CN112269927A - 一种基于会话序列动态行为偏好耦合关系分析的推荐方法 - Google Patents
一种基于会话序列动态行为偏好耦合关系分析的推荐方法 Download PDFInfo
- Publication number
- CN112269927A CN112269927A CN202011138457.0A CN202011138457A CN112269927A CN 112269927 A CN112269927 A CN 112269927A CN 202011138457 A CN202011138457 A CN 202011138457A CN 112269927 A CN112269927 A CN 112269927A
- Authority
- CN
- China
- Prior art keywords
- user
- coupling relation
- dynamic
- preference
- model
- 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.)
- Granted
Links
- 230000008878 coupling Effects 0.000 title claims abstract description 107
- 238000010168 coupling process Methods 0.000 title claims abstract description 107
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 107
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000007774 longterm Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 70
- 230000006399 behavior Effects 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于会话序列动态行为偏好耦合关系分析的推荐方法,包括数据采集和处理、划分数据集、构建耦合模型、训练模型和项目推荐。本发明运用了GNN算法学习了用户及项目在会话序列内的动态特征信息,使推荐系统具有更好的推荐效果和可解释性,从非独立同分布的角度探究用户/项目之间的耦合关系,并考虑到了其中长短期动态耦合,利用耦合关系感知器捕获了用户/项目之间的动态耦合关系,提高了推荐的质量和准确度;将非独立同分布及将时间因素作为动态特征结合到了协同过滤中,可以较好的解决数据稀疏性和冷启动问题。
Description
技术领域
本发明属于计算机人工智能的技术领域,尤其涉及一种基于会话序列动态行为偏好耦合关系分析的推荐方法。
背景技术
随着个性化服务的快速发展,随着用户兴趣的不断发展,推荐系统的推荐准确性也越来越高。然而,大多数传统的推荐方法都隐含地假设用户和项是独立且同分布的(IID)。具体来说,他们忽略了用户和项之间的复杂耦合性及异构性,而考虑到非独立同分布(Non-IID)的推荐系统几乎没有考虑到用户特征及项目特征的耦合性关系,实际上用户的评分喜好都会随着时间有长短期的变化,项目对于大众的受欢迎情况也会随着时间而变化,例如,同一用户的长期偏好与近期的喜好可能是相关的,这种动态的耦合关系可以更好的解释用户对项目的动态偏好,从而为用户提供更准确的推荐。
发明内容
基于以上现有技术的不足,本发明所解决的技术问题在于提供一种基于会话序列动态行为偏好耦合关系分析的推荐方法,具有良好的推荐准确度和可解释性。
为了解决上述技术问题,本发明通过以下技术方案来实现:本发明提供一种基于会话序列动态行为偏好耦合关系分析的推荐方法,包括:
S1、数据采集和处理:在2015recsyschallenge网站下载Yoochoose数据集和在cikm2016网站下载Diginetica数据集,清理脏数据;
S2、划分数据集:将处理好的数据集按8:1:1的比例划分为训练集、测试集和验证集;
S3、构建耦合模型:用基于图神经网络学习用户在行为会话中的动态偏好,用耦合关系感知器学习用户与项目特征耦合关系,并将两者融合进行推荐;
S4、训练模型和项目推荐:步骤S2中所得到的训练数据集和测试数据集分别用于训练和评估步骤S3构建的耦合模型,考虑用户/项目关于时间序列方面的动态偏好以及相应用户/项目特征信息之间的耦合关系,根据用户对项目的预测评分判断是否将项目推荐给用户。
所述步骤S1的数据采集和处理的具体步骤如下:
S101、在2015recsyschallenge网站下载Yoochoose数据集和在cikm2016网站下载Diginetica数据集,做数据预处理,并清理脏数据;
S102、提取数据集中用户/项目在长期和短期内的行为信息及基本特征信息,将其转化为向量。
