LU600584B1 - Algorithmisches Modellempfehlungsverfahren und -system mit künstlicher Intelligenz - Google Patents

Abstract

Die vorliegende Erfindung bezieht sich auf das technische Gebiet intelligenter Empfehlungssysteme, insbesondere auf algorithmische Modellempfehlungsverfahren und - systeme mit künstlicher Intelligenz, die ein Modul zur Ermittlung der Tiefe des Benutzerinteresses, ein Modul zur Anpassung an den Kaltstart eines neuen Benutzers, ein Modul zur Verbesserung der Glaubwürdigkeit der Artikelbewertung, ein Modul zur Förderung des Kaltstarts eines neuen Artikels, ein Modul zur bereichsübergreifenden Informationsfusion und ein Modul zur Verfolgung der dynamischen Entwicklung des Interesses umfassen; das Modul zur Ermittlung der Tiefe des Benutzerinteresses wird für die Extraktion impliziter Rückmeldungen und die Konstruktion von Interessenvektoren verwendet; Das neue BenutzerKaltstart-Anpassungsmodul wird für die Ausnutzung von Informationen des sozialen Netzwerks und die inhaltsbasierte Initialisierung verwendet. Die vorliegende Erfindung verbessert die Genauigkeit und die Benutzerzufriedenheit des Empfehlungssystems erheblich, indem sie die Benutzerinteressen in der Tiefe auswertet, das Problem des Kaltstarts effektiv löst, die Glaubwürdigkeit der Bewertungen verbessert, die bereichsübergreifende Informationsfusion realisiert und die Vorteile der Veränderungen der Benutzerinteressen in Echtzeit verfolgt.

Description

Algorithmisches Modellempfehlungsverfahren und -system mit künstlicher Intelligenz LU600584

Technischer Bereich

Die vorliegende Erfindung bezieht sich auf das technische Gebiet der intelligenten

Empfehlungssysteme, insbesondere auf algorithmisches Modellempfehlungsverfahren und - system mit künstlicher Intelligenz.

Technologie im Hintergrund

Empfehlungssysteme sind eine intelligente Technologie zur Informationsfilterung, die

Nutzern Objekte von möglichem Interesse empfiehlt, indem sie ihr historisches Verhalten, ihre

Interessenpräferenzen und die Attribute der Objekte analysiert. Empfehlungssysteme werden in vielen Bereichen wie E-Commerce, Online-Unterhaltung, soziale Medien usw. eingesetzt, um das

Nutzererlebnis und die Nutzerbindung auf der Plattform zu verbessern.

Im Allgemeinen ist es jedoch für neue Benutzer oder neue Artikel mangels ausreichender historischer Daten für herkömmliche Empfehlungssysteme schwierig, genaue Empfehlungen auszusprechen. In groß angelegten Empfehlungssystemen ist die Interaktionsmatrix zwischen

Benutzer und Artikel oft extrem spärlich, was zu einer begrenzten Empfehlungsgenauigkeit führt, und das Interesse des Benutzers kann sich im Laufe der Zeit ändern. Herkömmliche

Empfehlungssysteme können solche Änderungen oft nur schwer in Echtzeit erfassen, und

Benutzerdaten und Artikelwissen aus verschiedenen Bereichen lassen sich nur schwer effektiv integrieren, was die Wirksamkeit bereichsübergreifender Empfehlungen einschränkt.

Auf dieser Grundlage bietet die vorliegende Erfindung algorithmisches

Modellempfehlungsverfahren und -system mit künstlicher Intelligenz zur Lösung der oben genannten technischen Probleme.

Inhalt der Erfindung

Ein Ziel der vorliegenden Erfindung ist es, algorithmisches Modellempfehlungsverfahren und -system mit künstlicher Intelligenz bereitzustellen, um die in der Hintergrundtechnologie genannten Probleme zu lösen.

Um den oben genannten Zweck zu erreichen, bietet die vorliegende Erfindung die folgende technische Lösung:

Das algorithmische Modell-Empfehlungssystem mit künstlicher Intelligenz umfasst ein

Modul zur Ermittlung der Tiefe des Benutzerinteresses, ein Modul zur Anpassung des Kaltstarts eines neuen Benutzers, ein Modul zur Verbesserung der Glaubwürdigkeit der Bewertung eines

Artikels, ein Modul zur Förderung des Kaltstarts eines neuen Artikels, ein Modul zur bereichsübergreifenden Informationsfusion und ein Modul zur Verfolgung der dynamischen

Interessenentwicklung;

Das Modul zur Ermittlung der Tiefe des Benutzerinteresses wird für die Extraktion von implizitem Feedback und die Konstruktion von Interessenvektoren verwendet;

Das Modul zur Anpassung des Kaltstarts eines neuen Benutzers für die Nutzung von

Informationen aus sozialen Netzwerken und die inhaltsbasierte Initialisierung;

Das Modul zur Verbesserung des Bewertungskonfidenzniveaus für die Bewertung des

Bewertungskonfidenzniveaus und die Korrektur der Bewertungsfusion;

Das neue Modul zur Förderung des Kaltstarts von Artikeln für die Extraktion von

Inhaltsmerkmalen und die Empfehlung ähnlicher Artikel;

Das bereichsübergreifende Informationsfusionsmodul für den bereichsübergreifenden

Datenabgleich und die bereichsübergreifende Wissensmigration;

Das Modul zur Verfolgung der dynamischen Interessenentwicklung für die Erkennung vdi/600584

Interessenänderungen und die Modellierung der Interessenentwicklung.

