一种图社交推荐方法、系统、设备及介质与流程

本发明涉及个性化推荐，尤其是一种图社交推荐方法、系统、设备及介质。

背景技术：

1、近年来，随着科学技术的进步和社会的进步，数据的指数也随之不断增长，信息过载对互联网用户来说已经变得越来越严重。服务提供商在面对庞大的信息量时，如何在这海量信息中找到符合用户个性兴趣的内容成为一项巨大的挑战。

2、目前，传统的推荐方法主要基于协作过滤技术，利用用户-物品之间的交互历史记录进行建模，并输出对应的社交推荐信息。该种方式在处理社交信息时往往过于简化，社交推荐的个性化程度不足，且不能在海量信息中，提供较为准确地社交推荐。

3、因此，现有技术存在的问题还亟需解决和优化。

技术实现思路

1、本发明的目的在于至少一定程度上解决相关技术中存在的技术问题之一。

2、为此，本发明实施例的一个目的在于提供一种图社交推荐方法，该方法可以更深入地挖掘社交信息中的隐形社交关系，进一步提高社交推荐的个性化程度，有效提高社交推荐的准确程度。

3、本技术实施例的另一个目的在于提供一种图社交推荐方法。

4、本技术实施例的另一个目的在于提供一种图社交推荐系统。

5、为了达到上述技术目的，本技术实施例所采取的技术方案包括：

6、第一方面，本技术实施例提供了一种图社交推荐方法，包括：

7、获取用户社交数据集和用户物品交互数据集；

8、对所述用户社交数据集进行第一深度协同过滤，得到社交特征集，以及，对所述用户物品交互数据集进行第二深度协同过滤，得到物品特征集；

9、对所述物品特征集和所述社交特征集进行第一相似度信息融合，得到融合数据集；

10、提取所述融合数据集和所述用户物品交互数据集中的全局元路径信息，得到全局元路径数据集，所述全局元路径数据集包括若干个局部子图，所述局部子图用于记录目标节点，以及通过元路径与所述目标节点相关联的所有节点和边；

