一种物品评分预测方法、装置、系统以及存储介质制造方法及图纸

本发明专利技术提供一种物品评分预测方法、装置、系统以及存储介质，属于物品推荐领域，方法包括：对原始评分数据进行预处理得到交互图；对交互图进行采样分析得到目标用户节点、目标物品节点、目标用户数据以及目标物品数据；对目标用户节点以及目标用户数据进行目标用户节点的特征学习得到用户全局向量；对目标物品节点以及目标物品数据进行目标物品节点的特征学习得到物品全局向量。本发明专利技术能够在进行用户对物品的评分预测建模中令目标节点聚合到更相关的邻居节点的信息，从而生成更为精准的评分预测结果，对于提升推荐准确率有着显著的价值和意义。值和意义。值和意义。

【技术实现步骤摘要】
一种物品评分预测方法、装置、系统以及存储介质


[0001]本专利技术主要涉及物品推荐
，具体涉及一种物品评分预测方法、装置、系统以及存储介质。

技术介绍

[0002]推荐系统作为一种信息过滤系统，可以有效解决信息过载问题，对于促进生产和提高生活质量具有一定的现实意义。而如何利用深度学习技术从用户对物品的交互行为中挖掘出用户的兴趣偏好，并对用户未曾交互过的物品进行评分预测(喜好度预测)是学术界和工业界一直关注的方向。现有的方法并不能令目标节点聚合到更相关的邻居节点的信息，从而导致物品的评分预测结果精准度不高。

