社交及消费联合推荐系统、方法、存储介质、计算机设备与流程

文档序号:24160798发布日期:2021-03-05 16:33阅读:64来源:国知局
社交及消费联合推荐系统、方法、存储介质、计算机设备与流程

[0001]
本发明属于深度学习的应用之推荐系统技术领域,尤其涉及一种社交及消费联合推荐系统、方法、存储介质、计算机设备。


背景技术:

[0002]
目前:很多社会学研究表明,人们的消费行为和社交行为息息相关。然而,当前大多数研究要么只考虑社交对消费推荐的影响,要么探索用户关系的推荐,或者将其中一个推荐作为另一个推荐的辅助参考来提升准确率。只有极少数工作将社交和消费推荐作为一个共同的问题,而这些解决思路通常是基于矩阵分解和神经网络,然后简单地使用级联或加权和来汇总用户的消费和社交行为信息,使得二者的互作用关系不能充分得以表征,遗漏了很多潜在的推荐可能。
[0003]
通过上述分析,现有技术存在的问题及缺陷为:
[0004]
(1)现有技术采用矩阵分解技术提取消费偏好特征和社交偏好特征,推荐系统不可避免地会遇到新用户推荐以及新数据入库的稀疏数据问题,然而,矩阵分解对于稀疏矩阵不敏感,通过矩阵分解提取的消费偏好特征或社交偏好特征,不能解决数据稀疏时的推荐问题;
[0005]
(2)现有联合推荐技术采用直接级联或加权级联的方式对上述过程提取的特征进行汇总和使用,研究表明,用户的消费行为容易受到其朋友的影响,同时,拥有相同消费行为的人也更容易建立社交联系,简单地使用级联或加权和来汇总特征不能充分体现二者的互作用性;
[0006]
(3)现有联合推荐技术忽视了个体主观认知差异性在推荐系统中的作用和影响,不同亲密度的友人对其消费行为的影响必然存在差异性,同时,对物品的不同喜爱程度也必然会影响其社交行为。如果不能将个体差异性考虑进去,预测结果准确性必然会受到影响。
[0007]
解决以上问题及缺陷的难度为:
[0008]
(1)如何在充分提取消费特征和社交特征的同时解决矩阵稀疏性的问题;
[0009]
(2)如何合理的表征消费特征以及社交特征的互作用关系;
[0010]
(3)如何表征个性化差异并合理引入到联合推荐系统。
[0011]
解决以上问题及缺陷的意义为:由上述分析可知,现有联合推荐系统的缺陷对推荐系统的准确性有极大的影响,因此,解决上述问题将进一步提升联合推荐系统的准确性。


技术实现要素:

