[发明专利]一种基于门机制的序列社交推荐方法、系统及存储介质

权利要求书

1.一种基于门机制的序列社交推荐方法，其特征在于，包括如下步骤：

步骤S1、分别将用户原始消费数据和朋友原始消费数据划分序列，得到用户序列段和朋友序列段，将所述用户序列段和所述朋友序列段初始化，得到供GRU神经网络识别的用户序列数据和朋友序列数据；

步骤S2、基于选择门机制的GRU神经网络，对所述用户序列数据进行过滤选择，得到用户的当前兴趣，并对所述朋友序列数据进行过滤选择，得到朋友的当前兴趣；

步骤S3、对所述朋友的当前兴趣进行拼接处理，得到朋友的短期兴趣，将所述朋友的原始消费数据中的商品数据进行初始化，得到朋友的长期兴趣，将所述朋友的短期兴趣与所述朋友的长期兴趣拼接得到朋友的最终兴趣；

步骤S4、基于图注意力的神经网络，对所述用户的当前兴趣和所述朋友的最终兴趣进行卷积，得到多个朋友对用户兴趣的权重，根据多个朋友对用户兴趣的权重加权计算得到朋友影响；

步骤S5、将所述朋友影响与所述用户的当前兴趣拼接得到用户的最终兴趣；

步骤S6、根据Softmax函数对所述用户的最终兴趣进行计算，得到用户对不同商品的概率分布，根据所述概率分布进行模型训练，得到训练模型，根据所述训练模型向用户推荐商品信息。

2.根据权利要求1所述的一种基于门机制的序列社交推荐方法，其特征在于，所述步骤S1包括：

分别将用户与朋友的所述原始消费数据根据预设周期划分为一个序列，得到多个序列段，将每个序列段初始化得到序列数据，根据GRU神经网络展开后，所述用户序列数据表示为x_u＝(m₁,m₂,...m_j)，所述朋友序列数据表示为x_f＝(k₁,k₂,...k_j)，j表示时间步的大小。

3.根据权利要求2所述的一种基于门机制的序列社交推荐方法，其特征在于，所述步骤S2包括：

S21、根据式(1)对所述用户序列数据进行GRU神经网络输出，对应于序列数据顺序得到多个隐藏状态h_n；根据式(2)对所述朋友序列数据进行GRU神经网络输出，对应于序列数据顺序得到多个隐藏状态h_f；所述式(1)为：h_n＝GRU(x_u)，所述式(2)为：h_f＝GRU(x_f)，x_u为用户序列数据，x_f为朋友序列数据；

S22、根据式(3)将所述用户序列数据和所述多个隐藏状态h_n的最后一个隐藏状态融入处理，得到选择门g_n；根据式(4)将所述朋友序列数据和所述多个隐藏状态h_f的最后一个隐藏状态融入处理，得到选择门g_f；所述选择门g_n和所述选择门g_f包括所述用户原始消费数据和当前消费特征；

所述式(3)为：g_n＝σ([W₁x_u；W₂h_j]+b)，

所述式(4)为：g_f＝σ([W₁x_f；W₂h_g]+b)，

式中，σ为激活函数，W₁、W₂为权重矩阵，b为偏置向量，x_u为用户序列数据，x_f为朋友序列数据，h_j为h_n的最后一个隐藏状态，h_g为h_f的最后一个隐藏状态；

S23、根据式(5)对所述多个隐藏状态h_n进行过滤选择，得到用户的当前兴趣；根据式(6)对所述多个隐藏状态h_f进行过滤选择，得到朋友的当前兴趣；所述式(5)为所述式(6)为g_n和g_f为选择门，为哈达码乘积。