CN113239289A - 一种群组活动推荐方法、***、电子设备及可读存储介质 - Google Patents
一种群组活动推荐方法、***、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113239289A CN113239289A CN202110591196.6A CN202110591196A CN113239289A CN 113239289 A CN113239289 A CN 113239289A CN 202110591196 A CN202110591196 A CN 202110591196A CN 113239289 A CN113239289 A CN 113239289A
- Authority
- CN
- China
- Prior art keywords
- group
- activity
- members
- recommendation
- preference
- 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
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种群组活动推荐方法、***、电子设备及可读存储介质,包括:根据历史群组活动信息预测群组内成员对候选活动的偏好概率,以此得到成员的个人偏好活动序列;根据个人偏好活动序列得到群组推荐活动集合和群组推荐活动的评分;根据成员对每个群组推荐活动的评分得到该成员对任意两个群组推荐活动的模糊偏好关系矩阵,根据任意两个成员的模糊偏好关系矩阵得到群组的共识矩阵,以此得到群组的平均共识度;根据群组的平均共识度得到群组内偏离共识度的成员和未达到目标共识度的群组推荐活动,并对其进行调整,得到最优群组活动推荐结果。使推荐结果具有更高的成员共识程度,更容易被群组成员接受。
Description
技术领域
本发明属于群组移动推荐技术领域,特别是涉及一种群组活动推荐方法、***、电子设备及可读存储介质。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着互联网的快速发展,单纯的线上交互已经无法满足用户的需求,移动社交通过智能终端将社交活动从虚拟网络空间投射到真实的物理世界,从而更加便捷、深入地融入到人们的生活之中。基于线下活动、以群组形式参与成为现阶段社交网络的流行趋势,而对于群组来说,对海量的活动进行筛选,为群组进行有效的活动推荐成为亟待解决的问题。
发明人在研究中发现,面向群组移动的推荐问题面临很大的挑战,首先,群组成员偏好的个性化和多样性使得共识形成变得困难,简单地聚合每个成员的兴趣无法形成有效的群组推荐;其次,影响用户最终选择的因素除了其长期偏好,更有可能是用户近期的行为序列模式,在这种模式下,用户的下一个行为更可能取决于最近的交互活动;例如,对于某个用户来说,运动类活动是其长期偏好,用户在参加NBA现场观赛活动不久后再去参与一场篮球比赛活动,就反映了其行为序列模式。
发明人在研究中还发现,时空约束增加移动用户行为意图的不确定性;比如用户会选择在周末参加美术馆参观活动,但是可能经常在工作日的中午在公司附近的餐馆参加同事聚餐。现实中的社群活动具有时间、位置等环境上下文特性,随之产生时效性、距离等时空约束,这些因素直接影响到用户对于活动的选择,需要通过感知不同的移动情景,即时分析用户行为才能够形成有效的活动推荐。
针对上述问题,以往的群组推荐方法侧重于群组中成员个人偏好的聚合或融合,或者通过训练一个神经网络模型学习群组的成员的偏好,并完成针对群组的推荐,但是,在各种群组推荐方法中,移动群组成员之间的相互影响及动态的决策过程很难形成输入,并通过训练模型进行表征,同时也面临着泛化和训练的问题。总之,面向群组的推荐效果不够理想。
发明内容
为了解决上述问题,本发明提出了一种群组活动推荐方法、***、电子设备及可读存储介质,提出一种时空情景感知和行为序列感知的卷积神经网络模型,用来预测群组中成员的个人偏好,并将其作为群组共识决策阶段的初始参数,提出迭代的群组共识决策过程,基于模糊偏好关系矩阵进行有限次共识迭代计算,以不断改进成员的共识程度,从而使得推荐结果具有更高的成员共识程度,更容易被群组成员接受。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种群组活动推荐方法,包括:
根据历史群组活动信息预测群组内成员对候选活动的偏好概率,根据偏好概率得到成员的个人偏好活动序列;
根据个人偏好活动序列得到群组推荐活动集合,对任一群组推荐活动,根据成员的个人评分和集体评分得到该群组推荐活动的评分;
根据成员对每个群组推荐活动的评分得到该成员对任意两个群组推荐活动的模糊偏好关系矩阵,根据任意两个成员的模糊偏好关系矩阵得到群组的共识矩阵,以此得到群组的平均共识度;