技术实现思路

[0003]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种物品评分预测方法、装置、系统以及存储介质。
[0004]本专利技术解决上述技术问题的技术方案如下：一种物品评分预测方法，包括如下步骤：
[0005]从预设数据库中获得多个原始评分数据，对所有所述原始评分数据进行预处理，得到交互图；
[0006]对所述交互图进行采样分析，得到交互子图，所述交互子图包括多个目标用户节点、多个目标物品节点、与各个所述目标用户节点一一对应的目标用户数据以及与各个所述目标物品节点一一对应的目标物品数据；
[0007]对各个所述目标用户节点以及各个所述目标用户节点对应的目标用户数据进行目标用户节点的特征学习，得到各个所述目标用户节点的用户全局向量；
[0008]对各个所述目标物品节点以及各个所述目标物品节点对应的目标物品数据进行目标物品节点的特征学习，得到各个所述目标物品节点的物品全局向量；
[0009]根据各个所述目标用户节点的用户全局向量与各个所述目标物品节点的物品全局向量进行点积计算，得到各个所述目标用户节点的多个物品预测评分，并将所有所述目标用户节点的所有物品预测评分作为物品评分预测结果。
[0010]本专利技术解决上述技术问题的另一技术方案如下：一种物品评分预测装置，包括：
[0011]预处理模块，用于从预设数据库中获得多个原始评分数据，对所有所述原始评分数据进行预处理，得到交互图；
[0012]采样分析模块，用于对所述交互图进行采样分析，得到交互子图，所述交互子图包括多个目标用户节点、多个目标物品节点、与各个所述目标用户节点一一对应的目标用户数据以及与各个所述目标物品节点一一对应的目标物品数据；
[0013]用户特征学习模块，用于对各个所述目标用户节点以及各个所述目标用户节点对应的目标用户数据进行目标用户节点的特征学习，得到各个所述目标用户节点的用户全局
向量；
[0014]物品特征学习模块，用于对各个所述目标物品节点以及各个所述目标物品节点对应的目标物品数据进行目标物品节点的特征学习，得到各个所述目标物品节点的物品全局向量；
[0015]预测结果获得模块，用于根据各个所述目标用户节点的用户全局向量与各个所述目标物品节点的物品全局向量进行点积计算，得到各个所述目标用户节点的多个物品预测评分，并将所有所述目标用户节点的所有物品预测评分作为物品评分预测结果。
[0016]基于上述一种物品评分预测方法，本专利技术还提供一种物品评分预测系统。
[0017]本专利技术解决上述技术问题的另一技术方案如下：一种物品评分预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的物品评分预测方法。
[0018]基于上述一种物品评分预测方法，本专利技术还提供一种计算机可读存储介质。
[0019]本专利技术解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的物品评分预测方法。
[0020]本专利技术的有益效果是：通过对原始评分数据的预处理得到交互图，对交互图的采样分析得到目标用户节点、目标物品节点、目标用户数据以及目标物品数据，对目标用户节点以及目标用户数据的目标用户节点特征学习得到用户全局向量，对目标物品节点以及目标物品数据的目标物品节点特征学习得到物品全局向量，根据用户全局向量与物品全局向量的点积计算得到物品评分预测结果，能够在进行用户对物品的评分预测建模中令目标节点聚合到更相关的邻居节点的信息，从而生成更为精准的评分预测结果，对于提升推荐准确率有着显著的价值和意义。
附图说明
[0021]图1为本专利技术实施例提供的一种物品评分预测方法的流程示意图；
[0022]图2为本专利技术实施例提供的一种物品评分预测方法的交互图；
[0023]图3为本专利技术实施例提供的一种物品评分预测装置的模块框图。
具体实施方式
[0024]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0025]图1为本专利技术实施例提供的一种物品评分预测方法的流程示意图。
[0026]如图1所示，一种物品评分预测方法，包括如下步骤：
[0027]从预设数据库中获得多个原始评分数据，对所有所述原始评分数据进行预处理，得到交互图；
[0028]对所述交互图进行采样分析，得到交互子图，所述交互子图包括多个目标用户节点、多个目标物品节点、与各个所述目标用户节点一一对应的目标用户数据以及与各个所述目标物品节点一一对应的目标物品数据；
[0029]对各个所述目标用户节点以及各个所述目标用户节点对应的目标用户数据进行
目标用户节点的特征学习，得到各个所述目标用户节点的用户全局向量；
[0030]对各个所述目标物品节点以及各个所述目标物品节点对应的目标物品数据进行目标物品节点的特征学习，得到各个所述目标物品节点的物品全局向量；
[0031]根据各个所述目标用户节点的用户全局向量与各个所述目标物品节点的物品全局向量进行点积计算，得到各个所述目标用户节点的多个物品预测评分，并将所有所述目标用户节点的所有物品预测评分作为物品评分预测结果。
[0032]应理解地，将用户对物品的评分数据(即所述原始评分数据)进行预处理后构建出一个用户
‑
物品交互图(即所述交互图)。
[0033]应理解地，从数据库(即所述预设数据库)中导出用户对物品的评分数据(即所述原始评分数据)，具体表示为(用户id，物品id，评分值)。
[0034]具体地，对所述交互子图利用图神经网络进行节点的特征学习，得到目标用户节点的嵌入表示(即所述用户全局向量)和目标物品的嵌入表示(即所述物品全局向量)，再经点积计算得到预测评分(即所述物品预测评分)。
[0035]具体地，利用下式进行点积计算，得到用户u
i
对物品v
j
的预测评分(即所述物品预测评分)，
