基于模块化神经网络的动态推荐方法及系统

本发明属于动态推荐，具体涉及基于模块化神经网络的动态推荐方法及系统。

背景技术：

1、随着大数据和人工智能的迅猛发展，推荐系统在我们的日常生活中扮演着越来越重要的角色。推荐系统是一种利用用户的历史行为、偏好、特征等数据，为用户提供个性化的信息或产品的智能技术。推荐系统在电子商务、社交网络、新闻媒体等领域有着广泛的应用，可以帮助用户发现感兴趣的内容，提高用户的满意度和忠诚度，同时也可以为服务提供商增加流量和收入。

2、传统的推荐系统大多基于用户历史行为数据，如购买记录、浏览历史等，采用协同过滤或基于内容的推荐方法。然而，这些方法存在一定的局限性，如无法处理非结构化数据(如图像、音频)和难以适应用户偏好的动态变化。为了解决这些问题，需要一种基于神经网络的动态推荐方法。

技术实现思路

1、基于上述技术问题，本发明提供基于模块化神经网络的动态推荐方法及系统，该方法通过构建多模态深度神经网络提取更加全面的用户特征，动态调整推荐策略，提高推荐系统的效果和用户体验。

2、本发明提供基于模块化神经网络的动态推荐方法，所述方法包括：

3、步骤s1：采集用户数据；所述用户数据包括行为、图像和音频；

4、步骤s2：对所述用户数据进行多模态处理，得到用户潜在特征向量：

5、步骤s3：学习控制器并生成推荐器，计算用户偏好分数；

6、步骤s4：计算奖励值，更新所述控制器参数并优化所述推荐器，输出推荐结果；

7、步骤s5：设计隐私保护机制将所述推荐结果进行保护。

8、可选地，所述对所述用户数据进行多模态处理，得到用户潜在特征向量，具体包括：

9、构建多模态深度神经网络；所述多模态深度神经网络包括卷积神经网络、循环神经网络和多层感知器；

10、使用所述卷积神经网络处理所述图像，得到图像特征；使用所述循环神经网络处理所述音频，得到音频特征；使用所述多层感知器处理所述行为，得到行为特征；将所述图像特征、所述音频特征和所述行为特征进行拼接，得到用户特征向量；

11、将所述用户特征向量输入到注意力自编码器中进行特征表示，得到用户潜在特征向量，具体包括：

12、ei＝f(hi，q)

13、

14、

15、z＝fφ(uweighted)＝sigmoid(weuweighted+be)

16、式中，ei为第i个模态特征向量的注意力得分；ej为第j个模态特征向量的注意力得分；hi为第i个模态特征向量；q为推荐任务查询向量；f为函数；αi为第i个模态特征向量权重；uweighted为加权用户特征向量；n为模态数量；z为用户潜在特征向量；φ为编码器参数；we和be分别为权重和偏置项。

17、可选地，所述学习控制器并生成推荐器，计算用户偏好分数，具体包括：

18、使用元学习算法学习控制器，生成神经网络结构作为推荐器；所述推荐器包括内容推荐模块、协同过滤推荐模块和知识图谱推荐模块；

19、所述内容推荐模块计算公式为：

20、

21、式中，ycbm为cbm模块用户对项目的偏好分数；z为用户潜在特征向量；ic为项目内容特征向量；wc和vc分别为权重矩阵；α和β分别为调节两个项重要性系数；σ为sigmoid激活函数；

22、所述协同过滤推荐模块计算公式为：

23、

24、式中，ycfm为cfm模块用户对项目的偏好分数；if为项目隐向量；wf和vf分别为权重矩阵；γ和δ分别为调节两个项重要性系数；

25、所述知识图谱推荐模块计算公式为：

26、

27、式中，ykgm为kgm模块用户对项目的偏好分数；ik为项目在知识图谱中的嵌入向量；wk和vk分别为权重矩阵；η和分别为调节两个项重要性系数；

28、用户偏好分数计算公式为：

29、y＝ycbm+ycfm+ykgm

30、式中，y为用户偏好分数。

31、可选地，所述计算奖励值，更新所述控制器参数并优化所述推荐器，输出推荐结果，具体包括：

32、推荐器的奖励值计算公式为：

33、

34、式中，r为推荐器的奖励值；rrating为评分部分的奖励值；rclick为点击部分的奖励值；λ和μ为调节两部分重要性的系数；n为用户评分的项目数；m为用户点击的项目数；si为用户对第i个评分项目的评分；为用户对所有评分项目的平均评分；yj为推荐器对第j个点击项目的偏好分数；

35、动态选择推荐项目、推荐内容和推荐时机，输出推荐结果，具体包括：

36、所述推荐项目计算公式为：

37、

38、

39、式中，at为在时间步t选择的项目；a为所有项目的集合；为项目a的平均奖励；na为项目a被选择的次数；lnt为自然对数；t为总时间步；ra(t)为在时间步t选择项目a的奖励；

40、所述推荐内容计算公式为：

41、

42、式中，g为生成器，以随机向量v为输入，生成推荐内容x为输出；d为判别器，以推荐内容x为输入，输出概率值，表示x是真实的还是生成的；pdata(x)为真实推荐内容的分布；pv(v)为随机向量的分布；v(d，g)为价值函数，表示判别器和生成器的目标函数；

43、所述推荐时机计算公式为：

44、act＝πθ(s)＝softmax(fθ(s))

45、式中，πθ(s)为策略函数，以用户的状态s为输入，输出一个动作act的概率分布；θ为深度神经网络的参数；fθ为可学习函数，全连接层或者卷积层；softmax为归一化函数。

46、可选地，所述设计隐私保护机制将所述推荐结果进行保护，具体包括：

47、隐私保护机制公式为：

48、pr[mpd(da)＝x]≤e∈pr[mpd(da′)＝x]

49、式中，mpd为数据处理的机制；da和da′为两个相邻的数据集；x为推荐结果；pr[mpd(da)＝x]和pr[mpd(da′)＝x]分别为mpd在数据集da和da′得到输出x的概率；∈为调节参数，表示隐私保护程度；

50、∈参数调节公式为：

51、

52、式中，和ι为调节权重；sd为数据的敏感性，表示数据被泄露的风险；id为数据的重要性，表示数据对推荐效果的影响。

53、本发明还提供基于模块化神经网络的动态推荐系统，所述系统包括：

54、用户数据采集模块，用于采集用户数据；所述用户数据包括行为、图像和音频；

55、用户特征生成模块，用于对所述用户数据进行多模态处理，得到用户潜在特征向量：

56、用户偏好计算模块，学习控制器并生成推荐器，计算用户偏好分数；

57、推荐结果输出模块，用于计算奖励值，更新所述控制器参数并优化所述推荐器，输出推荐结果；

58、数据隐私保护模块，用于设计隐私保护机制将所述推荐结果进行保护。

59、可选地，所述用户特征生成模块，具体包括：

60、神经网络构建子模块，用于构建多模态深度神经网络；所述多模态深度神经网络包括卷积神经网络、循环神经网络和多层感知器；

61、特征向量生成子模块，用于使用所述卷积神经网络处理所述图像，得到图像特征；使用所述循环神经网络处理所述音频，得到音频特征；使用所述多层感知器处理所述行为，得到行为特征；将所述图像特征、所述音频特征和所述行为特征进行拼接，得到用户特征向量；

62、潜在特征表示子模块，用于将所述用户特征向量输入到注意力自编码器中进行特征表示，得到用户潜在特征向量，具体包括：

63、ei＝f(hi，q)

64、

65、

66、z＝fφ(uweighted)＝sigmoid(weuweighted+be)

67、式中，ei为第i个模态特征向量的注意力得分；ej为第j个模态特征向量的注意力得分；hi为第i个模态特征向量；q为推荐任务查询向量；f为函数；αi为第i个模态特征向量权重；uweighted为加权用户特征向量；n为模态数量；z为用户潜在特征向量；φ为编码器参数；we和be分别为权重和偏置项。

68、可选地，所述用户偏好计算模块，具体包括：

69、推荐器生成子模块，用于使用元学习算法学习控制器，生成神经网络结构作为推荐器；所述推荐器包括内容推荐单元、协同过滤推荐单元和知识图谱推荐单元；

70、所述内容推荐单元计算公式为：

71、

72、式中，ycbm为cbm模块用户对项目的偏好分数；z为用户潜在特征向量；ic为项目内容特征向量；wc和vc分别为权重矩阵；α和β分别为调节两个项重要性系数；σ为sigmoid激活函数；

73、所述协同过滤推荐单元计算公式为：

74、

75、式中，ycfm为cfm模块用户对项目的偏好分数；if为项目隐向量；wf和vf分别为权重矩阵；γ和δ分别为调节两个项重要性系数；

76、所述知识图谱推荐单元计算公式为：

77、

78、式中，ykgm为kgm模块用户对项目的偏好分数；ik为项目在知识图谱中的嵌入向量；wk和vk分别为权重矩阵；η和分别为调节两个项重要性系数；

79、用户偏好分数计算公式为：

80、y＝ycbm+ycfm+ykgm

81、式中，y为用户偏好分数。

82、可选地，所述推荐结果输出模块，具体包括：

83、奖励值计算子模块，推荐器的奖励值计算公式为：

84、

85、式中，r为推荐器的奖励值；rrating为评分部分的奖励值；rclick为点击部分的奖励值；λ和μ为调节两部分重要性的系数；n为用户评分的项目数；m为用户点击的项目数；si为用户对第i个评分项目的评分；为用户对所有评分项目的平均评分；yj为推荐器对第j个点击项目的偏好分数；

86、动态推荐子模块，动态选择推荐项目、推荐内容和推荐时机，输出推荐结果，具体包括：

87、所述推荐项目计算公式为：

88、

89、

90、式中，at为在时间步t选择的项目；a为所有项目的集合；为项目a的平均奖励；na为项目a被选择的次数；lnt为自然对数；t为总时间步；ra(t)为在时间步t选择项目a的奖励；

91、所述推荐内容计算公式为：

92、

93、式中，g为生成器，以随机向量v为输入，生成推荐内容x为输出；d为判别器，以推荐内容x为输入，输出概率值，表示x是真实的还是生成的；pdata(x)为真实推荐内容的分布；pv(v)为随机向量的分布；v(d，g)为价值函数，表示判别器和生成器的目标函数；

94、所述推荐时机计算公式为：

95、act＝πθ(s)＝softmax(fθ(s))

96、式中，πθ(s)为策略函数，以用户的状态s为输入，输出一个动作act的概率分布；θ为深度神经网络的参数；fθ为可学习函数，全连接层或者卷积层；softmax为归一化函数。

97、可选地，所述数据隐私保护模块，具体包括：

98、隐私保护机制公式为：

99、pr[mpd(da)＝x]≤e∈pr[mpd(da′)＝x]

100、式中，mpd为数据处理的机制；da和da′为两个相邻的数据集；x为推荐结果；pr[mpd(da)＝x]和pr[mpd(da′)＝x]分别为mpd在数据集da和da′得到输出x的概率；∈为调节参数，表示隐私保护程度；

101、∈参数调节公式为：

102、

103、式中，和ι为调节权重；sd为数据的敏感性，表示数据被泄露的风险；id为数据的重要性，表示数据对推荐效果的影响。

104、本发明与现有技术相比，具有以下有益效果：

105、本发明首先通过融合用户的行为、图像和音频等多种类型的数据，能够提供更为全面和精准的用户特征分析，强调多模态数据处理能力；其次利用元学习算法和注意力机制，能够适应用户偏好的实时变化，提供更加个性化的推荐，体现动态推荐适应性；然后融合内容推荐、协同过滤和知识图谱等多种推荐策略，使推荐结果更加丰富和准确，侧重综合推荐策略：最后通过设计的隐私保护机制，有效地保护用户数据和推荐结果的安全，降低数据泄露风险，起到隐私保护的作用。