[0012]
针对现有技术存在的问题,本发明提供了一种社交及消费联合推荐系统、方法、存储介质、计算机设备。
[0013]
本发明是这样实现的,一种社交及消费联合推荐方法,所述社交及消费联合推荐方法包括:
[0014]
图神经网络和自注意力机制从输入的评级矩阵r提取出消费偏好特征;
[0015]
图卷积网络和自注意力机制从输入的社交矩阵s提取出社交偏好特征;
[0016]
引入互惠图神经网络,类比生物界的共生机制,结合消费偏好特征和社交偏好特征得出联合消费特征和联合社交特征;
[0017]
输入需要预测的用户、可能发生的消费物品以及可能建立关系的人的数据,对用户潜在的消费可能和社交可能进行预测。
[0018]
进一步,所述图神经网络和自注意力机制从输入的评级矩阵r提取出消费偏好特征,首先将评级矩阵r转化为图神经网络;其次,从转换后的网络中分离两个non-euclidean子图:物品偏好子图和用户偏好子图;接着分别从中提取物品偏好以及用户偏好特征;最后,合并二者为消费偏好特征。
[0019]
进一步,所述图卷积网络和自注意力机制从输入的社交矩阵s提取出社交偏好特征,首先,构造一个正则化laplacian矩阵;然后通过该矩阵的eigenvalue和eigenvector矩阵构造出频谱图卷积网络的卷积核,提取出每个人的社交特征;最后,聚合某个用户的所有朋友的社交特征,得出社交偏好特征。
[0020]
进一步,所述结合消费偏好特征和社交偏好特征得出联合消费特征和联合社交特征,首先采用element wise方式,消费偏好特征和社交偏好特征对位相乘得到互惠特征,然后,消费偏好特征级联互惠特征得到联合消费特征,社交偏好特征级联互惠特征得到联合社交特征。
[0021]
进一步,所述对用户潜在的消费可能和社交可能进行预测,联合消费特征与待预测的物品属性相乘得到概率,对所有待预测的物品概率进行递减排序,取top k作为预测结果,或者采用经验值0.5作为阈值,将大于0.5的消费概率均视为预测结果;同理,联合社交特征与待预测的人的属性相乘得到概率,最后取top k或大于阈值0.5的数据作为结果。
[0022]
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
[0023]
图神经网络和自注意力机制从输入的评级矩阵r提取出消费偏好特征;
[0024]
图卷积网络和自注意力机制从输入的社交矩阵s提取出社交偏好特征;
[0025]
引入互惠图神经网络,类比生物界的共生机制,结合消费偏好特征和社交偏好特征得出联合消费特征和联合社交特征;
[0026]
输入需要预测的用户、可能发生的消费物品以及可能建立关系的人的数据,对用户潜在的消费可能和社交可能进行预测。
[0027]
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
[0028]
图神经网络和自注意力机制从输入的评级矩阵r提取出消费偏好特征;
[0029]
图卷积网络和自注意力机制从输入的社交矩阵s提取出社交偏好特征;
[0030]
引入互惠图神经网络,类比生物界的共生机制,结合消费偏好特征和社交偏好特征得出联合消费特征和联合社交特征;
[0031]
输入需要预测的用户、可能发生的消费物品以及可能建立关系的人的数据,对用户潜在的消费可能和社交可能进行预测。
[0032]
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的社交及消费联合推荐方法。
[0033]
本发明的另一目的在于提供一种实施所述的社交及消费联合推荐方法的社交及消费联合推荐系统,所述社交及消费联合推荐系统包括:
[0034]
自注意力空间层,用于从评级矩阵r中提取用户的消费偏好特征;
[0035]
自注意力频谱层,用于从社交矩阵s中提取用户的社交偏好特征;
[0036]
互惠分析层,受到共生模型的启发,将消费偏好特征和社交偏好特征作为输入,目标是对用户消费偏好与社交联系之间的相互关系进行自适应建模,产生联合消费特征和联合社交特征。
[0037]
预测层,用于将联合消费特征和联合社交特征应用于预测层中,以预测潜在的消费和社交可能。
[0038]
结合上述的所有技术方案,本发明所具备的优点及积极效果为:图神经网络取代邻接矩阵以及频谱图卷积网络的引入,解决了稀疏矩阵分解的局限性;自注意力模型的引入,充分考虑个体差异性,使得通过前两层提取的特征属性更贴合用户真实属性;互惠机制的引入,充分发挥了两大推荐系统原始信息的互作用性,提升了预测层推荐的准确性、召回率和ndcg指标。
[0039]
对于消费推荐任务,模型在消费预测中获得了更好的推荐性能,且在精准度、召回率和ndcg方面达到最高值。与目前的最佳方法danser和hers相比,精准度、召回率和ndcg分别至少提高了5.70%和3.23%,7.31%和6.02%,5.67%和3.39%。
[0040]
对于社交推荐任务,模型在社交预测中获得了更好的推荐性能,其精准度、召回率和ndcg比其他方法平均高出了14.15%,19.95%和11.58%。与目前最好的方法,即attenwalk和mgnn相比,精准度、召回率和ndcg这三个指标中也分别至少增加了3.98%和5.43%,6.43%和9.28%,3.50%和6.78%。
附图说明
[0041]
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
[0042]
图1是本发明实施例提供的社交及消费联合推荐方法的流程图。
[0043]
图2是本发明实施例提供的社交及消费联合推荐系统的结构示意图;
[0044]
