CN115062732A - 基于大数据用户标签信息的资源共享合作推荐方法及系统 - Google Patents

基于大数据用户标签信息的资源共享合作推荐方法及系统 Download PDF

Info

Publication number
CN115062732A
CN115062732A CN202210989766.1A CN202210989766A CN115062732A CN 115062732 A CN115062732 A CN 115062732A CN 202210989766 A CN202210989766 A CN 202210989766A CN 115062732 A CN115062732 A CN 115062732A
Authority
CN
China
Prior art keywords
user
resource
target user
users
nodes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210989766.1A
Other languages
English (en)
Other versions
CN115062732B (zh
Inventor
贾睿
申晓飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ruichi Shenzhen Intelligent Co ltd
Original Assignee
Ruichi Shenzhen Intelligent Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ruichi Shenzhen Intelligent Co ltd filed Critical Ruichi Shenzhen Intelligent Co ltd
Priority to CN202210989766.1A priority Critical patent/CN115062732B/zh
Publication of CN115062732A publication Critical patent/CN115062732A/zh
Application granted granted Critical
Publication of CN115062732B publication Critical patent/CN115062732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于大数据用户标签信息的资源共享合作推荐方法及系统，包括：获取目标用户所关联的资源项目，根据资源项目通过聚类算法获取目标用户的标签信息，构建用户标签矩阵获取目标用户偏好信息；根据用户与资源项目构建异构图，并根据用户偏好信息对异构图中的节点设置初始权重，基于图卷积神经网络构建用户合作推荐模型对异构图进行学习表示；通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，根据评分信息获取目标用户资源共享合作的推荐列表。本发明通过图卷积神经网络为企业或个人用户提供精准有效的资源项目合作推荐，使推荐双方实现资源共享的合作共赢。

