CN112883268A - 一种考虑用户多兴趣以及社交影响的会话推荐方法 - Google Patents

一种考虑用户多兴趣以及社交影响的会话推荐方法 Download PDF

Info

Publication number
CN112883268A
CN112883268A CN202110197724.XA CN202110197724A CN112883268A CN 112883268 A CN112883268 A CN 112883268A CN 202110197724 A CN202110197724 A CN 202110197724A CN 112883268 A CN112883268 A CN 112883268A
Authority
CN
China
Prior art keywords
user
interest
target user
friends
target
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.)
Granted
Application number
CN202110197724.XA
Other languages
English (en)
Other versions
CN112883268B (zh
Inventor
顾盼
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.)
Zhejiang Zhiduo Network Technology Co ltd
Original Assignee
China Jiliang 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 China Jiliang University filed Critical China Jiliang University
Priority to CN202110197724.XA priority Critical patent/CN112883268B/zh
Publication of CN112883268A publication Critical patent/CN112883268A/zh
Application granted granted Critical
Publication of CN112883268B publication Critical patent/CN112883268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

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

Abstract

本发明公开了一种考虑用户多兴趣以及社交影响的会话推荐方法，基于用户当前会话中的物品序列和朋友上一个会话中的物品序列，预测用户对目标物品的点击率。本发明将目标用户的多兴趣和朋友对目标用户多兴趣的社交影响结合。并且在计算朋友对目标用户的社交影响时，既考虑好友的重要性又考虑好友和目标用户的共同兴趣不同。本发明的向前传播部分主要由四个部分组成：第一部分是根据目标用户当前会话中的物品序列，得到用户当前多兴趣表征；第二部分是根据社交网络，得到目标用户朋友的主要兴趣表征；第三部分是计算朋友对目标用户的社交影响；第四部分是结合朋友对目标用户的社交影响和用户的多兴趣表征，预测用户对目标物品的点击率。

