[發(fā)明專利]一種基于用戶關系嵌入模型的下一個興趣點推薦方法

在審

• 申請?zhí)枺?/td>: 202010022487.9
• 申請日: 2020-01-09
• 公開（公告）號: CN111241419A
• 公開（公告）日: 2020-06-05
• 發(fā)明（設計）人: 柴瑞敏;殷臣;孟祥福;關昕;張霄雁;齊雪月;朱堯
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06N3/08;G06Q50/00
• 代理公司: 北京華夏正合知識產權代理事務所(普通合伙) 11017
• 代理人: 陳曉寧

本發(fā)明公開了一種基于用戶關系嵌入模型的下一個興趣點推薦方法，步驟為：根據(jù)朋友關系和用戶歷史簽到記錄數(shù)據(jù)分別建立朋友關系表和偏好相似關系表，通過這兩個表建立用戶關系圖；根據(jù)建立的用戶關系圖采用隨機游走算法得到用戶關系序列，用戶關系序列經過Word2Vec詞嵌入模型得到每個用戶的低緯嵌入向量；利用用戶的低緯嵌入向量對神經網絡的用戶嵌入層參數(shù)進行初始化，使用門控循環(huán)單元給出下一個興趣點推薦。本發(fā)明的基于用戶關系嵌入模型的下一個興趣點推薦方法將偏好相似關系引入到推薦模型中，增強了用戶關系的表示，解決了現(xiàn)有方法只考慮用戶朋友關系的片面性導致推薦模型的局限性問題，有效提高了推薦模型的準確率。

技術領域

本發(fā)明屬于神經網絡和推薦系統(tǒng)的技術領域，尤其涉及一種基于用戶關系嵌入模型的下一個興趣點推薦方法。

背景技術

隨著基于位置的社交網絡軟件(如gowalla，foursquare等)的普遍應用，大量的簽到信息已經被收集，利用這些豐富的簽到數(shù)據(jù)給推薦用戶感興趣的下一個興趣點(如景點，賓館，飯店等)將會提升用戶的服務體驗和用戶的忠誠度，同時也會給企業(yè)提升巨大的利潤。現(xiàn)有的推薦方法只考慮用戶的社交關系(即朋友關系)，這些研究是基于這種假設“在社交網絡中，朋友經常具有相同或相似的品味”。然而，朋友關系不能很好的表示用戶偏好，利用朋友關系進行推薦存在以下缺陷，比如(1)社交軟件上的朋友關系不能準確表示現(xiàn)實生活中的朋友關系，由于種種原因，在生活中為朋友關系的用戶可能并沒有在社交軟件中互加好友，并且社交軟件中兩個好友也存在彼此并不認識或者完全沒有聯(lián)系的情況；(2)兩個用戶為朋友關系他們可能具有不同的偏好，因此在推薦用戶訪問下一個興趣點的時候可能會受到朋友關系的負面影響。而且現(xiàn)有的研究都忽略非朋友關系，實際上，非朋友關系也能在一定程度上反應用戶相似的偏好。比如美食愛好者通常會訪問一些相同或者相似的興趣點，因此他們在歷史簽到興趣點中通常具有更多相同的訪問興趣點。

發(fā)明內容

針對現(xiàn)有技術無法對用戶關系進行有效的建模，忽略了偏好相似關系，本發(fā)明所解決的技術問題在于提供一種基于用戶關系嵌入模型的下一個興趣點推薦方法，能夠有效的對用戶關系進行建模，考慮復雜的用戶關系，通過利用本發(fā)明來整合用戶關系能夠有效提升推薦系統(tǒng)的準確率。

為了解決上述技術問題，本發(fā)明通過以下技術方案來實現(xiàn)：

本發(fā)明提供一種基于用戶關系嵌入模型的下一個興趣點推薦方法，包括以下步驟：

步驟S1：根據(jù)朋友關系和用戶歷史簽到記錄數(shù)據(jù)分別建立朋友關系表和偏好相似關系表，通過這兩個表建立用戶關系圖；

步驟S2：根據(jù)建立的用戶關系圖采用隨機游走算法得到用戶關系序列，用戶關系序列經過Word2Vec詞嵌入模型得到每個用戶的低緯嵌入向量；

步驟S3：利用用戶的低緯嵌入向量對神經網絡的用戶嵌入層參數(shù)進行初始化，使用門控循環(huán)單元給出下一個興趣點推薦。

可選的，所述步驟S1的具體步驟為：

S11、建立朋友關系表，朋友關系表由數(shù)據(jù)集提供的用戶朋友關系數(shù)據(jù)集建立；

S12、建立偏好相似關系表，偏好相似關系表由數(shù)據(jù)集中每個用戶歷史訪問過得興趣點的記錄建立，如果用戶訪問過某一個興趣點，那么偏好關系表中相應位置的數(shù)值為1，否則為0；

S13、建立用戶關系圖，用戶關系圖根據(jù)步驟S11中的朋友關系表和步驟S12中的偏好相似表得到。

進一步的，S21、根據(jù)用戶關系圖，首先從圖中的任意一個節(jié)點開始，利用n次隨機游走算法在此節(jié)點上進行隨機游走，隨機游走的步長為c，通過隨機游走算法，最終能夠得到n條序列長度為c的用戶關系序列；