[發(fā)明專利]一種基于會話序列動態(tài)行為偏好耦合關(guān)系分析的推薦方法

在審

• 申請?zhí)枺?/td>: 202011138457.0
• 申請日: 2020-10-22
• 公開（公告）號: CN112269927A
• 公開（公告）日: 2021-01-26
• 發(fā)明（設(shè)計）人: 張全貴;王冠;李鑫
• 申請（專利權(quán)）人: 遼寧工程技術(shù)大學(xué)
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06K9/62;G06N3/08
• 代理公司: 北京華夏正合知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11017
• 代理人: 韓登營;韓惠琴

本發(fā)明公開了一種基于會話序列動態(tài)行為偏好耦合關(guān)系分析的推薦方法，包括數(shù)據(jù)采集和處理、劃分?jǐn)?shù)據(jù)集、構(gòu)建耦合模型、訓(xùn)練模型和項(xiàng)目推薦。本發(fā)明運(yùn)用了GNN算法學(xué)習(xí)了用戶及項(xiàng)目在會話序列內(nèi)的動態(tài)特征信息，使推薦系統(tǒng)具有更好的推薦效果和可解釋性，從非獨(dú)立同分布的角度探究用戶/項(xiàng)目之間的耦合關(guān)系，并考慮到了其中長短期動態(tài)耦合，利用耦合關(guān)系感知器捕獲了用戶/項(xiàng)目之間的動態(tài)耦合關(guān)系，提高了推薦的質(zhì)量和準(zhǔn)確度；將非獨(dú)立同分布及將時間因素作為動態(tài)特征結(jié)合到了協(xié)同過濾中，可以較好的解決數(shù)據(jù)稀疏性和冷啟動問題。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機(jī)人工智能的技術(shù)領(lǐng)域，尤其涉及一種基于會話序列動態(tài)行為偏好耦合關(guān)系分析的推薦方法。

背景技術(shù)

隨著個性化服務(wù)的快速發(fā)展，隨著用戶興趣的不斷發(fā)展，推薦系統(tǒng)的推薦準(zhǔn)確性也越來越高。然而，大多數(shù)傳統(tǒng)的推薦方法都隱含地假設(shè)用戶和項(xiàng)是獨(dú)立且同分布的(IID)。具體來說，他們忽略了用戶和項(xiàng)之間的復(fù)雜耦合性及異構(gòu)性，而考慮到非獨(dú)立同分布(Non-IID)的推薦系統(tǒng)幾乎沒有考慮到用戶特征及項(xiàng)目特征的耦合性關(guān)系，實(shí)際上用戶的評分喜好都會隨著時間有長短期的變化，項(xiàng)目對于大眾的受歡迎情況也會隨著時間而變化，例如，同一用戶的長期偏好與近期的喜好可能是相關(guān)的，這種動態(tài)的耦合關(guān)系可以更好的解釋用戶對項(xiàng)目的動態(tài)偏好，從而為用戶提供更準(zhǔn)確的推薦。

發(fā)明內(nèi)容

基于以上現(xiàn)有技術(shù)的不足，本發(fā)明所解決的技術(shù)問題在于提供一種基于會話序列動態(tài)行為偏好耦合關(guān)系分析的推薦方法，具有良好的推薦準(zhǔn)確度和可解釋性。

為了解決上述技術(shù)問題，本發(fā)明通過以下技術(shù)方案來實(shí)現(xiàn)：本發(fā)明提供一種基于會話序列動態(tài)行為偏好耦合關(guān)系分析的推薦方法，包括：

S1、數(shù)據(jù)采集和處理：在2015recsyschallenge網(wǎng)站下載Yoochoose數(shù)據(jù)集和在cikm2016網(wǎng)站下載Diginetica數(shù)據(jù)集，清理臟數(shù)據(jù)；

S2、劃分?jǐn)?shù)據(jù)集：將處理好的數(shù)據(jù)集按8:1:1的比例劃分為訓(xùn)練集、測試集和驗(yàn)證集；

S3、構(gòu)建耦合模型：用基于圖神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)用戶在行為會話中的動態(tài)偏好，用耦合關(guān)系感知器學(xué)習(xí)用戶與項(xiàng)目特征耦合關(guān)系，并將兩者融合進(jìn)行推薦；

S4、訓(xùn)練模型和項(xiàng)目推薦：步驟S2中所得到的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集分別用于訓(xùn)練和評估步驟S3構(gòu)建的耦合模型，考慮用戶/項(xiàng)目關(guān)于時間序列方面的動態(tài)偏好以及相應(yīng)用戶/項(xiàng)目特征信息之間的耦合關(guān)系，根據(jù)用戶對項(xiàng)目的預(yù)測評分判斷是否將項(xiàng)目推薦給用戶。

所述步驟S1的數(shù)據(jù)采集和處理的具體步驟如下：

S101、在2015recsyschallenge網(wǎng)站下載Yoochoose數(shù)據(jù)集和在cikm2016網(wǎng)站下載Diginetica數(shù)據(jù)集，做數(shù)據(jù)預(yù)處理，并清理臟數(shù)據(jù)；

S102、提取數(shù)據(jù)集中用戶/項(xiàng)目在長期和短期內(nèi)的行為信息及基本特征信息，將其轉(zhuǎn)化為向量。

進(jìn)一步的，所述步驟S3中構(gòu)建耦合模型的具體步驟如下：

S301、構(gòu)建輸入層：輸入層包括3個輸入內(nèi)容，用戶嵌入向量、項(xiàng)目嵌入向量及用戶的行為序列信息；

S302、構(gòu)建用戶喜好動態(tài)預(yù)測模型、用戶項(xiàng)目耦合關(guān)系分析模型以及基于會話序列動態(tài)行為偏好耦合關(guān)系分析的推薦方法；即構(gòu)建基于會話序列動態(tài)行為偏好耦合關(guān)系分析的推薦方法學(xué)習(xí)框架；

S303、構(gòu)建輸出層：預(yù)測用戶對項(xiàng)目的評分。

進(jìn)一步的，所述步驟S302中構(gòu)建用戶喜好動態(tài)預(yù)測模型、用戶項(xiàng)目耦合關(guān)系分析模型以及基于會話序列動態(tài)行為偏好耦合關(guān)系分析方法的具體步驟如下：

S302-1、構(gòu)建用戶喜好動態(tài)預(yù)測模型：通過輸入用戶的行為序列信息，連接圖神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)用戶的動態(tài)偏好；