点的各邻近节点分别对应的邻近节点数量；

获取与所述当前节点类型相同的同类型节点总数；

根据所述当前节点的各邻近节点分别对应的邻近节点数量、以及所述同类型节点总数，获取所述当前节点的各邻近节点的IDF值；

将所述当前节点的对应邻近节点的TF值与IDF值相乘，得到所述当前节点对应的各邻近节点的TF-IDF值。

2.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，在所述根据所述目标神经网络模型，获取每个所述节点的嵌入向量的步骤之前，所述方法还包括：

获取第二样本数据集，所述第二样本数据集包含在第二时间段内采集的若干用户的用户数据以及若干项目的项目数据、以及各所述用户与对应所述项目的交互时间信息；

在保持所述目标神经网络模型中已经训练得到的参数不变的情况下，利用所述第二样本数据集对所述目标神经网络模型进行再次训练。

3.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，在所述获取第一样本数据集的步骤之后，所述方法还包括：对所述第一样本数据集进行预处理。

4.根据权利要求2所述的基于图神经网络的推荐方法，其特征在于，在所述获取第二样本数据集的步骤之后，所述方法还包括：对所述第二样本数据集进行预处理。

5.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，当有新增用户或新增项目时，所述方法还包括以下步骤：

根据所述新增用户的用户数据或新增项目的项目数据更新所述第一样本数据集，得到新样本数据集；

将所述新样本数据集中每个用户和每个项目分别作为新节点，并根据每个新节点对应的用户数据或所述项目数据分别获取各新节点对应的邻近节点集合；

获取每个所述新节点对应的各邻近节点的TF-IDF值；

将每个所述新节点对应的各邻近节点的TF-IDF值与预先生成的随机噪声相加，得到每个所述新节点与对应的各邻近节点之间的权重；

根据每个所述新节点与对应的各邻近节点之间的权重，获取每个所述新节点对应的目标邻近节点；

根据每个所述新节点对应的目标邻近节点，生成新网络图；

将所述新样本数据集、所述新网络图以及每个所述新节点与对应的各邻近节点之间的权重输入所述目标神经网络模型，得到每个所述新节点的嵌入向量；

根据每个所述新节点的嵌入向量，获取不同新节点之间的相似度，并根据不同新节点之间的相似度进行项目推荐。