CN113010796B - 用于项目推荐的方法 - Google Patents

用于项目推荐的方法 Download PDF

Info

Publication number
CN113010796B
CN113010796B CN202110404565.6A CN202110404565A CN113010796B CN 113010796 B CN113010796 B CN 113010796B CN 202110404565 A CN202110404565 A CN 202110404565A CN 113010796 B CN113010796 B CN 113010796B
Authority
CN
China
Prior art keywords
user
recommended
item
attention
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
CN202110404565.6A
Other languages
English (en)
Other versions
CN113010796A (zh
Inventor
周庆
欧娇娇
葛亮
黄智勇
仲元红
钟代笛
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN202110404565.6A priority Critical patent/CN113010796B/zh
Publication of CN113010796A publication Critical patent/CN113010796A/zh
Application granted granted Critical
Publication of CN113010796B publication Critical patent/CN113010796B/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (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

本申请涉及信息推荐技术领域，公开一种用于项目推荐的方法，包括：通过用户信息和项目信息获取待推荐用户对项目的偏好评分，并根据用户信息获取获得社交网络注意力聚合数据，根据偏好评分和社交网络注意力聚合数据获取待推荐用户对各项目的匹配度，将满足预设条件的匹配度对应的项目推荐给待推荐用户。在项目推荐过程中，考虑到了待推荐用户处于若干个社交网络，利用注意力机制获取了待推荐用户的社交网络注意力聚合数据，将待推荐用户受到的其他用户的影响加入待推荐用户对项目的匹配度计算中，使得获取到的待推荐项目更贴合真实生活中用户的需求，提高了用户获取推荐项目时的体验。

