推薦系統(tǒng)旨在為用戶推薦個性化的在線商品或信息,所述推薦系統(tǒng)廣泛應用于眾多Web場景之中,來處理海量信息數(shù)據(jù)所導致的信息過載問題,以此提升用戶體驗?；谥R圖譜的推薦系統(tǒng)在解決冷啟動問題時具有很好的效果，但現(xiàn)有技術無法實現(xiàn)深度挖掘鄰居節(jié)點與目標相關節(jié)點之間的相互影響程度，推薦效果仍有待提高。

本發(fā)明所要解決的技術問題是針對上述現(xiàn)有技術的不足，推薦一種算法模型，解決所述現(xiàn)有技術無法實現(xiàn)深度挖掘鄰居節(jié)點與目標相關節(jié)點之間的相互影響程度問題。

一種商品信息推薦方法，包括以下步驟：

S1：導入原始數(shù)據(jù)集，將所述原始數(shù)據(jù)集處理成知識圖譜，通過知識圖譜形式得到知識圖譜數(shù)據(jù)集，并將所述知識圖譜數(shù)據(jù)集劃分為訓練集和測試集；

S2：根據(jù)強化學習方法構建探索策略；

S3：基于圖神經(jīng)網(wǎng)絡對所述知識圖譜和所述探索策略構建策略網(wǎng)絡定義目標商品，并計算目標商品的獎勵函數(shù)和損失函數(shù)；

S4：通過損失函數(shù)和獎勵函數(shù)分別計算出所述知識圖譜數(shù)據(jù)集中各個數(shù)據(jù)的總損失值和累計獎勵，再通過反向傳播算法對所有數(shù)據(jù)的總損失值和累計獎勵進行反向傳播，得到商品推薦模型，并通過所述訓練集對所述商品推薦模型進行訓練；

S5：將所述測試集輸入經(jīng)訓練后的商品推薦模型中，通過經(jīng)訓練后的商品推薦模型得到商品推薦結果。

本發(fā)明的有益效果是：通過將原始數(shù)據(jù)集處理知識圖譜數(shù)據(jù)集，根據(jù)強化學習方法構建探索策略，能夠基于用戶歷史消費記錄挖掘出用戶潛在消費商品，基于圖神經(jīng)網(wǎng)絡對知識圖譜和探索策略構建策略網(wǎng)絡定義目標商品，并計算目標商品的獎勵函數(shù)和損失函數(shù)，能夠有效的挖掘出數(shù)據(jù)間的隱含特性，實現(xiàn)了準確的推薦，還能夠在數(shù)學上有更好的區(qū)分，進而有利于挖掘出圖中更多的有效信息，具有一定的泛化性，能夠有效的提高推薦準確性，并具有良好的魯棒性，實現(xiàn)了冷啟動對用戶推薦商品并提高了推薦的可靠性和準確性。