[发明专利]一种基于门机制的序列社交推荐方法、系统及存储介质

说明书

本发明涉及一种基于门机制的序列社交推荐方法、系统及存储介质，方法包括：将用户与朋友原始消费数据划分序列，初始化得到用户序列数据和朋友序列数据；基于选择门机制的GRU神经网络得到用户和朋友的当前兴趣；基于选择门机制的网络拼接得到朋友的短期兴趣，将朋友的商品数据进行初始化得到朋友的长期兴趣，将朋友的短期兴趣与朋友的长期兴趣拼接得到朋友的最终兴趣；基于图注意力的神经网络得到朋友影响，将朋友影响与所述用户的当前兴趣拼接得到用户的最终兴趣；计算不同商品的概率分布，根据所述概率分布进行模型训练，根据训练模型向用户推荐商品信息；通过选择门机制可以更准确学习用户的兴趣，使推荐系统的推荐性能得到进一步提高。

技术领域

本发明涉及推荐系统技术领域，具体涉及一种基于门机制的序列社交推荐方法、系统及存储介质。

背景技术

推荐系统通过分析用户的行为，找到用户的个性化需求，从而将一些商品个性化推荐给相应的用户，帮助用户找到自己想要但难以被发现的商品。现有的推荐系统模型有多种多样，比如基于RNN的序列推荐系统：给定一系列历史用户-项目交互，基于RNN的序列推荐系统通过对给定交互的顺序依赖关系建模，尝试预测下一个可能的交互，除了基本的RNN外，长短时记忆(LSTM)和基于门控递归单元(GRU)的RNN也被开发用于捕获序列中的长期依赖关系；再比如基余序列与社交相结合的推荐系统，这种推荐系统不仅利用了用户的自身兴趣还结合了朋友的影响，提高了推荐系统的性能表现，但现有技术在用户兴趣学习过程中，对用户的兴趣学习不准确，不足以表达用户的真实兴趣。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种基于门机制的序列社交推荐方法、系统及存储介质。利用选择门过滤无用信息的特性信息，保留与当前整体消费特征有关的特征信息，得到用户和朋友的兴趣表达，通过选择门机制可以更准确学习用户的兴趣，使推荐系统的推荐性能得到进一步提高。

本发明解决上述技术问题的技术方案如下：一种基于门机制的序列社交推荐方法包括：

步骤S1、分别将用户原始消费数据和朋友原始消费数据划分序列，得到用户序列段和朋友序列段，将所述用户序列段和所述朋友序列段初始化，得到供GRU神经网络识别的用户序列数据和朋友序列数据；

步骤S2、基于选择门机制的GRU神经网络，对所述用户序列数据进行过滤选择，得到用户的当前兴趣，并对所述朋友序列数据进行过滤选择，得到朋友的当前兴趣；

步骤S3、对所述朋友的当前兴趣进行拼接处理，得到朋友的短期兴趣，将所述朋友的原始消费数据中的商品数据进行初始化，得到朋友的长期兴趣，将所述朋友的短期兴趣与所述朋友的长期兴趣拼接得到朋友的最终兴趣；

步骤S4、基于图注意力的神经网络，对所述用户的当前兴趣和朋友的所述最终兴趣进行卷积，得到多个朋友对用户兴趣的权重，根据多个朋友对用户兴趣的权重加权计算得到朋友影响；

步骤S5、将所述朋友影响与所述用户的当前兴趣拼接得到用户的最终兴趣；

步骤S6、根据Softmax函数对所述用户的最终兴趣进行计算，得到用户对不同商品的概率分布，根据所述概率分布进行模型训练，得到训练模型，根据所述训练模型向用户推荐商品信息。

本发明的有益效果是：将经过GRU神经网络输出处理后得到的用户兴趣再经过选择门可过滤与当前整体消费特征无关的信息，保留与当前整体消费特征有关的特征信息，得到用户和朋友的兴趣表达，根据不同朋友的兴趣权重，增强与用户兴趣相似的朋友影响，更能准确获取用户的消费兴趣。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步，所述步骤S1具体包括: