CN117557333A - 一种元宇宙场景下基于社交属性和团购理念的推荐系统 - Google Patents
一种元宇宙场景下基于社交属性和团购理念的推荐系统 Download PDFInfo
- Publication number
- CN117557333A CN117557333A CN202311392909.1A CN202311392909A CN117557333A CN 117557333 A CN117557333 A CN 117557333A CN 202311392909 A CN202311392909 A CN 202311392909A CN 117557333 A CN117557333 A CN 117557333A
- Authority
- CN
- China
- Prior art keywords
- vector
- module
- user
- group purchase
- relationship
- 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.)
- Pending
Links
- 239000013598 vector Substances 0.000 claims abstract description 129
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 53
- 238000000034 method Methods 0.000 claims description 26
- 230000007246 mechanism Effects 0.000 claims description 22
- 230000008447 perception Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 238000004132 cross linking Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000006467 substitution reaction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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]
- G06Q30/0605—Supply or demand aggregation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种元宇宙场景下基于社交属性和团购理念的推荐系统,该系统包括:关系构建模块,用于获取用户数据、社交数据和产品数据,形成关系数据集,基于所述关系数据集建立以用户‑社交朋友‑产品为节点的关系图;关系嵌入模块,用于基于关系图,捕捉关系影响,得到最终用户向量和最终项目向量;推荐模块,用于计算团购参与者推荐概率和项目推荐概率,根据团购参与者推荐概率和项目推荐概率,将团购参与者和项目分别进行排序,选取排名前n个团购参与者和项目作为推荐结果推荐给元宇宙的用户。本发明采用不同优化策略提升了团购推荐系统的性能,实现团购推荐的精准化、实时化,能够更好地匹配元宇宙中用户的需求。
Description
技术领域
本发明涉及电子商务领域,尤其是指一种元宇宙场景下基于社交属性和团购理念的推荐系统。
背景技术
元宇宙中的社交和购物是元宇宙生活中非常重要的一部分。团购作为现实世界非常火爆的一种购物方式,其社交属性与元宇宙非常适配,元宇宙需要这种多元化的购物形式。元宇宙购物产品多元化、社交网络复杂,需要相应的推荐系统提升用户体验感。目前主流的社交电商团购需要满足在限定时间内达到某一商品的购买阈值的条件才能发起一个成功的团购,因此针对团购的推荐需要同时向团购发起者和团购的参与者推荐产品。
推荐系统是在网上商店、流媒体服务、在线约会网站等许多行业环境中,用于支持用户决策并推荐合适的产品、信息或服务的信息系统。通常使用的推荐方法包括协同过滤推荐、群组推荐、团购推荐、顺序推荐基于混合的推荐等等。
协同过滤推荐方法依赖于用户的历史数据,由于数据稀疏性,推荐对新用户或新项目无效,并且由于各种原因,用户偏好经常随着时间的推移而变化,协同过滤推荐方法无法处理。在社交电子商务团购推荐问题中,群体是由社交网络动态形成的,根本没有预先定义的群体,这与群组推荐任务有很大的不同,因此群组推荐的方法并不适用于团购推荐任务。最近的研究J2PRec团购推荐方法,相比GBGCN只关注产品的推荐任务,进一步推荐候选产品和参与者,以提高团购的成功率,但时间的信息并未被考虑进用户偏好建模当中。顺序推荐方法利用马尔可夫链预测用户的下一个消费,假设下一个动作取决于前一个动作序列,Hidasi等人和Loyola等人将RNN引入顺序推荐,尽管基于RNN的顺序推荐方法具有很强的表达能力,但它们仍然不能很好地模拟缺乏外部知识的复杂用户需求,并且基本上存在可解释性问题。对于混合方法,这些方法将协作与基于内容的方法或其他协作方法的不同变体结合起来。而对于团购而言,这些推荐方法都不能有效解决用户-产品-参与者推荐匹配的问题。
为了解决传统推荐算法无法满足用户-产品-参与者的匹配问题,也有专家学者提出了利用社交网络来进行推荐。社交推荐在解决用户-产品-参与者推荐匹配方面具有一定的优势,但社交推荐只专注于预测单个用户的偏好,不能为团购推荐服务。群组推荐联合了社交关系,根据一组用户的偏好向他们集体推荐商品的系统,除了用户偏好外,利用群体成员的社会和行为方面来产生群体推荐将提高异质群体推荐内容的质量。虽然群组推荐与团购相似,都是对一个组进行产品推荐,但群组推荐中的组是固定的,而团购推荐中的团购组是动态的,如何确定用户所在的团购组是团购推荐中的重要问题。同样的,以上推荐方法通常是假设用户的偏好不发生改变,进行对用户偏好进行静态建模,而用户的偏好不是静态的,并且由于各种原因而随着时间的推移而演变。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中没有考虑用户偏好是动态变化导致不能实现精准推荐的社交团购推荐问题,将时间维度引入项目关系建模,向推荐系统中引入动态项目表示模块,实现更加个性化和精准的团购产品推荐。
为此,本发明提供了一种元宇宙场景下基于社交属性和团购理念的推荐系统,该系统包括:
关系构建模块,用于获取用户数据、社交数据和产品数据,形成关系数据集,根据所述关系数据集建立以用户、社交朋友、产品为节点的关系图;
关系嵌入模块,用于基于关系图,捕捉用户与社交朋友、用户与产品之间关系的影响,得到最终用户向量和最终项目向量;
推荐模块,用于基于最终用户向量和最终项目向量,得到团购参与者推荐概率和项目推荐概率,根据团购参与者推荐概率和项目推荐概率,将团购参与者和项目按照从大到小分别进行排序,选取排名前n个团购参与者和项目作为推荐结果推荐给元宇宙的用户。
在本发明的一个实施例中,关系嵌入模块包括:关系感知影响传播模块、门控影响聚合模块和动态项目表示模块,其中,所述关系感知影响传播模块和所述门控影响聚合模块用于得到更新用户向量,所述动态项目表示模块用于得到知识感知动态项目向量。
在本发明的一个实施例中,所述关系感知影响传播模块用于对目标节点来自邻居的影响传播进行建模,得到候选用户向量,具体方法为:
在关系图中,所述邻居是指和目标用户存在社交关系的用户,所述目标节点是指目标用户的候选用户向量,不同邻居对目标节点的嵌入学习产生不同的影响,采用注意力机制来计算目标用户收到不同邻居的影响得分:
α(u,r,v)=wr·σ(Wru(l-1)v(l-1)+br)
式中,u为目标用户,表示关系图中的连接关系,v是与u以关系r相连的邻居,u(l-1)和v(l-1)是u和v在第(l-1)层上的用户向量,Wr、wr和br是关系r的可训练权值,σ(·)为ReLU的非线性激活函数;
对影响得分进行归一化:
式中,Nu为目标用户u在关系图中的所有邻居,exp(·)为e的次幂函数;
将每个邻居的影响映射到相同的特征空间之中,统一来自不同类型邻居的影响:
式中,φ(v)为邻居v的类型,和/>为φ(v)型节点的可训练参数;
将来自每个邻居的影响与目标用户u受到来自每个邻居的影响得分结合,得到u在第l层的候选用户向量为:
其中,为u在第l层的候选用户向量。
在本发明的一个实施例中,门控影响聚合模块用于基于所述候选用户向量,得到更新用户向量,具体方法为:
通过聚合门控制上一层的用户向量与候选用户向量合并影响大小,聚合门的定义如下:
式中,σ(·)为sigmoid函数,是可训练权重,u(l-1)为第l-1层的用户向量,/>为第l层的候选用户向量;
基于聚合门,更新用户向量计算公式如下:
式中,⊙是元素积,u(l)是第l层的更新用户向量。
在本发明的一个实施例中,所述动态项目表示模块用于对随时间变化的用户偏好对项目的影响进行建模,得到知识感知动态项目向量,所述动态项目表示模块包括:项目基本表示及关系表示模块和知识感知动态项目嵌入获取模块,其中,
项目基本表示及关系表示模块用于定义ib为每个项目的基本表示,ib包含了项目的固有特征,利用Trans函数得到每个项目的关系表示:
ir=Trans(ib,er)
式中,ir为每个项目的关系表示,er是的关系向量;
知识感知动态项目嵌入获取模块用于基于每个项目的基本表示和关系表示,得到知识感知动态项目向量的计算公式如下:
式中,it为知识感知动态项目向量,表示时间核函数,用于控制之前每个关系消耗的影响程度,Δtr表示自与当前项目相关的最新项目消费以来所经过的时间。
在本发明的一个实施例中,所述时间核函数分为以下两种情况:
当项目之间的关系为补充关系时,所述时间核函数的表达式为:
式中,c∈r表示补充关系,N(Δt|0,σ)是Δt的正态分布,具有均值μ和标准差σ,表示项目的类别,z(i)为关于项目类别的函数;
当项目之间的关系为替代关系时,所述时间核函数的表达式为:
式中,s∈r表示替代关系,s1表示具有负面影响的替代关系,s2表示具有积极影响的替代关系,为在关系s1下关于Δt的正态分布,/>为在关系s2下关于Δt的正态分布。
在本发明的一个实施例中,得到最终用户向量和最终项目向量的具体方法为:
通过层组合运算得到最终用户向量和最终项目向量,由以下公式给出
其中,||是连接操作,u为最终用户向量,u(0),…,u(l)均为更新用户向量,it为最终项目向量,均为知识感知动态项目向量。
在本发明的一个实施例中,得到项目推荐概率的计算公式为:
其中,表示项目推荐概率,uTit表示最终用户向量和最终项目向量的内积。
在本发明的一个实施例中,所述团购参与者推荐概率利用以下模块得到:
变量转换模块,用于将最终用户向量u和最终项目向量it转换成查询向量,表达式为:
qu,i=σ(W·[u||it]+b)
式中,qu,i为查询向量,W和b为可训练参数,||表示连接操作,σ(·)是非线性函数;
相似度得分获取模块,用于利用交联线性修正注意力机制,通过点积计算查询向量与最终用户向量u之间的相似度得分,公式如下:
式中,Wq、Wk是可训练权重,是qu,i,/>间的相似度得分,σ(·)是非线性函数;
矩阵变换模块,用于为了实现交联线性修正注意力机制中各个注意头之间的交联,使用参数矩阵将各个注意力头之间的进行变换:
式中,λMM表示将注意力重新分配到不同注意机制下得到的结果的线性变换矩阵,表示通过m个注意力头更新后的相似度得分;
相似度更新模块,用于经过线性投影计算,通过M个独立注意机制的平均过程,得到更新的相似度得分:
注意力值计算模块,用于基于更新的相似度得分,利用ReLU函数计算注意力值:
团购参与者推荐概率模块,用于基于注意力值,计算团购参与者推荐概率为:
其中,为团购参与者推荐概率,Uf为社交朋友的集合,/>表示集合Uf中的一个社交朋友,/>为更新的相似度得分。
在本发明的一个实施例中,在计算团购参与者推荐概率时,采用层归一化方法对所述社交朋友进行归一化,这里将/>简写为V,归一化的公式为:
LN(βV)=σ(w⊙βV)⊙RMSNorm(βV)
其中,LN(·)表示层归一化操作,σ(·)为sigmoid函数,w为可训练参数,⊙是元素积,β为V的注意力值,RMSNorm(·)表示均方层归一化函数,RMS(·)表示均方根,g是超参数。
本发明的上述技术方案相比现有技术具有以下优点:
(1)将基于注意力机制的个性化团购推荐系统引入元宇宙社交背景下,为元宇宙中人们的团购提供产品推荐和参与者推荐,帮助用户在庞大的产品信息群中进行更加精准的选择。
(2)将注意力机制引入至团购推荐系统中,并且采用对注意力机制部分进行优化的交联线性修正注意力,实现注意头之间的交联,增强注意力机制性能,同时实现稀疏注意力,解决了注意力机制中注意头的冗余问题、计算量问题,提升了团购推荐系统的性能,实现团购推荐的精准化、实时化,能够更好匹配元宇宙中用户的需求。
(3)考虑用户偏好会随着时间进行变化,将时间维度引入项目关系建模,向推荐系统中引入动态项目表示模块,实现更加个性化和精准的团购产品推荐。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明所述的推荐系统架构图;
图2是本发明所述的推荐系统的工作流程示意图;
图3是图1中的动态项目表示模块架构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参照图1所示,本发明所述的元宇宙场景下基于社交属性和团购理念的推荐系统包括:
关系构建模块,用于获取用户数据、社交数据和产品数据,形成关系数据集,根据所述关系数据集建立以用户、社交朋友、产品为节点的关系图;
关系嵌入模块,用于基于关系图,捕捉用户与社交朋友、用户与产品之间关系的影响,得到最终用户向量和最终项目向量;
推荐模块,用于基于最终用户向量,得到团购参与者推荐概率,基于最终项目向量,得到项目推荐概率,根据团购参与者推荐概率和项目推荐概率,将团购参与者和项目按照从大到小分别进行排序,选取排名前n个团购参与者和项目作为推荐结果推荐给元宇宙的用户。
本发明所述推荐系统针对团购中存在的用户-产品-参与者匹配推荐问题并考虑用户偏好会随着时间进行变化,引入注意力机制进行推荐并引入结合时间的动态项目表示模块,实现更加个性化和精准的团购产品推荐。
其中,参见图1和图2所示,关系嵌入模块包括:关系感知影响传播模块、门控影响聚合模块和动态项目表示模块,其中,所述关系感知影响传播模块和所述门控影响聚合模块用于得到更新用户向量,所述动态项目表示模块用于得到知识感知动态项目向量。
在本实施例中,所述关系感知影响传播模块用于对目标节点来自邻居的影响传播进行建模,得到候选用户向量,具体方法为:
在关系图中,不同的邻居会对目标节点的嵌入学习产生不同的影响,例如目标用户u会受到其社交朋友和购买的产品的影响。所述邻居是指和目标用户存在社交关系的用户,所述目标节点是指目标用户的候选用户向量,不同邻居对目标节点的嵌入学习产生不同的影响,采用注意力机制来计算目标用户收到不同邻居的影响得分:
α(u,r,v)=wr·σ(Wru(l-1)v(l-1)+br)
式中,u为目标用户,表示关系图中的连接关系,v是与u以关系r相连的邻居,u(l-1)和v(l-1)是u和v在第(l-1)层上的用户向量,Wr、wr和br是关系r的可训练权值,σ(·)为ReLU的非线性激活函数;
然后,通过softmax函数对u的所有邻居的影响得分进行归一化,由以下公式给出:
式中,Nu为目标用户u在关系图中的所有邻居,exp(·)为e的次幂函数;
接下来,将每个邻居的影响映射到相同的特征空间之中,统一来自不同类型邻居的影响:
式中,φ(v)为邻居v的类型,和/>为φ(v)型节点的可训练参数;
将来自每个邻居的影响与目标用户u受到来自每个邻居的影响得分结合,得到u在第l层的候选用户向量为:
其中,为u在第l层的候选用户向量。
在本实施例中,门控影响聚合模块用于来自邻居的影响整合到目标节点的向量中,利用所述候选用户向量,得到更新用户向量,具体方法为:
聚合门用于控制上一层的用户向量与候选用户向量合并影响大小,聚合门的定义如下:
式中,σ(·)为sigmoid函数,是可训练权重,u(l-1)为第(l-1)层的用户向量,/>为第l层的候选用户向量;
基于聚合门,更新用户向量计算公式如下:
式中,⊙是元素积,u(l)是第l层的更新用户向量。
所述动态项目表示模块用于对随时间变化的用户偏好对项目的影响进行建模,得到知识感知动态项目向量,所述动态项目表示模块包括:项目基本表示及关系表示模块、知识感知动态项目嵌入获取模块,其中,
项目基本表示及关系表示模块用于定义ib为每个项目的基本表示,ib包含了项目的固有特征,利用Trans函数得到每个项目的关系表示:
ir=Trans(ib,er)
式中,ir为每个项目的关系表示,er是的关系向量。通过这种方式,关系表示集成了对应于每个关系的语义信息。
在得到基本的和关系的项目表示之后,为每个关系表示推导一个上下文感知系数fr,反映当前上下文中的实际影响程度。最后的上下文和知识感知项目嵌入it表示如下:
它由两部分组成:基本项目表示和缩放关系表示,其中上下文(历史序列时间t和目标项目i)作为系数,fr的输入。
为了将这些不同关系的时间动态相结合,为每个关系设计时间核函数。时间核函数旨在控制之前每个关系消耗的影响程度。函数值的极性表示效应的极性。假设已经得到了时间核函数由项目i和关系r索引,将关系系数fr定义如下:
其中,Ir是关系矩阵,与目标项目i相关的每个先前消耗都将对系数fr产生加性效应,而系数fr由核函数控制。
此外,为了简单和有效率,只能考虑历史序列中最新的关系项,知识感知动态项目嵌入获取模块基于每个项目的基本表示和关系表示,得到知识感知动态项目向量的计算公式如下:
式中,it为知识感知动态项目向量,表示时间核函数,用于控制之前每个关系消耗的影响程度,Δtr表示自与当前项目相关的最新项目消费以来所经过的时间。如果在历史序列中没有关系项,假设存在一个具有正无穷时间间隙的关系项(即Δtr=+∞),那么当时间核函数随时间趋近于零时,相应的关系嵌入将不会产生任何影响。
接下来,为每个关系定义时间核函数。可以根据每个关系的特点来设计函数,主要关注两种关系:is_complements_of(补充关系)和is_substitute_of(替代关系)。
参见图3所示,左侧的曲线图为项目关系对用户偏好的影响,当项目关系为补充关系时,用户的需求会在短时间内上升,然后下降,而当项目关系为替代关系时,用户在短期内不会需要具有类似效用的项目,在一段时间(该项目的使用寿命结束时)后,需求才会上升;中间为具体的动态项目表示模块工作流程图;右上角的图块体现了项目之间的关系:具有相同效用的项目之间为替代关系,某一项目与该项目的附属项目之间为补充关系。右下角的图块表示为用户购买替代关系的项目和补充关系的项目的消费时间序列,ΔtS表示自与当前项目相关的最新替代项目消费以来所经过的时间,Δtc表示自与当前项目相关的最新补充项目消费以来所经过的时间。
基于项目之间的关系,所述时间核函数分为以下两种情况:
当项目之间的关系为补充关系时,所述时间核函数的表达式为:
式中,c∈r表示补充关系,N(Δt|0,σ)是Δt的正态分布,具有均值μ和标准差σ,表示项目的类别,z(i)为关于项目类别的函数;
当项目之间的关系为替代关系时,预计影响将从负面变为正面,由于在短期内不需要另一个具有类似效用的项目,而是希望在使用寿命结束时更换为新的项目。因此,使用两个相反的正态分布来模拟这些特征,所述时间核函数的表达式为:
式中,s∈r表示替代关系,s1表示具有负面影响的替代关系,s2表示具有积极影响的替代关系,为在关系s1下关于Δt的正态分布,/>为在关系s2下关于Δt的正态分布。
由前述的关系感知影响传播模块和所述门控影响聚合模块计算得到更新用户向量,动态项目表示模块计算得到知识感知动态项目向量,然后通过层组合运算得到最终用户向量和最终项目向量,由以下公式给出
其中,||是连接操作,u为最终用户向量,u(0),…,u(l)均为更新用户向量,it为最终项目向量,均为知识感知动态项目向量。
在获得最终用户向量和最终项目向量后,进入推荐模块,需要最大化的团购成功率的公式如下:
式中,为项目推荐概率,/>为团购参与者推荐概率。
采用最终用户向量和最终项目向量的内积来预测项目推荐概率,其公式为:
其中,表示项目推荐概率,uTit表示最终用户向量和最终项目向量的内积。
对于参与者推荐,通过交联线性修正注意力对条件概率进行建模。团购参与者推荐概率通过以下模块得到:
变量转换模块,用于将最终用户向量u和最终项目向量it转换成查询向量,表达式为:
qu,i=σ(W·[u||it]+b)
式中,qu,i为查询向量,W和b为可训练参数,||表示连接操作,σ(·)是非线性函数;
相似度得分获取模块,用于利用交联线性修正注意力机制,通过点积计算查询向量与最终用户向量u之间的相似度得分,公式如下:
式中,Wq、Wk是可训练权重,是qu,i,upk间的相似度得分,σ(·)是非线性函数;
矩阵变换模块,用于为了实现交联线性修正注意力机制中各个注意头之间的交联,使用参数矩阵将各个注意力头之间的进行变换:
式中,λMM表示将注意力重新分配到不同注意机制下得到的结果的线性变换矩阵,表示通过m个注意力头更新后的相似度得分;
相似度更新模块,用于经过线性投影计算,通过M个独立注意机制的平均过程,得到更新的相似度得分:
注意力值计算模块,用于基于更新的相似度得分,利用ReLU函数计算注意力值:
团购参与者推荐概率获取模块,用于基于注意力值,计算团购参与者推荐概率为:
其中,为团购参与者推荐概率,Uf为社交朋友的集合,/>表示集合Uf中的一个社交朋友,/>为更新的相似度得分。
在团购参与者推荐概率获取模块中,在计算团购参与者推荐概率时,为了解决训练过程中的梯度不稳定,采用层归一化方法对所述社交朋友进行归一化,这里将/>简写为V,归一化的公式如下:
LN(βV)=σ(w⊙βV)⊙RMSNorm(βV)
其中,LN(·)表示层归一化操作,σ(·)为sigmoid函数,w为可训练参数,⊙是元素积,β为V的注意力值,RMSNorm(·)表示均方层归一化函数,RMS(·)表示均方根,g是超参数。
从以上的技术方案来看,本发明所述的元宇宙场景下基于社交属性和团购理念的推荐系统引入注意力机制以及结合时间的动态项目表示模块进行推荐,有效地解决了用户偏好随时间动态变化的问题,并且针对注意力机制中注意头冗余、计算量大的不足,提出了一种交联线性修正注意力模块,利用其增强且集中的注意力性能,减少计算量,提升了团购推荐系统的性能,实现团购推荐的精准化、实时化,能够更好匹配元宇宙中用户的需求。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种元宇宙场景下元宇宙场景下基于社交属性和团购理念的推荐系统,其特征在于,包括:
关系构建模块,用于获取用户数据、社交数据和产品数据,形成关系数据集,根据所述关系数据集建立以用户、社交朋友、产品为节点的关系图;
关系嵌入模块,用于基于关系图,捕捉用户与社交朋友、用户与产品之间关系的影响,得到最终用户向量和最终项目向量;
推荐模块,用于基于最终用户向量和最终项目向量,得到团购参与者推荐概率和项目推荐概率,根据团购参与者推荐概率和项目推荐概率,将团购参与者和项目按照从大到小分别进行排序,选取排名前n个团购参与者和项目作为推荐结果推荐给元宇宙的用户。
2.根据权利要求1所述的元宇宙场景下基于社交属性和团购理念的推荐系统,其特征在于:关系嵌入模块包括:关系感知影响传播模块、门控影响聚合模块和动态项目表示模块,其中,所述关系感知影响传播模块和所述门控影响聚合模块用于得到更新用户向量,所述动态项目表示模块用于得到知识感知动态项目向量。
3.根据权利要求2所述的元宇宙场景下基于社交属性和团购理念的推荐系统,其特征在于:所述关系感知影响传播模块用于对目标节点来自邻居的影响传播进行建模,得到候选用户向量,具体方法为:
在关系图中,所述邻居是指和目标用户存在社交关系的用户,所述目标节点是指目标用户的候选用户向量,不同邻居对目标节点的嵌入学习产生不同的影响,采用注意力机制来计算目标用户收到不同邻居的影响得分:
α(u,r,v)=wr·σ(Wru(l-1)v(l-1)+br)
式中,u为目标用户,表示关系图中的连接关系,v是与u以关系r相连的邻居,u(l-1)和v(l-1)是u和v在第(l-1)层上的用户向量,Wr、wr和br是关系r的可训练权值,σ(·)为ReLU的非线性激活函数;
对影响得分进行归一化:
式中,Nu为目标用户u在关系图中的所有邻居,exp(·)为e的次幂函数;
将每个邻居的影响映射到相同的特征空间之中,统一来自不同类型邻居的影响:
式中,φ(v)为邻居v的类型,和/>为φ(v)型节点的可训练参数;
将来自每个邻居的影响与目标用户u受到来自每个邻居的影响得分结合,得到u在第l层的候选用户向量为:
其中,为u在第l层的候选用户向量。
4.根据权利要求3所述的元宇宙场景下基于社交属性和团购理念的推荐系统,其特征在于:门控影响聚合模块用于基于所述候选用户向量,得到更新用户向量,具体方法为:
利用聚合门控制上一层的用户向量与候选用户向量合并影响大小,聚合门的定义如下:
式中,σ(·)为sigmoid函数,是可训练权重,u(l-1)为第l-1层的用户向量,/>为第l层的候选用户向量;
基于聚合门,更新用户向量计算公式如下:
式中,⊙是元素积,u(l)是第l层的更新用户向量。
5.根据权利要求2所述的元宇宙场景下基于社交属性和团购理念的推荐系统,其特征在于:所述动态项目表示模块用于对随时间变化的用户偏好对项目的影响进行建模,得到知识感知动态项目向量,所述动态项目表示模块包括:项目基本表示及关系表示模块和知识感知动态项目嵌入获取模块,其中,
项目基本表示及关系表示模块用于定义ib为每个项目的基本表示,ib包含了项目的固有特征,利用Trans函数得到每个项目的关系表示:
ir=TranS(ib,er)
式中,ir为每个项目的关系表示,er是的关系向量;
知识感知动态项目嵌入获取模块用于基于每个项目的基本表示和关系表示,得到知识感知动态项目向量的计算公式如下:
式中,it为知识感知动态项目向量,表示时间核函数,用于控制之前每个关系消耗的影响程度,Δtr表示自与当前项目相关的最新项目消费以来所经过的时间。
6.根据权利要求5所述的元宇宙场景下基于社交属性和团购理念的推荐系统,其特征在于:所述时间核函数分为以下两种情况:
当项目之间的关系为补充关系时,所述时间核函数的表达式为:
式中,c∈r表示补充关系,N(Δt|0,σ)是Δt的正态分布,具有均值μ和标准差σ,表示项目的类别,z(i)为关于项目类别的函数;
当项目之间的关系为替代关系时,所述时间核函数的表达式为:
式中,s∈r表示替代关系,s1表示具有负面影响的替代关系,s2表示具有积极影响的替代关系,为在关系s1下关于Δt的正态分布,/>为在关系s2下关于Δt的正态分布。
7.根据权利要求5所述的元宇宙场景下基于社交属性和团购理念的推荐系统,其特征在于:得到最终用户向量和最终项目向量的具体方法为:
