CN111259235A - 基于上下文感知及特征交互建模的个性化推荐方法及系统 - Google Patents

基于上下文感知及特征交互建模的个性化推荐方法及系统 Download PDF

Info

Publication number
CN111259235A
CN111259235A CN202010022598.XA CN202010022598A CN111259235A CN 111259235 A CN111259235 A CN 111259235A CN 202010022598 A CN202010022598 A CN 202010022598A CN 111259235 A CN111259235 A CN 111259235A
Authority
CN
China
Prior art keywords
context
user
characteristic information
article
interaction
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.)
Pending
Application number
CN202010022598.XA
Other languages
English (en)
Inventor
高茜
马鹏程
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202010022598.XA priority Critical patent/CN111259235A/zh
Publication of CN111259235A publication Critical patent/CN111259235A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于上下文感知及特征交互建模的个性化推荐方法及系统，属于数据挖掘技术领域，本发明要解决的技术问题为如何根据用户在不同上下文环境下的偏好为用户进行推荐，提高推荐的准确性，采用的技术方案为：该方法是构建基于上下文感知特征交互的特征交互网络模型，具体如下：构建上下文特征信息属性模型；构建上下文特征信息‑用户/上下文特征信息‑物品交互模型；构建不同上下文特征信息对用户/物品的影响程度模型；构建上下文环境对用户/物品潜在特征信息的整体影响模型；构建特征交互网络预测模型。本发明还公开了基于上下文感知及特征交互建模的个性化推荐系统。