进一步的,所述步骤S3中构建耦合模型的具体步骤如下:
S301、构建输入层:输入层包括3个输入内容,用户嵌入向量、项目嵌入向量及用户的行为序列信息;
S302、构建用户喜好动态预测模型、用户项目耦合关系分析模型以及基于会话序列动态行为偏好耦合关系分析的推荐方法;即构建基于会话序列动态行为偏好耦合关系分析的推荐方法学习框架;
S303、构建输出层:预测用户对项目的评分。
进一步的,所述步骤S302中构建用户喜好动态预测模型、用户项目耦合关系分析模型以及基于会话序列动态行为偏好耦合关系分析方法的具体步骤如下:
S302-1、构建用户喜好动态预测模型:通过输入用户的行为序列信息,连接图神经网络,学习用户的动态偏好;
S302-2、构建用户项目耦合关系分析模型:通过输入用户嵌入向量、项目嵌入向量,将用户嵌入向量、项目嵌入向量分别转化为指定维度的向量,代表用户及项目的基本特征,连接耦合关系感知器,学习用户项目的耦合关系;
S302-3、构建基于会话序列动态行为偏好耦合关系分析的推荐方法,用户喜好动态预测模型的输出与用户项目耦合关系分析模型的输出用融合层进行融合,得到一个新的向量,然后由一个全连接层进行处理,输出最终的向量,该方法的最终输出由一个Sigmoid函数激活,从而压缩到范围[0,1]。
进一步的,所述步骤S302-1构建用户喜好动态预测模型的具体步骤如下:
S302-1-1、每个会话的序列信息转化为向量,将其作为GNN的输入;
S302-1-2、GNN算法学习出用户在序列行为中的动态特征,输出用户的动态特征向量,将结果向量作为Attention网络的输入;
S302-1-3、Attention网络学习用户在序列行为中的动态特征,并将输入向量转化为用户的长期动态特征向量,与GNN算法输出的用户短期的动态特征拼接,作为模型下一层的输入。
进一步的,所述步骤S302-2构建用户喜好动态预测模型的具体步骤如下:
S302-2-1、将每个用户的基本信息及每个项目的基本信息分别转化为向量并进行嵌入操作,输出用户、项目的基本特征信息向量;将两向量输入到融合层进行融合,并将输出向量作为耦合关系感知器的输入;
S302-2-2、耦合关系感知器学习出用户-项目之间的耦合关系,并将输入向量转化为用户-项目耦合关系向量,作为模型下一层的输入(其中耦合关系感知器是由两个全连接层及ReLU激活函数构成)。
进一步的,所述步骤S302-3中训练模型和项目推荐的具体步骤如下:
S302-3-1、将用户喜好动态预测模型和用户项目耦合关系分析模型的输出向量用融合层进行融合,输出的向量作为全连接层的输入;
S302-3-2、通过全连接层学习用户项目交互关系,即用全连接层将用户项目关系转化为非线性交互;
S302-3-3、将上步产生的非线性关系用Sigmoid函数激活,从而压缩到范围[0,1]。
进一步的,所述步骤S4中训练模型和项目推荐的具体步骤如下:
S401、构建损失函数:使用二分类交叉熵损失函数计算模型的损失值;
S402、构建优化函数:使用Adam作为模型的优化函数。
由上,本发明的基于会话序列动态行为偏好耦合关系分析的推荐方法至少具有以下优点:
(1)、本发明考虑了用户在会话序列内的动态偏好,用户动态特征与项目动态特征之间的耦合关系,当评分信息比较稀疏时这种耦合关系可以给用户推荐其在相应时间内的偏好项目,提高了推荐质量。
(2)、本发明运用了GNN算法、MLP算法等学习了用户在长短期时间内的动态特征信息,使推荐系统具有更好的推荐效果和可解释性。
(3)、本发明从非独立同分布的角度探究用户/项目之间的耦合关系,并考虑到了其中长短期动态耦合,利用耦合关系感知器捕获了用户/项目之间的耦合关系,提高了推荐的质量和准确度。
(4)、本发明将非独立同分布及将时间因素作为动态特征结合到了协同过滤中,可以较好的解决数据稀疏性和冷启动问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更简明易懂,以下结合优选实施例,并配合附图,详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍。
图1为本发明的基于会话序列动态行为偏好耦合关系分析的推荐方法流程图;
图2为本发明的基于会话序列动态行为偏好耦合关系分析的推荐模型的流程图;
图3为本发明的基于会话序列动态行为偏好耦合关系分析的学习框架的流程图;
图4为本发明的用户喜好动态预测模型的流程图;
图5为本发明的会话序列动态行为偏好耦合关系分析模型的流程图;
图6为本发明的基于会话序列动态行为偏好耦合关系分析的优化模块的结构框图;
图7为本发明的本发明的基于会话序列动态行为偏好耦合关系分析的结构框图。
具体实施方式
下面结合附图详细说明本发明的基于会话序列动态行为偏好耦合关系分析的推荐方法的具体实施方式。
如图1至图7所示,本发明的基于会话序列动态行为偏好耦合关系分析的推荐方法,该方法包括如下步骤:
