CN112948683A - 一种社交信息动态融合的社会化推荐方法 - Google Patents

一种社交信息动态融合的社会化推荐方法 Download PDF

Info

Publication number
CN112948683A
CN112948683A CN202110279972.9A CN202110279972A CN112948683A CN 112948683 A CN112948683 A CN 112948683A CN 202110279972 A CN202110279972 A CN 202110279972A CN 112948683 A CN112948683 A CN 112948683A
Authority
CN
China
Prior art keywords
user
social
commodity
friend
interest
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
Application number
CN202110279972.9A
Other languages
English (en)
Other versions
CN112948683B (zh
Inventor
彭甫镕
任柯舟
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.)
Shanxi University
Original Assignee
Shanxi University
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 Shanxi University filed Critical Shanxi University
Priority to CN202110279972.9A priority Critical patent/CN112948683B/zh
Publication of CN112948683A publication Critical patent/CN112948683A/zh
Application granted granted Critical
Publication of CN112948683B publication Critical patent/CN112948683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/01—Social networking

Landscapes

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

Abstract

本发明涉及一种社交信息动态融合的社会化推荐方法，通过接收用户的商品推荐请求，根据用户的交互列表生成用户的短期兴趣向量；同时利用用户的社交信息获得用户朋友的交互列表，生成用户朋友的短期兴趣向量；利用用户的短期兴趣向量融合朋友的短期兴趣向量，生成融合短期社交信息的动态用户兴趣特征；同时利用用户的短期兴趣向量融合朋友的长期兴趣向量，生成融合长期社交信息的静态用户兴趣特征，最后结合动态和静态用户兴趣特征生成最终的用户当前时刻兴趣特征。通过上述技术方案，缓解了推荐方法中的数据稀疏问题，并充分应用的用户交互物品的时间信息，从而提升了推荐效果。