Vorzugsweise umfasst das Modul für die tiefe Gewinnung von Benutzerinteressen ferner eine

Einheit zur Extraktion impliziter Rückmeldungen und eine Einheit zur Konstruktion von

Interessenvektoren;

Die Einheit zur Extraktion des impliziten Feedbacks analysiert den Browserverlauf, das

Klickverhalten und die impliziten Feedbackdaten der Verweildauer des Benutzers mit Hilfe von

LSTM oder Transformer und führt ein Sequenzmuster-Mining durch, das zur Erfassung der potenziellen Interessenpräferenzen und Verhaltenstrends des Benutzers verwendet wird;

Die Interessenvektor-Konstruktionseinheit verwendet eine nicht-negative Matrixzerlegung, um Benutzerverhaltensdaten auf einen niedrig-dimensionalen Interessenraum abzubilden, um einen Benutzerinteressenvektor zu konstruieren, der verwendet wird, um die

Interessenpräferenzen des Benutzers umfassend zu charakterisieren.

Vorzugsweise umfasst das Modul zur Anpassung des Kaltstarts eines neuen Benutzers ferner eine Einheit zur Nutzung von Informationen des sozialen Netzwerks und eine Einheit zur

Initialisierung von Inhalten;

Die Einheit zur Nutzung von Informationen des sozialen Netzwerks analysiert die

Beziehungsdaten im sozialen Netzwerk des Benutzers durch ein neuronales Graphen-Netzwerk und initialisiert den Interessenvektor des neuen Benutzers unter Verwendung von

Freundesempfehlungen oder Verhaltensdaten von ähnlichen Benutzern;

Die Inhaltsinitialisierungseinheit verwendet eine Technologie zur Verarbeitung natürlicher

Sprache, um persönliche Informationen oder Interessenmarkierungen zu analysieren, die vom

Benutzer während der Registrierung bereitgestellt werden, die Interessenvektoren bestehender

Benutzer auf der Grundlage von Inhaltsähnlichkeit abzugleichen und eine vorläufige

Interessenmodellierung für den neuen Benutzer durchzuführen.

Vorzugsweise umfasst das Modul zur Verbesserung der Glaubwürdigkeit der

Aufgabenbewertung außerdem eine Einheit zur Bewertung der Glaubwürdigkeit der Bewertung und eine Einheit zur Korrektur der Bewertungsfusion;

Die Einheit zur Bewertung der Glaubwürdigkeit der Bewertung verwendet ein Bayes'sches

Netzwerk oder ein probabilistisches Graphenmodell, um die Zuverlässigkeit der Bewertung des

Gegenstands zu bewerten, berücksichtigt die historische Verhaltenskonsistenz des Bewerters, die

Faktoren der Zeitverteilung der Bewertung und weist der Bewertung Glaubwürdigkeitsgewichte

ZU;

Die besagte Bewertungsfusionskorrektureinheit wendet einen gewichteten Durchschnitt oder ein maschinelles Lernmodell an, um mehrere Quellen von Bewertungsdaten zu fusionieren, korrigiert die Elementbewertungen gemäß den Glaubwürdigkeitsgewichtungen und verbessert die

Gesamtglaubwürdigkeit der Bewertungsdaten.

Vorzugsweise umfasst das Modul zur Förderung des Kaltstarts neuer Artikel außerdem eine

Einheit zur Extraktion von Inhaltsmerkmalen und eine Einheit zur Empfehlung ähnlicher Artikel;

Die Einheit zur Extraktion von Inhaltsmerkmalen verwendet ein neuronales

Faltungsnetzwerk oder ein Deep-Learning-Framework, um Inhaltsmerkmale von Bildern und

Textbeschreibungen der Artikel zu extrahieren, und konstruiert Inhaltsvektoren der Artikel, die verwendet werden, um einzigartige Attribute und Merkmale der Artikel darzustellen;

Die Empfehlungseinheit für ähnliche Artikel verwendet die Kosinusähnlichkeit oder die

Jaccard-Ähnlichkeit, um die Ähnlichkeit zwischen einem neuen Artikel und einem vorhandenen

Artikel zu berechnen, und empfiehlt den neuen Artikel einem Benutzer, der an dem ähnlichét/600584

Artikel interessiert ist, wodurch eine schnelle Werbung für den neuen Artikel realisiert wird.

Vorzugsweise umfasst das bereichsübergreifende Informationsfusionsmodul ferner eine bereichsübergreifende Datenabgleichseinheit und eine bereichsübergreifende

Wissensmigrationseinheit;

Die domaéneniibergreifende Datenabgleichseinheit verwendet = Migrationslern-

Domänenanpassungstechniken, um Benutzerdaten aus verschiedenen Domänen abzugleichen, um eine einheitliche Charakterisierung der domänenübergreifenden Benutzerinteressen zu erreichen und die Datenquellen der Benutzerinteressen zu erweitern;

Die domänenübergreifende Wissensmigrationseinheit verwendet einen Wissensgraphen oder eine Ontologie, um Elementwissen aus verschiedenen Domänen miteinander zu verknüpfen, und wendet das Wissen aus der Quelldomäne auf die Empfehlung der Zieldomäne durch

Wissensschlussfolgerung und Migrationslernen an.

