CN112967101B - 一种基于社交用户多交互信息的协同过滤物品推荐方法 - Google Patents

一种基于社交用户多交互信息的协同过滤物品推荐方法 Download PDF

Info

Publication number
CN112967101B
CN112967101B CN202110371628.2A CN202110371628A CN112967101B CN 112967101 B CN112967101 B CN 112967101B CN 202110371628 A CN202110371628 A CN 202110371628A CN 112967101 B CN112967101 B CN 112967101B
Authority
CN
China
Prior art keywords
user
item
vector
representing
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.)
Active
Application number
CN202110371628.2A
Other languages
English (en)
Other versions
CN112967101A (zh
Inventor
肖鑫宇
文俊浩
毕霁超
周魏
杨正益
曾骏
蔡海尼
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN202110371628.2A priority Critical patent/CN112967101B/zh
Publication of CN112967101A publication Critical patent/CN112967101A/zh
Application granted granted Critical
Publication of CN112967101B publication Critical patent/CN112967101B/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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于社交用户多交互信息的协同过滤物品推荐方法。包括如下步骤：选用相关社交关系数据建立用户‑物品交互矩阵得到交互向量xia；利用xia计算相关动态权重aia；通过好友信息建立好友交互矩阵
Figure DDA0003009510000000011
利用
Figure DDA0003009510000000012
计算相关动态权重βiu；根据同一物品的各种评价和交互向量vji，计算相关动态权重μji；根据xia和aia计算潜因子向量
Figure DDA0003009510000000013
利用
Figure DDA0003009510000000014
和潜因子向量
Figure DDA0003009510000000015
计算得到用户潜因子向量Uij；根据vji和μji计算潜因子向量zj；利用
Figure DDA0003009510000000016
和zj计算得到物品潜因子向量Iij；将Uij和Iij进行整合，得到预测向量G1并计算物品预测评分，进而得到给用户的最佳推荐方案。本发明使用一种模型融合算法整合上述两种潜因子向量，增强了推荐预测的准确性。