根据群组的平均共识度得到群组内偏离共识度的成员和未达到目标共识度的群组推荐活动,并对其进行调整,得到最优群组活动推荐结果。
作为可选择的实施方式,群组推荐活动的评分获取过程包括:对任一群组推荐活动,根据成员对该群组推荐活动的偏好概率得到该成员对该群组推荐活动的个人评分,若存在其他成员对该群组推荐活动无评分,则其他成员对该群组推荐活动的评分为零,根据该群组推荐活动下评分不为零的成员个数得到集体评分,根据成员的个人评分和集体评分得到该群组推荐活动的评分。
作为可选择的实施方式,群组的平均共识度获取过程包括:将成员对每个群组推荐活动的评分按照从大到小的顺序为群组推荐活动赋相对偏好分数,根据相对偏好分数得到该成员对任意两个群组推荐活动的偏好关系值,以此得到模糊偏好关系矩阵;根据任意两个成员的模糊偏好关系矩阵得到偏好关系相似度矩阵,对所有成员的偏好关系相似度矩阵求均值得到群组的共识矩阵,以此得到群组的平均共识度。
作为可选择的实施方式,未达到目标共识度的群组推荐活动为若群组的平均共识度小于共识阈值,根据群组的共识矩阵得到群组对各群组推荐活动的共识度,将各群组推荐活动的共识度与目标共识度进行比较,得到未达到目标共识度的群组推荐活动。
作为可选择的实施方式,群组内偏离共识度的成员为根据群组的严格偏好关系矩阵得到群组对群组推荐活动的偏好分数,根据群组对群组推荐活动的偏好分数得到群组的模糊偏好关系矩阵,根据群组的模糊偏好关系矩阵得到群组与成员对群组推荐活动的偏好关系相似度矩阵,进而得到成员和群组的相似度值,相似度值最小的成员为偏离共识度的成员。
作为可选择的实施方式,根据用户对群组推荐活动的相对偏好分数和群组对群组推荐活动的偏好分数重新调整群组推荐活动。
作为可选择的实施方式,候选活动的偏好概率的预测过程包括,采用训练后的卷积神经网络,根据成员的隐层状态与最后L个群组活动及对应时间的嵌入得到成员对每个候选活动交互的概率,选择概率值最大的T个候选活动,按概率从大到小排序得到个人偏好活动序列。
第二方面,本发明提供一种群组活动推荐***,包括:
个人偏好预测模块,被配置为根据历史群组活动信息预测群组内成员对候选活动的偏好概率,根据偏好概率得到成员的个人偏好活动序列;
评分模块,被配置为根据个人偏好活动序列得到群组推荐活动集合,对任一群组推荐活动,根据成员的个人评分和集体评分得到该群组推荐活动的评分;
共识度模块,被配置为根据成员对每个群组推荐活动的评分得到该成员对任意两个群组推荐活动的模糊偏好关系矩阵,根据任意两个成员的模糊偏好关系矩阵得到群组的共识矩阵,以此得到群组的平均共识度;
共识调整模块,被配置为根据群组的平均共识度得到群组内偏离共识度的成员和未达到目标共识度的群组推荐活动,并对其进行调整,得到最优群组活动推荐结果。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
现有的群组活动推荐方法侧重于群组中成员个人偏好的聚合或融合,或者通过聚合所有成员的嵌入来学习群组的嵌入,然后通过训练神经网络模型完成针对群组的推荐;针对现有方法存在的问题,本发明考虑到移动群组成员之间的相互影响及动态的决策过程,不仅可以预测群组中每个成员个体的偏好,将其作为群组共识决策阶段的初始参数,还能够基于模糊偏好关系矩阵进行有限次共识迭代计算,以不断改进全体成员的共识程度,从而使得推荐结果具有更高的成员共识程度,更容易被群组成员所接受。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的移动环境中面向群组活动的推荐方法的流程图;
图2为本发明实施例1提供的计算群组平均共识度的流程图;
图3为本发明实施例1提供的检测偏离共识度最大的成员及群组活动的流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,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,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示,本实施例提供一种面向移动计算环境的群组活动推荐方法,包括:
S1:根据历史群组活动信息预测群组内成员对候选活动的偏好概率,根据偏好概率得到成员的个人偏好活动序列;
S2:根据个人偏好活动序列得到群组推荐活动集合,对任一群组推荐活动,根据成员的个人评分和集体评分得到该群组推荐活动的评分;
S3:根据成员对每个群组推荐活动的评分得到该成员对任意两个群组推荐活动的模糊偏好关系矩阵,根据任意两个成员的模糊偏好关系矩阵得到群组的共识矩阵,以此得到群组的平均共识度;
S4:根据群组的平均共识度得到群组内偏离共识度的成员和未达到目标共识度的群组推荐活动,并对其进行调整,得到最优群组活动推荐结果。
