[發(fā)明專利]一種基于圖算法的會(huì)話推薦系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202310440162.6
• 申請(qǐng)日: 2023-04-23
• 公開(kāi)（公告）號(hào): CN116485496A
• 公開(kāi)（公告）日: 2023-07-25
• 發(fā)明（設(shè)計(jì)）人: 王恒基;王衛(wèi)紅
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G06Q30/0601
• 分類號(hào): G06Q30/0601;G06F17/16;G06F16/901;G06F16/9535
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 陳升華

本發(fā)明涉及會(huì)話推薦系統(tǒng)技術(shù)領(lǐng)域，尤其涉及一種基于圖算法的會(huì)話推薦系統(tǒng)，針對(duì)當(dāng)前現(xiàn)有的會(huì)話推薦系統(tǒng)技術(shù)存在數(shù)據(jù)未得到充分利用，且數(shù)據(jù)處理缺少實(shí)時(shí)性，導(dǎo)致獲得的推薦系統(tǒng)缺陷較大、響應(yīng)速度慢、實(shí)時(shí)性弱的問(wèn)題，現(xiàn)提出如下方案，其中包括轉(zhuǎn)化模塊、對(duì)接模塊、實(shí)時(shí)寫入模塊、獲取模塊、改良鄰接矩陣模塊和改良注意力機(jī)制模塊，所述轉(zhuǎn)化模塊與對(duì)接模塊連接，本發(fā)明的目的是通過(guò)改良鄰接矩陣和改良注意力機(jī)制模塊，降低了構(gòu)建出的推薦系統(tǒng)的缺陷性，同時(shí)通過(guò)將改良的推薦技術(shù)與大數(shù)據(jù)體系進(jìn)行結(jié)合，搭建了一套基于大數(shù)據(jù)的推薦系統(tǒng)，具有響應(yīng)速度快，可靠性高，實(shí)時(shí)性強(qiáng)的優(yōu)勢(shì)。

技術(shù)領(lǐng)域

本發(fā)明涉及會(huì)話推薦系統(tǒng)技術(shù)領(lǐng)域，尤其涉及一種基于圖算法的會(huì)話推薦系統(tǒng)。

背景技術(shù)

復(fù)雜的場(chǎng)景、豐富的用戶、海量的特征是構(gòu)成推薦系統(tǒng)的基石。如何通過(guò)大數(shù)據(jù)手段利用海量特征去理解豐富用戶在復(fù)雜場(chǎng)景下的一系列行為，從而更好的服務(wù)用戶是推薦系統(tǒng)的宗旨。

推薦算法的歷史還要追溯到1992年，施樂(lè)公司的帕拉奧圖研究中心提出一種基于協(xié)同過(guò)濾算法的推薦系統(tǒng)，并將其用于垃圾郵件過(guò)濾。不過(guò)推薦算法真正用在互聯(lián)網(wǎng)商業(yè)中，還是2003年Amazon的工作?？梢哉f(shuō)，真正意義上的推薦系統(tǒng)誕生于電商，也隨著電商的蓬勃發(fā)展而日新月異。協(xié)同過(guò)濾分為兩種，一種是基于用戶，一種是基于商品。Amazon的工作采用的是商品CF，即基于商品，因?yàn)橛脩舻男袨閿?shù)據(jù)往往過(guò)于稀疏。協(xié)同過(guò)濾簡(jiǎn)單可解釋，但不具備泛化能力。具體的體現(xiàn)就是，尾部的商品因?yàn)閿?shù)據(jù)稀疏，在計(jì)算與其他商品的相似度時(shí)往往趨于零，導(dǎo)致尾部商品大概率不被推薦，但其實(shí)它未必對(duì)客戶不重要。協(xié)同過(guò)濾技術(shù)作為推薦系統(tǒng)最初始的技術(shù)實(shí)現(xiàn)簡(jiǎn)單，可解釋性強(qiáng)，但是也存在泛化能力弱，面對(duì)行為稀疏的用戶無(wú)法精準(zhǔn)推薦的缺陷。Netflix在2006年提出了矩陣分解技術(shù)，其很好解決了上述問(wèn)題。通過(guò)矩陣分解，用戶和商品都得到了與其對(duì)應(yīng)的隱向量，泛化能力很強(qiáng)。不過(guò)矩陣分解(奇異值分解)計(jì)算量很大，并且不適合處理大規(guī)模稀疏矩陣，其缺點(diǎn)是受限于計(jì)算量，無(wú)法應(yīng)用于大數(shù)據(jù)場(chǎng)景。邏輯回歸可以很好的解決上述問(wèn)題。邏輯回歸即一個(gè)線性模型再套一個(gè)Sigmoid層，經(jīng)過(guò)訓(xùn)練每一個(gè)因子前的權(quán)重代表這個(gè)因子對(duì)因變量的重要程度，而且最后的因變量還在0-1之間。邏輯回歸的好處很多：計(jì)算復(fù)雜度小、可解釋性強(qiáng)。區(qū)別于協(xié)同過(guò)濾與矩陣分解，其不僅覆蓋用戶與商品的交互特征，還可以囊括用戶、商品的屬性特征。正是因?yàn)長(zhǎng)R的這些優(yōu)點(diǎn)，使得其在GPU尚未流行的年代，即2012年之前，稱霸了推薦算法領(lǐng)域，不過(guò)其也有很明顯的缺陷，即無(wú)法進(jìn)行特征交叉，表達(dá)能力過(guò)弱。性別+年齡的組合特征也許是個(gè)很重要的特征，比如10歲的男孩喜歡玩具，20歲的男生喜歡體育用品，30歲的男人喜歡電子產(chǎn)品等等，但這些LR無(wú)法捕捉到。