CN111984874B - 一种融合情感计算和网络众包的并行推荐方法 - Google Patents

Abstract

本发明公开了一种融合情感计算和网络众包的并行推荐方法，大致包括：准确、高效的基于表情识别的用户意图检测方法；支持用户意图检测和网络众包的协同推荐算法；分布式平台上推荐算法的推测并行化方法；本发明基于用户表情识别、深度学习、推测多线程技术和数学建模方法，探索利用用户的表情和社交网络特征构建目标用户的兴趣模型，研究分布式平台上符合用户动态兴趣的推荐方法，旨在构建一个实时、高效、并行的推荐方法，提高推荐系统的执行效率，为用户在购物、医疗、旅游、交通等方面广泛应用、安全持久发展，提供必要和亟需的计算基础理论。

Description

一种融合情感计算和网络众包的并行推荐方法

技术领域

本发明属于互联网数据技术领域，具体涉及一种融合情感计算和网络众包的并行推荐方法。

背景技术

目前，随着互联网的飞速发展和大数据时代的到来，数据呈爆发式增长。据IDC统计，2020年全球数据存量将增长至44ZB，2025年高达160ZB。这为我们提供了便捷的同时，也带来了一定的困扰，主要体现在：一是数据过载，这就要求提供大量或大容量的存储设备来跟进存储；二是如何在众多数据中找到用户真正有用、需要的信息。如何帮助用户高效地在浩瀚的网络资源中找到有用的信息，提高效用性价比，成为普遍关注的热点和亟待解决的问题。推荐方法为解决此问题开辟了新思路，且引起人们越来越多的关注。

回顾推荐方法的研究发展，主要集中在以下几方面：基于内容的推荐、协同过滤推荐、基于关联规则推荐、基于知识推荐、基于上下文推荐、基于深度学习推荐和混合推荐。目前的推荐方法多是基于用户的离线的、静态的特征，而缺乏用户实时的、动态的特征融入，且缺乏用户情感信息的考虑。然而，近三年来，随着移动互联网和社交网络的快速发展，用户的行为特征呈现出动态性和随机性，使用静态的用户特征已经满足不了社交网络场景中实时推荐的需求。此外，为提升推荐方法执行效率，离不开推荐方法并行化，目前主要依托分布式计算平台的支持，而缺乏对推荐算法潜在并行性进行挖掘的研究。特别是，当前的推荐算法包含多个模块，模块间存在复杂的依赖关系，且算法执行的数据呈现高维度、异构等特征，传统的并行化方法(OpenMP、MPI、TBB、OpenCL、CUDA等)多采用保守的方法解决依赖问题，即采用同步或通信来序列化存在依赖关系的并发单位(线程或者进程)，导致算法的并行化效果不佳。

从目前国内外对推荐方法的研究现状来看：目前的推荐方法多是基于用户的离线的、静态的特征，而缺乏用户实时的、动态的特征融入，且缺乏用户情感信息的考虑。然而，近三年来，随着移动互联网和社交网络的快速发展，用户的行为特征呈现出动态性和随机性，使用静态的用户特征已经满足不了社交网络场景中实时推荐的需求。此外，为提升推荐方法执行效率，离不开推荐方法并行化，目前主要依托分布式计算平台的支持，而缺乏对推荐算法潜在并行性进行挖掘的研究。

发明内容

有鉴于此，为解决上述现有技术的不足，本发明的目的在于提供了一种融合情感计算和网络众包的并行推荐方法，基于用户表情识别、深度学习、推测多线程技术和数学建模方法，探索利用用户的表情和社交网络特征构建目标用户的兴趣模型，研究分布式平台上符合用户动态兴趣的推荐方法，旨在构建一个实时、高效、并行的推荐方法，提高推荐系统的执行效率，为用户在购物、医疗、旅游、交通等方面广泛应用、安全持久发展，提供必要和亟需的计算基础理论。

