[发明专利]一种系统推荐方法

说明书

本发明公开了一种系统推荐方法，具体处理步骤如下：101）数据关系关联步骤、102）用户关系数据融合步骤、103）商品数据融合步骤、104）推荐评分预测步骤；本发明提供了通过异构网络对节点进行表示学习，增强节点特征表示，提高稀疏数据的处理能力的一种系统推荐方法。

技术领域

本发明涉及推荐技术领域，更具体的说，它涉及一种系统推荐方法。

背景技术

随着互联网和大数据技术的发展，信息爆炸的时代已经来临，各种各样的信息出现在人们眼中，作为帮助人们选择有用的信息的技术，推荐系统已经出现在医疗，商业，教育等多个领域，并展现出强大的能力。

随着时代的发展，网络数据越来越复杂，当下网络中的数据并不是由单一类型的元素构成，大量不同类型的数据构成了各种各样的网络图，然而传统的推荐算法只能够处理有单一数据构成的规则拓扑图，因此异构信息网络(HIN)应运而生。异构信息网络已经作为一种强大的建模方法应用到推荐领域。异构信息网络是一种特殊类型的网络，网络中包含大量不同类型的节点，节点之间由不同类型的边连接在一起，这些边表示了网络节点之间不同的关系。把异构信息网络融入到推荐系统中，很大程度上加快了该领域的发展。

近年来图神经网络也被广泛应用到推荐系统中，其作用是融合节点的邻居信息，以展示出节点更多的特征信息，但是图神经网络有自身的不足之处，GraphRec模型只是单纯的融合了节点的一阶邻居，无法提取节点更加深层次的关系。如果数据集比较稀疏，节点的邻居节点的数量相对较少，无法充分融合节点的特征信息，进而导致预测不准确性会增加。

发明内容

本发明解决了上述技术问题，提供了通过异构网络对节点进行表示学习，增强节点特征表示，提高稀疏数据的处理能力的一种系统推荐方法。

本发明的技术方案如下：

一种系统推荐方法，具体处理步骤如下：

101)数据关系关联步骤：由U＝{u₁,u₂,...,u_n}表示用户数据集合、V＝{v₁,v₂,...,v_m}表示商品数据集，表示数据之间的元路径，A代表用户或商品，R代表社会关系或买与卖关系；元路径的生成如下公式：

其中，n_t为当前结点，n_t+1为下一个节点，表示v的邻居中有属于A_t+1的，ρ表示元路径规则，设定元路径的长度为L；φ(x)表示路径的下一个节点的类型，属于网络中节点类型；v和x分别表示当前结点和下一个节点，属于网络中的所有节点；

用户、商品交互关系的元路径生成的用户、商品的向量表示为和用户社交关系的元路径生成的用户向量表示为评分向量表示e_r；

102)用户关系数据融合步骤：用户数据集合中包括用户项目交互网络的u_v和用户社交网络的u_u；用户项目交互网络的u_v结合attention网络生成对应的权重，得到用户交互网络中该用户的隐含向量表示，具体如下公式：

其中，表示用户i在交互网络中的隐含向量，σ为激活函数，w和b为神经网络参数，C表示用户对商品打出的所有评分，N_i表示节点i的邻居，softmax表示softmax函数，x_jr表示商品j和对应评分r的向量融合，g_τ为一个多层全连接神经网络，表示向量的拼接，w₁、w₂、b₁、b₂表示attention网络两层全连接层的参数；

用户社交网络的u_u结合attention网络生成对应的权重，得到用户在社交网络中该用户的隐含向量表示，具体如下公式：