Description

一种基于社交用户多交互信息的协同过滤物品推荐方法
技术领域
本发明涉及协同过滤物品推荐方法领域，特别涉及一种基于社交用户多交互信息的协同过滤物品推荐方法。
背景技术
社会推荐在过去的几十年里得到了深入的研究，它的主要目标是根据用户的历史互动情况来评估用户使用某个道具的可能性。在社交推荐中，由于用户可能对某件商品有相同的看法，所以用户的偏好很容易受到朋友的影响；因此，使用社交关系可以帮助用户过滤用户想要购买的东西，社交网络数据可以使推荐更加准确。社会关系已被实际情况证明是有助于提高推荐准确性的。
在电商平台上，用户往往会发现平台所推荐的商品十分符合自己当前的购买需求，这是因为后台可以根据用户的历史游览数据预计当前数据，分析最近时间内的用户需求；然而，数据稀疏性以及冷启动问题制约了推荐系统的推荐结果准确性，用户的购买记录、游览记录以及用户的社交信息利用不充分，也是目前各种推荐模型受制约的主要因素进行，也介于此，所以目前的推荐模型框架计算出的结果会有较高的误差率，因此，解决数据稀疏性以及冷启动是目前本领域亟待解决的一个重点问题。
发明内容
针对现有技术存在的上述问题，本发明要解决的技术问题是：利用各种游览记录和社交信息，通过设计一种动态权重算法多种潜因子向量，并且设计多交互信息融合算法整合多个潜因子向量进行预测，来达到解决在社交环境下推荐准确性不足的问题。
为解决上述技术问题，本发明采用如下技术方案：一种基于社交用户多交互信息的协同过滤物品推荐方法，具体步骤如下：
S100：选用公开用户社交关系数据库，数据库中的数据包括每种物品的用户购买记录、每种物品的用户好友购买记录、每种物品的用户评价记录、每种物品的用户好友评价记录和每种物品的用户评分；
S200：通过每种物品的用户购买记录和每种物品的用户评价记录，建立用户-物品交互向量，具体表达式如下：
xia＝fυ([ei⊕er])   (2-1)
其中，xia表示用户-物品交互向量，ei表示物品嵌入向量，er表示评分嵌入向量；
根据评分嵌入向量以及用户嵌入向量通过公式(2-2)得到物品-用户交互向量，其中，物品-用户交互向量表示如下：
υji＝fυ([eu⊕er])   (2-2)
其中，vji表示物品-用户交互向量，eu表示用户嵌入向量；
S300：利用用户-物品交互向量xia，通过公式(3-1)计算用户-物品动态权重，具体表达式如下：
Figure GDA0004074297060000023
Figure GDA0004074297060000024
其中，aia表示用户-物品动态权重，
Figure GDA0004074297060000025
W1，b1，b2分别表示深度学习中的特定参数，xia表示用户-物品交互向量，pi表示目标用户的购买需求，其中，pi的定义如下：
pi＝fυ([xia⊕eu])   (3-2)
其中，eu表示用户嵌入向量；
通过用户好友购买记录建立用户-社交好友交互向量
Figure GDA0004074297060000027
具体表达式如下：
Figure GDA0004074297060000028
xua＝fυ([eui⊕er])   (3-3)
其中σ表示非线性激活函数，W，b分别表示深度学习中的特定参数，aia表示用户-物品动态权重，xua表示社交好友-物品交互向量，fυ表示非线性激活函数，eui表示用户好友购买过的物品嵌入向量，er表示评分嵌入向量；
利用用户-社交好友交互向量
Figure GDA0004074297060000031
通过公式(3-4)计算用户-社交好友动态权重，具体表达式如下：
Figure GDA0004074297060000032
Figure GDA0004074297060000033
其中，βiu是用户-社交好友动态权重，
Figure GDA0004074297060000034
W1，b1，b2分别表示深度学习中的特定参数，
Figure GDA0004074297060000035
表示用户-社交好友交互向量，pi表示目标用户的购买需求；
利用不同好友用户对同一物品的购买评价记录和物品-用户交互向量vji，通过公式(3-5)计算物品-用户动态权重，具体表达式如下：
Figure GDA0004074297060000036
Figure GDA0004074297060000037
其中，μji是物品-用户动态权重，
Figure GDA0004074297060000038
W1，b1，b2分别表示深度学习中的特定参数，υji表示物品-用户交互向量，qj表示目标物品；
其中，qj的定义如下：
qj＝fυ([υji⊕ei])   (3-6)
其中，ei表示物品嵌入向量；
此处设计的动态权重方法，考虑到以下三种关系：一个用户购买多件商品，并对多件商品进行不同的打分；一件商品被多个用户购买，并进行不同的打分；用户的购买意愿会受到社交好友的影响，社交好友的购买记录会左右当前用户的购买决定；因此需要设计一种动态权重的组件来表示出它们之间特有的权重关系，从而得到最终的用户潜因子向量和物品潜因子向量表示。
S400：根据用户-物品交互向量xia和用户-物品动态权重aia计算用户-物品潜因子向量，具体表达式如下：
Figure GDA0004074297060000041
其中，
Figure GDA0004074297060000042
表示用户-物品潜因子向量，σ表示非线性激活函数，W，b表示深度学习中的特定参数，aia表示用户-物品动态权重参数，xia表示用户-物品交互向量；
根据用户-社交好友交互向量
Figure GDA0004074297060000043
和用户-社交好友动态权重参数βiu计算用户-好友潜因子向量，具体表达式如下：
Figure GDA0004074297060000044
其中，
Figure GDA0004074297060000045
表示用户-好友潜因子向量，σ表示非线性激活函数，W，b表示深度学习中的特定参数，βiu表示用户-社交好友权重参数，
Figure GDA0004074297060000046
表示用户-社交好友交互向量；
S500：利用用户-物品潜因子向量和用户-好友潜因子向量计算得到用户潜因子向量，具体表达式如下：
Figure GDA0004074297060000047
其中
Figure GDA0004074297060000048
表示用户-物品潜因子向量，
Figure GDA0004074297060000049
表示用户-好友潜因子向量，⊕表示全连接操作，⊙表示点积操作；
S600：利用物品-用户交互向量vji和物品-用户动态权重μji通过公式(6-1)计算物品-用户潜因子向量，具体表达式如下：
Figure GDA00040742970600000411
其中，zj表示物品-用户潜因子向量，μji表示物品-用户动态权重，qj表示目标物品；
S700：利用用户-物品潜因子向量
Figure GDA0004074297060000051
和物品-用户潜因子向量zj计算物品潜因子向量，具体表达式如下：
Figure GDA0004074297060000052
上述表示是设计了一种多交互信息融合的方法来表示用户潜因子向量和物品潜因子向量之间的交互行为，在常见的推荐算法中，往往采取全连接的方式(即将得到的向量连接起来)得到最终的预测向量；但是此类方法容易忽略向量之间的内在关系，其推荐效果不甚理想。在其他的算法中，有的也会使用点积连接操作(即将两个向量进行内积)，但这种方式会忽略向量之间的序列关系，推荐效果也不理想。在本发明中，独特的采用了一种结合全连接操作和点积操作的融合模块，试图得到更佳的预测向量。
S800：将用户潜因子向量和物品潜因子向量进行整合，得到预测向量G1，具体表达式如下：
G1＝[Uij⊕Iij⊕[Uij⊙Iij]]   (8-1)；
S900：利用预测向量G1，计算物品预测评分，表达式如下：
r′ij＝MLP(G1)   (9-1)；
S1000：预设最大迭代次数，将数据集所有物品信息数据作为输入，重复S200-S900对公式(9-1)进行训练，使用误差函数通过反向传播对公式(9-1)进行参数更新，当训练达到最大迭代次数时停止，最终得到训练好的模型公式，
S1100：将待测物品的数据信息作为输入，通过公式(9-1)计算得出待测物品的预测得分，将得分最高的待测物品作为最终的推荐结果。
作为优选，所述S400中的计算潜因子向量所使用的非线性激活函数为softmax函数。
这里使用softmax函数可以将得到的所有权重值整合到[0，1]区间内，方便最终得到的预测值与真实值之间的比较。
作为优选，所述S1000中的误差函数表示如下：
Figure GDA0004074297060000054
其中，r′ij为物品预测评分，rij表示物品的用户实际评分。
该函数用来得到预测值与真实值之间的误差，在训练过程中，通过迭代来减小误差，最终获得良好的训练效果。
相对于现有技术，本发明至少具有如下优点：
1.本发明创新性的提出了设计一种动态权重组件来表示出物品和用户之间的权重关系。
2.多交互信息融合方法的使用可以更大范围的将多种信息进行综合和整体分析，尽可能的体现出用户、用户好友和物品之间影响联系。
3.本发明创新性的引入了评分嵌入向量来表示最终的用户潜因子向量。
4.在物品潜因子向量的表示中，引入了两个对成图(用户-物品图和物品-用户图)，极大程度上减少了噪声的引入。
附图说明
图1为本发明算法流程图；
图2为限制好友数目实验对比图；
图3为移除社交好友信息、评分信息、物品-用户交互矩阵实验效果图；
图4是模型融合函数实验对比图；
具体实施方式
下面对本发明作进一步详细说明。
本发明公开了一种基于社交用户多交互信息的协同过滤物品推荐方法，本发明主要针对通过互联网电商平台，用户在线购买商品为前提条件，根据在社交电子网络中，用户的购买决定不仅仅受到其过往历史记录的影响，还受到其社交好友的影响。通过对用户-物品矩阵、用户-好友矩阵以及物品-用户矩阵的编码交互；并且考虑到在异构网络中的特定权重影响，设计出一套特定权重表示算法。由于过往的推荐系统预测层往往直接使用全连接操作整合物品潜因子向量和用户潜因子向量，常常推荐准确性不理想。本发明使用一种模型融合算法整合以上两种潜因子向量，增强了推荐预测的准确性。通过实验对比，说明了该实验的提升效果。本发明有利于电商向用户推荐当前时刻用户想购买的商品，提升了电商平台的准确性从而降低了成本；对于用户而言，提升了购物的效率。
本发明涉及一种基于社交用户多交互信息的协同过滤物品推荐方法。选用相关社交关系数据建立用户-物品交互矩阵得到交互向量xia；利用xia计算相关动态权重aia；通过好友信息建立好友交互矩阵
Figure GDA0004074297060000071
利用
Figure GDA0004074297060000072
计算相关动态权重βiu；根据同一物品的各种评价和交互向量vji，计算相关动态权重μji；根据xia和aia计算潜因子向量
Figure GDA0004074297060000073
利用
Figure GDA0004074297060000074
和潜因子向量
Figure GDA0004074297060000075
计算得到用户潜因子向量Uij；根据vji和μji计算潜因子向量zj；利用
Figure GDA0004074297060000076
和zj计算得到物品潜因子向量Iij；将Uij和Iij进行整合，得到预测向量G1并计算物品预测评分，进而得到给用户的最佳推荐方案。
参见图1，一种基于社交用户多交互信息的协同过滤物品推荐方法，包括如下步骤：
S100：选用公开用户社交关系数据库，数据库中的数据包括每种物品的用户购买记录、每种物品的用户好友购买记录、每种物品的用户评价记录、每种物品的用户好友评价记录和每种物品的用户评分；
S200：通过每种物品的用户购买记录和每种物品的用户评价记录，建立用户-物品交互向量，具体表达式如下：
xia＝fυ([ei⊕er])   (2-1)
其中，xia表示用户-物品交互向量，ei表示物品嵌入向量，er表示评分嵌入向量；
参见图2，为了说明不同数量的好友数量对当前用户推荐效果的影响，设计对照试验，通过数目K约束当前用户的最小好友数量。
根据评分嵌入向量以及用户嵌入向量通过公式(2-2)得到物品-用户交互向量，利用用户对购买过的物品的评分情况获得用户的评分向量，再利用多个用户对同一物品的评分得到物品向量。根据得到的用户评分向量以及物品向量交互得到最终的物品-用户交互向量，其中，物品-用户交互向量表示如下：
υji＝fυ([eu⊕er])   (2-2)
其中，vji表示物品-用户交互向量，eu表示用户嵌入向量；
参见图3，为了说明社交好友信息、评分信息、物品-用户交互向量在推荐系统中能够增强推荐的准确性，因此设计出对比试验来说明这一效果，对比试验的效果如图3所示，其中：GSFR-RA表示移除评分信息后的模型；GSFR-SO表示移除社交好友信息后的模型；GSFR-IT表示移除物品-用户交互矩阵的模型；通过模型对比可以看出，社交好友信息、评分信息、物品-用户交互矩阵在该模型中均发挥了一定的作用。
S300：利用用户-物品交互向量xia，通过公式(3-1)计算用户-物品动态权重，具体表达式如下：
Figure GDA0004074297060000081
Figure GDA0004074297060000082
其中，aia表示用户-物品动态权重，为了得到aia，需要计算每一个不同用户好友的影响力，因此引入
Figure GDA0004074297060000083
向量，
Figure GDA0004074297060000084
W1，b1，b2分别表示深度学习中的特定参数，xia表示用户-物品交互向量，pi表示目标用户的购买需求，其中，pi的定义如下：