Description

基于上下文感知及特征交互建模的个性化推荐方法及系统
技术领域
本发明属于数据挖掘技术领域，应用于网络的个性化推荐，具体地说是一种基于上下文感知及特征交互建模的个性化推荐方法及系统。
背景技术
近年来，随着网络点餐等新兴技术的出现，餐饮业迎来了新的发展，然而在种类繁杂的食品环境下，用户常常难以选择准确的、符合自己口味的食物，因此对于当前的大多数点餐软件以及实体餐厅来说，如何根据用户的实际需求来推荐给用户满意的食物是重中之重。当前，常见的食品推荐系统往往只是关注了用户和物品自身特征，并没有考虑用户和物品所处的特殊上下文环境，因此无法观测到用户兴趣随上下文环境所发生的变化。针对上下文感知推荐系统这一较新的领域，相对传统的CARS方法可分为三类：上下文预过滤、上下文后过滤和上下文建模，这些传统的上下文感知推荐算法几乎没有考虑建立上下文与用户/物品的交互关系，而是使用上下文信息来驱动数据选择或数据构造，因此对推荐结果造成不好的影响。近年来，深度学习被应用于情境感知的推荐任务中，引起了广泛的关注,如引入上下文感知递归神经网络(CA-RNN)，该网络考虑了顺序建模任务的上下文信息。然而这些深度学习的方法还是无法区别不同上下文的影响大小，而是将不同上下文的权重影响因子看作是相同的，这违背了现实的原理，因此也无法得到效果很好的模型。除此之外，也有很多人在尝试不同的方法去提升上下文感知推荐系统的效果，具体如下：
(1)、一种基于张量因子分解的多元推荐模型，该模型以数据张量的形式将不同类型的上下文作为数据表示框架中的一个附加维度；
(2)、一种获得上下文相关性的独特方法，提供一些虚构的上下文偏好模型，供用户观察并提出意见；然后，用户回答问题，并以这种方式收集有用的上下文信息；最后，结果证明了这些系统优于不使用上下文的推荐系统；
(3)、一种基于多模态内容相关性和用户反馈的上下文视频推荐模型；
(4)、一个用于个性化产品搜索的长期-短期偏好上下文建模的系统框架，该模型采用神经网络方法，将用户的长期偏好和短期偏好与输入查询相结合，进行个性化产品搜索；特别地，设计了两个注意网络来区分短期和长期用户偏好的特征；
(5)、种新颖的基于上下文的兴趣点生成群体推荐方法，作者推荐是一种有用的应用，是学术推荐系统中最热门的研究领域之一；
(6)、一种新的上下文感知的学术合作者推荐模型，该模型能够推荐潜在的新合作者；
(7)、在递归神经网络(RNN)中使用上下文来实现高效的推荐过程，作者对经典的特征集合方法进行了实证分析，证明了该方法不适合于捕获最重要的特征交叉；
(8)、应用RNN算法提高推荐算法的效率。
值得注意的是，在以上提到的所有方法中，仍然或多或少的存在一些缺点，要么没有对上下文-用户/物品进行交互建模，无法直接的体现上下文信息对用户/物品产生的影响，要么没有采取措施来区别不同上下文信息对用户/物品的影响大小。故如何根据用户在不同上下文环境下的偏好为用户进行推荐，提高推荐的准确性是目前亟待解决的技术问题。
发明内容
本发明的技术任务是提供一种基于上下文感知及特征交互建模的个性化推荐方法及系统，来解决如何根据用户在不同上下文环境下的偏好为用户进行推荐，提高推荐的准确性的问题。
本发明的技术任务是按以下方式实现的，基于上下文感知及特征交互建模的个性化推荐方法，该方法是构建基于上下文感知特征交互的特征交互网络模型(FINM)，具体如下：
构建上下文特征信息属性模型，根据不同数据集，选取用户/物品所处特定的上下文环境，根据上下文环境信息构建上下文特征信息向量；其中，用户/物品信息在不同的数据集中上下文特征信息有所不同，通常认为时间数据信息和地理数据信息这类的数据会是最常出现的上下文特征信息，但在本发明的应用领域Food数据集中，选择虚拟感性和饥饿感为独特的上下文特征信息；
构建上下文特征信息-用户/上下文特征信息-物品交互模型，利用双线性函数将不同的上下文特征信息向量和用户/物品潜在特征向量映射到共享隐空间中，再通过输出函数得到交互结果，从而捕获上下文和用户/物品之间的交互并得到上下文对用户/物品的交互结果；其中，用户/物品潜在特征向量是经过递增式数据编码的方式标示不同的用户和物品；
构建不同上下文特征信息对用户/物品的影响程度模型，结合上下文特征信息-用户/上下文特征信息-物品的交互结果与给定的用户/物品潜在特征信息向量，通过单隐藏层求得不同上下文特征信息的注意力值，再利用softmax函数求得不同上下文特征信息的注意力权重，并最终得到上下文特征信息-用户/上下文特征信息-物品整体交互结果，从而区分不同上下文特征信息对用户/物品的影响程度；
构建上下文环境对用户/物品潜在特征信息的整体影响模型，将潜在用户/物品特征信息向量与上下文环境对用户的整体交互效果进行融合，最终得到受上下文环境影响所产生的上下文特征信息-用户/上下文特征信息-物品整体作用结果，从而获取上下文环境对用户/物品的整体作用效果；
构建特征交互网络预测模型，将上下文特征信息-用户整体作用结果与上下文特征信息-物品整体作用结果带入改进的矩阵分解算法中，并加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，最终得到预测结果。
作为优选，所述构建上下文特征信息属性模型具体如下：
采用针对上下文环境自身的属性信息来进行建模，构建上下文特征信息向量Cm，其中，m表示会有M个上下文特征信息，m＝{1,2,…,M}。
作为优选，所述构建上下文特征信息-用户/上下文特征信息-物品交互模型中通过输出函数得到交互结果，公式如下：
Figure BDA0002361344650000031
其中，
Figure BDA0002361344650000032
和
Figure BDA0002361344650000033
表示上线性函数层的权重矩阵；Pu表示用户潜在特征向量；
Figure BDA0002361344650000034
表示上下文信息Cm的特征向量；
Figure BDA0002361344650000035
表示偏置项；
Figure BDA0002361344650000036
表示与交互模型相关的模型参数；σ(·)表示激活函数ReLU；输出层函数为：
Figure BDA0002361344650000037
表示输出层的权重矩阵；
Figure BDA0002361344650000038
表示上下文信息和用户之间交互所产生的潜在向量；
Figure BDA0002361344650000039
表示偏置项。
作为优选，所述构建不同上下文特征信息对用户/物品的影响程度模型具体如下：
结合上下文特征信息-用户/上下文特征信息-物品的交互结果与给定的用户潜在特征向量，通过单隐藏层求得每个上下文特征信息的不同注意力值，再利用softmax函数求得每个上下文特征信息的注意力权重值α(u,cm)，公式如下：
Figure BDA00023613446500000310
Figure BDA00023613446500000311
其中，
Figure BDA00023613446500000312
和
Figure BDA00023613446500000313
表示权重矩阵；bφ表示偏置项；φ表示在注意力机制模块相关的模型参数；σ(·)表示激活函数ReLU；
得到每个上下文作用的注意力权重后，对注意力权重进行加权求和，得到上下文环境对用户的整体交互效果向量Fu,c，其公式如下，：
Figure BDA0002361344650000041
其中，α(u,cm)表示每个上下文特征信息的注意力权重值；
Figure BDA0002361344650000042
表示上下文特征信息-用户交互结果。
作为优选，所述构建上下文环境对用户/物品潜在特征信息的整体影响模型具体如下：
将潜在用户/物品特征信息向量与上下文环境对用户的作用效果进行双线性函数交互融合，最终得到受上下文环境影响所产生的上下文感知用户/物品特征结果，公式如下：
Figure BDA0002361344650000043
Figure BDA0002361344650000044
其中，
Figure BDA0002361344650000045
和
Figure BDA0002361344650000046
表示权重矩阵；bβ和
Figure BDA0002361344650000047
表示偏置向量；σ(·)是激活函数ReLU。
作为优选，所述加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，通过均方根误差(RMSE)和平均绝对误差(MAE)来比较预测结果，公式如下：
Figure BDA0002361344650000048
其中，μ表示全局均值；bu,c表示受上下文环境Cm影响所产生的上下文用户评分偏置；bv,c表示受上下文Cm影响所产生的上下文物品评分偏置；bu,c和bv,c的的计算公式如下：
Figure BDA0002361344650000049
其中，
Figure BDA00023613446500000410
表示上下文信息Cm的偏置项；bu表示用户评分偏差；bv表示物品评分偏差；M表示上下文特征信息数量；σ1表示上下文偏差变化率，即调节因子；
基于bu,c、bv,c和
Figure BDA00023613446500000411
将矩阵分解算法的目标函数定为：
Figure BDA00023613446500000412
其中，Ru,v,c表示真实的评分值
Figure BDA00023613446500000413
是预测评分值；
Figure BDA00023613446500000414
表示防止过拟合的正则项。
一种基于上下文感知及特征交互建模的个性化推荐系统，该系统包括，
上下文特征信息选取模块，用于构建上下文特征信息属性模型，根据不同数据集，选取用户/物品所处特定的上下文环境，根据上下文环境信息构建上下文特征信息向量；
上下文特征信息-用户/上下文特征信息-物品交互模块，用于构建上下文特征信息-用户/上下文特征信息-物品交互模型，利用双线性函数将不同的上下文特征信息向量和用户/物品潜在特征向量映射到共享隐空间中，再通过输出函数得到交互结果，从而捕获上下文和用户/物品之间的交互并得到上下文对用户/物品的交互结果；
注意力机制模块，用于构建不同上下文特征信息对用户/物品的影响程度模型，结合上下文特征信息-用户/上下文特征信息-物品的交互结果与给定的用户/物品潜在特征信息向量，通过单隐藏层求得不同上下文特征信息的注意力值，再利用softmax函数求得不同上下文特征信息的注意力权重，并最终得到上下文特征信息-用户/上下文特征信息-物品整体交互结果，从而区分不同上下文特征信息对用户/物品的影响程度；
上下文特征信息-用户/上下文特征信息-物品整体作用模块，用于构建上下文环境对用户/物品潜在特征信息的整体影响模型，将潜在用户/物品特征信息向量与上下文环境对用户的整体交互效果进行融合，最终得到受上下文环境影响所产生的上下文特征信息-用户/上下文特征信息-物品整体作用结果，从而获取上下文环境对用户/物品的整体作用效果；
基于矩阵分解的评分预测模块，用于将上下文特征信息-用户整体作用结果与上下文特征信息-物品整体作用结果带入改进的矩阵分解算法中，并加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，最终得到预测结果。
作为优选，所述加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，通过均方根误差(RMSE)和平均绝对误差(MAE)来比较预测结果，公式如下：
Figure BDA0002361344650000051
其中，μ表示全局均值；bu,c表示受上下文环境Cm影响所产生的上下文用户评分偏置；bv,c表示受上下文Cm影响所产生的上下文物品评分偏置；bu,c和bv,c的的计算公式如下：
Figure BDA0002361344650000061
其中，
Figure BDA0002361344650000062
表示上下文信息Cm的偏置项；bu表示用户评分偏差；bv表示物品评分偏差；M表示上下文特征信息数量；σ1表示上下文偏差变化率，即调节因子；
基于bu,c、bv,c和
Figure BDA0002361344650000063
将矩阵分解算法的目标函数定为：
Figure BDA0002361344650000064
其中，Ru,v,c表示真实的评分值
Figure BDA0002361344650000065
是预测评分值；
Figure BDA0002361344650000066
表示防止过拟合的正则项。
一种存储介质，其中存储有多条指令，所述指令由处理器加载，执行上述的基于上下文感知及特征交互建模的个性化推荐方法的步骤。
一种电子设备，所述电子设备包括：
上述的存储介质；以及
处理器，用于执行所述存储介质中的指令。
本发明的基于上下文感知及特征交互建模的个性化推荐方法及系统具有以下优点：
(一)本发明针对用户偏好随上下文环境变化而发生变化从而导致推荐不够准确的问题，建立上下文特征信息-用户/上下文特征信息-物品间的交互模型，通过识别不同环境中的上下文特征信息建模用户兴趣变化，从而发现用户在不同上下文环境下的偏好，提高推荐的准确性；本发明适用于餐厅美食的推荐，能够根据用户所处的上下文环境来准确推荐感兴趣的食物；
(二)本发明提出了建模上下文特征信息-用户/上下文特征信息-物品间的交互模型，提升了预测推荐效果；利用注意力机制来区分不同上下文对用户/物品的影响力大小，为推荐结果提供了更加可解释的建议；利用改进的矩阵分解算法，将上下文特征信息量化成特征值，结合用户/物品的评分偏置值产生上下文-用户/物品的评分偏置值，由此可以产生更加准确的预测评分值实验结果，也表明本发明的方法有利于提升最终推荐结果的准确率；
(三)注意力值是通过注意力机制(attention)求得，可以区别不同上下文特征信息对于用户/物品的影响程度；
(四)构建的不同上下文特征信息对用户/物品的影响程度模型，用于表现上下文对用户/物品的整体影响效果，可以通过用户潜在特征向量的变化直观的表示在上下文环境中用户兴趣所发生的变化；
(五)本发明加入了受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，分别是用户评分偏置项和物品偏置项与上下文评分偏置交互的结果。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于上下文感知及特征交互建模的个性化推荐方法的流程框图；
附图2为基于上下文感知及特征交互建模的个性化推荐系统的示意图；
附图3为上下文特征信息-用户/上下文特征信息-物品交互模块的示意图。
图2中：
Figure BDA0002361344650000071
表示上下文特征信息-用户交互结果；
Figure BDA0002361344650000072
表示上下文特征信息-物品交互结果；Fu,c表示上下文环境对用户的整体交互效果；Fv,c表示上下文环境对物品的整体交互效果；Pu,c表示上下文环境对用户的整体作用效果；Qv,c表示上下文环境对物品的整体作用效果；
图3中：Pu表示用户潜在特征向量；
Figure BDA0002361344650000073
表示上下文信息Cm的特征向量。
具体实施方式
参照说明书附图和具体实施例对本发明的基于上下文感知及特征交互建模的个性化推荐方法及系统作以下详细地说明。
实施例1：
如附图1所示，本发明的基于上下文感知及特征交互建模的个性化推荐方法,该方法是构建基于上下文感知特征交互的特征交互网络模型(FINM)，具体如下：
S1、构建上下文特征信息属性模型，根据不同数据集，选取用户所处特定的上下文环境，根据上下文环境信息构建上下文特征信息向量；其中，用户信息在不同的数据集中上下文特征信息有所不同，通常认为时间数据信息和地理数据信息这类的数据会是最常出现的上下文特征信息，但在本发明的应用领域Food数据集中，选择虚拟感性和饥饿感为独特的上下文特征信息；具体如下：
采用针对上下文环境自身的属性信息来进行建模，构建上下文特征信息向量Cm，其中，m表示会有M个上下文特征信息，m＝{1,2,…,M}。
S2、构建上下文特征信息-用户交互模型，利用双线性函数将不同的上下文特征信息向量和用户潜在特征向量映射到共享隐空间中，再通过输出函数得到交互结果，从而捕获上下文和用户之间的交互并得到上下文对用户的交互结果；公式如下：
Figure BDA0002361344650000081
其中，
Figure BDA0002361344650000082
和
Figure BDA0002361344650000083
表示上线性函数层的权重矩阵；Pu表示用户潜在特征向量；
Figure BDA0002361344650000084
表示上下文信息Cm的特征向量；
Figure BDA0002361344650000085
表示偏置项；
Figure BDA0002361344650000086
表示与交互模型相关的模型参数；σ(·)表示激活函数ReLU；输出层函数为：
Figure BDA0002361344650000087
表示输出层的权重矩阵；
Figure BDA0002361344650000088
