[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

说明书

本申请涉及一种基于网络表示学习的推荐方法、系统及电子设备。该方法包括：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。本申请减缓了协同过滤的稀疏性问题，使推荐系统的解释性更强，大大缓解了协同过滤中可扩展性的问题。

技术领域

本申请属于数据挖掘与推荐技术领域，特别涉及一种基于网络表示学习的推荐方法、系统及电子设备。

背景技术

随着大数据时代的来临，推荐系统越来越受到关注，它在帮助人们快速筛选数据、解决信息过载的问题上表现出色，可以向每个用户个性化推荐潜在可能喜欢的物品，例如淘宝的相似物品推荐、网易云音乐的音乐推荐等。如今推荐系统得到广泛发展，已经渗入到人们日常生活的各个方面，例如：音乐推荐、电影推荐、电子商务、手机应用等。

伴随推荐系统的普及，各种各样的推荐方法被提出：包括基于内容的推荐、协同过滤、基于图的推荐等。其中，协同过滤用来预测用户对物品的评分的矩阵分解方法无疑是最成功的推荐算法之一，现有的推荐系统多使用协同过滤方法。协同过滤假设历史记录里相似的用户和物品在将来也会相似，其中矩阵分解方法应用最多，把用户对物品的评分信息使用评分矩阵储存，再分解成低维物品矩阵和低维用户矩阵相乘，这样就会得到丢失的或者没有的评分信息，进而完成推荐。

申请号“201410007387.3”，名为“基于网络社区的协同过滤推荐方法”的发明专利公开了一种基于网络社区的协同过滤推荐方法，通过如下步骤进行推荐：获取用户对待推荐项目的评分信息，并利用用户对待推荐项目的评分数据间接生成用户与用户之间的关系网络；计算用户之间的相似度；通过基于相似度的社区检测将用户关系网络划分成若干个用户社区；选取用户所在社区内相似度最大的k个用户组成近邻用户集合，根据近邻用户集合对目标用户未评分的项目进行预测评分；将评分预测值中最大的项目推荐给用户。

申请号“201710799698.1”，名为“一种基于网络学习环境的资源推荐系统及方法”利用协同过滤的思想，筛选出与目标用户相似的用户群体，结合相似用户群与目标用户的相似度和用户评分的可信度进行学习资源的评分与推荐，使学习资源的评分具有用户针对性和评分客观性，从而为用户推荐个性化和高质量的学习资源。

然而，协同过滤往往受到稀疏性和可扩展性问题的影响。首先，现实生活中，用户对物品的评分信息是很少的，许多不活跃的用户给很少的物品评分或者很多不受欢迎的物品得到了很少的评分，评分信息集中在几个热门物品中，因此，评分矩阵在实际情况下是很稀疏的且分布不规则的。其次，推荐系统往往要推荐给不同用户不同的物品，进而实现个性化需求，然而对于不同的用户进行不同的推荐，推荐过程需要全局计算，而随着用户和物品数量的不断增加，全局计算的消耗变得不断增大，使得可扩展性成为主要问题。

发明内容

本申请提供了一种基于网络表示学习的推荐方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种基于网络表示学习的推荐方法，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；