CN113434778A - 基于正则化框架和注意力机制的推荐方法 - Google Patents

基于正则化框架和注意力机制的推荐方法 Download PDF

Info

Publication number
CN113434778A
CN113434778A CN202110819327.1A CN202110819327A CN113434778A CN 113434778 A CN113434778 A CN 113434778A CN 202110819327 A CN202110819327 A CN 202110819327A CN 113434778 A CN113434778 A CN 113434778A
Authority
CN
China
Prior art keywords
item
value
sim
user
score
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
CN202110819327.1A
Other languages
English (en)
Other versions
CN113434778B (zh
Inventor
陈建芮
朱婷婷
邵仲世
雷鸣
吴迪
王志慧
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.)
Shaanxi Normal University
Original Assignee
Shaanxi Normal 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 Shaanxi Normal University filed Critical Shaanxi Normal University
Priority to CN202110819327.1A priority Critical patent/CN113434778B/zh
Publication of CN113434778A publication Critical patent/CN113434778A/zh
Application granted granted Critical
Publication of CN113434778B publication Critical patent/CN113434778B/zh
Expired - Fee Related 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于正则化框架和注意力机制的推荐方法，由构建超图网络模型、对相似度方式进行改进、确定遗忘函数、构建注意力机制、构建并优化正则化框架步骤组成。在超边中确定了项目与项目的相似关系、用户和项目的评分关系、项目和标签的标记关系，缓解了推荐方法中的冷启动问题，对相似度的确定方法进行了改进，有利于为目标项目筛选最相似的项目，考虑了时间因素对推荐效果的影响，准确地表示用户的真实兴趣，在正则化框架中融入注意力机制，能专注于特别相关的因素而忽略其他因素，缓解了推荐方法中的冷启动、数据稀疏和实时性问题，本发明具有预测和推荐准确率高等优点，可用于对商品进行网络推荐。