Description

基于大数据用户标签信息的资源共享合作推荐方法及系统
技术领域
本发明涉及大数据推荐技术领域，更具体的，涉及一种基于大数据用户标签信息的资源共享合作推荐方法及系统。
背景技术
网络技术的发展推动了各行业信息化平台的产生，大数据和云计算技术的普遍应用使得互联网平台用户及项目数据量急剧增长。推荐系统作为缓解“信息过载”问题的重要工具，帮助用户从海量信息中获取感兴趣的内容，成为互联网应用不可或缺的重要角色，而面对浩如烟海的互联网信息，精准有效的信息推荐是未来信息服务的发展方向。
在日常生活中，对于企业或者高校的特定群体,由于其经营范围、技术资源或者学术资源具有一定的独立性与封闭性，外界人士很难获取到此类群体的有效信息，而相对闭塞的群体特征不利于合作发展，因此如何进行资源共享合作的推荐，使得企业或高校之间能够实现优势互补，完善双方产业及资源布局，推动集群发展就显得尤为重要。传统的推荐系统中并不适用于资源共享合作推荐且难以取得较好的效果,这意味着该场景下的推荐有很大的提升空间，所以提供一种基于用户标签信息并实现资源共享合作精准推荐的方法是亟不可待需要解决的问题。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于大数据用户标签信息的资源共享合作推荐方法及系统。
本发明第一方面提供了一种基于大数据用户标签信息的资源共享合作推荐方法，包括：
获取目标用户所关联的资源项目，根据资源项目通过聚类算法获取目标用户的标签信息，构建用户标签矩阵，通过所述用户标签矩阵获取目标用户偏好信息；
根据用户与资源项目构建异构图，并根据所述用户偏好信息对异构图中的节点设置初始权重，基于图卷积神经网络构建用户合作推荐模型对所述异构图进行学习表示；
通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，根据所述评分信息获取目标用户资源共享合作的推荐列表；
根据目标用户对推荐列表的交互反馈对异构图中各节点的初始权重进行更新。
本方案中，获取目标用户所关联的资源项目，根据资源项目通过聚类算法获取目标用户的标签信息，构建用户标签矩阵，具体为：
将目标用户所关联的资源项目进行关键词提取，并将提取的关键词进行预处理，构成资源项目关键词数据集；
将所述资源项目关键词数据集通过Word2vec模型提取词向量，根据关键词的词向量获取其语义特征，同时获取关键词在关联资源项目中的出现频率，根据所述出现频率获取关键词在资源项目中的贡献度；
通过K-means方法对资源项目关键词数据集进行聚类，根据贡献度大的关键词选取初始聚类中心点，在迭代过程中，获取各关键词点到聚类中心点的欧式距离，将各关键词点聚类至与其距离最近的聚类中心构成聚类结果；
获取聚类结果中每个数据簇的均值作为新聚类中心，根据标准测量函数是否收敛判断聚类结束，获取关键词节点最终聚类结果，根据关键词的语义特征及最终聚类结果获取目标用户的标签信息，构建用户标签矩阵。
本方案中，根据用户与资源项目构建异构图，并根据所述用户偏好信息对异构图中的节点设置初始权重，具体为：
通过用户之间的合作关系及用户与资源项目的交互关系构建异构图，将用户及项目资源作为异构图中的节点，将用户之间的合作关系及用户与资源项目的交互关系作为异构图中不同类型的边；
通过用户标签矩阵对目标用户的偏好信息进行初始化表达，根据目标用户预设时间段内用户标签矩阵中各类标签的运用频次获取目标用户对关联资源项目的当前偏好程度；
通过目标用户与其他用户的合作时间及合作资源项目数量获取目标用户对合作用户的偏好程度；
根据所述当前偏好程度对异构图中目标用户关联资源项目节点及合作的用户节点设置初始权重。
本方案中，通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，具体为：
将异构图通过合作推荐模型进行表示，通过模型中的卷积算子对输入的异构图进行信息传递，在邻居聚合中引入注意力机制对节点的邻居节点分配不同的注意力权重，将所述注意力权重与初始权重进行邻居节点的聚合；
根据不同边类型连接的邻居节点多个聚合向量更新用户节点及资源项目节点的自身表示，生成具有资源项目偏好的用户节点的特征向量表示；
根据用户节点之间及用户节点与资源项目节点之间的消息传递及邻居聚合获取目标用户的特征向量表示，根据目标用户的特征向量获取资源项目的偏好寻找具有相似偏好其他用户，并预测目标用户对其他用户的评分信息；
根据不同边类型连接的邻居节点聚合后的用户节点表示为：
Figure DEST_PATH_IMAGE001
其中，
Figure 5234DEST_PATH_IMAGE002
分别为用户
Figure 801021DEST_PATH_IMAGE003
在第
Figure 646617DEST_PATH_IMAGE004
图卷积层，第
Figure 657298DEST_PATH_IMAGE005
图卷积层的特征向量表 示，
Figure 812205DEST_PATH_IMAGE006
为用户
Figure 846020DEST_PATH_IMAGE003
的用户邻居节点集合，
Figure 744575DEST_PATH_IMAGE007
为节点的初始权重，
Figure 547446DEST_PATH_IMAGE008
为节点的注意力权重，
Figure 669991DEST_PATH_IMAGE009
为激活函数，
Figure 191103DEST_PATH_IMAGE010
为用户
Figure 440818DEST_PATH_IMAGE003
的资源项目邻居节点集合，
Figure 613043DEST_PATH_IMAGE011
为用户
Figure 594905DEST_PATH_IMAGE012
在第
Figure 665629DEST_PATH_IMAGE005
图卷积层的特 征向量表示，
Figure 905987DEST_PATH_IMAGE013
，
Figure 745767DEST_PATH_IMAGE014
分别为用户
Figure 226426DEST_PATH_IMAGE003
和用户
Figure 456551DEST_PATH_IMAGE012
在第
Figure 313648DEST_PATH_IMAGE005
图卷积层中对资源项目
Figure 929306DEST_PATH_IMAGE015
的特征向量 表示。
本方案中，通过合作推荐模型预测目标用户对其他用户的评分信息的评分信息的计算公式具体为：
Figure 580867DEST_PATH_IMAGE016
其中，
Figure 829446DEST_PATH_IMAGE017
为对其他用户的预测评分，
Figure 224655DEST_PATH_IMAGE018
为目标用户特征向量表示，
Figure 694820DEST_PATH_IMAGE019
为其他用户特 征向量表示，
Figure 782862DEST_PATH_IMAGE020
为重要程度系数，
Figure 987578DEST_PATH_IMAGE007
为节点的初始权重，
Figure 186478DEST_PATH_IMAGE008
为节点的注意力权重，
Figure 511149DEST_PATH_IMAGE009
为激活函 数，
Figure 707775DEST_PATH_IMAGE010
为用户
Figure 462105DEST_PATH_IMAGE003
的资源项目邻居节点集合，
Figure 386067DEST_PATH_IMAGE021
为资源项目特征向量表示，
Figure 909452DEST_PATH_IMAGE022
为其他用 户对资源项目
Figure 339297DEST_PATH_IMAGE015
的特征向量表示，
