一种融合结构特征和隐式反馈的个性化推荐方法技术

本发明专利技术公开了一种融合结构特征和隐式反馈的个性化推荐方法。本发明专利技术运用知识库嵌入方法，从知识库中提取结构化知识的特征表示，然后将用户和项目之间的隐式反馈和知识库的结构嵌入整合到一起，通过协同学习的方式来来向每个用户推荐他感兴趣的项目的排序列表。本发明专利技术从而极大地提高推荐的准确性，具有广泛的商业应用价值。

A personalized recommendation method incorporating structural features and implicit feedback

The invention discloses a personalized recommendation method that combines structural features and implicit feedback. The invention uses the method of knowledge embedding, feature extraction of structured knowledge from the knowledge base, and then the structure of embedded implicit between the user and the project feedback and knowledge together, through collaborative learning mode and to each user to recommend items he is interested in the sorted list. The invention thus greatly improves the accuracy of the recommendation and has extensive commercial application value.

【技术实现步骤摘要】
一种融合结构特征和隐式反馈的个性化推荐方法
本专利技术属于计算机软件
，具体是一种融合结构特征和隐式反馈的个性化推荐方法。
技术介绍
随着物联网、电子商务和社会网络等技术的迅猛发展，网络空间中所蕴含的信息呈指数级增长，导致“信息过载”。在此背景下推荐系统应运而生，并且得到了学术界和工业界的广泛关注并加以应用，取得了许多相关的研究成果。推荐系统的核心是推荐算法，它通过挖掘用户与项目之间的二元关系，帮助用户从海量数据中便捷发现其感兴趣的对象(如信息、服务、物品等)，并生成个性化推荐列表以满足其兴趣偏好。目前，推荐系统主要应用于在线电子商务(如Netflix、Amazon、eBay、阿里巴巴、豆瓣等)，信息检索(如Google、Yahoo、百度等)等各个领域。在不同的推荐策略中，基于协同过滤的推荐方法通过利用用户的历史交互或偏好，已经取得重大成功。然而，用户和项目交互非常稀疏的时候，协同过滤的性能通常受到限制，这种情况在项目集非常大的在线购物网站是很普遍的。此外，协同过滤的方法也面临着“冷启动”问题的考验，例如对于系统中的新用户没有任何浏览或者购买记录，就无法刻画其特征，进而无法进行推荐物品匹配。有幸地是，结合协同过滤和诸如项目内容的辅助信息的混合推荐系统为这一问题的解决带来契机，这也是本专利技术专利的主要目的和手段。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种融合结构特征和隐式反馈的个性化推荐方法。本专利技术推荐效果好，且能实现个性化推荐。本专利技术基于推荐项目的结构特征和用户的隐式反馈，即运用知识库嵌入方法，从知识库中提取结构化知识的特征表示，然后将用户和项目之间的隐式反馈和知识库的结构嵌入整合到一起，通过协同学习的方式来向每个用户推荐他感兴趣的项目的排序列表，当给定任意用户i以及待推荐列表L(由待推荐候选产品组成)，推荐模型可以生成L的排序L*，L*应尽可能地将用户将要选择的产品排在其他产品前面。本专利技术解决其技术问题所采用的技术方案，其整体框架如图2所示。具体包括以下步骤：步骤1、使用逻辑乙型函数函数来计算成对三元组的排序概率，从而得到项目实体的结构嵌入向量vj，用结构嵌入向量来表示项目实体在知识库中的结构知识。知识库通常被表示为具有多种类型的实体和多种类型的链接的异构网络，这种异构网络表达了知识库中最重要的结构信息，也可以被看作是“结构知识”。