CN108629671B - 一种融合用户行为信息的餐馆推荐方法 - Google Patents

Abstract

一种融合用户行为信息的餐馆推荐方法，包括以下步骤：1)根据用户历史就餐数据，构建用户就餐行为序列网络；2)使用DeepWalk算法，对用户就餐行为序列网络节点进行表征学习；3)结合用户历史就餐行为，重构用户就餐行为成本特征；4)将用户评分数据与行为成本特征，并行地用于构建餐馆推荐模型。本发明根据用户历史就餐行为数据，重构餐饮用户的就餐行为成本特征，更合理地反映用户餐饮消费行为的个性化风格，为进一步构建用户餐馆推荐系统提供了坚实的数据质量基础。

Description

一种融合用户行为信息的餐馆推荐方法

技术领域

本发明涉及推荐系统领域，特别是涉及一种融合用户行为信息的餐馆推荐方法。

背景技术

随着互联网技术和移动终端的发展，人们正从信息匮乏时代走进信息过载时代。无论是信息消费者或信息生产者都遇到了来自各方面的麻烦：作为信息消费者，如何从大量信息中找到自己感兴趣的信息，有时是一件非常头疼的事情；作为信息生产者，如何让自己投放的信息脱颖而出备受关注，也是一件非常困难的事情。推荐系统就是缓解当下信息过载的重要工具，其任务是联系用户和信息，帮助用户发现对自己有价值的兴趣点，让信息精准地展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的共赢。

传统推荐算法都是围绕用户评分数据展开的，而大部分推荐场景中的评分规则都是离散数据。例如，顾客可以从1至10级或者1至5级的范围内，给商品或者服务打分。离散数值的优点在于方便观察数值分布，一眼就能理解它所表达的场景含义。其缺点也很突出，它比较粗糙地表征了用户体验的概况，很难反映用户个性化行为信息，导致用户评分数据的量化误差。如果能采用连续数值的形式来表达用户的就餐行为信息，从而更精细地反映用户就餐的评价情况，这将会更有利于推荐模型的效果提升。因此，我们提出了一种融合用户行为信息的餐馆推荐方法，从用户历史就餐行为数据中提取其个性化行为的潜在特征，来辅助用于构建进一步的餐馆推荐系统。

发明内容

为了克服现有推荐系统只围绕用户评分数据的不足，本发明提供一种融合用户行为信息的餐馆推荐方法，改善了传统推荐模型输入信息的数据质量，有助于提高进一步构建的推荐系统的推荐效果。

本发明解决其技术问题所采用的技术方案如下：

一种融合用户行为信息的餐馆推荐方法，包括以下步骤：

S1：根据用户历史就餐数据，构建用户就餐行为序列网络；

S2：使用DeepWalk算法，对用户就餐行为序列网络节点进行表征学习；

S3：结合用户历史就餐行为，重构用户就餐行为成本特征；

S4：将用户评分数据与行为成本特征，并行地用于构建餐馆推荐模型。

进一步，所述步骤S1中，构建用户就餐行为序列网络，根据用户历史就餐行为时间序列{S₁,S₂,...,S_n}，将用户在序列的第i个时刻对餐馆S_i的就餐评分令为R_i，定义Q₀为有限穿越视距，如果时间序列中任意两个点(S_a,R_a)、(S_b,R_b)之间的水平方向可视距离相隔Q个点，在这两点之间存在Q₁:0＜Q₁＜Q₀个点满足：

R_i＞R_a或R_i＞R_b,a＜i＜b，

且另外Q-Q₁个点满足：

R_i≤R_a且R_i≤R_b,a＜i＜b，

则对应两点(S_a,R_a)、(S_b,R_b)在网络中，节点S_a与节点S_b存在一条连边，分别根据由其中餐馆口味标签、地理位置标签构成的用户就餐行为序列，构建两种不同类型标签为节点的用户就餐行为序列网络。

再进一步，所述步骤S2中，分别对步骤S1得到的两类属性节点组成的用户就餐行为序列网络，进行网络节点表征学习，使用DeepWalk网络节点表征学习算法，提取网络中各个节点的向量表示，其学习过程如下：

DeepWalk算法首先以网络中每个节点作为起点，进行随机游走，然后合并各次随机游走的结果作为一整个随机游走序列，假设在网络G(V,E)生成的由节点V组成的随机游走序列中，将节点v_i的左右两侧窗口区间为d的一组序列表示为v_i-d,...,v_i-1,v_i+1,...,v_i+d，Skip-Gram模型要求以节点v_i为中心所产生的这组两侧序列的概率最大化，换言之，即可以通过当前节点来推测出周围节点，其目标函数表示为：

其中概率函数p(v_i+j|v_i)根据如下公式计算得：

公式中的w_v、w′_v分别表示为节点v的输入向量与输出向量。

所述步骤S3中，重构用户就餐行为成本特征，假定每个餐馆都有一组地理位置-口味标签(c,t)，将各餐馆的地理位置c对应的网络表征向量w_c与口味标签t对应的网络表征向量w_t合并为一个一维向量，记作[w_c,w_t]，假设某Yelp用户就餐行为相关的餐馆序列记为{S₁,S₂,...,S_n}，其中S_i表示该用户在第i次就餐行为所去的餐馆，

表示该餐馆所在的地理位置，

表示该用户在第i次就餐时的一种口味标签，那么该用户就餐行为序列所对应的餐馆表征向量表示为：

它表征该用户的就餐行为向量轨迹，将上式的均值向量定义为该Yelp用户的就餐兴趣中心点，其计算方式如下：

定义用户每次就餐行为的成本系数r′：

其中，函数distance(a,b)表示向量a与b之间的欧氏距离。

所述步骤S4中，推荐算法融合了用户就餐行为信息，将用户就餐行为的成本系数r′并行地用于构建推荐模型M′，得到在此意义下的用户对未知餐馆的评分估计

通过结合

与

的排序综合结果，最终获得融合信息下的推荐餐馆名单。

本发明的有益效果如下：考虑到传统推荐系统单纯围绕用户评分数据展开建模的不足，本发明提供一种融合用户行为信息的餐馆推荐方法，根据用户历史就餐行为数据，重构餐饮用户的就餐行为成本特征，更合理地反映用户餐饮消费行为的个性化风格。本发明为进一步的推荐模型构建提供了坚实的输入信息数据质量基础，有利于提高推荐系统的推荐效果。

附图说明

图1为本发明实施例的融合用户行为信息的餐馆推荐方法的流程图；

图2为本发明实施例的关于用户就餐行为序列网络构建方法的示意图，其中，(a)表示用户就餐行为时间序列，(b)表示用户就餐行为序列网络；

图3为本发明实施例的融合用户行为信息的餐馆推荐系统的框架图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1～图3，一种融合用户行为信息的餐馆推荐方法，本发明使用Yelp餐饮用户实证数据集，其中包括用户ID、餐馆ID、用户就餐行为的发生时间与用户评分。

本发明包括以下四个步骤：

S1：根据用户历史就餐数据，构建用户就餐行为序列网络；

S2：使用DeepWalk算法，对用户就餐行为序列网络节点进行表征学习；

S3：结合用户历史就餐行为，重构用户就餐行为成本特征；

S4：将用户评分数据与行为成本特征，并行地用于构建餐馆推荐模型。

所述步骤S1中，构建用户就餐行为序列网络，附图2是构建方法的示意图。在附图2(a)中，用13个直方条代表一段长度为13的用户就餐行为时间序列{S₁,S₂,...,S₁₃}，其中直方条的高度代表每次就餐行为的用户评分值。定义Q₀为有限穿越视距，如果时间序列中任意两个点(S_a,R_a)、(S_b,R_b)之间相隔Q个点，在这两点之间存在Q₁:0＜Q₁＜Q₀个点满足：

R_i＞R_a或R_i＞R_b,a＜i＜b，

且另外Q-Q₁个点满足：

R_i≤R_a且R_i≤R_b,a＜i＜b，

则对应两点(S_a,R_a)、(S_b,R_b)在网络中存在一条连边。附图2(b)中的每个网络节点与附图2(a)中的时间序列的每个时刻点一一对应。本发明方法令Q₀＝2。考虑到餐馆具有口味与地理位置这两类标签，我们分别根据由其中某一类标签构成的用户就餐行为序列，构建以该类型标签为节点的用户就餐行为序列网络。

所述步骤S2中，分别对步骤S1得到的两类属性节点组成的用户就餐行为序列网络，进行网络节点表征学习。使用DeepWalk网络节点表征学习算法，提取网络中各个节点的向量表示，其学习过程如下：

DeepWalk算法首先以网络中每个节点作为起点，进行随机游走，然后合并各次随机游走的结果作为一整个随机游走序列。假设在网络G(V,E)生成的由节点V组成的随机游走序列中，将节点v_i的左右两侧窗口区间为d的一组序列表示为v_i-d,...,v_i-1,v_i+1,...,v_i+d，Skip-Gram模型要求以节点v_i为中心所产生的这组两侧序列的概率最大化，换言之，即可以通过当前节点来推测出周围节点。其目标函数可以表示为：

其中概率函数p(v_i+j|v_i)根据如下公式计算可得：

公式中的w_v、w′_v分别表示为节点v的输入向量与输出向量。

所述步骤S3中，重构用户就餐行为成本特征。假定每个餐馆都有一组地理位置-口味标签(c,t)，我们将各餐馆的地理位置c对应的网络表征向量w_c与口味标签t对应的网络表征向量w_t合并为一个一维向量，记作[w_c,w_t]。假设某Yelp用户就餐行为相关的餐馆序列记为{S₁,S₂,...,S_n}，其中S_i表示该用户在第i次就餐行为所去的餐馆，

表示该餐馆所在的地理位置，

表示该用户在第i次就餐时的一种口味标签。那么该用户就餐行为序列所对应的餐馆表征向量可以表示为：

它可以表征该用户的就餐行为向量轨迹。我们将上式的均值向量定义为该Yelp用户的就餐兴趣中心点，其计算方式如下：

当该用户就餐时对应的餐馆向量

与其兴趣中心点向量

的空间距离较近时，说明该次就餐行为比较吻合用户的就餐特点，遵循了其一贯的就餐风格；反之，若两者的空间距离较远时，说明该用户的该次就餐行为具有猎奇性质，可以理解为是其就餐风格里的一次“突变”。针对上述两种就餐情景，我们定义用户每次就餐行为的成本系数r′：

其中，函数distance(a,b)表示向量a与b之间的欧氏距离。

所述步骤S4中，传统推荐算法通常根据用户评分信息r，来构建推荐模型M(协同过滤、NMF等)，以获得用户对未知餐馆的评分估计

从而针对性地向用户推荐评分排名靠前的餐馆。本文提出的推荐算法融合了用户就餐行为信息，将用户就餐行为的成本系数r′并行地用于构建推荐模型M′，得到在此意义下的用户对未知餐馆的评分估计

通过结合

与

的排序综合结果，最终获得融合信息下的推荐餐馆名单。

如上所述为本发明在Yelp餐饮数据集的用户餐馆推荐方法的实施例介绍，本发明根据用户历史就餐行为数据，重构餐饮用户的就餐行为成本特征，从而更有针对性地改善推荐模型输入信息的数据质量。相比于传统专家推荐系统，本发明使用图节点表征学习算法，以半监督深度学习的方式提取用户就餐行为的潜在信息，能更合理地反映用户餐饮消费行为的个性化特征，有助于提高推荐效果。对发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。

Claims (4)

1.一种融合用户行为信息的餐馆推荐方法，其特征在于，所述方法包括以下步骤：

S1：根据用户历史就餐数据，构建用户就餐行为序列网络；

S2：使用DeepWalk算法，对用户就餐行为序列网络节点进行表征学习；

S3：结合用户历史就餐行为，重构用户就餐行为成本特征；

S4：将用户评分数据与行为成本特征，并行地用于构建餐馆推荐模型；

所述步骤S3中，重构用户就餐行为成本特征，每个餐馆都有一组地理位置-口味标签(c,t)，将各餐馆的地理位置c对应的网络表征向量w_c与口味标签t对应的网络表征向量w_t合并为一个一维向量，记作[w_c,w_t]，Yelp用户就餐行为相关的餐馆序列记为{S₁,S₂,…,S_n}，其中S_i表示该用户在第i次就餐行为所去的餐馆，

表示该餐馆所在的地理位置，

表示该用户在第i次就餐时的一种口味标签，那么该用户就餐行为序列所对应的餐馆表征向量表示为：

它表征该用户的就餐行为向量轨迹，将上式的均值向量定义为该Yelp用户的就餐兴趣中心点，其计算方式如下：

定义用户每次就餐行为的成本系数r′：

其中，函数

表示向量

与

之间的欧氏距离。

2.如权利要求1所述的一种融合用户行为信息的餐馆推荐方法，其特征在于，所述步骤S1中，构建用户就餐行为序列网络，根据用户历史就餐行为时间序列{S₁,S₂,…,S_n}，将用户在序列的第i个时刻对餐馆S_i的就餐评分令为R_i，定义Q₀为有限穿越视距，如果时间序列中任意两个点(S_a,R_a)、(S_b,R_b)之间的水平方向可视距离相隔Q个点，在这两点之间存在Q₁:0＜Q₁＜Q₀个点满足：

R_i＞R_a或R_i＞R_b,a＜i＜b，

且另外Q-Q₁个点满足：

R_i≤R_a且R_i≤R_b,a＜i＜b，

则对应两点(S_a,R_a)、(S_b,R_b)在网络中，节点S_a与节点S_b存在一条连边，分别根据由其中餐馆口味标签、地理位置标签构成的用户就餐行为序列，构建两种不同类型标签为节点的用户就餐行为序列网络。

3.如权利要求1或2所述的一种融合用户行为信息的餐馆推荐方法，其特征在于，所述步骤S2中，分别对步骤S1得到的两类属性节点组成的用户就餐行为序列网络，进行网络节点表征学习，使用DeepWalk网络节点表征学习算法，提取网络中各个节点的向量表示，其学习过程如下：

DeepWalk算法首先以网络中每个节点作为起点，进行随机游走，然后合并各次随机游走的结果作为一整个随机游走序列，假设在网络G(V,E)生成的由节点V组成的随机游走序列中，将节点v_i的左右两侧窗口区间为d的一组序列表示为v_i-d,…,v_i-1,v_i+1,…,v_i+d，Skip-Gram模型要求以节点v_i为中心所产生的这组两侧序列的概率最大化，即可以通过当前节点来推测出周围节点，其目标函数表示为：

其中概率函数p(v_i+j|v_i)根据如下公式计算得：

公式中的w_v、w′_v分别表示为节点v的输入向量与输出向量。

4.如权利要求1或2所述的一种融合用户行为信息的餐馆推荐方法，其特征在于，所述步骤S4中，推荐算法融合了用户就餐行为信息，将用户就餐行为的成本系数r′并行地用于构建推荐模型M′，得到在此意义下的用户对未知餐馆的评分估计

通过结合

与

的排序综合结果，最终获得融合信息下的推荐餐馆名单。

Images