Description

一种社交信息动态融合的社会化推荐方法
技术领域
本发明涉及一种社会化推荐技术领域，具体为一种社交信息动态融合的社会化推荐方法。
背景技术
随着科学与信息技术的迅猛发展，社会进入了一个高度信息化的时代，互联网的高速发展和物联网的出现，使得网络中的信息呈现指数级增长。由于用户的精力有限，面对大数据时代带来的数据冲击往往感到无从下手，在网络中寻找有用信息需要投入的精力也越来越多，产生了所谓的“信息过载”问题。
搜索引擎和推荐系统的产生为解决“信息过载”问题提供了非常重要的技术手段。对搜索引擎来说，用户需要输入查询关键字，搜索引擎根据用户提供的关键字对用户提供信息。当用户无法想到准确描述自己需求的关键词时，通过分析用户的历史行为来对用户的兴趣进行建模，从而主动给用户推荐可能满足他们兴趣和需求信息的推荐系统成为解决“信息过载”的最有效的方式。
现实世界中，用户的喜好和商品的流行度随着时间的推移是动态的而非静态的，这种动态对于精确定位一个用户或为了更加准确地推荐商品来说有十分重大的意义。而传统的推荐算法并没有考虑用户的喜好变化。同时，传统的推荐算法如协同过滤和矩阵分解等，存在评分数据集稀疏的问题，导致最终的推荐效果不佳。
发明内容
本发明的目的在于提出一种社交信息动态融合的社会化推荐方法，通过引入用户社交关系缓解了现有的协同过滤和矩阵分解算法所需数据集稀疏的问题，同时使社会化推荐更具有时效性。
本发明提供了一种社交信息动态融合的社会化推荐方法，包括：
接收目标用户的商品推荐请求，导入目标用户及其朋友的交互列表，并将交互列表中的商品id映射到一项目隐空间，获得用户及朋友交互列表中每个商品的嵌入特征，将用户id和朋友id映射到用户隐空间得到用户的长期兴趣特征及任一朋友的长期兴趣特征；
利用所述交互商品嵌入特征构建用户及朋友的每一时刻的短期兴趣向量；
通过所述用户短期兴趣向量融合朋友短期兴趣向量，生成用户动态特征向量；通过所述用户短期兴趣向量融合朋友长期兴趣向量得到用户静态特征向量；
将用户动态特征向量与用户静态特征向量，结合得到用户最终兴趣特征向量；
计算所述用户兴趣特征与所有商品特征的相似度，将最佳近似的物品特征作为预测结果，根据预测结果，将相似度最大的前K项商品id推荐给用户。
其中，在将交互列表中的商品id映射到一项目隐空间的步骤中，包括步骤：
用户的交互列表设定为
Figure BDA0002977797530000021
好友的交互列表设定为
Figure BDA0002977797530000022
其中，a,b∈F表示用户的朋友集合；
构建d维的项目隐空间和用户隐空间，将交互列表映射到d维的项目隐空间
Figure BDA0002977797530000023
并加入位置嵌入来保留位置信息，得到用户及朋友交互列表中每个商品的嵌入特征，表示为Hu＝hu+I，其中
Figure BDA0002977797530000024
表是位置信息嵌入；
将用户id和朋友id映射到用户隐空间得到用户的长期兴趣特征Vu及朋友的长期兴趣特征Va。
其中，在利用所述交互商品嵌入特征构建用户及朋友的每一时刻的短期兴趣向量的步骤中，用户及朋友的每一时刻的短期兴趣向量
Figure BDA0002977797530000031
和
Figure BDA0002977797530000032
构建过程为：
Figure BDA0002977797530000033
Figure BDA0002977797530000034
其中，
Figure BDA0002977797530000035
和
Figure BDA0002977797530000036
为投影矩阵，d是潜在空间的维度，除以
Figure BDA0002977797530000037
是为了防止因维度过大而导致内积的结果过大，
Figure BDA0002977797530000038
表示t时刻之前的用户物品交互嵌入；softmax是归一化函数，通常为
Figure BDA0002977797530000039
其中
Figure BDA00029777975300000310
Figure BDA00029777975300000311
为投影矩阵，
Figure BDA00029777975300000312
为偏置项，Relu为激活函数。
其中，用户动态特征向量
Figure BDA00029777975300000313
表示为：
Figure BDA00029777975300000314
其中
Figure BDA00029777975300000315
和
Figure BDA00029777975300000316
是投影矩阵，
Figure BDA00029777975300000317