Description

用于项目推荐的方法
技术领域
本申请涉及信息推荐技术领域，例如涉及一种用于项目推荐的方法。
背景技术
目前，在需要为用户推荐项目时，通常采集用户信息，如年龄、职业、性别等，然后将其输入训练好的项目推荐模型中，由于真实生活中的用户不是孤立存在的，用户是处于不同的社交关系的，而社交关系是影响推荐性能的一大因素，目前的项目推荐方法没有考虑到社交因素，因此现有技术为用户推荐的项目与真实生活中用户的需求存在一定偏差。
发明内容
为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
本公开实施例提供了一种项目推荐的方法，以更贴合真实生活中用户的需求。
在一些实施例中，所述方法包括：
获取待推荐用户的用户信息，获取若干个项目及各项目对应的项目信息；待推荐用户处于若干个社交网络，各社交网络中除待推荐用户外的用户为待推荐用户的影响用户；
获取用户信息对应的用户偏置评分，获取项目信息对应的项目偏置评分；
根据用户偏置评分和项目偏置评分获取待推荐用户对各项目的偏好评分；
获取各影响用户对待推荐用户的用户注意力值；
分别将各社交网络所对应的各用户注意力值进行聚合，获得用户注意力聚合数据；
根据各社交网络对应的用户注意力聚合数据获取各社交网络对待推荐用户的社交网络注意力值；
将各社交网络注意力值进行聚合，获得社交网络注意力聚合数据；
根据偏好评分和社交网络注意力聚合数据获取待推荐用户对各项目的匹配度；
根据匹配度进行项目推荐。
本公开实施例提供的项目推荐方法，可以实现以下技术效果：通过用户信息和项目信息获取待推荐用户对项目的偏好评分，并根据用户信息获取各影响用户对待推荐用户的用户注意力值，将用户注意力值聚合获得用户注意力聚合数据，根据用户注意力聚合数据获得社交网络注意力值，将社交网络注意力值聚合获得社交网络注意力聚合数据，根据偏好评分和社交网络注意力聚合数据获取待推荐用户对各项目的匹配度，将满足预设条件的匹配度对应的项目推荐给待推荐用户。在项目推荐过程中，考虑到了待推荐用户处于若干个社交网络，利用注意力机制获取了待推荐用户的社交网络注意力聚合数据，将待推荐用户受到的其他用户的影响加入待推荐用户对项目的匹配度计算中，使得获取到的待推荐项目更贴合真实生活中用户的需求，提高了用户获取推荐项目时的体验。
以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
图1是本公开实施例提供的一个用于项目推荐的方法的示意图；
图2是本公开实施例提供的一个用于获取用户偏置评分的方法的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
除非另有说明，术语“多个”表示两个或两个以上。
本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
结合图1所示，本公开实施例提供一种用于项目推荐的方法，包括：
步骤S101，获取待推荐用户的用户信息，获取若干个项目及各项目对应的项目信息；待推荐用户处于若干个社交网络，各社交网络中除待推荐用户外的用户为待推荐用户的影响用户；
步骤S102，获取用户信息对应的用户偏置评分，获取项目信息对应的项目偏置评分；
步骤S103，根据用户偏置评分和项目偏置评分获取待推荐用户对各项目的偏好评分；
步骤S104，获取各影响用户对待推荐用户的用户注意力值；
步骤S105，分别将各社交网络所对应的各用户注意力值进行聚合，获得用户注意力聚合数据；
步骤S106，根据各社交网络对应的用户注意力聚合数据获取各社交网络对待推荐用户的社交网络注意力值；
步骤S107，将各社交网络注意力值进行聚合，获得社交网络注意力聚合数据；
步骤S108，根据偏好评分和社交网络注意力聚合数据获取待推荐用户对各项目的匹配度；
步骤S109，根据匹配度进行项目推荐。
