CN110503531B - 时序感知的动态社交场景推荐方法 - Google Patents

时序感知的动态社交场景推荐方法 Download PDF

Info

Publication number
CN110503531B
CN110503531B CN201910815466.XA CN201910815466A CN110503531B CN 110503531 B CN110503531 B CN 110503531B CN 201910815466 A CN201910815466 A CN 201910815466A CN 110503531 B CN110503531 B CN 110503531B
Authority
CN
China
Prior art keywords
user
social
vector
dynamic
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910815466.XA
Other languages
English (en)
Other versions
CN110503531A (zh
Inventor
徐童
陈恩红
刘阳
李徵
黄威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201910815466.XA priority Critical patent/CN110503531B/zh
Publication of CN110503531A publication Critical patent/CN110503531A/zh
Application granted granted Critical
Publication of CN110503531B publication Critical patent/CN110503531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种时序感知的动态社交场景推荐方法，包括：从用户历史消费行为和社交行为记录中获取用于分析的基本数据；根据基本数据建模用户时序消费行为与时序社交行为，从而利用获得的动态用户个人偏好与动态社交背景信息还原历史消费行为中用户的决策过程，再结合用户的决策函数估计商品的相对排序，并实现用户决策函数中相关参数的训练；对于新的商品，基于完成参数训练的决策函数，计算用户对于每个商品的偏好得分，进而通过稳定匹配的方式预测用户选择的结果并进行推荐。上述方法，既可以实现对于用户的精准画像，又可以提升对于用户决策分析乃至商品推荐的性能，实现一举多得的效果。