表示t时刻之前用户朋友的短期兴趣；
Figure BDA00029777975300000318
为时间敏感值，公式表示为：
Figure BDA00029777975300000319
其中时间t和ta的基本时间单位是周，
Figure BDA00029777975300000320
为朋友a的行为
Figure BDA00029777975300000321
对应的时间；
用户静态特征向量
Figure BDA00029777975300000322
表示为：
Figure BDA00029777975300000323
其中
Figure BDA00029777975300000324
和
Figure BDA00029777975300000325
是投影矩阵，Vu＝[Vu,Va,…,Vb]表示用户朋友的长期兴趣特征集合，Ju＝[Ju,a,…,Ju,b]表示用户与朋友的杰卡德相似度系数；
杰卡德相似度系数公式表示为：
Figure BDA0002977797530000041
其中Ru表示用户u交互物品的集合，∩和∪分别表示交和并操作。
其中，用户最终兴趣特征向量表示为：
Figure BDA0002977797530000042
其中
Figure BDA0002977797530000043
表示用户u在t+1时预测的用户最终兴趣特征向量，α和β为自学习的权重参数。
其中，用户兴趣特征与所有商品特征的相似度为：
Figure BDA0002977797530000044
其中hi表示商品i在项目隐空间的嵌入特征。
在构建项目隐空间和商品影藏空间的步骤中，还包括：
根据用户最终兴趣特征向量和用户交互商品嵌入特征来构建损失函数：
Figure BDA0002977797530000045
其中
Figure BDA0002977797530000046
是用户的t+1时刻的交互物品，j是用户从未交互过的物品，θ(x)＝1/(1+e-x)，将预测的喜好程度调整至(0,1)区间；
最小化损失函数，优化得到最佳的物品隐空间和用户隐空间；其中，最小化优化函数的优化算法采用Adam优化算法。
此外，本发明提供了一种计算机设备，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如前述技术方案所述的社交信息动态融合的社会化推荐方法中的步骤。
本发明提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前述技术方案所述的社交信息动态融合的社会化推荐方法中的步骤。
区别于现有技术，本发明的社交信息动态融合的社会化推荐方法，通过接收用户的商品推荐请求，根据用户的交互列表生成用户的短期兴趣向量；同时利用用户的社交信息获得用户朋友的交互列表，生成用户朋友的短期兴趣向量；利用用户的短期兴趣向量融合朋友的短期兴趣向量，生成融合短期社交信息的静态用户兴趣特征；同时利用用户的短期兴趣向量融合朋友的长期兴趣向量，生成融合长期社交信息的动态用户兴趣特征，最后结合静态和动态用户兴趣特征生成最终的用户当前时刻兴趣特征。通过上述技术方案，缓解了推荐方法中的数据稀疏问题，并充分应用的用户交互物品的时间信息，从而提升了推荐效果。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的一种社交信息动态融合的社会化推荐方法的流程示意图。
图2是本发明提供的一种社交信息动态融合的社会化推荐方法中针对brightkite数据集最大序列长度对推荐模型的影响曲线示意图。
图3是本发明提供的一种社交信息动态融合的社会化推荐方法中针对Last_MF数据集最大序列长度对推荐模型的影响曲线示意图。
图4是本发明提供的一种社交信息动态融合的社会化推荐方法中针对brightkite数据集最大朋友个数对推荐模型的影响曲线示意图。
图5是本发明提供的一种社交信息动态融合的社会化推荐方法中针对Last_MF数据集最大朋友个数对推荐模型的影响曲线示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参阅图1，本发明提供了一种社交信息动态融合的社会化推荐方法，包括：
接收目标用户的商品推荐请求，导入目标用户及其朋友的交互列表，并将交互列表中的商品id映射到一项目隐空间，获得用户及朋友交互列表中每个商品的嵌入特征，将用户id和朋友id映射到用户隐空间得到用户的长期兴趣特征及任一朋友的长期兴趣特征；
利用所述交互商品嵌入特征构建用户及朋友的每一时刻的短期兴趣向量；
通过所述用户短期兴趣向量融合朋友短期兴趣向量，生成用户动态特征向量；通过所述用户短期兴趣向量融合朋友长期兴趣向量得到用户静态特征向量；
