[发明专利]基于图的推荐方法、装置、电子设备及存储介质

说明书

本申请实施例公开了一种基于图的推荐方法、装置、电子设备及存储介质，该方法包括：根据用户历史行为，构建用户与物品的二分图，所述用户和物品为所述二分图的节点；根据所述二分图，确定所述二分图中的节点随机游走得到稳态图时的转移矩阵，所述转移矩阵的阶数为所述二分图中节点的数量；根据所述转移矩阵，采用并行化牛顿迭代法确定各个节点之间的相关性；根据所述相关性，确定为待推荐用户推荐的物品。本申请实施例由于采用并行化牛顿迭代法可以进行并行计算，从而使大规模二分图的求解变成可能，提高了二分图的求解速度，进而可以提高推荐效率。

技术领域

本申请实施例涉及计算机技术领域，特别是涉及一种基于图的推荐方法、装置、电子设备及存储介质。

背景技术

推荐作为解决信息过载和挖掘用户潜在需求的技术手段，在各大互联网公司中发挥着重要的作用。基于图的推荐是推荐算法中的一个重要分支，在电子商务平台上所有用户的行为记录可以用一个二分图来描述，基于图的推荐通过求解该二分图就能最终得到每个用户的推荐结果。

Personal Rank算法是常用的基于图模型的推荐算法，在利用Personal Rank算法进行推荐的时候需要先将用户与物品间的行为表示为一个二分图，再利用广义最小余量法(Generalized minimal residual method-GMRES)计算图最终的稳态得到任意两节点间的相关性，通过节点间的相关性便可以为每个用户推荐最相关的商品。

在用户每天的活跃量较大时，如每天的活跃量超过10000，这些用户与物品交互产生了海量的行为数据，因此得到的二分图是具有上万节点的稀疏连接图。对于如此大规模的二分图，传统的Personal Rank算法基于广义最小余量法求解速度较慢，甚至无法对其进行求解。

发明内容

本申请实施例提供一种基于图的推荐方法、装置、电子设备及存储介质，有助于提高二分图的求解速度。

为了解决上述问题，第一方面，本申请实施例提供了一种基于图的推荐方法，包括：

根据用户历史行为，构建用户与物品的二分图，所述用户和物品为所述二分图的节点；

根据所述二分图，确定所述二分图中的节点随机游走得到稳态图时的转移矩阵，所述转移矩阵的阶数为所述二分图中节点的数量；

根据所述转移矩阵，采用并行化牛顿迭代法确定各个节点之间的相关性；

根据所述相关性，确定为待推荐用户推荐的物品。

可选的，所述根据所述转移矩阵，采用并行化牛顿迭代法确定各个节点之间的相关性的步骤，包括：

根据所述转移矩阵和预设概率，确定所述转移矩阵对应的转置矩阵与所述预设概率相乘的结果矩阵，所述预设概率为每个节点随机游走到下一个节点的概率；

确定单位矩阵与所述结果矩阵的差矩阵；

根据所述差矩阵，构建所述差矩阵对应的初始化近似逆矩阵；

基于所述初始化近似逆矩阵，根据牛顿迭代公式对前一次迭代矩阵进行并行迭代，得到本次迭代矩阵；

根据所述本次迭代矩阵和所述差矩阵，确定所述本次迭代矩阵的误差；

若所述误差不满足终止条件，则将所述本次迭代矩阵作为前一次迭代矩阵，继续进行上述的牛顿迭代操作，直至本次迭代矩阵满足所述终止条件；

根据满足所述终止条件的本次迭代矩阵，确定各个节点之间的相关性。

可选的，所述牛顿迭代公式表示如下：

X_m＝X_m-1(2I-X_m-1)