本发明涉及数据预测推荐，尤其是涉及一种基于嵌入噪声和深浅层对比的物品推荐方法及系统。
背景技术：
1、在如今的信息时代，推荐系统面临着如何从海量的数据中准确推荐内容的挑战。现有的推荐技术，通常是将用户的历史数据，即用户曾交互过的物品，从而发掘与该物品属于同领域或同标签的物品来推荐给用户。这种推荐方式的优势在于推荐的物品丰富快捷，但大量的推荐数据，有时会使得用户眼花缭乱，需要耗费更多的时间来挑选心仪的物品。同样，推荐的物品质量也会参差不齐，从而导致用户体验降低；而基于评分的推荐方法，可以作为解决这一问题的良好方式，减少低质量问题从而提升用户体验，这种方法通常根据用户的历史评价情况（例如评分），将评分高的物品推荐给用户，但同样存在一定问题，可能难以满足用户变化的喜好，而且推荐内容减少后，可能影响用户的选择，从而降低用户体验。
技术实现思路
1、为了解决上述提到的问题，本发明提供一种基于嵌入噪声和深浅层对比的物品推荐方法及系统。
2、第一方面，本发明提供的一种基于嵌入噪声和深浅层对比的物品推荐方法，采用如下的技术方案：
3、一种基于嵌入噪声和深浅层对比的物品推荐方法，包括：
4、获取目标用户的用户信息和项目信息；
5、对获取的用户信息和项目信息进行矩阵分解，得到用户矩阵和项目矩阵，作为对比学习浅层信息；
6、对用户矩阵和项目矩阵进行图神经网络前向传播操作，得到用户-项目交互信息和项目-用户交互信息，作为对比学习深层信息；
7、将对比学习浅层信息和对比学习深层信息进行融合得到用户综合信息和项目综合信息；
8、对用户综合信息和项目综合信息进行非线性处理后，得到目标物品的推荐值；
9、基于设定阈值，判断目标物品是否推送至目标用户。
10、进一步地，所述获取目标用户的用户信息和项目信息，包括基于用户物品交互平台，将与目标用户交互过得物品以及提出相关需求信息的边关系进行收集，组成目标用户关系交互信息。
11、进一步地，所述对获取的用户信息和项目信息进行矩阵分解，得到用户矩阵和项目矩阵，包括基于获取的用户信息和项目信息，形成用户-项目交互集和项目-用户交互集，基于初始的用户物品交互矩阵进行降维分解，分解为用户矩阵和项目矩阵，即对比学习浅层信息。
12、进一步地，所述对用户矩阵和项目矩阵进行图神经网络前向传播操作，得到用户-项目交互信息和项目-用户交互信息，包括基于用户矩阵和项目矩阵，进行图神经网络前向传播操作并在过程中添加均匀噪声和高斯噪声混合的混合噪声进行扰动；操作完成后将每层的结果进行聚合形成用户的特征和项目的特征，生成对比学习的主视图，即对比学习深层信息。
13、进一步地，所述将对比学习浅层信息和对比学习深层信息进行融合得到用户综合信息和项目综合信息，包括结合对比学习浅层信息和对比学习深层信息得到融合全局信息的扰动视图，其中，通过用户-项目交互信息与矩阵分解产生的用户矩阵和项目矩阵进行矩阵乘法产生用户特征；通过项目-用户交互信息与矩阵分解产生的用户矩阵和项目矩阵进行矩阵乘法产生项目特征。
14、进一步地，所述对用户综合信息和项目综合信息进行非线性处理后，得到目标物品的推荐值，包括将主视图和扰动视图进行非线性计算，其中，分别计算用户正负样本得分与项目正负样本得分，负样本得分为：对于每个用户，计算所有物品的得分，得到负样本的对数概率；正样本得分为：对于每个用户和物品对，计算它们的嵌入向量的点积，然后进行缩放，并通过clamp函数将结果限制在一定范围内；最后，将正样本得分与负样本得分进行相加得到最终的推荐值。
15、进一步地，所述基于设定阈值，判断目标物品是否推送至目标用户，包括根据推荐值的计算公式，当目标物品的推荐值不小于0.5时，将目标物品推荐给用户，否则不进行推荐，推荐值的计算公式为：，s为目标物品的推荐值。
16、第二方面，一种基于嵌入噪声和深浅层对比的物品推荐系统，包括：
17、数据获取模块，被配置为，获取目标用户的用户信息和项目信息；
18、分解模块，被配置为，对获取的用户信息和项目信息进行矩阵分解，得到用户矩阵和项目矩阵，作为对比学习浅层信息；
19、交互模块，被配置为，对用户矩阵和项目矩阵进行图神经网络前向传播操作，得到用户-项目交互信息和项目-用户交互信息，作为对比学习深层信息；
20、融合模块，被配置为，将对比学习浅层信息和对比学习深层信息进行融合得到用户综合信息和项目综合信息；