图2中:1、自注意力空间层;2、自注意力频谱层;3、互惠分析层;4、预测层。
[0045]
图3是本发明实施例提供的社交及消费联合推荐系统的原理图。
具体实施方式
[0046]
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
[0047]
针对现有技术存在的问题,本发明提供了一种社交及消费联合推荐系统、方法、存
储介质、计算机设备,下面结合附图对本发明作详细的描述。
[0048]
如图1所示,本发明提供的社交及消费联合推荐方法包括以下步骤:
[0049]
s101:引入图神经网络和自注意力机制,从输入的评级矩阵r提取出消费偏好特征;
[0050]
s102:引入图卷积网络和自注意力机制,从输入的社交矩阵s提取出社交偏好特征;
[0051]
s103:引入互惠图神经网络,类比生物界的共生机制,结合消费偏好特征和社交偏好特征得出联合消费特征和联合社交特征;
[0052]
s104:输入需要预测的用户、可能发生的消费物品以及可能建立关系的人的数据,对用户潜在的消费可能和社交可能进行预测。
[0053]
本发明提供的社交及消费联合推荐方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的社交及消费联合推荐方法仅仅是一个具体实施例而已。
[0054]
如图2所示,本发明提供的社交及消费联合推荐系统包括:
[0055]
自注意力空间层1,用于从评级矩阵r中提取用户的消费偏好特征。
[0056]
自注意力频谱层2,用于从社交网络s中提取用户的社交偏好特征。
[0057]
互惠分析层3,受到共生模型的启发,将消费偏好特征和社交偏好特征作为输入,目标是对用户消费偏好与社交联系之间的相互关系进行自适应建模,产生联合消费特征和联合社交特征。
[0058]
预测层4,用于将互惠偏好属性和互惠社交属性应用于预测层中,以预测潜在的消费和社交可能。
[0059]
下面结合附图对本发明的技术方案作进一步的描述。
[0060]
本发明将生物界的共生现象与有潜在关联的两大推荐系统进行了类比,并将共生机制进行了迁移,以充分利用其互作用性来挖掘数据之间的潜在联系,并将社交及消费联合推荐方法进行了落地,包括四个组成部分:自注意力空间层1、自注意力频谱层2、互惠分析层3和预测层4,为推荐系统领域注入了新的思想和可能性。
[0061]
如图3所示为联合推荐系统的落地细节,基于互惠图神经网络的社交及消费联合推荐系统用于对输入的评级矩阵r和社交网络矩阵s进行处理,进而对用户潜在的消费可能和社交可能进行预测。
[0062]
自注意力空间层1旨在从评级矩阵r中提取用户的消费偏好特征。为此,首先将评级矩阵转化为图神经网络,解决稀疏矩阵对特征提取不敏感的问题;其次,从转换后的网络中分离两个non-euclidean子图:物品偏好子图和用户偏好子图;接着引入自注意力模型,分别从中提取物品偏好以及用户偏好特征;最后,合并二者为消费偏好特征。
[0063]
自注意力频谱层2旨在从社交网络s中提取用户的社交偏好特征。该层的核心框架为频谱图卷积网络。首先,构造一个正则化laplacian矩阵,然后通过该矩阵的eigenvalue和eigenvector矩阵构造出频谱图卷积网络的卷积核,提取出每个人的社交特征,最后,同样引入自注意力模型,聚合某个用户的所有朋友的社交特征,得出社交偏好特征。
[0064]
互惠分析层3受到共生现象的启发,引入自注意力模型和共生互惠模型,采用element wise方式,消费偏好特征和社交偏好特征对位相乘得到互惠特征;消费偏好特征级联互惠特征得到联合消费特征,社交偏好特征级联互惠特征得到联合社交特征,整个框
架采用多层感知机思想来充分表征二者的互作用性。
[0065]
预测层4要求输入需要预测的用户、可能发生的消费物品以及可能建立关系的人的数据,对用户潜在的消费可能和社交可能进行预测。联合消费特征与待预测的物品属性相乘得到概率,对所有待预测的物品概率进行递减排序,取top k作为预测结果,或者采用经验值0.5作为阈值,将大于0.5的消费概率均视为预测结果;同理,联合社交特征与待预测的人的属性相乘得到概率,最后取top k或大于阈值0.5的数据作为结果。
[0066]
下面结合实验对本发明的技术效果作详细的描述。
[0067]
本实验通过著名的开源深度学习平台pytorch实现了该模型,硬件基于titan xp gpu。为了测试该模型的性能,使用4组真实数据集交叉验证来评估模型以及现有方法的性能。在每次运行中,随机抽取75%的评级矩阵和社交矩阵作为训练集,其余25%用作测试。根据精准度、召回率和ndcg指标选择对数据集的表现进行评估。
[0068]
对于消费推荐任务,结果显示,模型在消费预测中获得了更好的推荐性能,且在精准度、召回率和ndcg方面达到最高值。与目前的最佳方法danser和hers相比,精准度、召回率和ndcg分别至少提高了5.70%和3.23%,7.31%和6.02%,5.67%和3.39%。
[0069]
对于社交推荐任务,结果显示,模型在社交预测中获得了更好的推荐性能,其精准度、召回率和ndcg比其他方法平均高出了14.15%,19.95%和11.58%。与目前最好的方法,即attenwalk和mgnn相比,精准度、召回率和ndcg这三个指标中也分别至少增加了3.98%和5.43%,6.43%和9.28%,3.50%和6.78%。
[0070]
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
[0071]
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1