pi＝fυ([xia⊕eu])   (3-2)
其中，eu表示用户嵌入向量；
通过用户好友购买记录建立用户-社交好友交互向量
Figure GDA0004074297060000086
具体表达式如下：
Figure GDA0004074297060000087
xua＝fυ([eui⊕er])   (3-3)
其中σ表示非线性激活函数，在这里选用softmax函数，W，b分别表示深度学习中的特定参数，aia表示用户-物品动态权重，xua表示社交好友-物品交互向量，fυ表示非线性激活函数，eui表示用户好友购买过的物品嵌入向量，er表示评分嵌入向量；
利用用户-社交好友交互向量
Figure GDA0004074297060000089
通过公式(3-4)计算用户-社交好友动态权重，具体表达式如下：
Figure GDA0004074297060000091
Figure GDA0004074297060000092
其中，βiu是用户-社交好友动态权重，为了得到βiu，需要计算不同好友购买决定对当前用户的影响力，因此引入
Figure GDA0004074297060000093
向量，
Figure GDA0004074297060000094
W1，b1，b2分别表示深度学习中的特定参数，
Figure GDA0004074297060000095
表示用户-社交好友交互向量，pi表示目标用户的购买需求；
利用不同好友用户对同一物品的购买评价记录和物品-用户交互向量vji，通过公式(3-5)计算物品-用户动态权重，具体表达式如下：
Figure GDA0004074297060000096
Figure GDA0004074297060000097
其中，μji是物品-用户动态权重，为了得到μji，需要计算每一个不同用户好友的影响力，因此引入
Figure GDA0004074297060000098
向量，
Figure GDA0004074297060000099
W1，b1，b2分别表示深度学习中的特定参数，υji表示物品-用户交互向量，qj表示目标物品；
其中，qj的定义如下：
qj＝fυ([υji⊕ei])  (3-6)
其中，ei表示物品嵌入向量；
S400：根据用户-物品交互向量xia和用户-物品动态权重aia计算用户-物品潜因子向量，具体表达式如下：
Figure GDA00040742970600000911
其中，
Figure GDA00040742970600000912
表示用户-物品潜因子向量，σ表示非线性激活函数，W，b表示深度学习中的特定参数，aia表示用户-物品动态权重参数，xia表示用户-物品交互向量；
根据用户-社交好友交互向量
Figure GDA0004074297060000101
和用户-社交好友动态权重参数βiu计算用户-好友潜因子向量，具体表达式如下：
Figure GDA0004074297060000102
其中，
Figure GDA0004074297060000103
表示用户-好友潜因子向量，σ表示非线性激活函数，W，b表示深度学习中的特定参数，βiu表示用户-社交好友权重参数，
Figure GDA0004074297060000104
表示用户-社交好友交互向量；
具体实施时，计算潜因子向量所使用的非线性激活函数为softmax函数。
S500：利用用户-物品潜因子向量和用户-好友潜因子向量计算得到用户潜因子向量，该处使用的是多交互信息融合方法，是将用户-物品潜因子向量和用户-好友潜因子向量作为输入，采用一种点积与全连接相结合的方式得到最终的用户潜因子向量，具体表达式如下：
Figure GDA0004074297060000105
其中
Figure GDA0004074297060000106
表示用户-物品潜因子向量，
Figure GDA0004074297060000107
表示用户-好友潜因子向量，⊕表示全连接操作，⊙表示点积操作；
参见图4，为了说明该模型融合函数起到的作用，设计出消融研究来证实该作用，其中，GSFR-DOT表示仅仅使用点积操作连接用户-物品潜因子向量和用户-好友潜因子向量；GSFR-CAT表示仅仅使用全连接操作连接用户-物品潜因子向量和用户-好友潜因子向量，通过实验对比证实了模型融合函数的作用。
S600：利用物品-用户交互向量vji和物品-用户动态权重μji通过公式(6-1)计算物品-用户潜因子向量，具体表达式如下：
Figure GDA0004074297060000109
其中，zj表示物品-用户潜因子向量，μji表示物品-用户动态权重，qj表示目标物品；