采用本公开实施例提供的用于项目推荐的方法，在项目推荐过程中，考虑到了待推荐用户处于若干个社交网络，利用注意力机制获取了待推荐用户的社交网络注意力聚合数据，将待推荐用户受到的其他用户的影响加入待推荐用户对项目的匹配度计算中，使得获取到的待推荐项目更贴合真实生活中用户的需求，提高了用户获取推荐项目时的体验。
在一些实施例中，用户信息包括数值型用户信息和类别型用户信息。可选地，数值型用户信息包括：用户的年龄、身高等；类别型用户信息包括：用户的性别、籍贯、职业等。
在一些实施例中，项目信息包括数值型项目信息和类别型项目信息。可选地，类别型项目信息包括：项目的类型、属性等；数值型项目信息包括：项目的数值类属性。在一些实施例中，项目为电影，对应的类别型项目信息包括电影的类型、电影的导演等；对应的数值型项目信息包括从影评网站上爬取到的对应电影的评分。电影的类型包括动作片类型、喜剧片类型、恐怖片类型等。
可选地，获取用户信息对应的用户偏置评分，包括：对用户信息进行特征提取，获得数值型用户特征和类别型用户特征；获取类别型用户特征对应的用户稀疏特征向量；将用户稀疏特征向量转化为用户稠密嵌入特征；将用户稠密嵌入特征和数值型用户特征进行拼接，获得用户拼接特征；将用户拼接特征输入预设的前馈神经网络模型，获得用户信息对应的用户偏置评分。这样，通过分别获取数值型用户特征和类别型用户特征来获取用户偏置评分，使得获取到的用户信息对应的用户偏置评分更贴合用户的真实情况。
可选地，获取类别型用户特征对应的用户稀疏特征向量，包括：将类别型用户特征通过one-hot或者multi-hot生成用户稀疏特征向量。
可选地，将用户稀疏特征向量转化为用户稠密嵌入特征，包括：将用户稀疏特征向量通过嵌入层转化为用户稠密嵌入特征。可选地，嵌入层为全连接网络。
可选地，将用户稠密嵌入特征和数值型用户特征进行拼接，获得用户拼接特征，包括：将用户稠密嵌入特征和数值型用户特征通过连接层进行拼接，获得用户拼接特征。
可选地，前馈神经网络模型为三层感知机，三层感知机包括输入层、隐藏层和输出层。输入层不进行任何计算，仅向隐藏层传递用户拼接特征，隐藏层对用户拼接特征进行计算，并将计算结果传送到输出层，输出层进行计算并输出用户偏置评分。三层感知机的不同层之间是全连接的。在一些实施例中，如图2所示的前馈神经网络模型示意图。将用户拼接特征x1、用户拼接特征x2、用户拼接特征x3分别通过输入层进入隐藏层，从输出层输出用户偏置评分f(x)。可选地，通过计算f(x)＝G(b(2)+W(2)(s(b(1)+W(1)x)))获得用户偏置评分，其中，f(x)为用户偏置评分，W(1)为隐藏层的连接权重，b(1)为隐藏层的偏置，W(2)为输出层的连接权重，b(2)为输出层的偏置，函数G、s均为sigmoid激活函数，x为用户拼接特征。
可选地，获取项目信息对应的项目偏置评分包括：对项目信息进行特征提取，获得数值型项目特征和类别型项目特征；获取类别型项目特征对应的项目稀疏特征向量；将项目稀疏特征向量通过嵌入层转化为项目稠密嵌入特征；将项目稠密嵌入特征和数值型项目特征经过连接层进行拼接，获得项目拼接特征；将项目拼接特征输入预设的前馈神经网络模型，获得项目信息对应的项目偏置评分。这样，通过分别获取数值型项目特征和类别型项目特征来获取项目偏置评分，使得获取到的项目信息对应的项目偏置评分更贴合项目的真实情况。
可选地，获取类别型项目特征对应的项目稀疏特征向量，包括：将类别型项目特征通过one-hot或者multi-hot生成项目稀疏特征向量。
可选地，将项目稀疏特征向量转化为项目稠密嵌入特征，包括：将项目稀疏特征向量通过嵌入层转化为项目稠密嵌入特征。可选地，嵌入层为全连接网络。
可选地，将项目稠密嵌入特征和数值型项目特征进行拼接，获得项目拼接特征，包括：将项目稠密嵌入特征和数值型项目特征通过连接层进行拼接，获得项目拼接特征。
可选地，通过计算f(x′)＝G(b(2)+W(2)(s(b(1)+W(1)x′)))获得项目偏置评分，其中，f(x′)为项目偏置评分，x′为项目拼接特征。
可选地，根据用户偏置评分和项目偏置评分获取待推荐用户对各项目的偏向评分，包括：
