[發(fā)明專利]基于連接矩陣的個(gè)性化推薦方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110372751.6
• 申請(qǐng)日: 2021-04-07
• 公開(kāi)（公告）號(hào): CN113239265B
• 公開(kāi)（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 李震宇;徐金卯;陶榮華;鞏道福;王益?zhèn)?/a>;譚磊;劉粉林;盧昊宇;彭帥衡;王藝龍;杜少勇;劉峰;張李瀟
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué)
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535;G06F16/9536;G06F17/16;G06Q30/0601;G06Q50/00
• 代理公司: 鄭州大通專利商標(biāo)代理有限公司 41111
• 代理人: 周艷巧

1.一種基于連接矩陣的個(gè)性化推薦方法，其特征在于，包含如下內(nèi)容：

依據(jù)用戶社交數(shù)據(jù)、商品類別數(shù)據(jù)及用戶對(duì)商品評(píng)分?jǐn)?shù)據(jù)分別構(gòu)建用戶關(guān)系網(wǎng)絡(luò)和商品關(guān)系網(wǎng)絡(luò)；

利用網(wǎng)絡(luò)表示學(xué)習(xí)算法獲取用戶關(guān)系網(wǎng)絡(luò)和商品關(guān)系網(wǎng)絡(luò)中的用戶特征表示向量和商品特征表示向量；

構(gòu)建評(píng)分預(yù)測(cè)模型，將用戶特征表示向量和商品特征表示向量作為模型輸入，并通過(guò)連接矩陣對(duì)用戶特征表示向量和商品特征表示向量進(jìn)行擬合，將三者內(nèi)積作為模型輸出的預(yù)測(cè)評(píng)分，利用隨機(jī)梯度下降算法對(duì)模型進(jìn)行訓(xùn)練；

針對(duì)目標(biāo)用戶，利用已訓(xùn)練的評(píng)分預(yù)測(cè)模型來(lái)獲取其對(duì)商品預(yù)測(cè)評(píng)分，依據(jù)商品預(yù)測(cè)評(píng)分進(jìn)行個(gè)性化推薦；

依據(jù)用戶社交信息及由商品構(gòu)建的用戶關(guān)系來(lái)構(gòu)建用戶關(guān)系網(wǎng)絡(luò)，依據(jù)商品類別信息及用戶構(gòu)建的商品關(guān)系來(lái)構(gòu)建商品關(guān)系網(wǎng)絡(luò)；

用戶關(guān)系網(wǎng)絡(luò)構(gòu)建中，以商品為中間節(jié)點(diǎn)，在購(gòu)買同一商品的兩用戶之間建立間接連接關(guān)系；通過(guò)對(duì)間接連接關(guān)系和用戶社交關(guān)系取并集來(lái)構(gòu)建用戶關(guān)系網(wǎng)絡(luò)，并表示為G_user＝{V_user,ε_user}，V_user為用戶關(guān)系網(wǎng)絡(luò)節(jié)點(diǎn)的集合，每一個(gè)節(jié)點(diǎn)代表一名用戶，ε_user為用戶關(guān)系網(wǎng)絡(luò)邊的集合，且ε_user＝ε_{user_social}∪ε_{user_im}，ε_{user_social}為用戶的社交關(guān)系，ε_{user_im}為由用戶-商品交互矩陣構(gòu)建的間接連接關(guān)系；

商品關(guān)系網(wǎng)絡(luò)構(gòu)建中，在屬于同一種類的兩種商品之間建立類別聯(lián)系，在購(gòu)買同一商品的兩用戶之間建立間接連接關(guān)系；通過(guò)對(duì)類別聯(lián)系和間接連接關(guān)系取并集來(lái)構(gòu)建商品關(guān)系網(wǎng)絡(luò)，并表示為G_item＝{V_item,ε_item}，V_item為商品關(guān)系網(wǎng)絡(luò)節(jié)點(diǎn)的集合，ε_item為商品關(guān)系網(wǎng)絡(luò)邊的集合，且ε_item＝ε_{item_cat}∪ε_{item_im}，ε_{item_cat}為商品的種類關(guān)系，ε_{item_im}為購(gòu)買同一商品的兩用戶之間建立的間接連接關(guān)系；

采用不同的NRL算法分別對(duì)用戶關(guān)系網(wǎng)絡(luò)和商品關(guān)系網(wǎng)絡(luò)進(jìn)行節(jié)點(diǎn)學(xué)習(xí)，得到屬于兩種向量空間的用戶特征表示向量和商品特征表示向量。

2.根據(jù)權(quán)利要求1所述的基于連接矩陣的個(gè)性化推薦方法，其特征在于，在用戶關(guān)系網(wǎng)絡(luò)和商品關(guān)系網(wǎng)絡(luò)上分別進(jìn)行隨機(jī)游走，生成對(duì)應(yīng)的兩個(gè)節(jié)點(diǎn)序列集合；針對(duì)兩個(gè)節(jié)點(diǎn)序列集合，分別利用SGNS向量訓(xùn)練方法學(xué)習(xí)節(jié)點(diǎn)表示向量。

3.根據(jù)權(quán)利要求1所述的基于連接矩陣的個(gè)性化推薦方法，其特征在于，評(píng)分預(yù)測(cè)模型表示為：其中，分別為用戶特征表示向量和商品特征表示向量，為連接矩陣，k₁×k₂為隨機(jī)初始化參數(shù)，m、n分別為用戶特征表示向量和商品特征表示向量的大小。

4.根據(jù)權(quán)利要求1或3所述的基于連接矩陣的個(gè)性化推薦方法，其特征在于，通過(guò)設(shè)定目標(biāo)函數(shù)，最小化預(yù)測(cè)評(píng)分與可觀測(cè)評(píng)分誤差來(lái)優(yōu)化模型的連接矩陣。

5.根據(jù)權(quán)利要求4所述的基于連接矩陣的個(gè)性化推薦方法，其特征在于，目標(biāo)函數(shù)表示為：其中，r_ij為用戶i對(duì)商品j的可觀測(cè)評(píng)分，為用戶i對(duì)商品j的預(yù)測(cè)評(píng)分，且為連接矩陣，k₁×k₂為隨機(jī)初始化參數(shù)，表示用戶i的k₁維特征向量，表示商品j的k₂維特征向量；將已有可觀測(cè)評(píng)分作為標(biāo)簽，最小化預(yù)測(cè)評(píng)分和可觀測(cè)評(píng)分的誤差，利用隨機(jī)梯度下降算法和可觀測(cè)評(píng)分優(yōu)化連接矩陣，以訓(xùn)練評(píng)分預(yù)測(cè)模型。