S1、数据采集和处理:在2015recsyschallenge网站下载Yoochoose数据集和在cikm2016网站下载Diginetica数据集,清理脏数据。
Yoochoose数据集:
用户的序列会话数据包括"Session ID","Timestamp","Item ID","Category"如下所示:
Session ID | Timestamp | Item ID | Category |
1 | 2014-04-07T10:51:09.277Z | 214536502 | 0 |
1 | 2014-04-07T10:54:46.998Z | 214536506 | 0 |
Diginetica数据集:
用户的序列会话数据包括"Session ID","User ID","Item ID","Timeframe","Eventdate"如下所示:
Session ID | User ID | Item ID | Timeframe | Eventdate |
172 | 10 | 10858 | 416743 | 2016-02-21 |
174 | 12 | 35885 | 21158 | 2016-02-21 |
S2、划分数据集:将处理好的数据集按8:1:1的比例划分为训练集、测试集和验证集;
S3、构建耦合模型:用图神经网络学习用户在行为会话中的动态偏好,用耦合关系感知器学习用户特征与项目特征的耦合关系,并将两者融合进行推荐;
S4、训练模型和项目推荐:步骤S2中所得到的训练数据集和测试数据集分别用于训练和评估步骤S3构建的耦合模型,考虑用户长短期的动态偏好以及相应用户/项目特征信息之间的耦合关系,根据用户对项目的预测评分判断是否将项目推荐给用户。
如图2所示,步骤S3中构建基于会话序列动态行为偏好耦合关系分析的推荐模型的具体步骤如下:
S301、构建输入层:输入层包括3个输入内容,用户嵌入向量、项目嵌入向量及用户的行为序列信息,输入层的形式为(user_id_Embedding,item_id_Embedding,user_session_info)。
在PyTorch中,输入层可用如下代码实现:
user_id_Embedding=nn.Embedding(a_users+1,32)
item_id_Embedding=nn.Embedding(a_items+1,32)
user_session_info=nn.Linear(self.hidden_size,self.hidden_size,bias=True)
S302、构建用户喜好动态预测模型、用户项目耦合关系分析模型以及基于会话序列动态行为偏好耦合关系分析的推荐方法。即构建基于会话序列动态行为偏好耦合关系学习框架;
S303、构建输出层:预测用户对项目的评分。
在PyTorch中,输出层可用如下代码实现:
topLayer=nn.Linear(64,1)
output=torch.sigmoid(self.topLayer(merge_attr_id_embedding))
如图3所示,步骤S302中构建用户项目耦合关系学习框架的具体步骤如下所示:
S302-1、构建用户喜好动态预测模型:通过输入用户的行为序列信息,连接图神经网络(GNN),学习用户的动态偏好,实现代码如下所示:
model=SessionGraph(opt,n_node,inputs))
hit,mrr=train_test(model,train_data,test_data)
S302-2、构建用户项目耦合关系分析模型:通过输入用户嵌入向量user_id_input、项目嵌入向量item_id_input,将用户嵌入向量、项目嵌入向量分别转化为指定维度的向量,代表用户及项目的基本特征,连接耦合关系感知器,学习用户项目的耦合关系,实现代码如下所示:
user_id_Embedding=self.user_id_Embedding(user_id_input.long().cuda())
user_id_Embedding=user_id_Embedding.view(user_id_Embedding.size(0),-1)
item_id_Embedding=self.item_id_Embedding(item_id_input.long().cuda())
item_id_Embedding=item_id_Embedding.view(item_id_Embedding.size(0),-1)
merge_id_embedding=torch.mul(user_id_Embedding,item_id_Embedding)
S302-3、构建基于会话序列动态行为偏好耦合关系分析的推荐方法,用户喜好动态预测模型的输出与用户项目耦合关系分析模型的输出用融合层进行融合,得到一个新的向量,然后由一个全连接层进行处理,输出最终的向量,该方法的最终输出由一个Sigmoid函数激活,从而压缩到范围[0,1]。
因此,基于会话序列动态行为偏好耦合关系分析的推荐方法的最终输出表达式为:
在PyTorch中,输出层实现代码如下所示:
merge_attr_id_embedding=torch.cat((merge_user_info,merge_id_embedding),1)
merge_attr_id_embedding=self.mlp_block_output(merge_attr_id_embedding)
output=torch.sigmoid(self.topLayer(merge_attr_id_embedding))
如图4所示,步骤S302-1中构建用户喜好动态预测模型的具体步骤如下:
S302-1-1、每个会话的序列信息转化为向量,将其作为GNN的输入。
实现代码如下所示:
S302-1-2、GNN算法学习出用户在序列行为中的动态特征,输出用户的动态特征向量,将结果向量作为Attention网络的输入;
实现代码如下所示:
gnn=GNN(self.hidden_size,step=opt.step)
hidden=gnn(A,hidden)
S302-1-3、Attention网络学习用户在序列行为中的动态特征,并将输入向量转化为用户的长短期动态特征向量,与GNN算法输出的用户短期的动态特征拼接,作为模型下一层的输入;
实现代码如下所示:
linear_one=nn.Linear(self.hidden_size,self.hidden_size,bias=True)
linear_two=nn.Linear(self.hidden_size,self.hidden_size,bias=True)
linear_three=nn.Linear(self.hidden_size,1,bias=False)
merge_user_info=torch.cat((a,linear_three),1)
如图5所示,步骤S302-3中基于会话序列动态行为偏好耦合关系分析的推荐方法的具体步骤如下:
S302-3-1、将用户喜好动态预测模型和用户项目耦合关系分析模型的输出向量用融合层进行融合,输出的向量作为全连接层的输入;
实现代码如下所示:
merge_attr_id_embedding=torch.cat((merge_user_info,merge_id_embedding),1);
S302-3-2、通过全连接层学习用户项目交互关系,即用全连接层将用户项目关系转化为非线性交互,表示为:
其中,W1,W2,...,WL和b1,b2,...,bL表示各层的权矩阵和偏置,a1,a2,...,aL表示由ReLU激活函数激活的每一层的输出;
在PyTorch中,构建深层潜在因素表示网络的用户项目交互转换为非线性交互的代码如下所示:
merge_attr_id_embedding=self.mlp_block_output(merge_attr_id_embedding)
S302-3-3、将上步产生的非线性关系用Sigmoid函数激活,从而压缩到范围[0,1],并将目标问题解释为概率:pΘ(y=1|u,v|),用作为预测输出:其中W0是最后一层的权重矩阵,aL是上一层的输出,b0是最后一层的偏重向量。
在PyTorch中,用户项目交互概率的代码如下所示:
output=torch.sigmoid(self.topLayer(merge_attr_id_embedding));
如图6所示,步骤S4训练模型和项目推荐的具体步骤为:
S401、构建损失函数:使用二分类交叉熵(BCE)损失函数计算模型的损失值,PyTorch中自带torch.nn.BCELoss()函数。
在PyTorch中,代码如下所示:
loss_func=F.binary_cross_entropy(input,target,weight=self.weight,reduction=self.reduction)
S402、构建优化函数:使用Adam作为模型的优化函数;其中,学习率参数设置为0.001,其他参数使用PyTorch的默认值即可。
在PyTorch中,优化函数实现代码如下所示:
self.optimizer=torch.optim.Adam(self.parameters(),lr=opt.lr,weight_decay=opt.l2)
本发明的基于会话序列动态行为偏好耦合关系分析的推荐方法包括如下:S1、数据采集和处理;S2、划分数据集;S3、构建基于会话序列动态行为偏好耦合关系学习框架:(1)用户喜好动态预测模型;(2)用户项目耦合关系分析模型;(3)基于会话序列动态行为偏好耦合关系分析的推荐方法。S4、训练耦合模型和项目推荐。