Description

一种考虑用户多兴趣以及社交影响的会话推荐方法
技术领域
本发明属于互联网服务技术领域，尤其是涉及一种考虑用户多兴趣以及社交影响的会话推荐方法。
背景技术
随着移动互联网时代的到来和发展，在线平台上积累了越来越多的用户行为数据。通常，用户通过搜索功能从平台中找到自己感兴趣的物品，但是，随着物品数量的增多，用户从海量物品中找到合适的物品变得越来越困难。因此，推荐***变得非常重要，推荐***从海量数据中找出用户最感兴趣的物品并推荐给用户，可以极大地提升用户的满意度和公司的商业价值。现在，甚至有很多在线商业平台弱化了搜索功能，而主要依赖推荐功能，极大地降低了用户使用门槛。例如，抖音、今日头条等。这些平台上的推荐***通常面临以下两个挑战。
第一，用户的兴趣是动态变化的且多样的。例如，用户在一段时间内可能对体育物品和休闲服饰感兴趣，在另一段时间内对装饰物品和早餐类食品感兴趣。第二，用户经常会分享物品给在线平台上的好友，且用户的兴趣倾向会受到好友的影响。并且不同的好友对用户的社交影响是不同的，这里的不同体现在两点：第一点是好友对用户的影响程度不同，有些好友是比较信赖的，有些好友是比较生疏的。第二点是不同好友和目标用户的共同兴趣不同。例如，有些朋友是体育方面上有共同兴趣，有些朋友是音乐方面上有共同兴趣。本方法是一种考虑用户多兴趣以及社交影响的会话(session)推荐方法，同时解决以上两种挑战。
现存的推荐方法中，要么忽视用户的兴趣是多样的，要么忽视社交影响。例如，阿里的周国睿等人在基于深度兴趣演变网络进行点击率预测方法(DIEN)中考虑了用户的多兴趣。北大的宋卫平等人在基于动态图注意力机制进行会话社交推荐方法中考虑了朋友对用户的社交影响。本方法通过多兴趣抽取模块从用户当前会话中抽取出用户的多兴趣，且通过特定兴趣社交影响抽取模块计算朋友对用户多兴趣的影响。这里，会话指代一段时间内的用户交互的物品序列，一般通过用户行为之间的时间间隔进行划分。也有一些方法将一天或者几天或者一周内的交互行为作为一个会话。
发明内容
本方法的问题定义为基于用户当前会话(session)中的物品序列和朋友上一个会话中的物品序列，预测用户对目标物品的点击率。这里，会话指代一段时间内的用户交互的物品序列，一般通过用户行为之间的时间间隔进行划分。也有一些方法将一天或者几天或者一周内的交互行为作为一个会话。任何一个会话可以表示为S＝{x1,x2,…,xτ,…,xt}，其中，xτ代表用户交互的第τ个物品。会话的向量表征为{x1,x2,…,xτ,…,xt}，其中
Figure BDA0002946378150000011
d是物品向量表征的长度。目标用户u当前会话为ST，第k个朋友的上一个会话表示为
Figure BDA0002946378150000012
且目标用户的所有朋友的上一个会话表示为
Figure BDA0002946378150000013
其中N(u)是目标用户u的朋友集合。此时，推荐目标物品xnew的概率为P(xnew∣ST,SN(u))。
在线平台上的推荐***通常面临以下两个挑战：第一，用户的兴趣是动态变化的且多样的。例如，用户在一段时间内可能对体育物品和休闲服饰感兴趣，在另一段时间内对装饰物品和早餐类食品感兴趣。第二，用户经常会分享物品给在线平台上的好友，且用户的兴趣倾向会受到好友的影响。并且不同的好友对用户的社交影响是不同的，这里的不同体现在两点：第一点是好友对用户的影响程度不同，有些好友是比较信赖的，有些好友是比较生疏的。第二点是不同好友的兴趣不同。例如，有些朋友是体育方面上有共同兴趣，有些朋友是音乐方面上有共同兴趣。为了解决以上两种挑战，本发明采用以下技术方案：
一种考虑用户多兴趣以及社交影响的会话推荐方法，包括以下步骤：
根据目标用户当前会话中的物品序列，得到用户当前多兴趣表征。用户当前交互的会话ST可以表示为ST＝{x1,x2,…,xτ,…,xt}，其中，xτ代表用户交互的第τ个物品，T表示当前会话的时间段下标，且ST的向量表征为{x1,x2,…,xτ,…,xt}，其中
Figure BDA0002946378150000014
d是物品向量表征的长度。采用胶囊网络从物品序列中抽取出用户多兴趣，伪代码为：
Figure BDA0002946378150000021
其中，
Figure BDA0002946378150000022
为会话中第i个物品向量表征，
Figure BDA0002946378150000023
是第j个兴趣的映射矩阵。用户兴趣的个数参数为M。通过兴趣相关的映射向量(interest-specific projection)，可以从物品向量xi中抽取出不同兴趣空间下的向量表征
Figure BDA0002946378150000024
Figure BDA0002946378150000025
方法是胶囊网络中的动态路由部分，输入参数
Figure BDA0002946378150000026
是第i个物品向量表征xi映射到第j个兴趣空间的向量表征，输入参数r是动态路由算法的迭代次数。
Figure BDA0002946378150000027
方法的输出参数vj代表用户多兴趣向量表征。bij是第i个物品向量表征到第j个兴趣的连接系数，cij是参数bij归一化后的连接参数，表示第i个物品是第j个兴趣的可能性，且对于一个物品xi，不同兴趣的可能性和为1，也就是∑jcij＝1。squash是胶囊网络中常用的squash向量激活函数，公式为
Figure BDA0002946378150000028
根据社交网络，得到目标用户朋友的主要兴趣表征。目标用户第k个朋友的上一个会话表示为
Figure BDA0002946378150000029
同样，
Figure BDA00029463781500000210
可以表示为
Figure BDA00029463781500000211
向量表征为{x1,x2,…,xτ,…,xl}，
Figure BDA00029463781500000212
即会话
Figure BDA00029463781500000213
中的物品个数。朋友的兴趣也具有多样性，在本方法中只关注朋友的主要兴趣，避免在信息传递时，引入过多的噪音(noise)。本方法采用注意力机制(attention mechanism)抽取出朋友的主要兴趣(main interest)表征。
Figure BDA00029463781500000214
ατ＝Wασ(Wggfk+Wxxτ)
Figure BDA00029463781500000215
其中，xτ是会话
Figure BDA00029463781500000216
中物品xτ的向量表征，
Figure BDA00029463781500000217
表示会话
Figure BDA00029463781500000218
中物品序列的长度。
Figure BDA00029463781500000219
和
Figure BDA00029463781500000220
是模型训练参数，σ是sigmoid函数。ατ代表物品xτ的重要程度，最后得到的
Figure BDA00029463781500000221
即是朋友fk的主要兴趣。本模块可以自适应地关注更重要的物品，从而得到朋友的主要兴趣。
计算朋友对目标用户的社交影响。目标用户u的朋友集合为N(u)，在计算朋友对目标用户的社交影响时，既要考虑不同朋友的重要度，又要考虑不同朋友对目标用户的不同兴趣的影响。朋友集合N(u)对目标用户的兴趣vj的影响fj可以通过以下方法计算得到：
Figure BDA00029463781500000222
Figure BDA00029463781500000223
votekj＝maxj(akj)·attnkj
Figure BDA00029463781500000224
其中，
Figure BDA0002946378150000031
是目标用户的第k个朋友fk的主要兴趣表征，vj是目标用户的第j个兴趣。akj表示第k个朋友fk的主要兴趣和目标用户的第j个兴趣的相似度。
Figure BDA0002946378150000032
是朋友的主要的单一兴趣，对目标用户的不同兴趣的社交影响应该差异化，因此用softmax函数对目标用户不同兴趣之间的相似度进行归一化，得到朋友fk对目标用户第j个兴趣的的影响attnkj。此时，∑jattnkj＝1，朋友fk对目标用户不同兴趣的影响之间具有竞争关系。并且可以进一步通过温度系数τ进行调节，当τ→0+，朋友fk只对目标用户的一个兴趣产生影响；而当τ→∞，朋友fk只对目标用户的不同兴趣的作用趋于一致。attnkj没有考虑朋友的重要性，导致目标用户的所有朋友都对目标用户起很大作用，和事实不符。因此，用max(akj)来体现朋友fk对于目标用户的重要程度，朋友fk重要程度取决于朋友fk主要兴趣和目标用户中最匹配的兴趣之间的相似度。最终，朋友fk对目标用户的不同兴趣的影响为votekj＝max(akj)·attnkj，且所有朋友对目标用户的不同兴趣的社交影响即为fj。
结合朋友对目标用户的社交影响和用户的多兴趣表征，预测用户对目标物品的点击率。
Figure BDA0002946378150000033
Figure BDA0002946378150000034
Figure BDA0002946378150000035
Figure BDA0002946378150000036
其中，vj为目标用户当前会话中抽取出的第j个兴趣表征，fj为朋友对目标用户第j个兴趣的社交影响。
Figure BDA0002946378150000037
为向量连接操作。其中，
Figure BDA0002946378150000038
和
Figure BDA0002946378150000039
是模型需要训练的参数，而σ是sigmoid函数。对于不同的目标物品，模型关注用户的不同兴趣。
构建损失函数，训练模型参数。通过用户对目标物品的点击率预测值
Figure BDA00029463781500000310
计算预测值
Figure BDA00029463781500000311
和真实值y之间的误差，进而使用误差来更新模型参数。我们采用交叉熵损失函数来指导模型参数的更新过程：
Figure BDA00029463781500000312
其中，y∈{0,1}是真实值，代表用户是否点击了目标物品。σ是sigmoid函数。我们采用Adam优化器更新模型参数。
本发明的有益技术效果如下：
(1)本发明结合目标用户的多兴趣和朋友对目标用户多兴趣的社交影响，进行更准确的推荐。
(2)本发明在计算朋友对目标用户的社交影响时，既考虑到好友的重要性，又考虑到好友之间的兴趣不同，进行更细致化的建模。
附图说明
图1为本发明一种考虑用户多兴趣以及社交影响的会话推荐方法的流程示意图；
图2为本发明一种考虑用户多兴趣以及社交影响的会话推荐方法的模型框架图。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明提供的一种考虑用户多兴趣以及社交影响的会话推荐方法进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
本方法的问题定义为基于用户当前会话(session)中的物品序列和朋友上一个会话中的物品序列，预测用户对目标物品的点击率。任何一个会话可以表示为S＝{x1,x2,…,xτ,…,xt}，其中，xτ代表用户交互的第τ个物品。会话的向量表征为{x1,x2,…,xτ,…,xt}，其中
Figure BDA00029463781500000313
d是物品向量表征的长度。目标用户u当前会话为SST，第k个朋友的上一个会话表示为
Figure BDA00029463781500000314
且目标用户的所有朋友的上一个会话表示为
Figure BDA00029463781500000315
Figure BDA00029463781500000316
其中N(u)是目标用户u的朋友集合。此时，推荐目标物品xnew的概率为P(xnew∣S4,SN(u))。本方法采用的数据是Kuaishou的短视频公开数据集合，包含用户的点击数据和未点击数据。其中，未点击数据代表平台展示短视频给用户，但是用户没有点击，即负样本。用户的点击数据为正样本。
一种考虑用户多兴趣以及社交影响的会话推荐方法的向前传播(forwardpropagation)部分主要由四个部分组成，如图2所示。第一部分是根据目标用户当前会话中的物品序列，得到用户当前多兴趣表征。第二部分是根据社交网络，得到目标用户朋友的主要兴趣表征。第三部分是计算朋友对目标用户的社交影响。第四部分是结合朋友对目标用户的社交影响和用户的多兴趣表征，预测用户对目标物品的点击率。
如图1所示，按照本发明的一个实施例，本方法包括如下步骤：
S100，根根目标用户当前会话中的物品序列，得到用户当前多兴趣表征。用户当前交互的会话ST可以表示为ST＝{x1,x2,…,xτ,…,xt}，其中，xτ代表用户交互的第τ个物品，T表示当前会话的时间段下标，且ST的向量表征为{x1,x2,…,xτ,…,xt}，其中
Figure BDA0002946378150000041
d是物品向量表征的长度。采用胶囊网络从物品序列中抽取出用户多兴趣，伪代码为：
Figure BDA0002946378150000042
其中，
Figure BDA0002946378150000043
为会话中第i个物品向量表征，
Figure BDA0002946378150000044
是第j个兴趣的映射矩阵。用户兴趣的个数参数为M，本方法中M取值为5。通过兴趣相关的映射向量(interest-specificprojection)，可以从物品向量xi中抽取出不同兴趣空间下的向量表征
Figure BDA0002946378150000045
Figure BDA0002946378150000046
方法是胶囊网络中的动态路由部分，输入参数
Figure BDA0002946378150000047
是第i个物品向量表征xi映射到第j个兴趣空间的向量表征，输入参数r是动态路由算法的迭代次数，本实验中迭代次数r设置为2。
Figure BDA0002946378150000048
方法的输出参数vj代表用户多兴趣向量表征。bij是第i个物品向量表征到第j个兴趣的连接系数，cij是参数bij归一化后的连接参数，表示第i个物品是第j个兴趣的可能性，且对于一个物品xi，不同兴趣的可能性和为1，也就是∑jcij＝1。squash是胶囊网络中常用的squash向量激活函数，公式为
Figure BDA0002946378150000049
S200，根据社交网络，得到目标用户朋友的主要兴趣表征。目标用户第k个朋友的上一个会话表示为
Figure BDA00029463781500000410
同样，
Figure BDA00029463781500000411
可以表示为
Figure BDA00029463781500000412
向量表征为{x1,x2,…,xτ,…,xl}，
Figure BDA00029463781500000413
即会话
Figure BDA00029463781500000414
中的物品个数。朋友的兴趣也具有多样性，在本方法中只关注朋友的主要兴趣，避免在信息传递时，引入过多的噪音(noise)。本方法采用注意力机制(attention mechanism)抽取出朋友的主要兴趣(main interest)表征。
Figure BDA00029463781500000415
ατ＝Wασ(Wggfk+Wxxτ)
Figure BDA00029463781500000416
其中，xτ是会话
Figure BDA0002946378150000051
中物品xτ的向量表征，
Figure BDA0002946378150000052
表示会话
Figure BDA0002946378150000053
中物品序列的长度。
Figure BDA0002946378150000054
和
Figure BDA0002946378150000055
是模型训练参数，σ是sigmoid函数。ατ代表物品xτ的重要程度，最后得到的
Figure BDA0002946378150000056
即是朋友fk的主要兴趣。本模块可以自适应地关注更重要的物品，从而得到朋友的主要兴趣。
S300，计算朋友对目标用户的社交影响。目标用户u的朋友集合为N(u)，在计算朋友对目标用户的社交影响时，既要考虑不同朋友的重要度，又要考虑不同朋友对目标用户的不同兴趣的影响。朋友集合N(u)对目标用户的兴趣vj的影响fj可以通过以下方法计算得到：
Figure BDA0002946378150000057
Figure BDA0002946378150000058
votekj＝maxj(akj)·attnkj
Figure BDA0002946378150000059
其中，
Figure BDA00029463781500000510
是目标用户的第k个朋友fk的主要兴趣表征，vj是目标用户的第j个兴趣。akj表示第k个朋友fk的主要兴趣和目标用户的第j个兴趣的相似度。
Figure BDA00029463781500000511
是朋友的主要的单一兴趣，对目标用户的不同兴趣的社交影响应该差异化，因此用softmax函数对目标用户不同兴趣之间的相似度进行归一化，得到朋友fk对目标用户第j个兴趣的的影响attnkj。此时，∑jattnkj＝1，朋友fk对目标用户不同兴趣的影响之间具有竞争关系。并且可以进一步通过温度系数τ进行调节，当τ→0+，朋友fk只对目标用户的一个兴趣产生影响；而当τ→∞，朋友fk只对目标用户的不同兴趣的作用趋于一致。attnkj没有考虑朋友的重要性，导致目标用户的所有朋友都对目标用户起很大作用，和事实不符。因此，用max(akj)来体现朋友fk对于目标用户的重要程度，朋友fkk重要程度取决于朋友fkk主要兴趣和目标用户中最匹配的兴趣之间的相似度。最终，朋友fkk对目标用户的不同兴趣的影响为votekj＝max(akj)·attnkj，且所有朋友对目标用户的不同兴趣的社交影响即为fj。
S400，结合朋友对目标用户的社交影响和用户的多兴趣表征，预测用户对目标物品的点击率。
Figure BDA00029463781500000512
Figure BDA00029463781500000513
Figure BDA00029463781500000514
Figure BDA00029463781500000515
其中，vj为目标用户当前会话中抽取出的第j个兴趣表征，fj为朋友对目标用户第j个兴趣的社交影响。
Figure BDA00029463781500000516
为向量连接操作。其中，
Figure BDA00029463781500000517
和
Figure BDA00029463781500000518
是模型需要训练的参数，而σ是sigmoid函数。对于不同的目标物品，模型关注用户的不同兴趣。
S500，构建损失函数，训练模型参数。通过用户对目标物品的点击率预测值
Figure BDA00029463781500000519
计算预测值
Figure BDA00029463781500000520
和真实值y之间的误差，进而使用误差来更新模型参数。我们采用交叉熵损失函数来指导模型参数的更新过程：
Figure BDA00029463781500000521
其中，y∈{0,1}是真实值，代表用户是否点击了目标物品。σ是sigmoid函数。我们采用Adam优化器更新模型参数。
上述对实施例的描述是为方便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (2)

1.一种考虑用户多兴趣以及社交影响的会话推荐方法，其特征在于：
根据目标用户当前会话中的物品序列，得到用户当前多兴趣表征；用户当前交互的会话ST可以表示为ST＝{x1，x2，…，xτ，…，xt}，其中，xτ代表用户交互的第τ个物品，T表示当前会话的时间段下标，且ST的向量表征为{x1，x2，…，xτ，…，xt}，其中
Figure FDA0002946378140000011
d是物品向量表征的长度；采用胶囊网络从物品序列中抽取出用户多兴趣；
根据社交网络，得到目标用户朋友的主要兴趣表征；目标用户第k个朋友的上一个会话表示为
Figure FDA0002946378140000012
同样，
Figure FDA0002946378140000013
可以表示为
Figure FDA0002946378140000014
向量表征为{x1，x2，…，xτ，…，xl}，
Figure FDA0002946378140000015
即会话
Figure FDA0002946378140000016
中的物品个数；本方法采用注意力机制(attention mechanism)抽取出朋友的主要兴趣(main interest)表征，公式如下：
Figure FDA0002946378140000017
Figure FDA0002946378140000018
Figure FDA0002946378140000019
其中，xτ是会话
Figure FDA00029463781400000110
中物品xτ的向量表征，
Figure FDA00029463781400000111
表示会话
Figure FDA00029463781400000112
中物品序列的长度；
Figure FDA00029463781400000113
和
Figure FDA00029463781400000114
是模型训练参数，σ是sigmoid函数；ατ代表物品xτ的重要程度，最后得到的
Figure FDA00029463781400000115
即是朋友fk的主要兴趣；本模块可以自适应地关注更重要的物品，从而得到朋友的主要兴趣；
计算朋友对目标用户的社交影响；目标用户u的朋友集合为N(u)，在计算朋友对目标用户的社交影响时，既要考虑不同朋友的重要度，又要考虑不同朋友对目标用户的不同兴趣的影响；朋友集合N(u)对目标用户的兴趣vj的影响fj可以通过以下方法计算得到：
Figure FDA00029463781400000116
Figure FDA00029463781400000117
votekj＝maxj(akj)·attnkj
Figure FDA00029463781400000118
其中，
Figure FDA00029463781400000119
是目标用户的第k个朋友fk的主要兴趣表征，vj是目标用户的第j个兴趣；akj表示第k个朋友fk的主要兴趣和目标用户的第j个兴趣的相似度；
Figure FDA00029463781400000120
是朋友的主要的单一兴趣，对目标用户的不同兴趣的社交影响应该差异化，因此用softmax函数对目标用户不同兴趣之闻的相似度进行归一化，得到朋友fk对目标用户第j个兴趣的的影响attnkj；此时，∑jattnkj＝1，朋友fk对目标用户不同兴趣的影响之间具有竞争关系；并且可以进一步通过温度系数τ进行调节，当τ→0+，朋友fk只对目标用户的一个兴趣产生影响；而当τ→∞，朋友fk只对目标用户的不同兴趣的作用趋于一致；attnkj没有考虑朋友的重要性，导致目标用户的所有朋友都对目标用户起很大作用，和事实不符；因此，用max(akj)来体现朋友fk对于目标用户的重要程度，朋友fk重要程度取决于朋友fk主要兴趣和目标用户中最匹配的兴趣之间的相似度；最终，朋友fk对目标用户的不同兴趣的影响为votekj＝max(akj)·attnkj，且所有朋友对目标用户的不同兴趣的社交影响即为fj；
结合朋友对目标用户的社交影响和用户的多兴趣表征，预测用户对目标物品的点击率；
Figure FDA00029463781400000121
Figure FDA00029463781400000122
Figure FDA00029463781400000123
Figure FDA00029463781400000124
其中，vj为目标用户当前会话中抽取出的第j个兴趣表征，fj为朋友对目标用户第j个兴趣的社交影响；
Figure FDA00029463781400000125
为向量连接操作；其中，
Figure FDA00029463781400000126
和
Figure FDA00029463781400000127
是模型需要训练的参数，而σ是sigmoid函数；对于不同的目标物品，模型关注用户的不同兴趣；
构建损失函数，训练模型参数；通过用户对目标物品的点击率预测值
Figure FDA0002946378140000021
计算预测值
Figure FDA0002946378140000022
和真实值y之间的误差，进而使用误差来更新模型参数；我们采用交叉熵损失函数来指导模型参数的更新过程：
Figure FDA0002946378140000023
其中，y∈{0，1}是真实值，代表用户是否点击了目标物品；σ是sigmoid函数；我们采用Adam优化器更新模型参数。
2.根据权利要求1所述的一种考虑用户多兴趣以及社交影响的会话推荐方法，其中，所述一种从物品序列中抽取出用户多兴趣的胶囊网络的伪代码为：
Figure FDA0002946378140000024
其中，
Figure FDA0002946378140000025
为会话中第i个物品向量表征，
Figure FDA0002946378140000026
是第j个兴趣的映射矩阵；用户兴趣的个数参数为M；通过兴趣相关的映射向量(interest-specific projection)，可以从物品向量xi中抽取出不同兴趣空间下的向量表征
Figure FDA0002946378140000027
Figure FDA0002946378140000028
方法是胶囊网络中的动态路由部分，输入参数
Figure FDA0002946378140000029
是第i个物品向量表征xi映射到第j个兴趣空间的向量表征，输入参数r是动态路由算法的迭代次数；
Figure FDA00029463781400000210
方法的输出参数vj代表用户多兴趣向量表征；bij是第i个物品向量表征到第j个兴趣的连接系数，cij是参数bij归一化后的连接参数，表示第i个物品是第j个兴趣的可能性，且对于一个物品xi，不同兴趣的可能性和为1，也就是∑jcij＝1；squash是胶囊网络中常用的squash向量激活函数，公式为
Figure FDA00029463781400000211
CN202110197724.XA 2021-02-22 2021-02-22 一种考虑用户多兴趣以及社交影响的会话推荐方法 Active CN112883268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110197724.XA CN112883268B (zh) 2021-02-22 2021-02-22 一种考虑用户多兴趣以及社交影响的会话推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110197724.XA CN112883268B (zh) 2021-02-22 2021-02-22 一种考虑用户多兴趣以及社交影响的会话推荐方法

Publications (2)

Publication Number Publication Date
CN112883268A true CN112883268A (zh) 2021-06-01
CN112883268B CN112883268B (zh) 2022-02-01

Family

ID=76056742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110197724.XA Active CN112883268B (zh) 2021-02-22 2021-02-22 一种考虑用户多兴趣以及社交影响的会话推荐方法

Country Status (1)

Country Link
CN (1) CN112883268B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113704441A (zh) * 2021-09-06 2021-11-26 中国计量大学 一种考虑物品和物品属性特征级别重要性的会话推荐方法
CN114756762A (zh) * 2022-06-13 2022-07-15 腾讯科技（深圳）有限公司 数据处理方法、装置、设备、存储介质及程序产品

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130080526A1 (en) * 2010-01-11 2013-03-28 Barjinderpal S. Gill Apparatus and method for delivering target content to members on a social network
US20140019453A1 (en) * 2012-07-13 2014-01-16 Telefonaktiebolaget L M Ericsson (Publ) Apparatuses and Methods for Assessing User Interest Scores as Altered by Friends Influence
US20170109709A1 (en) * 2015-09-09 2017-04-20 Steven Wu Computerized systems and methods for offline activity management
WO2017157149A1 (zh) * 2016-03-15 2017-09-21 平安科技（深圳）有限公司 基于社交网络的推荐方法、装置、服务器及存储介质
CN108241619A (zh) * 2016-12-23 2018-07-03 西北大学 一种基于用户多兴趣的推荐方法
CN108256093A (zh) * 2018-01-29 2018-07-06 华南理工大学 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法
CN109767301A (zh) * 2019-01-14 2019-05-17 北京大学 推荐方法及***、计算机装置、计算机可读存储介质
US20190325863A1 (en) * 2018-04-20 2019-10-24 Facebook, Inc. Assisting Users with Personalized and Contextual Communication Content
CN112307258A (zh) * 2020-11-25 2021-02-02 中国计量大学 一种基于双层胶囊网络的短视频点击率预测方法
US20210173884A1 (en) * 2018-11-29 2021-06-10 Tencent Technology (Shenzhen) Company Limited Recommendation method and apparatus, and storage medium

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130080526A1 (en) * 2010-01-11 2013-03-28 Barjinderpal S. Gill Apparatus and method for delivering target content to members on a social network
US20140019453A1 (en) * 2012-07-13 2014-01-16 Telefonaktiebolaget L M Ericsson (Publ) Apparatuses and Methods for Assessing User Interest Scores as Altered by Friends Influence
US20170109709A1 (en) * 2015-09-09 2017-04-20 Steven Wu Computerized systems and methods for offline activity management
WO2017157149A1 (zh) * 2016-03-15 2017-09-21 平安科技（深圳）有限公司 基于社交网络的推荐方法、装置、服务器及存储介质
CN108241619A (zh) * 2016-12-23 2018-07-03 西北大学 一种基于用户多兴趣的推荐方法
CN108256093A (zh) * 2018-01-29 2018-07-06 华南理工大学 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法
US20190325863A1 (en) * 2018-04-20 2019-10-24 Facebook, Inc. Assisting Users with Personalized and Contextual Communication Content
US20210173884A1 (en) * 2018-11-29 2021-06-10 Tencent Technology (Shenzhen) Company Limited Recommendation method and apparatus, and storage medium
CN109767301A (zh) * 2019-01-14 2019-05-17 北京大学 推荐方法及***、计算机装置、计算机可读存储介质
CN112307258A (zh) * 2020-11-25 2021-02-02 中国计量大学 一种基于双层胶囊网络的短视频点击率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PAN GU ET AL: "Enhancing session-based social recommendation through item graph", 《NEUROCOMPUTING》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113704441A (zh) * 2021-09-06 2021-11-26 中国计量大学 一种考虑物品和物品属性特征级别重要性的会话推荐方法
CN114756762A (zh) * 2022-06-13 2022-07-15 腾讯科技（深圳）有限公司 数据处理方法、装置、设备、存储介质及程序产品

Also Published As

Publication number Publication date
CN112883268B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
WO2020228514A1 (zh) 内容推荐方法、装置、设备及存储介质
CN108460619B (zh) 一种提供融合显隐式反馈的协同推荐模型的方法
CN110796313B (zh) 一种基于带权图卷积和项目吸引力模型的会话推荐方法
CN110879864B (zh) 一种基于图神经网络和注意力机制的上下文推荐方法
CN109241440A (zh) 一种基于深度学习的面向隐式反馈推荐方法
CN112765480B (zh) 一种信息推送方法、装置及计算机可读存储介质
CN112733018B (zh) 一种基于图神经网络gnn和多任务学习的会话推荐方法
CN112883268B (zh) 一种考虑用户多兴趣以及社交影响的会话推荐方法
CN112883289B (zh) 一种基于社交信任和标签语义相似度的pmf推荐方法
CN111241394A (zh) 数据处理方法、装置、计算机可读存储介质及电子设备
CN112819575B (zh) 一种考虑重复购买行为的会话推荐方法
CN112905887B (zh) 一种基于多兴趣短期优先模型的会话推荐方法
CN113761383A (zh) 一种基于统一用户行为建模的搜索和推荐融合***
CN112396492A (zh) 基于图注意力网络和双向长短期记忆网络的会话推荐方法
CN112948707A (zh) 一种强化学习优化lfm的协同过滤推荐算法
CN112307258B (zh) 一种基于双层胶囊网络的短视频点击率预测方法
CN113344648A (zh) 一种基于机器学习的广告推荐方法及***
CN112231579A (zh) 基于隐式社群发现的社会化视频推荐***与方法
CN114547466A (zh) 一种基于深度强化学习的信息多样性推荐方法
CN115293812A (zh) 一种基于长短期兴趣的电商平台会话感知推荐预测方法
CN114117229A (zh) 一种基于有向和无向结构信息的图神经网络的项目推荐方法
CN113704441B (zh) 一种考虑物品和物品属性特征级别重要性的会话推荐方法
CN111104552A (zh) 一种基于电影结构化信息和简介预测电影评分类别的方法
CN112616072B (zh) 一种基于用户正负反馈信息的短视频点击率预测方法
CN114036408A (zh) 一种基于社交关系和协同关系的会话推荐方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230925

Address after: Room 407-10, floor 4, building 2, Haichuang science and technology center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 311100

Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd.

Address before: 310018, No. 258, source street, Xiasha Higher Education Park, Hangzhou, Zhejiang

Patentee before: China Jiliang University