[发明专利]一种基于用户多意图的社会化推荐方法、装置及介质

说明书

本发明公开了一种基于用户多意图的社会化推荐方法、装置及介质，其中方法包括：获取数据集，构建图结构数据；构建包含两部分图卷积网络的推荐模型，用于先后建模用户商品交互关系和用户社交关系；意图空间映射；交互意图解耦合学习；自适应去噪；用户社交多影响学习；无监督学习；结合得到的最终商品特征向量、最终用户特征向量和无监督学习对推荐模型进行训练学习；将推荐模型最终学习到的用户和商品特征向量进行打分预测，得到推荐商品顺序。本发明充分挖掘用户商品交互中的多意图影响，以及用户社交关系的多影响，学习更细粒度的用户表征和商品表征，获得更加准确的推荐结果。本发明可广泛应用于推荐系统技术领域。

技术领域

本发明涉及人工智能，深度学习及推荐系统技术领域，尤其涉及一种基于用户多意图的社会化推荐方法、装置及介质。

背景技术

随着互联网的快速发展，网络上的信息呈现爆炸性增长，而推荐系统可以很好地解决“信息过载”问题，因此推荐系统的发展越来越受到人们的关注。经济水平的提高和网络技术的发展，促使在线购物，在线观影和在线阅读等多种网络应用的发展。这些应用中包含了大量的用户和商品数据。当今主流的推荐算法主要采用协同过滤的方法，该方法能够有效地过滤大量数据，从中获得真正有用的信息，实现个性化推荐。社会化推荐作为推荐系统的一个重要分支，随着社交媒体的快速发展，近年吸引了越来越多的关注。但目前的社会化推荐算仍存在3个重要挑战没有得到很好地解决。

(1)当前的社会化推荐算法中，往往单一地去看待用户-商品之间的交互关系，而不挖掘用户与商品发生交互行为背后的意图影响，这通常导致学出来的用户特征和商品的特征是次优化的，因此解耦合用户与商品交互背后的意图因素是至关重要的。

(2)当前的社会化推荐算法，也往往单一看待用户社交关系，而没有挖掘用户之间的影响其实也是多种多样的。实际生活中，用户之间的社交影响是复杂的，比如当社交好友是学生时，它们之间因为社交影响购买同个商品可能是价格因素，但当社交好友已经工作了，它们之间因为社交影响购买同个商品可能就是价格之外的因素了。所以，解耦合用户之间的多种影响也是非常重要的。

(3)目前的社交关系通常会存在着噪声，同时也有着数据稀疏问题，所以对于社交关系中的噪声边有效去除以及使用合适的自监督学习对数据进行数据增强非常重要。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于用户多意图的社会化推荐方法、装置及介质。

本发明所采用的技术方案是：

一种基于用户多意图的社会化推荐方法，包括以下步骤：

收集带有用户商品交互关系和用户社交关系的数据集；

用稀疏矩阵存储数据，构造成图卷积网络可以处理的图结构数据；

构建包含两部分图卷积网络的推荐模型，用于先后建模用户商品交互关系和用户社交关系；

意图空间映射：运用多层感知机，将初始用户特征向量和初始商品特征向量映射到不同的意图空间，以便挖掘多意图影响；

交互意图解耦合学习：在每个意图空间下构建一个图神经网络进行表征学习，得到每个意图下的的用户特征向量和商品特征向量；对于商品节点，将每个意图下的商品特征向量求和，得到最终商品特征向量；

自适应去噪：采用自适应Dropout模块去除社交关系图中的无关边，以保留重要边；

用户社交多影响学习：根据得到的每个意图下的用户特征向量，在每种意图下，使用图神经网络对用户社交图进行建模，将每种意图下得到的用户特征向量进行求和，得到最终用户特征向量；

无监督学习：引入两个自适应Dropout模块，得到两个社交视图，进行对比学习；