[发明专利]基于用户社交网络和产品相似度的推荐方法

说明书

本发明涉及一种基于用户社交网络和产品相似度的推荐方法，包括：初始化用户特征向量和产品特征向量；构建用户‑用户社交关系图、用户‑产品交互图和产品知识图谱；通过用户‑产品交互图和用户‑用户社交关系图分别得到两个用户特征向量，比较两个用户特征向量，通过预设的第一相似度阈值指导用户特征向量迭代更新，得到优化的用户特征向量；相似地，通过用户‑产品交互图和产品知识图谱指导产品特征向量迭代更新，得到优化的产品特征向量；根据优化的用户特征向量和优化的产品特征向量，进行用户的偏好预测，得到推荐结果。本发明的方法可以得到更完备、更能表征用户产品关系的用户特征向量和产品特征向量，以实现精准的推荐。

技术领域

本发明属于数据挖掘技术领域，具体涉及一种基于用户社交网络和产品相似度的推荐方法。

背景技术

近年来，随着互联网技术的广泛应用，信息过载问题越来越严重，为了满足用户的个性化需求，在海量的数据中对信息进行筛选，推荐系统应运而生。通过推荐系统，可以将不同的产品精准地推荐给用户，大大节省了用户选购各种产品的时间，同时有利于产品的价值最大化。

传统的产品推荐系统主要包括两大类：基于产品内容属性相似度的内容过滤(Content-Based Filtering，CB)算法以及基于用户产品交互记录挖掘各自相似度的协同过滤(Collaboration Filtering，CF)算法。CB算法忽略了用户和产品之间复杂的交互关系，CF算法过于依赖历史交互记录，无法应对数据稀疏和冷启动问题，而且面对大规模网络时缺乏时效性。针对以上问题，基于知识图谱的推荐算法被提出。知识图谱(Knowledgegraph，KG)作为一种异构图，可以表征用户以及产品之间的内在属性关系，把用户以及产品的属性作为边缘信息引入推荐系统，得到用户以及产品之间的高阶隐式连接关系，可以很好的解决冷启动问题。

一直以来，知识图谱以及用户-产品交互图都是分别作为一个独立的图结构来优化推荐系统，随着互联网的普及，社交网络成为衡量用户属性以及用户之间关系的重要因素，用户之间的关系很大程度上会影响用户对于产品的选择。在现有方法中，传统产品相似度推荐和社交网络推荐是两个独立的推荐系统，对于每种图结构数据的使用都是独立的，随着数据爆炸性的增长，推荐系统的准确性和实时性都面临巨大的挑战。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于用户社交网络和产品相似度的推荐方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供了一种基于用户社交网络和产品相似度的推荐方法，包括：

S1：初始化用户特征向量和产品特征向量；

S2：构建用户-用户社交关系图、用户-产品交互图和产品知识图谱；

S3：将所述用户特征向量分别输入所述用户-产品交互图和所述用户-用户社交关系图中，得到第一用户特征向量和第二用户特征向量，计算所述第一用户特征向量与所述第二用户特征向量的用户相似度，根据所述用户相似度以及预设的第一相似度阈值，迭代更新用户特征向量，得到优化的用户特征向量；

S4：将所述产品特征向量分别输入所述用户-产品交互图和所述产品知识图谱中，得到第一产品特征向量和第二产品特征向量，计算所述第一产品特征向量与所述第二产品特征向量的产品相似度，根据所述产品相似度以及预设的第二相似度阈值，迭代更新产品特征向量，得到优化的产品特征向量；

S5：根据所述优化的用户特征向量和所述优化的产品特征向量，进行用户的偏好预测，得到推荐结果。

在本发明的一个实施例中，所述S1包括：

将离散的节点特征向量映射为连续的向量，学习节点特征向量的低维潜在表示，其中，所述节点特征向量包括用户特征向量和产品特征向量。

在本发明的一个实施例中，所述S2包括：