Description

时序感知的动态社交场景推荐方法
技术领域
本发明涉及深度学习和推荐系统领域，尤其涉及一种时序感知的动态社交场景推荐方法。
背景技术
推荐系统是一种信息过滤系统，旨在通过电商平台上的用户行为数据分析其偏好并进行信息筛选，从而为用户提供个性化推荐服务。目前，推荐系统已广泛应用于各个行业，可推荐的对象包括电影、书籍、音乐、新闻等各种各样丰富的商品和服务。近年来，随着社交平台的发展和社交元素与新兴商业应用的结合，用户之间的社交行为成为推荐产品的重要依据，表现为用户在平台上的选择受到其社交关系的影响。因此，在设计推荐算法时，将社交影响因素加以考虑能够有效提升推荐效果。
在目前的研究工作和专利中，还未发现有结合动态社交影响力与用户序列行为对用户进行推荐的研究，尤其是将动态社交影响纳入时间序列的范畴加以表征建模的研究。
发明内容
本发明的目的是提供一种时序感知的动态社交场景推荐方法，通过建模用户的时序消费行为与时序社交行为，从而更加真实地捕捉社交信息对用户消费选择的动态影响，并还原用户在消费过程中的偏好动态变化过程，同时解决用户偏好预测与商品推荐任务并提升推荐效果。
本发明的目的是通过以下技术方案实现的：
一种时序感知的动态社交场景推荐方法，包括：
从用户历史消费行为和社交行为记录中获取用于分析的基本数据；
根据基本数据建模用户时序消费行为与时序社交行为，从而利用获得的动态用户个人偏好与动态社交背景信息还原历史消费行为中用户的决策过程，再结合用户的决策函数估计商品的相对排序，并实现用户决策函数中相关参数的训练；
对于新的商品，基于完成参数训练的决策函数，计算用户对于每个商品的偏好得分，进而通过稳定匹配的方式预测用户选择的结果并进行推荐。
由上述本发明提供的技术方案可以看出，通过对用户时序消费行为建模，可以更为真实地还原用户在消费时的决策变化过程，同时通过动态地建模用户社交行为，可以捕获社交信息对用户消费选择的影响，从而既可以实现对于用户的精准画像，又可以提升对于社交影响力分析乃至商品推荐的性能，实现一举多得的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种时序感知的动态社交场景推荐算法的流程图；
图2为本发明实施例提供的面向图结构信息与时序信息的注意力机制建模示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
图1为本发明实施例提供的一种时序感知的动态社交场景推荐算法的流程图，如图1所示，其主要包括如下步骤：
步骤1、从用户历史消费行为和社交行为记录中获取用于分析的基本数据。
步骤2、根据基本数据建模用户时序消费行为与时序社交行为，从而利用获得的动态用户个人偏好与动态社交背景信息还原历史消费行为中用户的决策过程，再结合用户的决策函数估计商品的相对排序，并实现用户决策函数中相关参数的训练；
步骤3、对于新的商品，基于完成参数训练的决策函数，计算用户对于每个商品的评分，进而通过稳定匹配的方式预测用户选择的结果并进行推荐。
本发明实施例上述方案中，通过对用户时序消费行为建模，可以更为真实地还原用户在消费时的决策变化过程，同时通过动态建模用户社交行为，捕获社交信息对用户消费选择的影响，从而既可以实现对于用户的精准画像，又可以提升对于社交影响力分析乃至商品推荐的性能，实现一举多得的效果。
为了便于理解，下面针对上述三个步骤的优选实施方式进行介绍。
1、基本数据的收集、筛选及预处理。
本步骤主要分为如下两个阶段，各阶段优选实施方式如下：
1)基本数据的收集
本发明实施例中，所述基本数据至少包括历史用户消费行为信息及用户社交行为信息。其中，历史消费行为信息至少包括：用户身份标识、商品身份标识、用户对商品的行为、以及行为发生所对应的时间戳。历史社交行为信息至少包括：用户身份标识、用户之间的行为、以及行为发生所对应的时间戳。
2)数据预处理。
由于需要对用户序列性的行为进行建模，以动态地预测用户偏好，因此，首先根据时间戳划分出多个时间段，以指定时间间隔作为一个时间窗，用户的消费行为数据与社交行为数据时间窗口划分方式相同。旨在预测用户的未来决策，因此，可以将最后一个时间窗内的数据将作为测试集，其余时间窗的数据作为训练集。
