CN111859142A - 一种基于互联互通家居平台的跨设备迁移推荐***及其工作方法 - Google Patents

一种基于互联互通家居平台的跨设备迁移推荐***及其工作方法 Download PDF

Info

Publication number
CN111859142A
CN111859142A CN202010737064.5A CN202010737064A CN111859142A CN 111859142 A CN111859142 A CN 111859142A CN 202010737064 A CN202010737064 A CN 202010737064A CN 111859142 A CN111859142 A CN 111859142A
Authority
CN
China
Prior art keywords
user
information
cross
migration
recommendation
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.)
Pending
Application number
CN202010737064.5A
Other languages
English (en)
Inventor
李玉军
马宝森
胡伟凤
陈竹敏
高雪松
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.)
Shandong University
Original Assignee
Qingdao Bo Tian Tian Tong Information Technology Co Ltd
Shandong 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 Qingdao Bo Tian Tian Tong Information Technology Co Ltd, Shandong University filed Critical Qingdao Bo Tian Tian Tong Information Technology Co Ltd
Priority to CN202010737064.5A priority Critical patent/CN111859142A/zh
Publication of CN111859142A publication Critical patent/CN111859142A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于互联互通家居平台的跨设备迁移推荐***及其工作方法，包括信息提取单元、迁移过滤单元、跨域传输单元和推荐解码单元；信息提取单元把每个设备记录的离散用户行为序列按时间顺序进行编码，从复杂的内容数据中学习出有效的隐因子特征表示；迁移过滤单元进行喜好特征提取，得到用户当前与历史喜好的综合表示信息；跨域传输单元通过处理用户当前与历史喜好的综合表示信息，结合前一时刻跨域传输单元的用户信息，实现用户喜好特征在设备间或服务间的跨域迁移；推荐解码单元为用户生成推荐列表，为用户进行精准的个性化推荐。本发明有效解决了目前家庭中的智能终端在内容和服务推荐方面冷启动和数据稀疏导致的推荐准确率低等问题。