Figure 253026DEST_PATH_IMAGE023
为矩阵转置。
本方案中，根据目标用户对推荐列表的交互反馈对异构图中各节点的初始权重进行更新，具体为：
获取目标用户对推荐列表交互反馈结果，若目标用户与推荐列表中的用户进行新增资源项目合作，则根据新增资源项目合作的关键词及关键词的语义特征获取特征信息；
将所述特征信息与目标用户现有标签的概念特征进行对比获取相似度信息，判断所述相似度信息是否大于预设相似度阈值；
若不大于，则根据所述新增资源项目的关键词进行标签新增，若大于，则将新增资源项目奖归入相似度最大的现有标签；
根据目标用户新增资源项目合作的标签判断结果对用户标签矩阵进行更新；
同时，根据目标用户的交互反馈结合当前预设时间段内各类标签的运用频次及用户间的交互信息更新目标用户对用户及资源项目的偏好程度，从而更新节点的初始权重。
本发明第二方面还提供了一种基于大数据用户标签信息的资源共享合作推荐系统，该系统包括：存储器、处理器，所述存储器中包括一种基于大数据用户标签信息的资源共享合作推荐方法程序，所述一种基于大数据用户标签信息的资源共享合作推荐方法程序被所述处理器执行时实现如下步骤：
获取目标用户所关联的资源项目，根据资源项目通过聚类算法获取目标用户的标签信息，构建用户标签矩阵，通过所述用户标签矩阵获取目标用户偏好信息；
根据用户与资源项目构建异构图，并根据所述用户偏好信息对异构图中的节点设置初始权重，基于图卷积神经网络构建用户合作推荐模型对所述异构图进行学习表示；
通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，根据所述评分信息获取目标用户资源共享合作的推荐列表；
根据目标用户对推荐列表的交互反馈对异构图中各节点的初始权重进行更新。
本发明公开了一种基于大数据用户标签信息的资源共享合作推荐方法及系统，包括：获取目标用户所关联的资源项目，根据资源项目通过聚类算法获取目标用户的标签信息，构建用户标签矩阵获取目标用户偏好信息；根据用户与资源项目构建异构图，并根据用户偏好信息对异构图中的节点设置初始权重，基于图卷积神经网络构建用户合作推荐模型对异构图进行学习表示；通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，根据评分信息获取目标用户资源共享合作的推荐列表。本发明通过图卷积神经网络为企业或个人用户提供精准有效的资源项目合作推荐，使推荐双方实现资源共享的合作共赢。
附图说明
图1示出了本发明一种基于大数据用户标签信息的资源共享合作推荐方法的流程图；
图2示出了本发明根据用户偏好信息对异构图中的节点设置初始权重的方法流程图；
图3示出了本发明通过合作推荐模型生成对其他用户预测评分的方法流程图；
图4示出了本发明一种基于大数据用户标签信息的资源共享合作推荐系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于大数据用户标签信息的资源共享合作推荐方法的流程图。
如图1所示，本发明第一方面提供了一种基于大数据用户标签信息的资源共享合作推荐方法，包括：
S102，获取目标用户所关联的资源项目，根据资源项目通过聚类算法获取目标用户的标签信息，构建用户标签矩阵，通过所述用户标签矩阵获取目标用户偏好信息；
S104，根据用户与资源项目构建异构图，并根据所述用户偏好信息对异构图中的节点设置初始权重，基于图卷积神经网络构建用户合作推荐模型对所述异构图进行学习表示；
S106，通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，根据所述评分信息获取目标用户资源共享合作的推荐列表；
S108，根据目标用户对推荐列表的交互反馈对异构图中各节点的初始权重进行更新。
需要说明的是，获取目标用户所关联的资源项目，所述目标用户为企业或个人，通 过所关联的项目资源结合目标对象的基础信息表征目标用户的偏好信息，根据资源项目通 过聚类算法获取目标用户的标签信息，构建用户标签矩阵，具体为：将目标用户所关联的资 源项目进行关键词提取，并将提取的关键词进行预处理，构成资源项目关键词数据集；将所 述资源项目关键词数据集通过Word2vec模型提取词向量，根据关键词的词向量获取其语义 特征，同时获取关键词在关联资源项目中的出现频率，根据所述出现频率获取关键词在资 源项目中的贡献度；通过K-means方法对资源项目关键词数据集进行聚类，为了提高聚类的 准确度，加快收敛速度，根据贡献度大的关键词选取初始聚类中心点，在迭代过程中，获取 各关键词点到聚类中心点的欧式距离，将各关键词点聚类至与其距离最近的聚类中心构成 聚类结果，求取聚类结果
Figure 793729DEST_PATH_IMAGE024
中每个类簇的均值作为新的聚类中心
Figure 358571DEST_PATH_IMAGE025
，设
Figure 693738DEST_PATH_IMAGE026
为第
Figure 609610DEST_PATH_IMAGE015
个 类簇的样本总数，
Figure 688424DEST_PATH_IMAGE027
为该类簇的第
Figure 124085DEST_PATH_IMAGE028
个样本，聚类中心点求取方法具体为：
Figure 630153DEST_PATH_IMAGE029
选定标准测度函数
Figure 33321DEST_PATH_IMAGE030
及最大迭代次数
Figure 915826DEST_PATH_IMAGE031
，若
Figure 940414DEST_PATH_IMAGE032
或迭代次 数大于等于
Figure 882962DEST_PATH_IMAGE031
，结束聚类流程，取最后一次运算结果为最终聚类结果，获取关键词节点 最终聚类结果，根据关键词的语义特征及最终聚类结果获取目标用户的标签信息，构建用 户标签矩阵。
图2示出了本发明根据用户偏好信息对异构图中的节点设置初始权重的方法流程图。
根据本发明实施例，根据用户与资源项目构建异构图，并根据所述用户偏好信息对异构图中的节点设置初始权重，具体为：
S202，通过用户之间的合作关系及用户与资源项目的交互关系构建异构图，将用户及项目资源作为异构图中的节点，将用户之间的合作关系及用户与资源项目的交互关系作为异构图中不同类型的边；
S204，通过用户标签矩阵对目标用户的偏好信息进行初始化表达，根据目标用户预设时间段内用户标签矩阵中各类标签的运用频次获取目标用户对关联资源项目的当前偏好程度；
S206，通过目标用户与其他用户的合作时间及合作资源项目数量获取目标用户对合作用户的偏好程度；
S208，根据所述当前偏好程度对异构图中目标用户关联资源项目节点及合作的用户节点设置初始权重。
需要说明的是，异构图
Figure 507848DEST_PATH_IMAGE033
,
Figure 928465DEST_PATH_IMAGE034
表示节点集合包括用户节点及资源项目节 点，
Figure 338717DEST_PATH_IMAGE035
表示节点间存在关系的集合，例如用户与用户之间存在合作关系，用户拥有某一类的 资源项目。根据目标用户的用户标签矩阵知晓目标用户对某类资源项目或某个用户的偏 好，对此类节点进行筛选设置初始权重，对后续为目标用户针对某一资源项目精准推荐资 源共享合作用户提供了基础。
图3示出了本发明通过合作推荐模型生成对其他用户预测评分的方法流程图。
根据本发明实施例，通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，具体为：
S302，将异构图通过合作推荐模型进行表示，通过模型中的卷积算子对输入的异构图进行信息传递，在邻居聚合中引入注意力机制对节点的邻居节点分配不同的注意力权重，将所述注意力权重与初始权重进行邻居节点的聚合；