S700：利用用户-物品潜因子向量
Figure GDA0004074297060000111
和物品-用户潜因子向量zj计算物品潜因子向量，该处使用的是多交互信息融合方法，是将用户-物品潜因子向量和物品-用户潜因子向量作为输入，采用一种点积与全连接相结合的方式得到最终的物品潜因子向量，具体表达式如下：
Figure GDA0004074297060000112
S800：将用户潜因子向量和物品潜因子向量进行整合，得到预测向量G1，具体表达式如下：
G1＝[Uij⊕Iij⊕[Uij⊙Iij]]   (8-1)；
S900：利用预测向量G1，计算物品预测评分，表达式如下：
r′ij＝MLP(G1)   (9-1)；
S1000：预设最大迭代次数，将数据集所有物品信息数据作为输入，重复S200-S900对公式(9-1)进行训练，使用误差函数通过反向传播对公式(9-1)进行参数更新，当训练达到最大迭代次数时停止，最终得到训练好的模型公式，
具体实施时，所使用的误差函数表示如下：
Figure GDA0004074297060000114
其中，r′ij为物品预测评分，rij表示物品的用户实际评分。
S1100：将待测物品的数据信息作为输入，通过公式(9-1)计算得出待测物品的预测得分，将得分最高的待测物品作为最终的推荐结果。
实验数据验证
该实施例中，所提出的模型为GSFR(Graph Social Fuse Recommendation)，与其他模型比较后的推荐效果如表1所示：
表1各模型实验值对比
Figure GDA0004074297060000121
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于社交用户多交互信息的协同过滤物品推荐方法，其特征在于：包括如下步骤：
S100：选用公开用户社交关系数据库，数据库中的数据包括每种物品的用户购买记录、每种物品的用户好友购买记录、每种物品的用户评价记录、每种物品的用户好友评价记录和每种物品的用户评分；
S200：通过每种物品的用户购买记录和每种物品的用户评价记录，建立用户-物品交互向量，具体表达式如下：
Figure FDA0004074297050000011
其中，xia表示用户-物品交互向量，ei表示物品嵌入向量，er表示评分嵌入向量；
根据评分嵌入向量以及用户嵌入向量通过公式(2-2)得到物品-用户交互向量，其中，物品-用户交互向量表示如下：
Figure FDA0004074297050000012
其中，vji表示物品-用户交互向量，eu表示用户嵌入向量；
S300：利用用户-物品交互向量xia，通过公式(3-1)计算用户-物品动态权重，具体表达式如下：
Figure FDA0004074297050000013
Figure FDA0004074297050000014
其中，aia表示用户-物品动态权重，
Figure FDA0004074297050000015
W1，b1，b2分别表示深度学习中的特定参数，xia表示用户-物品交互向量，pi表示目标用户的购买需求，其中，pi的定义如下：
Figure FDA0004074297050000016
其中，eu表示用户嵌入向量；
通过用户好友购买记录建立用户-社交好友交互向量
Figure FDA0004074297050000021
具体表达式如下：
Figure FDA0004074297050000022
Figure FDA0004074297050000023
其中σ表示非线性激活函数，W，b分别表示深度学习中的特定参数，aia表示用户-物品动态权重，xua表示社交好友-物品交互向量，fv表示非线性激活函数，eui表示用户好友购买过的物品嵌入向量，er表示评分嵌入向量；
利用用户-社交好友交互向量
Figure FDA0004074297050000024
通过公式(3-4)计算用户-社交好友动态权重，具体表达式如下：
Figure FDA0004074297050000025
Figure FDA0004074297050000026
其中，βiu是用户-社交好友动态权重，
Figure FDA0004074297050000027
W1，b1，b2分别表示深度学习中的特定参数，
Figure FDA00040742970500000212
表示用户-社交好友交互向量，pi表示目标用户的购买需求；
利用不同好友用户对同一物品的购买评价记录和物品-用户交互向量vji，通过公式(3-5)计算物品-用户动态权重，具体表达式如下：
