CN109767301B - 推荐方法及***、计算机装置、计算机可读存储介质 - Google Patents

推荐方法及***、计算机装置、计算机可读存储介质 Download PDF

Info

Publication number
CN109767301B
CN109767301B CN201910032524.1A CN201910032524A CN109767301B CN 109767301 B CN109767301 B CN 109767301B CN 201910032524 A CN201910032524 A CN 201910032524A CN 109767301 B CN109767301 B CN 109767301B
Authority
CN
China
Prior art keywords
target user
interest
user
friend
social network
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.)
Active
Application number
CN201910032524.1A
Other languages
English (en)
Other versions
CN109767301A (zh
Inventor
宋卫平
肖之屏
王一帆
劳伦特·查林
张铭
唐建
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.)
Peking University
Original Assignee
Peking University
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 Peking University filed Critical Peking University
Priority to CN201910032524.1A priority Critical patent/CN109767301B/zh
Publication of CN109767301A publication Critical patent/CN109767301A/zh
Application granted granted Critical
Publication of CN109767301B publication Critical patent/CN109767301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种推荐方法及***，其中，推荐方法包括以下步骤：构建目标用户被消耗的物品集合对应目标用户的社交网络；根据物品集合建立目标用户的动态个人兴趣模型；根据物品集合构建社交网络的短期兴趣模型；构建社交网络的长期兴趣模型；根据短期兴趣模型和长期兴趣模型进行拼接；计算目标用户的节点表示和社交网络中朋友的节点表示；根据社交网络中朋友关于目标用户的权值计算合并特征权值；对合并特征权值进行非线性变换；根据动态个人兴趣模型计算；根据用户的最终兴趣得到推荐物品的概率；根据推荐物品的概率计算对数似然函数值；在本发明的技术方案中，其能够同时考虑用户的社交关系和用户的动态兴趣爱好因素，以提升推荐的准确性。

