[發明專利]社交網絡事件推薦方法、系統、設備及存儲介質

有效

• 申請號: 202110264628.2
• 申請日: 2021-03-11
• 公開（公告）號: CN113094593B
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 孫鶴立;姜曉龍;何亮
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06N3/0464;G06N3/047
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 崔方方

1.一種社交網絡事件推薦方法，其特征在于，包括以下步驟：

獲取社交網絡的待推薦用戶以及各待推薦事件；

將待推薦用戶分別與各待推薦事件進行組合，得到若干用戶-事件組；

將各用戶-事件組分別輸入預設的基于元圖和注意力網絡的評分預測模型，得到各用戶-事件組的評分；

根據各用戶-事件組的評分，選取評分前預設數量高的用戶-事件組，并將選取的用戶-事件組中的待推薦事件推薦給待推薦用戶；

所述基于元圖和注意力網絡的評分預測模型通過如下方式構建：

獲取社交網絡內各主體間交互關系的歷史數據，得到歷史交互數據，其中，所述主體至少包括用戶及事件；根據歷史交互數據，構建若干用于表示用戶與事件之間關系的元圖，并計算各元圖的元圖交換矩陣；

根據歷史交互數據，獲取社交網絡的歷史正用戶-事件交互數據集以及歷史負用戶-事件交互數據集；

將元圖交換矩陣和歷史正用戶-事件交互數據集輸入預設的用戶特征生成器，得到用戶特征矩陣；將元圖交換矩陣和歷史正用戶-事件交互數據集以及元圖交換矩陣和歷史負用戶-事件交互數據集分別輸入預設的事件特征生成器，得到正事件特征矩陣和負事件特征矩陣；逐個遍歷各元圖交換矩陣，得到若干用戶特征矩陣、若干正事件特征矩陣及若干負事件特征矩陣；

將若干用戶特征矩陣、若干正事件特征矩陣及若干負事件特征矩陣分別通過注意力網絡進行融合，得到融合用戶特征矩陣、融合正事件特征矩陣以及融合負事件特征矩陣；

構建基于因子分解機的初始評分預測模型，將融合用戶特征矩陣和融合正事件特征矩陣輸入初始評分預測模塊，得到正事件評分值；將融合用戶特征矩陣及融合負事件特征矩陣輸入初始評分預測模塊，得到負事件評分值；

以正事件評分值與負事件評分值的差值最大化為目標構建目標函數，根據目標函數更新用戶特征生成器、事件特征生成器、注意力網絡及初始評分預測模型的參數，至初始評分預測模型收斂，得到基于元圖和注意力網絡的評分預測模型。

2.根據權利要求1所述的社交網絡事件推薦方法，其特征在于，所述主體包括用戶、事件、群組、位置以及主題；所述元圖包括基于位置的用戶-事件元圖UEVE、基于群組的用戶-事件元圖UEGE、基于用戶-事件歷史交互數據的用戶-事件元圖UEUE、基于群組興趣的用戶-事件元圖UTGE以及基于用戶興趣與用戶-事件歷史交互數據的用戶-事件元圖UT(E)UE。

3.根據權利要求2所述的社交網絡事件推薦方法，其特征在于，所述計算各元圖的元圖交換矩陣的具體方法為：

UEVE的元圖交換矩陣M¹＝UE*EV*(EV)^T；UEGE的元圖交換矩陣M²＝UE*EG*(EG)^T；UEUE的元圖交換矩陣M³＝UE*(UE)^T*(UE)；UTGE的元圖交換矩陣M⁴＝UT*(GT)^T*(EG)^T；UT(E)UE的元圖交換矩陣M⁵＝((UT*(UT)^T)⊙(UE*(UE)^T))*UE；

其中，UE表示用戶-事件交互矩陣，如果用戶u參加了事件j，UE的第u行第j列為1，否則為0，EV表示事件-位置交互矩陣，如果事件j發生在地點v，EV的第j行第v列為1，否則為0，EG表示事件-群組交互矩陣，如果事件j為群組g發布的，EG的第j行第g列為1，否則為0，UT表示用戶-主題交互矩陣，如果用戶u的興趣標簽包含主題t，則UT的第u行第t列為1，否則為0，GT表示群組-主題交互矩陣，如果群組g的興趣標簽包含主題t，則GT的第g行第t列為1，否則為0，T表示矩陣的轉置運算，*表示矩陣相乘，⊙表示哈達瑪積。

4.根據權利要求1所述的社交網絡事件推薦方法，其特征在于，所述用戶特征生成器與事件特征生成器均通過卷積神經網絡構建。