21、线性模块，被配置为，对用户综合信息和项目综合信息进行非线性处理后，得到目标物品的推荐值；
22、推送模块，被配置为，基于设定阈值，判断目标物品是否推送至目标用户。
23、第三方面，本发明提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于嵌入噪声和深浅层对比的物品推荐方法。
24、第四方面，本发明提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于嵌入噪声和深浅层对比的物品推荐方法。
25、综上所述，本发明具有如下的有益技术效果：
26、本发明通过基于矩阵分解的对比学习浅层部分，保留用户与项目交互的全局信息，弱化局部信息，从而保留反应用户对项目需求的全局辅助信息；然后，通过对比学习深层部分对初始用户项目交互矩阵的图神经网络前向传播处理并在过程中加入混合噪声干扰，聚合后得到用户特征和项目特征；接着，将全局辅助信息与用户特征和项目特征分别进行融合，得到了融合全局交互信息的用户特征和项目特征；最后，将用户特征和项目特征分别与融合了全局交互信息的用户特征和融合了全局交互信息的项目特征进行推荐值计算，当推荐值达到阈值时，项目物品推荐给用户，提高了物品推荐的准确度，从而提升用户的体验感，促进消费。
1.一种基于嵌入噪声和深浅层对比的物品推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种基于嵌入噪声和深浅层对比的物品推荐方法，其特征在于，所述获取目标用户的用户信息和项目信息，包括基于用户物品交互平台，将与目标用户交互过得物品以及提出相关需求信息的边关系进行收集，组成目标用户关系交互信息。
3.根据权利要求2所述的一种基于嵌入噪声和深浅层对比的物品推荐方法，其特征在于，所述对获取的用户信息和项目信息进行矩阵分解，得到用户矩阵和项目矩阵，包括基于获取的用户信息和项目信息，形成用户-项目交互集和项目-用户交互集，基于初始的用户物品交互矩阵进行降维分解，分解为用户矩阵和项目矩阵，即对比学习浅层信息。
4.根据权利要求3所述的一种基于嵌入噪声和深浅层对比的物品推荐方法，其特征在于，所述对用户矩阵和项目矩阵进行图神经网络前向传播操作，得到用户-项目交互信息和项目-用户交互信息，包括基于用户矩阵和项目矩阵，进行图神经网络前向传播操作并在过程中添加均匀噪声和高斯噪声混合的混合噪声进行扰动；操作完成后将每层的结果进行聚合形成用户的特征和项目的特征，生成对比学习的主视图，即对比学习深层信息。
5.根据权利要求4所述的一种基于嵌入噪声和深浅层对比的物品推荐方法，其特征在于，所述将对比学习浅层信息和对比学习深层信息进行融合得到用户综合信息和项目综合信息，包括结合对比学习浅层信息和对比学习深层信息得到融合全局信息的扰动视图，其中，通过用户-项目交互信息与矩阵分解产生的用户矩阵和项目矩阵进行矩阵乘法产生用户特征；通过项目-用户交互信息与矩阵分解产生的用户矩阵和项目矩阵进行矩阵乘法产生项目特征。
6.根据权利要求5所述的一种基于嵌入噪声和深浅层对比的物品推荐方法，其特征在于，所述对用户综合信息和项目综合信息进行非线性处理后，得到目标物品的推荐值，包括将主视图和扰动视图进行非线性计算，其中，分别计算用户正负样本得分与项目正负样本得分，负样本得分为：对于每个用户，计算所有物品的得分，得到负样本的对数概率；正样本得分为：对于每个用户和物品对，计算它们的嵌入向量的点积，然后进行缩放，并通过clamp函数将结果限制在一定范围内；最后，将正样本得分与负样本得分进行相加得到最终的推荐值。
7.根据权利要求6所述的一种基于嵌入噪声和深浅层对比的物品推荐方法，其特征在于，所述基于设定阈值，判断目标物品是否推送至目标用户，包括根据推荐值的计算公式，当目标物品的推荐值不小于0.5时，将目标物品推荐给用户，否则不进行推荐，推荐值的计算公式为：，s为目标物品的推荐值。
8.一种基于嵌入噪声和深浅层对比的物品推荐系统，其特征在于，包括：
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1所述的方法。
10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1所述的方法。