Vorzugsweise umfasst das Modul zur dynamischen Verfolgung der Interessenentwicklung ferner eine Einheit zur Erkennung von Interessenänderungen und eine Einheit zur Modellierung der Interessenentwicklung;

Die Einheit zur Erkennung von Interessenänderungen wendet eine Zeitreihenanalyse oder eine Technologie zur Erkennung von Anderungspunkten an, um Anderungen im Nutzerinteresse zu überwachen, den Vektor des Nutzerinteresses in Echtzeit zu aktualisieren und die dynamische

Entwicklung des Nutzerinteresses widerzuspiegeln;

Die Finheit zur Modellierung der Interessenentwicklung verwendet eine Markov-Kette oder ein verstecktes Markov-Modell, um die Entwicklung der Interessen des Benutzers zu modellieren, môgliche zukünftige Anderungen der Interessen des Benutzers vorherzusagen und eine Grundlage für zukunftsorientierte Empfehlungen zu schaffen.

Basierend auf dem obigen System schlägt die vorliegende Erfindung auch ein algorithmisches Empfehlungsverfahren mit künstlicher Intelligenz vor, das die folgenden Schritte umfasst:

S1. Sammeln und Analysieren von impliziten Rückmeldedaten des Benutzers und Erfassen der Interessenpräferenzen des Benutzers unter Verwendung von LSTM oder Transformer;

S2. Abbilden der Benutzerverhaltensdaten auf einen niedrigdimensionalen Raum unter

Verwendung von NMF, um einen Benutzerinteressenvektor zu konstruieren;

S3. Kombination von sozialen Netzwerken und NLP-Techniken zur Initialisierung von

Interessenvektoren für neue Nutzer;

S4. Bewertung der Glaubwürdigkeit der Bewertungen und Korrektur der Bewertungen zur

Verbesserung der Datengenauigkeit;

SS. Extrahieren von Inhaltsmerkmalen neuer Artikel und Empfehlen dieser Artikel an Nutzer mit ähnlichen Interessen;

S6. Zusammenführung bereichsübergreifender Informationen, Erweiterung der Datenquellen für Nutzerinteressen und Anwendung von Transfer-Lernen;

S7. Überwachung von Änderungen der Nutzerinteressen und Modellierung des

Interessenentwicklungsprozesses mit HMM;

S8. Integration mehrerer Faktoren zur Berechnung von Empfehlungsergebnissen, Erstellung und Anzeige von Empfehlungslisten.

Verglichen mit dem Stand der Technik hat die vorliegende Erfindung folgende vorteilhafte

Wirkung:

Die vorliegende Erfindung führt Sequenzmuster-Mining auf impliziten Feedback-Daté:"600584 durch ein Sequenzmodell durch, das die potenziellen Interessenpräferenzen und Verhaltenstrends des Benutzers genauer erfassen, die Verhaltensdaten des Benutzers auf einen niedrigdimensionalen

Interessenraum abbilden, einen Benutzerinteressenvektor konstruieren und die

Interessenpräferenzen des Benutzers umfassend charakterisieren kann. Durch die Analyse von

Informationen aus sozialen Netzwerken wird der Interessenvektor eines neuen Benutzers mit Hilfe von Freundesempfehlungen oder Verhaltensdaten ähnlicher Benutzer initialisiert, die

Inhaltsmerkmale des Artikels werden für den neuen Artikel extrahiert und der neue Artikel wird dem interessierten Benutzer durch Ähnlichkeitsberechnung empfohlen. Zusammenfassend lässt sich sagen, dass die vorliegende Erfindung die Genauigkeit und Benutzerzufriedenheit des

Empfehlungssystems erheblich verbessert, indem sie die Benutzerinteressen gründlich auswertet, das Kaltstartproblem effektiv löst, die Glaubwürdigkeit von Bewertungen verbessert, eine bereichsübergreifende Informationsfusion erreicht und die Vorteile von Änderungen der

Benutzerinteressen in Echtzeit verfolgt.

Beschreibung der beigefügten Zeichnungen

Bild 1 zeigt eine Topologie des algorithmischen Modell-Empfehlungssystems mit künstlicher

Intelligenz im Sinne der vorliegenden Erfindung;

Bild 2 zeigt ein Flussdiagramm des algorithmischen Modell-Empfehlungssystems der künstlichen Intelligenz im Sinne der vorliegenden Erfindung.

Detaillierte Beschreibung

Die technischen Lösungen in den Ausführungsformen der vorliegenden Erfindung werden im

Folgenden klar und vollständig in Verbindung mit den Ausführungsformen der vorliegenden

Erfindung beschrieben, und es ist offensichtlich, dass die beschriebenen Ausführungsformen nur einen Teil der Ausführungsformen der vorliegenden Erfindung und nicht alle Ausführungsformen darstellen. Ausgehend von den Ausführungsformen der vorliegenden Erfindung fallen auch alle anderen Ausführungsformen, die ein Fachmann ohne schöpferische Arbeit herstellen kann, in den

Schutzbereich der vorliegenden Erfindung.

Ausführungsform 1

Bezug nehmend auf Bild 1 schlägt die vorliegende Erfindung ein algorithmisches Modell-

Empfehlungssystem mit künstlicher Intelligenz vor, wobei das System ein Modul zur Ermittlung der Tiefe des Benutzerinteresses, ein Modul zur Anpassung an den Kaltstart eines neuen Benutzers, ein Modul zur Verbesserung der Glaubwürdigkeit der Artikelbewertung, ein Modul zur Förderung des Kaltstarts eines neuen Artikels, ein Modul zur bereichsübergreifenden Informationsfusion und ein Modul zur Verfolgung der dynamischen Interessenentwicklung umfasst;

Wobei anzumerken ist, dass das Benutzerinteressen-Tiefenbergbaumodul für die implizite

Rückkopplungsextraktion und die Interessensvektorkonstruktion verwendet wird, das neue

Benutzer-Cold-Start-Anpassungsmodul für die soziale Netzwerkinformationsausnutzung und die inhaltsbasierte Initialisierung verwendet wird, und das Elementbewertungs-

Glaubwürdigkeitsverbesserungsmodul für die Bewertungsglaubwürdigkeitsbewertung und die

Bewertungsfusionskorrektur verwendet wird. Das Modul für die Kaltstartförderung neuer Artikel wird für die Extraktion von Inhaltsmerkmalen und Empfehlungen für ähnliche Artikel verwendet, das Modul für die bereichsübergreifende Informationsfusion wird für den bereichsübergreifenden

Datenabgleich und die bereichsübergreifende Wissensmigration verwendet, und das Modul für die dynamische Verfolgung der Interessenentwicklung wird für die Erkennung von

Interessenänderungen und die Modellierung der Interessenentwicklung verwendet.

In dieser Ausführungsform umfasst das Modul zur Ermittlung von Benutzerinteressen/600584 außerdem eine Einheit zur Extraktion impliziten Feedbacks und eine Einheit zur Erstellung von

Interessenvektoren;

Ferner analysiert die Einheit zur Extraktion impliziter Rückmeldungen den Browserverlauf, 5 das Klickverhalten und die impliziten Rückmeldedaten der Verweildauer des Benutzers über

LSTM oder Transformer und führt eine sequenzielle Mustererkennung durch, um die potenziellen

Interessenpräferenzen und Verhaltenstrends des Benutzers zu erfassen;

Ferner verwendet die Interessenvektor-Konstruktionseinheit eine nicht-negative

Matrixzerlegung, um die Benutzerverhaltensdaten in einen niedrigdimensionalen Interessenraum abzubilden, um einen Benutzerinteressenvektor zur umfassenden Charakterisierung der

Interessenpräferenzen des Benutzers zu konstruieren.

In der vorliegenden Ausführungsform wird auch darauf hingewiesen, dass das Modul zur

Anpassung des Kaltstarts eines neuen Benutzers ferner eine Einheit zur Nutzung von

Informationen des sozialen Netzwerks und eine Einheit zur Initialisierung von Inhalten umfasst;

Ferner analysiert die Einheit zur Nutzung von Informationen des sozialen Netzwerks

Beziehungsdaten im sozialen Netzwerk des Benutzers über ein neuronales Graphennetzwerk und initialisiert den Interessenvektor des neuen Benutzers unter Verwendung von

Freundesempfehlungen oder Verhaltensdaten ähnlicher Benutzer;

Ferner analysiert die Inhaltsinitialisierungseinheit die persönlichen Informationen oder die vom Benutzer während der Registrierung bereitgestellten Interessen-Tags unter Verwendung von

Techniken zur Verarbeitung natürlicher Sprache, gleicht die Interessenvektoren bestehender

Benutzer auf der Grundlage der Inhaltsähnlichkeit ab und führt eine vorläufige

Interessenmodellierung für den neuen Benutzer durch.

In der vorliegenden Ausführungsform wird ferner darauf hingewiesen, dass das Modul zur

Verbesserung der Glaubwürdigkeit der Bewertung eines Elements ferner eine Einheit zur

Bewertung der Glaubwürdigkeit der Bewertung und eine Einheit zur Korrektur der

Bewertungsfusion umfasst;

Ferner verwendet die Einheit zur Bewertung der Glaubwürdigkeit der Bewertung ein

Bayes'sches Netzwerk oder ein probabilistisches Graphenmodell, um die Zuverlässigkeit der

Bewertung des Elements zu bewerten, und weist der Bewertung Glaubwürdigkeitsgewichte zu, wobei die historische Verhaltenskonsistenz des Bewerters und die zeitliche Verteilung der

Bewertungsfaktoren berücksichtigt werden;

Ferner wendet die Bewertungsfusionskorrektureinheit einen gewichteten Mittelwert oder ein maschinelles Lernmodell an, um mehrere Quellen von Bewertungsdaten zu fusionieren, korrigiert die Aufgabenbewertung gemäß den Glaubwürdigkeitsgewichten und verbessert die

Gesamtglaubwürdigkeit der Bewertungsdaten.

