[發明專利]融合用戶點擊行為和用戶興趣偏好的多任務電視節目推薦方法

有效

• 申請號: 202010043739.6
• 申請日: 2020-01-15
• 公開（公告）號: CN111382350B
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 周怡潔;沈學文;俞定國
• 申請（專利權）人: 浙江傳媒學院
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/08;G06N3/04
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 陳升華

1.一種融合用戶點擊行為和用戶興趣偏好的多任務電視節目推薦方法，其特征在于，包括以下步驟：

S101：獲取用戶的電視節目點擊行為序列和用戶的興趣偏好；

S102：對用戶的電視節目點擊行為序列中的每一特征和用戶的興趣偏好中的每一特征進行啞變量編碼，并構建多任務模型的共享嵌入層，將編碼后的特征信息進行降維，獲取用戶的電視節目點擊行為序列的特征向量和用戶的興趣偏好的特征向量；

S103：根據步驟S102獲得的用戶的電視節目點擊行為序列的特征向量，利用注意力網絡和融合深度神經網絡的因式分解模型進行建模，構建目標函數L₁，預測用戶對節目的點擊率，獲得用戶對節目的點擊率；

目標函數L₁的構建具體包括：

用戶點擊行為預測采用注意力網絡和融合深度神經網絡的因式分解算法，對用戶的電視節目點擊行為序列的特征向量作交互疊加，疊加向量Z₁＝[u_i,m_j]，u_i表示第i個用戶的特征向量，m_j表示第j個電視節目的特征向量，疊加向量Z₁作為神經網絡的輸入層，預測網絡框架的計算方法為：

其中，g_A表示注意力網絡的輸出，g表示softmax函數，表示注意力網絡的權重系數，b_A表示注意力網絡中的偏置系數，h_out表示融合注意力網絡后的輸出，表示隱藏層和注意力網絡疊加后神經網絡的權重系數，b_CA表示隱藏層和注意力網絡疊加后神經網絡的偏置系數，f為隱藏層的激活函數Relu或者隱藏層的激活函數Tanh，表示隱藏層第L層的權重系數，b_L為隱藏層第L層的偏置系數，表示隱藏層第1層的權重系數，b₁為隱藏層第1層的偏置系數，表示神經網絡層和注意力網絡層向量的疊加，為用戶點擊行為預測值，σ為神經網絡輸出層的激活函數sigmoid，目的是為了把預測值限制在區間[0,1]；

根據預測值得到目標函數L₁：

其中，y_ij-click表示第i個用戶對第j個電視節目點擊行為的真實值；

S104：根據步驟S102獲得的用戶的興趣偏好的特征向量，利用注意力網絡和融合神經網絡的因子分解機模型進行建模，構建目標函數L₂，預測用戶對節目的偏好程度，獲得用戶對節目的偏好程度；

根據步驟S102獲得的用戶的興趣偏好的特征向量，采用注意力網絡和融合神經網絡的因子分解機模型進行建模，構建目標函數L₂，具體包括：

(a)：提取用戶的興趣偏好的特征向量中的用戶和節目的特征向量，記為v_i，表示第i個特征的特征向量；

(b)：構建用戶興趣偏好的預測值的函數，如式(6)-(9)所示，根據式(6)-(9)得到用戶興趣偏好的預測值；

其中，h₁表示一階特征項的輸出，n表示用戶的興趣偏好的特征個數，w_i為第i個特征權重，x_i為用戶的興趣偏好的第i個特征值，h₂表示特征二階特征交互項的輸出，v_i表示第i個特征的特征向量，v_j表示第j個特征的特征向量，x_j表示用戶的興趣偏好的第j個特征值，g_B表示注意力網絡的輸出，g表示softmax函數，表示注意力網絡的權重系數，b_B表示注意力網絡中的偏置系數，[h₁,h₂]表示向量的疊加操作，表示隱藏層第L層的權重系數，b_L為隱藏層第L層的偏置系數，表示隱藏層第1層的權重系數，b₁為隱藏層第1層的偏置系數，表示用戶興趣偏好的預測值；

(c)：根據用戶興趣偏好的預測值和步驟S101獲取的用戶的興趣偏好，構建目標函數L₂，計算方法為：

其中，M為用戶與節目的交互數，m表示用戶對節目的第m次交互，表示第i個用戶對第j個電視節目的興趣偏好的預測值，y_ij-score表示第i個用戶對第j個電視節目的興趣偏好的真實值，y_ij-score從用戶的興趣偏好中獲取；

S105：采用目標函數L₁對步驟S103獲得的用戶對節目的點擊率迭代以及采用目標函數L₂對節目的偏好程度迭代，使其和最小，得到最佳的用戶對節目的點擊率和最佳的用戶對節目的偏好程度；

采用多任務目標函數計算使其和最小，多任務目標函數為：

其中，n表示任務的數量，L_total為多任務目標函數，L_i表示第i個任務的目標函數；

S106：根據步驟S105獲得的最佳的用戶對節目的點擊率和根據步驟S105獲得的最佳的用戶對節目的偏好程度，加權融合計算用戶對每個節目的興趣程度，進而對節目表里的所有未觀看過的節目根據用戶的興趣程度進行從大到小排序，并把興趣程度最高的多個節目推薦給目標用戶；

加權融合計算用戶對每個節目的興趣程度，具體包括：

通過對最佳的用戶對節目的點擊率和最佳的用戶對節目的偏好程度進行加權求和，預測用戶對未觀看的節目的興趣程度，按公式(12)進行計算：

其中，表示第i個用戶對第j個電視節目的總興趣分值，α表示用戶點擊行為的權重系數，表示第i個用戶對第j個電視節目的點擊預測值，表示第i個用戶對第j個電視節目的偏好程度預測值。