Description

基于正则化框架和注意力机制的推荐方法
技术领域
本发明属于网络技术领域，具体地涉及到对商品进行推荐。
背景技术
随着互联网的发展，信息资源呈***性增长，面对如此庞大的数据，用户想要找到自己需要的信息需消耗大量的时间。为了帮助用户寻找信息，出现搜索引擎，由于部分用户无法准确地表达自己的需求，推荐技术因此产生，成为众多研究者关注的热点。推荐***的提出，有利于帮助用户解决上述信息过载的问题，通过用户的隐式特征和显式特征从大量的信息中筛选用户可能感兴趣的项目。推荐***的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。目前各种各样的推荐方法层出不穷，主要可以分为3类，即基于内容的推荐方法、协同过滤推荐方法、混合推荐方法。基于内容的推荐方法通过分析用户和项目的属性，把与用户历史喜欢相似的项目推荐给用户。与基于内容的推荐方法相比，协同过滤推荐方法更注重研究用户与用户、项目与项目、用户与项目之间的关系。这些方法认为用户在很大程度上会与兴趣爱好相似的用户喜欢相同或相似的项目。混合推荐是基于内容的推荐和协同过滤推荐的结合。虽然这些推荐方法被广泛使用，但是它们都因数据集中的新用户和新项目而存在冷启动问题，此外还存在实时性和数据稀疏的问题。
发明内容
本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种利用价值高、衰减程度小的基于正则化框架和注意力机制的推荐方法。
解决上述问题所采用的技术方案是由下述步骤组成：
(1)构建超图网络模型
1)构建超边
从Movielens数据集中选取每个用户评价过的所有项目，用超边相连，超边的数量与用户的数量相同。
2)确定超边的权重
按式(1)确定超边的权重W(ea)：
Figure BDA0003171460190000021
式中δ(ea)是第a个超边的度，δ(emax)为最大的超边的度，δ(emin)为最小的超边的度。
3)建立项目与标签的关联性
采用二部图建立项目与标签的联系，计算标记次数，当标签对项目的标记次数大于项目被标记总数的2/3时，两者之间有强关联性。
(2)对相似度方式进行改进
按式(2)确定项目的相似度Sim(i,j)：
Sim(i,j)＝wSimcosine(i,j)+(1-w)[w1Sim1(i,j)+(1-w1)Sim2(i,j)] (2)
式中Simcosine(i,j)是项目i和项目j的余弦相似度，Simcosine(i,j)的取值范围为[0,1]，Sim1(i,j)是项目i和项目j基于喜欢的属性相似度，Sim2(i,j)是项目i和项目j基于不喜欢的属性相似度，Sim1(i,j)和Sim2(i,j)的取值范围为[0,1]，i和j为有限的正整数，w和w1是2个融合因子，w,w1∈[0,1]，按式(3)确定项目的余弦相似度Simcosine(i,j)：
Figure BDA0003171460190000022
Dij＝{u1,u2,...,up}
式中Rui是用户u对项目i的评分，Ruj是用户u对项目j的评分，p为有限的正整数。
按式(4)确定项目的属性相似度Sim1(i,j)以及属性相似度Sim2(i,j)：
Figure BDA0003171460190000031
式中，LAi,s是项目i对喜欢的属性s的吸引力，LAj,s是项目j对喜欢的属性s的吸引力，
Figure BDA0003171460190000032
是项目i对喜欢属性的平均吸引力，
Figure BDA0003171460190000033
是项目j对喜欢属性的平均吸引力，DLAi,s是项目i对不喜欢的属性s的吸引力，DLAj,s是项目j对不喜欢的属性s的吸引力，
Figure BDA0003171460190000034
是项目i对不喜欢属性的平均吸引力，
Figure BDA0003171460190000035
是项目j对不喜欢属性的平均吸引力，k是属性的数量、为有限的正整数。
(3)确定遗忘函数
按(5)式确定遗忘函数f(tui)：
Figure BDA0003171460190000036
式中tui表示用户u对项目i的评分时间，tmin表示用户历史访问记录中的最早时间，tmax表示用户历史访问记录中的最晚时间。
(4)构建注意力机制
按(6)式构建注意力机制Att(u,i)：
Figure BDA0003171460190000037
式中Ni是项目i的最近邻居，Rui是用户u对项目i的原始评分，Ruj是用户u对项目j的原始评分，f(tui)是用户u对项目i的遗忘程度，f(tuj)是用户u对项目j的遗忘程度。
(5)构建并优化正则化框架
按(7)式构建并优化正则化框架Qu(f,g)：
Figure BDA0003171460190000041
Figure BDA0003171460190000042
Figure BDA0003171460190000043
