[發明專利]一種基于生成對抗網絡的雙向動態推薦系統

有效

• 申請號: 202011101268.6
• 申請日: 2020-10-15
• 公開（公告）號: CN112395494B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 房笑宇;夏彬;曹陳涵;韓悅
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開了一種基于生成對抗網絡的雙向動態推薦方法，采用了兩個生成對抗網絡，其中一個訓練生成對抗網絡中的生成器并利用通用數據集學習主體選擇客體，另一個訓練生成對抗網絡中的生成器并利用通用數據集學習客體選擇主體的偏好，最后用訓練得到的已經收斂的生成對抗網絡分別對互惠推薦系統中的主體以及客體分別進行推薦，本發明能夠根據用戶相關性以及用戶選擇同時迭代，靈活地生成多個推薦選擇，對用戶的偏愛性捕捉更加敏捷。

技術領域

本發明涉及推薦系統技術領域，特別涉及一種基于生成對抗網絡的雙向動態推薦系統。

背景技術

隨著互聯網規模在不斷的擴大，其存在的信息在以指數級的速度快速增長，大量種類繁多且異常復雜的信息充斥在我們的周圍，同時也造成了信息過載現象的發生。用戶無法有效的汲取互聯網信息，許多有用的信息被“閑置”，不能及時的被用戶所發現，造成信息資源的嚴重浪費。

近年來，推薦系統領域發展迅速，現已深入到我們日常生活之中，例如網絡購物以及網絡招聘等場景。一種有效的推薦算法，可以幫助用戶快速找到所需的信息，從而大大提升信息的檢索效率。推薦策略是推薦系統中不可忽視的部分，基于用戶喜愛度對物體進行排名的Top-N推薦策略是當前比較流行的方法之一，各種基于Top-N策略的推薦算法在最近幾年層出不窮，核心思想是根據文本信息獲得用戶與商品之間相關性，并將其按遞減的順序進行排序，每個用戶可以得到獨立的個性化推薦列表，最終相關性排名最高的商品會被推薦給用戶。夏彬等人在Vrer:Contextbased venue recommendation using embeddedspace ranking SVM in location-based social network.Expert Syst.Appl.83:18–29,2017.中提出了一種將文本特征轉化到嵌入式空間之中的推薦算法。該算法使用支持向量機對用戶喜愛度進行分類，達到一種排序的目的，從而將排序問題轉變為基于支持向量機的分類任務。但是，隨著推薦算法的不斷發展，對于基于興趣點的推薦系統的需求變得越來越多樣且復雜，普通的Top-N推薦算法已經不能滿足需求。另外，E-learning系統的出現給推薦系統帶來了新的挑戰，不同的學習活動之間以及課程之間的復雜關系讓學生個體很難挑選到合適學習計劃。為此，吳等人在A fuzzy tree matchingbased personalized e-learning recommender system.以及A fuzzy tree matchingbased personalised e-learning recommender system.中提出了一種樹形結構的學習活動模型和學生資料模型以提供一種合適的課程學習方案。該算法不同于序列化的推薦算法，學生可以從有多個分支的樹形結構推薦方案中選擇符合他們要求的分支。曾等人在M-skyline:Taking sunkcost and alternative recommendation in consideration for skyline query onuncertain data.中提出了一種M-Skyline查詢模型，該模型在原推薦方案錯誤時提供其他可選的推薦方案以增加算法的魯棒性。

現有技術申請號為CN105279180A的專利中，公開了一種雙向推薦算法框架，該框架由三部分組成，分別是：框架的建立及更新、二分圖的分區和推薦推理。本發明提出了將用戶的相關屬性用一個二分圖來表示，分為自身屬性和全局屬性。自身屬性記錄的是用戶的共同愛好，而全局屬性管理的是整個交互網絡的質量。通過兩個真實數據集(網上約會和在線招聘)的實證評價，很好的證明了該框架的有效性。

現有的Top-N推薦算法假設用戶對排名最高的商品的喜愛度是最高的，非最高排名的商品是為了增加推薦的容錯率，換句話說，當相關性最高的商品不是用戶所喜愛的，那么依次推薦其他物品。但是，當傳統算法錯誤的預測用戶與物品的相關性時，就會導致每個推薦的物品都不是用戶所需要的，由此產生錯誤的推薦。此外，傳統算法所得到的相關性列表是靜態的，也就是說是非實時的，但是用戶對某個物品的喜愛度是變化的，從而導致傳統算法產生的推薦列表并不符合用戶現有的喜愛度。由此可見，現有采用Top-N策略的推薦算法存在諸多缺陷。

發明內容