[发明专利]一种商品信息推荐方法、系统和存储介质

说明书

本发明提供一种商品信息推荐方法、系统和存储介质，方法包括：将原始数据集处理成知识图谱，通过知识图谱形式得到知识图谱数据集，并将知识图谱数据集划分为训练集和测试集；根据强化学习方法构建探索策略；基于图神经网络对知识图谱和探索策略构建策略网络定义目标商品，并计算目标商品的奖励函数和损失函数。本发明能够有效的挖掘出数据间的隐含特性，实现了准确的推荐，还能够在数学上有更好的区分，进而有利于挖掘出图中更多的有效信息，具有一定的泛化性，能够有效的提高推荐准确性，并具有良好的鲁棒性，实现了冷启动对用户推荐商品并提高了推荐的可靠性和准确性。

技术领域

本发明主要涉及数据挖掘技术领域，具体涉及一种商品信息推荐方法、系统和存储介质。

背景技术

推荐系统旨在为用户推荐个性化的在线商品或信息,所述推荐系统广泛应用于众多Web场景之中,来处理海量信息数据所导致的信息过载问题,以此提升用户体验。基于知识图谱的推荐系统在解决冷启动问题时具有很好的效果，但现有技术无法实现深度挖掘邻居节点与目标相关节点之间的相互影响程度，推荐效果仍有待提高。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，推荐一种算法模型，解决所述现有技术无法实现深度挖掘邻居节点与目标相关节点之间的相互影响程度问题。

本发明解决上述技术问题的技术方案如下：一种商品信息推荐方法，包括以下步骤：

S1：导入原始数据集，将所述原始数据集处理成知识图谱，通过知识图谱形式得到知识图谱数据集，并将所述知识图谱数据集划分为训练集和测试集；

S2：根据强化学习方法构建探索策略；

S3：基于图神经网络对所述知识图谱和所述探索策略构建策略网络定义目标商品，并计算目标商品的奖励函数和损失函数；

S4：通过损失函数和奖励函数分别计算出所述知识图谱数据集中各个数据的总损失值和累计奖励，再通过反向传播算法对所有数据的总损失值和累计奖励进行反向传播，得到商品推荐模型，并通过所述训练集对所述商品推荐模型进行训练；

S5：将所述测试集输入经训练后的商品推荐模型中，通过经训练后的商品推荐模型得到商品推荐结果。

本发明的有益效果是：通过将原始数据集处理知识图谱数据集，根据强化学习方法构建探索策略，能够基于用户历史消费记录挖掘出用户潜在消费商品，基于图神经网络对知识图谱和探索策略构建策略网络定义目标商品，并计算目标商品的奖励函数和损失函数，能够有效的挖掘出数据间的隐含特性，实现了准确的推荐，还能够在数学上有更好的区分，进而有利于挖掘出图中更多的有效信息，具有一定的泛化性，能够有效的提高推荐准确性，并具有良好的鲁棒性，实现了冷启动对用户推荐商品并提高了推荐的可靠性和准确性。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步，所述步骤S1的过程包括：

S1.1：定义原始数据集O＝{(u,i)|u∈U,i∈I}，其中，U为用户集，I为商品集，(u,i)为用户u与商品i存在互动；

S1.2：定义知识图谱G＝{e,r}|，e为节点，r为节点间关系，其中{u,i}∈e,所述知识图谱包括用户集和商品集，将所述知识图谱以所述互动(u,i)为起点，寻找到中间节点e′，所述中间节点e′与节点i 和节点j相连,所述中间节点e′为用户u选择节点i所对应商品的判断因素以及适合用户u的节点j所对应商品的判断因素。

上述进一步方案的有益效果是：将原始数据集处理成知识图谱，通过知识图谱形式得到知识图谱数据集，能够通过用户历史消费记录推理出用户潜在的消费商品，有效提升了推荐的多样性、解释性和准确率。

进一步，所述步骤S2的过程具体包括：