用户对商品的行为以二值形式表示是否有交互行为，同样，用户的社交行为以二值形式表示是否有社交关系。为确保每一个用户都有测试的数据，在数据筛选过程，将时间窗数目少于设定值的用户的基本数据剔除。
示例性的，可以设置一个月为时间窗口长度，设定值可以2。当然，在具体应用时，合适的时间窗口、以及设定值的具体数值可根据数据的实际情况加以调节。
2、模型训练与参数估计。
本步骤主要分为六个阶段，各阶段优选实施方式如下：
1)参数初始化。
参数初始化是指对用户对商品的评价因素进行参数初始化，所涉及的评价因素也即决策函数中的相关参数。
对于用户u而言，其对商品的评价因素包括：商品v的表示向量qv与用户u受到社交影响的个人偏好向量
Figure GDA0003438182800000031
用户偏好向量
Figure GDA0003438182800000032
包含两部分：动态用户个人偏好
Figure GDA0003438182800000033
以及用户的动态社交背景信息
Figure GDA0003438182800000034
则用户u对于商品v的决策函数表示为：
Figure GDA0003438182800000035
其中，
Figure GDA0003438182800000041
表示用户u对商品v的评分，评分大小决定排序列表中相应商品的位置；dot(.)表示向量内积；
各评价因素初始化方式如下：
商品的表示向量qv以小数值的均匀分布初始化，用户的u初始个人偏好向量
Figure GDA0003438182800000042
以零向量进行初始化，在计算用户的社交背景向量
Figure GDA0003438182800000043
时，需要初始化的有：好友u′所对应的时间向量
Figure GDA0003438182800000044
和用户u的初始特征向量
Figure GDA0003438182800000045
每个时间窗对应的时间向量采用随机初始化并通过查表获得
Figure GDA0003438182800000046
用户初始特征
Figure GDA0003438182800000047
的初始化是u在t时段内消费的商品的向量的池化。
2)动态用户偏好预测。
动态用户偏好建模，是利用循环神经网络结合基本数据中的历史用户消费行为信息，建模用户时序消费行为，获得动态用户个人偏好。
本发明实施例中，通过对用户的历史消费行为进行建模，并预测每个时间窗口内的用户偏好。
用户u在t时间窗内的偏好向量为
Figure GDA0003438182800000048
用户偏好的获得取决于两部分：用户当前的输入特征
Figure GDA0003438182800000049
和用户前一时间窗内的偏好向量
Figure GDA00034381828000000410
即用户过去的偏好对其当前的偏好有影响；输入特征
Figure GDA00034381828000000411
的计算来自用户在t时段消费的商品向量的聚合；
将用户初始偏好向量
Figure GDA00034381828000000412
和特征序列
Figure GDA00034381828000000413
输入到循环神经网络(RNN)，循环神经网络输出用户u在各个时间段内的偏好向量序列
Figure GDA00034381828000000414
其中，t＝1,2,…,T，T表示时间窗总数。
3)动态社交信息提取。
动态用户偏好预测，利用注意力机制结合基本数据中的用户社交行为信息，建模用户的时序社交行为，获得动态社交背景信息。具体的是利用注意力机制提取各时间窗内用户u的社交关系权重，作为用户u的动态社交信息的表示向量。
用户在消费域的偏好和选择收到其社交关系的影响，不同的社交关系具有不同的影响力，同时，社交关系的重要程度和这段关系存在的时间长短有关。为更真实的还原不同社交关系带来的影响，本环节通过注意力机制(attentionmechanism)学习社交关系的权重。
如图2所示，注意力机制分成两个组分：基于社交图结构的注意力机制与基于时间信息的注意力机制。利用这两种注意力机制分别计算相应的关系权重，再将两个关系权重的加权和作为用户u的社交关系权重。