通过层组合运算得到最终用户向量和最终项目向量,由以下公式给出
u=u(0)||…||u(l),
其中,||是连接操作,u为最终用户向量,u(0),…,u(l)均为更新用户向量,it为最终项目向量,均为知识感知动态项目向量。
8.根据权利要求7所述的元宇宙场景下基于社交属性和团购理念的推荐系统,其特征在于:得到项目推荐概率的计算公式为:
其中,表示项目推荐概率,/>表示最终用户向量和最终项目向量的内积。
9.根据权利要求7所述的元宇宙场景下基于社交属性和团购理念的推荐系统,其特征在于:所述团购参与者推荐概率通过以下模块得到:
变量转换模块,用于将最终用户向量u和最终项目向量it转换成查询向量,
表达式为:
qu,i=σ(W·[u||it]+b)
式中,qu,i为查询向量,W和b为可训练参数,||表示连接操作,σ(·)是非线性函数;
相似度得分获取模块,用于利用交联线性修正注意力机制,通过点积计算查询向量与最终用户向量u之间的相似度得分,公式如下:
式中,Wq、Wk是可训练权重,是qu,i,/>间的相似度得分,σ(·)是非线性函数;
矩阵变换模块,用于为了实现交联线性修正注意力机制中各个注意头之间的交联,使用参数矩阵将各个注意力头之间的进行变换:
式中,λMM表示将注意力重新分配到不同注意机制下得到的结果的线性变换矩阵,表示通过m个注意力头更新后的相似度得分;
相似度更新模块,用于经过线性投影计算,通过M个独立注意机制的平均过程,得到更新的相似度得分:
注意力值计算模块,用于基于更新的相似度得分,利用ReLU函数计算注意力值:
团购参与者推荐概率模块,用于基于注意力值,计算团购参与者推荐概率为:
其中,为团购参与者推荐概率,Uf为社交朋友的集合,/>表示集合Uf中的一个社交朋友,/>为更新的相似度得分。
10.根据权利要求9所述的元宇宙场景下基于社交属性和团购理念的推荐系统,其特征在于:在计算团购参与者推荐概率时,采用层归一化方法对所述社交朋友进行归一化,这里将/>简写为V,归一化的公式为:
LW(βV)=σ(w⊙βV)⊙RMSNorm(βV)
其中,LN(·)表示层归一化操作,σ(·)为sigmoid函数,w为可训练参数,⊙是元素积,β为V的注意力值,RMSNorm(·)表示均方层归一化函数,RMS(·)表示均方根,g是超参数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2023111158520 | 2023-08-31 | ||
CN202311115852 | 2023-08-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117557333A true CN117557333A (zh) | 2024-02-13 |
Family
ID=89819410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311392909.1A Pending CN117557333A (zh) | 2023-08-31 | 2023-10-25 | 一种元宇宙场景下基于社交属性和团购理念的推荐系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557333A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932165A (zh) * | 2024-03-22 | 2024-04-26 | 湖南快乐阳光互动娱乐传媒有限公司 | 个性化社交方法、系统、电子设备及存储介质 |
-
2023
- 2023-10-25 CN CN202311392909.1A patent/CN117557333A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932165A (zh) * | 2024-03-22 | 2024-04-26 | 湖南快乐阳光互动娱乐传媒有限公司 | 个性化社交方法、系统、电子设备及存储介质 |
CN117932165B (zh) * | 2024-03-22 | 2024-06-11 | 湖南快乐阳光互动娱乐传媒有限公司 | 个性化社交方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Dear: Deep reinforcement learning for online advertising impression in recommender systems | |
