[发明专利]基于异构信息网络的书籍推荐方法、系统及设备

说明书

本发明提供了基于异构信息网络的书籍推荐方法、系统及设备，方法包括：构建异构信息网络HIN，利用带评分约束的元路径将HIN转换为多层网络，采用图卷积网络生成用户和书籍的子嵌入表示，基于注意机制的非线性融合函数来融合子嵌入表示以生成最终的嵌入表示，基于损失函数，结合Adam算法进行网络训练，学习得到优化的参数，基于优化的参数，计算获得用户对书籍的预测评分，将预测评分值较高的书籍推荐给用户。本发明采用带有评分约束的元路径，通过元路径将HIN转换为多层网络，利用图卷积与注意力机制来生成用户和书籍的嵌入表示，计算获得用户对书籍的预测评分，从而从根源上解决了现有的提取HIN中的语义信息不够准确及推荐方法的准确率低下的问题。

技术领域

本发明属于个性化推荐领域，具体涉及一种基于异构信息网络的信息推荐方法、系统及设备。

背景技术

互联网信息爆炸给用户带来了信息过载的问题。推荐系统旨在从海量的信息中找到用户感兴趣的项目(例如商品)，可以在很大程度上解决信息过载问题。近年来，推荐系统越来越多地被应用于各种在线服务(如亚马逊、淘宝和Yelp)。在推荐系统中，用户对各种商品的偏好通常以评分的形式体现，存储在用户-商品评分矩阵中。评分预测是推荐系统的一个关键子任务，它试图从现有评分数据中预测未知或未观察到的评分，以便推荐系统根据预测的评分对用户进行商品推荐。用户-商品评分矩阵通常是稀疏的，传统的评分预测算法，如矩阵分解等，在评分数据稀疏时表现较差。相关研究发现，辅助数据(如社交网络、用户属性和物品属性)可以在一定程度上缓解数据稀疏性问题，提高评分预测的准确性。

异构信息网络(Heterogeneous Information Network,HIN)是将各种异构信息构建成具有不同类型的节点和边的网络，能够很好地用来对推荐系统中的各种辅助信息以及评分信息进行统一的建模。但是实际应用中的数据往往是不同类型的异构数据，现有手段不能很好对其进行建模和利用。例如，在图1中，用户、用户的属性、书籍及其属性被抽象为HIN中的不同类型的节点和边。现有的基于异构信息网络的评分预测技术是利用元路径等方式从HIN中提取语义信息，但是都没有利用元路径上的评分。例如，图1中的元路径“User-Book-User”表示阅读过同一本书的用户，反映了用户之间阅读记录的相似性，然而，这种语义相关性对于推荐书籍可能意义不是特别大。虽然user1和user2都阅读过book1和book2，但他们对book1和book2的评分差异很大，这表明他们对书籍的偏好可能完全不同。实际上，user1和user3的喜欢的书籍应该更相似，因为他们都对book1评分高，对book2评分低。

现有的基于异构信息网络的信息推荐方法中，目前存在问题有提取HIN中的语义信息不够准确，且在评分数据稀疏的情况下推荐方法的准确率低下。

因此，如何克服提取HIN中的语义信息不够准确，以及提高在评分数据稀疏的情况下信息推荐的准确性，是本领域亟待解决的问题。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种基于异构信息网络的信息推荐方法、系统及设备。本发明采用带有评分约束的元路径，通过元路径将HIN转换为多层网络，利用图卷积与注意力机制来生成用户和书籍的嵌入表示，计算获得用户对书籍的预测评分，从而从根源上解决了现有的提取HIN中的语义信息不够准确及推荐方法的准确率低下的问题。

为了实现以上目的，本发明采用以下技术方案：本发明提出一种基于异构信息网络的信息推荐方法，具体包括：

S1、基于各用户对书籍的评分信息和辅助信息构建异构信息网络，并根据所述异构信息网络设计带评分约束的元路径；所述辅助信息包括用户所属组、用户名、书籍名称、书籍作者、书籍类型，所述评分约束指元路径连接序列中连接用户和书籍的边的权重相同；

S2、基于所述异构信息网络和所述带评分约束的元路径构建多层网络，具体包括：通过矩阵乘法，利用带评分约束的元路径将所述异构信息网络转换为多层网络，具体构建方法为：