根据用户之间的社交连接以及时间信息将社交行为表示为序列社交图，即
Figure GDA0003438182800000051
在t时间窗内社交图
Figure GDA0003438182800000052
中，以用户u作为中心结点，根据中心结点的连接结构计算对应邻居结点的权重；若用户u的好友构成的邻居结点集合表示为
Figure GDA0003438182800000053
对于每一个邻居u′，依次计算两种关系权重；主要计算过程如下：
a)基于图结构信息。
基于社交图结构的注意力机制旨在区分用户u当前的邻居对其的重要程度。对用户u和其邻居u′的输入特征
Figure GDA0003438182800000054
和
Figure GDA0003438182800000055
进行线性变换，线性变换的参数矩阵对所有用户共享：
Figure GDA0003438182800000056
Figure GDA0003438182800000057
其中，Wx是注意力机制中的可学习参数，此处用于将输入特征转换为隐空间中的向量，向量作为用户在社交空间的隐表示；
之后，根据线性变换后的用户特征，计算两个用户之间的关系：
Figure GDA0003438182800000058
其中，
Figure GDA0003438182800000059
是向量串接操作，
Figure GDA00034381828000000510
是参数向量，作为用户特征到用户关系的映射参数，σ(.)为激活函数；
基于以上方式，完成全部邻居与用户u的关系计算之后，经过归一化处理得到用户u和其邻居u′所对应的权重系数：
Figure GDA00034381828000000511
最终得到的权重系数
Figure GDA00034381828000000512
是基于社交图结构信息计算的注意力系数。
b)基于时间信息。
基于时间信息的注意力机制在计算一个邻居的权重时，会考虑社交关系存在的时长的影响。在计算两个用户之间的关系表示时，输入包含三个部分：目标用户的特征，邻居用户的特征、邻居用户对应的时间向量。计算流程与基于图结构信息部分相似：
Figure GDA00034381828000000513
Figure GDA00034381828000000514
Figure GDA00034381828000000515
其中，
Figure GDA00034381828000000516
是参数向量，
Figure GDA00034381828000000517
表示邻居u′所对应的时间向量，Wt是注意力机制中的可学习参数，
Figure GDA00034381828000000518
是时间向量经过共享参数矩阵的线性变换结果，
Figure GDA00034381828000000519
是带有时间影响的用户u与u′之间的关系表示；经过归一化的权重
Figure GDA0003438182800000061
表示u′对于用户u的重要程度，与
Figure GDA0003438182800000062
不同的是，
Figure GDA0003438182800000063
的计算过程中考虑了社交关系的时间影响。
通过注意力机制获得t时间窗内社交关系的两类权重之后，对于用户u，得到对应t时间窗内的基于图结构信息的社交背景向量
Figure GDA0003438182800000064
和基于时间信息的社交背景向量
Figure GDA0003438182800000065
Figure GDA0003438182800000066
Figure GDA0003438182800000067
将两部分结合，得到用户u在t时间窗内的动态社交信息的表示向量：
Figure GDA0003438182800000068
4)计算目标函数
本发明实施例中，通过结合动态用户个人偏好与动态社交背景信息，还原历史消费行为中用户的决策过程，从而计算相应目标函数。
结合动态用户个人偏好与动态社交背景信息，获得用户的最终表示向量，即含有社交影响的用户偏好向量。结合方式为向量相加：
Figure GDA0003438182800000069