Figure FDA0004074297050000028
Figure FDA0004074297050000029
其中，μji是物品-用户动态权重，
Figure FDA00040742970500000210
W1，b1，b2分别表示深度学习中的特定参数，vji表示物品-用户交互向量，qj表示目标物品；
其中，qj的定义如下：
Figure FDA00040742970500000211
其中，ei表示物品嵌入向量；
S400：根据用户-物品交互向量xia和用户-物品动态权重aia计算用户-物品潜因子向量，具体表达式如下：
Figure FDA0004074297050000031
其中，
Figure FDA0004074297050000032
表示用户-物品潜因子向量，σ表示非线性激活函数，W，b表示深度学习中的特定参数，aia表示用户-物品动态权重参数，xia表示用户-物品交互向量；
根据用户-社交好友交互向量
Figure FDA0004074297050000033
和用户-社交好友动态权重参数βiu计算用户-好友潜因子向量，具体表达式如下：
Figure FDA0004074297050000034
其中，
Figure FDA0004074297050000035
表示用户-好友潜因子向量，σ表示非线性激活函数，W，b表示深度学习中的特定参数，βiu表示用户-社交好友权重参数，
Figure FDA0004074297050000036
表示用户-社交好友交互向量；
S500：利用用户-物品潜因子向量和用户-好友潜因子向量计算得到用户潜因子向量，具体表达式如下：
Figure FDA0004074297050000037
其中
Figure FDA0004074297050000038
表示用户-物品潜因子向量，
Figure FDA0004074297050000039
表示用户-好友潜因子向量，
Figure FDA00040742970500000310
表示全连接操作，⊙表示点积操作；
S600：利用物品-用户交互向量vji和物品-用户动态权重μji通过公式(6-1)计算物品-用户潜因子向量，具体表达式如下：
Figure FDA00040742970500000311
其中，zj表示物品-用户潜因子向量，μji表示物品-用户动态权重，qj表示目标物品；
S700：利用用户-物品潜因子向量
Figure FDA0004074297050000041
和物品-用户潜因子向量zj计算物品潜因子向量，具体表达式如下：
Figure FDA0004074297050000042
S800：将用户潜因子向量和物品潜因子向量进行整合，得到预测向量G1，具体表达式如下：
Figure FDA0004074297050000043
S900：利用预测向量G1，计算物品预测评分，表达式如下：
r′ij＝MLP(G1)(9-1)；
S1000：预设最大迭代次数，将数据集所有物品信息数据作为输入，重复S200-S900对公式(9-1)进行训练，使用误差函数通过反向传播对公式(9-1)进行参数更新，当训练达到最大迭代次数时停止，最终得到训练好的模型公式；
S1100：将待测物品的数据信息作为输入，通过公式(9-1)计算得出待测物品的预测得分，将得分最高的待测物品作为最终的推荐结果。
2.如权利要求1所述的一种基于社交用户多交互信息的协同过滤物品推荐方法，其特征在于：所述S400中的计算潜因子向量所使用的非线性激活函数为softmax函数。
3.如权利要求2所述的一种基于社交用户多交互信息的协同过滤物品推荐方法，其特征在于：所述S1000中的误差函数表示如下：
Figure FDA0004074297050000044
其中，r′ij为物品预测评分，rij表示物品的用户实际评分。
CN202110371628.2A 2021-04-07 2021-04-07 一种基于社交用户多交互信息的协同过滤物品推荐方法 Active CN112967101B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110371628.2A CN112967101B (zh) 2021-04-07 2021-04-07 一种基于社交用户多交互信息的协同过滤物品推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110371628.2A CN112967101B (zh) 2021-04-07 2021-04-07 一种基于社交用户多交互信息的协同过滤物品推荐方法