Description

推荐方法及***、计算机装置、计算机可读存储介质
技术领域
本发明涉及信息推荐领域，尤其涉及一种推荐方法、一种推荐***、一种计算机装置和一种计算机可读存储介质。
背景技术
Hidasi等人提出了一个利用LSTM来进行基于会话的推荐的技术。该方法主要利用了上文提到的LSTM根据用户的历史消费记录来建模每一个消费物品的表示。为了推荐下一个物品，他们利用用户消费的最后一个物品来表示用户的当前兴趣，我们根据这个兴趣的数学表示，计算当前兴趣与所有物品的相似程度，最终我们向用户推荐一个与当前兴趣最相近的物品。该技术是一项成熟的技术，但是它存在很多问题。首先它没有建模用户的长期兴趣，仅仅用用户的近期消费记录来建模他的近期兴趣。另外一个问题是它没有考虑用户的社交影响，这使得模型的预测有很大的偏差。Chaney等人提出了一个社交柏松分解模型。他们建模了一种信任因子来刻画朋友对某个用户的推荐影响程度，在建模用户兴趣的时候考虑了朋友的影响，但是这个模型提出已经很久了，并且没有考虑消费历史记录的序列化特征，因此也存在一定的缺陷。
现有技术或者对用户的动态兴趣进行建模或者对推荐***中的社交影响进行分析，但据我们所知，尚没有一种技术将上述两个因素结合起来。最近的一项研究关于使用递归神经网络模拟会话级的用户行为，但没有考虑社交影响。其他的工作研究了社交影响，例如，Ma等人探讨了朋友的社交关系对推荐的***影响。但是，来自不同用户的影响都是静态的，它们不会根据被推荐用户当前的兴趣而发生变化。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的一个目的在于提供一种基于会话和社交影响的推荐方法，其能够同时考虑用户的社交关系和用户的动态兴趣爱好因素，以提升推荐的准确性；并依据用户自己的兴趣爱好，动态推断社交关系中影响力较高的朋友，使当前兴趣相近的朋友对推荐结果影响更大。
本发明的另一个目的在于提供一种基于会话和社交影响的推荐***，其能够在生成推荐结果时，综合考虑用户自身兴趣和其朋友兴趣，加入了对朋友影响力的动态推断模块，从而更好的抓取相关朋友的近期爱好，使之服务于目标用户的物品推荐。
本发明的再一个目的在于提供一种计算机装置。
本发明的又一个目的在于提供一种计算机可读存储介质。
为实现上述目的，本发明第一方面的技术方案提供了一种基于会话和社交影响的推荐方法，包括以下步骤：
构建目标用户当前会话中被消耗的物品集合
Figure GDA0002946692340000021
以及对应目标用户的社交网络G，令：
Figure GDA0002946692340000022
G＝(U，E)；
其中，u表示目标用户，U表示目标用户u的朋友集合，E表示与目标用户u的社交关系，i表示被消耗商品；
根据物品集合
Figure GDA0002946692340000023
建立目标用户的动态个人兴趣模型，令：
Figure GDA0002946692340000024
其中，hn表示目标用户的最新兴趣，hn-1表示最新兴趣的前一个兴趣，f表示目标用户u将最新被消耗商品
Figure GDA0002946692340000031
与最新兴趣的前一个兴趣结合的非线性函数；
根据物品集合
Figure GDA0002946692340000032
构建社交网络G的短期兴趣模型
Figure GDA0002946692340000033
令：
Figure GDA0002946692340000034
其中，
Figure GDA0002946692340000035
表示目标用户u的朋友k的最新兴趣，
Figure GDA0002946692340000036
表示朋友k的前一个兴趣，
Figure GDA0002946692340000037
表示目标用户u的朋友k的最新被消耗商品；
构建社交网络G的长期兴趣模型
Figure GDA0002946692340000038
令：
Figure GDA0002946692340000039
其中，社交网络G中朋友k的长期兴趣模型
Figure GDA00029466923400000310
是所述目标用户u的嵌入表示矩阵Wu的第k行；
根据短期兴趣模型
Figure GDA00029466923400000311
和长期兴趣模型
Figure GDA00029466923400000312
进行拼接，得到拼接模型sk，令
Figure GDA00029466923400000313
其中，ReLU(x)＝max(0，x)是一个非线性的激活函数，W1是变换矩阵；
计算目标用户的节点表示
Figure GDA00029466923400000314
和社交网络G中朋友k的节点表示
Figure GDA00029466923400000315
令：
Figure GDA00029466923400000316
其中，
Figure GDA00029466923400000317
和
Figure GDA00029466923400000318
分别表示为目标用户u及其朋友k在l层的表示，
Figure GDA00029466923400000319
为计算两个节点的相似度的函数，
Figure GDA00029466923400000320
为社交网络G中用户k关于目标用户u的权值；
根据社交网络G中朋友k关于目标用户u的权值计算合并特征权值，令：
Figure GDA0002946692340000041
其中，
Figure GDA0002946692340000042
是目标用户u的社交网络G的兴趣在l层上的融合；
对合并特征权值进行非线性变换，得到：
Figure GDA0002946692340000043
其中，W(l)是l层的一个共享的并且可以学习的权值矩阵；
根据动态个人兴趣模型计算得到用户的最终兴趣，令：
Figure GDA0002946692340000044
其中，W2为线性变换矩阵，
Figure GDA0002946692340000045
为目标用户的最终兴趣；
根据用户的最终兴趣得到推荐物品是y的概率，即：
Figure GDA0002946692340000046
其中，N(u)为社交网络G中用户的个数，zy为物品y的嵌入表示，I为物品的个数，
Figure GDA0002946692340000047
为每个朋友k的被消耗的物品集合；
根据推荐物品是y的概率计算物品的对数似然函数值：
Figure GDA0002946692340000048
在该技术方案中，本方法旨在同时建模用户的动态兴趣和实时社交影响。具体而言，我们使用神经网络技术对用户当前的会话进行建模，提取出用户的兴趣偏好，并实时计算用户的朋友在当前场景下对其产生的影响，结合自身爱好和朋友影响进行物品推荐。
在上述技术方案中，优选地，将最新被消耗商品与前一个兴趣结合的非线性函数f为：
Figure GDA0002946692340000049
Figure GDA00029466923400000410
Figure GDA0002946692340000051
Figure GDA0002946692340000052
Figure GDA0002946692340000053
