[发明专利]一种基于大数据的推荐方法、系统及可读存储介质

权利要求书

1.一种基于大数据的推荐方法，其特征在于，包括：

获取目标用户的属性信息，基于所述目标用户的属性信息建立用户异质信息网络；

同时建立项目异质信息网络，运用交互算法关联所述用户异质信息网络和项目异质信息网络；

基于上下文感知建立节点嵌入模型，使不同信息对齐到同一空间；

通过对目标用户和项目的低维嵌入表示计算得分生成排序结果，根据所述排序结果对目标用户的喜好进行预测推荐；

同时，通过目标用户及项目的属性信息提取特征构建异质信息网络，根据节点之间的相对关系对目标用户的多种行为进行反馈，通过反馈数据对目标用户实现推荐，具体为：

获取目标用户及项目的属性信息，获取目标用户的多种行为记录；

构建目标用户异质信息网络、项目异质信息网络以及目标用户与项目多种行为记录异质信息网络；

根据异质信息网络中节点的跳转获取目标用户与项目的联系以及不同类型的反馈信息，并将所述反馈信息分为正反馈信息与负反馈信息；

预设所述正反馈信息与负反馈信息的权重，进行多种类型反馈信息的抽样；

通过自注意力方法实现权重的自适应变化；

根据对反馈信息进行表示学习及对齐，完成对目标用户的喜爱推荐；

所述的通过对目标用户和项目的低维嵌入表示计算得分生成排序结果，具体为：

将目标用户和项目进行嵌入对齐连接，获取目标用户和项目之间的数据关联；

提取所述数据关联的特征值、上下文出现概率预测结果数据，将提取到的数据进行预处理；

根据所述特征值及上下文出现概率预测结果数据生成权重信息，通过权重比例计算出目标用户与项目之间的相关性得分；

按所述相关性得分将目标用户与项目的相关性进行倒序排序，根据所述排序结果对目标用户的喜好进行预测推荐；

所述的根据所述特征值及上下文出现概率预测结果数据生成权重信息 ，则所述权重信息的计算公式具体为：

其中，表示所求权重信息，表示项目系数，表示上下文出现概率预测结果数据，表示特征值项数，表述数据关联项数；

还包括，建立神经网络模型对预测信息进行误差补偿及修正，具体为：

建立初始神经网络模型，选取相关数据作为训练集对所述初始神经网络模型进行训练；

设定神经网络模型误差阈值，测试模型误差值，将测量所得误差值与阈值进行比较；

若小于，则证明所述神经网络模型训练完毕，得到训练后神经网络模型；

将预测信息导入训练后神经网络模型，生成所述预测信息的误差补偿信息；

将所述预测信息的误差补偿信息反馈到节点嵌入模型，对预测信息进行误差补偿及修正。

2.根据权利要求1所述的一种基于大数据的推荐方法，其特征在于，所述的基于上下文感知建立节点嵌入模型，使不同信息对齐到同一空间，具体为：

获取目标用户及项目的属性信息，从所述属性信息中进行特征提取，构建异质信息网络；

选取异质信息网络中第节点，将第节点作为中心词，第节点的邻居节点作为相应上下文；

进行多种类型上下文的抽样，根据所述中心词进行相应上下文出现概率的预测；

计算用户异质信息网络及项目异质信息网络的损失函数；

通过协同过滤的方法对所述损失函数进行对齐，完成模型的参数优化；

通过所述节点嵌入模型实现目标用户及项目的低维嵌入表达，将不同的信息实现在同一空间的对齐。

3.根据权利要求2所述的一种基于大数据的推荐方法，其特征在于，所述的多种类型上下文的抽样基于用户异质信息网络和项目异质信息网络的交互网络实现，根据所述中心词进行相应上下文出现概率的预测计算公式具体为：

其中，表示节点的特征，为项目的低维度向量表示形式，为用户集合，表示当节点是节点的上下文时的低维度向量表示形式，表示噪声函数。