申请/专利权人：黑龙江大学

申请日：2021-12-27

公开（公告）日：2023-05-26

公开（公告）号：CN114329200B

主分类号：G06F16/9535

分类号：G06F16/9535;G06F30/27;G06F18/22;G06N3/0442;G06N3/047;G06N3/08;G06F111/04;G06F111/06;G06F111/08

优先权：

专利状态码：有效-授权

法律状态：2023.05.26#授权;2022.04.29#实质审查的生效;2022.04.12#公开

摘要：本发明公开了一种个性化自适应捆绑推荐模型及推荐方法，属于推荐数据处理领域。基于个性化自适应捆绑推荐模型的推荐方法包括以下步骤：S100、采用D‑TI根据用户的访问路径生成初始捆绑包，进而优化为基础捆绑包；S200、采用带有约束的多目标优化方法优化基础捆绑包；S300、提出一种新的基于正、负情况相关性的损失计算方法，并利用所述损失计算方法对捆绑包进行优化。本发明使捆绑包集合的质量和多样性得到了有效的保证，并提出了一种针对捆绑包的优化方法，使其整体性能得到进一步优化，最终使本发明的推荐模型获得了较好的性能。

主权项：1.一种个性化自适应捆绑推荐模型的生成方法，其特征在于，所述个性化自适应捆绑推荐模型包括输入层、嵌入层、深度模型层、深度游走层和多目标优化层，所述输入层、嵌入层、深度模型层、深度游走层和多目标优化层依次连接，所述输入层，用于根据用户历史行为序列，构建物品-物品之间的序列生成图；所述嵌入层，用于根据用户和物品的数据规模分别将其投射到稠密的向量空间，获得用户行为序列的初始表征结果；所述深度模型层，用于经过嵌入之后，应用NCF深度学习模型，将物品和用户的嵌入结果共同输入到深度建模层中，并进行匹配预测，获得初始预测结果所述深度游走层，用于在用户序列生成图中进行随机游走，利用深度模型层获得的初始预测结果将其相应的匹配列表中获得的第1个结果，即top1，即评分最高的item，作为DeepWalk的起始节点，然后设计一种约束来形成捆绑包候选集，利用TF-IDF思想进行约束，避免产生相似的捆绑包，随之产生基础捆绑包；所述多目标优化层，用于对所述的基础捆绑包的列表里的每个物品进行评估优化；所述深度游走层，具体的，用于使用所述评分最高的item作为起始节点，在生成序列图上进行深度游走，跳转概率为： 其中，N+vi表示所有从节点vi出发的有向边指向的节点的集合，Mij表示物品i跳转到物品j的跳转权重，通过随即游走，产生若干数量的物品序列，即含有若干捆绑包的预选集，还用于利用TF-IDF算法对所述预选集进行约束，去除其中相似的捆绑包，最终获得基础捆绑包：先计算一个物品vi在针对用户u生成的捆绑列表bj中出现的频率，计算公式定义如下： 其中，VFi表示物品i在捆绑包列表j中出现的频率，nij表示物品i在捆绑包列表j中出现的次数，n*j表示捆绑包列表j中所有物品的数量，接下来计算物品vi在所有用户的捆绑包列表中出现的频次，公式如下： 其中，N是每个用户bundle列表的总数，Ni是包含物品vi的列表的总数，将VFi和IDFi合并，表示为:Gi＝VFi*IDFi8使用D-TI算法去产生基础捆绑包，方法为：首先得到算法的输入为用户集合U＝{u1,u2,u3,...,um}、项目集合V＝{v1,v2,v3,...,vn}以及用户序列生成图G；根据公式1～公式3预测得到每个用户最感兴趣的项目以及预测评分若最感兴趣的项目vi在用户序列生成图G中有下一个节点，那么则按照公式4根据权重选择跳转；对于每一个基础捆绑包，根据公式5～公式7可知，如果Giδ，则该项目从捆绑包中删除，一次循环直到最感兴趣的项目vi在图G中没有下一个节点， 其中， 其中，V＝{v1,v2,v3,…,vn}，为物品集合，U＝{u1,u2,u3,…,um}，为用户集合， 其中，公式2表示的是NCF中的广义矩阵分解组件，和分别表示GMF和MLP的用户嵌入，和分别表示了GMF和MLP的物品嵌入，公式3表示的是NCF中的的MLP组件，公式4将公式2和公式3两个组件结合起来，得到预测评分具体表示用户u对物品i的预测评分，选择出评分最高的item，输入到下一层；然后对每个捆绑包进行表征，通过自适应加权操作，获得捆绑包的嵌入向量： 其中，αi,j表示用户ui考虑与捆绑包bs交互时，物品vj所代表的权重，在一个低秩模型里参数化αi,j： 其中，aj表征了在对一个bundle中的一个物品做决策时，表征物品vj的向量，利用上述表征方法对模型中生成的捆绑包进行表征，进行下一步训练；多目标优化层为捆绑包推荐定义两个不同的目标：高评分和高多样性，采用MMoE模型，将物品作为专家，采用softmax作为门控单元，计算每个物品对优化目标的重要程度，yk＝zkfkx11其中，k代表不同的任务，k＝1,2,…，fkx表示物品向量阶段，对于不同任务k，捆绑包组成不同，所以每个fkx也不相同， 将注意力Akx作为每个优化目标的门控单元，注意力计算方法如下： 是物品的更新权重，经过多目标优化之后，每一个用户的捆绑包列表的规模会相应减少，最终，将评分最高的N个捆绑包推荐给用户。

全文数据：

权利要求：

百度查询： 黑龙江大学 一种个性化自适应捆绑推荐模型及推荐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD