[发明专利]基于图卷积矩阵分解的社交兴趣推荐方法及系统

说明书

本发明公开了基于图卷积矩阵分解的社交兴趣推荐方法及系统，包括：获取待推荐用户的用户社交项目评分矩阵、用户社交邻接矩阵和用户评论文本特征矩阵；将待推荐用户的用户社交项目评分矩阵、用户社交邻接矩阵和用户评论文本特征矩阵，输入到训练好的图卷积矩阵分解模型中；训练好的图卷积矩阵分解模型，输出待推荐用户的用户潜在特征矩阵和项目潜在特征矩阵；根据用户潜在特征矩阵和项目潜在特征矩阵，将潜在的项目推荐给待推荐用户。

技术领域

本公开涉及项目推荐技术领域，特别是涉及基于图卷积矩阵分解的社交兴趣推荐方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

作为一种有效的信息过滤手段，推荐系统已经成为各大电子商务网站必不可少的技术，被广泛用于为用户推荐个性化的内容。其中，协同过滤(Collaborative Filtering,CF)是推荐系统中使用最为广泛的信息过滤方法之一。它的主要任务是通过挖掘相似用户或项目的历史记录(主要是指用户-项目评分矩阵)来预测用户的偏好。但是，随着网站的迅速发展，用户和项目的数量急剧增长，这就导致协同过滤算法面临严重的数据稀疏问题：网站中被用户评价过的商品数量只占总数量中极小的一部分。也就是说，用户-项目评分矩阵变得相当稀疏，这使得本公开不能使用协同过滤算法准确计算用户或项目的相似度，造成了推荐质量的急速下降。为了提高推荐的准确性，许多推荐算法除了利用评分信息之外，开始考虑其他形式的辅助信息(如人口统计信息、社交网络和商品描述信息等)来缓解数据的稀疏性。

特别是，在线社交网站(如Facebook、Twitter和Youtube等)的发展为人们提供了新的交流平台，丰富了人们的在线社交活动，并且允许用户之间分享他们的观点和兴趣.社交媒体为本公开提供了大量的用户生成内容，例如用户的社交关系、标签和分享的评论信息等。由于这些社交辅助信息可以丰富本公开对用户和项目的认识，弥补评分数据缺失而带来的数据稀疏性问题，为本公开设计增强的推荐算法提供了契机.因此基于社交信息的推荐算法近年来得到了研究者们的广泛关注。例如，文献Ma H,Zhou D,Liu C,etal.Recommender systems with social regularization[C]//Proceedings of thefourth ACM international conference on Web search and data mining.2011:287-296和Jamali M,Ester M.A matrix factorization technique with trust propagationfor recommendation in social networks[C]//Proceedings of the fourth ACMconference on Recommender systems.2010:135-142假设相互关联的用户之间共享相似的潜在偏好，以社交正则化的形式改进传统的协同过滤方法。Yang B,Lei Y,Liu J,etal.Social collaborative filtering by trust[J].IEEE transactions on patternanalysis and machine intelligence,2016,39(8):1633-1647和Ma H,Yang H,Lyu M R,et al.Sorec:social recommendation using probabilistic matrix factorization[C]//Proceedings of the 17th ACM conference on Information and knowledgemanagement.2008:931-940则通过因子分解的方式分解社交网络，将用户映射到低维空间；他们的工作证明了社交网络能够有效增强传统的协同过滤算法。

发明人发现，虽然上述基于社交的推荐方法在评分预测任务上都取得了较好的推荐结果，但是这些工作还存在如下局限：