本发明涉及信息推送技术，尤其涉及基于用户画像的礼物推荐方法及系统。
背景技术：
1、随着电子商务和社交网络的发展，个性化推荐系统在近年来变得越来越重要。这些系统能够分析用户的历史行为数据，包括购买历史、浏览历史以及用户在社交平台上的互动，从而预测用户的兴趣和需要，为他们推荐可能感兴趣的商品或服务。在所有类型的推荐系统中，礼物推荐因其特殊性而受到特别关注，它不仅需要考虑接受礼物的用户的喜好，还要考虑送礼人的购买意图和情感表达。
2、现有礼物推荐的具体应用中仍存在一些局限性：
3、个性化不足：传统推荐系统往往忽略了礼物选择中的个性化元素，即礼物的选择不仅反映了接受者的喜好，也是送礼者情感表达的一部分。
4、动态偏好问题：用户的兴趣和需求可能会随时间、场合或特定节日而变化，现有系统往往难以捕捉这种动态变化，尤其是在预测礼物接受者的喜好时。
5、社交关系考虑不足：在选择礼物时，送礼者和接受者之间的社交关系密切度是一个重要因素，而现有的推荐系统往往未能充分考虑这一点。
技术实现思路
1、本发明实施例提供基于用户画像的礼物推荐方法及系统，能够解决现有技术中的问题。
2、本发明实施例的第一方面，
3、提供基于用户画像的礼物推荐方法，包括：
4、收集礼物相关数据，包括礼物名称、类别、价格、适用场景、受众群体的信息，将礼物相关数据构建成包含实体和关系的礼物知识图谱；获取用户的历史购买记录、浏览记录、收藏记录、评价记录的用户行为数据；基于用户行为数据，提取用户的兴趣爱好、消费习惯、价格偏好的特征，生成初步用户画像；将初步用户画像映射到礼物知识图谱中，利用图嵌入技术计算用户与礼物实体之间的关联度，并且基于所述初步用户画像确定用户-物品评分矩阵，根据填充后的用户-物品评分矩阵构建用户-物品二部图，结合所述初步用户画像和所述用户-物品二部图得到增强用户画像；
5、基于增强用户画像，构建包含用户兴趣相似度、消费习惯相似度、社交关系相似度的多个维度的相似度计算模型；在礼物知识图谱中，以当前用户为起点，利用多维度相似度计算模型和图搜索算法，搜索与当前用户相似度最高的其他用户节点；收集与当前用户相似度最高的其他用户节点所关联的礼物实体，形成候选礼物集合；
6、根据当前用户的地理位置、时间、节日的上下文信息，对候选礼物集合进行筛选和排序；基于筛选和排序后的候选礼物集合，结合当前用户的增强用户画像，生成个性化的礼物推荐列表。
7、在一种可选的实施方式中，
8、基于所述初步用户画像确定用户-物品评分矩阵，根据填充后的用户-物品评分矩阵构建用户-物品二部图包括：
9、基于所述初步用户画像确定用户-物品评分矩阵，所述用户-物品评分矩阵中的每一项表示一个用户对某个物品的评分，所述评分为标准化处理后的评分；
10、根据填充后的用户-物品评分矩阵构建用户-物品二部图，所述用户-物品二部图包括用户节点集合和物品节点集合，用户节点与物品节点之间的边的权重为对应的评分值；计算所述用户-物品二部图中用户节点到物品节点以及物品节点到用户节点的转移概率，所述转移概率由节点之间的评分值和节点的度决定。
11、在一种可选的实施方式中，
12、在礼物知识图谱中，以当前用户为起点，利用多维度相似度计算模型和图搜索算法，搜索与当前用户相似度最高的其他用户节点包括：
13、基于随机游走得到的访问序列，计算用户之间的相似度，所述相似度的计算综合考虑访问序列中两个用户节点出现的位置、频率以及衰减因子的影响包括：；