S304，根据不同边类型连接的邻居节点多个聚合向量更新用户节点及资源项目节点的自身表示，生成具有资源项目偏好的用户节点的特征向量表示；
S306，根据用户节点之间及用户节点与资源项目节点之间的消息传递及邻居聚合获取目标用户的特征向量表示，根据目标用户的特征向量获取资源项目的偏好寻找具有相似偏好其他用户，并预测目标用户对其他用户的评分信息。
在邻居聚合机制中引入注意力机制，在节点的邻居节点集合中根据与节点的相关性判断该邻居节点是否具有重要影响的部分信息，有的话分配较高的权重，否则分配较低权重。异构图中的节点通过消息传递，节点特征值不断进行传递、更新，直至各个节点表示达到稳定状态，用户节点及资源项目节点在不仅聚合了本身类别节点的特征，还通过其他类别节点更新自身节点的表示，将用户节点及资源项目节点映射至同一低维向量空间，根据目标用户的用户标签矩阵分析目标对象社会关系中的相似用户，并根据其他用户对目标用户所对应的资源项目的偏好程度获取相似用户，将两种推荐方式进行结合生成对比资源项目的最终推荐用户结果。
根据不同边类型连接的邻居节点聚合后的用户节点表示为：
Figure 186588DEST_PATH_IMAGE036
其中，
Figure 298769DEST_PATH_IMAGE002
分别为用户
Figure 523077DEST_PATH_IMAGE003
在第
Figure 522257DEST_PATH_IMAGE004
图卷积层，第
Figure 806608DEST_PATH_IMAGE005
图卷积层的特征向量表 示，
Figure 406085DEST_PATH_IMAGE006
为用户
Figure 168505DEST_PATH_IMAGE003
的用户邻居节点集合，
Figure 287771DEST_PATH_IMAGE007
为节点的初始权重，
Figure 743023DEST_PATH_IMAGE008
为节点的注意力权重，
Figure 829796DEST_PATH_IMAGE009
为激活函数，
Figure 395907DEST_PATH_IMAGE010
为用户
Figure 431996DEST_PATH_IMAGE003
的资源项目邻居节点集合，
Figure 730253DEST_PATH_IMAGE011
为用户
Figure 117372DEST_PATH_IMAGE012
在第
Figure 408545DEST_PATH_IMAGE005
图卷积层的特 征向量表示，
Figure 564720DEST_PATH_IMAGE013
，
Figure 283146DEST_PATH_IMAGE014
分别为用户
Figure 891982DEST_PATH_IMAGE003
和用户
Figure 3158DEST_PATH_IMAGE012
在第
Figure 13839DEST_PATH_IMAGE005
图卷积层中对资源项目
Figure 903166DEST_PATH_IMAGE015
的特征向量 表示；
将目标用户通过上述公式获取目标用户特征向量表示，通过合作推荐模型预测目标用户对其他用户的评分信息的评分信息的计算公式具体为：
Figure 468140DEST_PATH_IMAGE037
其中，
Figure 383006DEST_PATH_IMAGE017
为对其他用户的预测评分，
Figure 513773DEST_PATH_IMAGE018
为目标用户特征向量表示，
Figure 652631DEST_PATH_IMAGE019
为其他用户特 征向量表示，
Figure 423009DEST_PATH_IMAGE020
为重要程度系数，
Figure 672725DEST_PATH_IMAGE007
为节点的初始权重，
Figure 330103DEST_PATH_IMAGE008
为节点的注意力权重，
Figure 639861DEST_PATH_IMAGE009
为激活函 数，
Figure 631957DEST_PATH_IMAGE010
为用户
Figure 685364DEST_PATH_IMAGE003
的资源项目邻居节点集合，
Figure 462827DEST_PATH_IMAGE021
为资源项目特征向量表示，
Figure 943487DEST_PATH_IMAGE022
为其他用 户对资源项目
Figure 422878DEST_PATH_IMAGE015
的特征向量表示，
Figure 279976DEST_PATH_IMAGE023
为矩阵转置，计算公式中的前半部分通过内积获取与目 标用户与其他用户的相似程度，后半部分通过内积表征其他用户对目标资源项目的感兴趣 程度。
需要说明的是，根据目标用户对推荐列表的交互反馈对异构图中各节点的初始权重进行更新，具体为：获取目标用户对推荐列表交互反馈结果，若目标用户与推荐列表中的用户进行新增资源项目合作，则根据新增资源项目合作的关键词及关键词的语义特征获取特征信息；将所述特征信息与目标用户现有标签的概念特征进行对比获取相似度信息，判断所述相似度信息是否大于预设相似度阈值；若不大于，则根据所述新增资源项目的关键词进行标签新增，若大于，则将新增资源项目奖归入相似度最大的现有标签；根据目标用户新增资源项目合作的标签判断结果对用户标签矩阵进行更新；同时，根据目标用户的交互反馈结合当前预设时间段内各类标签的运用频次及用户间的交互信息更新目标用户对用户及资源项目的偏好程度，从而更新节点的初始权重。
根据本发明实施例，将推荐列表中的推荐信息进行推荐优先级评定，具体为：
获取目标用户资源共享合作的推荐列表，获取推荐列表中用户的基础信息，通过所述基础信息根据预设评价指标提取预设数量的评价因子；
根据预设评价指标的评分体系获取所述评价因子得分信息，将评价因子得分信息与预设指标权重信息结合生成推荐列表中用户的综合评价等级；
将低于预设综合评价等级阈值的用户进行筛选移除，并对筛选后的推荐列表中用户设置推荐优先级；
根据所述推荐优先级为目标用户进行推荐，并根据预设时间内目标用户对推荐列表的历史交互反馈构建目标用户个性化数据库，根据所述个性化数据库对进行评价体系的更新学习，对目标用户预设的评价指标及指标权重信息进行调整；
所述基础信息包括但不限于企业信誉数据、研发科研数据、产品项目质量数据、配套服务数据及历史合作贡献数据等。
图4示出了本发明一种基于大数据用户标签信息的资源共享合作推荐系统的框图。
本发明第二方面还提供了一种基于大数据用户标签信息的资源共享合作推荐系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于大数据用户标签信息的资源共享合作推荐方法程序，所述一种基于大数据用户标签信息的资源共享合作推荐方法程序被所述处理器执行时实现如下步骤：
获取目标用户所关联的资源项目，根据资源项目通过聚类算法获取目标用户的标签信息，构建用户标签矩阵，通过所述用户标签矩阵获取目标用户偏好信息；
根据用户与资源项目构建异构图，并根据所述用户偏好信息对异构图中的节点设置初始权重，基于图卷积神经网络构建用户合作推荐模型对所述异构图进行学习表示；
通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，根据所述评分信息获取目标用户资源共享合作的推荐列表；
根据目标用户对推荐列表的交互反馈对异构图中各节点的初始权重进行更新。