式中α、β、μ、σ是4个参数，α、β、μ、σ为正数，w(e)为超边e的权重，h(i,e)为节点和超边的关联矩阵中的元素，若节点i在超边e中则该值为1，否则为0，h(j,e)为节点和超边的关联矩阵中的元素，若节点j在超边e中则该值为1，否则为0，δ(e)为超边e的度，fi为项目i的分数，fj为项目j的分数，gl为标签l的分数，zii为项目i被标记的次数，zll为标签l标记项目的次数,yi为项目i的初始分数，sl为标签l的初始分数，采用梯度下降法进行优化，得到预测评分和推荐列表。
在本发明的(2)对相似度方式进行改进步骤的式(2)中，所述的w和w1是2个融合因子，w的取值最佳为0.3，w1的取值最佳为0.7。
在本发明的(5)步骤中，所述的α、β、μ、σ的取值范围为(0,1)，并且α+β+μ+σ＝1。
在本发明的(5)步骤中，所述的α取值最佳为0.2，β取值最佳为0.07，μ取值最佳为0.7，σ取值最佳为0.03。
由于本发明采用了超图网络模型，在超边中确定了项目与项目的相似关系、用户和项目的评分关系、项目和标签的标记关系，缓解了推荐方法中的冷启动问题，对相似度的确定方法进行了改进，有利于为目标项目筛选最相似的项目，并且考虑了时间因素对推荐效果的影响，将时间信息与评分信息结合，体现了用户兴趣动态变化，能够准确地表示用户的真实兴趣，在正则化框架中融入注意力机制，使它能专注于特别相关的因素而忽略其他因素。本发明与现有技术相比，预测和推荐的准确率比较高，在一定程度上缓解了推荐方法中存在的冷启动，数据稀疏和实时性问题，可用于对商品进行网络推荐。
附图说明
图1是本发明实施例1的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下述的实施方式。
实施例1
以在Movielens-100k数据集中100000个数据为例，本实施例的基于正则化框架和注意力机制的推荐方法由下述步骤组成(参见图1)：
(1)构建超图网络模型
1)构建超边
在Movielens-100k的100000个数据集中选取943条超边，从该数据集中选取每个用户评价过的所有项目，用超边相连，超边的数量与用户u的数量相同。在超边中确定了项目与项目的相似关系、用户和项目的评分关系、项目和标签的标记关系，缓解了推荐方法中的冷启动问题。
2)确定超边的权重
按式(1)确定超边的权重W(ea)：
Figure BDA0003171460190000051
式中δ(ea)是第a个超边的度，δ(emax)为最大的超边度，δ(emin)为最小的超边度，本实施例最大的超边度取值为686，最小的超边度值为5。
3)建立项目与标签的关联性
采用二部图建立项目与标签的联系，计算标记次数，当标签对项目的标记次数大于项目被标记总数的2/3时，两者之间有强关联性。
(2)对相似度方式进行改进
按式(2)确定项目的相似度Sim(i,j)：
Sim(i,j)＝wSimcosine(i,j)+(1-w)[w1Sim1(i,j)+(1-w1)Sim2(i,j)] (2)
式中Simcosine(i,j)是项目i和项目j的余弦相似度，Simcosine(i,j)的取值范围为[0,1]，Sim1(i,j)是项目i和项目j基于喜欢的属性相似度，Sim2(i,j)是项目i和项目j基于不喜欢的属性相似度，Sim1(i,j)和Sim2(i,j)的取值范围为[0,1]，i和j为有限的正整数，w和w1是2个融合因子，w,w1∈[0,1]，本实施例w的取值为0.3，w1的取值为0.7。按式(3)确定项目的余弦相似度Simcosine(i,j)：
Figure BDA0003171460190000061
Dij＝{u1,u2,...,up}
式中Rui是用户u对项目i的评分，Ruj是用户u对项目j的评分，p为有限的正整数。
按式(4)确定项目的属性相似度Sim1(i,j)以及属性相似度Sim2(i,j)：
Figure BDA0003171460190000062
式中，LAi,s是项目i对喜欢的属性s的吸引力，LAj,s是项目j对喜欢的属性s的吸引力，
Figure BDA0003171460190000063
是项目i对喜欢属性的平均吸引力，
Figure BDA0003171460190000064
是项目j对喜欢属性的平均吸引力，DLAi,s是项目i对不喜欢的属性s的吸引力，DLAj,s是项目j对不喜欢的属性s的吸引力，
Figure BDA0003171460190000065
是项目i对不喜欢属性的平均吸引力，
Figure BDA0003171460190000066
是项目j对不喜欢属性的平均吸引力，k是属性的数量、为有限的正整数，本实施例的k取值为26。对相似度的方式进行改进，有利于为目标项目筛选最相似的项目。
(3)确定遗忘函数
按(5)式确定遗忘函数f(tui)：
Figure BDA0003171460190000067
