[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

说明书

本申请涉及一种基于异质信息的推荐方法、系统、计算机设备和存储介质。该方法包括：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；根据不同元路径将异质信息网络分解为不同的同质子网络，利用同质子网络构建购买记录中用户和物品的初始特征向量表示；基于初始特征向量表示，学习相应的特征向量嵌入，得到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。通过该方法，优化了在用户和物品推荐中的精准度和推荐效率。

技术领域

本申请涉及大数据领域，特别是涉及一种基于异质信息的推荐方法、系统、计算机设备和存储介质。

背景技术

由于在线信息的快速增长，在线用户很难在海量信息中及时找到感兴趣的物品或服务。推荐系统是解决信息过载、帮助用户过滤信息的有效方法。推荐系统已广泛应用于电子商务、广告、教育等领域。推荐系统的设计思想是预测用户对一组尚未购买的商品的偏好，并推荐出符合用户需求或口味的商品。协同过滤是推荐系统的一种典型技术，一般基于历史用户与物品交互来预测用户的偏好。通常，协同过滤技术由两个重要部分组成：1）潜在特征学习，将用户和物品转化为嵌入向量表示；2）交互建模，使用潜在表示来预测用户和物品之间的交互。例如，矩阵分解是一种流行的协同过滤方法，通过将用户-物品评级矩阵分解为两个低秩特定用户矩阵和特定物品矩阵, 然后利用分解得到的向量矩阵进行进一步的推荐预测。

然而，协同过滤方法的一大缺陷是，这些方法只关注直接的用户-物品交互数据，而忽略了其余不同的关系信息，不能完全描述用户的偏好信息和物品的特征，同时还会面临数据稀疏的问题。近年来，异质信息网络因其包含的综合信息和丰富语义，受到越来越多的关注，已被证明是一种能将不同关系和信息有效融合到推荐模型中的强大技术。异质信息网络包含不同类型的对象, 并且可以表示出对象之间的所有种类的关系，为在推荐系统中建模用户和物品之间的复杂关系提供了一种可行的方法。基于异质信息网络的推荐系统，其主要任务是利用额外的辅助信息为用户和物品生成准确的表示。基于异质信息网络的推荐系统已经取得了令人鼓舞的性能改进。现存方法一般分为三个关键步骤，即信息提取、嵌入学习和信息融合。信息抽取的目的是抽取异质信息网络中的语义信息。基于提取的信息，嵌入学习模型生成不同语义关系的潜在表示。融合过程将得到的嵌入表示整合起来，获得用户和物品的向量表示，之后对用户和物品之间的交互进行建模预测。然而，现有的方法大多集中在嵌入学习模块的算法设计上，对初始特征向量表示的构建关注甚少。流行的特征初始化方法，如独热编码或随机初始化，忽略了异质信息网络的基本属性，导致在给定有限信息的情况下，需要增加推荐模型的计算复杂度来补偿初始向量带来的不可逆信息损失。在某种程度上，过于复杂的模型结构可能会阻碍它在现实世界推荐系统中的应用。

发明内容

基于此，有必要针对上述技术问题，提供一种基于异质信息的推荐方法、系统、计算机设备和存储介质。

第一方面，本发明实施例提供了一种基于异质信息的推荐方法，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；

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。

进一步的，所述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：