[发明专利]社交群体推荐方法、系统、设备及存储介质

说明书

本发明公开了一种社交群体推荐方法、系统、设备及存储介质，能够直接从用户社交网络中自动计算用户的社交影响力，并使用用户社交影响力增强群体推荐的准确性和传播能力；并且使用用户影响力扩散方法可以获得用户更深层次的特征表示，同时，在对群体的偏好建模时使用注意力机制学习决策过程中每个用户的影响力，从而更为有效的获得群体特征表示；最后通过联合学习的方式同时优化单用户推荐和群体用户推荐任务，提升社交群体推荐模型的性能，提高群体推荐的准确性，并提高群体推荐的传播能力。

技术领域

本发明涉及物品推荐技术领域，尤其涉及一种社交群体推荐方法、系统、设备及存储介质。

背景技术

互联网时代的到来和社交网络的兴起使得信息能够无阻碍地传播和交流，据统计，2020年，全球网民数量达45.4亿，我国网民数量达9.04亿。社交网络中信息的爆炸式增长带来了严重的信息过载问题，推荐算法能够根据用户偏好为用户推荐其感兴趣的内容。社交网络中存在着大量的群体，群体中用户通过相同的兴趣或特定事件聚集在一起。现有的研究大多针对个人推荐而忽略了群体的推荐。如图1所示，群体由不同用户组成，用户也会参与到多个群体中，群体推荐是指通过综合每个用户的偏好为整个群体推荐物品；由于群体中的用户喜好各不相同，在群体决策时不同用户对最终结果具有不同的影响，这种推荐场景复杂性和多样性使得单用户推荐算法无法应用到群体推荐中，也为研究群体推荐带来了困难和挑战。好的群体推荐算法，不仅能提高群体和个人的满意度，还能提高群体推荐算法的传播能力，即当群体内成员都满意推荐的内容时，推荐的内容就能有更好的传播效果。因此研究更加有效的群体推荐算法是迫切和重要的。

传统的群体推荐算法分为两大类。第一类是将群体视为一个“虚拟人”，然后使用单用户推荐算法来为其推荐，这种算法需要群体拥有大量的群体-物品交互数据来建模该群体的特征表示，然而真实场景中，用户可能是第一次结成群体，这些群体的历史交互数据非常稀疏，因此直接学习它的偏好特征是不可行的。第二类是计算群体中每个成员对物品的偏好，并使用启发式策略（平均策略，最大满意度策略和专家策略）对用户成员偏好聚合。传统的启发式聚合策略受成员偏好的分布极值影响，无法准确对群体进行建模。

随着深度学习技术的发展，研究者提出使用表示学习技术来学习复杂的群体偏好特征表示，并使用注意力机制学习每个用户在群体决策时的权重，但是这类方法未考虑到大部分群体存在的历史交互数据稀疏性问题，使用不足的数据进行训练会带来严重的过拟合问题，并导致推荐准确性下降。

发明内容

本发明的目的是提供一种社交群体推荐方法、系统、设备及存储介质，能够提高群体推荐的准确性，还能够提高群体推荐的传播能力。

本发明的目的是通过以下技术方案实现的：

一种社交群体推荐方法，包括：

构建社交群体推荐模型，并获取群体与物品交互数据，群体内用户与物品交互数据，以及群体内用户之间的社交网络图；

训练阶段中，所述社交群体推荐模型，利用社交网络图中节点之间的关系计算节点对应用户的社交影响力表示向量；基于群体内用户与物品交互数据与用户的社交影响力表示向量，使用影响力扩散的方式计算用户的特征表示向量，并基于群体与物品交互数据，结合注意力机制计算用户对物品决策的影响力，并聚合群体内所有用户的特征表示向量，获得群体特征表示向量；结合用户的社交影响力表示向量、用户的特征表示向量及群体特征表示向量，分别计算用户物品评分与群体物品评分，并分别构建用户推荐损失与群体推荐损失，结合两个损失对所述社交群体推荐模型进行联合训练；

测试阶段中，基于训练后的社交群体推荐模型计算群体物品评分，并按照评分大小生成物品推荐列表。

一种社交群体推荐系统，该系统包括：

模型构建单元，用于构建社交群体推荐模型，

数据信息获取单元，用于获取群体与物品交互数据，群体内用户与物品交互数据，以及群体内用户之间的社交网络图；