In der vorliegenden Ausführungsform wird auch darauf hingewiesen, dass das Modul zur

Förderung des Kaltstarts neuer Artikel außerdem eine Einheit zur Extraktion von

Inhaltsmerkmalen und eine Einheit zur Empfehlung ähnlicher Artikel umfasst;

Ferner verwendet die Einheit zur Extraktion von Inhaltsmerkmalen ein faltbares neuronales

Netzwerk oder ein Deep-Learning-Framework, um Inhaltsmerkmale von Bildern und

Textbeschreibungen der Artikel zu extrahieren, um Inhaltsvektoren der Artikel zu konstruieren, die verwendet werden, um einzigartige Attribute und Merkmale der Artikel darzustellen;

Ferner berechnet die Empfehlungseinheit für ähnliche Artikel die Ähnlichkeit zwischen dem neuen Artikel und dem vorhandenen Artikel unter Verwendung der Kosinusähnlichkeit oder der

Jaccard-Ahnlichkeit und empfiehlt den neuen Artikel den Nutzern, die an dem ähnlichen Artike}600584 interessiert sind, wodurch die schnelle Förderung des neuen Artikels realisiert wird.

In dieser Ausführungsform ist auch zu beachten, dass das domänenübergreifende

Informationsfusionsmodul weiterhin eine domänenübergreifende Datenabgleichseinheit und eine domänenübergreifende Wissensmigrationseinheit umfasst;

Ferner gleicht die domänenübergreifende Datenabgleichseinheit Benutzerdaten aus verschiedenen Domänen unter Verwendung einer Migrationslerndomänenanpassungstechnik ab, um eine einheitliche Charakterisierung der domänenübergreifenden Benutzerinteressen zu erreichen und die Datenquellen der Benutzerinteressen zu erweitern;

Ferner verwendet die domänenübergreifende Wissensmigrationseinheit einen

Wissensgraphen oder eine Ontologie, um das Wissen von Elementen in verschiedenen Domänen miteinander zu korrelieren, und wendet das Wissen der Quelldomäne auf die Empfehlung der

Zieldomäne durch Wissensinferenz und Migrationslernen an.

In dieser Ausführungsform wird weiter beschrieben, dass das Modul zur Verfolgung der dynamischen Interessenentwicklung außerdem eine Einheit zur Erkennung von

Interessenänderungen und eine Einheit zur Modellierung der Interessenentwicklung umfasst;

Ferner wendet die Einheit zur Erkennung von Interessenänderungen eine Zeitreihenanalyse oder Techniken zur Erkennung von Änderungspunkten an, um Änderungen im Interesse des

Benutzers zu überwachen, den Vektor des Benutzerinteresses in Echtzeit zu aktualisieren und die dynamische Entwicklung des Benutzerinteresses wiederzugeben;

Ferner verwendet die Einheit zur Modellierung der Interessenentwicklung eine Markov-Kette oder ein verstecktes Markov-Modell, um die Entwicklung der Interessen des Benutzers zu modellieren, mögliche künftige Änderungen der Interessen des Benutzers vorherzusagen und eine

Grundlage für vorausschauende Empfehlungen zu schaffen.

Ausführungsform 2

Bezugnehmend auf Bild 2, schlägt die vorliegende Erfindung in der praktischen Anwendung, basierend auf dem obigen System, auch ein algorithmisches Modellempfehlungsverfahren mit künstlicher Intelligenz vor, das insbesondere die folgenden Schritte umfasst: (1) Sammeln und Analysieren von impliziten Feedback-Daten

Sammeln der impliziten Feedbackdaten des Benutzers, des Klickverhaltens und der

Verweildauer;

Sequenzmuster-Mining der impliziten Feedback-Daten unter Verwendung eines LSTM- oder

Transformer-Sequenzmodells, um die potenziellen Interessenpräferenzen und Verhaltenstrends des Benutzers zu erfassen, siehe Gleichung (1): h, = o(W, -[x,, h,, 1 + b,,) (1);

Wo h, der Zustand der verborgenen Schicht ist, x, die Eingabedaten sind, W, und b, die Gewichte bzw. Verzerrungen sind und co die Aktivierungsfunktion ist, erfasst Gleichung (1) die langfristigen Abhängigkeiten in den Sequenzdaten, indem der Zustand der verborgenen Schicht zum aktuellen Zeitpunkt durch die aktuelle Fingabe und den Zustand der verborgenen Schicht zum vorherigen Zeitpunkt aktualisiert wird; (2) Konstruktion des Nutzerinteressenvektors

Die Daten zum Nutzerverhalten werden auf den niedrigdimensionalen Interessenraum abgebildet, um den Nutzerinteressenvektor zu konstruieren;

Für diesen Abbildungsprozess wird die Technik der nicht-negativen Matrixfaktorisierut&/600584 (NMF) verwendet, siehe Gleichung (2):

V=WH 2);

V ist die ursprüngliche Datenmatrix, W ist die Basismatrix, H ist die

Koeffizientenmatrix, und sowohl W als auch H sind nicht-negative Matrizen. Die ursprüngliche Datenmatrix wird durch die Gleichung (2) NMF in das Produkt von zwei nicht- negativen Matrizen zerlegt, um die Datenverschlechterung und die Merkmalsextraktion zu realisieren; (3) Initialisierung der Interessen neuer Nutzer

Bei neuen Nutzern werden die Informationen des sozialen Netzwerks für die Analyse verwendet;

Die Beziehungsdaten im sozialen Netzwerk des Nutzers werden von einem neuronalen

Graphennetzwerk (GNN) analysiert, und die Interessenvektoren neuer Nutzer werden anhand von