[0036][0037]上述实施例中，通过对原始评分数据的预处理得到交互图，对交互图的采样分析得到目标用户节点、目标物品节点、目标用户数据以及目标物品数据，对目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物品评分预测方法，其特征在于，包括如下步骤：从预设数据库中获得多个原始评分数据，对所有所述原始评分数据进行预处理，得到交互图；对所述交互图进行采样分析，得到交互子图，所述交互子图包括多个目标用户节点、多个目标物品节点、与各个所述目标用户节点一一对应的目标用户数据以及与各个所述目标物品节点一一对应的目标物品数据；对各个所述目标用户节点以及各个所述目标用户节点对应的目标用户数据进行目标用户节点的特征学习，得到各个所述目标用户节点的用户全局向量；对各个所述目标物品节点以及各个所述目标物品节点对应的目标物品数据进行目标物品节点的特征学习，得到各个所述目标物品节点的物品全局向量；根据各个所述目标用户节点的用户全局向量与各个所述目标物品节点的物品全局向量进行点积计算，得到各个所述目标用户节点的多个物品预测评分，并将所有所述目标用户节点的所有物品预测评分作为物品评分预测结果。2.根据权利要求1所述的物品评分预测方法，其特征在于，所述对所有所述原始评分数据进行预处理，得到交互图的过程包括：通过所有所述原始评分数据构建得到评分矩阵，所述评分矩阵包括多个用户ID和多个物品ID；导入与各个所述用户ID一一对应的原始用户向量以及与各个所述物品ID一一对应的原始物品向量，并从所有所述用户ID以及所有所述物品ID中，筛选出不等于预设值的用户ID或/和物品ID，并通过筛选出的所有用户ID、筛选出的所有物品ID、筛选出的所有用户ID所对应原始用户向量以及筛选出的所有物品ID所对应原始物品向量构建得到交互图。3.根据权利要求1所述的物品评分预测方法，其特征在于，所述交互图包括多个待采样用户节点以及多个待采样物品节点；其中，每个所述待采样用户节点对应有一个待采样用户节点向量、多个待采样用户邻居节点以及与各个所述待采样用户邻居节点一一对应的待采样用户邻居节点向量；每个所述待采样物品节点对应有一个待采样物品节点向量、多个待采样物品邻居节点以及与各个所述待采样物品邻居节点一一对应的待采样物品邻居节点向量；所述对所述交互图进行采样分析，得到交互子图的过程包括：根据各个所述待采样用户节点、各个所述待采样物品节点、各个所述待采样用户节点对应的待采样用户节点向量、多个待采样物品邻居节点、多个待采样用户邻居节点向量、各个所述待采样物品节点对应的待采样物品节点向量、多个待采样物品邻居节点以及多个待采样物品邻居节点向量进行一致性分数的分析，得到各个所述待采样用户节点的多个用户一致性分数以及各个所述待采样物品节点的多个物品一致性分数；根据各个所述待采样用户邻居节点对应的所有待采样用户邻居节点以及各个所述待采样物品邻居节点对应的所有待采样物品邻居节点进行邻居节点数目分析，得到各个所述待采样用户节点的用户邻居节点数目以及各个所述待采样物品节点的物品邻居节点数目；按照从大到小的顺序分别对各个所述待采样用户节点的多个用户一致性分数进行排序，得到各个所述待采样用户节点的多个排序后用户一致性分数；分别将各个所述待采样用户节点的前n个所述排序后用户一致性分数所对应的待采样
用户邻居节点作为所述待采样用户节点的待构建用户节点，其中，n为用户邻居节点数目；按照从大到小的顺序分别对各个所述待采样物品节点的多个物品一致性分数进行排序，得到各个所述待采样物品节点的多个排序后物品一致性分数；分别将各个所述待采样物品节点的前m个所述排序后物品一致性分数所对应的待采样物品邻居节点作为所述待采样物品节点的待构建物品节点，其中，m为物品邻居节点数目；通过所有所述待采样用户节点的所有待构建用户节点以及所有所述待采样物品节点的所有待构建物品节点构建得到交互子图。4.根据权利要求3所述的物品评分预测方法，其特征在于，所述根据各个所述待采样用户节点、各个所述待采样物品节点、各个所述待采样用户节点对应的待采样用户节点向量、多个待采样物品邻居节点、多个待采样用户邻居节点向量、各个所述待采样物品节点对应的待采样物品节点向量、多个待采样物品邻居节点以及多个待采样物品邻居节点向量进行一致性分数的分析，得到各个所述待采样用户节点的多个用户一致性分数以及各个所述待采样物品节点的多个物品一致性分数的过程包括：基于第一式，根据各个所述待采样用户节点、各个所述待采样物品节点、各个所述待采样用户节点对应的待采样用户节点向量以及各个所述待采样物品节点对应的待采样物品节点向量进行查询特征的计算，得到各个所述待采样用户节点与各个所述待采样物品节点的查询特征，所述第一式为：基于第二式，根据各个所述待采样用户节点、各个所述待采样用户节点对应的待采样用户节点向量、各个所述待采样用户邻居节点、各个所述待采样用户邻居节点对应的待采样用户邻居节点向量以及各个所述待采样用户节点与各个所述待采样物品节点的查询特征进行用户一致性分数的计算，得到各个所述待采样用户节点的多个用户一致性分数，所述第二式为：基于第三式，根据各个所述待采样物品节点、各个所述待采样物品节点对应的待采样物品节点向量、各个所述待采样物品邻居节点、各个所述待采样物品邻居节点对应的待采样物品邻居节点向量以及各个所述待采样用户节点与各个所述待采样物品节点的查询特征进行物品一致性分数的计算，得到各个所述待采样物品节点的多个物品一致性分数，所述第三式为：其中，CS(y∈N(v
j
))为第y个待采样物品邻居节点的物品一致性分数，N(v
j
)为待采样物品邻居节点集合，e
y
为第y个待采样物品邻居节点的待采样物品邻居节点向量，CS(x∈N(u
i
))为第x个待采样用户邻居节点的用户一致性分数，N(u
i
)为待采样用户邻居节点
集合，e
x
为第x个待采样用户邻居节点的待采样用户邻居节点向量，为第x个待采样用户邻居节点的待采样用户邻居节点向量，为第i个待采样用户节点与第j个待采样物品节点的查询特征，为第i个待采样用户节点对应的待采样用户节点向量，采样用户节点向量，为第j个待采样物品节点对应的待采样物品节点向量，u
i
为第i个待采样用户节点，v
j
为第j个待采样物品节点，d为向量的维度，为向量拼接，ReLU(
·
)为ReLU激活函数，W
q
为可学习的参数，为可学习的参数，为L2范数的平方。5.根据权利要求3所述的物品评分预测方法，其特征在于，所述根据各个所述待采样用户邻居节点对应的所有待采样用户邻居节点以及各个所述待采样物品邻居节点对应的所有待采样物品邻居节点进行邻居节点数目分析，得到各个所述待采样用户节点的用户邻居节点数目以及各个所述待采样物品节点的物品邻居节点数目的过程包括：分别统计各个所述待采样用户邻居节点对应的所有待...

【专利技术属性】
技术研发人员：蔡晓东，周青松，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：