将用户动态特征向量与用户静态特征向量，结合得到用户最终兴趣特征向量；
计算所述用户兴趣特征与所有商品特征的相似度，将最佳近似的物品特征作为预测结果，根据预测结果，将相似度最大的前K项商品id推荐给用户。
本发明适用于社交软件，在用户需要进行商品推荐，发出商品推荐请求时，通过软件后台服务器执行本发明的方法，完成对用户的商品推荐。其中商品推荐可为歌曲、购物网站的物品、电影、新闻及书籍推荐。
其中，在将交互列表中的商品id映射到一项目隐空间的步骤中，包括步骤：
用户的交互列表设定为
Figure BDA0002977797530000061
好友的交互列表设定为
Figure BDA0002977797530000062
其中，a,b∈F表示用户的朋友集合；
构建d维的项目隐空间和用户隐空间，将交互列表映射到d维的项目隐空间
Figure BDA0002977797530000063
并加入位置嵌入来保留位置信息，得到用户及朋友交互列表中每个商品的嵌入特征，表示为Hu＝hu+I，其中
Figure BDA0002977797530000071
表是位置信息嵌入；
将用户id和朋友id映射到用户隐空间得到用户的长期兴趣特征Vu及朋友的长期兴趣特征Va。
其中，在利用所述交互商品嵌入特征构建用户及朋友的每一时刻的短期兴趣向量的步骤中，用户及朋友的每一时刻的短期兴趣向量
Figure BDA0002977797530000072
和
Figure BDA0002977797530000073
构建过程为：
Figure BDA0002977797530000074
Figure BDA0002977797530000075
其中，
Figure BDA0002977797530000076
和
Figure BDA0002977797530000077
为投影矩阵，d是潜在空间的维度，除以
Figure BDA0002977797530000078
是为了防止因维度过大而导致内积的结果过大，
Figure BDA0002977797530000079
表示t时刻之前的用户物品交互嵌入；softmax是归一化函数，通常为
Figure BDA00029777975300000710
其中
Figure BDA00029777975300000711
Figure BDA00029777975300000712
为投影矩阵，
Figure BDA00029777975300000713
为偏置项，Relu为激活函数。
其中，用户动态特征向量
Figure BDA00029777975300000714
表示为：
Figure BDA00029777975300000715
其中
Figure BDA00029777975300000716
和
Figure BDA00029777975300000717
是投影矩阵，
Figure BDA00029777975300000718
表示t时刻之前用户朋友的短期兴趣；
Figure BDA00029777975300000719
为时间敏感值，公式表示为：
Figure BDA00029777975300000720
其中时间t和ta的基本时间单位是周，
Figure BDA00029777975300000721
为朋友a的行为
Figure BDA00029777975300000722
对应的时间；
用户静态特征向量
Figure BDA00029777975300000723
表示为：
Figure BDA0002977797530000081
其中
Figure BDA0002977797530000082
和
Figure BDA0002977797530000083
是投影矩阵，Vu＝[Vu,Va,…,Vb]表示用户朋友的长期兴趣特征集合，Ju＝[Ju,a,…,Ju,b]表示用户与朋友的杰卡德相似度系数；
杰卡德相似度系数公式表示为：
Figure BDA0002977797530000084
其中Ru表示用户u交互物品的集合，∩和∪分别表示交和并操作。
其中，用户最终兴趣特征向量表示为：
Figure BDA0002977797530000085
其中
Figure BDA0002977797530000086
表示用户u在t+1时预测的用户最终兴趣特征向量，α和β为自学习的权重参数。
其中，用户兴趣特征与所有商品特征的相似度为：
Figure BDA0002977797530000087
其中hi表示商品i在项目隐空间的嵌入特征。
在构建项目隐空间和商品影藏空间的步骤中，还包括：
根据用户最终兴趣特征向量和用户交互商品嵌入特征来构建损失函数：
Figure BDA0002977797530000088
其中
Figure BDA0002977797530000089