在步骤S1中,获取的移动社交网络中群组活动信息包括:群组信息、活动信息、群组成员信息,其中活动信息包括主题、活动地点、活动时间等属性。
需要说明的是,所有数据的获取都在符合法律法规和用户同意的基础上进行的,并对数据进行合法的应用。
在步骤S1中,对群组活动信息进行数据预处理,具体包括:
首先,对缺失数据进行删除;
其次,为了在卷积神经网络中捕获到用户参加活动的时间特点,将一周时间拆分为以4小时为间隔的时间区间,对所得区间进行编码,每个活动时间即可根据其所在的时间区间获得相应的编码。
在步骤S1中,根据用户及参与活动的信息构建基于时空感知的卷积神经网络模型,基于该模块预测群组内成员对候选活动的偏好概率;基于时空感知的卷积神经网络模型包括嵌入层、卷积层和全连接层,通过在活动序列上滑动大小为L+P的窗口生成训练实例,每滑动一次,L个连续活动作为输入,紧随的P个活动作为目标输出,具体如下:
S1-1:Time-Aware CNN结构,活动v的嵌入其中,d是潜在维数,则L个活动的嵌入堆叠起来形成矩阵时间的嵌入将时间嵌入堆叠起来形成矩阵将两个嵌入连接起来形成E(u,t,T)作为卷积神经网络模型的输入,如下所示:
采用n个水平过滤器,每个过滤器的高度为h,表示为Fk∈RL×d,Fk指的是第k个过滤器,过滤器从矩阵E的顶部到底部滑动,从水平维度上与活动i进行交互,1<=i<=L-h+1;最终Fk的卷积结果是:
然后,从特定过滤器产生的所有值中提取最大值,捕获从过滤器中提取的最重要的特征;因此,对于该层中的n个滤波器,输出值o∈Rn为:
o={max(c1),max(c2),…,max(cn)}
将卷积层的输出放入全连接的神经网络,利用下列公式得到卷积序列嵌入z:
z=φ(W[o]+b)
其中,W是权重矩阵,b是偏置项,φ是全连接层的激活函数。
为了捕获用户的一般偏好,将z和Qu连接在一起,并使用|I|节点将它们投影到输出层,W′与b′分别是输出层的偏置项和权重矩阵;输出层y(u,t)表示用户u在t时刻对每个候选活动交互的可能性,计算公式如下:
S1-2:卷积神经网络模型的训练;利用下列公式将上述输出转化为在t时刻用户u对每个活动的概率分布:
对于用户u,需要预测的序列时刻Tu={L+1,L+2,…,|Su|},故在整个数据集中所有序列的似然函数如下:
其中,模型参数Θ={P,Q,T,F,W,W′,b,b′};
S1-3:个人偏好预测;在获得训练好的卷积神经网络后,将用户的隐层状态Qu与它的最后L个活动及对应时间的嵌入作为网络输入,输出结果表示u对每个候选活动交互的概率,选择概率值最大的T个活动,按照概率从大到小排序得到个人偏好活动序列:
在步骤S2中,根据个人偏好活动序列生成群组推荐活动集合,以及得到群组内成员对各个群组推荐活动的预测评分,具体如下:
对于群组成员u,其个人偏好活动序列为:
其中,活动越靠前代表用户与该活动交互的概率越大;
将群组中所有成员的个人偏好活动序列求并集,得到群组推荐活动集合Vg,则成员u对每个群组推荐活动的原始分数遵循以下规则:如果成员u对群组推荐活动有评分,则保留原评分,否则,成员u对群组推荐活动的评分为0,即下列公式:
其中,α一般取值为0.5。
在步骤S3中,得到群组中成员u对Vg中群组推荐活动的评分后,计算群组的平均共识度;给定共识阈值,如果平均共识度小于共识阈值,需要迭代进行共识进展阶段,以提高群组的共识水平;如图2所示,具体地:
在步骤S4中,若群组的平均共识度小于共识阈值,则迭代进行共识进展阶段,在每个迭代过程中,群组内偏离共识度的成员和未达到目标共识度的群组推荐活动进行调整;针对偏离共识度最大的成员调整其推荐列表中的活动排名,重新计算群组的平均共识度,直到群组的平均共识度高于共识阈值,则完成共识决策,基于群组模糊偏好关系矩阵得到推荐结果,或者迭代次数达到预设值,表明共识决策失败;如图3所示,具体地;
S4-1:未达到目标共识度的群组推荐活动;若群组平均共识度小于共识阈值,说明群组对群组推荐活动的共识度未达到目标共识度θ,群组推荐活动是需要调整的活动;则,根据群组的共识矩阵得到群组对各群组推荐活动的共识度,将所有群组推荐活动的共识度Ci值与目标共识度θ比较,得到待调整的群组推荐活动集合
S4-2:群组内偏离共识度的成员;即与群组偏好关系相差最大的成员,因此根据群组的严格偏好关系矩阵得到群组对群组推荐活动的偏好分数,根据群组对群组推荐活动的偏好分数得到群组的模糊偏好关系矩阵P,根据群组的模糊偏好关系矩阵得到群组与成员对群组推荐活动的偏好关系相似度矩阵,群组与成员对群组推荐活动的偏好关系相似度矩阵用SMu,g表示,矩阵元素进而得到成员u和群组的相似度值:
找到sim_s(u,g)值最小的成员记为ut,则ut为待调整成员。
严格偏好关系的矩阵P′的定义下所示:
zg(vi)>zg(vj)if ND(vi)>ND(vj)