需要说明的是，获取目标用户所关联的资源项目，所述目标用户为企业或个人，通 过所关联的项目资源结合目标对象的基础信息表征目标用户的偏好信息，根据资源项目通 过聚类算法获取目标用户的标签信息，构建用户标签矩阵，具体为：将目标用户所关联的资 源项目进行关键词提取，并将提取的关键词进行预处理，构成资源项目关键词数据集；将所 述资源项目关键词数据集通过Word2vec模型提取词向量，根据关键词的词向量获取其语义 特征，同时获取关键词在关联资源项目中的出现频率，根据所述出现频率获取关键词在资 源项目中的贡献度；通过K-means方法对资源项目关键词数据集进行聚类，为了提高聚类的 准确度，加快收敛速度，根据贡献度大的关键词选取初始聚类中心点，在迭代过程中，获取 各关键词点到聚类中心点的欧式距离，将各关键词点聚类至与其距离最近的聚类中心构成 聚类结果，求取聚类结果
Figure 974262DEST_PATH_IMAGE024
中每个类簇的均值作为新的聚类中心
Figure 563507DEST_PATH_IMAGE025
，设
Figure 608823DEST_PATH_IMAGE026
为第
Figure 659825DEST_PATH_IMAGE015
个 类簇的样本总数，
Figure 943038DEST_PATH_IMAGE027
为该类簇的第
Figure 31080DEST_PATH_IMAGE028
个样本，聚类中心点求取方法具体为：
Figure 485064DEST_PATH_IMAGE038
选定标准测度函数
Figure 418385DEST_PATH_IMAGE030
及最大迭代次数
Figure 759368DEST_PATH_IMAGE031
，若
Figure 18311DEST_PATH_IMAGE032
或迭代次 数大于等于
Figure 694012DEST_PATH_IMAGE031
，结束聚类流程，取最后一次运算结果为最终聚类结果，获取关键词节点 最终聚类结果，根据关键词的语义特征及最终聚类结果获取目标用户的标签信息，构建用 户标签矩阵。
根据本发明实施例，根据用户与资源项目构建异构图，并根据所述用户偏好信息对异构图中的节点设置初始权重，具体为：
通过用户之间的合作关系及用户与资源项目的交互关系构建异构图，将用户及项目资源作为异构图中的节点，将用户之间的合作关系及用户与资源项目的交互关系作为异构图中不同类型的边；
通过用户标签矩阵对目标用户的偏好信息进行初始化表达，根据目标用户预设时间段内用户标签矩阵中各类标签的运用频次获取目标用户对关联资源项目的当前偏好程度；
通过目标用户与其他用户的合作时间及合作资源项目数量获取目标用户对合作用户的偏好程度；
根据所述当前偏好程度对异构图中目标用户关联资源项目节点及合作的用户节点设置初始权重。
需要说明的是，异构图
Figure 696603DEST_PATH_IMAGE033
,
Figure 157671DEST_PATH_IMAGE034
表示节点集合包括用户节点及资源项目节 点，
Figure 321936DEST_PATH_IMAGE035
表示节点间存在关系的集合，例如用户与用户之间存在合作关系，用户拥有某一类的 资源项目。根据目标用户的用户标签矩阵知晓目标用户对某类资源项目或某个用户的偏 好，对此类节点进行筛选设置初始权重，对后续为目标用户针对某一资源项目精准推荐资 源共享合作用户提供了基础。
根据本发明实施例，通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，具体为：
将异构图通过合作推荐模型进行表示，通过模型中的卷积算子对输入的异构图进行信息传递，在邻居聚合中引入注意力机制对节点的邻居节点分配不同的注意力权重，将所述注意力权重与初始权重进行邻居节点的聚合；
根据不同边类型连接的邻居节点多个聚合向量更新用户节点及资源项目节点的自身表示，生成具有资源项目偏好的用户节点的特征向量表示；
根据用户节点之间及用户节点与资源项目节点之间的消息传递及邻居聚合获取目标用户的特征向量表示，根据目标用户的特征向量获取资源项目的偏好寻找具有相似偏好其他用户，并预测目标用户对其他用户的评分信息。
异构图中的节点通过消息传递，节点特征值不断进行传递、更新，直至各个节点表示达到稳定状态，用户节点及资源项目节点在不仅聚合了本身类别节点的特征，还通过其他类别节点更新自身节点的表示，将用户节点及资源项目节点映射至同一低维向量空间，根据目标用户的用户标签矩阵分析目标对象社会关系中的相似用户，并根据其他用户对目标用户所对应的资源项目的偏好程度获取相似用户，将两种推荐方式进行结合生成对比资源项目的最终推荐用户结果。
根据不同边类型连接的邻居节点聚合后的用户节点表示为：
Figure 750512DEST_PATH_IMAGE039
其中，
Figure 291215DEST_PATH_IMAGE002
分别为用户
Figure 324899DEST_PATH_IMAGE003
在第
Figure 925645DEST_PATH_IMAGE004
图卷积层，第
Figure 326670DEST_PATH_IMAGE005
图卷积层的特征向量表 示，
Figure 671064DEST_PATH_IMAGE006
为用户
Figure 355992DEST_PATH_IMAGE003
的用户邻居节点集合，
Figure 862059DEST_PATH_IMAGE007
为节点的初始权重，
Figure 78277DEST_PATH_IMAGE008
为节点的注意力权重，
Figure 632886DEST_PATH_IMAGE009
为激活函数，
Figure 985370DEST_PATH_IMAGE010
为用户
Figure 114869DEST_PATH_IMAGE003
的资源项目邻居节点集合，
Figure 552804DEST_PATH_IMAGE011
为用户
Figure 911104DEST_PATH_IMAGE012
在第
Figure 118094DEST_PATH_IMAGE005
图卷积层的特 征向量表示，
Figure 418495DEST_PATH_IMAGE013
，
Figure 343725DEST_PATH_IMAGE014
分别为用户
Figure 505716DEST_PATH_IMAGE003
和用户
Figure 832792DEST_PATH_IMAGE012
在第
Figure 61952DEST_PATH_IMAGE005
图卷积层中对资源项目
Figure 208900DEST_PATH_IMAGE015
的特征向量 表示；
将目标用户通过上述公式获取目标用户特征向量表示，通过合作推荐模型预测目标用户对其他用户的评分信息的评分信息的计算公式具体为：
Figure 174582DEST_PATH_IMAGE040
其中，
Figure 356164DEST_PATH_IMAGE017
为对其他用户的预测评分，
Figure 998367DEST_PATH_IMAGE018
为目标用户特征向量表示，
Figure 898190DEST_PATH_IMAGE019
为其他用户特 征向量表示，
Figure 385672DEST_PATH_IMAGE020
为重要程度系数，可通过人为设置改变，
Figure 421761DEST_PATH_IMAGE007
为节点的初始权重，
Figure 251177DEST_PATH_IMAGE008
为节点的注 意力权重，
Figure 372717DEST_PATH_IMAGE009
为激活函数，
Figure 663890DEST_PATH_IMAGE010
为用户
Figure 820064DEST_PATH_IMAGE003
的资源项目邻居节点集合，
Figure 554802DEST_PATH_IMAGE021
为资源项目特征向 量表示，
Figure 163638DEST_PATH_IMAGE022
为其他用户对资源项目
Figure 992923DEST_PATH_IMAGE015
的特征向量表示，
Figure 3604DEST_PATH_IMAGE023