是用户的t+1时刻的交互物品，j是用户从未交互过的物品，θ(x)＝1/(1+e-x)，将预测的喜好程度调整至(0,1)区间；
最小化损失函数，优化得到最佳的物品隐空间和用户隐空间；其中，最小化优化函数的优化算法采用Adam优化算法。
本发明采用brightkite和Last_MF作为数据集，对本发明的推荐模型的优劣性进行验证。brightkite是一个基于位置的社交网络数据集，用户通过签到来实时共享他们的位置。它包含了从2008年3月21号至2010年10月18号的用户交互记录及用户之间的社交关系。Last_MF是一个音乐数据集，记录了从2005年8月1号到2011年5月9号用户对歌曲的评价及用户之间的社交记录，二者的数据量情况如表1所示：
数据集 brightkite Last_MF
用户数量 51406 1892
物品数量 772966 18744
交互记录 4747281 186479
评分密度 0.0012％ 0.52％
社交关系 394334 25434
社交密度 0.015％ 0.71％
表1 brightkite和Last_MF的数据情况
为了验证本发明提出的SLSRec推荐模型，将SLSRec推荐模型与序列推荐模型(BERT4Rec、SASRec)和社交推荐模型(DiffNet)进行对比验证。本发明的方法与现有推荐方法的效果对比如表2所示。
Figure BDA0002977797530000091
表2本发明推荐方法与现有推荐方法的推荐效果对比
其中，SASRec是2018年Wang-Cheng Kang等人提出的一种捕获长期语义的自注意力序列推荐模型。
BERT4Rec是2019年Fei Sun等人提出的一种序列推荐模型，该模型首次将深度双向顺序模型和完形目标引入推荐系统领域，通过完形任务用双向自注意网络来建模用户行为序列。
DiffNet是2019年Le Wu等人提出的一种基于社会化推荐的深度影响传播模型，设计了一个分层影响传播结构，以模拟用户的潜在嵌入是如何随着社会扩散过程的继续而演变的，以此来表示用户如何受到递归社会扩散过程的影响。
如表2所示，本发明使用Top-N评价指标HR@10和NDCG@10对推荐效果进行评价。
在评估推荐性能时，将用户真实的下一个交互商品作为正样本i，从未交互的物品集合中随机抽取100个物品作为负样本，将正负样本结合组成包含101个物品的推荐物品列表。
命中率(HR@10)评估在推荐列表的相似度排名中正样本是否能排在前10，若排在前10则认为命中：
Figure BDA0002977797530000101
其中U表示所有的用户，lu,i表示正样本i预测评分值在推荐列表中的排序位置，
Figure BDA0002977797530000102
为指示函数表示正样本i的排序位置是否在前10，是为1，不是为0。
NDCG@10(Normalized Discounted Cumulative Gain)在HR的基础上加入了位置因素，当正样本的排名越靠前时，推荐效果更好：
Figure BDA0002977797530000103
图2-图5展示了最大序列长度maxlen和最大朋友个数maxfriend对模型推荐性能的影响，maxlen主要影响的是序列推荐的结果，maxfriend主要影响的是社交融合的结果。因服务器内存的大小限制，无法运行maxlen超过200和maxfriend超过15的实验。
其中，在图2和图3展示了最大序列长度对本发明SLSRec推荐模型的影响，图4和图5是最大朋友个数对本发明SLSRec推荐模型的影响，可以观察到，maxlen和maxfriend对推荐结果的影响与数据的密度有关。对于数据密度较大的Last_MF数据集，maxlen的影响较大，性能曲线呈现整体上升的趋势，maxfriend的影响较小，性能曲线整体比较平稳。而在数据较为稀疏的brightkite数据集中，maxlen的影响较小，性能曲线整体比较平稳，maxfriend的影响较大，性能曲线整体比较平稳。从两个数据集的对比可以看出本文提出的SLSRec模型在稀疏数据上能更有效的利用朋友兴趣恢复用户兴趣进而提升推荐效果。
此外，本发明提供了一种计算机设备，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如前述技术方案所述的社交信息动态融合的社会化推荐方法中的步骤。
本发明提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前述技术方案所述的社交信息动态融合的社会化推荐方法中的步骤。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (9)