得到群组对群组推荐活动的偏好分数后,对群组内偏离共识度的成员和未达到目标共识度的群组推荐活动进行调整,根据用户对群组推荐活动的相对偏好分数和群组对群组推荐活动的偏好分数重新调整群组推荐活动,待调整成员ut对集合Rg中群组推荐活动的分数调整如下所示:
其中,β是一个经验参数。
S4-4:将non-dominance标准下的ND值从大到小排序即为群组的最优群组活动推荐结果。
实施例2
本实施例提供一种群组活动推荐***,包括:
个人偏好预测模块,被配置为根据历史群组活动信息预测群组内成员对候选活动的偏好概率,根据偏好概率得到成员的个人偏好活动序列;
评分模块,被配置为根据个人偏好活动序列得到群组推荐活动集合,对任一群组推荐活动,根据成员的个人评分和集体评分得到该群组推荐活动的评分;
共识度模块,被配置为根据成员对每个群组推荐活动的评分得到该成员对任意两个群组推荐活动的模糊偏好关系矩阵,根据任意两个成员的模糊偏好关系矩阵得到群组的共识矩阵,以此得到群组的平均共识度;
共识调整模块,被配置为根据群组的平均共识度得到群组内偏离共识度的成员和未达到目标共识度的群组推荐活动,并对其进行调整,得到最优群组活动推荐结果。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,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,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上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。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种群组活动推荐方法,其特征在于,包括:
根据历史群组活动信息预测群组内成员对候选活动的偏好概率,根据偏好概率得到成员的个人偏好活动序列;
根据个人偏好活动序列得到群组推荐活动集合,对任一群组推荐活动,根据成员的个人评分和集体评分得到该群组推荐活动的评分;
根据成员对每个群组推荐活动的评分得到该成员对任意两个群组推荐活动的模糊偏好关系矩阵,根据任意两个成员的模糊偏好关系矩阵得到群组的共识矩阵,以此得到群组的平均共识度;
根据群组的平均共识度得到群组内偏离共识度的成员和未达到目标共识度的群组推荐活动,并对其进行调整,得到最优群组活动推荐结果。
2.如权利要求1所述的一种群组活动推荐方法,其特征在于,群组推荐活动的评分获取过程包括:对任一群组推荐活动,根据成员对该群组推荐活动的偏好概率得到该成员对该群组推荐活动的个人评分,若存在其他成员对该群组推荐活动无评分,则其他成员对该群组推荐活动的评分为零,根据该群组推荐活动下评分不为零的成员个数得到集体评分,根据成员的个人评分和集体评分得到该群组推荐活动的评分。
3.如权利要求1所述的一种群组活动推荐方法,其特征在于,群组的平均共识度获取过程包括:将成员对每个群组推荐活动的评分按照从大到小的顺序为群组推荐活动赋相对偏好分数,根据相对偏好分数得到该成员对任意两个群组推荐活动的偏好关系值,以此得到模糊偏好关系矩阵;根据任意两个成员的模糊偏好关系矩阵得到偏好关系相似度矩阵,对所有成员的偏好关系相似度矩阵求均值得到群组的共识矩阵,以此得到群组的平均共识度。
4.如权利要求1所述的一种群组活动推荐方法,其特征在于,未达到目标共识度的群组推荐活动为若群组的平均共识度小于共识阈值,根据群组的共识矩阵得到群组对各群组推荐活动的共识度,将各群组推荐活动的共识度与目标共识度进行比较,得到未达到目标共识度的群组推荐活动。
5.如权利要求1所述的一种群组活动推荐方法,其特征在于,群组内偏离共识度的成员为根据群组的严格偏好关系矩阵得到群组对群组推荐活动的偏好分数,根据群组对群组推荐活动的偏好分数得到群组的模糊偏好关系矩阵,根据群组的模糊偏好关系矩阵得到群组与成员对群组推荐活动的偏好关系相似度矩阵,进而得到成员和群组的相似度值,相似度值最小的成员为偏离共识度的成员。
6.如权利要求3或5所述的一种群组活动推荐方法,其特征在于,根据用户对群组推荐活动的相对偏好分数和群组对群组推荐活动的偏好分数重新调整群组推荐活动。
7.如权利要求1所述的一种群组活动推荐方法,其特征在于,候选活动的偏好概率的预测过程包括,采用训练后的卷积神经网络,根据成员的隐层状态与最后L个群组活动及对应时间的嵌入得到成员对每个候选活动交互的概率,选择概率值最大的T个候选活动,按概率从大到小排序得到个人偏好活动序列。
8.一种群组活动推荐***,其特征在于,包括:
个人偏好预测模块,被配置为根据历史群组活动信息预测群组内成员对候选活动的偏好概率,根据偏好概率得到成员的个人偏好活动序列;
