[發(fā)明專利]一種基于面向用戶多關系信息網絡的商品推薦方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010919815.5
• 申請日: 2020-09-04
• 公開（公告）號: CN111967946A
• 公開（公告）日: 2020-11-20
• 發(fā)明（設計）人: 楊博;李岸宸;于東然;張春旭
• 申請（專利權）人: 吉林大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q30/02
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 劉鳳玲

本發(fā)明涉及一種基于面向用戶多關系信息網絡的商品推薦方法及系統(tǒng)。該方法包括：獲取推薦場景；獲取待預測用戶；根據(jù)所述推薦場景，利用圖卷積方法和注意力機制，獲取所述待預測用戶的用戶特征；獲取待推薦商品的商品特征；所述商品特征為所述待推薦商品的多個特征信息；根據(jù)所述待預測用戶的用戶特征和所述待推薦商品的商品特征，獲取所述待預測用戶對所述待推薦商品的得分；判斷所述待預測用戶對所述待推薦商品的得分是否大于預先給定的得分閾值；如果是，將所述待推薦商品推薦至所述待預測用戶；如果否，不將所述待推薦商品推薦至所述待預測用戶。本發(fā)明可以實現(xiàn)商品的準確推薦。

技術領域

本發(fā)明涉及推薦系統(tǒng)領域，特別是涉及一種基于面向用戶多關系信息網絡的商品推薦方法及系統(tǒng)。

背景技術

推薦系統(tǒng)是根據(jù)用戶的歷史消費記錄來預測用戶的興趣偏好，從而對用戶進行商品或服務推薦的系統(tǒng)。多數(shù)的推薦系統(tǒng)在進行推薦時，只是將用戶看作孤立的個體，而忽視了用戶與用戶之間的關系，導致商品推薦或服務推薦的準確度低。事實上，用戶與用戶存在多種不同類型的關系，考慮到這些關系會使得推薦服務更加準確。

發(fā)明內容

本發(fā)明的目的是提供一種基于面向用戶多關系信息網絡的商品推薦方法及系統(tǒng)，以實現(xiàn)商品的準確推薦。

為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種基于面向用戶多關系信息網絡的商品推薦方法，包括：

獲取推薦場景；所述推薦場景包括用戶集合、用戶特征信息矩陣、用戶關系圖、商品集合、商品特征信息矩陣和用戶與商品的交互矩陣；所述用戶特征信息矩陣為每個用戶對應的多個特征信息組成的矩陣；所述商品特征信息矩陣為每個商品對應的多個特征信息組成的矩陣；所述用戶關系圖為用戶之間的多關系信息網絡；

獲取待預測用戶；

根據(jù)所述推薦場景，利用圖卷積方法和注意力機制，獲取所述待預測用戶的用戶特征；所述待預測用戶的用戶特征融合了所述待預測用戶的鄰居用戶的特征信息，待預測用戶的鄰居用戶為用戶集合的一個子集；

獲取待推薦商品的商品特征；所述商品特征為所述待推薦商品的多個特征信息；

根據(jù)所述待預測用戶的用戶特征和所述待推薦商品的商品特征，獲取所述待預測用戶對所述待推薦商品的得分；

判斷所述待預測用戶對所述待推薦商品的得分是否大于預先給定的得分閾值；

當所述待預測用戶對所述待推薦商品的得分大于預先給定的得分閾值時，將所述待推薦商品推薦至所述待預測用戶；

當所述待預測用戶對所述待推薦商品的得分不大于預先給定的得分閾值時，不將所述待推薦商品推薦至所述待預測用戶。

可選的，所述根據(jù)所述推薦場景，利用圖卷積方法和注意力機制，獲取所述待預測用戶的用戶特征，之前還包括

獲取第一轉換矩陣；

利用第一轉換矩陣對所述用戶特征信息矩陣進行降維，得到降維后的用戶特征信息矩陣；

根據(jù)所述關系類型集合構建關系類型矩陣；所述關系類型矩陣的第i行為第i個關系類型對應的one-hot向量；第i個關系類型對應的one-hot向量中第i個維度的數(shù)值為1，其余維度的數(shù)值為0；

獲取第二轉換矩陣；

利用所述第二轉換矩陣對所述關系類型矩陣進行降維，得到降維后的關系類型矩陣；所述降維后的關系類型矩陣的列數(shù)與所述降維后的用戶特征信息矩陣的列數(shù)相等；

獲取第三轉換矩陣；

利用所述第三轉換矩陣對所述商品特征信息矩陣進行降維，得到降維后的商品特征信息矩陣。