[发明专利]推荐系统召回方法及装置、电子设备、存储介质

说明书

本公开实施例涉及推荐系统技术领域，提供了一种推荐系统召回方法及装置、电子设备、存储介质，方法包括：基于用户历史行为记录构造对应的图网络；基于图网络及各个用户与各个物品的交互信息，分别构建用户节点和物品节点对应的初始嵌入向量；利用图形神经网络模型对初始嵌入向量进行迭代更新，确定图网络的节点权重，得到用户节点和物品节点分别对应的最终嵌入向量；根据用户节点和物品节点分别对应的最终嵌入向量，分别确定各个用户对各个物品的感兴趣程度；根据感兴趣程度确定推荐系统中的待召回物品。本公开实施例在不增加训练参数数量级的情况下增强了嵌入向量的表达能力，使得确定的待召回物品更加精准，有效提高了推荐召回的精准度。

技术领域

本公开涉及推荐系统技术领域，特别涉及一种推荐系统召回方法及装置、电子设备、存储介质。

背景技术

现有技术中，推荐系统通常采用向量来表示用户（user）和物品（item）。传统召回算法比如经典的矩阵分解（Matrix Factorization，MF）和神经矩阵分解等，本质上是给user和item初始化一个嵌入（embedding）向量，然后利用实际用户对物品的点击（或评分）来优化推荐模型。这使得传统召回算法所采用的embedding向量比较简单，严重降低了推荐召回时的精准度。

发明内容

本公开旨在至少解决现有技术中存在的问题之一，提供一种推荐系统召回方法及装置、电子设备、存储介质。

本公开的一个方面，提供了一种推荐系统召回方法，所述召回方法包括：

基于用户历史行为记录，构造对应的图网络；其中，所述历史行为记录包括各个用户、各个物品以及各个所述用户与各个所述物品的交互信息；所述图网络中的节点包括与各个所述用户分别对应的用户节点、与各个所述物品分别对应的物品节点，所述图网络中的各个边分别连接具有交互关系的所述用户节点与所述物品节点；

基于所述图网络以及各个所述用户与各个所述物品的交互信息，分别构建所述用户节点和所述物品节点对应的初始嵌入向量；

利用图形神经网络模型，对所述初始嵌入向量进行迭代更新，确定所述图网络的节点权重，得到所述用户节点和所述物品节点分别对应的最终嵌入向量；其中，所述节点权重用于表示节点对其他节点的贡献程度；

根据所述用户节点和所述物品节点分别对应的最终嵌入向量，分别确定各个所述用户对各个所述物品的感兴趣程度；

根据所述感兴趣程度，确定推荐系统中的待召回物品。

可选的，所述利用图形神经网络模型，对所述初始嵌入向量进行迭代更新，确定所述图网络的节点权重，得到所述用户节点和所述物品节点分别对应的最终嵌入向量，包括：

利用所述图形神经网络模型，根据下式（1）所示的单个节点迭代公式对所述初始嵌入向量进行迭代更新：

（1）

其中， N_u表示所述图网络中与用户节点u相连接的物品节点数量， N_i表示所述图网络中与物品节点i相连接的用户节点数量，表示用户节点u对应的第k+1次迭代更新时的嵌入向量，表示物品节点i对应的第k次迭代更新时的嵌入向量，表示用户节点u对应的第k次迭代更新时的嵌入向量，表示物品节点i对应的第k+1次迭代更新时的嵌入向量， w^k表示第k次迭代更新时的节点权重。

可选的，所述单个节点迭代公式对应的迭代矩阵公式表示为下式（2）：

（2）