14、其中， sim(u，v)表示用户 u和用户 v的相似度，α表示随机游走序列对应的权重系数， t表示随机游走的总步数； γ表示衰减因子，用于控制相似度计算对远距离节点的敏感程度； β表示用户-物品交互对应的权重系数， i表示物品集合， w i表示物品 i的重要性权重，表示当用户u对物品i有交互时取值为1，否则为0，表示当用户v对物品i有交互时取值为1，否则为0， r ui、 r vi分别表示用户u对物品i进行交互以及用户v对物品i进行交互，表示物品i在用户u和v的交互记录中的相似度；t表示随机游走的步数索引， i u表示用户u对物品i的评分行为特征， i v表示用户v对物品i的评分行为特征， u t表示用户u在随机游走的步数索引t的行为，1( u t=v): 表示指示函数，当用户u和v在随机游走的步数索引t的行为相同时为1，否则为0。
15、在一种可选的实施方式中，
16、利用多维度相似度计算模型和图搜索算法，搜索与当前用户相似度最高的其他用户节点还包括：
17、构建马尔可夫决策过程模型：定义状态空间，包含当前访问的用户节点、该用户节点的邻居节点集合、该用户节点的特征向量以及当前上下文信息；定义动作空间为从当前用户节点可访问的下一个用户节点；设计奖励函数，综合考虑用户相似度、多样性，其中包含可调节的权重系数；
18、设计基于图注意力网络的策略网络：构建输入层，将状态编码为向量表示；构建图注意力层，使用多头注意力机制捕捉节点间的重要性关系；构建输出层，使用softmax函数输出动作概率分布；
19、采用近端策略优化算法训练策略网络：定义裁剪的目标函数，包含重要性采样比率和优势函数；使用广义优势估计计算优势函数；设计并学习值函数网络以估计状态价值；引入熵正则化项以鼓励策略探索；构建总体优化目标，结合裁剪目标函数、值函数损失和熵正则化项；
20、利用训练好的策略网络执行相似用户发现：
21、输入目标用户节点及其相关信息到策略网络；根据策略网络输出的概率分布选择下一个访问节点；重复执行游走过程，直到达到预定的游走步数或满足停止条件；收集游走过程中访问的用户节点，作为相似用户候选集；对候选集中的用户进行排序，生成最终的相似用户列表。
22、在一种可选的实施方式中，
23、所述方法还包括：
24、执行训练过程：
25、使用当前策略在用户图中进行多轮游走，收集状态-动作-奖励-下一状态样本；基于收集的数据和当前值函数网络计算每个时间步的优势；使用随机梯度上升法优化目标函数，更新策略网络和值函数网络的参数；
26、应用早停策略，当验证集性能连续预定数量的训练周期没有提升时停止训练；
27、根据用户反馈和系统目标，动态调整奖励函数中的权重系数；引入温度参数控制策略的探索程度，并随训练进行逐渐降低该参数值；
28、对新加入的用户节点实施冷启动处理：从新用户的注册信息和初始行为中提取特征；计算新用户与现有用户的内容相似度；基于相似度最高的预定数量个现有用户的嵌入，通过加权平均生成新用户的初始嵌入。
29、在一种可选的实施方式中，
30、根据当前用户的地理位置、时间、节日的上下文信息，对候选礼物集合进行筛选和排序；基于筛选和排序后的候选礼物集合，结合当前用户的增强用户画像，生成个性化的礼物推荐列表包括：
31、根据用户-物品评分矩阵和用户相似度矩阵，采用协同过滤算法计算目标用户对未评分物品的预测评分，所述协同过滤算法基于目标用户的邻近用户集合，通过邻近用户对物品的评分和用户之间的相似度加权求和得到预测评分，并按照预测评分从高到低对物品进行排序，生成初始推荐列表；
32、定义相关性目标、多样性目标和新颖性目标，其中，相关性目标采用推荐列表中物品预测评分的加权总和，权重为物品在推荐列表中的位置折扣系数；多样性目标采用推荐列表中物品两两之间余弦相似度的归一化互补值，物品相似度基于物品的内容特征和用户行为特征计算；新颖性目标采用推荐列表中物品流行度的对数倒数之和，物品流行度根据物品被用户交互的频次估计；
33、构建多目标排序模型，采用加权求和的方式将所述相关性目标、多样性目标和新颖性目标线性组合为单一的目标函数，目标函数中设置相关性、多样性和新颖性的权重系数，通过网格搜索和交叉验证优化权重系数取值；
