CN115204967A - 一种融入用户长短期兴趣表征隐式反馈的推荐方法 - Google Patents
一种融入用户长短期兴趣表征隐式反馈的推荐方法 Download PDFInfo
- Publication number
- CN115204967A CN115204967A CN202210639035.4A CN202210639035A CN115204967A CN 115204967 A CN115204967 A CN 115204967A CN 202210639035 A CN202210639035 A CN 202210639035A CN 115204967 A CN115204967 A CN 115204967A
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- term
- users
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
该发明公开了一种融入用户长短期兴趣表征隐式反馈的推荐方法,属于机器学习领域中的推荐***研究领域。本方法对基于矩阵分解的协同过滤方法的隐式反馈部分进行了改进,不仅考虑了用户商品二部图中用户浏览或评分商品的隐式反馈,还考虑兴趣相似用户的隐式反馈,实现快速并准确的为用户提供个性化推荐服务。本发明的通用性高,可以适用于大多数的推荐场景。本方法的方法时间复杂度相较于原方法并没有显著增长,对用户长短期兴趣偏好的表征都可以在预处理阶段完成,并且可以采用并行计算的方法对模型进行训练,计算速度较快,在海量数据的情况下也可以短时间计算出结果。
Description
技术领域
本发明属于机器学习领域中的推荐***研究领域。
背景技术
随着计算机技术的蓬勃发展和大数据时代的到来,网络资源呈指数型增长,信息过载现象日益严重,如何高效获取符合需求的资源成为困扰人们的问题之一。由此,推荐***应运而生。推荐***能对海量信息进行有效过滤,为用户推荐符合其需求的资源。它会预测用户的需求并推荐给用户其最可能喜欢的内容,缓解了人们从海量信息中做出选择的烦恼。虽然协同过滤推荐方法已经经历了多年的发展,其解决问题的本质方法没有改变。
矩阵分解方法作为一种高效且准确的推荐方法,自2007年Netflix推荐大赛被提出以来,就得到了国内外众多学者的关注,并在工业界中得到了广泛的应用。并由此衍生出了大量的矩阵分解推荐方法,包括Basic MF、Regularized MF、SVD++、TimeSVD++、TrustSVD等等。与此同时,一些学者将矩阵分解的思想引入到深度学习中,提出了一些基于深度学习方法的矩阵分解模型,包括DMF,NCF等。
现有技术的不足:
近些年来有大量基于深度学习的矩阵分解推荐方法被提出来,不幸的是,这些推荐方法的训练过程需要大量的时间和算力,很难应用到工业界。一方面,大量场景下推荐方法的输入为用户项目二部图,而该二部图仅提供十分有限的信息量。另一方面,在数据***的情况下,如何在可接受时间范围内更新模型参数并提供有效的推荐显得尤为重要。
在传统推荐方法上的研究大多围绕融入额外信息为创新点展开。例如在社交网络推荐***中,需要提供额外的社交边信息来提升用户的推荐性能。这也导致此类推荐方法具有很大的局限性,缺失社交边信息或是社交边信息噪声多的情况下无法做出有效的用户推荐。
综上所述,在用户-商品二部图中挖掘出更多有效的信息,不仅可以提升推荐***的推荐效果,同时可以很方便地移植到其他的推荐方法中,成为一个即插即用、提升推荐效果的有效工具。
发明内容
本发明针对现有技术的不足,提供了一种融入用户长短期兴趣表征隐式反馈的推荐***。本方法对基于矩阵分解的协同过滤方法的隐式反馈部分进行了改进,不仅考虑了用户商品二部图中用户浏览或评分商品的隐式反馈,还考虑兴趣相似用户的隐式反馈,实现快速并准确的为用户提供个性化推荐服务。本发明的通用性高,可以适用于大多数的推荐场景。
本发明公开的一种融入用户长短期兴趣表征隐式反馈的推荐方法,该方法包括:
步骤1:数据预处理,对获取的数据进行数据清洗,删除无用的冗余数据;
步骤2:构建用户正偏好商品序列、负偏好商品序列,构建用户-商品评分表R,在用户-商品评分表中的每一个用户按时间顺序筛选出高评分商品序列,低评分商品序列;
步骤3:构建商品上下文相关的正偏好表征向量,将用户的正偏好商品序列输入Word2Vec模型,得出每一件正偏好商品学习上下文相关的正偏好表征向量;
步骤4:构建用户时间相关的短期正偏好表征向量,将时间以特定步长划分为多个时间区间,在每个时间区间内融合特定用户的正偏好商品学习上下文相关的正偏好表征向量作为用户短期正偏好表征向量;
步骤5:构建用户在每个时间区间的正偏好相似用户集合;
计算两两用户在时间区间中的短期正偏好表征向量之间的余弦相似度,筛选相似度大于设定阈值的用户作为该用户在此时间区间中的正偏好相似用户集合;
步骤6:构建商品上下文相关的负偏好表征向量;
将用户的负偏好商品序列输入Word2Vec模型,得到每一件商品学习上下文相关的负偏好表征向量;
步骤7:构建用户时间相关的短期负偏好表征向量;
将时间以特定步长划分为多个时间区间,在每个时间区间内融合特定用户负偏好商品学习上下文相关的负偏好表征向量作为用户短期负偏好表征向量;
步骤8:构建用户在每个时间区间的负偏好相似用户集合;
计算两两用户在时间区间中的短期负偏好表征向量之间的余弦相似度,筛选相似度大于设定阈值的用户作为该用户在此时间区间中的负偏好相似用户集合;
步骤9:构建用户长期偏好相似用户集合;
仅保留用户-商品评分表中高于阈值的评分,及其对应的用户,利用归一化Google距离计算两两用户之间的正偏好相似性,采用相似性大于阈值的用户构建用户长期正偏好相似用户集合;
仅保留用户-商品评分表中于阈值的低评分,及其对应的用户,利用归一化Google距离计算两两用户之间的负偏好相似性,采用相似性大于阈值的用户构建用户长期负偏好相似用户集合;
步骤10:矩阵分解;
将原始评分矩阵进行基于改进后的目标函数矩阵分解,有R→Udim*Sdim*Vdim,R为原始用户-商品评分矩阵,Udim为用户-特征矩阵,表示用户与潜在特征之间的矩阵向量描述,Sdim为对角矩阵,表示降维后的奇异值矩阵,dim为降维维度,Vdim为商品-特征矩阵,表示商品与潜在特征之间的矩阵向量描述;
步骤11:评分预测;
表示用户u对商品i在时刻t的预测评分,Bu,t表示用户u在时刻t所属时间区间的用户评分偏移,即该用户评分与平均评分的差值,Bi,t表示商品i在时间t所属时间区间的商品评分偏移,即商品i在时间t所属时间区间内评分变化;μ为所有用户评分均值;Qi和Pu是商品i和用户u的隐向量,对任意用户u,用户历史评分商品记为Du,Yn为商品的隐式反馈,用于消除不同用户之间评分商品数量不同导致的偏差,NSu表示用户u长期负偏好相似用户集合,LHω为用户ω的长期负偏好表征,NSu,t表示在时间t所属的时间区间用户u的短期负偏好相似用户集合,PSu表示用户u长期正偏好相似用户集合,PSu,t表示在时间t所属的时间区间用户u的短期正偏好相似用户,目标函数求解,得到收敛后的评分预测模型;LHω为长期负偏好相似用户隐式反馈,SHω为短期负偏好相似用户隐式反馈,LPω表示长期正偏好相似用户隐式反馈,SPω表示短期正偏好相似用户隐式反馈,隐式反馈随机初始化,由方法学习得到;
目标函数为:
和现有的技术相比,本发明有益效果为:
1.本发明在没有引入额外信息的情况下,仅通过用户-商品评分矩阵为用户兴趣建模,相比于类似的矩阵分解推荐方法,预测准确度得到了显著提升。
2.本发明设计的方法模型收敛速度较快,通常模型训练四到六轮即可收敛。
3.用户-商品评分矩阵中不仅包含用户对物品的评分,还包含一些额外的用户隐式反馈信息,这些隐式反馈信息告诉我们用户对哪些物品进行了评分,它反映了用户的偏好,从中可挖掘出用户对某个特征的喜好程度。
4.本方法刻画用户长短期兴趣偏好,有效捕捉了用户随时间飘移的短期兴趣偏好,可以更准确的向用户推荐商品,同时推荐结果相较原方法可解释性更强。
5.本方法的方法时间复杂度相较于原方法并没有显著增长,对用户长短期兴趣偏好的表征都可以在预处理阶段完成,并且可以采用并行计算的方法对模型进行训练,计算速度较快,在海量数据的情况下也可以短时间计算出结果。
6.本发明方法为一个即插即用的方法,可以快速嵌入到一个现有***中,提升现有推荐***的推荐准确度。
7.本发明方法运用领域广泛,可以移植到各种不同的推荐领域中,如音乐推荐,书籍推荐等。
附图说明
图1为本发明的方法工作流程图。
图2为本发明的推荐***流程图。
图3为本发明与SVD++方法的RMSE对比图。
图4为本发明与SVD++方法的MAE对比图。
图5为本发明短期偏好表征方法流程图。
图6为本发明长期偏好表征方法流程图。
具体实施方案