评分模块,被配置为根据个人偏好活动序列得到群组推荐活动集合,对任一群组推荐活动,根据成员的个人评分和集体评分得到该群组推荐活动的评分;
共识度模块,被配置为根据成员对每个群组推荐活动的评分得到该成员对任意两个群组推荐活动的模糊偏好关系矩阵,根据任意两个成员的模糊偏好关系矩阵得到群组的共识矩阵,以此得到群组的平均共识度;
共识调整模块,被配置为根据群组的平均共识度得到群组内偏离共识度的成员和未达到目标共识度的群组推荐活动,并对其进行调整,得到最优群组活动推荐结果。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110591196.6A CN113239289B (zh) | 2021-05-28 | 2021-05-28 | 一种群组活动推荐方法、***、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110591196.6A CN113239289B (zh) | 2021-05-28 | 2021-05-28 | 一种群组活动推荐方法、***、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239289A true CN113239289A (zh) | 2021-08-10 |
CN113239289B CN113239289B (zh) | 2022-08-30 |
Family
ID=77135586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110591196.6A Active CN113239289B (zh) | 2021-05-28 | 2021-05-28 | 一种群组活动推荐方法、***、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239289B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866540A (zh) * | 2015-05-04 | 2015-08-26 | 华中科技大学 | 一种基于群体用户行为分析的个性化推荐方法 |
KR101821790B1 (ko) * | 2016-10-19 | 2018-01-24 | 단국대학교 산학협력단 | 사용자 선호도를 고려한 군집화 기반 추천 장치 및 방법 |
CN107862542A (zh) * | 2017-09-28 | 2018-03-30 | 北京三快在线科技有限公司 | 一种菜品推荐方法和装置 |
CN110795640A (zh) * | 2019-10-12 | 2020-02-14 | 华中师范大学 | 一种弥补群组成员差异的自适应组推荐方法 |
CN111125507A (zh) * | 2018-11-01 | 2020-05-08 | 北京邮电大学 | 一种群组活动推荐方法、装置、服务器及计算机存储介质 |
CN112085565A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于深度学习的信息推荐方法、装置、设备及存储介质 |
CN112365035A (zh) * | 2020-10-28 | 2021-02-12 | 广西电网有限责任公司电力科学研究院 | 一种基于gis地图和非支配排序差分进化算法的优化方法 |
-
2021
- 2021-05-28 CN CN202110591196.6A patent/CN113239289B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866540A (zh) * | 2015-05-04 | 2015-08-26 | 华中科技大学 | 一种基于群体用户行为分析的个性化推荐方法 |
KR101821790B1 (ko) * | 2016-10-19 | 2018-01-24 | 단국대학교 산학협력단 | 사용자 선호도를 고려한 군집화 기반 추천 장치 및 방법 |
CN107862542A (zh) * | 2017-09-28 | 2018-03-30 | 北京三快在线科技有限公司 | 一种菜品推荐方法和装置 |
CN111125507A (zh) * | 2018-11-01 | 2020-05-08 | 北京邮电大学 | 一种群组活动推荐方法、装置、服务器及计算机存储介质 |
CN110795640A (zh) * | 2019-10-12 | 2020-02-14 | 华中师范大学 | 一种弥补群组成员差异的自适应组推荐方法 |
CN112085565A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于深度学习的信息推荐方法、装置、设备及存储介质 |