其中，
Figure GDA00034381828000000610
表示用户u在t时间窗内的最终表示向量，
Figure GDA00034381828000000611
表示用户u在t时间窗内的偏好向量，
Figure GDA00034381828000000612
表示用户u在t时间窗内的动态社交信息的表示向量。
根据用户u在t时间窗内的最终表示向量
Figure GDA00034381828000000613
和参数初始化得到的商品v的表示向量qv，预测用户u在t时间窗内对商品v的偏好得分
Figure GDA00034381828000000614
偏好得分取决于向量
Figure GDA00034381828000000615
和qv的内积，即：
Figure GDA00034381828000000616
计算得到的
Figure GDA00034381828000000617
值越高，表示用户u选择商品v的可能性越大；
在训练模型(此处的模型可以理解为实现前述2)～3)所设计的模型架构)时，根据用户商品之间真实的交互记录，对模型的期望是预测的情况尽可能还原真实的情况。模型训练指模型的参数迭代更新的过程，参数的更新取决于待优化的目标函数。本发明实施例中采用贝叶斯推断排序中的目标函数，其理论假设是用户对正样本(已消费过的商品)的偏好大于对其他样本的偏好。
通过还原历史消费行为中用户的决策过程，基于贝叶斯推断排序假设，最大化以下目标函数：
Figure GDA00034381828000000618
在训练过程中，模型每次输入的是多个用户的序列数据，每次计算的总目标函数
Figure GDA00034381828000000619
是以上函数的对数加和形式：
Figure GDA0003438182800000071
其中，p(u,t,v＞v′)，表示用户u在t时间窗内已消费商品v与大于未消费商品v′之间的差距；v＞v′表示用户u对于已消费商品v的偏好大于未消费商品v′；σ(.)为激活函数；
Figure GDA0003438182800000072
qv′表示商品v′的表示向量；
Figure GDA0003438182800000073
是正则项，Θ为所有待训练的参数。
对于每个用户，本发明实施例中在所有商品中随机选择一个用户未显式标记过的商品作为对应的负样本v′，用于以对级(pair-wise)的形式计算目标函数。
5)参数迭代更新。
参数迭代更新，是指利用目标函数更新用户的决策函数中相关参数。
在本发明实施例中，将基于环节4)中设计的目标函数对模型参数进行迭代更新，即模型训练过程。模型中所待训练参数Θ包括：循环神经网络中的参数与注意力机制中的参数(例如，前文提到的Wx、Wt)。训练过程中，训练数据集以分批(batch)形式输入到模型中，参数通过梯度下降法来更新，也可以采用其他类似方法来更新，实现方式可以参照常规技术。将训练数据集迭代输入到模型中，直至模型收敛。
6)生成商品排序列表。
利用参数迭代优化结果，结合决策函数更新用户对于商品的完整排序列表，并进行循环优化，直至商品对于用户的完整排序列表不再改变。
3、模型应用与预测任务。
获得完成参数训练的决策函数后，可用来预测用户对各新的商品的偏好得分预测，从而生成推荐列表，主要过程如下：
1)对于一系列新的商品，先将各新的商品自身属性进行向量化处理，得到各新的商品的表示向量；
2)对于用户u，利用完成参数训练的决策函数结合各新的商品的表示向量，预测用户u对于新的商品的偏好得分；
3)将偏好得分按照从大至小的顺序进行排列，并取排名靠前的K(K是一个自然数，具体数值可根据情况来设定)个商品推荐给用户u。
测试阶段与实际应用阶段都可通过上述步骤1)～3)所示的方式来生成推荐列表。测试阶段，可以利用基本数据的收集、筛选及预处理时所选取的测试集来执行，利用生成的推荐列表与真实记录进行对比，再通过推荐系统常用评价指标(如准确率、召回率)衡量模型效果。模型效果满足要求即可进行实际应用，所生成的推荐列表即可反馈给相应用户。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (9)