Empfehlungen von Freunden oder Verhaltensdaten ähnlicher Nutzer initialisiert;

Gleichzeitig wird die Technologie zur Verarbeitung natürlicher Sprache (NLP) eingesetzt, um die von den Nutzern bei der Registrierung angegebenen persönlichen Informationen oder

Interessenbezeichnungen zu analysieren, die Interessenvektoren bestehender Nutzer auf der

Grundlage inhaltlicher Ähnlichkeit abzugleichen und eine vorläufige Interessenmodellierung für neue Nutzer durchzuführen; (4) Bewertung und Korrektur der Glaubwürdigkeit von Bewertungen

Verwendung von Bayes'schen Netzen oder probabilistischen grafischen Modellen zur

Bewertung der Zuverlässigkeit von Bewertungen;

Gewichtung der Glaubwürdigkeit der Bewertungen unter Berücksichtigung der historischen

Verhaltenskonsistenz der Bewerter und der zeitlichen Verteilung der Bewertungen;

Anwendung von Modellen des gewichteten Durchschnitts oder des maschinellen Lernens zur

Fusion von Ratingdaten aus mehreren Quellen und Korrektur von Item-Ratings gemäß den

Glaubwürdigkeitsgewichten; (5) Extraktion von Inhaltsmerkmalen neuer Artikel und Empfehlungen

Extrahieren von Bild- und Textbeschreibungs-Inhaltsmerkmalen von Artikeln unter

Verwendung von Convolutional Neural Network (CNN) oder Deep Learning Framework;

Konstruktion von Inhaltsvektoren von Artikeln, um die einzigartigen Attribute und Merkmale der Artikel darzustellen;

Berechnung der Ähnlichkeit neuer Artikel mit bestehenden Artikeln unter Verwendung der

Cosinus- oder Jaccard-Ähnlichkeit;

Empfehlung neuer Artikel an Nutzer, die an ähnlichen Artikeln interessiert sind; (6) Domänenübergreifende Informationsfusion

Abgleich von Nutzerdaten aus verschiedenen Domänen unter Verwendung von

Migrationslernverfahren zur Domänenanpassung, um eine einheitliche Charakterisierung der domänenübergreifenden Nutzerinteressen zu erreichen, Erweiterung der Datenquellen für

Nutzerinteressen, Verknüpfung des Wissens über Artikel aus verschiedenen Domänen unter

Verwendung von Wissensgraphen oder Ontologien und Anwendung des Wissens aus den

Quelldomänen auf die Empfehlungen der Zieldomänen durch Knowledge Reasoning und

Migrationslernen; (7) Erkennung von Veränderungen des Nutzerinteresses und Modellierung der Entwicklung

Zeitreihenanalyse oder Techniken zur Erkennung von Veränderungen werden angewandt, uh/600584

Veränderungen im Nutzerinteresse zu überwachen, den Vektor des Nutzerinteresses in Echtzeit zu aktualisieren, um die dynamische Entwicklung des Nutzerinteresses widerzuspiegeln, und die

Entwicklung des Nutzerinteresses mit Hilfe von Markov-Ketten oder Hidden-Markov-Modellen (HMM) zu modellieren, siehe Gleichung (3):

PX] X,,)= A; (3);

Wo X, der Zustand zum Zeitpunkt t und A; das Element der

Zustandsübertragungswahrscheinlichkeitsmatrix ist, wird die Berechnung der

Übertragungswahrscheinlichkeit zwischen den Zuständen im HMM durch Gleichung (3) durchgeführt, die verwendet wird, um den Prozess der Entwicklung des Nutzerinteresses im Laufe der Zeit zu modellieren, um die môglichen Anderungen des Nutzerinteresses in der Zukunft vorherzusagen und um eine Grundlage für vorausschauende Empfehlungen zu schaffen; (8) Generierung einer Empfehlungsliste

Entsprechend dem Interessenvektor des Benutzers, der Glaubwürdigkeit der

Artikelbewertung, den inhaltlichen Merkmalen des neuen Artikels, den Ergebnissen der bereichsübergreifenden Informationsfusion und dem Modell der Entwicklung des

Benutzerinteresses werden die Empfehlungswerte des Benutzers für jeden Artikel umfassend berechnet, die Artikel werden entsprechend den Empfehlungswerten sortiert, die Empfehlungsliste wird erstellt und die Empfehlungsliste wird dem Benutzer angezeigt, um den Empfehlungsprozess abzuschließen.

In der Beschreibung der vorliegenden Spezifikation bedeutet die Bezugnahme auf die

Begriffe „Eine Ausführungsform“, „Beispiel“, „spezifisches Beispiel“ usw., dass die spezifischen

Merkmale, Strukturen, Materialien oder Eigenschaften, die in Verbindung mit der

Ausführungsform oder dem Beispiel beschrieben werden, in mindestens einer Ausführungsform oder einem Beispiel der vorliegenden Erfindung enthalten sind. In dieser Beschreibung beziehen sich schematische Ausdrücke der oben genannten Begriffe nicht unbedingt auf dieselbe

Ausführungsform oder dasselbe Beispiel. Darüber hinaus können die beschriebenen spezifischen

Merkmale, Strukturen, Materialien oder Eigenschaften in einer oder mehreren Ausführungsformen oder Beispielen in geeigneter Weise kombiniert werden.

