用户推荐方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种用户推荐方法、装置、电子设备及存储介质。该方法包括：获取包括多个用户的基本信息和多个项目的基本信息的第一信息集；基于第一信息集，利用图卷积神经网络，计算多个用户中每个用户的目标用户特征向量和多个项目中每个项目的目标项目特征向量；根据目标用户特征向量和目标项目特征向量，计算各个用户之间的相似度，并根据各个用户之间的相似度向用户进行内容推荐。本发明专利技术能够避免协同过滤推荐算法存在稀疏性问题，提高用户推荐的可靠性。可靠性。可靠性。

【技术实现步骤摘要】
用户推荐方法、装置、电子设备及存储介质


[0001]本专利技术涉及信息处理
，尤其涉及一种用户推荐方法、装置、电子设备及存储介质。

技术介绍

[0002]伴随着互联网的快速发展，信息过载这一问题变得越来越严重，为了从大量冗余、复杂、高纬度的信息中快速、方便地筛选出适合用户的信息变得尤为重要。推荐算法可以用来解决信息过载问题。其中，因协同过滤推荐算法简单、方便部署的优点，所以在众多推荐算法中应用广泛。
[0003]传统协同过滤推荐算法是通过用户和项目的历史信息分析用户兴趣，具体而言是在用户群中找到指定用户的相似的用户，同时综合这些相似用户对某一信息的评价，形成对该用户对项目的喜好程度的预测。然而，协同过滤推荐算法存在稀疏性问题，导致推荐结果不准确。

技术实现思路

[0004]本专利技术提供了一种用户推荐方法、装置、电子设备及存储介质，以解决协同过滤推荐算法存在稀疏性问题，导致推荐结果不准确的问题。
[0005]第一方面，本专利技术提供了一种用户推荐方法，包括：获取包括多个用户的基本信息和多个项目的基本信息的第一信息集；
[0006]基于第一信息集，利用图卷积神经网络(Graph Convolutional Network,GCN)，计算多个用户中每个用户的目标用户特征向量和多个项目中每个项目的目标项目特征向量；
[0007]根据目标用户特征向量和目标项目特征向量，计算各个用户之间的相似度，并根据各个用户之间的相似度向用户进行内容推荐。
[0008]在一种可能的实现方式中，基于第一信息集，利用图卷积神经网络，计算多个用户中每个用户的目标用户特征向量和多个项目中每个项目的目标项目特征向量，包括：
[0009]根据第一信息集，构建初始用户
‑
项目交互矩阵；
[0010]利用图卷积神经网络对初始用户
‑
项目交互矩阵进行计算，得到多个用户中每个用户的初始用户特征向量和多个项目中每个项目的初始项目特征向量；
[0011]基于注意力机制，对每一个初始用户特征向量和每一个初始项目特征向量进行优化，得到对应的目标用户特征向量和目标项目特征向量。
[0012]在一种可能的实现方式中，计算初始用户特征向量和初始项目特征向量的公式为：
[0013][0014]LR(
·
)为LeakyRelu激活函数，N
u
表示用户u相邻邻居数量，N
i
表示物品i相邻邻居
数量，表示经过第l
‑
1次迭代后的用户特征向量，表示经过第l
‑
1次迭代后的项目特征向量，表示该两个向量做内积运算；
[0015]其中，在m＝1时，表示经过l次迭代后得到的初始用户特征向量，W
l
为对应第l次迭代用户特征向量的权重；在m＝2时，表示经过l次迭代后得到的初始项目特征向量，W
l
为对应第l次迭代项目特征向量的权重。
[0016]在一种可能的实现方式中，根据目标用户特征向量和目标项目特征向量，计算各个用户之间的相似度，包括：
[0017]根据目标用户特征向量和目标项目特征向量，确定未优化的近似用户
‑
项目交互矩阵；
[0018]基于Loss损失函数公式，根据初始用户
‑
项目交互矩阵对未优化的近似用户
‑
项目交互矩阵进行优化，得到优化后的近似用户
‑
项目交互矩阵；
[0019]将优化后的近似用户
‑
项目交互矩阵中的各个参数输入预先确定的相似度计算公式，计算各个用户之间的相似度。
[0020]在一种可能的实现方式中，预先确定的相似度计算公式为：
[0021][0022]s(u,v)表示用户u和用户v之间的相似度，r
u,i
表示用户u对第i个项目的评分值，r
v,i
表示用户v对第i个项目的评分值，表示用户u评分的平均值，表示用户v评分的平均值，I
U
表示与用户u产生交互的项目，I
V
表示与用户v产生交互的项目。
[0023]在一种可能的实现方式中，Loss损失函数公式为：
[0024][0025]Ω＝{(u,i,j)(u,i)∈Ω
+
,(u,j)∈Ω
‑
}表示各个项目，Ω
+
表示用户u包括的所有项目，Ω
‑
表示用户u未包括的所有项目，θ表示未优化的近似用户
‑
项目交互矩阵中所有可训练的参数，表示初始用户
‑
项目交互矩阵，表示近似用户
‑
项目交互矩阵，σ表示Sigmoid激活函数，0＜τ＜1，表示惩罚因子。
[0026]在一种可能的实现方式中，根据各个用户之间的相似度向用户进行推荐，包括：
[0027]对于第一用户和第二用户，若第一用户和第二用户的相似度大于预设阈值，则：从第二用户操作过的项目中选取第一数量的待推荐项目，剔除第一数量的待推荐项目中第一用户操作过的项目，得到第二数量的推荐项目，并将第二数量的推荐项目推荐给第一用户。
[0028]第二方面，本专利技术提供了一种用户推荐装置，包括获取模块、计算模块和推荐模块；
[0029]获取模块，用于获取包括多个用户的基本信息和多个项目的基本信息的第一信息集；
[0030]计算模块，用于基于第一信息集，利用图卷积神经网络，计算多个用户中每个用户的目标用户特征向量和多个项目中每个项目的目标项目特征向量；
[0031]推荐模块，用于根据目标用户特征向量和目标项目特征向量，计算各个用户之间的相似度，并根据各个用户之间的相似度向用户进行内容推荐。
[0032]第三方面，本专利技术提供了一种电子设备，包括存储器和处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式用户推荐方法的步骤。
[0033]第四方面，本专利技术提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式用户推荐方法的步骤。
[0034]本专利技术提供一种用户推荐方法、装置、电子设备及存储介质，首先，获取包括多个用户的基本信息和多个项目的基本信息的第一信息集。然后，基于第一信息集，利用图卷积神经网络，计算多个用户中每个用户的目标用户特征向量和多个项目中每个项目的目标项目特征向量，利用图卷积神经网络可以避免对第一信息集处理的出现数据稀疏性问题。最后，根据目标用户特征向量和目标项目特征向量，计算各个用户之间的相似度，并根据各个用户之间的相似度向用户进行内容推荐，通过计算用户之间的相似度进行推荐，可以更加精准地向用户推荐合适的内容，极大提高用户推荐的可靠性。
附图说明
[0035]为了更清楚地说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户推荐方法，其特征在于，包括：获取包括多个用户的基本信息和多个项目的基本信息的第一信息集；基于所述第一信息集，利用图卷积神经网络，计算所述多个用户中每个用户的目标用户特征向量和所述多个项目中每个项目的目标项目特征向量；根据所述目标用户特征向量和所述目标项目特征向量，计算各个用户之间的相似度，并根据各个用户之间的相似度向用户进行内容推荐。2.根据权利要求1所述的用户推荐方法，其特征在于，所述基于所述第一信息集，利用图卷积神经网络，计算所述多个用户中每个用户的目标用户特征向量和所述多个项目中每个项目的目标项目特征向量，包括：根据所述第一信息集，构建初始用户
‑
项目交互矩阵；利用所述图卷积神经网络对所述初始用户
‑
项目交互矩阵进行计算，得到所述多个用户中每个用户的初始用户特征向量和所述多个项目中每个项目的初始项目特征向量；基于注意力机制，对每一个初始用户特征向量和每一个初始项目特征向量进行优化，得到对应的目标用户特征向量和目标项目特征向量。3.根据权利要求2所述的用户推荐方法，其特征在于，计算初始用户特征向量和初始项目特征向量的公式为：LR(
·
)为LeakyRelu激活函数，N
u
表示用户u相邻邻居数量，N
i
表示物品i相邻邻居数量，表示经过第l
‑
1次迭代后的用户特征向量，表示经过第l
‑
1次迭代后的项目特征向量，表示该两个向量做内积运算；其中，在m＝1时，表示经过l次迭代后得到的初始用户特征向量，W
l
为对应第l次迭代用户特征向量的权重；在m＝2时，表示经过l次迭代后得到的初始项目特征向量，W
l
为对应第l次迭代项目特征向量的权重。4.根据权利要求2所述的用户推荐方法，其特征在于，所述根据所述目标用户特征向量和所述目标项目特征向量，计算各个用户之间的相似度，包括：根据所述目标用户特征向量和所述目标项目特征向量，确定未优化的近似用户
‑
项目交互矩阵；基于Loss损失函数公式，根据所述初始用户
‑
项目交互矩阵对所述未优化的近似用户
‑
项目交互矩阵进行优化，得到优化后的近似用户
‑
项目交互矩阵；将所述优化后的近似用户
‑
项目交互矩阵中的各个参数输入预先确定的相似度计算公式，计算各个用户之间...

【专利技术属性】
技术研发人员：杜雨晅，王巍，刘华真，张闯，郑小丽，魏忠诚，
申请(专利权)人：河北工程大学，
类型：发明
国别省市：