[發(fā)明專利]一種基于動(dòng)態(tài)路由圖網(wǎng)絡(luò)的會(huì)話社交推薦方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011485750.4
• 申請(qǐng)日: 2020-12-16
• 公開(kāi)（公告）號(hào): CN112528165A
• 公開(kāi)（公告）日: 2021-03-19
• 發(fā)明（設(shè)計(jì)）人: 顧盼
• 申請(qǐng)（專利權(quán)）人: 中國(guó)計(jì)量大學(xué)
• 主分類號(hào): G06F16/9536
• 分類號(hào): G06F16/9536;G06Q50/00;G06N3/04;G06Q30/06
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明公開(kāi)了一種基于動(dòng)態(tài)路由圖網(wǎng)絡(luò)的會(huì)話社交推薦方法。該方法基于給定用戶歷史交互序列和社交網(wǎng)絡(luò)關(guān)系，對(duì)用戶的興趣和社交影響進(jìn)行建模，來(lái)推薦用戶在下一步最可能感興趣的物品。本方法主要由五個(gè)部分組成：第一部分是將所有用戶序列分成會(huì)話序列，并采用長(zhǎng)短期記憶網(wǎng)絡(luò)生成會(huì)話向量表征，目標(biāo)用戶當(dāng)前會(huì)話向量表征即當(dāng)前興趣向量表征。第二部分是采用注意力機(jī)制，得到和目標(biāo)用戶當(dāng)前興趣相關(guān)的那部分長(zhǎng)期興趣。第三部分是采用動(dòng)態(tài)路由圖網(wǎng)絡(luò)從社交網(wǎng)絡(luò)中得到朋友對(duì)目標(biāo)用戶的社交影響。第四部分是集合用戶當(dāng)前興趣、長(zhǎng)期興趣和社交影響，預(yù)測(cè)用戶下一個(gè)點(diǎn)擊的物品。

技術(shù)領(lǐng)域

本發(fā)明屬于互聯(lián)網(wǎng)服務(wù)技術(shù)領(lǐng)域，尤其是涉及一種基于動(dòng)態(tài)路由圖網(wǎng)絡(luò)的會(huì)話社交推薦方法。

背景技術(shù)

很多在線平臺(tái)，例如Yelp、Epinions等，允許用戶在平臺(tái)上分享自己的興趣和經(jīng)歷，以及和其他用戶進(jìn)行互動(dòng)。用戶在平臺(tái)上的行為信息非常豐富，通常來(lái)說(shuō)用戶的興趣是多樣和多變的。很多社交推薦方法在推薦物品的時(shí)候，同時(shí)考慮用戶的短期興趣、長(zhǎng)期興趣和社交影響，可以降低數(shù)據(jù)的稀疏度。將用戶交互行為數(shù)據(jù)和用戶的社交網(wǎng)絡(luò)進(jìn)行互補(bǔ)地結(jié)合，提高個(gè)性化推薦方法準(zhǔn)確度是本發(fā)明的出發(fā)點(diǎn)。

大多數(shù)社交推薦方法采用矩陣分解模型，將用戶的社交網(wǎng)絡(luò)和用戶的交互網(wǎng)絡(luò)結(jié)合起來(lái)建模。近幾年，隨著圖卷積網(wǎng)絡(luò)(GCN)的發(fā)展，有些學(xué)者開(kāi)始使用圖卷積網(wǎng)絡(luò)來(lái)學(xué)習(xí)朋友對(duì)目標(biāo)用戶的社交影響。如song等人采用GraphSAGE得到朋友對(duì)目標(biāo)用戶的社交影響，GraphSAGE是Hamilton等人提出的一種圖卷積網(wǎng)絡(luò)方法，它不需要輸入所有用戶的社交網(wǎng)絡(luò)矩陣，是一種時(shí)間復(fù)雜度換空間復(fù)雜度的圖方法。同時(shí)，song采用固定的用戶向量矩陣來(lái)表示用戶的長(zhǎng)期興趣，用戶向量矩陣通過(guò)模型訓(xùn)練更新。

以上方法雖然取得不錯(cuò)的效果，但是采用用戶向量矩陣這種靜態(tài)表示方式來(lái)建模用戶的長(zhǎng)期興趣，忽視了用戶興趣的動(dòng)態(tài)變化，該方法的實(shí)驗(yàn)證明在用戶興趣動(dòng)態(tài)變化場(chǎng)景中，用戶的長(zhǎng)期興趣表征效果甚微。本方法改進(jìn)用戶的長(zhǎng)期興趣表征方法，采用注意力機(jī)制從用戶歷史會(huì)話序列中抽取和用戶當(dāng)前興趣相關(guān)的那部分長(zhǎng)期興趣。另外，有些方法使用原始圖網(wǎng)絡(luò)對(duì)用戶和用戶的朋友之間的關(guān)系進(jìn)行建模，忽略了不同朋友對(duì)用戶影響的差異性。Song等人在圖網(wǎng)絡(luò)中加入注意力機(jī)制，使得不同的朋友對(duì)用戶的社交影響不同。但是該方法忽視了一個(gè)重要事實(shí)，某個(gè)朋友對(duì)目標(biāo)用戶的影響不僅和該朋友和目標(biāo)用戶有關(guān)，還和目標(biāo)用戶的其他朋友有關(guān)。本方法改進(jìn)圖網(wǎng)絡(luò)的信息傳遞模，借鑒動(dòng)態(tài)路由中的信息傳遞方法，由目標(biāo)用戶和目標(biāo)用戶的所有朋友共同決定每個(gè)朋友對(duì)目標(biāo)用戶的影響程度。最后結(jié)合用戶當(dāng)前興趣、長(zhǎng)期興趣和社交影響，預(yù)測(cè)用戶下一個(gè)點(diǎn)擊的物品。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題是給定用戶歷史交互序列和社交網(wǎng)絡(luò)關(guān)系，對(duì)用戶的興趣和社交影響進(jìn)行建模，來(lái)推薦用戶在下一步最可能感興趣的物品。本方法通過(guò)對(duì)用戶當(dāng)前興趣、長(zhǎng)期興趣和社交影響進(jìn)行建模，來(lái)預(yù)測(cè)用戶下一個(gè)點(diǎn)擊的物品。為此，本發(fā)明采用以下技術(shù)方案：

一種基于動(dòng)態(tài)路由圖網(wǎng)絡(luò)的會(huì)話社交推薦方法，包括以下步驟：

構(gòu)建目標(biāo)用戶u_i的社交網(wǎng)絡(luò)G，令：

G＝{U,E}

其中，U表示社交網(wǎng)絡(luò)中目標(biāo)用戶u_i的朋友集合，E是目標(biāo)用戶的社交連接。

使用長(zhǎng)短期記憶網(wǎng)絡(luò)生成會(huì)話向量表征，目標(biāo)用戶當(dāng)前會(huì)話向量表征即是當(dāng)前興趣向量表征。構(gòu)建用戶會(huì)話向量表征，任一會(huì)話表示為s＝{v₁,v₂,…,v_n}。其中v_j是會(huì)話中第j個(gè)物品。構(gòu)建用戶會(huì)話向量表征采用長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)：

z_s＝LSTM(Q(:,s))

其中，Q是物品的向量矩陣，Q(:,s)代表出現(xiàn)在會(huì)話s中所有的物品向量。LSTM具體公式為：