为矩阵转置，计算公式中的前半 部分通过内积获取与目标用户与其他用户的相似程度，后半部分通过内积表征其他用户对 目标资源项目的感兴趣程度。
需要说明的是，根据目标用户对推荐列表的交互反馈对异构图中各节点的初始权重进行更新，具体为：获取目标用户对推荐列表交互反馈结果，若目标用户与推荐列表中的用户进行新增资源项目合作，则根据新增资源项目合作的关键词及关键词的语义特征获取特征信息；将所述特征信息与目标用户现有标签的概念特征进行对比获取相似度信息，判断所述相似度信息是否大于预设相似度阈值；若不大于，则根据所述新增资源项目的关键词进行标签新增，若大于，则将新增资源项目奖归入相似度最大的现有标签；根据目标用户新增资源项目合作的标签判断结果对用户标签矩阵进行更新；同时，根据目标用户的交互反馈结合当前预设时间段内各类标签的运用频次及用户间的交互信息更新目标用户对用户及资源项目的偏好程度，从而更新节点的初始权重。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于大数据用户标签信息的资源共享合作推荐方法，其特征在于，包括以下步骤：
获取目标用户所关联的资源项目，根据资源项目通过聚类算法获取目标用户的标签信息，构建用户标签矩阵，通过所述用户标签矩阵获取目标用户偏好信息；
根据用户与资源项目构建异构图，并根据所述用户偏好信息对异构图中的节点设置初始权重，基于图卷积神经网络构建用户合作推荐模型对所述异构图进行学习表示；
通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，根据所述评分信息获取目标用户资源共享合作的推荐列表；
根据目标用户对推荐列表的交互反馈对异构图中各节点的初始权重进行更新。
2.根据权利要求1所述的一种基于大数据用户标签信息的资源共享合作推荐方法，其特征在于，获取目标用户所关联的资源项目，根据资源项目通过聚类算法获取目标用户的标签信息，构建用户标签矩阵，具体为：
将目标用户所关联的资源项目进行关键词提取，并将提取的关键词进行预处理，构成资源项目关键词数据集；
将所述资源项目关键词数据集通过Word2vec模型提取词向量，根据关键词的词向量获取其语义特征，同时获取关键词在关联资源项目中的出现频率，根据所述出现频率获取关键词在资源项目中的贡献度；
通过K-means方法对资源项目关键词数据集进行聚类，根据贡献度大的关键词选取初始聚类中心点，在迭代过程中，获取各关键词点到聚类中心点的欧式距离，将各关键词点聚类至与其距离最近的聚类中心构成聚类结果；
获取聚类结果中每个数据簇的均值作为新聚类中心，根据标准测量函数是否收敛判断聚类结束，获取关键词节点最终聚类结果，根据关键词的语义特征及最终聚类结果获取目标用户的标签信息，构建用户标签矩阵。
3.根据权利要求1所述的一种基于大数据用户标签信息的资源共享合作推荐方法，其特征在于，根据用户与资源项目构建异构图，并根据所述用户偏好信息对异构图中的节点设置初始权重，具体为：
通过用户之间的合作关系及用户与资源项目的交互关系构建异构图，将用户及项目资源作为异构图中的节点，将用户之间的合作关系及用户与资源项目的交互关系作为异构图中不同类型的边；
通过用户标签矩阵对目标用户的偏好信息进行初始化表达，根据目标用户预设时间段内用户标签矩阵中各类标签的运用频次获取目标用户对关联资源项目的当前偏好程度；
通过目标用户与其他用户的合作时间及合作资源项目数量获取目标用户对合作用户的偏好程度；
根据所述当前偏好程度对异构图中目标用户关联资源项目节点及合作的用户节点设置初始权重。
4.根据权利要求1所述的一种基于大数据用户标签信息的资源共享合作推荐方法，其特征在于，通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，具体为：
将异构图通过合作推荐模型进行表示，通过模型中的卷积算子对输入的异构图进行信息传递，在邻居聚合中引入注意力机制对节点的邻居节点分配不同的注意力权重，将所述注意力权重与初始权重进行邻居节点的聚合；
根据不同边类型连接的邻居节点多个聚合向量更新用户节点及资源项目节点的自身表示，生成具有资源项目偏好的用户节点的特征向量表示；
根据用户节点之间及用户节点与资源项目节点之间的消息传递及邻居聚合获取目标用户的特征向量表示，根据目标用户的特征向量获取资源项目的偏好寻找具有相似偏好其他用户，并预测目标用户对其他用户的评分信息；
根据不同边类型连接的邻居节点聚合后的用户节点表示为：
Figure 205532DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
分别为用户
Figure 184990DEST_PATH_IMAGE004
在第
Figure DEST_PATH_IMAGE005
图卷积层，第
Figure 777776DEST_PATH_IMAGE006
图卷积层的特征向量表示，
Figure DEST_PATH_IMAGE007
为用户
Figure 750149DEST_PATH_IMAGE004
的用户邻居节点集合，
Figure 626838DEST_PATH_IMAGE008
为节点的初始权重，
Figure DEST_PATH_IMAGE009
为节点的注意力权重，
Figure 527929DEST_PATH_IMAGE010
为 激活函数，
Figure DEST_PATH_IMAGE011
为用户
Figure 857279DEST_PATH_IMAGE004
的资源项目邻居节点集合，
Figure 56180DEST_PATH_IMAGE012
为用户
Figure DEST_PATH_IMAGE013
在第
Figure 36643DEST_PATH_IMAGE006
图卷积层的特征向 量表示，
Figure 92323DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
分别为用户
Figure 112232DEST_PATH_IMAGE004
和用户
Figure 662293DEST_PATH_IMAGE013
在第
Figure 185678DEST_PATH_IMAGE006
图卷积层中对资源项目
Figure 677840DEST_PATH_IMAGE016
的特征向量表示。
5.根据权利要求4所述的一种基于大数据用户标签信息的资源共享合作推荐方法，其特征在于，通过合作推荐模型预测目标用户对其他用户的评分信息，计算公式具体为：
Figure 919465DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
为对其他用户的预测评分，
Figure 506173DEST_PATH_IMAGE020
为目标用户特征向量表示，
Figure DEST_PATH_IMAGE021
为其他用户特征向 量表示，
Figure 477540DEST_PATH_IMAGE022
为重要程度系数，
Figure 625756DEST_PATH_IMAGE008
为节点的初始权重，
Figure 354677DEST_PATH_IMAGE009
为节点的注意力权重，
Figure 495809DEST_PATH_IMAGE010
为激活函数，
Figure 774212DEST_PATH_IMAGE011
为用户
Figure 77018DEST_PATH_IMAGE004
的资源项目邻居节点集合，
Figure DEST_PATH_IMAGE023
为资源项目特征向量表示，
Figure 293235DEST_PATH_IMAGE024
为其他用户对 资源项目
Figure 988790DEST_PATH_IMAGE016
的特征向量表示，