Zhao et al. | Deep reinforcement learning for page-wise recommendations | |
Vartak et al. | A meta-learning perspective on cold-start recommendations for items | |
Chen et al. | Deep reinforcement learning in recommender systems: A survey and new perspectives | |
CN108460619B (zh) | 一种提供融合显隐式反馈的协同推荐模型的方法 | |
CN110765353B (zh) | 项目推荐模型的处理方法、装置、计算机设备和存储介质 | |
CN109635204A (zh) | 基于协同过滤和长短记忆网络的在线推荐系统 | |
US20180285759A1 (en) | Online hyperparameter tuning in distributed machine learning | |
Agrawal et al. | An improved approach for movie recommendation system | |
CN111104604B (zh) | 基于哈希学习的轻量级社会化推荐方法 | |
CN117557333A (zh) | 一种元宇宙场景下基于社交属性和团购理念的推荐系统 | |
CN111428127B (zh) | 融合主题匹配与双向偏好的个性化事件推荐方法及系统 | |
Sun et al. | Self-attention network for session-based recommendation with streaming data input | |
Yang et al. | Adasparse: Learning adaptively sparse structures for multi-domain click-through rate prediction | |
CN112699310A (zh) | 基于深度神经网络的冷启动跨域混合推荐的方法及系统 | |
Ahamed et al. | A recommender system based on deep neural network and matrix factorization for collaborative filtering | |
Qin et al. | Disentangled representation learning with large language models for text-attributed graphs | |
CN116992151A (zh) | 一种基于双塔图卷积神经网络的在线课程推荐方法 | |
Han et al. | Optimizing ranking algorithm in recommender system via deep reinforcement learning | |
Hao et al. | Feature-level deeper self-attention network with contrastive learning for sequential recommendation | |
CN113449182B (zh) | 一种知识信息个性化推荐方法及系统 | |
Chen et al. | Generative adversarial reward learning for generalized behavior tendency inference | |
Wu et al. | A federated deep learning framework for privacy-preserving consumer electronics recommendations | |
CN113051468A (zh) | 一种基于知识图谱和强化学习的电影推荐方法及系统 | |
CN117235264A (zh) | 文本处理方法、装置、设备和计算机可读存储介质 |
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 |