Die oben offengelegten bevorzugten Ausführungsformen der Erfindung sind nur als Hilfe bei der Darstellung der Erfindung gedacht. Die bevorzugten Ausführungsformen sind keine erschöpfende Aufzählung aller Details, noch beschränken sie die Erfindung auf die spezifischen

Ausführungsformen nur beschrieben. Offensichtlich können viele Modifikationen und Variationen in Übereinstimmung mit dieser Beschreibung vorgenommen werden. Diese Ausführungsformen werden in dieser Beschreibung ausgewählt und speziell beschrieben, um die Prinzipien und praktischen Anwendungen der vorliegenden Erfindung besser zu erklären, so dass die Fachleute auf dem Gebiet, zu dem sie gehört, die Erfindung gut verstehen und nutzen können. Die vorliegende Erfindung ist nur durch die Ansprüche und deren gesamten Umfang und Äquivalente begrenzt.

Claims (8)

Ansprüche LU600584

1. Ein algorithmisches Modell-Empfehlungssystem mit künstlicher Intelligenz, dadurch gekennzeichnet, dass es ein Benutzerinteressen-Tiefensuchmodul, ein Kaltstart-Anpassungsmodul für neue Benutzer, ein Modul zur Verbesserung der Glaubwürdigkeit von Artikelbewertungen, ein Kaltstart-Promotionsmodul für neue Artikel, ein bereichsübergreifendes Informationsfusionsmodul und ein Modul zur Verfolgung der dynamischen Interessenentwicklung umfasst; Das Modul für die tiefe Gewinnung von Benutzerinteressen wird für die Extraktion von implizitem Feedback und die Konstruktion von Interessenvektoren verwendet; Das neue Benutzer-Kaltstart-Anpassungsmodul für die Nutzung von Informationen aus dem sozialen Netzwerk und die inhaltsbasierte Initialisierung; Das Modul zur Verbesserung der Glaubwürdigkeit der Bewertung eines Gegenstands für die Bewertung der Glaubwürdigkeit und die Korrektur der Bewertungsfusion; Das neue Modul zur Förderung des Kaltstarts von Artikeln für die Extraktion von Inhaltsmerkmalen und die Empfehlung ähnlicher Artikel; Das bereichsübergreifende Informationsfusionsmodul für den bereichsübergreifenden Datenabgleich und die bereichsübergreifende Wissensmigration; Das Modul zur Verfolgung der dynamischen Interessenentwicklung für die Erkennung von Interessenänderungen und die Modellierung der Interessenentwicklung.

2. Ein algorithmisches Modell-Empfehlungssystem mit künstlicher Intelligenz nach Anspruch 1, dadurch gekennzeichnet, dass das Modul zum tiefen Mining von Benutzerinteressen ferner eine Einheit zur Extraktion impliziten Feedbacks und eine Einheit zur Konstruktion von Interessenvektoren umfasst; Die Einheit zur Extraktion impliziter Rückmeldungen analysiert den Browserverlauf, das Klickverhalten und die impliziten Rückmeldedaten der Verweildauer des Benutzers mittels LSTM oder Transformer und führt ein Sequenzmuster-Mining durch, um die potenziellen Interessenpräferenzen und Verhaltenstrends des Benutzers zu erfassen; Die Interessenvektor-Konstruktionseinheit verwendet eine nicht-negative Matrixzerlegung, um Benutzerverhaltensdaten auf einen niedrigdimensionalen Interessenraum abzubilden, um einen Benutzerinteressenvektor zu konstruieren, um die Interessenpräferenzen des Benutzers umfassend zu charakterisieren.

3. Ein algorithmisches Modell-Empfehlungssystem mit künstlicher Intelligenz nach Anspruch 2, dadurch gekennzeichnet, dass das Kaltstart-Anpassungsmodul für neue Benutzer ferner eine Einheit zur Nutzung von Informationen des sozialen Netzwerks und eine Einheit zur Initialisierung von Inhalten umfasst; Die Einheit zur Nutzung von Informationen des sozialen Netzwerks analysiert Beziehungsdaten im sozialen Netzwerk des Benutzers mit Hilfe eines neuronalen Graphen- Netzwerks und initialisiert Interessenvektoren des neuen Benutzers unter Verwendung von Freundesempfehlungen oder Verhaltensdaten ähnlicher Benutzer; Die Inhaltsinitialisierungseinheit verwendet eine Technologie zur Verarbeitung natürlicher Sprache, um persönliche Informationen oder Interessenmarkierungen zu analysieren, die vom Benutzer während der Registrierung bereitgestellt werden, die Interessenvektoren bestehender Benutzer auf der Grundlage von Inhaltsähnlichkeit abzugleichen und eine vorläufige Interessenmodellierung für den neuen Benutzer durchzuführen.