通过计算bai＝μ+ba+bi获得第a个待推荐用户对第i个项目的偏好评分；
其中，bai为第a个待推荐用户对第i个项目的偏好评分，ba为第a个待推荐用户的用户偏置评分，bi为第i个项目的项目偏置评分，μ为项目对应的预设项目分值；a、i均为正整数。
可选地，获取项目对应的预设项目分值，包括：获取各社交网络中所有用户对项目的评分，将所有用户对项目的评分的平均值确定为项目对应的预设项目分值。
可选地，获取项目对应的预设项目分值，包括：获取所有用户对所有项目的评分，将所有用户对所有项目的评分的平均值确定为项目对应的预设项目分值。
根据用户偏置评分、项目偏置评分和项目对应的预设项目分值得到的用户对各项目的偏向评分，根据偏好评分获取待推荐用户对各项目的匹配度，并根据匹配度进行项目推荐，由于考虑了用户和项目的实际情况，使得获取到的待推荐项目更贴合真实生活中用户的需求，提高了用户获取推荐项目时的体验。
可选地，获取各影响用户对待推荐用户的用户注意力值，包括：
通过计算
Figure BDA0003021749990000061
获得第j个影响用户对第a个待推荐用户的注意力值；
其中，
Figure BDA0003021749990000062
为第t个社交网络中第j个影响用户对第a个待推荐用户的注意力值，W′为预设的第一权重矩阵，
Figure BDA0003021749990000063
为预设的第一权值向量，
Figure BDA0003021749990000064
为对第一权值向量进行转置，LeakyReLU为预设的激活函数，
Figure BDA0003021749990000071
为第a个待推荐用户对应的隐向量，
Figure BDA0003021749990000072
为第j个影响用户对应的隐向量，
Figure BDA0003021749990000073
为第k个影响用户对应的隐向量，
Figure BDA0003021749990000074
为第t个社交网络中第a个待推荐用户的影响用户的个数，
Figure BDA0003021749990000075
可选地，预设的第一权重矩阵W′为可训练的矩阵，用于进行向量的线性变换。可选地，
Figure BDA0003021749990000076
N为用户对应的的隐向量的维度，
Figure BDA0003021749990000077
为实数。
可选地，预设的第一权值向量
Figure BDA0003021749990000078
为可训练的向量，用于计算第t个社交网络对应的注意力值。可选地，
Figure BDA0003021749990000079
可选地，获取待推荐用户的用户信息的独热编码，将待推荐用户对应的独热编码输入嵌入层，嵌入层执行索引操作，并从预设的待推荐用户自由嵌入矩阵H中获取待推荐用户对应的隐向量。可选地，
Figure BDA00030217499900000710
其中，S为社交网络中所有用户的个数。
可选地，获取影响用户的用户信息的独热编码，将影响用户对应的独热编码输入嵌入层，嵌入层执行索引操作，并从预设的影响用户自由嵌入矩阵H′中获取影响用户对应的隐向量。可选地，
Figure BDA00030217499900000711
可选地，分别将各社交网络所对应的各用户注意力值进行聚合，获得用户注意力聚合数据，包括：
通过计算
Figure BDA00030217499900000712
获得第t个社交网络中各影响用户对第a个待推荐用户的用户注意力聚合数据；
其中，
Figure BDA00030217499900000713
为第t个社交网络中各影响用户对第a个待推荐用户的用户注意力聚合数据，σ为预设的激活函数。
可选地，根据各社交网络对应的用户注意力聚合数据获取各社交网络对待推荐用户的社交网络注意力值，包括：
通过计算
Figure BDA0003021749990000081
获得社交网络t对第a个待推荐用户的社交网络注意力值；