为实现上述目的，本发明所采用的技术方案是：

一种融合情感计算和网络众包的并行推荐方法，包括以下步骤：

S1：研究用户表情识别分析，提出基于深度学习的表情识别方法，输出用户表情类别；

S11：建立层次化特征分析框架；

S12：用户特征分析层：基于层次化分析框架的用户特征分析和半监督聚类方法；

S2：基于心理学模型，研究用户心理特征，进而分析和识别用户的意图，并研究符合该用户意图推荐算法的构建方法；

S21：兴趣度模型的构建；

S22：推荐算法的产生：融合用户意图和网络众包的推测算法；

S3：基于推测多线程技术，研究推荐算法的推测并行化，在Spark平台上实施，实现实时有效地响应用户真正需求，给用户推荐其当前最感兴趣的项目；

S31：控制流程图的生成；

S32：推荐算法推测并行化：基于算法分析和推测多线程技术。

进一步的，所述步骤S11中，所述层次化特征分析框架包括6层，即用户信息层、用户特征分析层、心理特征挖掘层、意图检测层、兴趣模型层和推荐列表层；其中，所述用户信息层包括个人特征和社交网络，所述用户特征分析层包括表情识别和社交关系分析，所述兴趣模型层为用户兴趣模型，所述推荐列表层为推荐列表。

进一步的，所述意图检测层包括：个人特征、表情分析、心理状态挖掘和用户意图检测。

进一步的，在用户信息层，提取用户的特征信息，包括：表情特征和社交网络特征；在用户特征分析层，研究基于深度学习方法的表情识别和基于社交网络的社交活动、行为分析以及关系数据分析；在意图检测层，研究用户心理-意图的转化，深度挖掘用户意图；在兴趣模型层，以目标用户意图为导向，采用网络众包方法反馈众包用户的兴趣点，构建目标用户的兴趣模型；在推荐列表层，针对目标用户的兴趣点，实施最符合其兴趣的项目推荐，并基于算法设计与分析理论，完成推荐算法的设计与实现。

进一步的，所述步骤S12包括：

A1：针对社交网络应用场景，分析目标用户的表情和社交网络特征，融合深度学习方法和情感计算理论，研究构建涵盖上述六个层次的层次化特征分析框架，建立用户表情-心理-意图的目标模式，获取目标用户当前的心理；

A2：基于心理学理论和情感计算理论挖掘出用户当前意图，意图用公式(1)表示，其中I,N,C,F,R分别表示目标用户意图、项目的名称、项目类别、项目特征、项目范围；

I＝＜N,C,F,R＞(1)

A3：采用统计学分析方法，基于用户的历史行为分析，概括出用户点击、检阅、下载和评论四个显式反馈要素，构建由时间T(Time)、地点A(Address)、心理M(Mentality)、意图I(Intention)、点击次数C(Click)、检阅次数R(Review)、下载次数D(Download)和评阅次数C(Comment)构成的八元组用户特征序列，即<T,A,M,I,C,R,D,C>；

A4：基于用户八元组特征序列，利用相似度计算方法、完成目标用户和社交用户之间相似度的计算，构建相似度矩阵；研究相似度阈值设定方法，基于相似度矩阵利用半监督聚类发掘和目标用户相似的用户，设定他们为众包用户；设定众包任务为筛选感兴趣项目，以目标用户意图为导向，实施符合用户意图的任务分发。

进一步的，所述步骤S22包括：

A1：基于用户特征分析的八元组序列和用户意图的四元组表示，利用潜在狄利克雷分布模型(LDA)，设计目标用户的兴趣模型；

A2：利用社交用户兴趣点的众包收集、审核，完成目标用户的兴趣模型的训练和验证：(a)统计众包用户的项目选择历史记录；(b)根据用户对项目的各项评分，研究用户对项目的总评分计算方法；(c)根据项目的评分大小，对项目进行排序；(d)指定topN项目即为该众包用户完成的任务；(e)审核各个众包用户的任务，设计优先排序方法，从而找出目标用户的兴趣，即选择出的优先项目；

A3：基于用户特征八元组序列，设计推荐算法的输入参数和项目聚类、计算评分、计算用户间相似度和项目排序等模块；基于算法分析和设计理论，完成推荐算法的设计与实现。

进一步的，所述步骤S32包括：

A1：研究形式化的算法分析方法，分析推荐算法中依赖关系；基于算法的控制流、数据流分析，提出推荐算法模块划分方法，研究在推荐算法控制流图(CFG)基础上的模块划分，及面向社交大数据环境中推荐算法划分规则的总结；