Figure GDA0002946692340000054
其中，σ为sigmoid函数，σ(x)＝(1+exp(-x))-1，{Wx，Wf，Wo，Wc}表示为循环神经网络中可学习的参数矩阵，{bx，bf，bo，bc}为循环神经网络中可学习的参数向量；{xn，fn，on}分别是循环神经网络中的输入门、遗忘门和输出门；cn’代表经过神经网络变换后的中间变量，cn和cn-1分别代表循环神经网络中cell内存的当前时刻值和上一时刻值；Hn表示经过cell内存中的值通过输出门on的作用后，循环神经网络的当前时刻的输出向量。
本发明第二方面的技术方案提供了一种基于会话和社交影响的推荐***，包括：
构建模块，被设置为用于构建目标用户当前会话中被消耗的物品集合
Figure GDA0002946692340000055
以及对应目标用户的社交网络G，令：
Figure GDA0002946692340000056
G＝(U，E)；
其中，u表示目标用户，U表示目标用户u的朋友集合，E表示与目标用户u的社交关系，i表示被消耗商品；
动态个人兴趣模型建立模块，被设置为用于根据物品集合
Figure GDA0002946692340000057
建立目标用户的动态个人兴趣模型，令：
Figure GDA0002946692340000058
其中，hn表示目标用户的最新兴趣，hn-1表示最新兴趣的前一个兴趣，f表示目标用户u将最新被消耗商品与最新兴趣的前一个兴趣结合的非线性函数；
短期兴趣模型构建模块，被设置为用于根据物品集合
Figure GDA0002946692340000061
构建社交网络G的短期兴趣模型
Figure GDA0002946692340000062
令：
Figure GDA0002946692340000063
其中，
Figure GDA0002946692340000064
表示目标用户u的朋友k的最新兴趣，
Figure GDA0002946692340000065
表示朋友k的前一个兴趣，
Figure GDA0002946692340000066
表示目标用户u的朋友k的最新被消耗商品；
长期兴趣模型构建模块，被设置为用于构建社交网络G的长期兴趣模型
Figure GDA0002946692340000067
令：
Figure GDA0002946692340000068
其中，社交网络G中朋友k的长期兴趣模型
Figure GDA0002946692340000069
是目标用户u的嵌入表示矩阵Wu的第k行；
拼接模块，被设置为用于根据短期兴趣模型
Figure GDA00029466923400000610
和长期兴趣模型
Figure GDA00029466923400000611
进行拼接，得到拼接模型sk，令
Figure GDA00029466923400000612
其中，ReLU(x)＝max(0，x)是一个非线性的激活函数，W1是变换矩阵；
计算模块，被设置为用于计算目标用户的节点表示
Figure GDA00029466923400000613
和社交网络G中朋友k的节点表示
Figure GDA00029466923400000614
令：
Figure GDA00029466923400000615
其中，
Figure GDA00029466923400000616
和
Figure GDA00029466923400000617
分别表示为目标用户u及其朋友k在l层的表示，
Figure GDA00029466923400000618
为计算两个节点的相似度的函数，
Figure GDA00029466923400000619
为社交网络G中用户k关于目标用户u的权值；
合并特征权值计算模块，被设置为用于根据社交网络G中朋友k关于目标用户u的权值计算合并特征权值，令：
Figure GDA00029466923400000620
其中，
Figure GDA0002946692340000071
是目标用户u的社交网络G的兴趣在l层上的融合；
非线性变换模块，被设置为用于对合并特征权值进行非线性变换，得到：
Figure GDA0002946692340000072
其中，W(l)是l层的一个共享的并且可以学习的权值矩阵；
最终兴趣计算模块，被设置为用于根据动态个人兴趣模型计算得到用户的最终兴趣，令：
Figure GDA0002946692340000073
其中，W2为线性变换矩阵，
Figure GDA0002946692340000074
为目标用户的最终兴趣；
概率计算模块，被设置为用于根据用户的最终兴趣得到推荐物品是y的概率，即：
Figure GDA0002946692340000075
其中，N(u)为社交网络G中用户的个数，zy为物品y的嵌入表示，I为物品的个数，
Figure GDA0002946692340000076
为每个朋友k的被消耗的物品集合；
对数似然函数值计算模块，被设置为用于根据推荐物品是y的概率计算物品的对数似然函数值：
Figure GDA0002946692340000077
在该技术方案中，在推荐***中，同时考虑用户的社交关系和用户的动态兴趣爱好因素，以提升推荐的准确性；并依据用户自己的兴趣爱好，动态推断社交关系中影响力较高的朋友，使当前兴趣相近的朋友对推荐结果影响更大。为了提升在线平台推荐***的准确性，本发明中提出对用户的动态兴趣爱好和动态社交关系进行建模。在生成推荐结果时，综合考虑用户自身兴趣和其朋友兴趣，加入了对朋友影响力的动态推断模块，从而更好的抓取相关朋友的近期爱好，使之服务于目标用户的物品推荐。
在上述技术方案中，优选地，将最新被消耗商品与前一个兴趣结合的非线性函数f为：
Figure GDA0002946692340000081
Figure GDA0002946692340000082
Figure GDA0002946692340000083
Figure GDA0002946692340000084
Figure GDA0002946692340000085
Figure GDA0002946692340000086
其中，σ为sigmoid函数，σ(x)＝(1+exp(-x))-1，{Wx，Wf，Wo，Wc}表示为循环神经网络中可学习的参数矩阵，{bx，bf，bo，bc}为循环神经网络中可学习的参数向量；{xn，fn，on}分别是循环神经网络中的输入门、遗忘门和输出门；cn’代表经过神经网络变换后的中间变量，cn和cn-1分别代表循环神经网络中cell内存的当前时刻值和上一时刻值；Hn表示经过cell内存中的值通过输出门on的作用后，循环神经网络的当前时刻的输出向量。
本发明第三方面的技术方案提供了一种计算机装置，包括处理器，处理器用于执行存储器中存储的计算机程序时实现本发明的第一方面的技术方案提出的任一项的推荐方法的步骤。
本发明第四方面的技术方案提供了一种计算机可读存储介质，其上存储有计算机程序(指令)，计算机程序(指令)被处理器执行时实现本发明的第一方面的技术方案提出的任一项的推荐方法的步骤。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了本发明一个实施例所涉及的推荐方法的流程框图；
图2示出了本发明另一个实施例所涉及的推荐***的流程框图；