表示上下文信息和用户之间交互所产生的潜在向量；
Figure BDA0002361344650000089
表示偏置项。
其中，用户潜在特征向量是经过递增式数据编码的方式标示不同的用户和物品；
S3、构建不同上下文特征信息对用户的影响程度模型，结合上下文特征信息-用户的交互结果与给定的用户潜在特征矩阵，通过单隐藏层求得不同上下文特征信息的注意力值，再利用softmax函数求得不同上下文特征信息的注意力权重，并最终得到上下文特征信息-用户整体交互结果，从而区分不同上下文特征信息对用户的影响程度；具体如下：
S301、结合上下文特征信息-用户的交互结果与给定的用户潜在特征向量，通过单隐藏层求得每个上下文特征信息的不同注意力值，再利用softmax函数求得每个上下文特征信息的注意力权重值α(u,cm)，公式如下：
Figure BDA00023613446500000810
Figure BDA00023613446500000811
其中，
Figure BDA00023613446500000812
和
Figure BDA00023613446500000813
表示权重矩阵；bφ表示偏置项；φ表示在注意力机制模块相关的模型参数；σ(·)表示激活函数ReLU；
S302、得到每个上下文作用的注意力权重后，对注意力权重进行加权求和，得到上下文环境对用户的整体交互效果向量Fu,c，其公式如下，：
Figure BDA00023613446500000814
其中，α(u,cm)表示每个上下文特征信息的注意力权重值；
Figure BDA00023613446500000815
表示上下文特征信息-用户交互结果。
S4、构建上下文环境对用户特性所发生的变化模型，将潜在用户特征信息向量与上下文环境对用户的整体交互效果进行融合，最终得到受上下文环境影响所产生的上下文特征信息-用户整体作用结果，从而获取上下文环境对用户的整体作用效果；具体如下：
将潜在用户特征信息向量与上下文环境对用户的作用效果进行双线性函数交互融合，最终得到受上下文环境影响所产生的上下文感知用户特征结果，公式如下：
Figure BDA0002361344650000091
Figure BDA0002361344650000092
其中，
Figure BDA0002361344650000093
和
Figure BDA0002361344650000094
表示权重矩阵；bβ和
Figure BDA0002361344650000095
表示偏置向量；σ(·)是激活函数ReLU。
其中，由于路径上下文特征信息-用户和路径上下文特征信息-物品是完全对称的两条路径，并以相同的方式实现，仅个别参数的表示方式不同，因此仅介绍用户端路径，同理可得物品端路径。
S5、构建特征交互网络预测模型，将上下文特征信息-用户整体作用结果与上下文特征信息-物品整体作用结果带入改进的矩阵分解算法中，并加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，最终得到预测结果。
其中，矩阵分解方法在处理大规模矩阵时具有优异的性能和良好的可拓展性，因此矩阵分解算法在推荐领域得到了广泛的应用，常见的矩阵分解算法有SVD++，PMF等，矩阵分解算法的基本思想是将高维的大规模矩阵分解成两个或多个低维矩阵的乘积。在推荐领域具体的做法是将用户物品评分矩阵Rm×n分解成两个低维的矩阵，分别是用户特征矩阵Uk×n＝(u1,u2,...,un)和项目特征矩阵Vk×n＝(k1,k2,...,kn)，然后利用优化算法求得最优解，最后基于用户特征矩阵和物品特征矩阵的乘积预测用户对于未评分物品的偏好程度，公式如下：
Figure BDA0002361344650000096
矩阵分解算法的目标函数如下所示：
Figure BDA0002361344650000097
在上式中，ri,j是用户i对于项目j的历史评分记录，
Figure BDA0002361344650000098
是用户特征向量与项目特征向量得到的预测评分。λ(||u||2+||v||2)是防止过拟合的正则项,I是指示函数，即Ii,j＝1时，说明用户ui对物品vj的历史评分，ri,j有值，当Ii,j＝0时，说明ui没有对vj的历史评分。
本发明用Pu表示用户的潜在特征向量，Qv表示用户的潜在特征向量，Cm表示上下文信息的潜在特征向量，其中m＝{1,2,…,M}表示会用M个上下文特征信息，在上下文环境Cm的影响下，用户潜在特征向量Pu变成Pu,c(表示用户受上下文环境影响所形成的潜在特征向量),而物品潜在特征向量Qv变成Qv,c(表示物品受上下文环境影响所形成的潜在特征向量)，最终用户物品评分矩阵如以公式下所示：
Figure BDA0002361344650000101
本发明加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，通过均方根误差(RMSE)和平均绝对误差(MAE)来比较预测结果，公式如下：
Figure BDA0002361344650000102
其中，μ表示全局均值；bu,c表示受上下文环境Cm影响所产生的上下文用户评分偏置；bv,c表示受上下文Cm影响所产生的上下文物品评分偏置；bu,c和bv,c的的计算公式如下：
Figure BDA0002361344650000103
其中，
Figure BDA0002361344650000104
表示上下文信息Cm的偏置项；bu表示用户评分偏差；bv表示物品评分偏差；M表示上下文特征信息数量；σ1表示上下文偏差变化率，即调节因子；
基于bu,c、bv,c和
Figure BDA0002361344650000105
将矩阵分解算法的目标函数定为：
Figure BDA0002361344650000106
其中，Ru,v,c表示真实的评分值
Figure BDA0002361344650000107
是预测评分值；
Figure BDA0002361344650000108
表示防止过拟合的正则项。
实施例2：
本发明中所采用的数据集(Food)是采集的真实数据，该数据集是由Ono等人提供的，包含了212个用户在20中种食物上的6360条评价信息，根据合理的推断，我们认为用户的每条评分记录都与虚拟性和饥饿感这两个上下文信息是相关的。第一个是上下文信息因素虚拟性(Virtuality)描述用户的评价是虚拟的还是真实的情况(该上下文信息有两个上下文取值：真实和虚拟)，第二个上下文信息因素是饥饿感(Hunger)，该上下文信息描述了用户在评价时的饥饿程度(有三个上下文取值：饥饿、正常和饱腹)，如下表所示：
数据集 用户数 物品数 上下文因素数目 交互记录数目 评分尺度
Food 212 20 2 6360 1-5分
本发明的实施主要包括以下步骤：
1)获取数据源，本发明在已公开的真是数据集Food上进行实验，通过整理数据，得到了包含用户潜在特征信息、物品潜在特征信息和上下文特征信息。
2)如图3所示，通过双线性函数，分别做上下文-用户和上下文-物品交互，通过输出层函数得到输出结果：
Figure BDA0002361344650000109
其中，
Figure BDA0002361344650000111
和
Figure BDA0002361344650000112
表示上线性函数层的权重矩阵；Pu表示用户潜在特征向量；
Figure BDA0002361344650000113
表示上下文信息Cm的特征向量；
Figure BDA0002361344650000114
表示偏置向量(上标
Figure BDA0002361344650000115
是指与交互中心模块相关的模型参数)；σ(·)表示激活函数ReLU；最后输出层函数如下所示：
Figure BDA0002361344650000116
其中，
Figure BDA0002361344650000117
表示输出层的权重矩阵；在上述公式中，
Figure BDA0002361344650000118
作为上下文信息和用户之间交互所产生的潜在向量，
Figure BDA0002361344650000119
是偏置向量。
3)利用注意力机制，计算出每类上下文特征信息的权重值，并得到上下文环境与用户/物品的整体交互结果。
Figure BDA00023613446500001110
Figure BDA00023613446500001111
其中，
Figure BDA00023613446500001112
和
Figure BDA00023613446500001113
