[發明專利]基于異構信息網絡的混合推薦模型處理方法、系統和介質

在審

• 申請號: 202010940794.5
• 申請日: 2020-09-09
• 公開（公告）號: CN112214683A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 唐華;林懌星
• 申請（專利權）人: 華南師范大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 胡輝

1.一種基于異構信息網絡的混合推薦模型處理方法，其特征在于，包括以下步驟：

構建混合推薦模型；

通過所述混合推薦模型生成目標推薦產品信息；

其中，所述混合推薦模型的通過以下步驟進行處理：

構建異構信息網絡；

獲取所述異構信息網絡中符合第一預設要求的第一用戶特征和第一項目特征，以及獲取所述異構信息網絡中符合第二預設要求的第二用戶特征和第二項目特征；

將所述符合第三預設要求的第一用戶特征與第二用戶特征，以及第一項目特征與第二項目特征進行拼接，得到拼接特征向量；

根據所述拼接特征向量定義預測函數；

定義所述預測函數對應的損失函數；

通過所述預測函數和所述損失函數優化所述混合推薦模型。

2.根據權利要求1所述的一種基于異構信息網絡的混合推薦模型處理方法，其特征在于，所述獲取所述異構信息網絡中符合第一預設要求的第一用戶特征和第一項目特征，包括：

通過元結構描述所述異構信息網絡中若干個用戶信息與項目信息的關聯關系；

通過相似度算法計算具備所述關聯關系的用戶信息與項目信息的相似度矩陣；

通過分解算法獲取所述相似度矩陣對應的第一用戶特征和第一項目特征。

3.根據權利要求1所述的一種基于異構信息網絡的混合推薦模型處理方法，其特征在于，所述獲取所述異構信息網絡中符合第二預設要求的第二用戶特征和第二項目特征，其具體為：

通過卷積神經網絡模型獲取所述異構信息網絡中不具備所述關聯關系的第二用戶特征和第二項目特征。

4.根據權利要求1所述的一種基于異構信息網絡的混合推薦模型處理方法，其特征在于，所述將所述符合第三預設要求的第一用戶特征與第二用戶特征，以及第一項目特征與第二項目特征進行拼接，得到拼接特征向量，包括：

將所述第二用戶特征和所述第二項目特征的維度轉換為與所述第一用戶特征和所述第一項目特征相同的維度；

將維度轉換后的第二用戶特征與所述第一用戶特征進行第一次拼接，將維度轉換后的第二項目特征與所述第一項目特征進行第一次拼接；

將滿足第三預設要求的拼接后的用戶特征和項目特征進行第二次拼接，得到拼接特征向量。

5.根據權利要求1所述的一種基于異構信息網絡的混合推薦模型處理方法，其特征在于，所述根據所述拼接特征向量定義預測函數，包括：

獲取所述異構信息網絡中用戶信息和項目信息對應的歷史平均分；

根據所述拼接特征向量和所述歷史平均分通過因子分解機定義預測函數。

6.根據權利要求5所述的一種基于異構信息網絡的混合推薦模型處理方法，其特征在于，所述定義所述預測函數對應的損失函數，其具體為：

通過正則化去懲罰參數定義所述預測函數對應的損失函數。

7.根據權利要求6所述的一種基于異構信息網絡的混合推薦模型處理方法，其特征在于，所述通過所述預測函數和所述損失函數優化所述混合推薦模型，包括：

根據所述預測函數和所述損失函數計算預測評分值；

獲取真實評分值；

計算所述預測評分值與所述真實評分值的均方根誤差；

根據所述真實評分值優化所述混合推薦模型。

8.根據權利要求1-7任一項所述的一種基于異構信息網絡的混合推薦模型處理方法，其特征在于，所述優化所述混合推薦模型，其具體為：

通過加速近端梯度算法優化所述混合推薦模型。

9.一種基于異構信息網絡的混合推薦模型處理系統，其特征在于，包括：

至少一個存儲器，用于存儲程序；

至少一個處理器，用于加載所述程序以執行如權利要求1-8任一項所述的基于異構信息網絡的混合推薦模型處理方法。

10.一種存儲介質，其中存儲有處理器可執行的指令，其特征在于，所述處理器可執行的指令在由處理器執行時用于實現如權利要求1-8任一項所述的基于異構信息網絡的混合推薦模型處理方法。