1.一种时序感知的动态社交场景推荐方法，其特征在于，包括：
从用户历史消费行为和社交行为记录中获取用于分析的基本数据；
根据基本数据建模用户时序消费行为与时序社交行为，从而利用获得的动态用户个人偏好与动态社交背景信息还原历史消费行为中用户的决策过程，再结合用户的决策函数估计商品的相对排序，并实现用户决策函数中相关参数的训练；
对于新的商品，基于完成参数训练的决策函数，计算用户对于每个商品的偏好得分，进而通过稳定匹配的方式预测用户选择的结果并进行推荐；
所述根据基本数据建模用户时序消费行为与时序社交行为，从而利用获得的动态用户个人偏好与动态社交背景信息还原历史消费行为中用户的决策过程，再结合用户的决策函数估计商品的相对排序，并实现用户决策函数中相关参数的训练包括：
参数初始化：对用户对商品的评价因素进行参数初始化，所涉及的评价因素也即决策函数中的相关参数；
动态用户偏好预测：利用循环神经网络结合基本数据中的历史用户消费行为信息，建模用户时序消费行为，获得动态用户个人偏好，包括：将用户初始偏好向量
Figure FDA0003467170870000011
和特征序列
Figure FDA0003467170870000012
输入到循环神经网络，循环神经网络输出用户u在各个时间段内的偏好向量序列
Figure FDA0003467170870000013
其中，
Figure FDA0003467170870000014
为用户u在t时间窗内的偏好向量特征，特征
Figure FDA0003467170870000015
的计算来自用户在t时间窗消费的商品向量的聚合，t＝1，2，...，T，T表示时间窗总数；
动态社交信息提取：利用注意力机制结合基本数据中的用户社交行为信息，建模用户的时序社交行为，获得动态社交背景信息，包括：利用注意力机制提取各时间窗内用户u的社交关系权重，作为用户u的动态社交背景信息的表示向量；注意力机制包括基于社交图结构的注意力机制与基于时间信息的注意力机制；利用这两种注意力机制分别计算相应的关系权重，再将两个关系权重的加权和作为用户u的社交关系权重；
计算目标函数：通过结合动态用户个人偏好与动态社交背景信息，还原历史消费行为中用户的决策过程，从而计算相应目标函数，包括：结合动态用户个人偏好与动态社交背景信息，获得用户的最终表示向量
Figure FDA0003467170870000016
根据用户u在t时间窗内的最终表示向量
Figure FDA0003467170870000017
和参数初始化得到的商品v的表示向量qv，预测用户u在t时间窗内对商品v的偏好得分
Figure FDA0003467170870000018
其中，所述商品v表示已消费商品；通过还原历史消费行为中用户的决策过程，基于贝叶斯推断排序假设，最大化以下目标函数：
Figure FDA0003467170870000021
Figure FDA0003467170870000022
其中，p(u，t，v＞v′)表示用户u在t时间窗内商品v与大于未消费商品v′之间的差距；v＞v′表示用户u对于商品v的偏好大于未消费商品v′；σ(.)为激活函数；
Figure FDA0003467170870000023
Figure FDA0003467170870000024
dot(.)表示向量内积，qv′表示未消费商品v′的表示向量；
Figure FDA0003467170870000025
是正则项，Θ为所有待训练的参数；
参数迭代更新：利用目标函数更新用户的决策函数中相关参数；
生成商品排序列表：利用参数迭代优化结果，结合决策函数更新用户对于商品的完整排序列表，并进行循环优化，直至商品对于用户的完整排序列表不再改变。
2.根据权利要求1所述的一种时序感知的动态社交场景推荐方法，其特征在于，所述基本数据至少包括：历史用户消费行为信息及用户社交行为信息；
其中，历史消费行为信息至少包括：用户身份标识、商品身份标识、用户对商品的行为、以及行为发生所对应的时间戳；
历史社交行为信息至少包括：用户身份标识、用户之间的行为、以及行为发生所对应的时间戳。
3.根据权利要求1或2所述的一种时序感知的动态社交场景推荐方法，其特征在于，该方法还包括：
对获得的基本数据进行数据筛选，数据筛选时根据时间戳划分出多个时间段，以指定时间间隔作为一个时间窗，进行数据划分，将时间窗数目少于设定值的用户的基本数据剔除。
4.根据权利要求1所述的一种时序感知的动态社交场景推荐方法，其特征在于，
对于用户u而言，其对商品的评价因素包括：商品v的表示向量qv与用户u受到社交影响的个人偏好向量
Figure FDA0003467170870000026
用户偏好向量
Figure FDA0003467170870000027
包含两部分：动态用户个人偏好
Figure FDA0003467170870000028
以及用户的动态社交背景信息
Figure FDA0003467170870000029
则用户u对于商品v的决策函数表示为：
Figure FDA00034671708700000210
偏好得分大小决定排序列表中相应商品的位置；
各评价因素初始化方式如下：
商品的表示向量qv以小数值的均匀分布初始化，用户的u初始个人偏好向量
Figure FDA00034671708700000211
以零向量进行初始化，在计算用户的社交背景向量
Figure FDA00034671708700000212
时，需要初始化的有：好友u′所对应的时间向量
Figure FDA00034671708700000213
和用户u的初始特征向量
Figure FDA00034671708700000214
每个时间窗对应的时间向量采用随机初始化并通过查表获得
Figure FDA0003467170870000031
用户初始特征
Figure FDA0003467170870000032
的初始化是u在t时段内消费的商品的向量的池化。
5.根据权利要求1或4所述的一种时序感知的动态社交场景推荐方法，其特征在于，