表示权重矩阵；bφ表示偏置向量，上标φ表示在注意力机制模块相关的模型参数；σ(·)表示激活函数ReLU。
通过以上过程得到了每个上下文作用的注意力权重，然后对每个上下文作用的注意力权重进行加权求和，得到上下文环境对用户的整体作用效果向量Fu,c来表示，其公式如下所示：
Figure BDA00023613446500001114
其中，α(u,cm)表示每个上下文特征信息的注意力权重值；
Figure BDA00023613446500001115
表示上下文特征信息-用户交互结果。
4)再次通过双线性函数，将上下文环境与用户/物品的整体交互结果与用户/物品潜在特征信息进行交互，得到上下文环境对用户/物品的整体作用效果。
Figure BDA00023613446500001116
Figure BDA00023613446500001117
其中，
Figure BDA00023613446500001118
和
Figure BDA00023613446500001119
表示权重矩阵；bβ和
Figure BDA00023613446500001120
表示偏置向量；σ(·)表示激活函数ReLU。
5)利用矩阵分解算法，实现上下文-用户整体作用与上下文-物品整体作用交互，并且还加入了受上下文环境而发生改变的用户评分偏置和物品评分偏置来预测评分，最终通过均方根误差(RMSE)和平均绝对误差(MAE)来比较预测结果。
Figure BDA00023613446500001121
其中，μ同样是全局均值；bu,c表示受上下文环境Cm影响所产生的上下文用户评分偏置；bv,c表示受上下文Cm影响所产生的上下文物品评分偏置；bu,c和bv,c的公式如下所示：
Figure BDA0002361344650000121
其中，
Figure BDA0002361344650000122
表示上下文信息Cm的偏置项；M表示上下文信息数量；σ1表示调节因子。
在本发明中，基于以上添加的bu,c、bv,c和
Figure BDA0002361344650000123
最终将矩阵分解算法的目标函数定为：
Figure BDA0002361344650000124
其中，Ru,v,c表示真实的评分值
Figure BDA0002361344650000125
是预测评分值；
Figure BDA0002361344650000126
是防止过拟合的正则项。
最终，实验结果如下表所示：
模型类型 RMSE(均方根误差) MAE(平均绝对误差)
MF 1.167 0.950
CAMF-C 1.121 0.900
FM 1.065 0.882
AFM 1.051 0.839
FINM(本发明) 1.042 0.822
在Food数据集上，本发明所提出的FINM算法表现优于传统的矩阵分解方法(MF)，同时也优于很多其他传统的上下文感知推荐算法，拥有非常不错的预测效率，这表明上下文感知推荐算法考虑上下文环境的影响能够提高推荐的准确度，同时也证实了在推荐模型中利用上下文信息来建模用户对物品的兴趣的重要性。
实施例3：
如附图2所示，本发明的基于上下文感知及特征交互建模的个性化推荐系统，该系统包括，
上下文特征信息选取模块，用于构建上下文特征信息属性模型，根据不同数据集，选取用户/物品所处特定的上下文环境，根据上下文环境信息构建上下文特征信息向量；
上下文特征信息-用户/上下文特征信息-物品交互模块，用于构建上下文特征信息-用户/上下文特征信息-物品交互模型，利用双线性函数将不同的上下文特征信息向量和用户/物品潜在特征向量映射到共享隐空间中，再通过输出函数得到交互结果，从而捕获上下文和用户/物品之间的交互并得到上下文对用户/物品的交互结果，如附图3所示；
注意力机制模块，用于构建不同上下文特征信息对用户/物品的影响程度模型，结合上下文特征信息-用户/上下文特征信息-物品的交互结果与给定的用户/物品潜在特征信息向量，通过单隐藏层求得不同上下文特征信息的注意力值，再利用softmax函数求得不同上下文特征信息的注意力权重，并最终得到上下文特征信息-用户/上下文特征信息-物品整体交互结果，从而区分不同上下文特征信息对用户/物品的影响程度；
上下文特征信息-用户/上下文特征信息-物品整体作用模块，用于构建上下文环境对用户/物品潜在特征信息的整体影响模型，将潜在用户/物品特征信息向量与上下文环境对用户的整体交互效果进行融合，最终得到受上下文环境影响所产生的上下文特征信息-用户/上下文特征信息-物品整体作用结果，从而获取上下文环境对用户/物品的整体作用效果；
基于矩阵分解的评分预测模块，用于将上下文特征信息-用户整体作用结果与上下文特征信息-物品整体作用结果带入改进的矩阵分解算法中，并加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，最终得到预测结果。其中，加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，通过均方根误差(RMSE)和平均绝对误差(MAE)来比较预测结果，公式如下：
Figure BDA0002361344650000131
其中，μ表示全局均值；bu,c表示受上下文环境Cm影响所产生的上下文用户评分偏置；bv,c表示受上下文Cm影响所产生的上下文物品评分偏置；bu,c和bv,c的的计算公式如下：
Figure BDA0002361344650000132
其中，
Figure BDA0002361344650000133
表示上下文信息Cm的偏置项；bu表示用户评分偏差；bv表示物品评分偏差；M表示上下文特征信息数量；σ1表示上下文偏差变化率，即调节因子；
基于bu,c、bv,c和
Figure BDA0002361344650000134
将矩阵分解算法的目标函数定为：
Figure BDA0002361344650000135
其中，Ru,v,c表示真实的评分值
Figure BDA0002361344650000141
是预测评分值；
Figure BDA0002361344650000142
表示防止过拟合的正则项。
实施例4：
基于实施例1的存储介质，其中存储有多条指令，所述指令由处理器加载，执行实施例1的基于上下文感知及特征交互建模的个性化推荐方法的步骤。
实施例5：
基于实施例3的电子设备，所述电子设备包括：
实施例3的存储介质；以及处理器，用于执行所述存储介质中的指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.基于上下文感知及特征交互建模的个性化推荐方法，其特征在于，该方法是构建基于上下文感知特征交互的特征交互网络模型，具体如下：
构建上下文特征信息属性模型，根据不同数据集，选取用户/物品所处特定的上下文环境，根据上下文环境信息构建上下文特征信息向量；
构建上下文特征信息-用户/上下文特征信息-物品交互模型，利用双线性函数将不同的上下文特征信息向量和用户/物品潜在特征向量映射到共享隐空间中，再通过输出函数得到交互结果，从而捕获上下文和用户/物品之间的交互并得到上下文对用户/物品的交互结果；
构建不同上下文特征信息对用户/物品的影响程度模型，结合上下文特征信息-用户/上下文特征信息-物品的交互结果与给定的用户/物品潜在特征信息向量，通过单隐藏层求得不同上下文特征信息的注意力值，再利用softmax函数求得不同上下文特征信息的注意力权重，并最终得到上下文特征信息-用户/上下文特征信息-物品整体交互结果，从而区分不同上下文特征信息对用户/物品的影响程度；
构建上下文环境对用户/物品潜在特征信息的整体影响模型，将潜在用户/物品特征信息向量与上下文环境对用户的整体交互效果进行融合，最终得到受上下文环境影响所产生的上下文特征信息-用户/上下文特征信息-物品整体作用结果，从而获取上下文环境对用户/物品的整体作用效果；
构建特征交互网络预测模型，将上下文特征信息-用户整体作用结果与上下文特征信息-物品整体作用结果带入改进的矩阵分解算法中，并加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，最终得到预测结果。
2.根据权利要求1所述的基于上下文感知及特征交互建模的个性化推荐方法，其特征在于，所述构建上下文特征信息属性模型具体如下：
采用针对上下文环境自身的属性信息来进行建模，构建上下文特征信息向量Cm，其中，m表示会有M个上下文特征信息，m＝{1,2,…,M}。
3.根据权利要求1所述的基于上下文感知及特征交互建模的个性化推荐方法，其特征在于，所述构建上下文特征信息-用户/上下文特征信息-物品交互模型中通过输出函数得到交互结果，公式如下：
