[发明专利]一种基于网络表示学习的推荐方法、系统及电子设备

权利要求书

1.一种基于网络表示学习的推荐方法，其特征在于，包括以下步骤：

步骤a：基于二分图网络和单射影图构建用户-物品同现网络；

步骤b：针对所述用户-物品共现网络定义搜索策略，得到每个用户节点和物品节点的邻居节点；

步骤c：根据每个用户节点和物品节点以及各自的邻居节点，使用网络表示学习得到每个用户节点和物品节点的向量表示；

步骤d：根据所述每个用户节点和物品节点的向量表示，通过向量计算得到每个用户节点最相关的物品节点，并根据计算结果向每个用户推荐最相关的物品；

在所述步骤a中，所述基于二分图网络和单射影图构建用户-物品同现网络具体包括：

步骤a1：使用二分图网络储存用户对物品的评分，构建用户-物品二分图；

步骤a2：使用单射影图储存物品之间的共现关系，构建物品共现网络；

步骤a3：基于用户-物品二分图和物品共现网络构建用户-物品共现网络，并设置共现次数参数和个人评级习惯参数过滤所述用户-物品共现网络中的无用共现关系；

所述步骤a2中使用单射影图定义物品共现网络为：当且仅当物品集合中的两个节点在用户集合中被同一个用户给出高分时，这两个节点之间用一条边连接起来，节点之间边的权重代表这两个节点出现在同一个用户给出高分的共现次数。

2.根据权利要求1所述的基于网络表示学习的推荐方法，其特征在于，在所述步骤a3中，所述共现次数参数用于反映两个物品间的共现关系强弱，两个物品间的共现次数计算公式为：

上式中，用于判断物品是否出现在用户i的喜好列表里，的计算公式为：

所述个人评级习惯参数用于过滤掉习惯好评的用户对于物品共现关系的影响，PR计算公式为：

上式中，表示第i个用户的物品评分集合，代表第i个用户的喜爱物品集合。

3.根据权利要求2所述的基于网络表示学习的推荐方法，其特征在于，在所述步骤b中，所定义的搜索策略包括广度优先采样策略和深度优先采样策略，所述广度优先采样策略的邻域节点被限制为直接连接到源节点的节点；所述深度优先采样策略的邻域节点由距离源节点连续采样的节点组成。

4.根据权利要求3所述的基于网络表示学习的推荐方法，其特征在于，在所述步骤c中，所述根据每个用户节点和物品节点以及各自的邻居节点，使用网络表示学习得到每个用户节点和物品节点的向量表示具体为：使用skip-gram训练，并结合随机梯度下降和负采样，得到每个用户节点和物品节点的向量表示。

5.一种基于网络表示学习的推荐系统，其特征在于，包括：

用户-物品共现网络构建模块：用于基于二分图网络和单射影图构建用户-物品同现网络；

搜索策略定义模块：用于针对所述用户-物品共现网络定义搜索策略，得到每个用户节点和物品节点的邻居节点；

网络表示学习模块：用于根据每个用户节点和物品节点以及各自的邻居节点，使用网络表示学习得到每个用户节点和物品节点的向量表示；

向量计算模块：用于根据所述每个用户节点和物品节点的向量表示，通过向量计算得到每个用户节点最相关的物品节点，并根据计算结果向每个用户推荐最相关的物品；

所述用户-物品共现网络构建模块包括：

二分图构建单元：用于使用二分图网络储存用户对物品的评分，构建用户-物品二分图；

物品共现网络构建单元：用于使用单射影图储存物品之间的共现关系，构建物品共现网络；

用户-物品共现网络构建单元：基于用户-物品二分图和物品共现网络构建用户-物品共现网络，并设置共现次数参数和个人评级习惯参数过滤所述用户-物品共现网络中的无用共现关系；

所述物品共现网络构建单元使用单射影图定义物品共现网络为：当且仅当物品集合中的两个节点在用户集合中被同一个用户给出高分时，这两个节点之间用一条边连接起来，节点之间边的权重代表这两个节点出现在同一个用户给出高分的共现次数。