Publications (2)

Publication Number Publication Date
CN112967101A CN112967101A (zh) 2021-06-15
CN112967101B true CN112967101B (zh) 2023-04-07

Family

ID=76280002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110371628.2A Active CN112967101B (zh) 2021-04-07 2021-04-07 一种基于社交用户多交互信息的协同过滤物品推荐方法

Country Status (1)

Country Link
CN (1) CN112967101B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113918832B (zh) * 2021-10-22 2022-09-27 重庆理工大学 基于社交关系的图卷积协同过滤推荐系统
CN114756768B (zh) * 2022-06-15 2022-09-02 腾讯科技（深圳）有限公司 数据处理方法、装置、设备、可读存储介质及程序产品

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596774A (zh) * 2018-04-24 2018-09-28 山东师范大学 基于深层次网络嵌入特征的社会化信息推荐算法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140140309A (ko) * 2013-05-29 2014-12-09 (주) 다이퀘스트 사용자 간의 유사도 계산방법 및 이를 이용한 아이템 추천방법
CN106384259A (zh) * 2016-09-08 2017-02-08 天津大学 一种融合社交信息的推荐系统解决方法
CN107766462B (zh) * 2017-09-28 2020-03-13 重庆大学 基于用户偏好、社交信誉度和地理位置的兴趣点推荐方法
CN109145223B (zh) * 2018-09-28 2021-03-09 合肥工业大学 一种基于社交影响力传播的社交推荐方法
CN110263257B (zh) * 2019-06-24 2021-08-17 北京交通大学 基于深度学习处理多源异构数据的推荐方法
CN110321494B (zh) * 2019-06-26 2021-08-31 北京交通大学 基于矩阵分解与网络嵌入联合模型的社会化推荐方法
CN110781409B (zh) * 2019-10-25 2022-02-01 东北大学秦皇岛分校 一种基于协同过滤的物品推荐方法
CN111523047B (zh) * 2020-04-13 2022-08-09 中南大学 基于图神经网络的多关系协同过滤算法
CN111681084B (zh) * 2020-06-09 2022-09-06 南京邮电大学 一种基于社交关系影响因素的电商平台推荐方法
AU2020101885A4 (en) * 2020-08-19 2020-09-24 Xinjiang University A Novel Tensor Factorization Using Trust and Rating for Recommendation, system and method thereof
CN112598462B (zh) * 2020-12-19 2023-08-25 武汉大学 基于协同过滤和深度学习的个性化推荐方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596774A (zh) * 2018-04-24 2018-09-28 山东师范大学 基于深层次网络嵌入特征的社会化信息推荐算法及系统

Also Published As

Publication number Publication date
CN112967101A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
US11170395B2 (en) Digital banking platform and architecture
CN112598462B (zh) 基于协同过滤和深度学习的个性化推荐方法及系统
CN111222054B (zh) 一种基于上下文邻居关系建模的会话社交推荐方法
CN108648049B (zh) 一种基于用户行为区别建模的序列推荐方法
CN112967101B (zh) 一种基于社交用户多交互信息的协同过滤物品推荐方法
CN109785062B (zh) 一种基于协同过滤模型的混合神经网络推荐系统
US9697478B2 (en) System and method for generating automated self-optimizing targeted e-mails
CN112364976B (zh) 基于会话推荐系统的用户偏好预测方法
CN112115377A (zh) 一种基于社交关系的图神经网络链路预测推荐方法
KR20160079299A (ko) 지능형 중고 자동차 추천 시스템 및 그 시스템의 정보 처리 방법
US20190362354A1 (en) Real-time updating of predictive analytics engine
Ambulgekar et al. A survey on collaborative filtering: tasks, approaches and applications
CN111582912B (zh) 一种基于深度嵌入聚类算法的画像建模方法
CN115270001A (zh) 基于云端协同学习的隐私保护推荐方法及系统
CN114519147A (zh) 一种基于gcn增强影响扩散的社交推荐方法
CN112269920A (zh) 一种用于鉴定刷单的方法
CN116049570A (zh) 一种基于联邦对比学习的双塔社交推荐方法
KR102262118B1 (ko) 사용자 맞춤형 추천정보 제공장치 및 제공방법, 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 해독 가능한 기록 매체
CN116777562A (zh) 一种基于大数据的电子商务ai系统
Hinduja et al. Multicriteria recommender system for life insurance plans based on utility theory
CN108960954B (zh) 一种基于用户群行为反馈的内容推荐方法及推荐系统
CN114820121A (zh) 一种保险业务推送系统及方法
CN111507804B (zh) 基于混合信息融合的情感感知商品推荐方法
CN110956528B (zh) 一种电商平台的推荐方法及系统
CN114519600A (zh) 一种融合相邻节点方差的图神经网络ctr预估算法

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