Figure FDA00023613446400000211
其中，
Figure FDA00023613446400000214
和
Figure FDA00023613446400000215
表示上线性函数层的权重矩阵；Pu表示用户潜在特征向量；
Figure FDA00023613446400000216
表示上下文信息Cm的特征向量；
Figure FDA00023613446400000212
表示偏置项；
Figure FDA00023613446400000213
表示与交互模型相关的模型参数；σ(·)表示激活函数ReLU；输出层函数为：
Figure FDA0002361344640000021
Figure FDA0002361344640000022
表示输出层的权重矩阵；
Figure FDA0002361344640000023
表示上下文信息和用户之间交互所产生的潜在向量；
Figure FDA0002361344640000024
表示偏置项。
4.根据权利要求1所述的基于上下文感知及特征交互建模的个性化推荐方法，其特征在于，所述构建不同上下文特征信息对用户/物品的影响程度模型具体如下：
结合上下文特征信息-用户/上下文特征信息-物品的交互结果与给定的用户潜在特征向量，通过单隐藏层求得每个上下文特征信息的不同注意力值，再利用softmax函数求得每个上下文特征信息的注意力权重值α(u,cm)，公式如下：
Figure FDA0002361344640000025
Figure FDA0002361344640000026
其中，W1 φ和
Figure FDA0002361344640000028
表示权重矩阵；bφ表示偏置项；φ表示在注意力机制模块相关的模型参数；σ(·)表示激活函数ReLU；
得到每个上下文作用的注意力权重后，对注意力权重进行加权求和，得到上下文环境对用户的整体交互效果向量Fu,c，其公式如下，：
Figure FDA0002361344640000029
其中，α(u,cm)表示每个上下文特征信息的注意力权重值；
Figure FDA00023613446400000210
表示上下文特征信息-用户交互结果。
5.根据权利要求1所述的基于上下文感知及特征交互建模的个性化推荐方法，其特征在于，所述构建上下文环境对用户/物品潜在特征信息的整体影响模型具体如下：
将潜在用户/物品特征信息向量与上下文环境对用户的作用效果进行双线性函数交互融合，最终得到受上下文环境影响所产生的上下文感知用户/物品特征结果，公式如下：
Figure FDA0002361344640000031
Figure FDA0002361344640000032
其中，
Figure FDA0002361344640000033
和
Figure FDA0002361344640000034
表示权重矩阵；bβ和
Figure FDA0002361344640000035
表示偏置向量；σ(·)是激活函数ReLU。
6.根据权利要求1-5中的任一项所述的基于上下文感知及特征交互建模的个性化推荐方法，其特征在于，所述加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，通过均方根误差和平均绝对误差来比较预测结果，公式如下：
Figure FDA0002361344640000036
其中，μ表示全局均值；bu,c表示受上下文环境Cm影响所产生的上下文用户评分偏置；bv,c表示受上下文Cm影响所产生的上下文物品评分偏置；bu,c和bv,c的的计算公式如下：
Figure FDA0002361344640000037
其中，
Figure FDA0002361344640000038
表示上下文信息Cm的偏置项；bu表示用户评分偏差；bv表示物品评分偏差；M表示上下文特征信息数量；σ1表示上下文偏差变化率，即调节因子；
基于bu,c、bv,c和
Figure FDA0002361344640000039
将矩阵分解算法的目标函数定为：
Figure FDA00023613446400000310
其中，Ru,v,c表示真实的评分值
Figure FDA00023613446400000311
是预测评分值；
Figure FDA00023613446400000312
表示防止过拟合的正则项。
7.一种基于上下文感知及特征交互建模的个性化推荐系统，其特征在于，该系统包括，
上下文特征信息选取模块，用于构建上下文特征信息属性模型，根据不同数据集，选取用户/物品所处特定的上下文环境，根据上下文环境信息构建上下文特征信息向量；
上下文特征信息-用户/上下文特征信息-物品交互模块，用于构建上下文特征信息-用户/上下文特征信息-物品交互模型，利用双线性函数将不同的上下文特征信息向量和用户/物品潜在特征向量映射到共享隐空间中，再通过输出函数得到交互结果，从而捕获上下文和用户/物品之间的交互并得到上下文对用户/物品的交互结果；
注意力机制模块，用于构建不同上下文特征信息对用户/物品的影响程度模型，结合上下文特征信息-用户/上下文特征信息-物品的交互结果与给定的用户/物品潜在特征信息向量，通过单隐藏层求得不同上下文特征信息的注意力值，再利用softmax函数求得不同上下文特征信息的注意力权重，并最终得到上下文特征信息-用户/上下文特征信息-物品整体交互结果，从而区分不同上下文特征信息对用户/物品的影响程度；
上下文特征信息-用户/上下文特征信息-物品整体作用模块，用于构建上下文环境对用户/物品潜在特征信息的整体影响模型，将潜在用户/物品特征信息向量与上下文环境对用户的整体交互效果进行融合，最终得到受上下文环境影响所产生的上下文特征信息-用户/上下文特征信息-物品整体作用结果，从而获取上下文环境对用户/物品的整体作用效果；
基于矩阵分解的评分预测模块，用于构建特征交互网络预测模型，将上下文特征信息-用户整体作用结果与上下文特征信息-物品整体作用结果带入改进的矩阵分解算法中，并加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，最终得到预测结果。
8.根据权利要求7所述的基于上下文感知及特征交互建模的个性化推荐系统，其特征在于，所述加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，通过均方根误差和平均绝对误差来比较预测结果，公式如下：
Figure FDA0002361344640000051
其中，μ表示全局均值；bu,c表示受上下文环境Cm影响所产生的上下文用户评分偏置；bv,c表示受上下文Cm影响所产生的上下文物品评分偏置；bu,c和bv,c的的计算公式如下：
Figure FDA0002361344640000052
其中，
Figure FDA0002361344640000054
表示上下文信息Cm的偏置项；bu表示用户评分偏差；bv表示物品评分偏差；M表示上下文特征信息数量；σ1表示上下文偏差变化率，即调节因子；
基于bu,c、bv,c和
Figure FDA0002361344640000055
将矩阵分解算法的目标函数定为：
Figure FDA0002361344640000053
其中，Ru,v,c表示真实的评分值
Figure FDA0002361344640000056
是预测评分值；
Figure FDA0002361344640000057
表示防止过拟合的正则项。
9.一种存储介质，其中存储有多条指令，其特征在于，所述指令由处理器加载，执行权利要求1-6中所述的基于上下文感知及特征交互建模的个性化推荐方法的步骤。
10.一种电子设备，其特征在于，所述电子设备包括：
权利要求9所述的存储介质；以及
处理器，用于执行所述存储介质中的指令。
CN202010022598.XA 2020-01-09 2020-01-09 基于上下文感知及特征交互建模的个性化推荐方法及系统 Pending CN111259235A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010022598.XA CN111259235A (zh) 2020-01-09 2020-01-09 基于上下文感知及特征交互建模的个性化推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010022598.XA CN111259235A (zh) 2020-01-09 2020-01-09 基于上下文感知及特征交互建模的个性化推荐方法及系统

