[發(fā)明專利]一種融合結(jié)構(gòu)特征和隱式反饋的個(gè)性化推薦方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710860524.1
• 申請(qǐng)日: 2017-09-21
• 公開（公告）號(hào): CN107766439A
• 公開（公告）日: 2018-03-06
• 發(fā)明（設(shè)計(jì)）人: 王麒誠;龔澤鑫;厲紫陽;沈徐蘭;馮盧夢(mèng);邢白夕
• 申請(qǐng)（專利權(quán)）人: 漢鼎宇佑互聯(lián)網(wǎng)股份有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30;G06N5/02;G06Q30/02
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙)33240
• 代理人: 朱月芬

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)軟件技術(shù)領(lǐng)域，具體是一種融合結(jié)構(gòu)特征和隱式反饋的個(gè)性化推薦方法。

背景技術(shù)

隨著物聯(lián)網(wǎng)、電子商務(wù)和社會(huì)網(wǎng)絡(luò)等技術(shù)的迅猛發(fā)展，網(wǎng)絡(luò)空間中所蘊(yùn)含的信息呈指數(shù)級(jí)增長(zhǎng)，導(dǎo)致“信息過載”。在此背景下推薦系統(tǒng)應(yīng)運(yùn)而生，并且得到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注并加以應(yīng)用，取得了許多相關(guān)的研究成果。推薦系統(tǒng)的核心是推薦算法，它通過挖掘用戶與項(xiàng)目之間的二元關(guān)系，幫助用戶從海量數(shù)據(jù)中便捷發(fā)現(xiàn)其感興趣的對(duì)象(如信息、服務(wù)、物品等)，并生成個(gè)性化推薦列表以滿足其興趣偏好。目前，推薦系統(tǒng)主要應(yīng)用于在線電子商務(wù)(如Netflix、Amazon、eBay、阿里巴巴、豆瓣等)，信息檢索(如Google、Yahoo、百度等)等各個(gè)領(lǐng)域。

在不同的推薦策略中，基于協(xié)同過濾的推薦方法通過利用用戶的歷史交互或偏好，已經(jīng)取得重大成功。然而，用戶和項(xiàng)目交互非常稀疏的時(shí)候，協(xié)同過濾的性能通常受到限制，這種情況在項(xiàng)目集非常大的在線購物網(wǎng)站是很普遍的。此外，協(xié)同過濾的方法也面臨著“冷啟動(dòng)”問題的考驗(yàn)，例如對(duì)于系統(tǒng)中的新用戶沒有任何瀏覽或者購買記錄，就無法刻畫其特征，進(jìn)而無法進(jìn)行推薦物品匹配。有幸地是，結(jié)合協(xié)同過濾和諸如項(xiàng)目?jī)?nèi)容的輔助信息的混合推薦系統(tǒng)為這一問題的解決帶來契機(jī)，這也是本發(fā)明專利的主要目的和手段。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種融合結(jié)構(gòu)特征和隱式反饋的個(gè)性化推薦方法。本發(fā)明推薦效果好，且能實(shí)現(xiàn)個(gè)性化推薦。

本發(fā)明基于推薦項(xiàng)目的結(jié)構(gòu)特征和用戶的隱式反饋，即運(yùn)用知識(shí)庫嵌入方法，從知識(shí)庫中提取結(jié)構(gòu)化知識(shí)的特征表示，然后將用戶和項(xiàng)目之間的隱式反饋和知識(shí)庫的結(jié)構(gòu)嵌入整合到一起，通過協(xié)同學(xué)習(xí)的方式來向每個(gè)用戶推薦他感興趣的項(xiàng)目的排序列表，當(dāng)給定任意用戶i以及待推薦列表L(由待推薦候選產(chǎn)品組成)，推薦模型可以生成L的排序L^*，L^*應(yīng)盡可能地將用戶將要選擇的產(chǎn)品排在其他產(chǎn)品前面。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案，其整體框架如圖2所示。具體包括以下步驟：

步驟1、使用邏輯乙型函數(shù)函數(shù)來計(jì)算成對(duì)三元組的排序概率，從而得到項(xiàng)目實(shí)體的結(jié)構(gòu)嵌入向量v_j，用結(jié)構(gòu)嵌入向量來表示項(xiàng)目實(shí)體在知識(shí)庫中的結(jié)構(gòu)知識(shí)。

知識(shí)庫通常被表示為具有多種類型的實(shí)體和多種類型的鏈接的異構(gòu)網(wǎng)絡(luò)，這種異構(gòu)網(wǎng)絡(luò)表達(dá)了知識(shí)庫中最重要的結(jié)構(gòu)信息，也可以被看作是“結(jié)構(gòu)知識(shí)”。對(duì)于這種結(jié)構(gòu)知識(shí)，為了完成對(duì)個(gè)性化排序任務(wù)的貝葉斯建模方法，使用邏輯乙型函數(shù)函數(shù)來計(jì)算成對(duì)三元組的排序概率，而不是原來的基于邊際的目標(biāo)函數(shù)，從而將TransR拓展到Bayesian TransR，通過Bayesian TransR的方式計(jì)算概率σ(f_r(v_h,v_t)-f_r(v_h,v′_t))，從而得到項(xiàng)目實(shí)體的結(jié)構(gòu)嵌入向量v_j，用來表示項(xiàng)目實(shí)體在知識(shí)庫中的結(jié)構(gòu)知識(shí)。

步驟2、對(duì)于每個(gè)推薦項(xiàng)目，從用戶的“隱式反饋”行為(如歷史購買記錄)中推斷排序的場(chǎng)景，具體如下：

2-1.假設(shè)有m個(gè)用戶和n個(gè)項(xiàng)目，定義用戶隱式反饋矩陣為：

R_i,j＝1表示用戶i對(duì)與項(xiàng)目j有隱式反饋記錄，例如，用戶評(píng)價(jià)了一家店鋪或者用戶搜索了一家店鋪。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(shí)際喜歡這個(gè)項(xiàng)目。同樣，這里的0不代表用戶不喜歡這個(gè)項(xiàng)目，卻可以看作是負(fù)面反饋(用戶對(duì)這些項(xiàng)目不敢興趣)和潛在交互(用戶不知道這些項(xiàng)目)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(xiàng)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(píng)分來優(yōu)化用戶對(duì)物品的排序。具體的：

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

e_j＝η_j+v_j