[發(fā)明專利]一種基于用戶與物品多屬性交互面向隱式反饋的推薦方法

有效

• 申請?zhí)枺?/td>: 202110318014.8
• 申請日: 2021-03-25
• 公開（公告）號: CN113010802B
• 公開（公告）日: 2022-09-20
• 發(fā)明（設(shè)計）人: 李欣;梅登華;黃牛
• 申請（專利權(quán)）人: 華南理工大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536
• 代理公司: 廣州市華學知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 馮炳輝

1.一種基于用戶與物品多屬性交互面向隱式反饋的推薦方法，其特征在于，包括以下步驟：

1)對用戶與物品多個屬性的隱式反饋交互數(shù)據(jù)進行數(shù)據(jù)變換預處理；

2)根據(jù)預處理后用戶與物品每個屬性的隱式反饋交互數(shù)據(jù)來初始化對應(yīng)用戶物品特征向量以及構(gòu)造對應(yīng)的用戶物品交互矩陣；

3)根據(jù)每個屬性的用戶物品交互矩陣來更新對應(yīng)的用戶物品特征向量，具體過程為：首先，基于用戶與物品每個屬性的交互矩陣構(gòu)造用戶與物品對應(yīng)屬性的二部圖鄰接矩陣，然后使用多層輕量級卷積神經(jīng)網(wǎng)絡(luò)聚集用戶與物品屬性二部圖的鄰居信號來計算各層的用戶物品特征向量，最后將各層獲取用戶物品特征向量進行加權(quán)融合來更新用戶與物品對應(yīng)屬性的特征向量，包括以下步驟：

3.1)基于用戶與物品每個屬性的交互矩陣構(gòu)造用戶與物品對應(yīng)屬性的二部圖鄰接矩陣，其中，物品屬性個數(shù)表示為F，屬性f表示物品第f個屬性，f取值范圍為1到F，用戶與物品屬性f的二部圖鄰接矩陣表示A^f，A^f的計算公式為：

式中，G^f表示用戶與物品屬性f的交互矩陣，(G^f)^T表示G^f的轉(zhuǎn)置矩陣，0表示全0矩陣，A^f為(m+n_f)行(m+n_f)列的方陣，其中m表示用戶總數(shù)，n_f物表示屬性f的屬性值個數(shù)；

3.2)使用多層輕量級卷積神經(jīng)網(wǎng)絡(luò)聚集用戶物品屬性二部圖的鄰居信號來計算各層的用戶物品特征向量，其中，輕量級卷積神經(jīng)網(wǎng)絡(luò)層數(shù)表示為L，E^(l,f)表示第l層用戶與物品屬性f的特征向量矩陣，其中l(wèi)取值范圍為0到L-1，E^(l+1,f)表示第l+1層用戶與物品屬性f的特征向量矩陣，E^(l+1,f)的計算公式為：

式中，D^f為對角矩陣，其每個對角項等于矩陣A^f中每個行向量中的非0項的個數(shù)，也被稱為A^f的度矩陣，其中j取值范圍為0到(m+n_f-1)；

3.3)將各層獲取的用戶物品特征向量進行加權(quán)融合來更新用戶與物品屬性f的特征向量，具體過程為：將輕量級卷積神經(jīng)網(wǎng)絡(luò)各層獲取的用戶物品特征向量矩陣進行融合，得到多層融合后用戶與物品屬性f后的特征向量矩陣E^(f)，E^(f)的計算公式如下：

式中，E^(l,f)表示第l層用戶與物品屬性f的特征向量矩陣，l取值范圍為0到L，a_l表示通過加權(quán)求和來進行多層融合時，第l層用戶與物品屬性f的特征向量矩陣的權(quán)重，其通過兩層前饋全連接神經(jīng)網(wǎng)絡(luò)組成的注意力網(wǎng)絡(luò)計算獲得，a_l為0到1范圍內(nèi)的浮點數(shù)，a_l的計算公式為：

式中，a_l'表示兩層前饋全連接神經(jīng)網(wǎng)絡(luò)的輸出；E^(l,f)表示第l層用戶與物品屬性f的特征向量矩陣；W₁^T和W₂^T分別表示第一層和第二層前饋全連接神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣，b₁、b₂分別表示與W₁^T、W₂^T對應(yīng)的偏置參數(shù)；exp(a'_l)表示對a′_l進行以e為底的指數(shù)運算；f(·)表示ReLU函數(shù)，ReLU函數(shù)的自變量表示為x，其公式為：

4)對多個用戶物品特征向量進行融合來獲取最新的用戶物品特征向量；

5)根據(jù)最新的用戶物品特征向量的內(nèi)積計算用戶對物品的興趣值；

6)根據(jù)用戶對物品的興趣值進行排序，生成推薦列表。