A2：基于推测多线程技术，构建包含推荐激发函数、推荐划分函数、推荐执行函数、推荐重启函数、推荐撤销函数、推荐值预测函数等在内的推测函数集；基于推荐算法模块间依赖关系的分析，完成推荐算法模块间值预测函数的设计；基于推测函数集和推测规则集，在ApacheSpark平台上，构建基于Python语言的编程模型；

A3：研究在Numba上部署推测函数库，运用分布式平台Spark实现推荐算法的推测并行化。

本发明的有益效果是：

本发明的一种融合情感计算和网络众包的并行推荐方法，基于用户表情识别、深度学习、推测多线程技术和数学建模方法，探索利用用户的表情和社交网络特征构建目标用户的兴趣模型，研究分布式平台上符合用户动态兴趣的推荐方法，旨在构建一个实时、高效、并行的推荐方法，提高推荐系统的执行效率，为用户在购物、医疗、旅游、交通等方面广泛应用、安全持久发展，提供必要和亟需的计算基础理论；

本发明亟待解决的主要关键点提炼如下：

(1)准确、高效的基于表情识别的用户意图检测方法

在社交网络应用场景中，用户对项目是否感兴趣会体现在其表情上，受到其心理的影响，而心理会决定用户的意图，即决定用户会选择哪个项目。针对用户表情-用户心理-用户意图-用户最终选择的逻辑关系，如何基于用户表情识别，判别用户的心理，进而检测其意图，是下一步能够基于用户的意图设计推荐算法的前提。因此，提出一个准确、高效的基于用户表情识别的意图检测方法是一个无法回避的研究环节和关键点。

(2)支持用户意图检测和网络众包的协同推荐算法

在社交网络中，伴随着目标用户的表情动态改变，用户的心理、意图也随时变化，造成用户的兴趣点改变。如何为目标用户选择当前其感兴趣的项目，需要检测用户当前的意图，并能以网络众包为基础收集社交用户的兴趣点，进而以目标用户当前兴趣为前提设计推荐算法，因此，构建一个支持用户意图检测和网络众包的协同推荐算法成为下一步推荐算法并行化的前提，是另一个关键科学点。

(3)分布式平台上推荐算法的推测并行化方法

推荐算法中包含项目聚类、计算评分、计算用户相似度、项目排序等模块的顺序执行，且各个模块之间存在很多的依赖关系，从而造成很难对推荐算法实施有效地并行化。推测多线程技术在解决存在依赖关系的算法并行化方面具有优势，如何实现推荐算法在分布式平台上的推测并行化执行，即分布式平台上推荐算法的推测并行化方法，是加速推荐算法执行速度和提升推荐算法执行效率的一个至关重要的科学问题；

本发明的优点在于：

(1)构建用户的情感计算框架，提出基于深度学习的用户表情识别方法，分析用户表情，并提出基于心理学模型的意图检测方法来挖掘用户意图。

(2)引入网络众包，实现了目标用户兴趣的提取，克服了传统兴趣挖掘方式过于单一的缺点。

(3)基于推测多线程技术，研究推荐算法在Spark平台上推测并行化的实施方案，实现推荐算法在分布式平台上的加速执行。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的附图。

