[发明专利]社交及消费联合推荐系统、方法、存储介质、计算机设备

说明书

本发明属于深度学习的应用之推荐系统技术领域，公开了一种社交及消费联合推荐系统、方法、存储介质、计算机设备，从评级矩阵R提取出消费偏好特征，从社交矩阵S提取出社交偏好特征，二者通过互惠图神经网络得出联合消费特征和联合社交特征，由此对用户潜在的消费和社交可能进行预测。所述社交及消费联合推荐系统包括：自注意力空间层、自注意力频谱层、互惠分析层、预测层。本发明解决了稀疏矩阵分解的局限性；自注意力模型的引入，充分考虑个体差异性，使得通过前两层提取的特征更贴合用户真实属性；互惠机制的引入，充分发挥了两大推荐系统原始信息的互作用性，提升了预测层推荐的准确性、召回率和NDCG指标。

技术领域

本发明属于深度学习的应用之推荐系统技术领域，尤其涉及一种社交及消费联合推荐系统、方法、存储介质、计算机设备。

背景技术

目前：很多社会学研究表明，人们的消费行为和社交行为息息相关。然而，当前大多数研究要么只考虑社交对消费推荐的影响，要么探索用户关系的推荐，或者将其中一个推荐作为另一个推荐的辅助参考来提升准确率。只有极少数工作将社交和消费推荐作为一个共同的问题，而这些解决思路通常是基于矩阵分解和神经网络，然后简单地使用级联或加权和来汇总用户的消费和社交行为信息，使得二者的互作用关系不能充分得以表征，遗漏了很多潜在的推荐可能。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有技术采用矩阵分解技术提取消费偏好特征和社交偏好特征，推荐系统不可避免地会遇到新用户推荐以及新数据入库的稀疏数据问题，然而，矩阵分解对于稀疏矩阵不敏感，通过矩阵分解提取的消费偏好特征或社交偏好特征，不能解决数据稀疏时的推荐问题；

(2)现有联合推荐技术采用直接级联或加权级联的方式对上述过程提取的特征进行汇总和使用，研究表明，用户的消费行为容易受到其朋友的影响，同时，拥有相同消费行为的人也更容易建立社交联系，简单地使用级联或加权和来汇总特征不能充分体现二者的互作用性；

(3)现有联合推荐技术忽视了个体主观认知差异性在推荐系统中的作用和影响，不同亲密度的友人对其消费行为的影响必然存在差异性，同时，对物品的不同喜爱程度也必然会影响其社交行为。如果不能将个体差异性考虑进去，预测结果准确性必然会受到影响。

解决以上问题及缺陷的难度为：

(1)如何在充分提取消费特征和社交特征的同时解决矩阵稀疏性的问题；

(2)如何合理的表征消费特征以及社交特征的互作用关系；

(3)如何表征个性化差异并合理引入到联合推荐系统。

解决以上问题及缺陷的意义为：由上述分析可知，现有联合推荐系统的缺陷对推荐系统的准确性有极大的影响，因此，解决上述问题将进一步提升联合推荐系统的准确性。

发明内容

针对现有技术存在的问题，本发明提供了一种社交及消费联合推荐系统、方法、存储介质、计算机设备。

本发明是这样实现的，一种社交及消费联合推荐方法，所述社交及消费联合推荐方法包括：

图神经网络和自注意力机制从输入的评级矩阵R提取出消费偏好特征；

图卷积网络和自注意力机制从输入的社交矩阵S提取出社交偏好特征；

引入互惠图神经网络，类比生物界的共生机制，结合消费偏好特征和社交偏好特征得出联合消费特征和联合社交特征；

输入需要预测的用户、可能发生的消费物品以及可能建立关系的人的数据，对用户潜在的消费可能和社交可能进行预测。