34、采用改进的非支配排序遗传算法求解所述多目标排序模型，引入精英保留策略和拥挤度距离，将初始推荐列表视为染色体，通过基因编码、个体评价、选择、交叉、变异操作迭代优化目标函数，直到达到最大迭代次数或满足收敛条件，得到最优解集；
35、从所述最优解集中选取最优解，对所述初始推荐列表进行重排序，生成最终推荐列表，并根据用户的实时反馈动态调整最终推荐列表，作为个性化推荐的结果实时返回给用户。
36、本发明实施例的第二方面，
37、提供基于用户画像的礼物推荐系统，包括：
38、第一单元，用于收集礼物相关数据，包括礼物名称、类别、价格、适用场景、受众群体的信息，将礼物相关数据构建成包含实体和关系的礼物知识图谱；获取用户的历史购买记录、浏览记录、收藏记录、评价记录的用户行为数据；基于用户行为数据，提取用户的兴趣爱好、消费习惯、价格偏好的特征，生成初步用户画像；将初步用户画像映射到礼物知识图谱中，利用图嵌入技术计算用户与礼物实体之间的关联度，并且基于所述初步用户画像确定用户-物品评分矩阵，根据填充后的用户-物品评分矩阵构建用户-物品二部图，结合所述初步用户画像和所述用户-物品二部图得到增强用户画像；
39、第二单元，用于基于增强用户画像，构建包含用户兴趣相似度、消费习惯相似度、社交关系相似度的多个维度的相似度计算模型；在礼物知识图谱中，以当前用户为起点，利用多维度相似度计算模型和图搜索算法，搜索与当前用户相似度最高的其他用户节点；收集与当前用户相似度最高的其他用户节点所关联的礼物实体，形成候选礼物集合；
40、第三单元，用于根据当前用户的地理位置、时间、节日的上下文信息，对候选礼物集合进行筛选和排序；基于筛选和排序后的候选礼物集合，结合当前用户的增强用户画像，生成个性化的礼物推荐列表。
41、本发明实施例的第三方面，
42、提供一种电子设备，包括：
43、处理器；
44、用于存储处理器可执行指令的存储器；
45、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
46、本发明实施例的第四方面，
47、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
48、通过这种方式构建的用户-物品二部图及其转移概率，为后续的个性化推荐算法提供了重要的数据结构和计算基础。它不仅反映了用户的偏好，也考虑了物品的普及程度，能够支持更加精准和多样化的推荐结果。
1.基于用户画像的礼物推荐方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述初步用户画像确定用户-物品评分矩阵，根据填充后的用户-物品评分矩阵构建用户-物品二部图包括：
3.根据权利要求1所述的方法，其特征在于，在礼物知识图谱中，以当前用户为起点，利用多维度相似度计算模型和图搜索算法，搜索与当前用户相似度最高的其他用户节点包括：
4.根据权利要求3所述的方法，其特征在于，利用多维度相似度计算模型和图搜索算法，搜索与当前用户相似度最高的其他用户节点还包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，根据当前用户的地理位置、时间、节日的上下文信息，对候选礼物集合进行筛选和排序；基于筛选和排序后的候选礼物集合，结合当前用户的增强用户画像，生成个性化的礼物推荐列表包括：
7.基于用户画像的礼物推荐系统，用于实现前述权利要求1-6中任一项所述的方法，其特征在于，包括：
8.一种电子设备，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