其中，ηat为第t个社交网络对第a个待推荐用户的社交网络注意力值，W为预设的第二权重矩阵，
Figure BDA0003021749990000082
为预设的第二权值向量，
Figure BDA0003021749990000083
为对第二权值向量进行转置，
Figure BDA0003021749990000084
为第P个社交网络中各影响用户对第a个待推荐用户的用户注意力聚合数据，T为社交网络的个数，P≤T。
可选地，预设的第二权重矩阵W为可训练的矩阵，用于进行向量的线性变换,
Figure BDA0003021749990000085
可选地，预设的第二权值向量
Figure BDA0003021749990000086
为可训练的向量，用于计算T个社交网络对应的注意力值，
Figure BDA0003021749990000087
可选地，将各社交网络注意力值进行聚合，获得社交网络注意力聚合数据包括：
通过计算
Figure BDA0003021749990000088
获得第a个待推荐用户的社交网络注意力聚合数据；
其中，ua为第a个待推荐用户的社交网络注意力聚合数据，t≤T。
可选地，根据预测评分和社交网络注意力聚合数据获取待推荐用户对各项目的匹配度，包括：
通过计算
Figure BDA0003021749990000089
获得项目的匹配度；
其中，
Figure BDA00030217499900000810
为第a个待推荐用户对第i个项目的匹配度，bai为第a个待推荐用户对第i个项目的偏好评分，qi为第i个项目对应的隐向量，qi T为对qi进行转置。
可选地，获取项目对应的项目信息的独热编码，将项目对应的独热编码输入嵌入层，嵌入层执行索引操作，并从预设的项目自由嵌入矩阵Q中获取项目对应的隐向量。可选地，
Figure BDA0003021749990000091
其中，J为项目的个数,O为项目对应的隐向量的维度。
可选地，根据匹配度进行项目推荐包括：将满足预设条件的匹配度对应的项目推荐给待推荐用户。
可选地，满足预设条件的匹配度，包括：大于或等于设定阈值的匹配度。
通过用户信息和项目信息获取待推荐用户对项目的偏好评分，并根据用户信息获取各影响用户对待推荐用户的用户注意力值，将用户注意力值聚合获得用户注意力聚合数据，根据用户注意力聚合数据获得社交网络注意力值，将社交网络注意力值聚合获得社交网络注意力聚合数据，根据偏好评分和社交网络注意力聚合数据获取待推荐用户对各项目的匹配度，将满足预设条件的匹配度对应的项目推荐给待推荐用户。在项目推荐过程中，考虑到了待推荐用户处于若干个社交网络，利用注意力机制获取了待推荐用户的社交网络注意力聚合数据，将待推荐用户受到的其他用户的影响加入待推荐用户对项目的匹配度计算中，使得获取到的待推荐项目更贴合真实生活中用户的需求，提高了用户获取推荐项目时的体验。
在一些实施例中，待推荐用户的偏好与其所处的社交网络的影响用户相似或受其影响。因此，待推荐用户的多重社交关系信息是影响到项目推荐的一个因素，通过聚合所有影响用户对待推荐用户的注意力值来表示待推荐用户受到其他用户的影响。由于社交网络中待推荐用户与各影响用户之间的联系强度不同，某些影响用户对待推荐用户的影响比其他影响用户对待推荐用户的影响强；其次，待推荐用户在日常生活中存在多种社交网络，如同事，同学，网友等，不同的社交网络对待推荐用户的影响程度不同。因此，通过用户注意力聚合数据来表征不同影响用户对待推荐用户的影响强度；而对于不同的社交网络，通过社交网络注意力聚合数据来表征不同社交网络对待推荐用户的影响强度，最终得到待推荐用户处于若干个社交网络中受到的影响。根据社交网络注意力聚合数据获取待推荐用户对各项目的匹配度，根据匹配度进行项目推荐，使得获取到的待推荐项目更贴合真实生活中用户的需求，提高了用户获取推荐项目时的体验。
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

