[发明专利]一种基于元学习的异质信息网络冷启动推荐方法及装置

权利要求书

1.一种基于元学习的异质信息网络冷启动推荐方法，其特征在于，所述方法包括：

获取第一节点信息以及各第二节点信息，得到第一节点对应的第一特征向量和各第二节点各自对应的第一特征向量；其中，所述第一节点信息为异质信息网络中已有的用于表示所述第一节点的特征的信息，所述第二节点信息为所述异质信息网络中已有的用于表示所述第二节点的特征的信息，所述第一节点为待接收推荐结果的节点，所述第二节点为候选推荐节点；所述第一节点为用户，所述第二节点为商品，所述第一节点信息包括：用户在异质信息网络中注册时的用户账号、用户密码、用户标识，所述第二节点信息包括：商品在异质信息网络中注册时的商品标识、商品名称、商品类型；

将所述第一节点对应的第一特征向量和各所述第二节点各自对应的第一特征向量，分别输入预先训练好的元学习模型中，通过聚合上下文语义得到所述第一节点对应的第二特征向量和各所述第二节点各自对应的第二特征向量；其中，所述预先训练好的元学习模型是根据第一样本节点对应的第一特征向量，第二样本节点对应的第一特征向量，以及是否向第一样本节点推荐第二样本节点所对应的真值标签训练得到的，每一样本节点对应的第一特征向量是基于预先构建的该样本节点对应的语义增强模型得到的，所述语义增强模型是根据所述样本节点在异质信息网络中的上下文语义构建的；所述第一样本节点为样本用户，所述第二样本节点为样本商品；

计算所述第一节点对应的第二特征向量与各所述第二节点各自对应的第二特征向量之间的相似度；

基于各所述相似度，确定向所述第一节点推荐的目标第二节点；

其中，预先构建的第一样本节点对应的语义增强模型表示为其中，表示第一样本节点u对应的语义增强支撑集，表示第一样本节点u对应的语义增强查询集，表示向第一样本节点u推荐的第二样本节点集合，表示语义增强支撑集中第一样本节点u基于元路径集合的语义上下文，表示没有向第一样本节点u推荐过的第二样本节点集合，表示语义增强查询集中第一样本节点u基于元路径集合的语义上下文，所述语义增强支撑集和所述语义增强查询集中的第二样本节点集合是互斥的。

2.根据权利要求1所述的方法，其特征在于，所述基于各所述相似度，确定向所述第一节点推荐的目标第二节点，包括：

按照从大到小的顺序对各所述相似度进行排序，得到相似度序列；

将所述相似度序列中前预设数量个相似度对应的第二节点，作为各目标第二节点；

向所述第一节点推荐各所述目标第二节点。

3.根据权利要求1所述的方法，其特征在于，所述元学习模型的训练过程，包括：

构建初始元学习模型；

基于预先构建的样本节点对应的语义增强模型，得到第一样本节点对应的第一特征向量，以及第二样本节点对应的第一特征向量；

将所述第一样本节点对应的第一特征向量，所述第二样本节点对应的第一特征向量，以及是否向所述第一样本节点推荐所述第二样本节点所对应的真值标签，输入所述初始元学习模型，通过聚合上下文语义得到所述第一样本节点对应的第二特征向量，以及所述第二样本节点对应的第二特征向量；

针对每一第一样本节点，计算该第一样本节点对应的第二特征向量与所述第二样本节点对应的第二特征向量之间的相似度；

基于所述第一样本节点对应的第二特征向量与所述第二样本节点对应的第二特征向量之间的相似度，以及所述是否向所述第一样本节点推荐所述第二样本节点所对应的真值标签，计算损失函数；

对损失函数进行最小化处理，得到最小化损失函数；

根据最小化损失函数，更新所述初始元学习模型中各部分参数，训练得到所述元学习模型。

4.根据权利要求3所述的方法，其特征在于，所述损失函数的表达式为：

其中，表示第一样本节点u的损失函数，表示向第一样本节点u推荐第二样本节点i的第二样本节点集合，r_ui表示是否向第一样本节点u推荐第二样本节点i的真值标签，表示向第一样本节点推荐第二样本节点的第二样本节点集合，表示第一样本节点u对应的第二特征向量与第二样本节点i对应的第二特征向量之间的相似度。