[發明專利]一種融合結構特征和隱式反饋的個性化推薦方法

在審

• 申請號: 201710860524.1
• 申請日: 2017-09-21
• 公開（公告）號: CN107766439A
• 公開（公告）日: 2018-03-06
• 發明（設計）人: 王麒誠;龔澤鑫;厲紫陽;沈徐蘭;馮盧夢;邢白夕
• 申請（專利權）人: 漢鼎宇佑互聯網股份有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06N5/02;G06Q30/02
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙)33240
• 代理人: 朱月芬

1.一種融合結構特征和隱式反饋的個性化推薦方法，其特征在于包括以下步驟：

步驟1、使用邏輯乙型函數函數來計算成對三元組的排序概率，從而得到項目實體的結構嵌入向量v_j，用結構嵌入向量來表示項目實體在知識庫中的結構知識；

知識庫通常被表示為具有多種類型的實體和多種類型的鏈接的異構網絡，這種異構網絡表達了知識庫中最重要的結構信息，也被看作是“結構知識”；使用邏輯乙型函數函數來計算成對三元組的排序概率，將TransR拓展到Bayesian TransR，通過Bayesian TransR的方式計算概率σ(f_r(v_h,v_t)-f_r(v_h,v′_t))，從而得到項目實體的結構嵌入向量v_j，用來表示項目實體在知識庫中的結構知識；

步驟2、對于每個推薦項目，從用戶的“隱式反饋”行為中推斷排序的場景，具體如下：

2-1.假設有m個用戶和n個項目，定義用戶隱式反饋矩陣為：

Ri,j=1,if(userc i,item j)interactions have been observed;0,otherwise.]]>

R_i,j＝1表示用戶i對與項目j有隱式反饋記錄，用戶隱式反饋矩陣R中的1在隱式反饋中并不表示用戶實際喜歡這個項目；同樣，這里的0不代表用戶不喜歡這個項目，卻可能夠看作是負面反饋和潛在交互的混合體；

2-2.通過矩陣分解模型從定義的用戶隱式反饋矩陣中得到項目的潛在偏移向量η_j～N(0,λ_II)和u_i～N(0,λ_UI)；

步驟3、通過Bayesian Personalized Ranking利用用戶評分來優化用戶對物品的排序；具體的：

在用戶隱式反饋矩陣R中，當R_i,j＝1，R_i,j′＝0時，則表示比起項目j′，用戶i更加喜歡項目j，同時用p(j＞j′；i|θ)來表示用戶偏好的概率，并結合項目在知識庫中的結構嵌入表示和協同過濾中的潛在表示，重新定義項目的潛在向量表示為：

e_j＝η_j+v_j

所以，重新給出用戶偏好的概率為：

p(j>j′;i|θ)=σ(uiTej-uiTej′)]]>

其中θ是模型參數，向量u_i是在協同過濾中的用戶潛在偏移向量，是邏輯乙型函數；

步驟4、計算完整的后驗概率；

4-1.通過上述步驟得到要求的參數u、e、r和M，將最大化這些參數的后驗概率轉換成求解最大化對數似然函數的值，優化表達式如下：

L=Σ(i,j,j′)∈Dlnσ(uiTej-uiTej′)+Σ(vh,r,vt,vt′)∈Slnσ(||vhMr+r-vtMr||22-||vhMr+r-vt′Mr||22)-λU2Σi||ui||22-λI2Σj||ej-vj||22-λv2Σv||v||22-λM2Σr||Mr||22-λr2Σr||r||22]]>

4-2.為了最大化上面表達式的函數值，采用隨機梯度下降算法來進行模型訓練；在每次迭代中，對于隨機抽樣的三元組(i,j,j′)∈D，找到S_j,j′∈S滿足S_j,j′中的每個四元組都包含項目j和項目j′；

4-3.使用對應目標函數的梯度來對每個參數執行SGD更新；

4-4.給出最終的推薦排序標準，對于用戶i：

i:j1>j2>...>jn→uiTej1>uiTej2>...>uiTejn.]]>