[发明专利]基于异构信息网络的混合推荐模型处理方法、系统和介质

说明书

本发明公开了一种基于异构信息网络的混合推荐模型处理方法、系统和介质，所述混合推荐模型的处理过程包括：构建异构信息网络；获取所述异构信息网络中符合第一预设要求的第一用户特征和第一项目特征，以及获取所述异构信息网络中符合第二预设要求的第二用户特征和第二项目特征；将所述符合第三预设要求的第一用户特征与第二用户特征，以及第一项目特征与第二项目特征进行拼接，得到拼接特征向量；根据所述拼接特征向量定义预测函数；定义所述预测函数对应的损失函数；通过所述预测函数和所述损失函数优化所述混合推荐模型。本发明在进行推荐时展现推荐的可解释性，便于推荐模型的推荐分析与大范围应用。本发明可应用于信息推荐技术领域。

技术领域

本发明涉及信息推荐技术领域，尤其是一种基于异构信息网络的混合推荐模型处理方法、系统和介质。

背景技术

推荐模型将用户获取信息的方式从主动检索跳跃到了接受个性化推荐，使用户可以准确且快速获取信息。但是，在推荐系统的应用过程中，由于用户和被推荐的项目之间存在诸多标签、社交关联以及其他信息，而现有的推荐系统大部分专注于结构化数据或者非结构化数据的推荐，且未能在结合结构化与非结构化数据进行推荐时展现推荐的可解释性，从而不利于推荐模型的推荐分析与大范围应用。

发明内容

为解决上述技术问题之一，本发明的目的在于：提供一种于基于异构信息网络的混合推荐模型处理方法、系统和介质，其能在进行推荐时展现推荐的可解释性，便于推荐模型的推荐分析与大范围应用。

第一方面，本发明实施例提供了：

一种基于异构信息网络的混合推荐模型处理方法，包括以下步骤：

构建混合推荐模型；

通过所述混合推荐模型生成目标推荐产品信息；

其中，所述混合推荐模型的通过以下步骤进行处理：

构建异构信息网络；

获取所述异构信息网络中符合第一预设要求的第一用户特征和第一项目特征，以及获取所述异构信息网络中符合第二预设要求的第二用户特征和第二项目特征；

将所述符合第三预设要求的第一用户特征与第二用户特征，以及第一项目特征与第二项目特征进行拼接，得到拼接特征向量；

根据所述拼接特征向量定义预测函数；

定义所述预测函数对应的损失函数；

通过所述预测函数和所述损失函数优化所述混合推荐模型。

进一步地，所述获取所述异构信息网络中符合第一预设要求的第一用户特征和第一项目特征，包括：

通过元结构描述所述异构信息网络中若干个用户信息与项目信息的关联关系；

通过相似度算法计算具备所述关联关系的用户信息与项目信息的相似度矩阵；

通过分解算法获取所述相似度矩阵对应的第一用户特征和第一项目特征。

进一步地，所述获取所述异构信息网络中符合第二预设要求的第二用户特征和第二项目特征，其具体为：

通过卷积神经网络模型获取所述异构信息网络中不具备所述关联关系的第二用户特征和第二项目特征。

进一步地，所述将所述符合第三预设要求的第一用户特征与第二用户特征，以及第一项目特征与第二项目特征进行拼接，得到拼接特征向量，包括：

将所述第二用户特征和所述第二项目特征的维度转换为与所述第一用户特征和所述第一项目特征相同的维度；

将维度转换后的第二用户特征与所述第一用户特征进行第一次拼接，将维度转换后的第二项目特征与所述第一项目特征进行第一次拼接；