[发明专利]基于GAN网络的模糊推荐方法、装置、电子设备及存储介质

权利要求书

1.一种基于GAN网络的模糊推荐方法，其特征在于，该模糊推荐方法包括以下步骤：

从历史交互数据中获取用户特征向量和商品特征向量；

将所述用户特征向量和商品特征向量拼接为一个向量输入判别器，并将筛选出的评分高于预设阈值的商品加入候选集合；

根据所述候选集合中的所述商品特征向量和所述用户特征向量分析用户偏好以得到用户偏好分布；

从所述用户偏好分布中随机抽选多个商品作为推荐列表。

2.根据权利要求1所述的一种基于GAN网络的模糊推荐方法，其特征在于，所述根据所述候选集合中的商品的特征向量及所述用户特征向量分析用户偏好以得到用户偏好分布，包括：

将所述候选集合中的商品特征向量及所述用户特征向量输入生成器，得到用户偏好分布；其中，所述生成器和判别器均是通过使用多个用户样本和商品样本进行机器学习训练获得的。

3.根据权利要求2所述的一种基于GAN网络的模糊推荐方法，其特征在于，所述生成器和判别器的训练过程包括以下步骤：

将所述用户特征向量和所述商品特征向量拼接为一个向量；

将所述向量输入生成器进行用户的偏好分析训练；

在所述偏好分析训练的过程中，由生成器根据所述向量生成多个负样本；判别器根据所述负样本和实际的正样本进行训练，并更新所述判别器的参数和所述生成器的参数；交替训练所述判别器和所述生成器。

4.根据权利要求1~3任意一项所述的一种基于GAN网络的模糊推荐方法，其特征在于，所述获取用户特征向量，包括：

利用随机游走算法对网络数据进行采样并生成具有相似偏好的用户正样本短列表；

设置大小固定的滑动窗口，并依次生成用户正样本和用户负样本；

将所述用户正样本和用户负样本同时输入基于负采样的Skip-Gram模型，得到更新后的用户特征向量集合。

5.根据权利要求4所述的一种基于GAN网络的模糊推荐方法，其特征在于，所述获取商品特征向量的方法与获取所述用户特征向量的方法相同。

6.一种基于GAN网络的模糊推荐装置，其特征在于，该模糊推荐装置包括：

特征向量获取单元，用于从历史交互数据中获取用户特征向量和商品特征向量；

鉴别单元，用于将所述用户特征向量和商品特征向量拼接为一个向量输入判别器，并将筛选出的评分高于预设阈值的商品加入候选集合；

生成单元，用于根据所述候选集合中的所述商品特征向量和所述用户特征向量分析用户偏好以得到用户偏好分布；

推荐单元，用于从所述用户偏好分布中随机抽选多个商品作为推荐列表。

7.根据权利要求6所述的一种基于GAN网络的模糊推荐装置，其特征在于，所述特征向量获取单元还包括：

偏好列表生成单元，用于利用随机游走算法对网络数据进行采样并生成具有相似偏好的用户正样本短列表；

样本获取单元，用于设置大小固定的滑动窗口，并依次生成用户正样本和用户负样本；和

特征向量生成单元，用于将所述用户正样本和用户负样本同时输入基于负采样的Skip-Gram模型，得到用户特征向量集合。

8.根据权利要求6所述的一种基于GAN网络的模糊推荐装置，其特征在于，该模糊推荐装置还包括模型训练单元，该模型训练单元包括：

向量拼接单元，用于将所述用户特征向量和所述商品特征向量拼接为一个向量；

训练单元，用于将所述向量输入生成器进行用户的偏好分析训练；在所述偏好分析训练的过程中，由生成器根据所述向量生成多个负样本；判别器根据所述负样本和实际的正样本进行训练，并更新所述判别器的参数和所述生成器的参数；交替训练所述判别器和所述生成器。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至5中任意一项所述的方法。

10.一种存储介质，该存储介质中存储有计算机可读的程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。