图3示出了本发明实施例所涉及的动态图注意力模型图；
图4示出了本发明实施例所涉及的动态图注意力网络图。
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限于下面公开的具体实施例的限制。
下面参照图1至图4描述根据本发明一些实施例的推荐方法及***、计算机装置、计算机可读存储介质。
为了能够给在线社区的用户提供有效的建议，我们提出同时对用户的动态兴趣和依赖于情境的社交影响进行建模。我们将最终的问题定义为如下：
定义(会话级社交推荐)令U表示用户集合，i表示被消耗商品，G＝(U,E)是社交网络，其中E是与目标用户u的社交关系。对于用户u，给定一个新的被消耗的物品集合
Figure GDA0002946692340000091
会话级社交推荐的目标是同时利用用户u的动态兴趣(来自
Figure GDA0002946692340000092
的信息)和社交影响(来自
Figure GDA0002946692340000101
的信息，其中N(u)为社交网络G中用户的个数)来推荐I的一个子集，子集中的物品是用户u在第n+1步可能感兴趣的物品。
为此，本发明提出一种新颖的的动态图注意力模型Dynamic GraphRecommendation(DGRec)，如图3所示，它可以同时建模用户自身的偏好和用户的朋友们的偏好。
DGRec由四个模块组成。第一个模块是一个循环神经网络(RNN)，它可以建模在用户当前会话中被消耗的物品序列。用户的朋友的兴趣是由他们短期偏好和长期偏好的组合来建模的。短期偏好，例如在其最近会话中的物品，也使用RNN编码。朋友的长期偏好是通过学习得到的个人嵌入表示来编码的。然后，模型使用图注意力网络将当前用户的表示与其朋友的表示相结合。这是我们的模型和贡献的关键部分：我们提出的机制学会根据用户当前的兴趣来衡量每个朋友的影响。在最后一步中，该模型通过将用户的当前偏好与他所受到的(依赖于情境的)社交影响相结合来产生推荐结果。
如图1所示，按照本发明一个实施例的基于会话和社交影响的推荐方法，包括以下步骤：
S100，构建目标用户当前会话中被消耗的物品集合
Figure GDA0002946692340000102
以及对应目标用户的社交网络G，令：
Figure GDA0002946692340000103
G＝(U，E)；
其中，u表示目标用户，U表示目标用户u的朋友集合，E表示与目标用户u的社交关系，i表示被消耗商品；
为了捕捉用户快速变化的兴趣，我们使用RNN来建模(目标)用户在当前会话中的动作(即点击)。RNN是标准的序列建模工具并且最近被用来建模用户(序列的)偏好数据。RNN可以一个输入一个输入地推断被消耗的物品集合
Figure GDA0002946692340000111
的表示。它可以递归地将所有之前输入的表示和最新的输入的表示组合起来，即：S200，根据物品集合
Figure GDA0002946692340000112
建立目标用户的动态个人兴趣模型，令
Figure GDA0002946692340000113
其中，hn表示目标用户的最新兴趣，hn-1表示最新兴趣的前一个兴趣，f表示目标用户u将最新被消耗商品与最新兴趣的前一个兴趣结合的非线性函数；
我们认为，社交网络G中，用户可能会受到朋友们最近兴趣的影响。出于这个原因，我们以不同的方式建模朋友的短期和长期兴趣。
我们使用朋友最近消费的物品序列(例如，朋友的最新在线会话)来建模他的短期兴趣。长期兴趣代表了一个朋友的总体兴趣，并使用个人的嵌入表示进行建模。
对一个目标用户当前的会话
Figure GDA0002946692340000114
他的朋友的短期兴趣用他们各自的在会话T+1之前的那个会话来表示。每个朋友k的动作
Figure GDA0002946692340000115
用RNN来建模。实际上，这里我们重新使用建模目标用户会话的RNN来建模朋友的会话。换句话说，两个RNN共享同样的参数。我们用RNN最终的输出来表示朋友k的短期偏好，即S300，根据物品集合
Figure GDA0002946692340000116
构建社交网络G的短期兴趣模型
Figure GDA0002946692340000117
令：
Figure GDA0002946692340000118
其中，
Figure GDA0002946692340000119
表示目标用户u的朋友k的最新兴趣，
Figure GDA00029466923400001110
表示朋友k的前一个兴趣，
Figure GDA00029466923400001111
表示目标用户u的朋友k的最新所述被消耗商品；
朋友的长期偏好反映了他们的总体兴趣。由于长期偏好不是时间敏感的，我们使用一个向量来表示它们。
S400，构建社交网络G的长期兴趣模型
Figure GDA00029466923400001112
令：
Figure GDA00029466923400001113
其中，社交网络G中朋友k的长期兴趣模型
Figure GDA0002946692340000121
是目标用户u的嵌入表示矩阵Wu的第k行；
S500，根据短期兴趣模型
Figure GDA0002946692340000122
和长期兴趣模型
Figure GDA0002946692340000123
进行拼接，得到拼接模型sk，令
Figure GDA0002946692340000124
其中，ReLU(x)＝max(0，x)是一个非线性的激活函数，W1是变换矩阵；
我们使用新颖的图注意力网络获得目标用户的兴趣和他的朋友们的兴趣的混合表示。首先，我们在图中编码朋友关系网络，其中节点对应于用户(即目标用户及其朋友)，边表示朋友关系。此外，每个节点使用其对应的用户的表示作为(动态)特征。其次，使用消息传递算法沿边传播这些特征。我们的方法的主要新颖之处在于使用注意力机制来衡量沿每个边传播的特征的权重。权重对应于朋友对目标用户的影响程度。经过固定次数的消息传递迭代之后，目标用户节点处的结果特征就是组合后的表示。
对于每个用户，我们构造了一个以该用户和其朋友为节点的图。如果用户u有|N(u)|个朋友，那么该图就有|N(u)|+1个节点。用户u的初始表示hn被作为节点u的初始特征
Figure GDA0002946692340000125
(每次用户u消费了一个新的在
Figure GDA0002946692340000126
中的物品后，该特征就会被更新)。对于朋友k，对应的节点特征被设置为Sk并在时间戳为T+1的期间保持不变。形式化的来说，节点的特征表示是
Figure GDA0002946692340000127
我们提出了一个新颖的动态图注意力网络，用它来模型化上下文相关的社交影响，并且使用注意力机制来引导影响的传播。整个过程在图4中进行了阐述。
S600，计算目标用户的节点表示
Figure GDA0002946692340000128
和社交网络G中朋友k的节点表示
Figure GDA0002946692340000129
令：
Figure GDA0002946692340000131
其中，
Figure GDA0002946692340000132
和