Description

一种基于互联互通家居平台的跨设备迁移推荐***及其工作 方法
技术领域
本发明涉及一种基于互联互通家居平台的跨设备迁移推荐***及其工作方法，通过大数据和人工智能分析技术，根据互联互通家居平台中不同设备中记录的用户行为特征，建立跨设备的个性化推荐***，属于智能家居技术领域。
背景技术
现有的推荐技术的主流方法协同过滤、逻辑回归、因子分解机等传统模型主要基于单设备、单服务，这些方法不方便加入用户、物品和上下文相关特征，这使得传统模型丧失了利用很多有效信息的机会，无法进行特征交叉、特征筛选，不可避免地造成信息损失；同时在家庭场景中部分设备由于缺乏用户历史行为数据支持，模型学习的用户喜好特征不全面、扩展性差。
目前，家庭中的终端只能根据自己记录的用户数据为用户进行推荐，而家庭中某些终端因用户使用频率低、记录的用户记录数据少而无法准确捕获用户的喜好特征，从而造成了推荐准确率低、效果差；同时，由于部分终端存储的内容数量巨大，而用户浏览或使用的内容数量比较小，利用传统的推荐算法很难推荐令用户满意的结果。总之，目前家庭中的智能终端(智能电视、智能冰箱等)在内容和服务推荐方面存在冷启动和数据稀疏，导致推荐准确率低等问题。
发明内容
针对现有技术的不足，本发明提供了一种基于互联互通家居平台的跨设备迁移推荐***。
本发明还提供了上述基于互联互通家居平台的跨设备迁移推荐***的工作方法。
本发明以迁移学习、深度学习为基础，通过信息提取单元、迁移过滤单元、跨域传输单元联动获取用户在各种场景下的偏好信息，完善用户画像，并进一步通过推荐解码单元结合当前场景下各种资源实现跨域迁移学习的全场景精准推荐。
本发明基于智能家居场景下的跨设备/跨媒体/跨服务迁移学习的智能推荐技术。通过家庭场景中的各种设备服务互联互通，获取家庭中多维度的人员、设备、内容、服务数据；通过对设备中记录的用户行为序列进行编码结合跨领域的迁移学习技术，将不同领域下的数据融合到一个空间，结合信息抽取、特征交互、特征融合等技术丰富对用户与物品喜好关系的描述，实现用户画像的精准刻画和内容服务的精准推荐。
本发明采用编码器-转移-解码器的模型。通过迁移过滤单元实现了编码器信息在不同设备和领域的转移，利用到了更多设备和服务的有效信息，有效解决了目前家庭中的智能终端(智能电视、智能冰箱等)在内容和服务推荐方面冷启动和数据稀疏导致的推荐准确率低等问题；同时通过跨域传输单元将抽象有意义的数据转化为具有良好结构性的特征，使之与设备的解码单元结构相匹配，扩展性强。
本发明既可以支撑同设备跨领域跨服务间的迁移学习与推荐，也可以实现跨设备间的迁移学习与推荐。例如，本发明通过来自智能冰箱用户搜索的菜谱信息，丰富用户身体状况、饮食喜好的描述，实现智能电视上的减肥和健身视频推荐。同时通过用户在智能电视视频领域内容，推荐教育领域内容。
发明概述：
一种基于互联互通家居平台的跨设备迁移推荐***，首先，通过信息提取单元把每个设备记录的离散用户行为序列按时间顺序进行编码，从复杂的内容数据中学习出有效的隐因子特征表示；然后，迁移过滤单元将来自其他领域、其他设备基于过去的离散用户特征与用户当下行为进行喜好特征提取，引入非线性单元来弥补隐向量之间朴素点积操作不能区分各维度之间重要性差别的弱点，同时利用神经网络记忆每一个时刻特定用户的有效喜好并遗忘无关信息，得到用户当前与历视喜好的综合表示信息；接着，跨域传输单元通过处理来自该设备与其他领域、设备迁移过滤单元的用户表示信息，结合前一时刻跨域传输单元的用户信息，实现用户喜好特征在设备间或服务间的跨域迁移；最终，解码单元将当前设备的历史信息与来自其他域的喜好信息为用户生成推荐列表，利用自适应进化算法提取辅助信息的潜在特征，为用户进行精准的个性化推荐。
术语解释：
1、推荐***：基于互联互通家居平台中的智能家居记录的用户行为数据分析用户的各类喜好，并根据现有场景中的各种资源进行个性化推荐。
2、循环神经网络：一类具有短期记忆能力的神经网络，其中的神经元不仅可以接受其他神经元的信息，也可以接受自身信息，通过使用带自反馈的神经元，能够处理任意长度的时序数据。
3、门循环机制：全称为GRU(Gate Recurrent Unit)，是循环神经网络(RecurrentNeural Network,RNN)的一种，为了解决长期记忆和反向传播中的梯度等问题而提出来的，采用门控机制来控制信息的更新。
门循环序列是2014年在文章《Learning Phrase Representations using RNNEncoder–Decoder for Statistical Machine Translation》中提出的，
门循环序列公式如下：
it＝σ(Wihht-1+Wixxt+bi)
ot＝σ(Wohht-1+Woxxt+bo)
Figure BDA0002605470430000031
Figure BDA0002605470430000032
其中，it代表更新门，控制前边记忆信息能够继续保留到当前时刻的数据量，ot代表重置门，控制要遗忘多少过去的信息，σ，tanh分别代表sigmoid激活函数
Figure BDA0002605470430000033
和双曲正切函数
Figure BDA0002605470430000034
⊙代表对应元素相乘。W,b分别代表GRU内部训练矩阵和偏置向量。ht-1,xt分别代表在时间步t-1时的隐藏层状态和时间步t时的输入；ht代表隐藏层状态，就是隐因子特征表示。在本发明中，对于设备A的门循环序列，它在t时刻的输出隐因子特征表示写作
Figure BDA0002605470430000035
4、多层感知机：多层感知机层与层之间是全连接的。多层感知机最底层是输入层，中间是隐藏层，最后是输出层，中间可以有多个隐藏层。是一种广泛使用的线性分类器，通过判别函数来分割不同类的数据。
5、反向传播：反向传播借助链式法则，计算两个或两个以上复合函数的导数，将输出单元的梯度反向传播回输入单元，根据计算出的梯度，调整网络的可学习参数。
6、喜好特征提取，互联互通家居平台中智能家居记录的用户行为数据通常是离散的(如电视上记录用户在某个时间点观看了某个电视节目，智能冰箱记录了在某个时间点放入、取出了某种食品)，这类离散数据送入信息提取单元，信息提取单元通过门循环序列机制，把设备记录的离散用户行为序列按时间顺序进行编码，从复杂的内容数据中学习出有效的隐因子特征表示，迁移过滤单元把本设备和其他设备的隐因子特征以及该时刻的前一时刻，本设备的迁移过滤单元输出一同进行处理，得到用户当前喜好信息与历史喜好信息的综合表示，这个综合表示就是用户的喜好特征。
本发明的技术方案为：
一种基于互联互通家居平台的跨设备迁移推荐***，包括信息提取单元、迁移过滤单元、跨域传输单元和推荐解码单元；
所述信息提取单元用于：把每个设备记录的离散用户行为序列(当前时刻与该时刻前的离散用户行为序列的信息)按时间顺序进行编码，从复杂的内容数据中学习出有效的隐因子特征表示，并把学习出的有效的隐因子特征表示发送至所述迁移过滤单元；
所述迁移过滤单元用于：将来自其他领域或其他设备基于历史时间序列的离散用户特征与用户当下行为进行喜好特征提取，引入非线性单元来弥补隐向量之间朴素点积操作不能区分各维度之间重要性差别的弱点，同时，利用神经网络记忆每一个时刻特定用户的有效喜好并遗忘无关信息，得到用户当前与历史喜好的综合表示信息；并把得到的用户当前与历史喜好的综合表示信息发送至所述跨域传输单元；
所述跨域传输单元用于：通过处理得到的该设备与其他领域、设备所述迁移过滤单元的用户当前与历史喜好的综合表示信息，结合前一时刻所述跨域传输单元的用户信息，实现用户喜好特征在设备间或服务间的跨域迁移；跨域传输单元将本时刻迁移过滤单元的输出与前一时刻跨域传输单元的输出一起进行处理，得到的跨域传输单元输出与本设备信息提取单元的隐因子特征表示一同送入推荐解码单元为用户生成推荐列表。