1.一种社交信息动态融合的社会化推荐方法，其特征在于，包括：
接收目标用户的商品推荐请求，导入目标用户及其朋友的交互列表，并将交互列表中的商品id映射到项目隐空间，获得用户及朋友交互列表中每个商品的嵌入特征，将用户id和朋友id映射到用户隐空间得到用户的长期兴趣特征及任一朋友的长期兴趣特征；
利用所述交互商品嵌入特征构建用户及朋友的每一时刻的短期兴趣向量；
通过所述用户短期兴趣向量融合朋友短期兴趣向量，生成用户动态特征向量；通过所述用户短期兴趣向量融合朋友长期兴趣向量得到用户静态特征向量；
将用户动态特征向量与用户静态特征向量，融合得到用户最终兴趣特征向量；
计算所述用户兴趣特征与所有商品特征的相似度，将最佳近似的物品特征作为预测结果，根据预测结果，将相似度最大的前K项商品id推荐给用户。
2.根据权利要求1所述的社交信息动态融合的社会化推荐方法，其特征在于，在将交互列表中的商品id映射到一项目隐空间的步骤中，包括步骤：
用户的交互列表设定为
Figure FDA0002977797520000011
好友的交互列表设定为
Figure FDA0002977797520000012
其中，a,b∈F表示用户的朋友集合；
构建d维的项目隐空间和用户隐空间，将交互列表映射到d维的项目隐空间
Figure FDA0002977797520000013
并加入位置嵌入来保留位置信息，得到用户及朋友交互列表中每个商品的嵌入特征，表示为Hu＝hu+I，其中
Figure FDA0002977797520000014
表是位置信息嵌入；
将用户id和朋友id映射到用户隐空间得到用户的长期兴趣特征Vu及朋友的长期兴趣特征Va。
3.根据权利要求1所述的社交信息动态融合的社会化推荐方法，其特征在于，在利用所述交互商品嵌入特征构建用户及朋友的短期兴趣向量的步骤中，用户及朋友在t时刻的短期兴趣向量
Figure FDA0002977797520000021
和
Figure FDA0002977797520000022
构建过程为：
Figure FDA0002977797520000023
Figure FDA0002977797520000024
其中，
Figure FDA0002977797520000025
和
Figure FDA0002977797520000026
为投影矩阵，d是潜在空间的维度，除以
Figure FDA0002977797520000027
是为了防止因维度过大而导致内积的结果过大，
Figure FDA0002977797520000028
表示t时刻之前的用户物品交互嵌入；softmax是归一化函数，通常为
Figure FDA0002977797520000029
其中
Figure FDA00029777975200000210
Figure FDA00029777975200000211
为投影矩阵，
Figure FDA00029777975200000212
为偏置项，Relu为激活函数。
4.根据权利要求1所述的社交信息动态融合的社会化推荐方法，其特征在于，用户动态特征向量
Figure FDA00029777975200000213
表示为：
Figure FDA00029777975200000214
其中
Figure FDA00029777975200000215
和
Figure FDA00029777975200000216
是投影矩阵，
Figure FDA00029777975200000217
表示t时刻之前用户朋友的短期兴趣；
Figure FDA00029777975200000218
为时间敏感值，公式表示为：
Figure FDA00029777975200000219
其中时间t和ta的基本时间单位是周，
Figure FDA00029777975200000220
为朋友a的行为
Figure FDA00029777975200000221
对应的时间；
用户静态特征向量
Figure FDA00029777975200000222
表示为：
Figure FDA0002977797520000031
其中
Figure FDA0002977797520000032
和
Figure FDA0002977797520000033
是投影矩阵，Vu＝[Vu,Va,…,Vb]表示用户朋友的长期兴趣特征集合，Ju＝[Ju,a,…,Ju,b]表示用户与朋友的杰卡德相似度系数；
杰卡德相似度系数公式表示为：
Figure FDA0002977797520000034
其中Ru表示用户u交互物品的集合，∩和∪分别表示交和并操作。
5.根据权利要求4所述的社交信息动态融合的社会化推荐方法，其特征在于，用户最终兴趣特征向量表示为：
Figure FDA0002977797520000035
其中
Figure FDA0002977797520000036
表示用户u在t+1时预测的用户最终兴趣特征向量，α和β为自学习的权重参数。
6.根据权利要求5所述的社交信息动态融合的社会化推荐方法，其特征在于，用户兴趣特征与所有商品特征的相似度为：
Figure FDA0002977797520000037
其中hi表示商品i在项目隐空间的嵌入特征。
7.根据权利要求4所述的社交信息动态融合的社会化推荐方法，其特征在于，在构建项目隐空间和商品隐空间的步骤中，还包括：
根据用户最终兴趣特征向量和用户交互商品嵌入特征来构建损失函数：
Figure FDA0002977797520000038
其中
Figure FDA0002977797520000039
是用户的t+1时刻的交互物品，j是用户从未交互过的物品，θ(x)＝1/(1+e-x)，将预测的喜好程度调整至(0,1)区间；
最小化损失函数，优化得到最佳的物品隐空间、用户隐空间及投影矩阵；其中，最小化优化函数的优化算法采用Adam优化算法。
8.一种计算机设备，其特征在于，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中的任一所述的社交信息动态融合的社会化推荐方法中的步骤。
9.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中的任一所述的社交信息动态融合的社会化推荐方法中的步骤。
CN202110279972.9A 2021-03-16 2021-03-16 一种社交信息动态融合的社会化推荐方法 Active CN112948683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110279972.9A CN112948683B (zh) 2021-03-16 2021-03-16 一种社交信息动态融合的社会化推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110279972.9A CN112948683B (zh) 2021-03-16 2021-03-16 一种社交信息动态融合的社会化推荐方法