Figure GDA0002946692340000133
分别表示为目标用户u及其朋友k在l层的表示，
Figure GDA0002946692340000134
为计算两个节点的相似度的函数，
Figure GDA0002946692340000135
为社交网络G中用户k关于目标用户u的权值(以现有的
Figure GDA0002946692340000136
为背景)，或者是影响的级别；
S700，根据社交网络G中朋友k关于目标用户u的权值计算合并特征权值，令：
Figure GDA0002946692340000137
其中，
Figure GDA0002946692340000138
是目标用户u的社交网络G的兴趣在l层上的融合；S800，对合并特征权值进行非线性变换，得到：
Figure GDA0002946692340000139
其中，W(l)是l层的一个共享的并且可以学习的权值矩阵，其中每一层代表图卷积网络的一次卷积操作，该值由第一层开始经过l层卷积之后得到每个节点的最终表示。合并(社交影响)的表示我们用
Figure GDA00029466923400001310
来表示。
因为一个用户的兴趣由他的最近行为和社交影响两者共同决定，他的最终表示就由全连接层合并两者得到，即S900，根据动态个人兴趣模型计算得到用户的最终兴趣，令：
Figure GDA00029466923400001311
其中，W2为线性变换矩阵，
Figure GDA00029466923400001312
为目标用户的最终兴趣；
S1000，根据用户的最终兴趣得到推荐物品是y的概率，即：
Figure GDA00029466923400001313
其中，N(u)为社交网络G中用户的个数，zy为物品y的嵌入表示，|I|为物品的个数，
Figure GDA0002946692340000141
为每个朋友k的被消耗的物品集合；
S1100，根据推荐物品是y的概率计算物品的对数似然函数值：
Figure GDA0002946692340000142
该函数用梯度下降法来最优化。
在该实施例中，本方法旨在同时建模用户的动态兴趣和实时社交影响。具体而言，我们使用神经网络技术对用户当前的会话进行建模，提取出用户的兴趣偏好，并实时计算用户的朋友在当前场景下对其产生的影响，结合自身爱好和朋友影响进行物品推荐。
如图2所示，按照本发明另一个实施例的基于会话和社交影响的推荐***1000，包括：
构建模块10，被设置为用于构建目标用户当前会话中被消耗的物品集合
Figure GDA0002946692340000143
以及对应目标用户的社交网络G，令：
Figure GDA0002946692340000144
G＝(U，E)；
其中，u表示目标用户，U表示目标用户u的朋友集合，E表示与目标用户u的社交关系，i表示被消耗商品；
动态个人兴趣模型建立模块20，被设置为用于根据物品集合
Figure GDA0002946692340000145
建立目标用户的动态个人兴趣模型，令：
Figure GDA0002946692340000146
其中，hn表示目标用户的最新兴趣，hn-1表示最新兴趣的前一个兴趣，f表示目标用户u将最新被消耗商品
Figure GDA0002946692340000147
与最新兴趣的前一个兴趣结合的非线性函数；
短期兴趣模型构建模块30，被设置为用于根据物品集合
Figure GDA0002946692340000148
构建社交网络G的短期兴趣模型
Figure GDA0002946692340000149
令：
Figure GDA0002946692340000151
其中，
Figure GDA0002946692340000152
表示社交网络G中目标用户u的朋友k的最新兴趣，
Figure GDA0002946692340000153
表示朋友k的前一个兴趣，
Figure GDA0002946692340000154
表示目标用户u的朋友k的最新所述被消耗商品；
长期兴趣模型构建模块40，被设置为用于构建社交网络G的长期兴趣模型
Figure GDA0002946692340000155
令：
Figure GDA0002946692340000156
其中，社交网络G中朋友k的长期兴趣模型
Figure GDA0002946692340000157
是目标用户u的嵌入表示矩阵Wu的第k行；
拼接模块50，被设置为用于根据短期兴趣模型
Figure GDA0002946692340000158
和长期兴趣模型
Figure GDA0002946692340000159
进行拼接，得到拼接模型sk，令
Figure GDA00029466923400001510
其中，ReLU(x)＝max(0，x)是一个非线性的激活函数，W1是变换矩阵；
计算模块60，被设置为用于计算目标用户的节点表示
Figure GDA00029466923400001511
和社交网络G中朋友k的节点表示
Figure GDA00029466923400001512
令：
Figure GDA00029466923400001513
其中，
Figure GDA00029466923400001514
和
Figure GDA00029466923400001515
分别表示为目标用户u及其朋友k在l层的表示，
Figure GDA00029466923400001516
为计算两个节点的相似度的函数，
Figure GDA00029466923400001517
为社交网络G中用户k关于目标用户u的权值；
合并特征权值计算模块70，被设置为用于根据社交网络G中朋友k关于目标用户u的权值计算合并特征权值，令：
Figure GDA00029466923400001518
其中，
Figure GDA00029466923400001519
是目标用户u的社交网络G的兴趣在l层上的融合；
非线性变换模块80，被设置为用于对合并特征权值进行非线性变换，得到：
Figure GDA0002946692340000161
其中，W(l)是l层的一个共享的并且可以学习的权值矩阵；
最终兴趣计算模块90，被设置为用于根据动态个人兴趣模型计算得到用户的最终兴趣，令：
Figure GDA0002946692340000162
其中，W2为线性变换矩阵，
Figure GDA0002946692340000163
为目标用户的最终兴趣；
概率计算模块100，被设置为用于根据用户的最终兴趣得到推荐物品是y的概率，即：
Figure GDA0002946692340000164
其中，N(u)为社交网络G中用户的个数，zy为物品y的嵌入表示，|I|为物品的个数，
Figure GDA0002946692340000165
为每个朋友k的被消耗的物品集合；
对数似然函数值计算模块110，被设置为用于根据推荐物品是y的概率计算物品的对数似然函数值：
Figure GDA0002946692340000166
在该实施例中，在推荐***中，同时考虑用户的社交关系和用户的动态兴趣爱好因素，以提升推荐的准确性；并依据用户自己的兴趣爱好，动态推断社交关系中影响力较高的朋友，使当前兴趣相近的朋友对推荐结果影响更大。为了提升在线平台推荐***的准确性，本发明中提出对用户的动态兴趣爱好和动态社交关系进行建模。在生成推荐结果时，综合考虑用户自身兴趣和其朋友兴趣，加入了对朋友影响力的动态推断模块，从而更好的抓取相关朋友的近期爱好，使之服务于目标用户的物品推荐。