一个项目的受欢迎程度可能会随着时间段的不同而改变,用户的平均评分也可能会随着时间的推移而上升或下降,本发明既考虑到用户在长期和短期时间内动态偏好之间微观的关系,也考虑用户/项目之间的耦合关系,起到辅助协同过滤推荐的作用,尤其是当评分信息比较稀疏时借助于这种耦合关系仍可以较好的给用户推荐其喜好的项目,提高了推荐的质量。本发明建立了基于会话序列动态行为偏好耦合关系分析的推荐模型,应用GNN算法学习用户/项目的动态特征,并用耦合关系感知器(全连接层及激活函数)捕获了用户/项目之间的耦合关系,结合非独立同分布的协同过滤精确推荐结果。
最后应说明的是:以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,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,还可以做出若干改进和变动,这些改进和变动也视为本发明的保护范围。
Claims (8)
1.一种基于会话序列动态行为偏好耦合关系分析的推荐方法,其特征在于,包括:
S1、数据采集和处理:在2015recsyschallenge网站下载Yoochoose数据集和在cikm2016网站下载Diginetica数据集,清理脏数据;
S2、划分数据集:将处理好的数据集按8:1:1的比例划分为训练集、测试集和验证集;
S3、构建耦合模型:用基于图神经网络学习用户在行为会话中的动态偏好,用耦合关系感知器学习用户与项目特征耦合关系,并将两者融合进行推荐;
S4、训练模型和项目推荐:步骤S2中所得到的训练数据集和测试数据集分别用于训练和评估步骤S3构建的耦合模型,考虑用户关于时间序列方面的动态偏好以及相应用户/项目特征信息之间的耦合关系,根据用户对项目的预测评分判断是否将项目推荐给用户。
2.根据权利要求1所述的基于会话序列动态行为偏好耦合关系分析的推荐方法,其特征在于,所述步骤S1的数据采集和处理的具体步骤如下:
S101、在2015recsyschallenge网站下载Yoochoose数据集和在cikm2016网站下载Diginetica数据集,做数据预处理,并清理脏数据;
S102、提取数据集中用户在会话序列的行为信息及用户、项目信息,将其转化为向量。
3.根据权利要求1所述的基于会话序列动态行为偏好耦合关系分析的推荐方法,其特征在于,所述步骤S3中构建耦合模型的具体步骤如下:
S301、构建输入层:输入层包括3个输入内容,用户嵌入向量、项目嵌入向量及用户的行为序列信息;
S302、构建用户喜好动态预测模型、用户项目耦合关系分析模型以及基于会话序列动态行为偏好耦合关系分析的推荐方法;即构建基于会话序列动态行为偏好耦合关系分析的推荐方法学习框架;
S303、构建输出层:预测用户对项目的评分。
4.根据权利要求3所述的基于会话序列动态行为偏好耦合关系分析的推荐方法,其特征在于,所述步骤S302中构建用户喜好动态预测模型、用户项目耦合关系分析模型以及基于会话序列动态行为偏好耦合关系分析的推荐方法的具体步骤如下:
S302-1、构建用户喜好动态预测模型:通过输入用户的行为序列信息,连接图神经网络,学习用户的动态偏好;
S302-2、构建用户项目耦合关系分析模型:通过输入用户嵌入向量、项目嵌入向量,将用户嵌入向量、项目嵌入向量分别转化为指定维度的向量,代表用户及项目的基本特征,连接耦合关系感知器,学习用户项目的耦合关系;
S302-3、构建基于会话序列动态行为偏好耦合关系分析的推荐方法,将用户喜好动态预测模型的输出与用户项目耦合关系分析模型的输出输入到融合层进行融合,得到一个新的向量,然后由一个全连接层进行处理,输出最终的向量。
5.根据权利要求4所述的基于会话序列动态行为偏好耦合关系分析的推荐方法,其特征在于,所述步骤S302-1构建用户喜好动态预测模型的具体步骤如下:
S302-1-1、每个会话的序列信息转化为向量,将其作为GNN的输入;
S302-1-2、GNN算法学习出用户在序列行为中动态特征,输出用户的动态特征向量,将结果向量作为Attention网络的输入;
S302-1-3、Attention网络学习用户在序列行为中的动态特征,并将输入向量转化为用户的长期动态特征向量,与GNN算法输出的用户短期的动态特征拼接,作为模型下一层的输入。
6.根据权利要求4所述的基于会话序列动态行为偏好耦合关系分析的推荐方法,其特征在于,所述步骤S302-2构建用户项目耦合关系分析模型的具体步骤如下:
S302-2-1、将每个用户的基本信息及每个项目的基本信息分别转化为向量并进行嵌入操作,输出用户、项目的信息向量;将两向量输入到融合层进行融合,并将输出向量作为耦合关系感知器的输入;
S302-2-2、耦合关系感知器学习出用户-项目之间的耦合关系,并将输入向量转化为用户-项目耦合关系向量,作为模型下一层的输入。
7.根据权利要求4所述的基于会话序列动态行为偏好耦合关系分析的推荐方法,其特征在于,所述步骤S302-3中训练模型和项目推荐的具体步骤如下:
S302-3-1、将用户喜好动态预测模型和用户项目耦合关系分析模型的输出向量用融合层进行融合,输出的向量作为全连接层的输入;
S302-3-2、通过全连接层学习用户项目交互关系,即用全连接层将用户项目关系转化为非线性交互;