Publications (2)

Publication Number Publication Date
CN112948683A true CN112948683A (zh) 2021-06-11
CN112948683B CN112948683B (zh) 2022-11-11

Family

ID=76230050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110279972.9A Active CN112948683B (zh) 2021-03-16 2021-03-16 一种社交信息动态融合的社会化推荐方法

Country Status (1)

Country Link
CN (1) CN112948683B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486250A (zh) * 2021-07-28 2021-10-08 中移（杭州）信息技术有限公司 内容推荐方法、装置、设备及计算机可读存储介质
CN114491150A (zh) * 2022-03-28 2022-05-13 苏州浪潮智能科技有限公司 一种视频推荐方法、系统、设备及计算机可读存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202876360U (zh) * 2012-08-22 2013-04-17 浙江工业大学 组合式绕圈玩具
WO2013081051A1 (ja) * 2011-12-02 2013-06-06 Kddi株式会社 レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
CN104572797A (zh) * 2014-05-12 2015-04-29 深圳市智搜信息技术有限公司 基于主题模型的个性化服务推荐系统和方法
CN107862056A (zh) * 2017-11-09 2018-03-30 广西师范大学 关联数据的推荐系统中基于编码的匿名推荐方法
CN109146626A (zh) * 2018-08-14 2019-01-04 中山大学 一种基于用户动态兴趣分析的时尚服装搭配推荐方法
CN109767301A (zh) * 2019-01-14 2019-05-17 北京大学 推荐方法及系统、计算机装置、计算机可读存储介质
CN110941764A (zh) * 2019-12-03 2020-03-31 腾讯科技（深圳）有限公司 对象推荐方法、装置、计算机设备和存储介质
CN111125537A (zh) * 2019-12-31 2020-05-08 中国计量大学 一种基于图表征的会话推荐方法
CN111932336A (zh) * 2020-07-17 2020-11-13 重庆邮电大学 一种基于长短期兴趣偏好的商品列表推荐方法
CN112256980A (zh) * 2020-10-23 2021-01-22 辽宁工程技术大学 一种基于动态图注意力网络的多关系协同过滤推荐
CN112380426A (zh) * 2020-10-23 2021-02-19 南京邮电大学 一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法、系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013081051A1 (ja) * 2011-12-02 2013-06-06 Kddi株式会社 レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
CN202876360U (zh) * 2012-08-22 2013-04-17 浙江工业大学 组合式绕圈玩具
CN104572797A (zh) * 2014-05-12 2015-04-29 深圳市智搜信息技术有限公司 基于主题模型的个性化服务推荐系统和方法
CN107862056A (zh) * 2017-11-09 2018-03-30 广西师范大学 关联数据的推荐系统中基于编码的匿名推荐方法
CN109146626A (zh) * 2018-08-14 2019-01-04 中山大学 一种基于用户动态兴趣分析的时尚服装搭配推荐方法
CN109767301A (zh) * 2019-01-14 2019-05-17 北京大学 推荐方法及系统、计算机装置、计算机可读存储介质
CN110941764A (zh) * 2019-12-03 2020-03-31 腾讯科技（深圳）有限公司 对象推荐方法、装置、计算机设备和存储介质
CN111125537A (zh) * 2019-12-31 2020-05-08 中国计量大学 一种基于图表征的会话推荐方法
CN111932336A (zh) * 2020-07-17 2020-11-13 重庆邮电大学 一种基于长短期兴趣偏好的商品列表推荐方法
CN112256980A (zh) * 2020-10-23 2021-01-22 辽宁工程技术大学 一种基于动态图注意力网络的多关系协同过滤推荐
CN112380426A (zh) * 2020-10-23 2021-02-19 南京邮电大学 一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法、系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李亚欣 等: "结合实时推荐与离线推荐的推荐系统", 《计算机系统应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486250A (zh) * 2021-07-28 2021-10-08 中移（杭州）信息技术有限公司 内容推荐方法、装置、设备及计算机可读存储介质
CN113486250B (zh) * 2021-07-28 2023-09-05 中移（杭州）信息技术有限公司 内容推荐方法、装置、设备及计算机可读存储介质
CN114491150A (zh) * 2022-03-28 2022-05-13 苏州浪潮智能科技有限公司 一种视频推荐方法、系统、设备及计算机可读存储介质
CN114491150B (zh) * 2022-03-28 2022-07-15 苏州浪潮智能科技有限公司 一种视频推荐方法、系统、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN112948683B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
Guo et al. Attentive long short-term preference modeling for personalized product search
Mukherjee et al. Spotting fake reviewer groups in consumer reviews
Ganu et al. Improving the quality of predictions using textual information in online user reviews
CN101520784B (zh) 信息发布系统和信息发布方法
Almazro et al. A survey paper on recommender systems
US7949643B2 (en) Method and apparatus for rating user generated content in search results
Gupta et al. An overview of social tagging and applications
CN106294500B (zh) 内容项目的推送方法、装置及系统
CN110069713B (zh) 一种基于用户上下文感知的个性化推荐方法
CN112948683B (zh) 一种社交信息动态融合的社会化推荐方法
Lubis et al. A framework of utilizing big data of social media to find out the habits of users using keyword
Leite Dantas Bezerra et al. Symbolic data analysis tools for recommendation systems
Raghuvanshi et al. A brief review on sentiment analysis
Su et al. Effective social content-based collaborative filtering for music recommendation
Duan et al. A hybrid intelligent service recommendation by latent semantics and explicit ratings
Xu et al. Do adjective features from user reviews address sparsity and transparency in recommender systems?
Bogers Recommender systems for social bookmarking
CN103136221A (zh) 一种生成需求模板的方法、需求识别的方法及其装置
Li et al. Exploit latent Dirichlet allocation for collaborative filtering
US20180349372A1 (en) Media item recommendations based on social relationships
Pandey et al. Unsupervised extraction of template structure in web search queries
Li et al. [Retracted] PCA and Binary K‐Means Clustering Based Collaborative Filtering Recommendation
Wang et al. Joint deep network with auxiliary semantic learning for popular recommendation
Kang et al. Internet-Based Researcher Interest Mining
CN114564653A (zh) 信息推荐方法、装置、服务器及存储介质

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