Publications (1)

Publication Number Publication Date
CN111259235A true CN111259235A (zh) 2020-06-09

Family

ID=70950335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010022598.XA Pending CN111259235A (zh) 2020-01-09 2020-01-09 基于上下文感知及特征交互建模的个性化推荐方法及系统

Country Status (1)

Country Link
CN (1) CN111259235A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111782964A (zh) * 2020-06-23 2020-10-16 北京智能工场科技有限公司 一种社区帖子的推荐方法
CN111931052A (zh) * 2020-08-10 2020-11-13 齐鲁工业大学 基于特征交互图神经网络的上下文感知推荐方法及系统
CN112650945A (zh) * 2020-12-29 2021-04-13 齐鲁工业大学 一种基于gcn和ain的上下文感知推荐方法
CN112861012A (zh) * 2021-03-09 2021-05-28 河南工业大学 基于上下文和用户长短期偏好自适应学习的推荐方法及装置
CN113159368A (zh) * 2021-01-20 2021-07-23 国电南瑞科技股份有限公司 基于环境上下文和用户反馈信息的用电模型优化方法
CN115422463A (zh) * 2022-09-27 2022-12-02 高冬 基于大数据的用户分析推送处理方法及系统
WO2024001809A1 (zh) * 2022-06-28 2024-01-04 华为技术有限公司 一种推荐方法、装置及电子设备
EP4325421A4 (en) * 2021-08-23 2024-02-21 Samsung Electronics Co., Ltd. ELECTRONIC DEVICE AND METHOD FOR PROVIDING A PERSONALIZED SERVICE SENSITIVE TO A USER'S CONTEXT

