[发明专利]基于会话的推荐方法及装置有效

专利信息
申请号: 202110533473.8 申请日: 2021-05-17
公开(公告)号: CN113222700B 公开(公告)日: 2023-04-18
发明(设计)人: 蔡飞;宋城宇;王祎童;潘志强;张鑫;王梦如;陈皖玉;陈洪辉 申请(专利权)人: 中国人民解放军国防科技大学
主分类号: G06Q30/0601 分类号: G06Q30/0601;G06F16/332
代理公司: 北京风雅颂专利代理有限公司 11403 代理人: 刘文博
地址: 410003 湖*** 国省代码: 湖南;43
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 会话 推荐 方法 装置
【权利要求书】:

1.基于会话的推荐方法,利用预先训练的推荐模型进行物品推荐,其特征在于,方法包括:

根据待预测的会话,构造有向会话图;其中,所述会话包括用户与系统交互的至少一个物品;

将所述有向会话图输入门控图神经网络,由所述门控图神经网络输出物品嵌入向量;

根据用户的当前偏好和第一长期偏好,确定用户的动态偏好;其中,所述当前偏好为所述会话中的最后一个物品的物品嵌入向量,所述第一长期偏好根据所述物品嵌入向量和物品的重要性分数确定;

根据所述动态偏好和所述物品嵌入向量,确定各物品的预测分数;

根据各物品的预测分数,输出推荐物品;

计算目标物品与物品集合中所有物品的相似度,得到由目标物品与所有物品的相似度构成的软标签向量;

对所有物品进行独热编码,得到独热编码表示的所有物品的硬标签向量;

根据所述软标签向量和硬标签向量,确定标签分布;其中,所述标签分布yc为:

yc=Soft max(ysoft+αyhard)                (6)

式中,α是标签权衡参数,用于调节软标签向量ysoft和硬标签向量yhard之间的权重;

根据所述预测分数和所述标签分布,确定第一损失函数Lmain,表示为:

式中,为物品vi的标签分布,为物品vi的预测分数,|V|是物品集合V中物品的数量;

计算所述会话与其他会话的相似度;

确定相似度最大的前M个邻居会话及剩余的非邻居会话;

根据所述会话、邻居会话、非邻居会话,分别计算各自的第二长期偏好;

根据所述会话、邻居会话、非邻居会话的第二长期偏好,确定第二损失函数;其中,所述第二损失函数为JS散度函数,最大化所述会话与所述邻居会话之间的关联,最小化所述会话与所述非邻居会话之间的关联;所述第二损失函数为:

式中,Si为与会话Sτ连接的邻居会话,为与会话Sτ未连接的非邻居会话;函数f(·,·)定义为:

式中,为会话Sp中用户的第二长期偏好,为的转置,σ是sigmoid函数;

根据所述第一损失函数和所述第二损失函数,得到用于联合训练推荐模型的损失函数L,利用损失函数L优化所述推荐模型;其中,损失函数L为:

L=Lmain+λLssl  (11)

式中,λ是损失权衡参数。

2.根据权利要求1所述的方法,其特征在于,所述第一长期偏好由动态读出函数确定,所述第二长期偏好由长期读出函数确定。

3.根据权利要求1所述的方法,其特征在于,所述物品的重要性分数由注意力机制产生。

4.基于会话的推荐装置,利用预先训练的推荐模型进行物品推荐,其特征在于,包括:

构造模块,用于根据待预测的会话,构造有向会话图;其中,所述会话包括用户与系统交互的至少一个物品;

物品表示模块,用于将所述有向会话图输入门控图神经网络,由所述门控图神经网络输出物品嵌入向量;

偏好确定模块,用于根据用户的当前偏好和第一长期偏好,确定用户的动态偏好;其中,所述当前偏好为所述会话中的最后一个物品的物品嵌入向量,所述第一长期偏好根据所述物品嵌入向量和物品的重要性分数确定;

预测模块,用于根据所述动态偏好和所述物品嵌入向量,确定各物品的预测分数;

推荐模块,用于根据各物品的预测分数,输出推荐物品;

第一计算模块,用于计算目标物品与物品集合中所有物品的相似度,得到由目标物品与所有物品的相似度构成的软标签向量;对所有物品进行独热编码,得到独热编码表示的所有物品的硬标签向量;根据所述软标签向量和硬标签向量,确定标签分布;其中,所述标签分布yc为:

yc=Soft max(ysoft+αyhard)                (6)

式中,α是标签权衡参数,用于调节软标签向量ysoft和硬标签向量yhard之间的权重;

第二计算模块,用于计算所述会话与其他会话的相似度;

邻居确定模块,用于确定相似度最大的前M个邻居会话及剩余的非邻居会话;

第二偏好确定模块,用于根据所述会话、邻居会话、非邻居会话,分别计算各自的第二长期偏好;

联合优化模块,用于根据所述预测分数和所述标签分布,确定第一损失函数;根据所述会话、邻居会话、非邻居会话的第二长期偏好,确定第二损失函数;以及根据所述第一损失函数和所述第二损失函数,优化所述推荐模型;其中,所述第二损失函数为JS散度函数,最大化所述会话与所述邻居会话之间的关联,最小化所述会话与所述非邻居会话之间的关联;所述第二损失函数为:

式中,Si为与会话Sτ连接的邻居会话,为与会话Sτ未连接的非邻居会话;函数f(·,·)定义为:

式中,为会话Sp中用户的第二长期偏好,为的转置,σ是sigmoid函数;

根据所述第一损失函数和所述第二损失函数,得到用于联合训练推荐模型的损失函数L,利用损失函数L优化所述推荐模型;其中,损失函数L为:

L=Lmain+λLssl  (11)

式中,λ是损失权衡参数。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国人民解放军国防科技大学,未经中国人民解放军国防科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110533473.8/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top