Figure DEST_PATH_IMAGE025
为矩阵转置。
6.根据权利要求1所述的一种基于大数据用户标签信息的资源共享合作推荐方法，其特征在于，根据目标用户对推荐列表的交互反馈对异构图中各节点的初始权重进行更新，具体为：
获取目标用户对推荐列表交互反馈结果，若目标用户与推荐列表中的用户进行新增资源项目合作，则根据新增资源项目合作的关键词及关键词的语义特征获取特征信息；
将所述特征信息与目标用户现有标签的概念特征进行对比获取相似度信息，判断所述相似度信息是否大于预设相似度阈值；
若不大于，则根据所述新增资源项目的关键词进行标签新增，若大于，则将新增资源项目奖归入相似度最大的现有标签；
根据目标用户新增资源项目合作的标签判断结果对用户标签矩阵进行更新；
同时，根据目标用户的交互反馈结合当前预设时间段内各类标签的运用频次及用户间的交互信息更新目标用户对用户及资源项目的偏好程度，从而更新节点的初始权重。
7.一种基于大数据用户标签信息的资源共享合作推荐系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种基于大数据用户标签信息的资源共享合作推荐方法程序，所述一种基于大数据用户标签信息的资源共享合作推荐方法程序被所述处理器执行时实现如下步骤：
获取目标用户所关联的资源项目，根据资源项目通过聚类算法获取目标用户的标签信息，构建用户标签矩阵，通过所述用户标签矩阵获取目标用户偏好信息；
根据用户与资源项目构建异构图，并根据所述用户偏好信息对异构图中的节点设置初始权重，基于图卷积神经网络构建用户合作推荐模型对所述异构图进行学习表示；
通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，根据所述评分信息获取目标用户资源共享合作的推荐列表；
根据目标用户对推荐列表的交互反馈对异构图中各节点的初始权重进行更新。
8.根据权利要求7所述的一种基于大数据用户标签信息的资源共享合作推荐系统，其特征在于，根据用户与资源项目构建异构图，并根据所述用户偏好信息对异构图中的节点设置初始权重，具体为：
通过用户之间的合作关系及用户与资源项目的交互关系构建异构图，将用户及项目资源作为异构图中的节点，将用户之间的合作关系及用户与资源项目的交互关系作为异构图中不同类型的边；
通过用户标签矩阵对目标用户的偏好信息进行初始化表达，根据目标用户预设时间段内用户标签矩阵中各类标签的运用频次获取目标用户对关联资源项目的当前偏好程度；
通过目标用户与其他用户的合作时间及合作资源项目数量获取目标用户对合作用户的偏好程度；
根据所述当前偏好程度对异构图中目标用户关联资源项目节点及合作的用户节点设置初始权重。
9.根据权利要求7所述的一种基于大数据用户标签信息的资源共享合作推荐系统，其特征在于，通过合作推荐模型根据目标用户的用户标签矩阵预测目标用户对其他用户的评分信息，具体为：
将异构图通过合作推荐模型进行表示，通过模型中的卷积算子对输入的异构图进行信息传递，在邻居聚合中引入注意力机制对节点的邻居节点分配不同的注意力权重，将所述注意力权重与初始权重进行邻居节点的聚合；
根据不同边类型连接的邻居节点多个聚合向量更新用户节点及资源项目节点的自身表示，生成具有资源项目偏好的用户节点的特征向量表示；
根据用户节点之间及用户节点与资源项目节点之间的消息传递及邻居聚合获取目标用户的特征向量表示，根据目标用户的特征向量获取资源项目的偏好寻找具有相似偏好其他用户，并预测目标用户对其他用户的评分信息；
根据不同边类型连接的邻居节点聚合后的用户节点表示为：
Figure 669170DEST_PATH_IMAGE026
其中，
Figure 923303DEST_PATH_IMAGE003
分别为用户
Figure 361237DEST_PATH_IMAGE004
在第
Figure 109751DEST_PATH_IMAGE005
图卷积层，第
Figure 582320DEST_PATH_IMAGE006
图卷积层的特征向量表示，
Figure 243240DEST_PATH_IMAGE007
为用户
Figure 168470DEST_PATH_IMAGE004
的用户邻居节点集合，
Figure 720675DEST_PATH_IMAGE008
为节点的初始权重，
Figure 782171DEST_PATH_IMAGE009
为节点的注意力权重，
Figure 401544DEST_PATH_IMAGE010
为 激活函数，
Figure 814071DEST_PATH_IMAGE011
为用户
Figure 904387DEST_PATH_IMAGE004
的资源项目邻居节点集合，
Figure 85969DEST_PATH_IMAGE012
为用户
Figure 88692DEST_PATH_IMAGE013
在第
Figure 988514DEST_PATH_IMAGE006
图卷积层的特征向 量表示，
Figure 882521DEST_PATH_IMAGE014
，
Figure 184189DEST_PATH_IMAGE015
分别为用户
Figure 856348DEST_PATH_IMAGE004
和用户
Figure 243467DEST_PATH_IMAGE013
在第
Figure 675586DEST_PATH_IMAGE006
图卷积层中对资源项目
Figure 566181DEST_PATH_IMAGE016
的特征向量表示。
10.根据权利要求9所述的一种基于大数据用户标签信息的资源共享合作推荐系统，其特征在于，通过合作推荐模型预测目标用户对其他用户的评分信息，计算公式具体为：
Figure DEST_PATH_IMAGE027
其中，
Figure 176285DEST_PATH_IMAGE019
为对其他用户的预测评分，
Figure 362285DEST_PATH_IMAGE020
为目标用户特征向量表示，
Figure 535777DEST_PATH_IMAGE021
为其他用户特征向 量表示，
Figure 608775DEST_PATH_IMAGE022
为重要程度系数，
Figure 576731DEST_PATH_IMAGE008
为节点的初始权重，
Figure 485913DEST_PATH_IMAGE009
为节点的注意力权重，
Figure 197517DEST_PATH_IMAGE010
为激活函数，
Figure 125021DEST_PATH_IMAGE011
为用户
Figure 263879DEST_PATH_IMAGE004
的资源项目邻居节点集合，
Figure 424470DEST_PATH_IMAGE023
为资源项目特征向量表示，
Figure 674186DEST_PATH_IMAGE024
为其他用户对 资源项目
Figure 721777DEST_PATH_IMAGE016
的特征向量表示，
Figure 31535DEST_PATH_IMAGE025
为矩阵转置。
CN202210989766.1A 2022-08-18 2022-08-18 基于大数据用户标签信息的资源共享合作推荐方法及系统 Active CN115062732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210989766.1A CN115062732B (zh) 2022-08-18 2022-08-18 基于大数据用户标签信息的资源共享合作推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210989766.1A CN115062732B (zh) 2022-08-18 2022-08-18 基于大数据用户标签信息的资源共享合作推荐方法及系统