图1为本发明的层次化特征分析框架的原理图；

图2为本发明的并行推荐方法的流程图。

具体实施方式

下面给出具体实施例，对本发明的技术方案作进一步清楚、完整、详细地说明。本实施例是以本发明技术方案为前提的最佳实施例，但本发明的保护范围不限于下述的实施例。

一种融合情感计算和网络众包的并行推荐方法，包括以下步骤：

S1：研究用户表情识别分析，提出基于深度学习的表情识别方法，输出用户表情类别；

S11：建立层次化特征分析框架；

S12：用户特征分析层：基于层次化分析框架的用户特征分析和半监督聚类方法；

S2：基于心理学模型，研究用户心理特征，进而分析和识别用户的意图，并研究符合该用户意图推荐算法的构建方法；

S21：兴趣度模型的构建；

S22：推荐算法的产生：融合用户意图和网络众包的推测算法；

S3：基于推测多线程技术，研究推荐算法的推测并行化，在Spark平台上实施，实现实时有效地响应用户真正需求，给用户推荐其当前最感兴趣的项目；

S31：控制流程图的生成；

S32：推荐算法推测并行化：基于算法分析和推测多线程技术。

进一步的，所述步骤S11中，所述层次化特征分析框架包括6层，即用户信息层、用户特征分析层、心理特征挖掘层、意图检测层、兴趣模型层和推荐列表层；其中，所述用户信息层包括个人特征和社交网络，所述用户特征分析层包括表情识别和社交关系分析，所述兴趣模型层为用户兴趣模型，所述推荐列表层为推荐列表。

进一步的，所述意图检测层包括：个人特征、表情分析、心理状态挖掘和用户意图检测。

进一步的，在用户信息层，提取用户的特征信息，包括：表情特征和社交网络特征；在用户特征分析层，研究基于深度学习方法的表情识别和基于社交网络的社交活动、行为分析以及关系数据分析；在意图检测层，研究用户心理-意图的转化，深度挖掘用户意图；在兴趣模型层，以目标用户意图为导向，采用网络众包方法反馈众包用户的兴趣点，构建目标用户的兴趣模型；在推荐列表层，针对目标用户的兴趣点，实施最符合其兴趣的项目推荐，并基于算法设计与分析理论，完成推荐算法的设计与实现。

进一步的，所述步骤S12包括：

A1：针对社交网络应用场景，分析目标用户的表情和社交网络特征，融合深度学习方法和情感计算理论，研究构建涵盖上述六个层次的层次化特征分析框架，建立用户表情-心理-意图的目标模式，获取目标用户当前的心理；

A2：基于心理学理论和情感计算理论挖掘出用户当前意图，意图用公式(1)表示，其中I,N,C,F,R分别表示目标用户意图、项目的名称、项目类别、项目特征、项目范围；

I＝＜N,C,F,R＞(1)

A3：采用统计学分析方法，基于用户的历史行为分析，概括出用户点击、检阅、下载和评论四个显式反馈要素，构建由时间T(Time)、地点A(Address)、心理M(Mentality)、意图I(Intention)、点击次数C(Click)、检阅次数R(Review)、下载次数D(Download)和评阅次数C(Comment)构成的八元组用户特征序列，即<T,A,M,I,C,R,D,C>；

A4：基于用户八元组特征序列，利用相似度计算方法、完成目标用户和社交用户之间相似度的计算，构建相似度矩阵；研究相似度阈值设定方法，基于相似度矩阵利用半监督聚类发掘和目标用户相似的用户，设定他们为众包用户；设定众包任务为筛选感兴趣项目，以目标用户意图为导向，实施符合用户意图的任务分发。

进一步的，所述步骤S22包括：

A1：基于用户特征分析的八元组序列和用户意图的四元组表示，利用潜在狄利克雷分布模型(LDA)，设计目标用户的兴趣模型；

A2：利用社交用户兴趣点的众包收集、审核，完成目标用户的兴趣模型的训练和验证：(a)统计众包用户的项目选择历史记录；(b)根据用户对项目的各项评分，研究用户对项目的总评分计算方法；(c)根据项目的评分大小，对项目进行排序；(d)指定topN项目即为该众包用户完成的任务；(e)审核各个众包用户的任务，设计优先排序方法，从而找出目标用户的兴趣，即选择出的优先项目；

A3：基于用户特征八元组序列，设计推荐算法的输入参数和项目聚类、计算评分、计算用户间相似度和项目排序等模块；基于算法分析和设计理论，完成推荐算法的设计与实现。

进一步的，所述步骤S32包括：

A1：研究形式化的算法分析方法，分析推荐算法中依赖关系；基于算法的控制流、数据流分析，提出推荐算法模块划分方法，研究在推荐算法控制流图(CFG)基础上的模块划分，及面向社交大数据环境中推荐算法划分规则的总结；

