【技术实现步骤摘要】
本专利技术主要涉及数据推荐，具体涉及一种商品推荐方法、系统及存储介质。
技术介绍
1、随着互联网的快速发展，网络信息急剧增长，商品推荐面临的问题从过去的信息匮乏转变为如何在当前信息过载的环境下有效过滤信息，并获取有价值的信息。推荐方法是信息过滤技术的一种，旨在预测用户的偏好，并据此向用户推荐可能感兴趣的商品或内容，广泛应用于电子商务、流媒体服务、个性化学习等领域。
2、在现实生活中，用户对商品的偏好不仅会受到社交好友对商品偏好的影响，而且在一定程度上还会受到社交好友的朋友对商品偏好的影响，也就是信任传播。而现有的推荐方法未考虑信任传播的影响，导致推荐的准确性较低。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的不足，提供一种商品推荐方法、系统及存储介质。
2、本专利技术解决上述技术问题的技术方案如下：
3、一种商品推荐方法，包括如下步骤：
4、构建初始推荐模型，并将预先从购物平台上采集的用户数据导入所述初始推荐模型，所述初始推荐模型包括可靠性分析单元、建模单元和评分预测单元；
5、通过所述初始推荐模型的可靠性分析单元对所述用户数据进行可靠性分析，得到可靠性值；
6、通过所述初始推荐模型的建模单元对所述用户数据和所述可靠性值进行用户建模，得到用户特征表示向量，并对所述用户数据和所述可靠性值进行商品建模，得到商品特征表示向量；
7、通过所述初始推荐模型的评分预测单元对所述用户特征表示向量
8、通过损失函数对所述预测评分与所述用户数据进行计算，得到损失值，根据所述损失值对所述初始推荐模型进行优化，得到推荐模型；
9、通过所述推荐模型对导入的待推荐用户节点和待推荐商品节点进行计算，得到商品推荐结果。
10、本专利技术解决上述技术问题的另一技术方案如下：
11、一种商品推荐系统，包括：
12、导入模块，用于构建初始推荐模型，并将预先从购物平台上采集的用户数据导入所述初始推荐模型，所述初始推荐模型包括可靠性分析单元、建模单元和评分预测单元；
13、分析模块，用于通过所述初始推荐模型的可靠性分析单元对所述用户数据进行可靠性分析，得到可靠性值；
14、建模模块，用于通过所述初始推荐模型的建模单元对所述用户数据和所述可靠性值进行用户建模，得到用户特征表示向量，并对所述用户数据和所述可靠性值进行商品建模，得到商品特征表示向量；
15、预测模块，用于通过所述初始推荐模型的评分预测单元对所述用户特征表示向量和所述商品特征表示向量进行融合计算，得到预测评分；
16、优化模块，用于通过损失函数对所述预测评分与所述用户数据进行计算，得到损失值，根据所述损失值对所述初始推荐模型进行优化，得到推荐模型；
17、推荐模块，用于通过所述推荐模型对导入的待推荐用户节点和待推荐商品节点进行计算，得到商品推荐结果。
18、本专利技术解决上述技术问题的另一技术方案如下：
19、一种商品推荐系统，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，所述处理器执行所述计算机程序时，实现如上述的一种商品推荐方法。
20、本专利技术解决上述技术问题的另一技术方案如下：
21、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，实现如上述的一种商品推荐方法。
22、本专利技术的有益效果是：通过从用户数据中获得用户可靠性值，在用户建模和商品建模过程中利用用户可靠性值对用户商品评分进行有效分析，来完成信任传播的捕捉，学习用户和商品的特征表示，挖掘用户对商品的偏好和兴趣，提高商品推荐的效果，使得推荐结果更加准确。
本文档来自技高网...【技术保护点】
1.一种商品推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的商品推荐方法，其特征在于，所述用户数据包括多个用户节点和多个所述用户节点分别对应的邻居集合；
3.根据权利要求2所述的商品推荐方法，其特征在于，所述用户数据还包括多个商品节点和多个所述用户节点对应的商品评分；
4.根据权利要求3所述的商品推荐方法，其特征在于，所述分别对多个所述用户嵌入向量、多个所述商品嵌入向量、多个所述可靠性值和多个所述评分嵌入向量进行商品聚合，得到各个所述用户节点对应的用户商品嵌入向量，具体为：
5.根据权利要求3所述的商品推荐方法，其特征在于，所述分别对多个所述用户嵌入向量和多个所述邻居商品嵌入向量进行社交聚合，得到各个所述用户节点对应的用户社交嵌入向量，具体为：
6.根据权利要求3所述的商品推荐方法，其特征在于，所述对所述用户数据和所述可靠性值进行商品建模，得到商品特征表示向量，具体为：
7.根据权利要求6所述的商品推荐方法，其特征在于，所述通过所述初始推荐模型的评分预测单元对所述用户特征表示向量和所述商品特征表
8.根据权利要求7所述的商品推荐方法，其特征在于，所述通过损失函数对所述预测评分与所述用户数据进行计算，得到损失值，根据所述损失值对所述初始推荐模型进行优化，得到推荐模型，具体为：
9.一种商品推荐系统，其特征在于，包括：
10.一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，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至8任一项所述的商品推荐方法。
...【技术特征摘要】
1.一种商品推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的商品推荐方法，其特征在于，所述用户数据包括多个用户节点和多个所述用户节点分别对应的邻居集合；
3.根据权利要求2所述的商品推荐方法，其特征在于，所述用户数据还包括多个商品节点和多个所述用户节点对应的商品评分；
4.根据权利要求3所述的商品推荐方法，其特征在于，所述分别对多个所述用户嵌入向量、多个所述商品嵌入向量、多个所述可靠性值和多个所述评分嵌入向量进行商品聚合，得到各个所述用户节点对应的用户商品嵌入向量，具体为：
5.根据权利要求3所述的商品推荐方法，其特征在于，所述分别对多个所述用户嵌入向量和多个所述邻居商品嵌入向量进行社交聚合，得到各个所述用户节点对应的用户社交嵌入向量，具体为：
6...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。