4. Ein algorithmisches Modell-Empfehlungssystem mit künstlicher Intelligenz nach 600584 Anspruch 3, dadurch gekennzeichnet, dass das Modul zur Verbesserung der Glaubwürdigkeit der Item-Bewertung ferner eine Einheit zur Bewertung der Glaubwürdigkeit der Bewertung und eine Einheit zur Korrektur der Verschmelzung der Bewertungen umfasst; Die Einheit zur Bewertung der Glaubwürdigkeit der Bewertung verwendet ein Bayes'sches Netzwerk oder ein Wahrscheinlichkeitskartenmodell, um die Zuverlässigkeit der Bewertung des Gegenstands zu bewerten, und weist der Bewertung Glaubwürdigkeitsgewichte zu, indem sie die historische Verhaltenskonsistenz des Bewerters und die Faktoren der Zeitverteilung der Bewertung berücksichtigt; Die besagte Bewertungsfusionskorrektureinheit wendet einen gewichteten Mittelwert oder ein maschinelles Lernmodell an, um mehrere Quellen von Bewertungsdaten zu fusionieren, und korrigiert die Elementbewertungen entsprechend den Glaubwürdigkeitsgewichtungen.

5. Ein algorithmisches Modell-Empfehlungssystem mit künstlicher Intelligenz nach Anspruch 4, dadurch gekennzeichnet, dass das Modul zur Förderung des Kaltstarts neuer Artikel ferner eine Einheit zur Extraktion von Inhaltsmerkmalen und eine Einheit zur Empfehlung ähnlicher Artikel umfasst; Die Einheit zur Extraktion von Inhaltsmerkmalen verwendet ein neuronales Faltungsnetzwerk oder ein Deep-Learning-Framework, um Inhaltsmerkmale von Bildern und Textbeschreibungen der Artikel zu extrahieren, und konstruiert Inhaltsvektoren der Artikel, die verwendet werden, um einzigartige Attribute und Merkmale der Artikel darzustellen; Die Empfehlungseinheit für ähnliche Artikel verwendet Kosinusähnlichkeit oder Jaccard- Ähnlichkeit, um die Ähnlichkeit zwischen einem neuen Artikel und einem vorhandenen Artikel zu berechnen, und empfiehlt den neuen Artikel einem Benutzer, der an dem ähnlichen Artikel interessiert ist.

6. Ein algorithmisches Modell-Empfehlungssystem mit künstlicher Intelligenz nach Anspruch 5, dadurch gekennzeichnet, dass das domänenübergreifende Informationsfusionsmodul ferner eine domänenübergreifende Datenabgleichseinheit und eine domänenübergreifende Wissensmigrationseinheit umfasst; Die domänenübergreifende Datenabgleichseinheit verwendet Migrationslern- Doménenanpassungstechniken, um Benutzerdaten aus verschiedenen Domänen abzugleichen, um eine einheitliche Darstellung von domänenübergreifenden Benutzerinteressen zu erreichen; Die domänenübergreifende Wissensmigrationseinheit verwendet einen Wissensgraphen oder eine Ontologie, um Elementwissen aus verschiedenen Domänen zu korrelieren, und wendet das Wissen aus der Quelldomäne auf die Empfehlung der Zieldomäne durch Wissensschlussfolgerung und Migrationslernen an.

7. Ein algorithmisches Modell-Empfehlungssystem mit künstlicher Intelligenz nach Anspruch 6, dadurch gekennzeichnet, dass das Modul zur Verfolgung der dynamischen Interessenentwicklung ferner eine Einheit zur Erfassung von Interessenänderungen und eine Einheit zur Modellierung der Interessenentwicklung umfasst; Die Interessenänderungs-Erfassungseinheit wendet Zeitreihenanalyse- oder Änderungspunkt-Erfassungstechniken an, um Änderungen im Benutzerinteresse zu überwachen, Benutzerinteressen-Vektoren in Echtzeit zu aktualisieren und die dynamische Entwicklung des Benutzerinteresses widerzuspiegeln; Die Einheit zur Modellierung der Interessenentwicklung verwendet Markov-Ketten oder Hidden-Markov-Modelle, um die Entwicklung des Benutzerinteresses zu modellieren und mögliche zukünftige Änderungen des Benutzerinteresses vorherzusagen. LU600584

8. Ein Algorithmisches Modell-Empfehlungsverfahren mit künstlicher Intelligenz, das algorithmische Modell-Empfehlungssystem mit künstlicher Intelligenz nach einem der Ansprüche 1-7, dadurch gekennzeichnet, dass es die folgenden Schritte umfasst:

S1. Sammeln und Analysieren von impliziten Rückmeldedaten des Benutzers, um die Interessenpräferenzen des Benutzers unter Verwendung von LSTM oder Transformer zu erfassen;

S2. Konstruieren eines Benutzerinteressenvektors durch Abbilden von Benutzerverhaltensdaten auf einen niedrigdimensionalen Raum unter Verwendung von NMF;

S3. Kombination von sozialen Netzwerken und NLP-Techniken zur Initialisierung von Interessenvektoren für neue Benutzer;

S4. Bewertung der Glaubwürdigkeit von Bewertungen und Korrektur der Bewertungen zur Verbesserung der Datengenauigkeit;

SS. Extrahieren von Inhaltsmerkmalen neuer Artikel und Empfehlen dieser Artikel an Nutzer mit ähnlichen Interessen;

S6. Zusammenführung bereichsübergreifender Informationen, Erweiterung der Datenquellen für Nutzerinteressen und Anwendung von Transfer-Lernen;

S7. Überwachung von Änderungen der Nutzerinteressen und Modellierung des Interessenentwicklungsprozesses mit HMM;

S8. Integration mehrerer Faktoren zur Berechnung von Empfehlungsergebnissen, Erstellung und Anzeige von Empfehlungslisten.