[发明专利]基于异质信息的推荐方法、系统、计算机设备和存储介质

权利要求书

1.一种基于异质信息的推荐方法，其特征在于，包括以下步骤：

收集用户的购买记录以及品牌、种类属性信息，获取所述购买记录中用户和物品的异质信息网络；

根据不同元路径将所述异质信息网络分解为不同的同质子网络，利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示，包括：基于路径的计算网络中两个实体之间的相似度算法，从所述同质子网络提取所述购买记录中用户和物品的语义信息，根据所述语义信息的节点相关性构建语义特征向量；获取所述同质子网络中连通图节点之间的关联，根据图数据的拉普拉斯矩阵形式表示，提取基于结构信息的特征构建网络结构特征向量；通过线性组合方法来将所述语义特征向量和所述网络结构特征向量进行聚合，创建所述初始特征向量表示，将所述初始特征向量表示作为嵌入学习模块的输入；

基于所述初始特征向量表示，学习相应的特征向量嵌入，得到所述购买记录中用户和物品的嵌入向量表示；

根据融合后的所述嵌入向量表示进行推荐目标函数的构建，通过所述推荐目标函数进行top-N推荐任务的构建，迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果。

2.根据权利要求1所述的基于异质信息的推荐方法，其特征在于，所述基于所述初始特征向量表示，学习相应的特征向量嵌入，得到所述购买记录中用户和物品的嵌入向量表示，包括：

使用多层感知机模型将所述同质子网络中节点投影到低维空间；

基于所述初始特征向量表示，在所述低维空间中学习相应的特征向量嵌入；

根据所述多层感知机模型中隐藏层的权重和偏置，学习得到用户或物品的嵌入向量表示。

3.根据权利要求1所述的基于异质信息的推荐方法，其特征在于，所述根据融合后的所述嵌入向量表示进行推荐目标函数的构建，通过所述推荐目标函数进行top-N推荐任务的构建，迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果，包括：

采用一维卷积神经网络获取所述同质子网络所对应的每个元路径上的归一化注意力分数；

以所述注意力分数为权重，将不同的元路径生成的所述嵌入向量表示进行集成，得到用户和物品的向量表示；

根据融合后的所述嵌入向量表示进行推荐目标函数的构建，从所述推荐目标函数中得到用户与物品之间的交互概率；

根据所述交互概率进行top-N推荐任务的构建。

4.一种基于异质信息的推荐系统，其特征在于，包括：

异质信息网络模块，用于收集用户的购买记录以及品牌、种类属性信息，获取所述购买记录中用户和物品的异质信息网络；

初始特征构建模块，用于根据不同元路径将所述异质信息网络分解为不同的同质子网络，利用所述同质子网络构建所述购买记录中用户和物品的初始特征向量表示，所述初始特征构建模块包括特征向量处理单元，所述特征向量处理单元用于：基于路径的计算网络中两个实体之间的相似度算法，从所述同质子网络提取所述购买记录中用户和物品的语义信息，根据所述语义信息的节点相关性构建语义特征向量；获取所述同质子网络中连通图节点之间的关联，根据图数据的拉普拉斯矩阵形式表示，提取基于结构信息的特征构建网络结构特征向量；通过线性组合方法来将所述语义特征向量和所述网络结构特征向量进行聚合，创建所述初始特征向量表示，将所述初始特征向量表示作为嵌入学习模块的输入；

嵌入表示模块，用于基于所述初始特征向量表示，学习相应的特征向量嵌入，得到所述购买记录中用户和物品的嵌入向量表示；

信息融合推荐模块，用于根据融合后的所述嵌入向量表示进行推荐目标函数的构建，通过所述推荐目标函数进行top-N推荐任务的构建，迭代优化所述top-N推荐任务并最终得到用户的商品推荐结果。

5.根据权利要求4所述的基于异质信息的推荐系统，其特征在于，所述嵌入表示模块包括嵌入学习单元，所述嵌入学习单元用于：

使用多层感知机模型将所述同质子网络中节点投影到低维空间；

基于所述初始特征向量表示，在所述低维空间中学习相应的特征向量嵌入；

根据所述多层感知机模型中隐藏层的权重和偏置，学习得到用户或物品的嵌入向量表示。