[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

说明书

本发明实施例提供了一种基于元学习的异质信息网络冷启动推荐方法及装置，其中方法包括：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；将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，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第一节点对应的第二特征向量和各第二节点各自对应的第二特征向量；计算第一节点对应的第二特征向量与各第二节点各自对应的第二特征向量之间的相似度；基于各相似度，确定向第一节点推荐的目标第二节点。本发明实施例，能够提高异质信息网络冷启动推荐结果的准确度。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种基于元学习的异质信息网络冷启动推荐方法及装置。

背景技术

随着科技的发展，推荐系统已经在各种线上服务中得以广泛开发部署，例如电子商务平台和新闻平台等，推荐系统可以为用户解决信息过载的问题。作为推荐系统的核心，对信息的协同过滤旨在根据交互历史记录来估算节点信息之间交互的可能性，例如，根据用户过去的购买和点击等历史操作记录来估算用户购买某一商品的可能性。但实际中，新用户或新商品的交互数据往往是非常稀疏的，导致冷启动场景的出现。

异质信息网络可以定义为一个包含多种类型节点和边的图，节点集合表示为V，边集合表示为E，异质信息网络的图表示可以为G＝(V,E,O,R)，其中，边表示节点与节点之间的关系，在图G中，每个节点关联一个类型映射函数每个边关联一个类型映射函数表示节点类型集合，R表示边类型集合，当|O|+|R|2时，图G为异质信息网络。如图1所示，图1为以电影推荐系统构建的一个异质信息网络，在该异质信息网络中包含用户、电影、演员以及导演四种类型的节点，以及各节点之间的边。

以节点类型分别为用户和商品为例，在给定异质信息网G＝(V,E,O,R)中，V_U，V_I∈V分别定义为用户集合和商品集合。给定用户和商品间的评分集合r_u,i表示用户u对商品i的评分，u,i表示用户u和商品i之间的关系，如果用户u是一个仅有少量评分的新用户，即是很小的，则称为用户冷启动，u′表示一个新用户。相似的，如果商品i是一个新商品，即为商品冷启动；如果用户u和商品i都是新加入的，那么即为用户商品冷启动。

现有为解决异质信息网络冷启动问题，在异质信息网络中进行冷启动推荐的方法为：融合额外信息以增加不同节点的表示信息，该额外信息为异质信息网络中每一节点对应的除已有信息之外的信息，使用融合额外信息后的节点表示信息完成冷启动推荐，节点表示信息可以使用向量表示。以节点类型分别为用户和商品为例，可以将用户或者商品相关的内容作为额外信息，例如，用户的额外信息可以包括：用户自身的年龄、性别，以及该用户是否购买过商品，或已购买商品的信息等；商品的额外信息可以包括：商品自身的属性信息，以及购买过该商品的用户信息等。具体的冷启动推荐方法可以为：获取不同节点的额外信息，并得到融合额外信息后的每一节点的表示信息，然后，针对第一节点，计算该第一节点的表示信息与第二节点的表示信息之间的相似度，向第一节点推荐相似度大于设定阈值的第二节点。其中，第一节点为待推荐节点，第二节点为推荐节点。

然而，实际应用中，考虑到信息的安全性，获取不同节点的额外信息比较困难，且获取的额外信息准确度不能保证，使得异质信息网络冷启动推荐结果不准确。

发明内容

本发明实施例的目的在于提供一种基于元学习的异质信息网络冷启动推荐方法及装置，以提高异质信息网络冷启动推荐结果的准确度。具体技术方案如下：

第一方面，本发明实施例提供了一种基于元学习的异质信息网络冷启动推荐方法，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结果；