A2：基于推测多线程技术，构建包含推荐激发函数、推荐划分函数、推荐执行函数、推荐重启函数、推荐撤销函数、推荐值预测函数等在内的推测函数集；基于推荐算法模块间依赖关系的分析，完成推荐算法模块间值预测函数的设计；基于推测函数集和推测规则集，在ApacheSpark平台上，构建基于Python语言的编程模型；

A3：研究在Numba上部署推测函数库，运用分布式平台Spark实现推荐算法的推测并行化。

综上所述，本发明亟待解决的主要关键点提炼如下：

(1)准确、高效的基于表情识别的用户意图检测方法

在社交网络应用场景中，用户对项目是否感兴趣会体现在其表情上，受到其心理的影响，而心理会决定用户的意图，即决定用户会选择哪个项目。针对用户表情-用户心理-用户意图-用户最终选择的逻辑关系，如何基于用户表情识别，判别用户的心理，进而检测其意图，是下一步能够基于用户的意图设计推荐算法的前提。因此，提出一个准确、高效的基于用户表情识别的意图检测方法是一个无法回避的研究环节和关键点。

(2)支持用户意图检测和网络众包的协同推荐算法

在社交网络中，伴随着目标用户的表情动态改变，用户的心理、意图也随时变化，造成用户的兴趣点改变。如何为目标用户选择当前其感兴趣的项目，需要检测用户当前的意图，并能以网络众包为基础收集社交用户的兴趣点，进而以目标用户当前兴趣为前提设计推荐算法，因此，构建一个支持用户意图检测和网络众包的协同推荐算法成为下一步推荐算法并行化的前提，是另一个关键科学点。

(3)分布式平台上推荐算法的推测并行化方法

推荐算法中包含项目聚类、计算评分、计算用户相似度、项目排序等模块的顺序执行，且各个模块之间存在很多的依赖关系，从而造成很难对推荐算法实施有效地并行化。推测多线程技术在解决存在依赖关系的算法并行化方面具有优势，如何实现推荐算法在分布式平台上的推测并行化执行，即分布式平台上推荐算法的推测并行化方法，是加速推荐算法执行速度和提升推荐算法执行效率的一个至关重要的科学问题。

然而，当前多数推荐方法不能实时捕获用户真实意图；用户的兴趣随时间是动态和随机变化的，和用户当前的心理、意图及社交用户选择是紧密关联的；推荐方法的响应时间成为衡量用户满意度的重要指标。基于以上三点，本发明挖掘用户背后的真实意图、设计推荐算法、减少推荐服务的响应时间，是三个具有挑战性的科学问题。为此，本发明提出融合用户意图和网络众包的并行推荐方法，解决社交网络场景下如何给用户快速推荐感兴趣项目所面临的基础理论问题。首先，研究用户表情识别分析，提出基于深度学习的表情识别方法，输出用户表情类别；其次，基于心理学模型，研究用户心理特征，进而分析和识别用户的意图，并研究符合该用户意图推荐算法的构建方法；最后，基于推测多线程技术，研究推荐算法的推测并行化，在Spark平台上实施，实现实时有效地响应用户真正需求，给用户推荐其当前最感兴趣的项目。

以上显示和描述了本发明的主要特征、基本原理以及本发明的优点。本行业技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会根据实际情况有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种融合情感计算和网络众包的并行推荐方法，其特征在于：包括以下步骤：

S1：研究用户表情识别分析，提出基于深度学习的表情识别方法，输出用户表情类别；

S11：建立层次化特征分析框架；

所述层次化特征分析框架包括6层，即用户信息层、用户特征分析层、心理特征挖掘层、意图检测层、兴趣模型层和推荐列表层；其中，所述用户信息层包括个人特征和社交网络，所述用户特征分析层包括表情识别和社交关系分析，所述兴趣模型层为用户兴趣模型，所述推荐列表层为推荐列表；

S12：用户特征分析层：基于层次化分析框架的用户特征分析和半监督聚类方法，包括以下步骤：

A1：针对社交网络应用场景，分析目标用户的表情和社交网络特征，融合深度学习方法和情感计算理论，研究构建涵盖上述六个层次的层次化特征分析框架，建立用户表情-心理-意图的目标模式，获取目标用户当前的心理；