CN112365035A (zh) * | 2020-10-28 | 2021-02-12 | 广西电网有限责任公司电力科学研究院 | 一种基于gis地图和非支配排序差分进化算法的优化方法 |
Non-Patent Citations (2)
Title |
---|
XIAOMENG LIAN,WEI HE,LIZHEN CUI: ""Task Assignment with Consensus Decision for Spatial Crowdsouring"", 《IEEE》 * |
XIAOMENG LIAN,WEI HE,LIZHEN CUI: ""Task Assignment with Consensus Decision for Spatial Crowdsouring"", 《IEEE》, 19 December 2020 (2020-12-19) * |
Also Published As
Publication number | Publication date |
---|---|
CN113239289B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931062B (zh) | 一种信息推荐模型的训练方法和相关装置 | |
Xie et al. | Scut-fbp: A benchmark dataset for facial beauty perception | |
Ujjin et al. | Particle swarm optimization recommender system | |
CN107330798B (zh) | 一种基于种子节点传播的社交网络间用户身份识别方法 | |
CN110889434B (zh) | 一种基于活动的社交网络活动特征提取方法 | |
CN110889450B (zh) | 超参数调优、模型构建方法和装置 | |
CN111026971A (zh) | 内容的推送方法及装置、计算机存储介质 | |
CN111651671B (zh) | 用户对象推荐方法、装置、计算机设备和存储介质 | |
JP2022551227A (ja) | 弾幕生成方法、装置、及びコンピュータプログラム | |
US9104905B2 (en) | Automatic analysis of individual preferences for attractiveness | |
CN110619081A (zh) | 一种基于交互图神经网络的新闻推送方法 | |
CN111209475A (zh) | 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置 | |
CN111428127A (zh) | 融合主题匹配与双向偏好的个性化事件推荐方法及*** | |
Liu et al. | Evolving graph construction for successive recommendation in event-based social networks | |
CN115618101A (zh) | 基于负反馈的流媒体内容推荐方法、装置及电子设备 | |
CN114896481A (zh) | 基于改进lstm和位置跳跃的兴趣点推荐方法 | |
CN115828011A (zh) | 基于大数据的数据分析方法和平台 | |
CN110598126A (zh) | 基于行为习惯的跨社交网络用户身份识别方法 | |
Leng et al. | Dynamically aggregating individuals’ social influence and interest evolution for group recommendations | |
CN110781405A (zh) | 基于联合卷积矩阵分解的文档上下文感知推荐方法及*** | |
CN111242176A (zh) | 计算机视觉任务的处理方法、装置及电子*** | |
WO2021139493A1 (zh) | 基于机器学习的访客身份认证方法、装置及计算机设备 | |
CN113239289B (zh) | 一种群组活动推荐方法、***、电子设备及可读存储介质 | |
Yang et al. | An academic social network friend recommendation algorithm based on decision tree | |
CN114417166A (zh) | 基于行为序列和动态社交影响的连续兴趣点推荐方法 |
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 |