11、根据所述物品特征集，对所述融合数据集进行第二相似度信息融合，得到强社交数据集；

12、根据所述局部子图和所述强社交数据集，对初始化的社交推荐模型进行参数更新，得到训练好的社交推荐模型。

13、另外，根据本技术上述实施例的一种图社交推荐方法，还可以具有以下附加的技术特征：

14、进一步地，在本技术的一个实施例中，所述对所述用户社交数据集进行第一深度协同过滤，得到社交特征集，包括：

15、获取当前的用户嵌入矩阵；

16、根据当前的所述用户嵌入矩阵，对所述用户社交数据集进行迭代嵌入，得到社交嵌入矩阵集，所述社交嵌入矩阵集为不同迭代阶次的用户社交嵌入矩阵的集合；

17、对所述社交嵌入矩阵集进行均值池化，得到所述社交特征集。

18、进一步地，在本技术的一个实施例中，所述对所述物品特征集和所述社交特征集进行第一相似度信息融合，得到融合数据集，包括：

19、对所述物品特征集和所述社交特征集进行第一交叉视图对齐，得到视图对齐集，所述视图对齐集包括第一物品视图和社交视图，每个所述第一物品视图对应一个所述社交视图；

20、根据所述第一物品视图，对所述社交视图进行第一社交信息融合，得到融合数据集。

21、进一步地，在本技术的一个实施例中，所述根据所述物品特征集，对所述融合数据集进行第二相似度信息融合，得到强社交数据集，包括：

22、对所述融合数据集进行第三深度协同过滤，得到中间数据集；

23、根据所述物品特征集，对所述中间数据集进行第二交叉视图对齐，得到中间对齐集，所述中间对齐集包括第二物品视图和中间视图，每个第二物品视图对应一个所述中间视图；

24、根据所述第二物品视图，对所述中间视图进行第二社交信息融合，得到所述强社交数据集。

25、进一步地，在本技术的一个实施例中，所述提取所述融合数据集和所述用户物品交互数据集中的全局元路径信息，得到全局元路径数据集，包括：

26、根据所述融合数据集和所述用户物品交互数据集，确定每个所述局部子图中的目标节点，以及与所述目标节点对应的元路径上下文信息；

27、对所述元路径上下文信息进行编码学习，得到编码元路径上下文；

28、根据所述目标节点，对所有所述编码元路径上下文进行卷积融合，得到所述全局元路径数据集。

29、进一步地，在本技术的一个实施例中，所述根据所述局部子图和所述强社交数据集，对初始化的社交推荐模型进行参数更新，得到训练好的社交推荐模型，包括：

30、对所述局部子图进行长短期记忆时序处理，得到物品交互时间信息和用户社交时间信息；

31、将所述物品交互时间信息、所述用户社交时间信息和所述强社交数据集输入至初始化的所述社交推荐模型中进行训练，得到多任务损失集，所述多任务损失集包括物品交互损失、用户社交损失和强社交损失；

32、对所述物品交互损失、所述用户社交损失和所述强社交损失进行整合优化，得到融合损失，并根据所述融合损失，更新初始化的所述社交推荐模型的模型参数，得到训练好的所述社交推荐模型。

33、第二方面，本技术实施例提供了一种图社交推荐方法，包括：

34、获取待识别的推荐信息；

35、将所述推荐信息输入至如上述第一方面所述的训练好的社交推荐模型中进行识别，得到社交推荐结果。

36、第三方面，本技术实施例提供了一种图社交推荐系统，包括：

37、获取模块，用于获取用户社交数据集和用户物品交互数据集；

38、过滤模块，用于对所述用户社交数据集进行第一深度协同过滤，得到社交特征集，以及，对所述用户物品交互数据集进行第二深度协同过滤，得到物品特征集；

39、第一融合模块，用于对所述物品特征集和所述社交特征集进行第一相似度信息融合，得到融合数据集；

40、提取模块，用于提取所述融合数据集和所述用户物品交互数据集中的全局元路径信息，得到全局元路径数据集，所述全局元路径数据集包括若干个局部子图，所述局部子图用于记录目标节点，以及通过元路径与所述目标节点相关联的所有节点和边；

41、第二融合模块，用于根据所述物品特征集，对所述融合数据集进行第二相似度信息融合，得到强社交数据集；

42、更新模块，用于根据所述局部子图和所述强社交数据集，对初始化的社交推荐模型进行参数更新，得到训练好的社交推荐模型。

43、第四方面，本技术实施例还提供了一种电子设备，包括：

44、至少一个处理器；

45、至少一个存储器，用于存储至少一个程序；

46、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述第一方面的方法。

47、第五方面，本技术实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现上述第一方面的方法。

48、本技术的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到：

49、本技术实施例所公开的一种图社交推荐方法、系统、设备及介质，其中，该方法通过获取用户社交数据集和用户物品交互数据集；对所述用户社交数据集进行第一深度协同过滤，得到社交特征集，以及，对所述用户物品交互数据集进行第二深度协同过滤，得到物品特征集；对所述物品特征集和所述社交特征集进行第一相似度信息融合，得到融合数据集；提取所述融合数据集和所述用户物品交互数据集中的全局元路径信息，得到全局元路径数据集，所述全局元路径数据集包括若干个局部子图，所述局部子图用于记录目标节点，以及通过元路径与所述目标节点相关联的所有节点和边；根据所述物品特征集，对所述融合数据集进行第二相似度信息融合，得到强社交数据集；根据所述局部子图和所述强社交数据集，对初始化的社交推荐模型进行参数更新，得到训练好的社交推荐模型。该方法通过第一相似度融合以及第二相似度融合，提取并基于用户-物品图和用户社交图中的用户相似度，重新构建更全面、更精细的社交关系图，可以更有效整合复杂的社交信息；另外，该方法基于提取到的全局元路径信息，可以在聚合节点信息的同时，减少信息损失，避免信息冗余，可以使得用户特征表示更为丰富多样，从而更深入地挖掘社交信息中的隐形社交关系，进一步提高社交推荐的个性化程度，有效提高社交推荐的准确程度。