A2：基于心理学理论和情感计算理论挖掘出用户当前意图，意图用公式(1)表示，其中I,N,C,F,R分别表示目标用户意图、项目的名称、项目类别、项目特征、项目范围；

I＝＜N,C,F,R＞ (1)

A3：采用统计学分析方法，基于用户的历史行为分析，概括出用户点击、检阅、下载和评论四个显式反馈要素，构建由时间T(Time)、地点A(Address)、心理M(Mentality)、意图I(Intention)、点击次数C(Click)、检阅次数R(Review)、下载次数D(Download)和评阅次数C(Comment)构成的八元组用户特征序列，即<T,A,M,I,C,R,D,C>；

A4：基于用户八元组特征序列，利用相似度计算方法、完成目标用户和社交用户之间相似度的计算，构建相似度矩阵；研究相似度阈值设定方法，基于相似度矩阵利用半监督聚类发掘和目标用户相似的用户，设定他们为众包用户；设定众包任务为筛选感兴趣项目，以目标用户意图为导向，实施符合用户意图的任务分发；

S2：基于心理学模型，研究用户心理特征，进而分析和识别用户的意图，并研究符合该用户意图推荐算法的构建方法；

S21：兴趣度模型的构建；

S22：推荐算法的产生：融合用户意图和网络众包的推测算法；

S3：基于推测多线程技术，研究推荐算法的推测并行化，在Spark平台上实施，实现实时有效地响应用户真正需求，给用户推荐其当前最感兴趣的项目；

S31：控制流程图的生成；

S32：推荐算法推测并行化：基于算法分析和推测多线程技术，包括以下步骤：

A1：研究形式化的算法分析方法，分析推荐算法中依赖关系；基于算法的控制流、数据流分析，提出推荐算法模块划分方法，研究在推荐算法控制流图(CFG)基础上的模块划分，及面向社交大数据环境中推荐算法划分规则的总结；

A2：基于推测多线程技术，构建包含推荐激发函数、推荐划分函数、推荐执行函数、推荐重启函数、推荐撤销函数、推荐值预测函数等在内的推测函数集；基于推荐算法模块间依赖关系的分析，完成推荐算法模块间值预测函数的设计；基于推测函数集和推测规则集，在Apache Spark平台上，构建基于Python语言的编程模型；

A3：研究在Numba上部署推测函数库，运用分布式平台Spark实现推荐算法的推测并行化。

2.根据权利要求1所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：所述意图检测层包括：个人特征、表情分析、心理状态挖掘和用户意图检测。

3.根据权利要求1所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：在用户信息层，提取用户的特征信息，包括：表情特征和社交网络特征；在用户特征分析层，研究基于深度学习方法的表情识别和基于社交网络的社交活动、行为分析以及关系数据分析；在意图检测层，研究用户心理-意图的转化，深度挖掘用户意图；在兴趣模型层，以目标用户意图为导向，采用网络众包方法反馈众包用户的兴趣点，构建目标用户的兴趣模型；在推荐列表层，针对目标用户的兴趣点，实施最符合其兴趣的项目推荐，并基于算法设计与分析理论，完成推荐算法的设计与实现。

4.根据权利要求1所述的一种融合情感计算和网络众包的并行推荐方法，其特征在于：所述步骤S22包括：

A1：基于用户特征分析的八元组序列和用户意图的四元组表示，利用潜在狄利克雷分布模型(LDA)，设计目标用户的兴趣模型；

A2：利用社交用户兴趣点的众包收集、审核，完成目标用户的兴趣模型的训练和验证：(a)统计众包用户的项目选择历史记录；(b)根据用户对项目的各项评分，研究用户对项目的总评分计算方法；(c)根据项目的评分大小，对项目进行排序；(d)指定topN项目即为该众包用户完成的任务；(e)审核各个众包用户的任务，设计优先排序方法，从而找出目标用户的兴趣，即选择出的优先项目；

A3：基于用户特征八元组序列，设计推荐算法的输入参数和项目聚类、计算评分、计算用户间相似度和项目排序等模块；基于算法分析和设计理论，完成推荐算法的设计与实现。

Images