CN113420058A - 一种基于结合用户历史行为的对话式学术会议推荐方法 - Google Patents

Abstract

本发明公开了一种基于结合用户历史行为的对话式学术会议推荐方法，包括历史追踪阶段：根据用户点击、浏览、投稿和参会等历史行为，获取与用户交互过的会议信息，建立用户历史交互会议模型；初始推荐阶段：系统根据用户历史交互会议模型主动向用户推荐一个初始优质会议推荐集；人机对话阶段：获取用户输入信息，提取用户短期意图，建立用户偏好模型；状态机阶段：包含两个状态，控制人机对话的过程，决定系统下一行为；推荐阶段：结合用户历史行为信息和对话信息，匹配学术会议数据库，向用户输出推荐会议集。本发明可以准确地获取用户当前需求，实现精准化、个性化、高效化的学术会议推荐，还可以在一定程度上缓和冷启动问题。

Description

一种基于结合用户历史行为的对话式学术会议推荐方法

技术领域

本发明涉及学术会议在线推荐技术领域，特别是一种基于结合用户历史行为的对话式学术会议推荐方法。

背景技术

科学技术日新月异，学术研究推陈出新。学术会议作为一个公开的学术交流平台，及时、完整地向学术工作者传递权威有效的科学成果，促进学术交流，激发科研灵感，在教育和科研环境中有着举足轻重的地位。但是，在实际应用中，学术工作者面临着获取学术会议信息途径单一，匹配度不高等问题。学术会议推荐系统可以有效从大量复杂的学术会议信息中匹配目标学者合适的学术会议，有效缓解了信息过载的问题。目前主要的学术会议推荐方法有：

Yang等人提出的结合论文写作风格和主题信息的协同过滤模型推荐学术会议；Trappey等人提出的基于相似用户学术会议检索行为推荐系统；Luong等人提出的利用作者相似领域合作的社交网络推荐学术会议；Boukhris等人提出的来利用引文网络、共同作者、研究人员、同属机构等提出的混合学术会议推荐模型；Tang等人提出的跨领域学习模型对潜在合作者进行学术会议推荐。

对话技术不仅可以与用户闲聊、回答特定问题，而且还可以协助用户完成特定任务。多轮对话在交互过程中明确用户意图，填充信息槽位，向用户提供针对性的服务。在人工智能领域，识别用户意图早已不是唯一目的，识别用户意图后提供的服务才是未来该领域竞争的核心。

Zongcheng Ji等人提出了基于检索的交互式推荐系统，试图从大量的历史对话中检索合适的回答；Iulian Serban等人提出了基于生成的对话式推荐系统，利用可以学习的模型生成文本回答；Kun Zhou等人提出了基于seq2seq的体系结构，解决信息响应问题。

综上所述，当前针对学术会议推荐的研究集中在引文网络和社交组织等方面，与对话技术相对脱节，因此，如何将对话技术结合到学术会议推荐中，从而提高学术会议推荐准确度与便捷度是当前仍需深思的一大问题。

发明内容

本发明的目的在于，提供一种基于结合用户历史行为的对话式学术会议推荐方法。本发明可以准确地获取用户当前需求，实现精准化、个性化、高效化的学术会议推荐，还可以在一定程度上缓和冷启动问题。

本发明的技术方案：一种基于结合用户历史行为的对话式学术会议推荐方法，包括以下步骤：

步骤S1、历史追踪阶段：用户登录系统，系统获得用户历史交互会议集，以及各会议交互的时间，建立用户历史交互会议模型；

步骤S2、初始推荐阶段：系统根据用户历史交互会议模型主动向用户推荐一个优质会议推荐集；

步骤S3、人机对话阶段：用户输入基本意图信息，系统向用户询问目标会议的具体属性信息，填充信息槽位，建立用户偏好模型；

步骤S4、状态机阶段：系统将用户历史交互会议模型和用户偏好模型输入状态机，状态机结合两个模型计算推荐成功概率，选择系统下一步的行为，该行为包括回到步骤S3继续与用户对话优化用户偏好模型或跳转到步骤S5向用户进行最终的推荐；

步骤S5、最终推荐阶段：系统结合用户历史交互会议模型和用户偏好模型，选择最合适的学术会议集推荐给用户；

步骤S6、反馈阶段：用户根据会议推荐集是否满足需求，向系统作出正反馈或负反馈；

步骤S7、结束阶段：用户接受推荐自动离开系统或用户不接受推荐主动离开系统，离开系统后，系统更新用户的历史交互信息。

与现有技术相比，本发明的有益效果体现在：通过采用多轮对话技术可以更准确获取用户当前需求，优化用户偏好模型，实现精准化、个性化的学术会议推荐，无论针对新用户还是老用户，均能给出初始推荐，在一定程度上缓和了冷启动问题。另外，本发明引用了用户的历史行为，获取用户长期偏好，使用户长期偏好与当下短期偏好的结合，通过将人机对话结果输入状态机，有效精简对话的轮数，在状态机阶段，不断优化用户偏好模型以获得更精确的推荐数据，在利用历史数据的同时也避开了历史数据的片面性带来的弊端，提高学术会议推荐准确度与推荐效率。本发明还能接收用户的反馈，并根据用户的反馈及时调整推荐信息，在推荐结束后还能更新历史数据信息，使得下次推荐更加智能和高效。

前述的基于结合用户历史行为的对话式学术会议推荐方法中，所述步骤S1中的历史交互会议集为来自用户浏览、点击、参加、投稿过的会议，并提取这些会议对应的属性信息，属性信息的提取关联时间衰减函数。

前述的基于结合用户历史行为的对话式学术会议推荐方法中，所述步骤S2中，系统根据用户历史交互会议集，利用余弦相似度计算优质学术会议资源数据库中相似的学术会议，根据相似度大小每个会议获取相应的分数，并按分数从高到低将前n个学术会议提取作为初始的候选推荐集。

前述的基于结合用户历史行为的对话式学术会议推荐方法中，在步骤S4进行过程中，若重新跳回步骤S3，则在每次步骤S3填充信息槽位后，不断优化用户偏好模型。

前述的基于结合用户历史行为的对话式学术会议推荐方法中，所述步骤S4中，结合用户历史交互会议模型和当前的用户偏好模型，判断系统推荐成功的概率，并决策系统下一行为，若系统推荐概率未达到推荐要求，则系统继续与用户对话，获取更多目标会议具体要求，进一步优化用户偏好模型，若系统达到推荐要求，则进入推荐阶段。

前述的基于结合用户历史行为的对话式学术会议推荐方法中，推荐结果为今天之后将要举办的学术会议，其输出结果按计算所得的学术会议得分按从高到低排序。

前述的基于结合用户历史行为的对话式学术会议推荐方法中，所述步骤S6中，当用户作出正反馈时，则步骤S7中为用户接受推荐并离开系统；当用户作出负反馈时，用户下一步可选择回到步骤S3继续与系统对话优化用户偏好模型或进行步骤S7，此时步骤S7中为用户不接受推荐并离开系统。

前述的基于结合用户历史行为的对话式学术会议推荐方法中，当步骤S7中用户接受推荐自动离开系统时，则系统将用户接受的学术会议补充至历史交互会议集，以更新用户的历史交互会议信息；当步骤S7中用户不接受推荐主动离开系统时，则系统不更新历史交互会议信息。

前述的基于结合用户历史行为的对话式学术会议推荐方法中，所述步骤S3中，系统获取用户输入的基本意图信息，建立用户偏好模型，用户偏好模型与学术会议属性相关联，学术会议属性包括会议举办时间、权威性和会议主题。

前述的基于结合用户历史行为的对话式学术会议推荐方法中，对于没有历史交互信息的新用户，在步骤S1登录系统后，系统主动请求用户从优质学术会议资源库中选择一个初始会议，系统默认选择的初始会议为用户历史交互数据，系统提取初始会议的相关属性信息，建立用户历史交互会议模型。

附图说明

图1是本发明所提供方法的简要实施流程图；

图2是本发明构建用户历史交互会议模型和用户偏好模型实施推荐示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例：一种基于结合用户历史行为的对话式学术会议推荐方法，本方法只推荐当天之后将要召开的会议，简要流程如图1所示，包括以下步骤：

步骤S1、历史追踪阶段：用户登录系统，系统获得用户历史交互会议集，以及各会议交互的时间，建立用户历史交互会议模型。

历史交互会议集为来自用户浏览、点击、参加或投稿过的会议集合，并提取这些会议对应的属性信息，建立用户历史交互会议模型，分析用户历史偏好，帮助系统用更少的回合实现精准化推荐，由于用户与会议交互发生的时间，在一定程度上反应用户兴趣变化，因此属性信息的提取关联时间衰减函数，采用时间衰减函数是因为，用户过去的历史行为极大影响了用户下一行为，但是针对学术会议推荐的学者，最近的点击和浏览行为可能对目标会议影响更大。因此，采用时间时间衰减函数及时更新用户历史交互会议模型，做到准确高效的会议推荐。

本实施例中，设系统记录的历史交互会议集为V＝{v1,v2,...,vm}，其交互时间用T＝{t1,t2,...,tm}表示，建立用户历史交互会议模型P(V)＝{A1,A2,A3,…,Ak}(Ak表示会议包含的第k个属性，比如主题、权威性、论文引用情况等等)。设立时间衰减函数

t_e表示最后一个会议发生交互的时间戳。

步骤S2、初始推荐阶段：系统根据用户历史交互会议模型主动向用户推荐一个初始会议推荐集。

具体是系统基于用户历史交互会议模型P(V)向用户在高热度和高权威性的优质学术会议资源库中，利用余弦相似度挑选最相似的学术会议推荐给目标用户，每个会议按照得分大小依次展现给用户，得分由相似度决定：score＝sim(P(V′),Q(V/{V′}))，P(V′)表示已经与用户交互过的学术会议模型，Q(V/{V′})表示优质学术会议资源库中不包含已交互过的学术会议的学术会议模型，保证了不向用户重复推荐。结果按分数从高到低将前n(n自定义)个学术会议推荐给用户。

优质学术会议资源库是指在接下来一年内召开的，已举办超过5次的，主办单位在本领域影响力较高的国际学术会议。

对于没有历史交互信息的新用户，在步骤S1登录系统后，系统主动请求用户从优质学术资源库中选择一个初始会议V₀，系统将其当作历史交互会议数据为其建模，在步骤S2中，系统使用余弦相似度计算与初始会议V₀相似的其他优质会议，每个会议获取相应的分数，按分数从高到低将前n个(n自定义)学术会议存放在推荐集中，作为新用户初始的优质会议推荐集。

初始推荐阶段这一步骤中，系统主动为用户推荐候选推荐集不仅可以解决冷启动问题，而且在快速向用户推荐优质学术会议的同时捕捉到了用户对目标会议的更多要求，避免冗长的人机交互，使用户失去耐心。

步骤S3、人机对话阶段：用户输入基本意图信息，系统向用户询问目标会议的具体属性信息，建立用户偏好模型。该步骤主要目的是在用户与系统对话过程中，识别当前用户短期意图，优化用户偏好模型。

该步骤中，系统获取用户输入的基本意图信息，建立用户偏好模型P(U)，用于与会议模型对比，计算相似度，挑选合适的目标学术会议。

步骤S4、状态机阶段：系统将前面获取的用户历史交互会议模型和用户偏好模型输入状态机，状态机结合两模型建立情况选择系统下一步的行为，该行为包括回到步骤S3继续与用户对话优化用户偏好模型或跳转到步骤S5向用户进行最终的推荐。

该步骤进行过程中，若重新跳回步骤S3，则在每次步骤S3对话结束后，继续优化用户偏好模型，并将用户偏好模型传入步骤S4。

在该步骤中，融合用户历史交互会议模型P(V)和用户偏好模型P(U)，计算在当前条件下预测成功的概率，以此决策系统下一行为。若系统推荐概率未达到推荐要求，则系统继续与用户对话获取用户偏好，优化用户偏好模型，若系统达到推荐要求，则进入推荐阶段。

系统计算预测概率Rp＝(v|P(V),P(U))，Rp的取值范围为0-1，如果Rp值小于0.5，系统跳回步骤S3，如果Rp值大于或等于0.5，系统跳到步骤S5。

步骤S5、最终推荐阶段：在学术资源数据库中挑选相似度最高的学术会议，根据相似度为每个待推荐学术会议赋予一定分数，score＝sim(P(V′),Q(V/{V′}))*g(t)+sim(P(U),Q(V/{V′}))。

公式解释：前半部分sim(P(V′),Q(V/{V′}))*g(t)为历史交互会议与学术资源库中学术会议相似性取值，其中V/{V’}表示学术资源库中不包含历史交互会议的学术会议，函数g(t)表示时间衰减函数，提高了最近交互会议的权重。后半部分sim(P(U),Q(V/{V′}))为用户偏好模型与学术资源库中学术会议相似性的取值。系统根据学术会议得分情况，对其进行排序，并将前n个学术会议作为目标推荐集R＝{v1,v2,…,vn}推荐给用户。

步骤S6、反馈阶段：用户根据会议推荐集R是否满足需求，向系统作出正反馈或负反馈。

当用户作出正反馈时，则步骤S7中为用户接受推荐并离开系统；当用户作出负反馈时，用户下一步可选择回到步骤S3继续与系统对话优化用户偏好模型或进行步骤S7，此时步骤S7中为用户不接受推荐并离开系统。

步骤S7、结束阶段：用户接受推荐自动离开系统或用户不接受推荐主动离开系统，离开系统后，系统更新用户的历史交互信息，以便下次的个性化推荐。

本系统中历史会议建模和用户偏好建模如图2所示，用户注册进入系统，系统记录用户行为，收集用户交互的历史会议集，提取会议信息，建立用户历史交互会议模型。当用户进入人机对话阶段，用户输入基本意图信息，系统向其询问具体会议属性要求，在不断对话过程中建立用户偏好模型。最后，系统结合用户历史交互会议模型和用户偏好模型从学术资源库中为用户匹配目标学术会议推荐集，并将结果按照模型相似度评分展现给用户。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于结合用户历史行为的对话式学术会议推荐方法，其特征在于：包括以下步骤：

步骤S1、历史追踪阶段：用户登录系统，系统获得用户历史交互会议集，以及各会议交互的时间，建立用户历史交互会议模型；

步骤S2、初始推荐阶段：系统根据用户历史交互会议模型主动向用户推荐一个优质会议推荐集；

步骤S3、人机对话阶段：用户输入基本意图信息，系统向用户询问目标会议的具体属性信息，填充信息槽位，建立用户偏好模型；

步骤S4、状态机阶段：系统将用户历史交互会议模型和用户偏好模型输入状态机，状态机结合两个模型计算推荐成功概率，选择系统下一步的行为，该行为包括回到步骤S3继续与用户对话优化用户偏好模型或跳转到步骤S5向用户进行最终的推荐；

步骤S5、最终推荐阶段：系统结合用户历史交互会议模型和用户偏好模型，选择最合适的学术会议集推荐给用户；

步骤S6、反馈阶段：用户根据会议推荐集是否满足需求，向系统作出正反馈或负反馈；

步骤S7、结束阶段：用户接受推荐自动离开系统或用户不接受推荐主动离开系统，离开系统后，系统更新用户的历史交互信息。

2.根据权利要求1所述的基于结合用户历史行为的对话式学术会议推荐方法，其特征在于：所述步骤S1中的历史交互会议集为来自用户浏览、点击、参加、投稿过的会议，并提取这些会议对应的属性信息，属性信息的提取关联时间衰减函数。

3.根据权利要求1所述的基于结合用户历史行为的对话式学术会议推荐方法，其特征在于：所述步骤S2中，系统根据用户历史交互会议集，利用余弦相似度计算优质学术会议资源数据库中相似的学术会议，根据相似度大小每个会议获取相应的分数，并按分数从高到低将前n个学术会议提取作为初始的候选推荐集。

4.根据权利要求3所述的基于结合用户历史行为的对话式学术会议推荐方法，其特征在于：在步骤S4进行过程中，若重新跳回步骤S3，则在每次步骤S3填充信息槽位后，不断优化用户偏好模型。

5.根据权利要求3或4所述的基于结合用户历史行为的对话式学术会议推荐方法，其特征在于：所述步骤S4中，结合用户历史交互会议模型和当前的用户偏好模型，判断系统推荐成功的概率，并决策系统下一行为，若系统推荐概率未达到推荐要求，则系统继续与用户对话，获取更多目标会议具体要求，进一步优化用户偏好模型，若系统达到推荐要求，则进入推荐阶段。

6.根据权利要求5所述的基于结合用户历史行为的对话式学术会议推荐方法，其特征在于：推荐结果为今天之后将要举办的学术会议，其输出结果按计算所得的学术会议得分按从高到低排序。

7.根据权利要求1所述的基于结合用户历史行为的对话式学术会议推荐方法，其特征在于：所述步骤S6中，当用户作出正反馈时，则步骤S7中为用户接受推荐并离开系统；当用户作出负反馈时，用户下一步可选择回到步骤S3继续与系统对话优化用户偏好模型或进行步骤S7，此时步骤S7中为用户不接受推荐并离开系统。

8.根据权利要求1或7所述的基于结合用户历史行为的对话式学术会议推荐方法，其特征在于：当步骤S7中用户接受推荐自动离开系统时，则系统将用户接受的学术会议补充至历史交互会议集，以更新用户的历史交互会议信息；当步骤S7中用户不接受推荐主动离开系统时，则系统不更新历史交互会议信息。

9.根据权利要求1所述的基于结合用户历史行为的对话式学术会议推荐方法，其特征在于：所述步骤S3中，系统获取用户输入的基本意图信息，建立用户偏好模型，用户偏好模型与学术会议属性相关联，学术会议属性包括会议举办时间、权威性和会议主题。

10.根据权利要求1所述的基于结合用户历史行为的对话式学术会议推荐方法，其特征在于：对于没有历史交互信息的新用户，在步骤S1登录系统后，系统主动请求用户从优质学术会议资源库中选择一个初始会议，系统默认选择的初始会议为用户历史交互数据，系统提取初始会议的相关属性信息，建立用户历史交互会议模型。

Images