Publications (2)

Publication Number Publication Date
CN115062732A true CN115062732A (zh) 2022-09-16
CN115062732B CN115062732B (zh) 2022-11-11

Family

ID=83207428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210989766.1A Active CN115062732B (zh) 2022-08-18 2022-08-18 基于大数据用户标签信息的资源共享合作推荐方法及系统

Country Status (1)

Country Link
CN (1) CN115062732B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115640464A (zh) * 2022-12-22 2023-01-24 湖南泰税康互联网科技有限公司 一种基于共享推广管理的共享项目数据推送方法及装置
CN115878905A (zh) * 2023-03-03 2023-03-31 北京缔业科技有限公司 一种智慧商圈的个性服务推荐系统
CN117008494A (zh) * 2023-10-07 2023-11-07 深圳市北鼎科技有限公司 一种基于物联网的厨房家电智能控制方法及系统
CN117076780A (zh) * 2023-09-04 2023-11-17 广东开放大学（广东理工职业学院） 一种基于大数据的图书互借阅推荐方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160275081A1 (en) * 2013-03-20 2016-09-22 Nokia Technologies Oy Method and apparatus for personalized resource recommendations
US20180330192A1 (en) * 2017-05-15 2018-11-15 International Business Machines Corporation Load-Balancing Training of Recommender System for Heterogeneous Systems
CN109960763A (zh) * 2019-03-21 2019-07-02 湖南大学 一种基于用户细粒度摄影偏好的摄影社区个性化好友推荐方法
CN110377815A (zh) * 2019-06-06 2019-10-25 创易汇(北京)科技有限公司 一种产学研用推荐系统及方法
CN110659424A (zh) * 2019-09-23 2020-01-07 长沙理工大学 基于Kruskal算法改进的K均值双重聚类推荐的方法、系统及计算机可读存储介质
CN111143690A (zh) * 2019-12-31 2020-05-12 中国电子科技集团公司信息科学研究院 一种基于关联专家库的专家推荐方法和系统
US20200250734A1 (en) * 2019-02-01 2020-08-06 Target Brands, Inc. Item recommendations using convolutions on weighted graphs
CN112905900A (zh) * 2021-04-02 2021-06-04 辽宁工程技术大学 基于图卷积注意力机制的协同过滤推荐算法
CN113378047A (zh) * 2021-06-10 2021-09-10 武汉大学 一种基于多方面增强的图神经网络推荐方法
CN113434706A (zh) * 2020-03-23 2021-09-24 北京国双科技有限公司 学术合作关系分析方法及装置
KR20210126919A (ko) * 2020-04-13 2021-10-21 라인플러스 주식회사 아바타 아이템을 추천하는 방법, 시스템, 및 컴퓨터 프로그램

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160275081A1 (en) * 2013-03-20 2016-09-22 Nokia Technologies Oy Method and apparatus for personalized resource recommendations
US20180330192A1 (en) * 2017-05-15 2018-11-15 International Business Machines Corporation Load-Balancing Training of Recommender System for Heterogeneous Systems
US20200250734A1 (en) * 2019-02-01 2020-08-06 Target Brands, Inc. Item recommendations using convolutions on weighted graphs
CN109960763A (zh) * 2019-03-21 2019-07-02 湖南大学 一种基于用户细粒度摄影偏好的摄影社区个性化好友推荐方法
CN110377815A (zh) * 2019-06-06 2019-10-25 创易汇(北京)科技有限公司 一种产学研用推荐系统及方法
CN110659424A (zh) * 2019-09-23 2020-01-07 长沙理工大学 基于Kruskal算法改进的K均值双重聚类推荐的方法、系统及计算机可读存储介质
CN111143690A (zh) * 2019-12-31 2020-05-12 中国电子科技集团公司信息科学研究院 一种基于关联专家库的专家推荐方法和系统
CN113434706A (zh) * 2020-03-23 2021-09-24 北京国双科技有限公司 学术合作关系分析方法及装置
KR20210126919A (ko) * 2020-04-13 2021-10-21 라인플러스 주식회사 아바타 아이템을 추천하는 방법, 시스템, 및 컴퓨터 프로그램
CN112905900A (zh) * 2021-04-02 2021-06-04 辽宁工程技术大学 基于图卷积注意力机制的协同过滤推荐算法
CN113378047A (zh) * 2021-06-10 2021-09-10 武汉大学 一种基于多方面增强的图神经网络推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
彭吉琼等: "基于校企合作的情景感知推荐算法研究", 《海峡科技与产业》 *
熊回香等: "基于学术能力及合作关系网络的学者推荐研究", 《情报科学》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115640464A (zh) * 2022-12-22 2023-01-24 湖南泰税康互联网科技有限公司 一种基于共享推广管理的共享项目数据推送方法及装置
CN115878905A (zh) * 2023-03-03 2023-03-31 北京缔业科技有限公司 一种智慧商圈的个性服务推荐系统
CN117076780A (zh) * 2023-09-04 2023-11-17 广东开放大学（广东理工职业学院） 一种基于大数据的图书互借阅推荐方法及系统
CN117076780B (zh) * 2023-09-04 2024-03-26 广东开放大学（广东理工职业学院） 一种基于大数据的图书互借阅推荐方法及系统
CN117008494A (zh) * 2023-10-07 2023-11-07 深圳市北鼎科技有限公司 一种基于物联网的厨房家电智能控制方法及系统
CN117008494B (zh) * 2023-10-07 2024-03-22 深圳市北鼎科技有限公司 一种基于物联网的厨房家电智能控制方法及系统

Also Published As

Publication number Publication date
CN115062732B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN110162593B (zh) 一种搜索结果处理、相似度模型训练方法及装置
CN115062732B (zh) 基于大数据用户标签信息的资源共享合作推荐方法及系统
CN110162693B (zh) 一种信息推荐的方法以及服务器
WO2022041979A1 (zh) 一种信息推荐模型的训练方法和相关装置
CN108717408B (zh) 一种敏感词实时监控方法、电子设备、存储介质及系统
CN110866782B (zh) 一种客户分类方法、系统以及电子设备
CN112395487B (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
CN111429161B (zh) 特征提取方法、特征提取装置、存储介质及电子设备
CN113822776B (zh) 课程推荐方法、装置、设备及存储介质
CN113254716B (zh) 视频片段检索方法、装置、电子设备和可读存储介质
CN108920647B (zh) 基于谱聚类的低秩矩阵填充top-n推荐方法
CN114266443A (zh) 数据评估方法和装置、电子设备、存储介质
WO2023024408A1 (zh) 用户特征向量确定方法、相关设备及介质
CN115809887A (zh) 一种基于发票数据确定企业主要经营范围的方法和装置
Chen et al. A probabilistic linguistic and dual trust network-based user collaborative filtering model
Dai et al. Ranking network embedding via adversarial learning
CN112464106B (zh) 对象推荐方法及装置
CN116541592A (zh) 向量生成方法、信息推荐方法、装置、设备及介质
CN116957128A (zh) 业务指标预测方法、装置、设备和存储介质
CN111291196B (zh) 知识图谱的完善方法及装置、数据处理方法及装置
CN114691828A (zh) 数据处理方法、装置、设备以及介质
Huang et al. A Hybrid Clustering Approach for Bag‐of‐Words Image Categorization
Xiong et al. L-RBF: A customer churn prediction model based on lasso+ RBF
CN113094584A (zh) 推荐学习资源的确定方法和装置
Zafar Ali Khan et al. Hybrid collaborative fusion based product recommendation exploiting sentiments from implicit and explicit reviews

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant