[发明专利]基于会话的推荐方法及装置有效
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 | ||
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。
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。
- 上一篇:一种信号传输方法及网络设备
- 下一篇:基于系统及人员标签的权限管理方法