1.一种基于动态超图表示学习的社交推荐方法,其特征在于,包括:获取多个超图,每个超图根据若干个用户和若干个项目之间在设定时间段内的关联关系确定;其中,用户和项目作为超图的节点,用户间的社交关系,以及用户与项目间的购买关系作为超图的超边;
将所述多个超图分别输入超图卷积神经网络和注意力神经网络,并经过长短期记忆网络,得到用户嵌入和项目嵌入;
根据所述用户嵌入和所述项目嵌入确定每一用户对每一项目的预测得分;
所述将所述多个超图分别输入超图卷积神经网络和注意力神经网络,并经过长短期记忆网络,得到用户嵌入和项目嵌入,包括:将所述多个超图输入超图卷积神经网络并经过第一长短期记忆网络,得到第一用户嵌入与第一项目嵌入;
将所述多个超图输入注意力神经网络并经过第二长短期记忆网络,得到第二用户嵌入与第二项目嵌入;
所述将所述多个超图输入超图卷积神经网络并经过第一长短期记忆网络,得到第一用户嵌入与第一项目嵌入,包括:利用所述超图卷积神经网络计算每一超图各顶点间的转移概率,以使每一顶点的嵌入在所述超图卷积神经网络的各层级间传递,并经过第一长短期记忆网络,得到第一用户嵌入与第一项目嵌入;
所述将所述多个超图输入注意力神经网络并经过第二长短期记忆网络,得到第二用户嵌入与第二项目嵌入,包括:利用所述注意力神经网络中的注意力超边聚合模块,聚合有关超边的信息,生成超边嵌入;
利用所述注意力神经网络中的注意力顶点聚合模块,聚合有关顶点的信息,生成顶点嵌入;
将所述超边嵌入与所述顶点嵌入经过第二长短期记忆网络,得到第二用户嵌入与第二项目嵌入。
2.根据权利要求1所述的一种基于动态超图表示学习的社交推荐方法,其特征在于,所述方法还包括:确定每一用户对每一项目的实际得分;
根据所述预测得分、所述实际得分以及预设的目标函数重新确定每一用户对每一项目的预测得分。
3.根据权利要求2所述的一种基于动态超图表示学习的社交推荐方法,其特征在于,所述根据所述预测得分、所述实际得分以及预设的目标函数重新确定每一用户对每一项目的预测得分,包括:根据所述预测得分与所述实际得分间绝对误差的平均值,所述预测得分与所述实际得分间平方差的平均值的平方根,以及所述目标函数重新确定每一用户对每一项目的预测得分;
所述目标函数的表达式为,其中,表示成对训练数据,为用户在项目上的预测得分,表示所有模型参数,表示函数,表示正则化参数。
4.根据权利要求1至3任一项所述的一种基于动态超图表示学习的社交推荐方法,其特征在于,所述超图的构建过程包括:根据用户购买同一项目构建第一超图;
根据购买同一项目的用户集构建第二超图;
根据具备社交关系的用户购买同一项目构建第三超图;
根据不具备社交关系的用户购买同一项目构建第四超图;
根据用户间的社交关系构建第五超图。
5.一种基于动态超图表示学习的社交推荐装置,其特征在于,包括:超图获取单元,用于获取多个超图,每个超图根据若干个用户和若干个项目之间在设定时间段内的关联关系确定;其中,用户和项目作为超图的节点,用户间的社交关系,以及用户与项目间的购买关系作为超图的超边;
嵌入获取单元,用于将所述多个超图分别输入超图卷积神经网络和注意力神经网络,并经过长短期记忆网络,得到用户嵌入和项目嵌入;
推荐预测单元,用于根据所述用户嵌入和所述项目嵌入确定每一用户对每一项目的预测得分;
其中:
所述将所述多个超图分别输入超图卷积神经网络和注意力神经网络,并经过长短期记忆网络,得到用户嵌入和项目嵌入,包括:将所述多个超图输入超图卷积神经网络并经过第一长短期记忆网络,得到第一用户嵌入与第一项目嵌入;
将所述多个超图输入注意力神经网络并经过第二长短期记忆网络,得到第二用户嵌入与第二项目嵌入;
所述将所述多个超图输入超图卷积神经网络并经过第一长短期记忆网络,得到第一用户嵌入与第一项目嵌入,包括:利用所述超图卷积神经网络计算每一超图各顶点间的转移概率,以使每一顶点的嵌入在所述超图卷积神经网络的各层级间传递,并经过第一长短期记忆网络,得到第一用户嵌入与第一项目嵌入;
所述将所述多个超图输入注意力神经网络并经过第二长短期记忆网络,得到第二用户嵌入与第二项目嵌入,包括:利用所述注意力神经网络中的注意力超边聚合模块,聚合有关超边的信息,生成超边嵌入;
利用所述注意力神经网络中的注意力顶点聚合模块,聚合有关顶点的信息,生成顶点嵌入;
将所述超边嵌入与所述顶点嵌入经过第二长短期记忆网络,得到第二用户嵌入与第二项目嵌入。
6.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1至4中任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至4中任一项所述的方法。