Claims (4)

1.一种用于项目推荐的方法，其特征在于，包括：
获取待推荐用户的用户信息，获取若干个项目及各所述项目对应的项目信息；所述待推荐用户处于若干个社交网络，各社交网络中除所述待推荐用户外的用户为所述待推荐用户的影响用户；
获取所述用户信息对应的用户偏置评分，获取所述项目信息对应的项目偏置评分；
根据所述用户偏置评分和所述项目偏置评分获取所述待推荐用户对各所述项目的偏好评分；
获取各影响用户对所述待推荐用户的用户注意力值；
分别将各所述社交网络所对应的各用户注意力值进行聚合，获得用户注意力聚合数据；
根据各所述社交网络对应的所述用户注意力聚合数据获取各所述社交网络对所述待推荐用户的社交网络注意力值；
将各所述社交网络注意力值进行聚合，获得社交网络注意力聚合数据；
根据所述偏好评分和所述社交网络注意力聚合数据获取所述待推荐用户对各所述项目的匹配度；
根据所述匹配度进行项目推荐；
所述获取所述用户信息对应的用户偏置评分，包括：
对所述用户信息进行特征提取，获得数值型用户特征和类别型用户特征；
获取所述类别型用户特征对应的用户稀疏特征向量；
将所述用户稀疏特征向量转化为用户稠密嵌入特征；
将所述用户稠密嵌入特征和所述数值型用户特征进行拼接，获得用户拼接特征；
将所述用户拼接特征输入预设的前馈神经网络模型，获得所述用户信息对应的用户偏置评分；
所述获取所述项目信息对应的项目偏置评分，包括：
对所述项目信息进行特征提取，获得数值型项目特征和类别型项目特征；
获取所述类别型项目特征对应的项目稀疏特征向量；
将所述项目稀疏特征向量通过嵌入层转化为项目稠密嵌入特征；
将所述项目稠密嵌入特征和所述数值型项目特征经过连接层进行拼接，获得项目拼接特征；
将所述项目拼接特征输入预设的前馈神经网络模型，获得所述项目信息对应的项目偏置评分；
所述获取各影响用户对所述待推荐用户的用户注意力值，包括：
通过计算获得第j个影响用户对第a个待推荐用户的注意力值；
其中，为第t个社交网络中第j个影响用户对第a个待推荐用户的注意力值，W'为预设的第一权重矩阵，为预设的第一权值向量，为对所述第一权值向量进行转置，LeakyReLU为预设的激活函数，为第a个待推荐用户对应的隐向量，为第j个影响用户对应的隐向量，为第k个影响用户对应的隐向量，为第t个社交网络中第a个待推荐用户的影响用户的个数，，；
所述分别将各所述社交网络所对应的各用户注意力值进行聚合，获得用户注意力聚合数据，包括：
通过计算获得第t个社交网络中各影响用户对第a个待推荐用户的用户注意力聚合数据；
其中，为第t个社交网络中各影响用户对第a个待推荐用户的用户注意力聚合数据，σ为预设的激活函数；
所述根据各所述社交网络对应的所述用户注意力聚合数据获取各所述社交网络对所述待推荐用户的社交网络注意力值，包括：
通过计算获得社交网络t对第a个待推荐用户的社交网络注意力值；
其中，为第t个社交网络对第a个待推荐用户的社交网络注意力值，W为预设的第二权重矩阵，为预设的第二权值向量，为对所述第二权值向量进行转置，为第P个社交网络中各影响用户对第a个待推荐用户的用户注意力聚合数据，T为社交网络的个数，P≤T；
所述将各所述社交网络注意力值进行聚合，获得社交网络注意力聚合数据包括：
通过计算获得第a个待推荐用户的社交网络注意力聚合数据；其中，u a 为第a个待推荐用户的社交网络注意力聚合数据，t≤T。
2.根据权利要求1所述的方法，其特征在于，所述根据所述用户偏置评分和所述项目偏置评分获取所述待推荐用户对各所述项目的偏好评分，包括：
通过计算b ai =µ+b a +b i 获得第a个待推荐用户对第i个项目的偏好评分；
其中，b ai 为第a个待推荐用户对第i个项目的偏好评分，b a 为第a个待推荐用户的用户偏置评分，b i 为第i个项目的项目偏置评分，µ为项目对应的预设项目分值；a、i均为正整数。
3.根据权利要求1所述的方法，其特征在于，所述根据所述偏好评分和所述社交网络注意力聚合数据获取所述待推荐用户对各所述项目的匹配度，包括：
通过计算获得项目的匹配度；
其中，为第a个待推荐用户对第i个项目的匹配度，b ai 为第a个待推荐用户对第i个项目的偏好评分，q i 为第i个项目对应的隐向量，为对所述q i 进行转置。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述匹配度进行项目推荐包括：
将满足预设条件的匹配度对应的项目推荐给待推荐用户。
CN202110404565.6A 2021-04-15 2021-04-15 用于项目推荐的方法 Active CN113010796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110404565.6A CN113010796B (zh) 2021-04-15 2021-04-15 用于项目推荐的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110404565.6A CN113010796B (zh) 2021-04-15 2021-04-15 用于项目推荐的方法

Publications (2)

Publication Number Publication Date
CN113010796A CN113010796A (zh) 2021-06-22
CN113010796B true CN113010796B (zh) 2023-04-07

Family

ID=76389390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110404565.6A Active CN113010796B (zh) 2021-04-15 2021-04-15 用于项目推荐的方法

Country Status (1)

Country Link
CN (1) CN113010796B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021811B (zh) * 2021-11-03 2024-06-25 重庆大学 基于注意力改进的交通预测方法及计算机介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084428A (zh) * 2020-09-17 2020-12-15 辽宁工程技术大学 一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8073794B2 (en) * 2007-12-20 2011-12-06 Yahoo! Inc. Social behavior analysis and inferring social networks for a recommendation system
CN106649657B (zh) * 2016-12-13 2020-11-17 重庆邮电大学 面向社交网络基于张量分解的上下文感知推荐***及方法
CN109410080A (zh) * 2018-10-16 2019-03-01 合肥工业大学 一种基于层次注意力机制的社交图像推荐方法
CN111241423B (zh) * 2020-01-17 2023-07-25 江西财经大学 融合信任不信任关系和注意力机制深度推荐方法及***
CN111428147B (zh) * 2020-03-25 2021-07-27 合肥工业大学 结合社交和兴趣信息的异源图卷积网络的社交推荐方法
CN111523051A (zh) * 2020-04-24 2020-08-11 山东师范大学 基于图卷积矩阵分解的社交兴趣推荐方法及***
CN111681084B (zh) * 2020-06-09 2022-09-06 南京邮电大学 一种基于社交关系影响因素的电商平台推荐方法
CN112256980A (zh) * 2020-10-23 2021-01-22 辽宁工程技术大学 一种基于动态图注意力网络的多关系协同过滤推荐
CN112559905B (zh) * 2020-12-24 2022-09-06 北京理工大学 一种基于双模式注意力机制和社交相似度的会话推荐方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084428A (zh) * 2020-09-17 2020-12-15 辽宁工程技术大学 一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法

Also Published As

Publication number Publication date
CN113010796A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
Pena et al. Bias in multimodal AI: Testbed for fair automatic recruitment
Lee et al. Deep learning based recommender system using cross convolutional filters
Vijaya et al. Computing efficient features using rough set theory combined with ensemble classification techniques to improve the customer churn prediction in telecommunication sector
Jadhav et al. Efficient recommendation system using decision tree classifier and collaborative filtering
CN110321473B (zh) 基于多模态注意力的多样性偏好信息推送方法、***、介质及设备
CN113127737B (zh) 融合注意力机制的个性化搜索方法和搜索***
Koklu et al. Estimation of credit card customers payment status by using kNN and MLP
CN112633978A (zh) 图神经网络模型构建方法、用于商品推荐的方法、装置及设备
CN112138403A (zh) 交互行为的识别方法和装置、存储介质及电子设备
CN113010796B (zh) 用于项目推荐的方法
CN109829154A (zh) 基于语义的人格预测方法、用户设备、存储介质及装置
KR20190130410A (ko) 스마트 시니어를 위한 맞춤형 콘텐츠 추천 장치 및 방법
CN117557331A (zh) 一种产品推荐方法、装置、计算机设备及存储介质
CN111815410A (zh) 基于选择性邻域信息的商品推荐方法
CN116861078A (zh) 一种融合用户多行为的图神经网络推荐方法
Sehgal et al. A new genre of recommender systems based on modern paradigms of data filtering
Phuong et al. Collaborative filtering by multi-task learning
CN112559905B (zh) 一种基于双模式注意力机制和社交相似度的会话推荐方法
CN111460302B (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
CN112435079A (zh) 一种面向纯社交平台的广告推荐方法
Zafar Ali Khan et al. Hybrid collaborative fusion based product recommendation exploiting sentiments from implicit and explicit reviews
CN114385901A (zh) 一种用于推荐***的解离化异构图注意力的方法及***
Cao et al. Joint user modeling across aligned heterogeneous sites using neural networks
Kirubanantham et al. Convolutional Recommended Neural Network system based on user reviews for movies
Tran et al. Energy-based collaborative filtering recommendation

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