基于上下文转换向量模型的推荐方法和系统技术方案

本发明专利技术公开一种基于上下文转换向量模型的推荐方法及系统，该推荐方法包括：步骤1，将上下文常用语义作用表示为一个上下文词典，将上下文表示为一个隐含向量表示，多个隐含向量表示形成隐含矩阵表示，隐含矩阵表示配合对应的权重向量生成特定属性的隐含向量表示；步骤2，基于步骤1中词典生成上下文度量转换子；步骤3，由步骤2中矩阵和用户、产品的隐含向量表示生成对应于特定环境的用户隐含向量表示和产品隐含向量表示；步骤4，由步骤3中的向量计算出预测值。本发明专利技术引入用户隐含向量表示、产品隐含向量表示、上下文集合的隐含矩阵表示，去除了原始向量空间中的一些“噪音”，获得比其他现有模型的预测更准确的效果。

【技术实现步骤摘要】

本专利技术涉及信息设别
，更具体地涉及一种基于上下文转换向量模型 (Contextual to Vector，简称 Context2vec)的推荐方法和系统。
技术介绍
随着互联网可获取信息的快速增长，信息过载一直为用户所诟病。推荐系统可以 帮助用户快速而准确的得到所想要的信息。系统收集信息能力的剧增使得推荐系统中大量 的上下文信息被收集到。现实世界中的上下文信息包括时间、地点、天气等等，这些上下文 信息会对用户的习惯产生巨大的影响。 近年来，矩阵分解方法在推荐系统中得到了比较广泛的应用。矩阵分解对每个用 户和产品学习一个相应的特征向量，来分别表征用户偏好和产品属性，然后利用学习到的 特征向量进行产品推荐。但是传统矩阵分解方法只考虑了对历史评分信息进行分析，并未 挖掘文本内容相关的信息，因此学习到的特征向量可解释性较差。
技术实现思路
为了解决现有技术中存在的问题，本专利技术的主要目的之一在于提供一种基于上下 文转换向量模型的推荐系统，该上下文转换向量模型通过上下文词典的演变和操作，使得 代表用户和产品的隐含向量表示随着上下文集合的改变而改变，从而能够准确地得到预测 值。 为了实现上述目的，作为本专利技术的一个方面，本专利技术提出了一种基于上下文转换 向量模型的推荐方法，包括以下步骤： 步骤S1，将上下文常用语义作用表示为一个上下文词典，将上下文表示为一个隐 含向量表不，多个隐含向量表不形成隐含矩阵表不，隐含矩阵表不配合对应的权重向量生 成特定属性的隐含向量表示； 步骤S2,基于步骤S1中上下文词典和特定属性的隐含向量表示，生成上下文度量 转换子； 步骤S3,通过步骤S2中得到的所述上下文度量转换子与步骤S1中的所述隐含矩 阵及用户和产品的隐含向量表示，生成对应于特定环境的隐含向量表示； 步骤S4,根据步骤S3中得到的所述隐含向量表示来计算出预测值，基于所述预测 值进行推荐。 其中，所述步骤S1包括：将上下文常用语义作用表示为一个上下文词典 ，将上下文Cm, k表示为一个隐含向量表示hk，对应于不同上下文{Cl,k，...， Cn,k}的 多个隐含向量表示形成上下文集合隐含矩阵表示Hk，隐含矩阵表示配合对 应的权重向量wk生成特定属性的隐含向量表示ak，其中k表示三种环境属性Qj，Cv，CI; 其中，所述上下文常用语义作用分为用户U、对象V两种，基于两种上下文常用语 义作用种类，上下文词典、权重向量、特定属性的隐含向量表示均分为用户、产品两类；基于 三种属性：用户属性Cu、产品属性Cv、用户产品交互属性Q，上下文词典、权重向量、特定属 性的隐含向量表示均分为用户、产品、用户产品交互三类。 其中，所述步骤S2包括：基于S1中上下文词典【主权项】1. 一种基于上下文转换向量模型的推荐方法，包括以下步骤： 步骤S1，将上下文常用语义作用表示为一个上下文词典，将上下文表示为一个隐含向 量表示，多个隐含向量表示形成隐含矩阵表示，隐含矩阵表示配合对应的权重向量生成特 定属性的隐含向量表示； 步骤S2,基于步骤S1中上下文词典和特定属性的隐含向量表示，生成上下文度量转换 子； 步骤S3,通过步骤S2中得到的所述上下文度量转换子与步骤S1中的所述隐含矩阵及 用户和产品的隐含向量表示，生成对应于特定环境的隐含向量表示； 步骤S4,根据步骤S3中得到的所述隐含向量表示来计算出预测值，基于所述预测值进 行推荐。2. 根据权利要求1所述的基于上下文转换向量模型的推荐方法，其中所述步骤S1包 括：将上下文常用语义作用表示为一个上下文词典拉，将上下文k表示为一个隐 含向量表不hk，对应于不同上下文{cu，…，cn,k}的多个隐含向量表不形 成上下文集合隐含矩阵表示Hk，隐含矩阵表示配合对应的权重向量wk生成特定属性的隐含 向量表不ak，其中k表不三种环境属性Qj，Cv，CI; 其中，所述上下文常用语义作用分为用户U、对象V两种，基于两种上下文常用语义作 用种类，上下文词典、权重向量、特定属性的隐含向量表示均分为用户、产品两类；基于三种 属性：用户属性Cu、产品属性Cv、用户产品交互属性Q，上下文词典、权重向量、特定属性的 隐含向量表示均分为用户、产品、用户产品交互三类。3. 根据权利要求1所述的基于上下文转换向量模型的推荐方法，其中所述步骤S2 包括:基于si中上下文词典和特定属性的隐含向量表示 為V,.，生成上下文度量转换子 其中为基于用户属性的用户上下文度量转换子为基于产品属性的用户上 下文度量转换子、为基于用户产品交互属性的用户上下文度量转换子、Mr.,"为基于 用户属性的产品上下文度量转换子、为基于产品属性的产品上下文度量转换子，以及 为基于用户产品交互属性的产品上下文度量转换子；所述用户和产品的各三种上下 文度量转换子相加得到用户上下文度量转换子M",。、产品上下文度量转换子Mv,。，具体计算 过程如下： 1，其中cl。=ifk为n维向量，向量中的元素表 示权重，计算结果如下：CN104809107AT乂 們 女小 巾 2/4 页〇4. 根据权利要求1所述的基于上下文转换向量模型的推荐方法，其中所述步骤S3包 括： 基于步骤S2中得到的所述用户上下文度量转换子馬，。产品上下文度量转换子Mv，。及 用户和产品的隐含向量表示u，V生成对应于特定环境的用户隐含向量表示u。=MU,。11，以及 对应于特定环境的产品隐含向量表示￥。=Mv>c;v，计算公式如下：5. 根据权利要求1所述的基于上下文转换向量模型的推荐方法，其中所述步骤S4包 括： 根据步骤S3中得到的所述特定环境的用户隐含向量表示、特定环境的产品隐含向量 表示计算出预测值，具体计算公式如下：36. -种基于上下文转换向量模型的推荐系统，包括： 将上下文常用语义作用表示为一个上下文词典，将上下文表示为一个隐含向量表示， 多个隐含向量表示形成隐含矩阵表示，隐含矩阵表示配合对应的权重向量生成特定属性的 隐含向量表示的第一装置； 基于上下文词典和特定属性的隐含向量表示，生成上下文度量转换子的第二装置； 通过所述上下文度量转换子与所述隐含矩阵及用户和产品的隐含向量表示，生成对应 于特定环境的隐含向量表示的第三装置； 根据所述隐含向量表示来计算出预测值的第四装置。7. 根据权利要求6所述的基于上下文转换向量模型的推荐系统，其中所述第一装置执 行以下步骤： 将上下文常用语义作用表示为一个上下文词典，将上下文Cmk表示为一个隐 含向量表不hk，对应于不同上下文{cu，…，cn,k}的多个隐含向量表不形 成上下文集合隐含矩阵表示Hk，隐含矩阵表示配合对应的权重向量wk生成特定属性的隐含 向量表不ak，其中k表不三种环境属性Qj，Cv，CI; 其中，所述上下文常用语义作用分为用户U、对象V两种，基于两种上下文常用语义作 用种类，上下文词典、权重向量、特定属性的隐含向量表示均分为用户、产品两类；基于三种 属性：用户属性C"、产品属性Cv、用户产品交互属性Q，上下文词典、权重向量、特定属性的 隐含向量表示均分为用户、产品、用户产品交互三类。8. 根据权利要求6所述的基于上下文转换向量模型的推荐系统，其中所述第二装置执 行以下步骤： 本文档来自技高网...

【技术保护点】
一种基于上下文转换向量模型的推荐方法，包括以下步骤：步骤S1，将上下文常用语义作用表示为一个上下文词典，将上下文表示为一个隐含向量表示，多个隐含向量表示形成隐含矩阵表示，隐含矩阵表示配合对应的权重向量生成特定属性的隐含向量表示；步骤S2，基于步骤S1中上下文词典和特定属性的隐含向量表示，生成上下文度量转换子；步骤S3，通过步骤S2中得到的所述上下文度量转换子与步骤S1中的所述隐含矩阵及用户和产品的隐含向量表示，生成对应于特定环境的隐含向量表示；步骤S4，根据步骤S3中得到的所述隐含向量表示来计算出预测值，基于所述预测值进行推荐。

【技术特征摘要】

【专利技术属性】
技术研发人员：王亮，谭铁牛，吴书，刘强，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11