S302-3-3、将上步产生的非线性关系用Sigmoid函数激活,从而压缩到范围[0,1]。
8.根据权利要求2所述的基于会话序列动态行为偏好耦合关系分析的推荐方法,其特征在于,所述步骤S4中训练模型和项目推荐的具体步骤如下:
S401、构建损失函数:使用二分类交叉熵损失函数计算模型的损失值;
S402、构建优化函数:使用Adam作为模型的优化函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011138457.0A CN112269927B (zh) | 2020-10-22 | 2020-10-22 | 一种基于会话序列动态行为偏好耦合关系分析的推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011138457.0A CN112269927B (zh) | 2020-10-22 | 2020-10-22 | 一种基于会话序列动态行为偏好耦合关系分析的推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112269927A true CN112269927A (zh) | 2021-01-26 |
CN112269927B CN112269927B (zh) | 2024-05-28 |
Family
ID=74341463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011138457.0A Active CN112269927B (zh) | 2020-10-22 | 2020-10-22 | 一种基于会话序列动态行为偏好耦合关系分析的推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112269927B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023138381A1 (zh) * | 2022-09-26 | 2023-07-27 | 重庆文理学院 | 基于物品属性与时序模式耦合关系的序列推荐方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050005591A (ko) * | 2003-07-05 | 2005-01-14 | (주)넥솔위즈빌 | 인터넷 기반의 동적 웹 정보 추천 시스템 및 방법 |
WO2018214163A1 (en) * | 2017-05-26 | 2018-11-29 | Microsoft Technology Licensing, Llc | Providing product recommendation in automated chatting |
CN110134868A (zh) * | 2019-05-14 | 2019-08-16 | 辽宁工程技术大学 | 一种基于用户偏好异构性分析的推荐方法 |
CN110245299A (zh) * | 2019-06-19 | 2019-09-17 | 中国人民解放军国防科技大学 | 一种基于动态交互注意力机制的序列推荐方法及其系统 |
CN110348968A (zh) * | 2019-07-15 | 2019-10-18 | 辽宁工程技术大学 | 一种基于用户及项目耦合关系分析的推荐系统及方法 |
CN110866145A (zh) * | 2019-11-06 | 2020-03-06 | 辽宁工程技术大学 | 一种共同偏好辅助的深度单类协同过滤推荐方法 |
CN111797321A (zh) * | 2020-07-07 | 2020-10-20 | 山东大学 | 一种面向不同场景的个性化知识推荐方法及系统 |
-
2020
- 2020-10-22 CN CN202011138457.0A patent/CN112269927B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050005591A (ko) * | 2003-07-05 | 2005-01-14 | (주)넥솔위즈빌 | 인터넷 기반의 동적 웹 정보 추천 시스템 및 방법 |
WO2018214163A1 (en) * | 2017-05-26 | 2018-11-29 | Microsoft Technology Licensing, Llc | Providing product recommendation in automated chatting |
CN110134868A (zh) * | 2019-05-14 | 2019-08-16 | 辽宁工程技术大学 | 一种基于用户偏好异构性分析的推荐方法 |