在上述任一实施例中，优选地，将最新被消耗商品与前一个兴趣结合的非线性函数f为：
Figure GDA0002946692340000171
Figure GDA0002946692340000172
Figure GDA0002946692340000173
Figure GDA0002946692340000174
Figure GDA0002946692340000175
Figure GDA0002946692340000176
其中，σ为sigmoid函数，σ(x)＝(1+exp(-x))-1，{Wx，Wf，Wo，Wc}表示为循环神经网络中可学习的参数矩阵，{bx，bf，bo，bc}为循环神经网络中可学习的参数向量；{xn，fn，on}分别是循环神经网络中的输入门、遗忘门和输出门；cn’代表经过神经网络变换后的中间变量，cn和cn-1分别代表循环神经网络中cell内存的当前时刻值和上一时刻值；Hn表示经过cell内存中的值通过输出门on的作用后，循环神经网络的当前时刻的输出向量。
本发明再一个实施例的计算机装置，包括处理器，处理器用于执行存储器中存储的计算机程序时实现本发明的第一方面的技术方案提出的任一项的推荐方法的步骤。
本发明又一个实施例的计算机可读存储介质，其上存储有计算机程序(指令)，计算机程序(指令)被处理器执行时实现本发明的第一方面的技术方案提出的任一项的推荐方法的步骤。
在本发明中，术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于会话和社交影响的推荐方法，其特征在于，包括以下步骤：
构建目标用户当前会话中被消耗的物品集合
Figure FDA0002946692330000011
以及对应所述目标用户的社交网络G，令：
Figure FDA0002946692330000012
G＝(U，E)；
其中，u表示所述目标用户，U表示所述目标用户u的朋友集合，E表示与所述目标用户u的社交关系，i表示被消耗商品；
根据所述物品集合
Figure FDA0002946692330000013
建立所述目标用户的动态个人兴趣模型，令：
Figure FDA0002946692330000014
其中，hn表示所述目标用户的最新兴趣，hn-1表示所述最新兴趣的前一个兴趣，f表示所述目标用户u将最新所述被消耗商品
Figure FDA0002946692330000015
与所述最新兴趣的前一个兴趣结合的非线性函数；
根据所述物品集合
Figure FDA0002946692330000016
构建所述社交网络G的短期兴趣模型
Figure FDA0002946692330000017
令：
Figure FDA0002946692330000018
其中，
Figure FDA0002946692330000019
表示所述目标用户u的朋友k的最新兴趣，
Figure FDA00029466923300000110
表示朋友k的前一个兴趣，
Figure FDA00029466923300000111
表示所述目标用户u的朋友k的最新所述被消耗商品；
构建所述社交网络G的长期兴趣模型
Figure FDA00029466923300000112
令：
Figure FDA00029466923300000113
其中，所述社交网络G中朋友k的长期兴趣模型
Figure FDA00029466923300000114
是所述目标用户u的嵌入表示矩阵Wu的第k行；
根据所述短期兴趣模型
Figure FDA00029466923300000115
和所述长期兴趣模型
Figure FDA00029466923300000116
进行拼接，得到拼接模型sk，令
Figure FDA0002946692330000021
其中，ReLU(x)＝max(0，x)是一个非线性的激活函数，W1是变换矩阵；
计算所述目标用户的节点表示
Figure FDA0002946692330000022
和所述社交网络G中朋友k的节点表示
Figure FDA0002946692330000023
令：
Figure FDA0002946692330000024
其中，
Figure FDA0002946692330000025
和
Figure FDA0002946692330000026
分别表示为所述目标用户u及其朋友k在l层的表示，
Figure FDA0002946692330000027
为计算两个节点的相似度的函数，
Figure FDA0002946692330000028
为所述社交网络G中用户k关于所述目标用户u的权值；
根据所述社交网络G中朋友k关于所述目标用户u的权值计算合并特征权值，令：
Figure FDA0002946692330000029
其中，
Figure FDA00029466923300000210
是所述目标用户u的社交网络G的兴趣在l层上的融合；
对所述合并特征权值进行非线性变换，得到：
Figure FDA00029466923300000211
其中，W(l)是l层的一个共享的并且可以学习的权值矩阵；
根据所述动态个人兴趣模型计算得到用户的最终兴趣，令：
Figure FDA00029466923300000212
其中，W2为线性变换矩阵，
Figure FDA00029466923300000213
为所述目标用户的最终兴趣；
根据所述用户的最终兴趣得到推荐物品是y的概率，即：
Figure FDA00029466923300000214
其中，N(u)为所述社交网络G中用户的个数，zy为物品y的嵌入表示，|I|为物品的个数，
Figure FDA00029466923300000215
为每个朋友k的被消耗的物品集合；
根据推荐物品是y的概率计算物品的对数似然函数值：
Figure FDA00029466923300000216
2.根据权利要求1所述的基于会话和社交影响的推荐方法，其特征在于：将所述最新被消耗商品与所述前一个兴趣结合的非线性函数f为：
Figure FDA0002946692330000031
Figure FDA0002946692330000032
Figure FDA0002946692330000033
Figure FDA0002946692330000034
Figure FDA0002946692330000035
Figure FDA0002946692330000036
其中，σ为sigmoid函数，σ(x)＝(1+exp(-x))-1，{Wx，Wf，Wo，Wc}表示为循环神经网络中可学习的参数矩阵，{bx，bf，bo，bc}为循环神经网络中可学习的参数向量；{xn，fn，on}分别是循环神经网络中的输入门、遗忘门和输出门；cn’代表经过神经网络变换后的中间变量，cn和cn-1分别代表循环神经网络中cell内存的当前时刻值和上一时刻值；Hn表示经过cell内存中的值通过输出门on的作用后，循环神经网络的当前时刻的输出向量。
3.一种基于会话和社交影响的推荐***，其特征在于，包括：
构建模块，被设置为用于构建目标用户当前会话中被消耗的物品集合
Figure FDA0002946692330000037
以及对应所述目标用户的社交网络G，令：
Figure FDA0002946692330000038
G＝(U，E)；
其中，u表示所述目标用户，U表示所述目标用户u的朋友集合，E表示与所述目标用户u的社交关系，i表示被消耗商品；
动态个人兴趣模型建立模块，被设置为用于根据所述物品集合
Figure FDA0002946692330000039
建立所述目标用户的动态个人兴趣模型，令：
Figure FDA00029466923300000310
其中，hn表示所述目标用户的最新兴趣，hn-1表示所述最新兴趣的前一个兴趣，f表示所述目标用户u将最新所述被消耗商品
Figure FDA0002946692330000041
与所述最新兴趣的前一个兴趣结合的非线性函数；
短期兴趣模型构建模块，被设置为用于根据所述物品集合
Figure FDA0002946692330000042
构建所述社交网络G的短期兴趣模型
Figure FDA0002946692330000043
令：
Figure FDA0002946692330000044
其中，
Figure FDA0002946692330000045
表示所述目标用户u的朋友k的最新兴趣，
Figure FDA0002946692330000046
表示朋友k的前一个兴趣，
Figure FDA0002946692330000047
表示所述目标用户u的朋友k的最新所述被消耗商品；
长期兴趣模型构建模块，被设置为用于构建所述社交网络G的长期兴趣模型
Figure FDA0002946692330000048
令：
Figure FDA0002946692330000049
其中，所述社交网络G中朋友k的长期兴趣模型
Figure FDA00029466923300000410
是所述目标用户u的嵌入表示矩阵Wu的第k行；
拼接模块，被设置为用于根据所述短期兴趣模型
Figure FDA00029466923300000411
和所述长期兴趣模型
Figure FDA00029466923300000412
进行拼接，得到拼接模型sk，令
Figure FDA00029466923300000413
其中，ReLU(x)＝max(0，x)是一个非线性的激活函数，W1是变换矩阵；
计算模块，被设置为用于计算所述目标用户的节点表示
Figure FDA00029466923300000414
和所述社交网络G中朋友k的节点表示
Figure FDA00029466923300000415
令：
Figure FDA00029466923300000416
其中，
Figure FDA00029466923300000417
和
Figure FDA00029466923300000418
分别表示为所述目标用户u及其朋友k在l层的表示，
Figure FDA00029466923300000419
为计算两个节点的相似度的函数，
Figure FDA00029466923300000420
为所述社交网络G中用户k关于所述目标用户u的权值；
合并特征权值计算模块，被设置为用于根据所述社交网络G中朋友k关于所述目标用户u的权值计算合并特征权值，令：
Figure FDA0002946692330000051
其中，
Figure FDA0002946692330000052
是所述目标用户u的社交网络G的兴趣在l层上的融合；
非线性变换模块，被设置为用于对所述合并特征权值进行非线性变换，得到：
Figure FDA0002946692330000053
其中，W(l)是l层的一个共享的并且可以学习的权值矩阵；
最终兴趣计算模块，被设置为用于根据所述动态个人兴趣模型计算得到用户的最终兴趣，令：
Figure FDA0002946692330000054
其中，W2为线性变换矩阵，
Figure FDA0002946692330000055
为所述目标用户的最终兴趣；
概率计算模块，被设置为用于根据所述用户的最终兴趣得到推荐物品是y的概率，即：
Figure FDA0002946692330000056
其中，N(u)为所述社交网络G中用户的个数，zy为物品y的嵌入表示，|I|为物品的个数，
Figure FDA0002946692330000057
为每个朋友k的被消耗的物品集合；
对数似然函数值计算模块，被设置为用于根据推荐物品是y的概率计算物品的对数似然函数值：
Figure FDA0002946692330000058
4.根据权利要求3所述的基于会话和社交影响的推荐***，其特征在于：将所述最新被消耗商品与所述前一个兴趣结合的非线性函数f为：
Figure FDA0002946692330000059
Figure FDA00029466923300000510
Figure FDA00029466923300000511
Figure FDA00029466923300000512
Figure FDA0002946692330000061
Figure FDA0002946692330000062
其中，σ为sigmoid函数，σ(x)＝(1+exp(-x))-1，{Wx，Wf，Wo，Wc}表示为循环神经网络中可学习的参数矩阵，{bx，bf，bo，bc}为循环神经网络中可学习的参数向量；{xn，fn，on}分别是循环神经网络中的输入门、遗忘门和输出门；cn’代表经过神经网络变换后的中间变量，cn和cn-1分别代表循环神经网络中cell内存的当前时刻值和上一时刻值；Hn表示经过cell内存中的值通过输出门on的作用后，循环神经网络的当前时刻的输出向量。
5.一种计算机装置，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1或2中所述推荐方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1或2所述推荐方法的步骤。
CN201910032524.1A 2019-01-14 2019-01-14 推荐方法及***、计算机装置、计算机可读存储介质 Active CN109767301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910032524.1A CN109767301B (zh) 2019-01-14 2019-01-14 推荐方法及***、计算机装置、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910032524.1A CN109767301B (zh) 2019-01-14 2019-01-14 推荐方法及***、计算机装置、计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109767301A CN109767301A (zh) 2019-05-17
CN109767301B true CN109767301B (zh) 2021-05-07

Family

ID=66453656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910032524.1A Active CN109767301B (zh) 2019-01-14 2019-01-14 推荐方法及***、计算机装置、计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109767301B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147911B (zh) * 2019-05-28 2022-09-09 吉林大学 一种基于内容感知的社交影响力预测模型及预测方法
CN110245293B (zh) * 2019-05-28 2023-07-11 深圳市雅阅科技有限公司 一种网络内容召回方法和装置
CN110502701B (zh) * 2019-07-08 2022-03-25 华南师范大学 引入注意力机制的好友推荐方法、***和存储介质
CN111125445B (zh) * 2019-12-17 2023-08-15 北京百度网讯科技有限公司 社区主题生成方法、装置、电子设备及存储介质
CN111125537B (zh) * 2019-12-31 2020-12-22 中国计量大学 一种基于图表征的会话推荐方法
CN111222054B (zh) * 2020-01-03 2020-12-11 中国计量大学 一种基于上下文邻居关系建模的会话社交推荐方法
CN111258593B (zh) * 2020-01-08 2023-10-27 恒安嘉新（北京）科技股份公司 应用程序预测模型的建立方法、装置、存储介质及终端
CN111260447A (zh) * 2020-02-11 2020-06-09 深圳前海达闼云端智能科技有限公司 售货机器人的商品推荐方法及装置
CN111460331B (zh) * 2020-04-07 2020-12-25 中国计量大学 一种基于时空图的会话推荐方法
CN112163147A (zh) * 2020-06-09 2021-01-01 中森云链(成都)科技有限责任公司 一种用于网站会话场景的推荐方法
CN111782765A (zh) * 2020-06-24 2020-10-16 安徽农业大学 一种基于图注意力机制的推荐方法
CN112445981A (zh) * 2020-11-04 2021-03-05 西安电子科技大学 社交及消费联合推荐***、方法、存储介质、计算机设备
CN112559904B (zh) * 2020-12-16 2021-10-22 中国计量大学 一种基于门机制和多模态图网络的会话社交推荐方法
CN112905887B (zh) * 2021-02-22 2021-12-14 中国计量大学 一种基于多兴趣短期优先模型的会话推荐方法
CN112883268B (zh) * 2021-02-22 2022-02-01 中国计量大学 一种考虑用户多兴趣以及社交影响的会话推荐方法
CN112948683B (zh) * 2021-03-16 2022-11-11 山西大学 一种社交信息动态融合的社会化推荐方法
CN112950325B (zh) * 2021-03-16 2023-10-03 山西大学 一种社交行为融合的自注意力序列推荐方法
CN113407862B (zh) * 2021-05-20 2022-06-17 桂林电子科技大学 一种基于门机制的序列社交推荐方法、***及存储介质
CN114491150B (zh) * 2022-03-28 2022-07-15 苏州浪潮智能科技有限公司 一种视频推荐方法、***、设备及计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944218A (zh) * 2010-01-27 2011-01-12 北京大学 社会网络下的基于图的个性化推荐方法及其***
WO2018191555A1 (en) * 2017-04-14 2018-10-18 Drishti Technologies. Inc Deep learning system for real time analysis of manufacturing operations

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10803391B2 (en) * 2015-07-29 2020-10-13 Google Llc Modeling personal entities on a mobile device using embeddings

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944218A (zh) * 2010-01-27 2011-01-12 北京大学 社会网络下的基于图的个性化推荐方法及其***
WO2018191555A1 (en) * 2017-04-14 2018-10-18 Drishti Technologies. Inc Deep learning system for real time analysis of manufacturing operations

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于用户社交信息和搭配知识融合的服饰推荐算法研究";孙广路;《中国博士学位论文全文数据库信息科技辑》;20181115(第11期);全文 *

Also Published As

Publication number Publication date
CN109767301A (zh) 2019-05-17

Similar Documents

Publication Publication Date Title
CN109767301B (zh) 推荐方法及***、计算机装置、计算机可读存储介质
CN111222054B (zh) 一种基于上下文邻居关系建模的会话社交推荐方法
Chen et al. Edge computing resources reservation in vehicular networks: A meta-learning approach
Bobadilla et al. Collaborative filtering adapted to recommender systems of e-learning
Jiang et al. Modeling customer satisfaction for new product development using a PSO-based ANFIS approach
Jayasinghe et al. Data centric trust evaluation and prediction framework for IOT
Yuan et al. Persistency of excitation and performance of deterministic learning
CN115270001B (zh) 基于云端协同学习的隐私保护推荐方法及***
CN111125537A (zh) 一种基于图表征的会话推荐方法
Kebriaei et al. Model-based and learning-based decision making in incomplete information cournot games: a state estimation approach
Chan et al. Modelling customer satisfaction for product development using genetic programming
CN112685657B (zh) 一种基于多模态交叉融合图网络的会话社交推荐方法
Ramprasad et al. Online bootstrap inference for policy evaluation in reinforcement learning
CN112528165A (zh) 一种基于动态路由图网络的会话社交推荐方法
CN114595396A (zh) 一种基于联邦学习的序列推荐方法和***
Chaudhari et al. Analyzing participant behaviors in design crowdsourcing contests using causal inference on field data
KR20110096488A (ko) 최적화된 도메인간 정보 퀄리티 평가를 갖는 협동적 네트워킹
CN112559904B (zh) 一种基于门机制和多模态图网络的会话社交推荐方法
CN113761388A (zh) 一种推荐方法、装置、电子设备及存储介质
Zhou et al. Towards real time team optimization
CN113449176A (zh) 基于知识图谱的推荐方法及装置
Ravindranath et al. Data market design through deep learning
CN116049544A (zh) 一种全局因子分解的多特征融合网络兴趣预测方法
Xu et al. Generalized contextual bandits with latent features: Algorithms and applications
CN115600009A (zh) 一种考虑用户未来偏好的基于深度强化学习的推荐方法

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