为使本发明的目的、技术方案和有点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
本发明详细的工作流程为:
1.将数据库或其他格式的数据中用户对商品的评分信息转化成用户-商品评分矩阵表R。其中,用户-商品评分矩阵表R中行唯一标识一名用户u,列唯一标识一件商品i,用户u在时刻t对商品i的评分记为Rui(t)。
3.将作为正偏好商品Word2Vec模型的训练语料,设置合适训练窗口,得出每一件商品的短期正偏好嵌入表示其中为用户i的正偏好商品序列,为商品i的局部正偏好表征向量,为商品局部正偏好表征向量的第i个分量。
4.将时间以步长k划分为多个时间区间T={[t0,tk],…,[ti*k,t(i+1)*k],…,[tl*k,tmax]},表征用户在每个时间区间的正偏好,构建用户与时间相关的短期正偏好表征向量。筛选用户在Ti中的正偏好商品序列用户在时间区间Ti的短期正偏好表征向量为其中为商品Ici的短期正偏好表征向量。
6.将作为负偏好商品Word2Vec模型的训练语料,设置合适训练窗口,得出每一件商品的局部负偏好嵌入表示其中为第i名用户的负偏好商品序列,为第i件商品的局部负偏好表征向量,为负偏好表征向量的第i个分量。
7.将时间以步长p划分为多个时间区间T={[t0,tp],…,[ti*p,t(i+1)*p],…,[tl*p,tmax]},表征用户在每个时间区间的负偏好,构建用户与时间相关的短期负偏好表征向量。筛选用户在Ti中的负偏好商品序列用户在时间区间Ti的短期负偏好为 其中为商品Ici的短期负偏好表征。
9.保留用户-商品评分表R高于最高评分70%的商品评分,得到用户正偏好矩阵RL。计算用户之间的正偏向的相似性,为每一位用户以与其他用户的相似性由高到低构建用户的长期正偏好相似用户集合用户正偏向的相似性由归一化Google距离(NGD)计算得出,具体计算方法为:
其中,f(x)和f(y)是用户x与用户y在用户偏好矩阵RL出现次数,f(x,y)是用户x与用户y在同一列中出现的次数。
归一化Google距离刻画了正偏好矩阵RL中用户之间的相似性,即两个用户的正偏好的商品是否大量重叠;重叠越多,说明用户之间的相关性越高,归一化Google距离越小。反之,若归一化Google距离越大,说明两位用户之间的相似度越低。
10.保留用户-商品评分表R低于最高评分30%的商品评分,得到用户负偏好矩阵RH。与步骤10类似,以归一化Google距离为指标,计算用户之间的负偏向的相似性,为每一位用户与其他用户的归一化Google距离相似性由高到低构建用户的长期负偏好相似用户集合
11.将原始评分矩阵进行基于改进后的目标函数矩阵分解,有R→Udim*Sdim*Vdim,R为原始用户-商品评分矩阵,Udim为用户-特征矩阵,表示用户与潜在特征之间的矩阵向量描述,Sdim为对角矩阵,表示降维后的奇异值矩阵,dim为降维维度,Vdim为商品-特征矩阵,表示商品与潜在特征之间的矩阵向量描述。
改进后的SVD++预测函数为:
表示用户u对商品i在时刻t的预测评分,Bu,t表示用户u在时刻t所属时间区间的用户评分偏移,Bi,t表示商品i在时间t所属时间区间的商品评分偏移。μ为所有用户评分均值。Qi和Pu是商品i和用户u的隐向量。对任意用户u,用户历史评分商品记为Du,Yn为商品的隐式反馈。用于消除不同用户之间评分商品数量不同导致的偏差。类似的,该技巧也应用到了短期相似用户隐式反馈、长期相似用户隐式反馈的计算中。
将训练数据按该目标函数的求解,得到收敛后的评分预测模型。
以上所述,仅为本发明的具体实施方案,本说明说中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和步骤以外,均可以任何方式组合。
Claims (1)
1.一种融入用户长短期兴趣表征隐式反馈的推荐方法,该方法包括:
步骤1:数据预处理,对获取的数据进行数据清洗,删除无用的冗余数据;
步骤2:构建用户正偏好商品序列、负偏好商品序列,构建用户-商品评分表R,在用户-商品评分表中的每一个用户按时间顺序筛选出高评分商品序列,低评分商品序列;
步骤3:构建商品上下文相关的正偏好表征向量,将用户的正偏好商品序列输入Word2Vec模型,得出每一件正偏好商品学习上下文相关的正偏好表征向量;
步骤4:构建用户时间相关的短期正偏好表征向量,将时间以特定步长划分为多个时间区间,在每个时间区间内融合特定用户的正偏好商品学习上下文相关的正偏好表征向量作为用户短期正偏好表征向量;
步骤5:构建用户在每个时间区间的正偏好相似用户集合;
计算两两用户在时间区间中的短期正偏好表征向量之间的余弦相似度,筛选相似度大于设定阈值的用户作为该用户在此时间区间中的正偏好相似用户集合;
步骤6:构建商品上下文相关的负偏好表征向量;
将用户的负偏好商品序列输入Word2Vec模型,得到每一件商品学习上下文相关的负偏好表征向量;
步骤7:构建用户时间相关的短期负偏好表征向量;
将时间以特定步长划分为多个时间区间,在每个时间区间内融合特定用户负偏好商品学习上下文相关的负偏好表征向量作为用户短期负偏好表征向量;
步骤8:构建用户在每个时间区间的负偏好相似用户集合;
计算两两用户在时间区间中的短期负偏好表征向量之间的余弦相似度,筛选相似度大于设定阈值的用户作为该用户在此时间区间中的负偏好相似用户集合;
步骤9:构建用户长期偏好相似用户集合;
仅保留用户-商品评分表中高于阈值的评分,及其对应的用户,利用归一化Google距离计算两两用户之间的正偏好相似性,采用相似性大于阈值的用户构建用户长期正偏好相似用户集合;
仅保留用户-商品评分表中于阈值的低评分,及其对应的用户,利用归一化Google距离计算两两用户之间的负偏好相似性,采用相似性大于阈值的用户构建用户长期负偏好相似用户集合;
步骤10:矩阵分解;
将原始评分矩阵进行基于改进后的目标函数矩阵分解,有R→Udim*Sdim*Vdim,R为原始用户-商品评分矩阵,Udim为用户-特征矩阵,表示用户与潜在特征之间的矩阵向量描述,Sdim为对角矩阵,表示降维后的奇异值矩阵,dim为降维维度,Vdim为商品-特征矩阵,表示商品与潜在特征之间的矩阵向量描述;
步骤11:评分预测;
表示用户u对商品i在时刻t的预测评分,Bu,t表示用户u在时刻t所属时间区间的用户评分偏移,即该用户评分与平均评分的差值,Bi,t表示商品i在时间t所属时间区间的商品评分偏移,即商品i在时间t所属时间区间内评分变化;μ为所有用户评分均值;Qi和Pu是商品i和用户u的隐向量,对任意用户u,用户历史评分商品记为Du,Yn为商品的隐式反馈,用于消除不同用户之间评分商品数量不同导致的偏差,NSu表示用户u长期负偏好相似用户集合,LHω为用户ω的长期负偏好表征,NSu,t表示在时间t所属的时间区间用户u的短期负偏好相似用户集合,PSu表示用户u长期正偏好相似用户集合,PSu,t表示在时间t所属的时间区间用户u的短期正偏好相似用户,目标函数求解,得到收敛后的评分预测模型;LHω为长期负偏好相似用户隐式反馈,SHω为短期负偏好相似用户隐式反馈,LPω表示长期正偏好相似用户隐式反馈,SPω表示短期正偏好相似用户隐式反馈,隐式反馈随机初始化,由方法学习得到;
目标函数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210639035.4A CN115204967A (zh) | 2022-06-07 | 2022-06-07 | 一种融入用户长短期兴趣表征隐式反馈的推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210639035.4A CN115204967A (zh) | 2022-06-07 | 2022-06-07 | 一种融入用户长短期兴趣表征隐式反馈的推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115204967A true CN115204967A (zh) | 2022-10-18 |
Family
ID=83576942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210639035.4A Pending CN115204967A (zh) | 2022-06-07 | 2022-06-07 | 一种融入用户长短期兴趣表征隐式反馈的推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204967A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501966A (zh) * | 2023-04-28 | 2023-07-28 | 浙江纳里数智健康科技股份有限公司 | 5g应用领域中一种考虑用户正负隐式反馈关联的医疗资讯推荐方法 |