用户偏好的获得取决于两部分：用户当前的输入特征
Figure FDA0003467170870000033
和用户前一时间窗内的偏好向量
Figure FDA0003467170870000034
即用户过去的偏好对其当前的偏好有影响。
6.根据权利要求1或4所述的一种时序感知的动态社交场景推荐方法，其特征在于，动态社交背景信息提取的计算过程如下：
根据用户之间的社交连接以及时间信息将社交行为表示为序列社交图，即
Figure FDA0003467170870000035
在t时间窗内社交图
Figure FDA0003467170870000036
中，以用户u作为中心结点，根据中心结点的连接结构计算对应邻居结点的权重；若用户u的好友构成的邻居结点集合表示为
Figure FDA0003467170870000037
对于每一个邻居u′，依次计算两种关系权重；其中，t＝1，2，...，T，T表示时间窗总数；
首先，基于社交图结构的注意力机制计算相应关系权重：
对用户u和其邻居u′的输入特征
Figure FDA0003467170870000038
和
Figure FDA0003467170870000039
进行线性变换，线性变换的参数矩阵对所有用户共享：
Figure FDA00034671708700000310
Figure FDA00034671708700000311
其中，Wx是注意力机制中的可学习参数，用于将输入特征转换为隐空间中的向量；
之后，根据线性变换后的用户特征，计算两个用户之间的关系：
Figure FDA00034671708700000312
其中，
Figure FDA00034671708700000313
是向量串接操作，
Figure FDA00034671708700000322
是参数向量，作为用户特征到用户关系的映射参数；
完成全部邻居与用户u的关系计算之后，经过归一化处理得到用户u和其邻居u′所对应的权重系数：
Figure FDA00034671708700000314
然后，基于时间信息的注意力机制计算相关权重：
Figure FDA00034671708700000315
Figure FDA00034671708700000316
Figure FDA00034671708700000317
其中，
Figure FDA00034671708700000318
是参数向量，
Figure FDA00034671708700000319
表示邻居u′所对应的时间向量，Wt是注意力机制中的可学习参数，
Figure FDA00034671708700000320
是时间向量经过共享参数矩阵的线性变换结果，
Figure FDA00034671708700000321
是带有时间影响的用户u与u′之间的关系表示；经过归一化的权重
Figure FDA0003467170870000041
表示u′对于用户u的重要程度；
对于用户u，计算t时间窗内对应的基于图结构信息的社交背景向量
Figure FDA0003467170870000042
和基于时间信息的社交背景向量
Figure FDA0003467170870000043
Figure FDA0003467170870000044
Figure FDA0003467170870000045
将两部分结合，得到用户u在t时间窗内的动态社交背景信息的表示向量：
Figure FDA0003467170870000046
7.根据权利要求1所述的一种时序感知的动态社交场景推荐方法，其特征在于，
结合动态用户个人偏好与动态社交背景信息，获得用户的最终表示向量，表示为：
Figure FDA0003467170870000047
其中，
Figure FDA0003467170870000048
表示用户u在t时间窗内的最终表示向量，
Figure FDA0003467170870000049
表示用户u在t时间窗内的偏好向量，
Figure FDA00034671708700000410
表示用户u在t时间窗内的动态社交信息的表示向量；
偏好得分
Figure FDA00034671708700000411
取决于向量
Figure FDA00034671708700000412
和qv的内积，即：
Figure FDA00034671708700000413
计算得到的
Figure FDA00034671708700000414
值越高，表示用户u选择商品v的可能性越大。
8.根据权利要求7所述的一种时序感知的动态社交场景推荐方法，其特征在于，待训练的参数包括：循环神经网络中的参数与注意力机制中的参数；参数通过梯度下降法来更新。
9.根据权利要求1或4所述的一种时序感知的动态社交场景推荐方法，其特征在于，对于新的商品，基于完成参数训练的决策函数，计算用户对于每个商品的偏好得分，进而通过稳定匹配的方式预测用户选择的结果并进行推荐包括：
对于一系列新的商品，先将各新的商品自身属性进行向量化处理，得到各新的商品的表示向量；
对于用户u，利用完成参数训练的决策函数结合各新的商品的表示向量，预测用户u对于新的商品的偏好得分；
将偏好得分按照从大至小的顺序进行排列，并取排名靠前的K个商品推荐给用户u。
CN201910815466.XA 2019-08-30 2019-08-30 时序感知的动态社交场景推荐方法 Active CN110503531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910815466.XA CN110503531B (zh) 2019-08-30 2019-08-30 时序感知的动态社交场景推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910815466.XA CN110503531B (zh) 2019-08-30 2019-08-30 时序感知的动态社交场景推荐方法

