[发明专利]基于连接矩阵的个性化推荐方法及系统

说明书

本发明属于个性化推荐技术领域，特别涉及一种基于连接矩阵的个性化推荐方法及系统，依据用户社交数据、商品类别数据及用户对商品评分数据分贝构建用户关系网络和商品关系网络；利用网络表示学习算法获取用户关系网络和商品关系网络中的用户特征表示向量和商品特征表示向量；构建评分预测模型，将用户特征表示向量和商品特征表示向量作为模型输入，并通过连接矩阵对用户特征表示向量和商品特征表示向量进行拟合，将三者内积作为模型输出的预测评分，利用随机梯度下降算法对模型进行训练；利用已训练的评分预测模型来获取未知用户对商品预测评分。本发明能够解决HIN中基于元路径NRL算法语义关系丢失的问题，优化个性化推荐性能，具有较好的应用前景。

技术领域

本发明属于个性化推荐技术领域，特别涉及一种基于连接矩阵的个性化推荐方法及系统。

背景技术

推荐系统(Recommender System)作为一种应对信息过载的工具，被广泛应用于购物、社交、内容分享等各种平台中。推荐系统可以帮助用户从海量数据中获取其感兴趣的内容，提升用户体验。在早期的推荐方法中，往往将用户和商品的交互数据(例如评分)看作二分图，推荐系统的任务是对二分图内的未知链接进行预测。事实上，商业平台中通常包含了更为丰富的辅助信息。例如，在Yelp中，用户与用户之间存在交互信息，商品的种类信息等。这些数据信息从多个角度描述了用户、商品。如何利用丰富的数据信息，更准确地描述用户和商品是一项亟待解决的问题。为了融合丰富的辅助数据信息，异构信息网络(Heterogeneous Information Network，简称HIN)被用来对多源辅助数据进行建模，并被广泛应用于推荐系统之中。可以将实体类型多样、关系种类不同的数据信息(如，用户社交关系信息、商品的类别信息、用户对商品的评分信息)建模为HIN。HIN中包含了大量的语义信息，HIN中的推荐问题一般被认为是基于路径的相似性搜索问题。需要定义语义路径对HIN中的信息进行采样，将用户和商品表示为同一特征空间内的同维向量。如，定义具有特定语义的元路径，通过基于元路径的游走策略得到节点序列集合。之后，通过网络表示学习算法(Network Representation Learning，简称从HIN中表征用户、商品的表示向量。表示向量保留了HIN中语义和结构信息，可以一定程度上反映出用户(商品)的特征。通过定义多种元路径，分别得到具有不同语义的节点表示向量，对不同元路径下的预测评分进行加权得到最终推荐结果。该方法考虑了不同的元路径下得到的具有不同的语义关系的表示向量对推荐结果的影响，在评分预测准确性上得到了提高。在元路径的基础上提出元图meta-graph的概念，并利用元图对HIN中的信息进行采样。相对于元路径，元图从HIN中捕捉到更为复杂的语义信息，更准确的表征了用户和商品，提升了推荐系统的性能。

现有基于HIN的推荐模型一般利用NRL获取用户、商品的特征，给出了一种融合多源数据的方法，但是仍然面临两个个问题。首先，基于NRL的推荐算法主要依赖元路径对节点序列进行采样，然后学习出节点的表示向量。基于元路径的NRL算法得到的节点表示向量只表征了在特定元路径下节点的语义特征，在选择一种特定元路径的同时，丢失了HIN中剩余的语义关系。同时，在异构网络中可以定义大量的元路径，不同的元路径具有不同的语义，表现出不同的节点关系。选择不同的元路径对学习节点表示向量有很大的影响。如何选取有效的元路径是难以确定的。第二，基于元路径的NRL将不同类型的节点映射为同一向量空间。由于用户和商品本身具有不同的属性，用同一向量空间中向量对他们进行表示，并进行相似性计算是不合理的。

发明内容

为此，本发明提供一种基于连接矩阵的个性化推荐方法及系统，解决HIN中基于元路径NRL算法语义关系丢失的问题，优化个性化推荐性能。

按照本发明所提供的设计方案，提供一种基于连接矩阵的个性化推荐方法，包含如下内容：

依据用户社交数据、商品类别数据及用户对商品评分数据分贝构建用户关系网络和商品关系网络；

利用网络表示学习算法获取用户关系网络和商品关系网络中的用户特征表示向量和商品特征表示向量；