式中tui表示用户u对项目i的评分时间，tmin表示用户历史访问记录中的最早时间，tmax表示用户历史访问记录中的最晚时间，本实施例的tmin取值为874724727，tmax取值为893286638。考虑了时间因素对推荐效果的影响，体现了用户兴趣动态变化，准确地表示用户的真实兴趣。
(4)构建注意力机制
按(6)式构建注意力机制Att(u,i)：
Figure BDA0003171460190000071
式中Ni是项目i的最近邻居，Rui是用户u对项目i的原始评分，Ruj是用户u对项目j的原始评分，f(tui)是用户u对项目i的遗忘程度，f(tuj)是用户u对项目j的遗忘程度。
(5)构建并优化正则化框架
按(7)式构建并优化正则化框架Qu(f,g)：
Figure BDA0003171460190000072
Figure BDA0003171460190000073
Figure BDA0003171460190000074
式中α、β、μ、σ是4个参数，α、β、μ、σ为正数，本实施例的α取值为0.2，β取值为0.1，μ取值为0.5，σ取值为0.2，w(e)为超边e的权重，h(i,e)为节点和超边的关联矩阵中的元素，若节点i在超边e中则该值为1，否则为0，h(j,e)为节点和超边的关联矩阵中的元素，若节点j在超边e中则该值为1，否则为0，δ(e)为超边e的度，fi为项目i的分数，fj为项目j的分数，gl为标签l的分数，zii为项目i被标记的次数，zll为标签l标记项目的次数,yi为项目i的初始分数，sl为标签l的初始分数，采用梯度下降法进行优化，得到预测评分和推荐列表。在正则化框架中融入注意力机制，使它能专注于特别相关的因素而忽略其他因素，能够达到更好的推荐效果。
实施例2
以在Movielens-100k数据集中100000个数据为例，本实施例的基于正则化框架和注意力机制的推荐方法由下述步骤组成：
(1)构建超图网络模型
该步骤与实施例1相同。
(2)对相似度方式进行改进
在该步骤的式(2)中，w和w1是2个融合因子，w,w1∈[0,1]，本实施例的w的取值为0，w1的取值为0。
该步骤的其它步骤与实施例1相同。
(3)确定遗忘函数
该步骤与实施例1相同。
(4)构建注意力机制
该步骤与实施例1相同。
(5)构建并优化正则化框架
按(7)式构建并优化正则化框架Qu(f,g)：
Figure BDA0003171460190000081
Figure BDA0003171460190000082
Figure BDA0003171460190000083
式中α、β、μ、σ是4个参数，α、β、μ、σ为正数，本实施例的α取值为0.4，β取值为0.17，μ取值为0.4，σ取值为0.03，w(e)为超边e的权重，h(i,e)为节点和超边的关联矩阵中的元素，若节点i在超边e中则该值为1，否则为0，h(j,e)为节点和超边的关联矩阵中的元素，若节点j在超边e中则该值为1，否则为0，δ(e)为超边e的度，fi为项目i的分数，fj为项目j的分数，gl为标签l的分数，zii为项目i被标记的次数，zll为标签l标记项目的次数,yi为项目i的初始分数，sl为标签l的初始分数，采用梯度下降法进行优化，得到预测评分和推荐列表。
该步骤的其它步骤与实施例1相同。
实施例3
以在Movielens-100k数据集中100000个数据为例，本实施例的基于正则化框架和注意力机制的推荐方法由下述步骤组成：
(1)构建超图网络模型
该步骤与实施例1相同。
(2)对相似度方式进行改进
在该步骤的式(2)中，w和w1是2个融合因子，w,w1∈[0,1]，本实施例的w的取值为1，w1的取值为1。
该步骤的其它步骤与实施例1相同。
(3)确定遗忘函数
该步骤与实施例1相同。
(4)构建注意力机制
该步骤与实施例1相同。
(5)构建并优化正则化框架
按(7)式构建并优化正则化框架Qu(f,g)：
Figure BDA0003171460190000091
Figure BDA0003171460190000092
Figure BDA0003171460190000093
式中α、β、μ、σ是4个参数，α、β、μ、σ为正数，本实施例的α取值为0.25，β取值为0.07，μ取值为0.65，σ取值为0.03，w(e)为超边e的权重，h(i,e)为节点和超边的关联矩阵中的元素，若节点i在超边e中则该值为1，否则为0，h(j,e)为节点和超边的关联矩阵中的元素，若节点j在超边e中则该值为1，否则为0，δ(e)为超边e的度，fi为项目i的分数，fj为项目j的分数，gl为标签l的分数，zii为项目i被标记的次数，zll为标签l标记项目的次数,yi为项目i的初始分数，sl为标签l的初始分数，采用梯度下降法进行优化，得到预测评分和推荐列表。在正则化框架中融入注意力机制，使它能专注于特别相关的因素而忽略其他因素，能够达到更好的推荐效果。

Claims (4)

1.一种基于正则化框架和注意力机制的推荐方法，其特征在于由下述步骤组成：
(1)构建超图网络模型
1)构建超边
从Movielens数据集中选取每个用户评价过的所有项目，用超边相连，超边的数量与用户的数量相同；
2)确定超边的权重
按式(1)确定超边的权重W(ea)：
Figure FDA0003171460180000011
式中δ(ea)是第a个超边的度，δ(emax)为最大的超边的度，δ(emin)为最小的超边的度；
3)建立项目与标签的关联性
采用二部图建立项目与标签的联系，计算标记次数，当标签对项目的标记次数大于项目被标记总数的2/3时，两者之间有强关联性；
(2)对相似度方式进行改进
按式(2)确定项目的相似度Sim(i,j)：
Sim(i,j)＝wSimcosine(i,j)+(1-w)[w1Sim1(i,j)+(1-w1)Sim2(i,j)] (2)
式中Simcosine(i,j)是项目i和项目j的余弦相似度，Simcosine(i,j)的取值范围为[0,1]，Sim1(i,j)是项目i和项目j基于喜欢的属性相似度，Sim2(i,j)是项目i和项目j基于不喜欢的属性相似度，Sim1(i,j)和Sim2(i,j)的取值范围为[0,1]，i和j为有限的正整数，w和w1是2个融合因子，w,w1∈[0,1]，按式(3)确定项目的余弦相似度Simcosine(i,j)：
Figure FDA0003171460180000012
Dij＝{u1,u2,...,up}
式中Rui是用户u对项目i的评分，Ruj是用户u对项目j的评分，p为有限的正整数；
按式(4)确定项目的属性相似度Sim1(i,j)以及属性相似度Sim2(i,j)：
Figure FDA0003171460180000021
式中，LAi,s是项目i对喜欢的属性s的吸引力，LAj,s是项目j对喜欢的属性s的吸引力，
Figure FDA0003171460180000022
是项目i对喜欢属性的平均吸引力，
Figure FDA0003171460180000023
是项目j对喜欢属性的平均吸引力，DLAi,s是项目i对不喜欢的属性s的吸引力，DLAj,s是项目j对不喜欢的属性s的吸引力，
Figure FDA0003171460180000024
是项目i对不喜欢属性的平均吸引力，
Figure FDA0003171460180000025
是项目j对不喜欢属性的平均吸引力，k是属性的数量、为有限的正整数；
(3)确定遗忘函数
按(5)式确定遗忘函数f(tui)：
Figure FDA0003171460180000026
式中tui表示用户u对项目i的评分时间，tmin表示用户历史访问记录中的最早时间，tmax表示用户历史访问记录中的最晚时间；
(4)构建注意力机制
按(6)式构建注意力机制Att(u,i)：
Figure FDA0003171460180000027
式中Ni是项目i的最近邻居，Rui是用户u对项目i的原始评分，Ruj是用户u对项目j的原始评分，f(tui)是用户u对项目i的遗忘程度，f(tuj)是用户u对项目j的遗忘程度；
(5)构建并优化正则化框架
按(7)式构建并优化正则化框架Qu(f,g)：
Figure FDA0003171460180000031
Figure FDA0003171460180000032
Figure FDA0003171460180000033
式中α、β、μ、σ是4个参数，α、β、μ、σ为正数，w(e)为超边e的权重，h(i,e)为节点和超边的关联矩阵中的元素，若节点i在超边e中则该值为1，否则为0，h(j,e)为节点和超边的关联矩阵中的元素，若节点j在超边e中则该值为1，否则为0，δ(e)为超边e的度，fi为项目i的分数，fj为项目j的分数，gl为标签l的分数，zii为项目i被标记的次数，zll为标签l标记项目的次数,yi为项目i的初始分数，sl为标签l的初始分数，采用梯度下降法进行优化，得到预测评分和推荐列表。
2.根据权利要求1所述的基于正则化框架和注意力机制的推荐方法，其特征在于：所述的(2)对相似度方式进行改进步骤的式(2)中，w和w1是2个融合因子，w的取值为0.3，w1的取值为0.7。
3.根据权利要求1所述的基于正则化框架和注意力机制的推荐方法，其特征在于：所述的(5)步骤中的α、β、μ、σ的取值范围为(0,1)，并且α+β+μ+σ＝1。
4.根据权利要求1或3所述的基于正则化框架和注意力机制的推荐方法，其特征在于：所述的(5)步骤中的α取值为0.2，β取值为0.07，μ取值为0.7，σ取值为0.03。
CN202110819327.1A 2021-07-20 2021-07-20 基于正则化框架和注意力机制的推荐方法 Expired - Fee Related CN113434778B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110819327.1A CN113434778B (zh) 2021-07-20 2021-07-20 基于正则化框架和注意力机制的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110819327.1A CN113434778B (zh) 2021-07-20 2021-07-20 基于正则化框架和注意力机制的推荐方法

Publications (2)

Publication Number Publication Date
CN113434778A true CN113434778A (zh) 2021-09-24
CN113434778B CN113434778B (zh) 2023-03-24

Family

ID=77761129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110819327.1A Expired - Fee Related CN113434778B (zh) 2021-07-20 2021-07-20 基于正则化框架和注意力机制的推荐方法

Country Status (1)