CN110245299A (zh) * | 2019-06-19 | 2019-09-17 | 中国人民解放军国防科技大学 | 一种基于动态交互注意力机制的序列推荐方法及其系统 |
CN110348968A (zh) * | 2019-07-15 | 2019-10-18 | 辽宁工程技术大学 | 一种基于用户及项目耦合关系分析的推荐系统及方法 |
CN110866145A (zh) * | 2019-11-06 | 2020-03-06 | 辽宁工程技术大学 | 一种共同偏好辅助的深度单类协同过滤推荐方法 |
CN111797321A (zh) * | 2020-07-07 | 2020-10-20 | 山东大学 | 一种面向不同场景的个性化知识推荐方法及系统 |
Non-Patent Citations (2)
Title |
---|
卢国斌;李晓宇;祖秉辉;董建军;: "基于EMD-MFOA-ELM的瓦斯涌出量时变序列预测研究", 中国安全生产科学技术, no. 06, 30 June 2017 (2017-06-30) * |
郭梦娇;孙劲光;孟祥福: "基于耦合相似度的矩阵分解推荐方法", 计算机科学, vol. 43, no. 4, 31 December 2016 (2016-12-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023138381A1 (zh) * | 2022-09-26 | 2023-07-27 | 重庆文理学院 | 基于物品属性与时序模式耦合关系的序列推荐方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112269927B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Study on convolutional neural network and its application in data mining and sales forecasting for E-commerce | |
CN111061856B (zh) | 一种基于知识感知的新闻推荐方法 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN116010684A (zh) | 物品推荐方法、装置及存储介质 | |
Shen et al. | A voice of the customer real-time strategy: An integrated quality function deployment approach | |
CN112288554B (zh) | 商品推荐方法和装置、存储介质及电子装置 | |
CN115391670B (zh) | 一种基于知识图谱的互联网行为分析方法与系统 | |
CN112149352A (zh) | 一种结合gbdt自动特征工程对营销活动点击的预测方法 | |
CN113591971A (zh) | 基于dpi时间序列词嵌入向量的用户个性行为预测方法 | |
CN116468460A (zh) | 基于人工智能的消费金融客户画像识别系统及其方法 | |
CN117216281A (zh) | 一种基于知识图谱的用户兴趣扩散推荐方法及系统 | |
CN112817563A (zh) | 目标属性配置信息确定方法、计算机设备和存储介质 | |
CN115631008B (zh) | 商品推荐方法、装置、设备及介质 | |
CN114820121A (zh) | 一种保险业务推送系统及方法 | |
CN116205700A (zh) | 目标产品的推荐方法、装置、计算机设备和存储介质 | |
CN112269927A (zh) | 一种基于会话序列动态行为偏好耦合关系分析的推荐方法 | |
CN116843371A (zh) | 营销推广方法、装置、设备和计算机可读存储介质 | |
Hao et al. | Deep collaborative online learning resource recommendation based on attention mechanism | |
CN112084415B (zh) | 一种基于用户和项目长短期时间耦合关系分析的推荐方法 | |
CN111401525A (zh) | 一种基于深度学习的适应性学习系统和方法 | |
CN116401450A (zh) | 一种基于知识图谱的推荐方法、装置及计算机设备 | |
CN115564532A (zh) | 序列推荐模型的训练方法及装置 | |
CN115545834A (zh) | 基于图神经网络与元数据的个性化服务推荐方法 | |
CN116932862A (zh) | 冷启动对象推荐方法、装置、计算机设备和存储介质 |
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 |