所述推荐解码单元用于：通过当前设备的历史信息与得到的当前时刻跨域传输单元的输出为用户生成推荐列表，利用自适应进化算法提取辅助信息的潜在特征，为用户进行精准的个性化推荐。
在基于互联互通平台的智能家庭环境中，本发明通过以迁移学***台中所有互联互通的设备，实现全部跨设备跨服务的精准个性化推荐。
通过信息提取单元、迁移过滤单元、跨域传输单元联动获取用户在各种场景下的偏好信息，
本发明采用编码器-转移-解码器的模型。通过迁移过滤单元实现了编码器信息在不同设备和领域的转移，利用到了更多设备和服务的有效信息，有效解决了目前家庭中的智能终端(智能电视、智能冰箱等)在内容和服务推荐方面冷启动和数据稀疏导致的推荐准确率低等问题；同时通过跨域传输单元将抽象有意义的数据转化为具有良好结构性的特征，使之与设备的解码单元结构相匹配，扩展性强。
上述基于互联互通家居平台的跨设备迁移推荐***的工作方法，包括步骤如下：
(1)通过所述信息提取单元把每个设备记录的离散用户行为序列按时间顺序进行编码，从复杂的内容数据中学习出有效的隐因子特征表示；
设备，是指如电视、冰箱、手机、电脑等记录用户行为习惯同时能够提供某些内容供用户进行选择的设备；用户行为序列，是指设备按时间顺序记录的用户行为，如，电视记录用户在某天上午先后观看了米老鼠、喜羊羊、熊出没等视频内容。
(2)针对不同领域、不同设备记录的用户行为数据存在一定差异、无法统一进行表征的问题，所述迁移过滤单元将来自其他领域或其他设备基于历史时间序列的离散用户特征与用户当下行为进行喜好特征提取；
领域是指，视频域包含了各种视频内容，在教育域包含了各种教育资源(网络课程，各种书籍，学习相关的app，学习相关的音视频内容)，食品域(冰箱及储物柜中存放的各种食材、零食，饮食app，菜谱)，运动域(家中存放的各种健身器材，健身课程，各种可以检测身体指标的智能穿戴设备)；设备：智能电视(可以记录用户观看的各种视频节目的时间及时长，并能为用户推荐视频内容)，冰箱(可以记录冰箱内存放的各种食材并根据用户行为为用户推荐食谱)。
其他设备是针对用户当前使用的设备进行区分的，如：用户现在正在看电脑上的某个视频，那么该用户的当前设备就是电脑，家庭场景中的冰箱、电视、手机、储物柜就是“其他设备”；同样地，其他领域也是针对用户当前使用的领域进行区分的，如：用户现在想要使用电脑进行学习，那么用户的当前领域就是教育域，视频域、食品域、运动域等领域就是“其他领域”。
基于历史时间序列的离散用户特征是指：信息提取单元把当前设备中记录的基于历史时间序列的离散用户行为所编码出的隐因子特征表示，这个隐因子特征表示中包含的内容就是“基于历史时间序列的离散用户特征”。
用户当下行为是指：设备记录的当前时刻的用户行为。
引入非线性单元来弥补隐向量之间朴素点积操作不能区分各维度之间重要性差别的弱点，即使用“全连接神经网络+激活函数”的设置，利用激活函数能够实现特征的非线性转化的特点，实现了迁移过滤单元对各维度间重要性的区分；
同时，利用神经网络记忆每一个时刻特定用户的有效喜好并遗忘无关信息，得到用户当前与历史喜好的综合表示信息；
(3)所述跨域传输单元通过处理步骤(2)得到的该设备与其他领域、设备所述迁移过滤单元的用户当前与历史喜好的综合表示信息，结合前一时刻所述跨域传输单元的用户信息，实现用户喜好特征在设备间或服务间的跨域迁移；
(4)所述推荐解码单元通过当前设备的历史信息与步骤(3)得到的当前时刻跨域传输单元的输出为用户生成推荐列表，利用自适应进化算法提取辅助信息的潜在特征，为用户进行精准的个性化推荐，当前设备的历史信息是指用户目前使用的、正要给用户进行内容推荐的设备在当前时刻前记录的所有隐因子特征表示。
通过解码单元将当前领域、设备的历史行为与来自其他域的喜欢好特征为用户生成推荐列表，利用自适应进化算法提取辅助信息的潜在特征，以生成概率形式将辅助数据整合到评级中并将其整合到成对排序模型的框架中，此外，由于使用了基于梯度的自动编码器反向传播和基于受限玻尔兹曼机的反向传播等方法，自动编码器的训练速度得到了提升。
根据本发明优选的，步骤(2)中，利用神经网络记忆每一个时刻特定用户的有效喜好并遗忘无关信息，得到用户当前与历史喜好的综合表示信息，包括：
a、获取迁移过滤单元在每一时刻用户的中间表示信息
迁移过滤单元在某一时刻用户的中间表示信息是当前时刻的内容候选表示与前一时刻的用户表示信息的加权组合，权重由步骤(1)得到的当前时刻来自各领域、设备信息提取单元的隐因子特征表示、前一时刻的用户表示信息及内容候选表示经激活函数处理得到；
当前时刻的内容候选表示由多层感知机通过非线性变换得到，是指：将步骤(1)得到的当前时刻来自各领域、设备信息提取单元的隐因子特征表示、前一时刻的用户表示信息、内容候选表示输入多层感知机得到输出，并对该输出进行非线性变换，即得；
b、求取得到用户当前与历史喜好的综合表示信息
用户当前与历史喜好的综合表示信息是步骤a获取的所有时刻用户的中间表示信息的平均值。
根据本发明优选的，步骤(2)中，对于多设备迁移，设定设备A迁移到多个其他设备B,C,D,…,M,设备A在t时刻的隐因子特征表示
Figure BDA0002605470430000061
如式(Ⅰ)所示：
Figure BDA00026054704300000617
式(Ⅰ)中，
Figure BDA0002605470430000062
WW、UW为待训练的参数矩阵，bW为偏置项,若
Figure BDA0002605470430000063
的值越高，跨设备迁移推荐***会更加注意该用户的相关表示
Figure BDA0002605470430000064
Figure BDA0002605470430000065
控制着用户k从其他设备转移到设备A的信息数量，
Figure BDA0002605470430000066
Figure BDA0002605470430000067
Figure BDA0002605470430000068
Vf为待训练的参数矩阵，bf为偏置项，
Figure BDA0002605470430000069
Figure BDA00026054704300000610
分别是设备A、B、C…M在时间点t的隐因子特征表示，σ为softmax函数，使得
Figure BDA00026054704300000611
的值在(0,1)范围内，
Figure BDA00026054704300000612
控制着用户k从设备A转移到其他设备的信息量，
Figure BDA00026054704300000613
表示在t-1时刻由设备A转移到设备B的用户表示信息，即用户当前与历史喜好的综合表示信息；emb(uk)表示门循环序列的输入，uk表示指用户k；
Figure BDA00026054704300000614
表示设备A在时间点t对于用户k的内容候选表示，基于设备A在时间点t的隐因子特征表示
Figure BDA00026054704300000615
被过滤了的迁移过滤单元在前一时间点t-1时刻的设备A向设备B、C…M的输出
Figure BDA00026054704300000616
Figure BDA0002605470430000071
以及用户k自己的兴趣嵌入emb(uk)，
Figure BDA0002605470430000072
Figure BDA0002605470430000073
Wh、
Figure BDA0002605470430000074
Vh是待训练的参数矩阵，bh为偏置项。
根据本发明优选的，步骤(2)中，设定设备A迁移到多个其他设备B,C,D,…,M，多个其他设备B,C,D,…,M的任一个设备设定为a，则设备A的迁移过滤单元在时间点t向任一个其他设备a的输出如式(Ⅱ)所示：
Figure BDA0002605470430000075
根据本发明优选的，步骤(3)中，所述跨域传输单元通过门循环序列(GRU)处理步骤(2)得到的用户当前与历史喜好的综合表示信息和前一时刻所述跨域传输单元的输出即所述跨域传输单元的用户信息，得到当前时刻跨域传输单元的输出。得到丰富的内容数据，这些数据的特征从不同的维度展现了不同的信息，通过特征间的组合传递了不同领域、设备记录的用户行为信息，将用户的长期偏好与短期需求更紧密、有效地结合起来。
根据本发明优选的，步骤(3)中，设定
Figure BDA0002605470430000076
是迁移过滤单元的输出，属于设备A，通过所述跨域传输单元把它转移到设备B，并结合来自设备B的初始信息去提升设备B的推荐效果；即：通过使用门循环单元GRU对
Figure BDA0002605470430000077
编码，把
Figure BDA0002605470430000078
从设备A转到设备B，并在每一个时间步反复对它编码，如式(Ⅲ)所示：
Figure BDA0002605470430000079
式(Ⅲ)中，
Figure BDA00026054704300000710
是上一个时间点t-1在设备B被转化了的信息表示，
Figure BDA00026054704300000711
是指跨域传输单元在时刻t的输出，A→B表示迁移过滤单元整合了来自设备A的信息，如果迁移过滤单元整合了来自设备A,C,D,M，则把A→B改成A,C,D,M→B，所述跨域传输单元的初始状态为0向量。
根据本发明优选的，步骤(4)中，推荐解码单元通过当前设备的历史信息与步骤(3)得到的当前时刻跨域传输单元的输出为用户生成推荐列表，即：推荐解码单元结合了来自设备A与设备B的信息去评估候选物品的推荐概率P(Bt+1∣S)，如式(Ⅳ)所示：
Figure BDA00026054704300000712
式(Ⅳ)中，P(Bt+1∣S)就是推荐解码单元生成的推荐结果，表示根据设备B中记录的用户行为序列S在t+1时刻为设备B生成的推荐内容Bt+1的概率,S表示：在1到t时刻，每个时刻用户选择的物品或内容序列转化成的向量，转化规则根据实际情况而定，因为softmax生成的是多个概率，这些概率的和为1，取P(Bt+1∣S)中概率最高的前n项就是生成的推荐列表，n的具体数值可根据实际情况而定，WI是设备B所有物品的嵌入矩阵，bI是偏置项，
Figure BDA0002605470430000081
是t时刻来自设备B的隐因子特征表示。
Softmax公式为：
Figure BDA0002605470430000082
xi代表向量中第i个位置的输出值，K代表向量维数，
Figure BDA0002605470430000083
步骤(4)中，利用自适应进化算法提取辅助信息的潜在特征，为用户进行精准的个性化推荐，是指：使用进化算法来求解各种设备中记录的隐因子特征表示的稀疏重构问题,通过迁移过滤单元整合来自不同设备所记录的不同类别行为的特征向量维度，表现出较强的全局适应能力，使某一设备中的隐因子特征表示传递到另一设备后与该设备的隐因子特征表示维度对齐，这一过程通过迁移过滤单元中的全连接层+激活函数实现，激活函数的选取可根据实际情况进行调整。
根据本发明优选的，所述跨设备迁移推荐***采用Log似然损失函数来训练，Log似然损失函数如式(Ⅴ)所示：
Figure BDA0002605470430000084
式(Ⅴ)中，θ是所述跨设备迁移推荐***中待训练的参数，
Figure BDA0002605470430000085
是训练集里的序列例子，At+1表示在t+1时刻为设备A生成的推荐物品。
根据本发明优选的，所述跨设备迁移推荐***的总损失函数L(θ)如式(Ⅵ)所示：
L(θ)＝LA(θ)+LB(θ)+LC(θ)+…+LM(θ) (Ⅵ)
式(Ⅵ)中，LA(θ)、LB(θ)、LC(θ)、…、LM(θ)分别是指设备A、设备B、设备C、…、设备M中的模型的Log似然损失函数，所有的参数通过反向传播训练。
本发明的有益效果为：
1、本发明采用基于互联互通家居平台的跨设备迁移推荐***，通过跨域设备转移的方法实现了编码器信息在不同设备和领域的转移，利用到了更多设备和服务的有效信息。本发明利用家庭内其他设备的用户行为数据来提升本设备的推荐效果，有效解决了目前家庭中的智能终端(智能电视、智能冰箱等)在内容和服务推荐方面冷启动和数据稀疏，导致的推荐准确率低等问题。
2、在基于互联互通家居平台的跨设备迁移推荐***进行用户喜好特征构建时，考虑了不同设备记录用户行为数据的不同特点，通过过滤-迁移的机制把不同设备的数据特征进行结构转化；同时本发明跨设备迁移推荐***考虑了用户的长期喜好与当前喜好，捕获转换的物品特征并生成准确的物品推荐，推荐准确率明显优于传统的推荐模型。
3、本发明既可以支撑同设备跨领域跨服务间的迁移学习与推荐，也可以实现跨设备间的迁移学习与推荐。
附图说明
图1为本发明基于互联互通家居平台的跨设备迁移推荐***的结构示意图；
图2为本发明跨设备迁移的结构示意图；
图3为本发明跨领域迁移的结构示意图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。
实施例1
一种基于互联互通家居平台的跨设备迁移推荐***，如图1所示，包括信息提取单元、迁移过滤单元、跨域传输单元和推荐解码单元；
信息提取单元用于：把每个设备记录的离散用户行为序列(当前时刻与该时刻前的离散用户行为序列的信息)按时间顺序进行编码，从复杂的内容数据中学习出有效的隐因子特征表示，并把学习出的有效的隐因子特征表示发送至迁移过滤单元；迁移过滤单元用于：将来自其他领域或其他设备基于历史时间序列的离散用户特征与用户当下行为进行喜好特征提取，引入非线性单元来弥补隐向量之间朴素点积操作不能区分各维度之间重要性差别的弱点，同时，利用神经网络记忆每一个时刻特定用户的有效喜好并遗忘无关信息，得到用户当前与历史喜好的综合表示信息；并把得到的用户当前与历史喜好的综合表示信息发送至跨域传输单元；跨域传输单元用于：通过处理得到的该设备与其他领域、设备迁移过滤单元的用户当前与历史喜好的综合表示信息，结合前一时刻跨域传输单元的用户信息，实现用户喜好特征在设备间或服务间的跨域迁移；跨域传输单元将本时刻迁移过滤单元的输出与前一时刻跨域传输单元的输出一起进行处理，得到的跨域传输单元输出与本设备信息提取单元的隐因子特征表示一同送入推荐解码单元为用户生成推荐列表。推荐解码单元用于：通过当前设备的历史信息与得到的当前时刻跨域传输单元的输出为用户生成推荐列表，利用自适应进化算法提取辅助信息的潜在特征，为用户进行精准的个性化推荐。
在基于互联互通平台的智能家庭环境中，本发明通过以迁移学***台中所有互联互通的设备，实现全部跨设备跨服务的精准个性化推荐。
通过信息提取单元、迁移过滤单元、跨域传输单元联动获取用户在各种场景下的偏好信息，
本发明采用编码器-转移-解码器的模型。通过迁移过滤单元实现了编码器信息在不同设备和领域的转移，利用到了更多设备和服务的有效信息，有效解决了目前家庭中的智能终端(智能电视、智能冰箱等)在内容和服务推荐方面冷启动和数据稀疏导致的推荐准确率低等问题；同时通过跨域传输单元将抽象有意义的数据转化为具有良好结构性的特征，使之与设备的解码单元结构相匹配，扩展性强。
实施例2
实施例1所述的基于互联互通家居平台的跨设备迁移推荐***的工作方法，包括步骤如下：
(1)通过信息提取单元把每个设备记录的离散用户行为序列按时间顺序进行编码，从复杂的内容数据中学习出有效的隐因子特征表示；
设备，是指如电视、冰箱、手机、电脑等记录用户行为习惯同时能够提供某些内容供用户进行选择的设备；用户行为序列，是指设备按时间顺序记录的用户行为，如，电视记录用户在某天上午先后观看了米老鼠、喜羊羊、熊出没等视频内容。
(2)针对不同领域、不同设备记录的用户行为数据存在一定差异、无法统一进行表征的问题，迁移过滤单元将来自其他领域或其他设备基于历史时间序列的离散用户特征与用户当下行为进行喜好特征提取；
领域是指，视频域包含了各种视频内容，在教育域包含了各种教育资源(网络课程，各种书籍，学习相关的app，学习相关的音视频内容)，食品域(冰箱及储物柜中存放的各种食材、零食，饮食app，菜谱)，运动域(家中存放的各种健身器材，健身课程，各种可以检测身体指标的智能穿戴设备)；设备：智能电视(可以记录用户观看的各种视频节目的时间及时长，并能为用户推荐视频内容)，冰箱(可以记录冰箱内存放的各种食材并根据用户行为为用户推荐食谱)。
其他设备是针对用户当前使用的设备进行区分的，如：用户现在正在看电脑上的某个视频，那么该用户的当前设备就是电脑，家庭场景中的冰箱、电视、手机、储物柜就是“其他设备”；同样地，其他领域也是针对用户当前使用的领域进行区分的，如：用户现在想要使用电脑进行学习，那么用户的当前领域就是教育域，视频域、食品域、运动域等领域就是“其他领域”。
基于历史时间序列的离散用户特征是指：信息提取单元把当前设备中记录的基于历史时间序列的离散用户行为所编码出的隐因子特征表示，这个隐因子特征表示中包含的内容就是“基于历史时间序列的离散用户特征”。
用户当下行为是指：设备记录的当前时刻的用户行为。
引入非线性单元来弥补隐向量之间朴素点积操作不能区分各维度之间重要性差别的弱点，即使用“全连接神经网络+激活函数”的设置，利用激活函数能够实现特征的非线性转化的特点，实现了迁移过滤单元对各维度间重要性的区分；
同时，利用神经网络记忆每一个时刻特定用户的有效喜好并遗忘无关信息，得到用户当前与历史喜好的综合表示信息；
包括：
a、获取迁移过滤单元在每一时刻用户的中间表示信息
迁移过滤单元在某一时刻用户的中间表示信息是当前时刻的内容候选表示与前一时刻的用户表示信息的加权组合，权重由步骤(1)得到的当前时刻来自各领域、设备信息提取单元的隐因子特征表示、前一时刻的用户表示信息及内容候选表示经激活函数处理得到；
当前时刻的内容候选表示由多层感知机通过非线性变换得到，是指：将步骤(1)得到的当前时刻来自各领域、设备信息提取单元的隐因子特征表示、前一时刻的用户表示信息、内容候选表示输入多层感知机得到输出，并对该输出进行非线性变换，即得；
b、求取得到用户当前与历史喜好的综合表示信息
用户当前与历史喜好的综合表示信息是步骤a获取的所有时刻用户的中间表示信息的平均值。
对于多设备迁移，设定设备A迁移到多个其他设备B,C,D,…,M,设备A在t时刻的隐因子特征表示
Figure BDA0002605470430000111
如式(Ⅰ)所示：
Figure BDA0002605470430000112
式(Ⅰ)中，
Figure BDA0002605470430000113
WW、UW为待训练的参数矩阵，bW为偏置项,若
Figure BDA0002605470430000114
的值越高，跨设备迁移推荐***会更加注意该用户的相关表示
Figure BDA0002605470430000115
Figure BDA0002605470430000116
控制着用户k从其他设备转移到设备A的信息数量，
Figure BDA0002605470430000117
Figure BDA0002605470430000118
Figure BDA0002605470430000119
V6为待训练的参数矩阵，b6为偏置项，
Figure BDA00026054704300001110
Figure BDA00026054704300001111
分别是设备A、B、C…M在时间点t的隐因子特征表示，σ为softmax函数，使得
Figure BDA00026054704300001112
的值在(0,1)范围内，
Figure BDA0002605470430000121
控制着用户k从设备A转移到其他设备的信息量，
Figure BDA0002605470430000122
表示在t-1时刻由设备A转移到设备B的用户表示信息，即用户当前与历史喜好的综合表示信息；emb(uk)表示门循环序列的输入，uk表示指用户k；
Figure BDA0002605470430000123
表示设备A在时间点t对于用户k的内容候选表示，基于设备A在时间点t的隐因子特征表示
Figure BDA0002605470430000124
被过滤了的迁移过滤单元在前一时间点t-1时刻的设备A向设备B、C…M的输出
Figure BDA0002605470430000125
Figure BDA0002605470430000126
以及用户k自己的兴趣嵌入emb(uk)，
Figure BDA0002605470430000127
Figure BDA0002605470430000128
Wh、
Figure BDA0002605470430000129
Vh是待训练的参数矩阵，bh为偏置项。
设定设备A迁移到多个其他设备B,C,D,…,M，多个其他设备B,C,D,…,M的任一个设备设定为a，则设备A的迁移过滤单元在时间点t向任一个其他设备a的输出如式(Ⅱ)所示：
Figure BDA00026054704300001210
(3)跨域传输单元通过处理步骤(2)得到的该设备与其他领域、设备迁移过滤单元的用户当前与历史喜好的综合表示信息，结合前一时刻跨域传输单元的用户信息，实现用户喜好特征在设备间或服务间的跨域迁移；
跨域传输单元通过门循环序列(GRU)处理步骤(2)得到的用户当前与历史喜好的综合表示信息和前一时刻跨域传输单元的输出即跨域传输单元的用户信息，得到当前时刻跨域传输单元的输出。得到丰富的内容数据，这些数据的特征从不同的维度展现了不同的信息，通过特征间的组合传递了不同领域、设备记录的用户行为信息，将用户的长期偏好与短期需求更紧密、有效地结合起来。
设定
Figure BDA00026054704300001211
是迁移过滤单元的输出，属于设备A，通过跨域传输单元把它转移到设备B，并结合来自设备B的初始信息去提升设备B的推荐效果；即：通过使用门循环单元GRU对
Figure BDA00026054704300001212
编码，把
Figure BDA00026054704300001213
从设备A转到设备B，并在每一个时间步反复对它编码，如式(Ⅲ)所示：
Figure BDA00026054704300001214
式(Ⅲ)中，
Figure BDA00026054704300001215
是上一个时间点t-1在设备B被转化了的信息表示，
Figure BDA00026054704300001216
是指跨域传输单元在时刻t的输出，A→B表示迁移过滤单元整合了来自设备A的信息，如果迁移过滤单元整合了来自设备A,C,D,M，则把A→B改成A,C,D,M→B，跨域传输单元的初始状态为0向量。
跨设备迁移的结构框图如图2所示，利用来自智能冰箱用户搜索的菜谱信息，来丰富用户身体状况、饮食喜好的描述，当***通过冰箱设备获知用户处于减肥阶段或喜欢素食菜谱时，可于用户观影场景为其推荐健身、菜谱视频。
跨领域迁移的结构框图如图3所示，跨领域迁移是指利用其它领域的用户信息来提升本领域的推荐效果。如利用电视观看与“米老鼠”相关的视频时，可在教育领域为其推荐“米老鼠”相关的教育内容；或通过用户在电视端音乐或教育领域的收听信息精准获取用户近期喜好，将其迁移到影视推荐影响因素中。
(4)推荐解码单元通过当前设备的历史信息与步骤(3)得到的当前时刻跨域传输单元的输出为用户生成推荐列表，利用自适应进化算法提取辅助信息的潜在特征，为用户进行精准的个性化推荐，当前设备的历史信息是指用户目前使用的、正要给用户进行内容推荐的设备在当前时刻前记录的所有隐因子特征表示；
通过解码单元将当前领域、设备的历史行为与来自其他域的喜欢好特征为用户生成推荐列表，利用自适应进化算法提取辅助信息的潜在特征，以生成概率形式将辅助数据整合到评级中并将其整合到成对排序模型的框架中，此外，由于使用了基于梯度的自动编码器反向传播和基于受限玻尔兹曼机的反向传播等方法，自动编码器的训练速度得到了提升。
推荐解码单元通过当前设备的历史信息与步骤(3)得到的当前时刻跨域传输单元的输出为用户生成推荐列表，即：推荐解码单元结合了来自设备A与设备B的信息去评估候选物品的推荐概率P(Bt+1∣S)，如式(Ⅳ)所示：
Figure BDA0002605470430000131
式(Ⅳ)中，P(Bt+1∣S)就是推荐解码单元生成的推荐结果，表示根据设备B中记录的用户行为序列S在t+1时刻为设备B生成的推荐内容Bt+1的概率,S表示：在1到t时刻，每个时刻用户选择的物品或内容序列转化成的向量，转化规则根据实际情况而定，因为softmax生成的是多个概率，这些概率的和为1，取P(Bt+1∣S)中概率最高的前n项就是生成的推荐列表，n的具体数值可根据实际情况而定，WI是设备B所有物品的嵌入矩阵，bI是偏置项，
Figure BDA0002605470430000132
是t时刻来自设备B的隐因子特征表示。
Softmax公式为：
Figure BDA0002605470430000133
xi代表向量中第i个位置的输出值，K代表向量维数，
Figure BDA0002605470430000134
步骤(4)中，利用自适应进化算法提取辅助信息的潜在特征，为用户进行精准的个性化推荐，是指：使用进化算法来求解各种设备中记录的隐因子特征表示的稀疏重构问题,通过迁移过滤单元整合来自不同设备所记录的不同类别行为的特征向量维度，表现出较强的全局适应能力，使某一设备中的隐因子特征表示传递到另一设备后与该设备的隐因子特征表示维度对齐，这一过程通过迁移过滤单元中的全连接层+激活函数实现，激活函数的选取可根据实际情况进行调整。
跨设备迁移推荐***采用Log似然损失函数来训练，Log似然损失函数如式(Ⅴ)所示：
Figure BDA0002605470430000141
式(Ⅴ)中，θ是跨设备迁移推荐***中待训练的参数，
Figure BDA0002605470430000142
是训练集里的序列例子，At+1表示在t+1时刻为设备A生成的推荐物品。
跨设备迁移推荐***的总损失函数L(θ)如式(Ⅵ)所示：
L(θ)＝LA(θ)+LB(θ)+LC(θ)+…+LM(θ) (Ⅵ)
式(Ⅵ)中，LA(θ)、LB(θ)、LC(θ)、…、LM(θ)分别是指设备A、设备B、设备C、…、设备M中的模型的Log似然损失函数，所有的参数通过反向传播训练。
实施例3
以家庭场景中两个设备A、B为例，首先，从设备A提取出特定的用户信息，把这个信息转移到设备B；然后，来自设备B的原始信息去提升设备B的用户喜好信息生成，反过来也一样，来自两设备的信息在每一个时间点被反复共享，两个设备生成的用户信息共同用于用户画像的构建。
信息提取单元为序列编码器，推荐解码单元为混合解码器。
序列编码器把每一个设备的离散用户行为序列编码成高维隐因子特征表示；迁移过滤单元把每一个设备的表示作为输入并尝试在每一个时间点去提取出特定的用户信息并忽略掉其他信息，并以节点-边-节点的方式将用户信息加入到知识图谱表示中去；跨域传输单元把来自迁移过滤单元的信息作为输入，并在每一个时间点把这个信息转化到另一个设备，并反复结合来自两个设备的信息；混合解码器把来自两个设备的信息结合起来并根据当前场景中的资源为用户进行个性化推荐。
序列编码器采用门循环序列机制作为循环单元；两个设备的序列编码器使用所有用户共享同一账户的混合表示。提出了迁移过滤单元学习混合表示中的特定用户表示，这个单元可以被双向使用(既可以从设备A到设备B，也可以从设备B到设备A，这里以从设备A到设备B为例)，在我们知道了每一个账户里的用户数量后，首先，嵌入编码每一个用户的信息来表示每一个用户的兴趣，对某个用户在时间点t设备A里的特定表示为：
Figure BDA0002605470430000151
Figure BDA0002605470430000152
的值越高，表示物品Ai越有可能被用户k生成，这时模型会更加注意该用户的相关表示
Figure BDA0002605470430000153
Figure BDA0002605470430000154
控制着用户k从设备A转移到设备B的信息数量，
Figure BDA0002605470430000155
Figure BDA0002605470430000156
U6、V6为待训练的参数矩阵，b6为偏置项；
Figure BDA0002605470430000157
和
Figure BDA0002605470430000158
是设备A和B在时间点i与时间点j的混合向量表示，
Figure BDA0002605470430000159
是迁移过滤单元上一时间点的输出，σ为sigmoid函数，它使得
Figure BDA00026054704300001510
的值在(0,1)范围内，
Figure BDA00026054704300001511
控制着用户k从设备A转移到设备B的信息量
Figure BDA00026054704300001512
表示设备A在时间点i对于用户k推荐内容的候选表示，它基于物品Ai的隐藏表示
Figure BDA00026054704300001513
被过滤了的迁移过滤单元在前一时间点的输出
Figure BDA00026054704300001514
以及用户k自己的兴趣嵌入emb(uk)。公式为:
Figure BDA00026054704300001515
Wh、Uh、Vh是待训练的参数矩阵，bh为偏置项；
Figure BDA00026054704300001516
是设备A的迁移过滤单元在时间点i的输出，是特定用户向量表示的结合：
Figure BDA00026054704300001517
Figure BDA00026054704300001518
被反复更新。
在跨域传输单元中，
Figure BDA00026054704300001519
是迁移过滤单元的输出，属于设备A，通过跨域传输单元把它转移到设备B并结合来自设备B的初始信息去提升设备B的推荐效果；特别地，通过使用门循环单元(GRU)对
Figure BDA00026054704300001520
编码来把
Figure BDA00026054704300001521
从设备A转到设备B，并在每一个时间步反复对它编码：
Figure BDA00026054704300001522
Figure BDA00026054704300001523
是上一个时间点在设备B被转化了的信息表示，跨域传输单元的初始状态为0向量。
混合推荐解码单元结合了来自设备A与设备B的信息去评估候选物品的推荐概率：
Figure BDA0002605470430000161
WI是设备B所有物品的嵌入矩阵，bI是偏置项，
Figure BDA0002605470430000162
是来自设备B的表示信息。

Claims (10)

1.一种基于互联互通家居平台的跨设备迁移推荐***，其特征在于，包括信息提取单元、迁移过滤单元、跨域传输单元和推荐解码单元；
所述信息提取单元用于：把每个设备记录的离散用户行为序列按时间顺序进行编码，从复杂的内容数据中学习出有效的隐因子特征表示，并把学习出的有效的隐因子特征表示发送至所述迁移过滤单元；
所述迁移过滤单元用于：将来自其他领域或其他设备基于历史时间序列的离散用户特征与用户当下行为进行喜好特征提取，引入非线性单元来弥补隐向量之间朴素点积操作不能区分各维度之间重要性差别的弱点，同时，利用神经网络记忆每一个时刻特定用户的有效喜好并遗忘无关信息，得到用户当前与历史喜好的综合表示信息；并把得到的用户当前与历史喜好的综合表示信息发送至所述跨域传输单元；
所述跨域传输单元用于：通过处理得到的该设备与其他领域、设备所述迁移过滤单元的用户当前与历史喜好的综合表示信息，结合前一时刻所述跨域传输单元的用户信息，实现用户喜好特征在设备间或服务间的跨域迁移；
所述推荐解码单元用于：通过当前设备的历史信息与得到的当前时刻跨域传输单元的输出为用户生成推荐列表，利用自适应进化算法提取辅助信息的潜在特征，为用户进行精准的个性化推荐。
2.权利要求1所述的基于互联互通家居平台的跨设备迁移推荐***的工作方法，其特征在于，包括步骤如下：
(1)通过所述信息提取单元把每个设备记录的离散用户行为序列按时间顺序进行编码，从复杂的内容数据中学习出有效的隐因子特征表示；
(2)所述迁移过滤单元将来自其他领域或其他设备基于历史时间序列的离散用户特征与用户当下行为进行喜好特征提取；引入非线性单元来弥补隐向量之间朴素点积操作不能区分各维度之间重要性差别的弱点，同时，利用神经网络记忆每一个时刻特定用户的有效喜好并遗忘无关信息，得到用户当前与历史喜好的综合表示信息；
(3)所述跨域传输单元通过处理步骤(2)得到的该设备与其他领域、设备所述迁移过滤单元的用户当前与历史喜好的综合表示信息，结合前一时刻所述跨域传输单元的用户信息，实现用户喜好特征在设备间或服务间的跨域迁移；
(4)所述推荐解码单元通过当前设备的历史信息与步骤(3)得到的当前时刻跨域传输单元的输出为用户生成推荐列表，利用自适应进化算法提取辅助信息的潜在特征，为用户进行精准的个性化推荐，当前设备的历史信息是指用户目前使用的、正要给用户进行内容推荐的设备在当前时刻前记录的所有隐因子特征表示。
3.根据权利要求2所述的基于互联互通家居平台的跨设备迁移推荐***的工作方法，其特征在于，步骤(2)中，利用神经网络记忆每一个时刻特定用户的有效喜好并遗忘无关信息，得到用户当前与历史喜好的综合表示信息，包括：
a、获取迁移过滤单元在每一时刻用户的中间表示信息
迁移过滤单元在某一时刻用户的中间表示信息是当前时刻的内容候选表示与前一时刻的用户表示信息的加权组合，权重由步骤(1)得到的当前时刻来自各领域、设备信息提取单元的隐因子特征表示、前一时刻的用户表示信息及内容候选表示经激活函数处理得到；
当前时刻的内容候选表示由多层感知机通过非线性变换得到，是指：将步骤(1)得到的当前时刻来自各领域、设备信息提取单元的隐因子特征表示、前一时刻的用户表示信息、内容候选表示输入多层感知机得到输出，并对该输出进行非线性变换，即得；
b、求取得到用户当前与历史喜好的综合表示信息
用户当前与历史喜好的综合表示信息是步骤a获取的所有时刻用户的中间表示信息的平均值。
4.根据权利要求2所述的基于互联互通家居平台的跨设备迁移推荐***的工作方法，其特征在于，步骤(2)中，对于多设备迁移，设定设备A迁移到多个其他设备B,C,D,…,M,设备A在t时刻的隐因子特征表示
Figure FDA0002605470420000021
如式(Ⅰ)所示：
Figure FDA0002605470420000022
式(Ⅰ)中，
Figure FDA0002605470420000023
WW、UW为待训练的参数矩阵，bW为偏置项,
Figure FDA0002605470420000024
控制着用户k从其他设备转移到设备A的信息数量，
Figure FDA0002605470420000025
Figure FDA0002605470420000026
Figure FDA0002605470420000027
Vf为待训练的参数矩阵，bf为偏置项，
Figure FDA0002605470420000028
分别是设备A、B、C…M在时间点t的隐因子特征表示，σ为softmax函数，使得
Figure FDA0002605470420000029
的值在(0,1)范围内，
Figure FDA00026054704200000210
控制着用户k从设备A转移到其他设备的信息量，
Figure FDA00026054704200000211
表示在t-1时刻由设备A转移到设备B的用户表示信息，即用户当前与历史喜好的综合表示信息；emb(uk)表示门循环序列的输入，uk表示指用户k；
Figure FDA0002605470420000031
表示设备A在时间点t对于用户k的内容候选表示，基于设备A在时间点t的隐因子特征表示
Figure FDA0002605470420000032
被过滤了的迁移过滤单元在前一时间点t-1时刻的设备A向设备B、C…M的输出
Figure FDA0002605470420000033
Figure FDA0002605470420000034
以及用户k自己的兴趣嵌入emb(uk)，
Figure FDA0002605470420000035
Figure FDA0002605470420000036
Wh、
Figure FDA0002605470420000037
Vh是待训练的参数矩阵，bh为偏置项。
5.根据权利要求2所述的基于互联互通家居平台的跨设备迁移推荐***的工作方法，其特征在于，步骤(2)中，设定设备A迁移到多个其他设备B,C,D,…,M，多个其他设备B,C,D,…,M的任一个设备设定为a，则设备A的迁移过滤单元在时间点t向任一个其他设备a的输出如式(Ⅱ)所示：
Figure FDA0002605470420000038
6.根据权利要求2所述的基于互联互通家居平台的跨设备迁移推荐***的工作方法，其特征在于，步骤(3)中，所述跨域传输单元通过门循环序列处理步骤(2)得到的用户当前与历史喜好的综合表示信息和前一时刻所述跨域传输单元的输出即所述跨域传输单元的用户信息，得到当前时刻跨域传输单元的输出。
7.根据权利要求2所述的基于互联互通家居平台的跨设备迁移推荐***的工作方法，其特征在于，步骤(3)中，设定
Figure FDA0002605470420000039
是迁移过滤单元的输出，属于设备A，通过所述跨域传输单元把它转移到设备B，并结合来自设备B的初始信息去提升设备B的推荐效果；即：通过使用门循环单元GRU对
Figure FDA00026054704200000310
编码，把
Figure FDA00026054704200000311
从设备A转到设备B，并在每一个时间步反复对它编码，如式(Ⅲ)所示：
Figure FDA00026054704200000312
式(Ⅲ)中，
Figure FDA00026054704200000313
是上一个时间点t-1在设备B被转化了的信息表示，
Figure FDA00026054704200000314
是指跨域传输单元在时刻t的输出，A→B表示迁移过滤单元整合了来自设备A的信息，所述跨域传输单元的初始状态为0向量。
8.根据权利要求2所述的基于互联互通家居平台的跨设备迁移推荐***的工作方法，其特征在于，步骤(4)中，推荐解码单元通过当前设备的历史信息与步骤(3)得到的当前时刻跨域传输单元的输出为用户生成推荐列表，即：推荐解码单元结合了来自设备A与设备B的信息去评估候选物品的推荐概率P(Bt+1∣S)，如式(Ⅳ)所示：
Figure FDA0002605470420000041
式(Ⅳ)中，P(Bt+1∣S)就是推荐解码单元生成的推荐结果，表示根据设备B中记录的用户行为序列S在t+1时刻为设备B生成的推荐内容Bt+1的概率,S表示：在1到t时刻，每个时刻用户选择的物品或内容序列转化成的向量，取P(Bt+1∣S)中概率最高的前n项就是生成的推荐列表，WI是设备B所有物品的嵌入矩阵，bI是偏置项，
Figure FDA0002605470420000042
是t时刻来自设备B的隐因子特征表示。
9.根据权利要求2所述的基于互联互通家居平台的跨设备迁移推荐***的工作方法，其特征在于，所述跨设备迁移推荐***采用Log似然损失函数来训练，Log似然损失函数如式(Ⅴ)所示：
Figure FDA0002605470420000043
式(Ⅴ)中，θ是所述跨设备迁移推荐***中待训练的参数，
Figure FDA0002605470420000044
是训练集里的序列例子，At+1表示在t+1时刻为设备A生成的推荐物品。
10.根据权利要求2-9任一所述的基于互联互通家居平台的跨设备迁移推荐***的工作方法，其特征在于，所述跨设备迁移推荐***的总损失函数L(θ)如式(Ⅵ)所示：
L(θ)＝LA(θ)+LB(θ)+LC(θ)+…+LM(θ) (Ⅵ)
式(Ⅵ)中，LA(θ)、LB(θ)、LC(θ)、…、LM(θ)分别是指设备A、设备B、设备C、…、设备M中的模型的Log似然损失函数。
CN202010737064.5A 2020-07-28 2020-07-28 一种基于互联互通家居平台的跨设备迁移推荐***及其工作方法 Pending CN111859142A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010737064.5A CN111859142A (zh) 2020-07-28 2020-07-28 一种基于互联互通家居平台的跨设备迁移推荐***及其工作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010737064.5A CN111859142A (zh) 2020-07-28 2020-07-28 一种基于互联互通家居平台的跨设备迁移推荐***及其工作方法

Publications (1)

Publication Number Publication Date
CN111859142A true CN111859142A (zh) 2020-10-30

Family

ID=72948550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010737064.5A Pending CN111859142A (zh) 2020-07-28 2020-07-28 一种基于互联互通家居平台的跨设备迁移推荐***及其工作方法

Country Status (1)

Country Link
CN (1) CN111859142A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102015A (zh) * 2020-11-17 2020-12-18 腾讯科技（深圳）有限公司 物品推荐方法、元网络处理方法、装置、存储介质和设备
CN112950324A (zh) * 2021-03-15 2021-06-11 重庆邮电大学 一种知识图谱辅助的成对排序个性化电商推荐方法及***
CN113536116A (zh) * 2021-06-29 2021-10-22 中国海洋大学 基于双流sliced wasserstein自编码器的跨域推荐方法
CN114282687A (zh) * 2021-12-31 2022-04-05 复旦大学 一种基于因子分解机的多任务时序推荐方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105393272A (zh) * 2013-07-09 2016-03-09 高通股份有限公司 基于用户物联网环境的实时上下文知悉式推荐引擎
CN110032684A (zh) * 2019-04-22 2019-07-19 山东大学 基于共享账户的信息跨域并行序列推荐方法、介质及设备
CN110309357A (zh) * 2018-02-27 2019-10-08 腾讯科技（深圳）有限公司 应用数据推荐的方法、模型训练的方法、装置及存储介质
CN110377587A (zh) * 2019-07-15 2019-10-25 腾讯科技（深圳）有限公司 基于机器学习的迁移数据确定方法、装置、设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105393272A (zh) * 2013-07-09 2016-03-09 高通股份有限公司 基于用户物联网环境的实时上下文知悉式推荐引擎
CN110309357A (zh) * 2018-02-27 2019-10-08 腾讯科技（深圳）有限公司 应用数据推荐的方法、模型训练的方法、装置及存储介质
CN110032684A (zh) * 2019-04-22 2019-07-19 山东大学 基于共享账户的信息跨域并行序列推荐方法、介质及设备
CN110377587A (zh) * 2019-07-15 2019-10-25 腾讯科技（深圳）有限公司 基于机器学习的迁移数据确定方法、装置、设备及介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102015A (zh) * 2020-11-17 2020-12-18 腾讯科技（深圳）有限公司 物品推荐方法、元网络处理方法、装置、存储介质和设备
CN112950324A (zh) * 2021-03-15 2021-06-11 重庆邮电大学 一种知识图谱辅助的成对排序个性化电商推荐方法及***
CN112950324B (zh) * 2021-03-15 2022-06-03 重庆邮电大学 一种知识图谱辅助的成对排序个性化电商推荐方法及***
CN113536116A (zh) * 2021-06-29 2021-10-22 中国海洋大学 基于双流sliced wasserstein自编码器的跨域推荐方法
CN113536116B (zh) * 2021-06-29 2023-11-28 中国海洋大学 基于双流sliced wasserstein自编码器的跨域推荐方法
CN114282687A (zh) * 2021-12-31 2022-04-05 复旦大学 一种基于因子分解机的多任务时序推荐方法
CN114282687B (zh) * 2021-12-31 2023-03-07 复旦大学 一种基于因子分解机的多任务时序推荐方法

Similar Documents

Publication Publication Date Title
CN111859142A (zh) 一种基于互联互通家居平台的跨设备迁移推荐***及其工作方法
CN112150210B (zh) 一种基于ggnn网络的改进型神经网络推荐方法及***
CN111241311B (zh) 媒体信息推荐方法、装置、电子设备及存储介质
CN110162698B (zh) 一种用户画像数据处理方法、装置及存储介质
CN111310063B (zh) 基于神经网络的记忆感知门控因子分解机物品推荐方法
CN105635824A (zh) 个性化频道推荐方法和***
CN110162701A (zh) 内容推送方法、装置、计算机设备和存储介质
CN106845644A (zh) 一种通过相互关系学习用户及移动应用的联系的异构网络
KR20050004812A (ko) 복수의 추천 스코어들을 사용하는 추천 시스템
CN112434184B (zh) 基于历史影视海报的深度兴趣网络的排序方法
Chen et al. A survey on heterogeneous one-class collaborative filtering
CN116452263A (zh) 一种信息推荐方法、装置、设备及存储介质、程序产品
CN114971784B (zh) 一种融合自注意力机制基于图神经网络的会话推荐方法与***
CN114969533A (zh) 一种基于用户长短期偏好的序列推荐方法
CN112269943B (zh) 一种信息推荐***及方法
CN115439770A (zh) 一种内容召回方法、装置、设备及存储介质
US20240037133A1 (en) Method and apparatus for recommending cold start object, computer device, and storage medium
CN114817692A (zh) 确定推荐对象的方法、装置和设备及计算机存储介质
CN116956183A (zh) 多媒体资源推荐方法、模型训练方法、装置及存储介质
CN111552881B (zh) 基于分层变分注意力的序列推荐方法
Quadrana Algorithms for sequence-aware recommender systems
CN112084415A (zh) 一种基于用户和项目长短期时间耦合关系分析的推荐方法
CN114615524B (zh) 服务器、媒资推荐网络的训练方法及媒资推荐方法
Asha et al. DCF-MLSTM: a deep security content-based filtering scheme using multiplicative BiLSTM for movie recommendation system
CN116340620A (zh) 一种基于知识图谱的位置感知会话式新闻推荐方法及***

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Li Yujun

Inventor after: Ma Baosen

Inventor after: Chen Zhumin

Inventor before: Li Yujun

Inventor before: Ma Baosen

Inventor before: Hu Weifeng

Inventor before: Chen Zhumin

Inventor before: Gao Xuesong

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210901

Address after: No. 27, mountain Dana Road, Ji'nan City, Shandong, Shandong

Applicant after: SHANDONG University

Address before: No. 27, mountain Dana Road, Ji'nan City, Shandong, Shandong

Applicant before: SHANDONG University

Applicant before: Qingdao Bo Tian Tian Tong Information Technology Co.,Ltd.

WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201030