CN118013137A (zh) * | 2024-04-09 | 2024-05-10 | 华侨大学 | 一种基于隐式反馈的协同过滤算法的优化策略 |
-
2022
- 2022-06-07 CN CN202210639035.4A patent/CN115204967A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501966A (zh) * | 2023-04-28 | 2023-07-28 | 浙江纳里数智健康科技股份有限公司 | 5g应用领域中一种考虑用户正负隐式反馈关联的医疗资讯推荐方法 |
CN116501966B (zh) * | 2023-04-28 | 2023-11-14 | 浙江纳里数智健康科技股份有限公司 | 5g应用领域中一种考虑用户正负隐式反馈关联的医疗资讯推荐方法 |
CN118013137A (zh) * | 2024-04-09 | 2024-05-10 | 华侨大学 | 一种基于隐式反馈的协同过滤算法的优化策略 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503531B (zh) | 时序感知的动态社交场景推荐方法 | |
CN107563841B (zh) | 一种基于用户评分分解的推荐*** | |
CN108665323B (zh) | 一种用于理财产品推荐***的集成方法 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及*** | |
CN112115377B (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
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 | |
CN107944035B (zh) | 一种融合视觉特征和用户评分的图像推荐方法 | |
CN111523047A (zh) | 基于图神经网络的多关系协同过滤算法 | |
CN111881363B (zh) | 一种基于图交互网络的推荐方法 | |
CN115204967A (zh) | 一种融入用户长短期兴趣表征隐式反馈的推荐方法 | |
CN111881342A (zh) | 一种基于图孪生网络的推荐方法 | |
CN105809473B (zh) | 匹配模型参数的训练方法、服务推荐方法及对应装置 | |
CN109933720B (zh) | 一种基于用户兴趣自适应演化的动态推荐方法 | |
CN109902823B (zh) | 一种基于生成对抗网络的模型训练方法及设备 | |
CN110442618B (zh) | 融合专家信息关联关系的卷积神经网络评审专家推荐方法 | |
CN108920709B (zh) | 基于随机森林修正的大数据下改进协同过滤推荐方法 | |
CN112380433A (zh) | 面向冷启动用户的推荐元学习方法 | |
Chen et al. | Improved course recommendation algorithm based on collaborative filtering | |
CN115618101A (zh) | 基于负反馈的流媒体内容推荐方法、装置及电子设备 | |
CN104572915B (zh) | 一种基于内容环境增强的用户事件相关度计算方法 | |
CN114298783A (zh) | 基于矩阵分解融合用户社交信息的商品推荐方法及*** | |
Chen et al. | A fuzzy matrix factor recommendation method with forgetting function and user features | |
CN114840745A (zh) | 一种基于图表征学习和深度语义匹配模型的个性化推荐方法及*** | |
CN114676315A (zh) | 基于增强图卷积的属性融合交互推荐模型构建方法及*** | |
CN111897999B (zh) | 一种用于视频推荐且基于lda的深度学习模型构建方法 |
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 |