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012034606A2 (en) * 2010-09-15 2012-03-22 Telefonica, S.A. Multiverse recommendation method for context-aware collaborative filtering
CN106779867A (zh) * 2016-12-30 2017-05-31 中国民航信息网络股份有限公司 基于上下文感知的支持向量回归推荐方法及系统
CN107506419A (zh) * 2017-08-16 2017-12-22 桂林电子科技大学 一种基于异质上下文感知的推荐方法
CN108280217A (zh) * 2018-02-06 2018-07-13 南京理工大学 一种基于差分隐私保护的矩阵分解推荐方法
CN110288436A (zh) * 2019-06-19 2019-09-27 桂林电子科技大学 一种基于游客偏好建模的个性化景点推荐方法
CN110334339A (zh) * 2019-04-30 2019-10-15 华中科技大学 一种基于位置感知自注意力机制的序列标注模型与标注方法
US20190325293A1 (en) * 2018-04-19 2019-10-24 National University Of Singapore Tree enhanced embedding model predictive analysis methods and systems
CN110503508A (zh) * 2019-07-15 2019-11-26 电子科技大学 一种层级多粒度矩阵分解的物品推荐方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012034606A2 (en) * 2010-09-15 2012-03-22 Telefonica, S.A. Multiverse recommendation method for context-aware collaborative filtering
CN106779867A (zh) * 2016-12-30 2017-05-31 中国民航信息网络股份有限公司 基于上下文感知的支持向量回归推荐方法及系统
CN107506419A (zh) * 2017-08-16 2017-12-22 桂林电子科技大学 一种基于异质上下文感知的推荐方法
CN108280217A (zh) * 2018-02-06 2018-07-13 南京理工大学 一种基于差分隐私保护的矩阵分解推荐方法
US20190325293A1 (en) * 2018-04-19 2019-10-24 National University Of Singapore Tree enhanced embedding model predictive analysis methods and systems
CN110334339A (zh) * 2019-04-30 2019-10-15 华中科技大学 一种基于位置感知自注意力机制的序列标注模型与标注方法
CN110288436A (zh) * 2019-06-19 2019-09-27 桂林电子科技大学 一种基于游客偏好建模的个性化景点推荐方法
CN110503508A (zh) * 2019-07-15 2019-11-26 电子科技大学 一种层级多粒度矩阵分解的物品推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梅磊: "基于注意力交互网络的上下文感知推荐系统研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111782964A (zh) * 2020-06-23 2020-10-16 北京智能工场科技有限公司 一种社区帖子的推荐方法
CN111782964B (zh) * 2020-06-23 2024-02-09 北京智能工场科技有限公司 一种社区帖子的推荐方法
CN111931052A (zh) * 2020-08-10 2020-11-13 齐鲁工业大学 基于特征交互图神经网络的上下文感知推荐方法及系统
CN111931052B (zh) * 2020-08-10 2023-09-15 齐鲁工业大学 基于特征交互图神经网络的上下文感知推荐方法及系统
CN112650945A (zh) * 2020-12-29 2021-04-13 齐鲁工业大学 一种基于gcn和ain的上下文感知推荐方法
CN112650945B (zh) * 2020-12-29 2022-09-06 齐鲁工业大学 一种基于gcn和ain的上下文感知推荐方法
CN113159368A (zh) * 2021-01-20 2021-07-23 国电南瑞科技股份有限公司 基于环境上下文和用户反馈信息的用电模型优化方法
CN112861012A (zh) * 2021-03-09 2021-05-28 河南工业大学 基于上下文和用户长短期偏好自适应学习的推荐方法及装置
EP4325421A4 (en) * 2021-08-23 2024-02-21 Samsung Electronics Co., Ltd. ELECTRONIC DEVICE AND METHOD FOR PROVIDING A PERSONALIZED SERVICE SENSITIVE TO A USER'S CONTEXT
WO2024001809A1 (zh) * 2022-06-28 2024-01-04 华为技术有限公司 一种推荐方法、装置及电子设备
CN115422463A (zh) * 2022-09-27 2022-12-02 高冬 基于大数据的用户分析推送处理方法及系统
CN115422463B (zh) * 2022-09-27 2024-04-19 耳纹元智能科技(广东)有限公司 基于大数据的用户分析推送处理方法及系统

Similar Documents

Publication Publication Date Title
CN111259235A (zh) 基于上下文感知及特征交互建模的个性化推荐方法及系统
Wu et al. Advancing non-negative latent factorization of tensors with diversified regularization schemes
Zhou et al. Atrank: An attention-based user behavior modeling framework for recommendation
CN110503531B (zh) 时序感知的动态社交场景推荐方法
Nilashi et al. Clustering-and regression-based multi-criteria collaborative filtering with incremental updates
CN111222332B (zh) 一种结合注意力网络和用户情感的商品推荐方法
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
Salehi et al. Hybrid attribute-based recommender system for learning material using genetic algorithm and a multidimensional information model
Salehi et al. Personalized recommendation of learning material using sequential pattern mining and attribute based collaborative filtering
Salehi et al. Hybrid recommendation approach for learning material based on sequential pattern of the accessed material and the learner’s preference tree
CN112765480B (zh) 一种信息推送方法、装置及计算机可读存储介质
CN110032679B (zh) 一种基于层次注意力网络的动态新闻推荐的方法
Wu et al. Contextual operation for recommender systems
Patel et al. Recommendation Systems: Types, Applications, and Challenges
CN110851694B (zh) 基于用户记忆网络和树形结构的深度模型的个性化推荐系统
Wang et al. Online course recommendation algorithm based on multilevel fusion of user features and item features
Long et al. Hierarchical attention factorization machine for CTR prediction
Salehi Latent feature based recommender system for learning materials using genetic algorithm
Cao et al. Customer demand prediction of service-oriented manufacturing using the least square support vector machine optimized by particle swarm optimization algorithm
Ahmad et al. Data and feature reduction in fuzzy modeling through particle swarm optimization
Anand et al. Recurrent neural networks in predicting the popularity of online social networks content: A review
Li et al. Multi-preference book recommendation method based on graph convolution neural network
Liu et al. Video popularity prediction based on knowledge graph and LSTM network
Thai-Nghe et al. Recommendations in e-commerce systems based on deep matrix factorization
Sridhar et al. Extending Deep Neural Categorisation Models for Recommendations by Applying Gradient Based Learning

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200609

RJ01 Rejection of invention patent application after publication