[發(fā)明專(zhuān)利]基于目標(biāo)物品增強(qiáng)表示的用戶(hù)個(gè)性化信息推薦方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110498063.4
• 申請(qǐng)日: 2021-05-08
• 公開(kāi)（公告）號(hào): CN113220994B
• 公開(kāi)（公告）日: 2022-10-28
• 發(fā)明（設(shè)計(jì)）人: 馬喜波;雷震;蔡引江
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)科學(xué)院自動(dòng)化研究所
• 主分類(lèi)號(hào): G06F16/9535
• 分類(lèi)號(hào): G06F16/9535;G06K9/62;G06N3/08
• 代理公司: 北京市恒有知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11576
• 代理人: 郭文浩;尹文會(huì)

本發(fā)明屬于人工智能和深度學(xué)習(xí)技術(shù)領(lǐng)域，具體涉及一種基于目標(biāo)物品增強(qiáng)表示的用戶(hù)個(gè)性化信息推薦方法，旨在解決現(xiàn)有的個(gè)性化信息推薦方法受限于用戶(hù)行為記錄，進(jìn)而導(dǎo)致推薦準(zhǔn)確率低、魯棒性差的問(wèn)題。本方法包括獲取用戶(hù)歷史記錄中的物品及待推薦的目標(biāo)物品，并映射為設(shè)定維度的特征向量；獲取用戶(hù)關(guān)于目標(biāo)物品的興趣表示；通過(guò)預(yù)設(shè)的采樣方法從第一數(shù)據(jù)集、待推薦目標(biāo)物品的交集中采樣設(shè)定數(shù)目的物品，并映射為特征向量；獲取關(guān)于目標(biāo)物品的增強(qiáng)表示；預(yù)測(cè)得到用戶(hù)對(duì)待推薦的目標(biāo)物品的感興趣程度，并將排序后的前N個(gè)感興趣程度對(duì)應(yīng)的待推薦的目標(biāo)物品推薦給用戶(hù)。本發(fā)明提升了現(xiàn)有個(gè)性化信息推薦方法的推薦準(zhǔn)確性以及魯棒性。

技術(shù)領(lǐng)域

本發(fā)明屬于人工智能和深度學(xué)習(xí)技術(shù)領(lǐng)域，具體涉及一種基于目標(biāo)物品增強(qiáng)表示的用戶(hù)個(gè)性化信息推薦方法、系統(tǒng)、設(shè)備。

背景技術(shù)

隨著科技的發(fā)展，信息產(chǎn)生的速度已經(jīng)遠(yuǎn)遠(yuǎn)超過(guò)用戶(hù)自身能夠處理的程度。用戶(hù)在尋找自己需要的信息時(shí)將花費(fèi)大量的時(shí)間來(lái)篩選過(guò)濾無(wú)關(guān)的信息。個(gè)性化信息推薦的目的就在于通過(guò)分析用戶(hù)的相關(guān)歷史記錄和用戶(hù)個(gè)人資料來(lái)代替用戶(hù)完成信息的篩選并將用戶(hù)潛在感興趣的信息推薦給用。

個(gè)性化信息推薦模型可以抽象為一個(gè)簡(jiǎn)單的二分類(lèi)或者回歸模型，其輸入是用戶(hù)相關(guān)的特征包括相關(guān)歷史紀(jì)錄和個(gè)人資料以及目標(biāo)信息的特征，輸出是用戶(hù)是否感興趣或者感興趣的程度。模型根據(jù)用戶(hù)的特征和目標(biāo)信息的特征做對(duì)比，并作出決定是否將該信息推薦給用戶(hù)。對(duì)于二分類(lèi)模型可直接依據(jù)分類(lèi)結(jié)果作為決定，對(duì)于回歸模型可以通過(guò)對(duì)所有目標(biāo)信息的得分做排序，得出最有可能感興趣的前N條信息。

另現(xiàn)有的一些推薦算法如協(xié)同過(guò)濾算法，通過(guò)分析相似行為記錄的用戶(hù)來(lái)進(jìn)行物品的推薦。但是這種方法受限于用戶(hù)行為記錄，導(dǎo)致模型在泛化能力上有所限制。近年來(lái)的一些方法使用深度神經(jīng)網(wǎng)絡(luò)來(lái)編碼用戶(hù)特征和物品特征，并通過(guò)多層感知機(jī)獲得深度的非線性特征，取得了一定效果。基于此，本發(fā)明提出了一種基于目標(biāo)物品增強(qiáng)表示的用戶(hù)個(gè)性化信息推薦方法。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中的上述問(wèn)題，即為了解決現(xiàn)有的個(gè)性化信息推薦方法受限于用戶(hù)行為記錄，進(jìn)而導(dǎo)致推薦準(zhǔn)確率低、魯棒性差的問(wèn)題，本發(fā)明第一方面，提出了一種基于目標(biāo)物品增強(qiáng)表示的用戶(hù)個(gè)性化信息推薦方法，該方法包括：

S10，獲取用戶(hù)歷史記錄中的物品及待推薦的目標(biāo)物品，并映射為設(shè)定維度的特征向量；將用戶(hù)歷史記錄中的物品映射的特征向量作為第一特征向量，將待推薦的目標(biāo)物品映射的特征向量作為第二特征向量；

S20，計(jì)算第一特征向量、第二特征向量的相似度，并對(duì)各相似度進(jìn)行歸一化處理；通過(guò)歸一化后的相似度對(duì)各第一特征向量進(jìn)行加權(quán)求和，作為用戶(hù)關(guān)于目標(biāo)物品的興趣表示；

S30，獲取第一數(shù)據(jù)集、待推薦目標(biāo)物品的交集；通過(guò)預(yù)設(shè)的采樣方法從所述交集中采樣設(shè)定數(shù)目的物品，并映射為特征向量，作為第三特征向量；所述第一數(shù)據(jù)集為基于多個(gè)用戶(hù)歷史記錄的物品構(gòu)建的數(shù)據(jù)集；

S40，計(jì)算第二特征向量、第三特征向量的相似度，并對(duì)各相似度進(jìn)行歸一化處理；通過(guò)歸一化后的相似度對(duì)各第三特征向量進(jìn)行加權(quán)求和，作為關(guān)于目標(biāo)物品的增強(qiáng)表示；

S50，將第二特征向量、用戶(hù)關(guān)于目標(biāo)物品的興趣表示、關(guān)于目標(biāo)物品的增強(qiáng)表示拼接后輸入預(yù)構(gòu)建的分類(lèi)器，預(yù)測(cè)得到用戶(hù)對(duì)待推薦的目標(biāo)物品的感興趣程度；并根據(jù)感興趣程度進(jìn)行排序，排序后，將前N個(gè)感興趣程度對(duì)應(yīng)的待推薦的目標(biāo)物品推薦給用戶(hù)；N為正整數(shù)。

在一些優(yōu)選的實(shí)施方式中，步驟S20中“計(jì)算第一特征向量、第二特征向量的相似度，并對(duì)各相似度進(jìn)行歸一化處理”，其方法為：

通過(guò)多層感知機(jī)計(jì)算第一特征向量、第二特征向量的相似度；

采用softmax函數(shù)對(duì)各相似度進(jìn)行歸一化處理。

在一些優(yōu)選的實(shí)施方式中，步驟S30中“通過(guò)預(yù)設(shè)的采樣方法從所述交集中采樣設(shè)定數(shù)目的物品”，其方法為：