Country Link
CN (1) CN113434778B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707075A (zh) * 2022-06-06 2022-07-05 荣耀终端有限公司 一种冷启动推荐方法和设备
WO2023098098A1 (zh) * 2021-12-02 2023-06-08 南京邮电大学 一种基于注意力机制与超图卷积的标签感知推荐方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160188633A1 (en) * 2013-08-01 2016-06-30 National University Of Singapore A method and apparatus for tracking microblog messages for relevancy to an entity identifiable by an associated text and an image
CN109241424A (zh) * 2018-08-29 2019-01-18 陕西师范大学 一种推荐方法
CN109670121A (zh) * 2018-12-18 2019-04-23 辽宁工程技术大学 基于注意力机制的项目级和特征级深度协同过滤推荐算法
AU2020101604A4 (en) * 2020-07-31 2020-09-10 The University of Xinjiang A Recommendation with Item Cooccurrence based on Metric Factorization
CN112613602A (zh) * 2020-12-25 2021-04-06 神行太保智能科技(苏州)有限公司 基于知识感知超图神经网络的推荐方法及***
US20210110436A1 (en) * 2019-10-14 2021-04-15 Visa International Service Association Group item recommendations for ephemeral groups based on mutual information maximization

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160188633A1 (en) * 2013-08-01 2016-06-30 National University Of Singapore A method and apparatus for tracking microblog messages for relevancy to an entity identifiable by an associated text and an image
CN109241424A (zh) * 2018-08-29 2019-01-18 陕西师范大学 一种推荐方法
CN109670121A (zh) * 2018-12-18 2019-04-23 辽宁工程技术大学 基于注意力机制的项目级和特征级深度协同过滤推荐算法
US20210110436A1 (en) * 2019-10-14 2021-04-15 Visa International Service Association Group item recommendations for ephemeral groups based on mutual information maximization
AU2020101604A4 (en) * 2020-07-31 2020-09-10 The University of Xinjiang A Recommendation with Item Cooccurrence based on Metric Factorization
CN112613602A (zh) * 2020-12-25 2021-04-06 神行太保智能科技(苏州)有限公司 基于知识感知超图神经网络的推荐方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
于琨 等: ""基于超图排序和组稀疏最优化的推荐***"", 《计算机工程与设计》 *
赵永建等: "基于双向条目注意网络的推荐***", 《广东工业大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023098098A1 (zh) * 2021-12-02 2023-06-08 南京邮电大学 一种基于注意力机制与超图卷积的标签感知推荐方法
CN114707075A (zh) * 2022-06-06 2022-07-05 荣耀终端有限公司 一种冷启动推荐方法和设备

Also Published As

Publication number Publication date
CN113434778B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN110162700B (zh) 信息推荐及模型的训练方法、装置、设备以及存储介质
CN110162706B (zh) 一种基于交互数据聚类的个性化推荐方法及***
CN109241405B (zh) 一种基于知识关联的学习资源协同过滤推荐方法及***
CN107833117B (zh) 一种考虑标签信息的贝叶斯个性化排序推荐方法
CN103186539B (zh) 一种确定用户群体、信息查询及推荐的方法及***
CN104835072B (zh) 用于社交网络中用户的兼容性评分的方法和***
WO2016191959A1 (zh) 一种时变的协同过滤推荐方法
CN103678618A (zh) 一种基于社交网络平台的Web服务推荐方法
CN110717093B (zh) 一种基于Spark的电影推荐***及方法
CN113434778B (zh) 基于正则化框架和注意力机制的推荐方法
CN103559622A (zh) 基于特征的协同过滤推荐方法
Chen RETRACTED ARTICLE: Research on personalized recommendation algorithm based on user preference in mobile e-commerce
Codina et al. Exploiting the semantic similarity of contextual situations for pre-filtering recommendation
Han Personalized news recommendation and simulation based on improved collaborative filtering algorithm
CN111310046A (zh) 对象推荐方法及装置
CN104572733A (zh) 用户兴趣标签分类的方法及装置
CN108109058A (zh) 一种融合人格特质和物品标签的单分类协同过滤方法
CN113343077A (zh) 一种融合用户兴趣时序波动的个性化推荐方法及***
CN115329215A (zh) 异构网络中基于自适应动态知识图谱的推荐方法及***
US20130108180A1 (en) Information processing device, information processing method, and program
Bellogín et al. Information retrieval and recommender systems
Gu Research on precision marketing strategy and personalized recommendation method based on big data drive
Liu et al. Recent advances in personal recommender systems
CN113591947A (zh) 基于用电行为的电力数据聚类方法、装置和存储介质
TW201243627A (en) Multi-label text categorization based on fuzzy similarity and k nearest neighbors

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20230324