Publications (2)

Publication Number Publication Date
CN110503531A CN110503531A (zh) 2019-11-26
CN110503531B true CN110503531B (zh) 2022-04-19

Family

ID=68590700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910815466.XA Active CN110503531B (zh) 2019-08-30 2019-08-30 时序感知的动态社交场景推荐方法

Country Status (1)

Country Link
CN (1) CN110503531B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046285B (zh) * 2019-12-11 2023-04-25 拉扎斯网络科技（上海）有限公司 一种推荐排序确定方法、装置、服务器及存储介质
CN111178946B (zh) * 2019-12-17 2023-07-18 清华大学深圳国际研究生院 一种用户行为表征的方法及系统
CN111339415B (zh) * 2020-02-25 2023-06-20 中国科学技术大学 一种基于多交互式注意力网络的点击率预测方法与装置
CN111415236B (zh) * 2020-03-17 2021-09-14 上海新致软件股份有限公司 基于云计算的区块链大数据金融用户标签估计方法及系统
CN111652673B (zh) * 2020-05-09 2023-04-07 腾讯科技（深圳）有限公司 智能推荐方法、装置、服务器和存储介质
CN111626831A (zh) * 2020-06-02 2020-09-04 重庆智者炎麒科技有限公司 一种基于神经网络的售票方法及票务系统
CN111797327B (zh) * 2020-06-04 2021-06-18 南京擎盾信息科技有限公司 社交网络建模的方法及装置
CN113763072B (zh) * 2020-07-01 2023-09-22 北京京东振世信息技术有限公司 用于分析信息的方法和装置
CN111905375B (zh) * 2020-07-31 2022-02-25 腾讯科技（深圳）有限公司 显示方法、装置以及相关设备
CN112445981A (zh) * 2020-11-04 2021-03-05 西安电子科技大学 社交及消费联合推荐系统、方法、存储介质、计算机设备
CN112950325B (zh) * 2021-03-16 2023-10-03 山西大学 一种社交行为融合的自注意力序列推荐方法
CN112883280B (zh) * 2021-03-25 2023-08-04 贵阳货车帮科技有限公司 用户推荐内容的处理系统以及方法
CN113065067A (zh) * 2021-03-31 2021-07-02 达而观信息科技（上海）有限公司 一种物品推荐方法、装置、计算机设备及存储介质
CN113721811B (zh) * 2021-11-03 2022-03-01 北京每日菜场科技有限公司 弹窗发送方法、装置、电子设备和计算机可读介质
CN117196787B (zh) * 2023-10-08 2024-05-07 深圳市童牛科技有限公司 一种基于人工智能的智能决策优化方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648049A (zh) * 2018-05-03 2018-10-12 中国科学技术大学 一种基于用户行为区别建模的序列推荐方法
CN109299370A (zh) * 2018-10-09 2019-02-01 中国科学技术大学 多对级个性化推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120330758A1 (en) * 2011-06-21 2012-12-27 Kaushik Sudhir Segmenting ad inventory by creators, recommenders and their social status

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648049A (zh) * 2018-05-03 2018-10-12 中国科学技术大学 一种基于用户行为区别建模的序列推荐方法
CN109299370A (zh) * 2018-10-09 2019-02-01 中国科学技术大学 多对级个性化推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于时序行为的协同过滤推荐算法;孙光福;《软件学报》;20131124;全文 *

Also Published As

Publication number Publication date
CN110503531A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110503531B (zh) 时序感知的动态社交场景推荐方法
CN108648049B (zh) 一种基于用户行为区别建模的序列推荐方法
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
CN111222332B (zh) 一种结合注意力网络和用户情感的商品推荐方法
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及系统
CN110163647B (zh) 一种数据处理方法及装置
CN108665311B (zh) 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法
CN106251174A (zh) 信息推荐方法及装置
CN110598037A (zh) 一种图像搜索方法、装置和存储介质
CN111242310A (zh) 特征有效性评估方法、装置、电子设备及存储介质
Straton et al. Big social data analytics for public health: Predicting facebook post performance using artificial neural networks and deep learning
CN115712780A (zh) 一种基于云计算和大数据的信息推送方法及装置
CN113656699B (zh) 用户特征向量确定方法、相关设备及介质
CN114238764A (zh) 基于循环神经网络的课程推荐方法、装置及设备
Ranggadara et al. Applying customer loyalty classification with RFM and Naïve Bayes for better decision making
Pughazendi et al. Graph Sample and Aggregate Attention Network optimized with Barnacles Mating Algorithm based Sentiment Analysis for Online Product Recommendation
CN113763031A (zh) 一种商品推荐方法、装置、电子设备及存储介质
Kumar et al. A novel fuzzy rough sets theory based cf recommendation system
CN115829683A (zh) 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统
Wang et al. Bayesian deep learning based exploration-exploitation for personalized recommendations
CN112463964B (zh) 文本分类及模型训练方法、装置、设备及存储介质
CN110956528B (zh) 一种电商平台的推荐方法及系统
CN114418701A (zh) 一种生成推荐列表的方法、装置、电子设备及存储介质
CN114529399A (zh) 用户数据处理方法、装置、计算机设备和存储介质
CN112559905A (zh) 一种基于双模式注意力机制和社交相似度的会话推荐方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant