CN110020228A - 一种用于物联网物品信息搜索排序的相关性评估方法 - Google Patents

Abstract

本发明涉及一种用于物联网物品信息搜索排序的相关性评估方法，包括步骤：1)基于用户历史查询信息建立用户个性化兴趣模型；2)基于用户历史查询信息建立物品的质量评分机制；3)基于上述两个内容构建三部图，通过随机游走算法获得相关性评分。本发明的有益效果是：本发明主要是建立用户的个性化兴趣模型，并根据用户的历史查询信息建立物品属性的质量评分机制，建立对于候选物品的相关性评估的模型。建立模型之后，基于用户对物品属性的偏好权重以及物品属性质量得分构建用户‑物品‑物品属性三部图，通过随机游走传播算法获得目标用户与不同候选物品的相关性评分，实现候选物品的相关性评估。

Description

一种用于物联网物品信息搜索排序的相关性评估方法

技术领域

本发明涉及一种相关性评估方法,具体涉及一种用于物联网物品信息搜索排序的相关性评估方法。

背景技术

随着廉价微型传感器、无线通信技术和移动计算技术的迅速发展和普及，众多具有感知、计算以及通信能力的现实世界物品(如可穿戴设备、智能仪表、钥匙串和座椅等)将广泛存在于物联网中。可以预见，正如当前利用网络搜索引擎查找互联网信息一样，随着各种应用领域(如环境监测、智能家居、智能物流和智能建筑工地等)对现实世界物品信息查找和浏览需求的日益增长，很快人们将能在英特网上查找和浏览现实世界中的各种物品信息。从用户的角度考虑，由于时间、精力以及移动设备资源有限等原因，用户往往只关注物品搜索结果列表的第一项或前几项内容。因此，在基于用户查询关键字检索出海量的候选物品后，如何对这些候选物品进行排序以快速发掘出符合用户查询意图的物品信息成为国内外学界、业界研究的热点问题。

物联网物品搜索排序主要涉及候选物品与用户查询意图的相关性评估和候选物品自身的重要性评估两个方面。现有研究中，由于物联网物品在功能、型号、材质和制造商等属性方面存在异构性，而用户在查询物品时对物品不同属性的需求存在差异，例如在搜索环境监测传感器时，有些用户喜欢采集频率快的，有些用户则更偏好采集成本低的，因此如何对候选物品建立因人而异的相关性评估方法是物联网物品搜索排序面临的一大难题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种用于物联网物品信息搜索排序的相关性评估方法。

这种用于物联网物品信息搜索排序的相关性评估方法，包括如下步骤：

A、基于用户历史查询信息建立用户个性化兴趣模型；

B、基于用户历史查询信息建立物品的质量评分机制；

C、基于上述两个内容构建三部图，通过随机游走算法获得相关性评分。

作为优选，步骤A包括以下步骤：

A11、基于用户历史查询信息对用户、物品以及物品属性之间的多元关系用三阶张量进行建模。

A12、应用PITF(Pairwise interaction tensor factorization)模型对用户、物品和物品属性的三阶张量进行成对分解，建模表示用户对物品属性的偏好权重。

A13、利用从用户历史查询信息提取的物品属性偏序对训练样本，应用排序学习思想建立用户对不同类型物品属性的偏好权重模型。

A14、以贝叶斯后验概率最大化作为优化目标，实现用户个性化兴趣建模。

作为优选，步骤A14包括以下步骤：

A141、初始化设置模型参数。

A142、随机从D_S中选取排序对(u,i,t_A,t_B)，分别计算以及

A143、设置f＝1，对算式进行更新。

A144、f自增1，重复步骤A143，直到f达到某一设定值。

A145、重复步骤A143-A144直到收敛。

作为优选，步骤B包括以下步骤：

B11、根据用户的历史查询信息，对搜索结果中用户点击物品的所有属性设置正面评分，对没有点击物品的属性设置负面评分。

B12、综合考虑物品正面评分、负面评分、点击顺序以及点击次数等因素，利用回归模型建立物品属性的质量评分机制。

作为优选，步骤C包括以下步骤：

C11、构建如图5的表示用户-物品-物品属性三部图。

C12、通过随机游走传播算法获得目标用户与不同候选物品的相关性评分。

本发明的有益效果是：

本发明涉及一种用于物联网物品信息搜索排序的相关性评估方法，主要是建立用户的个性化兴趣模型，并根据用户的历史查询信息建立物品属性的质量评分机制，建立对于候选物品的相关性评估的模型。建立模型之后，基于用户对物品属性的偏好权重以及物品属性质量得分构建用户-物品-物品属性三部图，通过随机游走传播算法获得目标用户与不同候选物品的相关性评分，实现候选物品的相关性评估。

本专利提出的方法充分利用用户历史查询信息，借鉴排序学习思想，基于用户历史查询信息挖掘用户对物品属性的个性化偏好，从而建立支持用户个性化查询需求的候选物品相关性评估模型。

附图说明

图1是相关性评估方法的流程图；

图2是用户个性化兴趣建模的流程图；

图3是三阶空间示意图；

图4是物品属性设置流程图；

图5是用户-物品-物品属性三部图示意图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

一、本发明的整体思想：

我们主要考虑以下两个方面：如何从用户历史查询信息中抽象出用户对不同类型物品属性的偏好；如何根据用户的历史查询信息建立物品属性的质量评分机制。

二、本发明所述的相关性评估方法具体实施方式包括以下步骤，如图1所示：

A、基于用户历史查询信息建立用户个性化兴趣模型

步骤A包括以下步骤,如图2所示：

A11、基于用户历史查询信息提取出用户、物品以及物品属性的信息集合，对用户、物品以及物品属性之间的多元关系用三阶张量进行建模。以U表示用户集合，I表示物品集合，T表示物品属性集合，则可建立三阶张量空间S∈(U×I×T),张量空间如图3所示。其中，“+”号表示某用户的历史信息中，某物品具有某种物品属性。

A12、应用PITF模型对用户、物品和物品属性的三阶张量进行成对分解，建模表示用户对物品属性的偏好权重。

将三阶的张量空间S进行分解，采取下式进行表示：

其中，f是某一空间，且分别有模型参数表示如下：

其中，k＝min{k_u,k_i,k_t},代表U、I、T中最少的特征数，即仅有k个特征在张量分解中被使用。

A13、利用从用户历史查询信息提取的物品属性偏序对训练样本，应用排序学习思想建立用户对不同类型物品属性的偏好权重模型。

对于一个给定的(u,i),寻找其最合适的排序>_u,i∈T×T可被表示为：

p(θ|>_u,i)∝p(>_u,i|θ)p(θ)

其中，θ表示模型参数。给定模型参数之后，对于所有用户及物品做最合适排序可被表示为：

假设物品属性A，B分别独立，对该式分解，对于连乘部分，有：

其中，D_S∶＝{(u,i,t_A,t_B):(u,i,t_A)∈S∧(u,i,t_B)∈S},

对上式进行估计，得到贝叶斯后验概率表达式：

其中，λ_θ则是σ_θ的正则化常数。

A14、以贝叶斯后验概率最大化作为优化目标，实现用户个性化兴趣建模。

步骤A14包括以下步骤：

A141、初始化设置模型参数θ。对于PITF模型，该参数是根据正态分布进行初始化。

A142、随机从D_S中选取排序对(u,i,t_A,t_B)，分别计算以及

A143、设置f＝1，做如下更新：

A144、f自增1，重复A143，直到f达到k＝min{k_u,k_i,k_t}

A145、重复步骤A143-A144直到收敛。

经过上述步骤之后，能够得到一个合理的模型参数从而建立起合适的偏好权重模型。

B、基于用户历史查询信息建立物品的质量评分机制，如图4所示

步骤B包括以下步骤:

B11、物品属性质量评分的目的是通过大部分用户的历史查询信息来评估物品不同属性对其最终排序位置的贡献。

令A＝{A₁,A₂,······A_N}表示物品可能包含的所有属性的集合，R＝{R₁,R₂,······R_N}表示物品可能包含的所有属性的评分。对于某一具体物品T，其特定属性的集合A_T可表示为A_T＝{A₁,A₂,······A_M}，即该物品T具有M项属性(M≤N)。

根据用户的历史查询信息，对搜索结果中用户点击物品的所有属性设置正面评分，对没有点击物品的属性设置负面评分。若物品T被用户点击，对于其特定属性的评分R_T＝{R₁,R₂,······R_N}，将其属性集合A_T中所包含的M项属性对应的位置记为+1，其余位置记为0，即

B12、记物品可能包含的所有属性对应的权重W＝{W₁,W₂,······W_N}，用户的点击顺序为Or,用户的点击次数为Ti,则物品属性的质量P可通过下式计算：

P＝R^T*W+Ti*a+Or*b

其中，a、b分别表示用户点击顺序以及点击次数的权重。

C、基于上述两个内容构建三部图，通过随机游走算法获得相关性评分

步骤C包括以下步骤：

C11、如图5所示，构建了一个关于用户、物品和物品属性的三部图，U、S、A分别代表用户、商铺和商铺属性。其中，用户与部分物品的偏好数值已经知道，例如图5中实线；需要求得的是与其他物品的偏好数值，例如图5中虚线。

C12、通过随机游走传播算法获得目标用户与未知候选物品的相关性评分,例如图5中的用户1与物品3。为预测用户1与未访问过的物品3之间的偏好数，基于用户-物品属性可以发现传播途径用户1→物品2→属性4→物品3,基于用户-物品可以发现传播途径用户1→物品2→用户4→物品3，从而应用随机游走算法。

三、实施实例

假设存在用户1，2。用户1查询过物品A，B；用户2查询过物品B，C。物品A具有属性I、II；物品B具有属性II、III；物品C具有属性I、III。

步骤A:

为方便计算，假定空间U、I、T均使用两个特征数。因此，用户、物品、物品属性都具有两个特征，分别是：

用户1：(0.5，0.5)；用户2：(0.75，0.25)；

物品A：(0.1，0.9)；物品B：(0.5，0.5)；物品C：(0.7，0.3)；

物品属性I：(0.3，0.7)；物品属性II：(0.4，0.6)；物品属性III：(0.6，0.4)。

初始化模型参数均设置为(1,1)。同时，设置λ、α均为1。

选取排序对(用户1，物品1，属性1，属性2)，计算

δ＝1-0.08＝0.92

对于特征1，计算：

之后，f自增1，再进行特征2的更新。再之后，选取其他排序对重复步骤，直到收敛，得到模型参数。

步骤B：

根据用户1的历史查询信息，可以得到R_T＝{1,2,0}，分别代表属性I、II、III的评分。假定权重均为1，同时假定点击次数均为1，顺序为A->B，则

W＝(1,1,0)

a,b＝1

P＝R^T*W+Ti*a+Or*b＝(1,2,0)*(1,1,1)+(2)*(1)+(1)*(1)＝6

步骤C：

假定用户1对物品A的兴趣模型评分为0.5，质量评分为0.5，合计偏好数值为0.5+0.5＝1。

物品A与属性I的关系强度为0.5，物品C与属性I的关系强度为0.3，经过随机游走后得到用户1对物品C的偏好数值为0.75。

Claims (5)

1.一种用于物联网物品信息搜索排序的相关性评估方法，其特征在于，包括如下步骤：

A、用户历史查询信息建立用户个性化兴趣模型；

B、用户历史查询信息建立物品的质量评分机制；

C、上述两个内容构建三部图，通过随机游走算法获得相关性评分。

2.根据权利要求1所述的用于物联网物品信息搜索排序的相关性评估方法，其特征在于，步骤A具体包括如下步骤：

A11、基于用户历史查询信息对用户、物品以及物品属性之间的多元关系用三阶张量进行建模；

A12、应用PITF模型对用户、物品和物品属性的三阶张量进行成对分解，建模表示用户对物品属性的偏好权重；

A13、利用从用户历史查询信息提取的物品属性偏序对训练样本，应用排序学习思想建立用户对不同类型物品属性的偏好权重模型；

A14、以贝叶斯后验概率最大化作为优化目标，实现用户个性化兴趣建模。

3.根据权利要求1所述的用于物联网物品信息搜索排序的相关性评估方法，其特征在于，步骤A14具体包括如下步骤：

A141、初始化设置模型参数；

A142、随机从D_S中选取排序对(u,i,t_A,t_B)，分别计算以及

A143、设置f＝1，对算式进行更新；

A144、f自增1，重复步骤A143，直到f达到某一设定值；

A145、重复步骤A143-A144直到收敛。

4.根据权利要求1所述的用于物联网物品信息搜索排序的相关性评估方法，其特征在于，步骤B具体包括如下步骤：

B11、根据用户的历史查询信息，对搜索结果中用户点击物品的所有属性设置正面评分，对没有点击物品的属性设置负面评分；

B12、综合考虑物品正面评分、负面评分、点击顺序以及点击次数等因素，利用回归模型建立物品属性的质量评分机制。

5.根据权利要求1所述的用于物联网物品信息搜索排序的相关性评估方法，其特征在于，步骤C具体包括如下步骤：

C11、构建表示用户-物品-物品属性三部图；

C12、通过随机游走传播算法获得目标用户与不同候选物品的相关性评分。