对于这种结构知识，为了完成对个性化排序任务的贝叶斯建模方法，使用逻辑乙型函数函数来计算成对三元组的排序概率，而不是原来的基于边际的目标函数，从而将TransR拓展到BayesianTransR，通过BayesianTransR的方式计算概率σ(fr(vh,vt)-fr(vh,v′t))，从而得到项目实体的结构嵌入向量vj，用来表示项目实体在知识库中的结构知识。步骤2、对于每个推荐项目，从用户的“隐式反馈”行为(如历史购买记录)中推断排序的场景，具体如下：2-1.假设有m个用户和n个项目，定义用户隐式反馈矩阵为：Ri,j＝1表示用户i对与项目j有隐式反馈记录，例如，用户评价了一家店铺或者用户搜索了一家店铺。用户隐式反馈矩阵R中的1在隐式反馈中并不表示用户实际喜欢这个项目。同样，这里的0不代表用户不喜欢这个项目，却可以看作是负面反馈(用户对这些项目不敢兴趣)和潜在交互(用户不知道这些项目)的混合体。2-2.通过矩阵分解模型从定义的用户隐式反馈矩阵中得到项目的潜在偏移向量ηj～N(0,λII)和ui～N(0,λUI)。步骤3、通过BayesianPersonalizedRanking利用用户评分来优化用户对物品的排序。具体的：在用户隐式反馈矩阵R中，当Ri,j＝1，Ri,j′＝0时，则表示比起项目j′，用户i更加喜欢项目j，同时用p(j＞j′；i|θ)来表示用户偏好的概率，并结合项目在知识库中的结构嵌入表示和协同过滤中的潜在表示，重新定义项目的潜在向量表示为：ej＝ηj+vj所以，重新给出用户偏好的概率为：其中θ是模型参数，向量ui是在协同过滤中的用户潜在偏移向量，是逻辑乙型函数(logisticsigmoid)。步骤4、计算完整的后验概率；4-1.通过上述步骤得到要求的参数u、e、r和M，将最大化这些参数的后验概率转换成求解最大化对数似然函数的值，优化表达式如下：4-2.为了最大化上面表达式的函数值，采用随机梯度下降算法(SGD)来进行模型训练。在每次迭代中，对于随机抽样的三元组(i,j,j′)∈D，找到Sj,j′∈S满足Sj,j′中的每个四元组都包含项目j和项目j′。4-3.使用对应目标函数的梯度来对每个参数执行SGD更新。4-4.给出最终的推荐排序标准，对于用户i：经过以上步骤，本专利技术系统即完成了为一个输入用户从候选物品中推荐出最感兴趣的物品的工作，实现了借助用户隐式反馈和项目的结构特征来改进传统推荐方法来达到精准的个性化推荐目的。本专利技术相对于现有的推荐方法有着明显的优点，通过用户隐式反馈矩阵和项目的结构特征结合的方式，不仅可以有效地处理数据稀疏带来的问题，同时在充分考虑知识嵌入的异质性的基础上，利用项目在知识库中的结构特征来丰富项目的表达信息，从而进一步地提高推荐方法的性能。附图说明图1为本专利技术任务描述图；图2为本专利技术框架流程图。具体实施方式本专利技术基于推荐项目的结构特征和用户的隐式反馈，即运用知识库嵌入方法，从知识库中提取结构化知识的特征表示，然后将用户和项目之间的隐式反馈和知识库的结构嵌入整合到一起，通过协同学习的方式来向每个用户推荐他感兴趣的项目的排序列表，具体如图1所示，左侧的矩阵表示用户-项目的历史选择集合，其中，阴影代表观察到的用户选择行为，白色代表用户尚未选择该产品。当给定任意用户i以及待推荐列表L(由待推荐候选产品组成)，推荐模型可以生成L的排序L*，L*应尽可能地将用户将要选择的产品排在其他产品前面。本专利技术其整体框架如图2所示。具体包括以下步骤：步骤1、使用逻辑乙型函数函数来计算成对三元组的排序概率，从而得到项目实体的结构嵌入向量vj，用结构嵌入向量来表示项目实体在知识库中的结构知识。知识库通常被表示为具有多种类型的实体和多种类型的链接的异构网络，这种异构网络表达了知识库中最重要的结构信息，也可以被看作是“结构知识”。对于这种结构知识，为了完成对个性化排序任务的贝叶斯建模方法，使用逻辑乙型函数函数来计算成对三元组的排序概率，而不是原来的基于边际的目标函数，从而将TransR拓展到BayesianTransR，通过BayesianTransR的方式计算概率σ(fr(vh,vt)-fr(vh,v′t))，从而得到项目实体的结构嵌入向量vj，用来表示项目实体在知识库中的结构知识。步骤2、对于每个推荐项目，从用户的“隐式反馈”行为(如历史购买记录)中推断排序的场景，具体如下：2-1.假设有m个用户和n个项目，定义用户隐式反馈矩阵为：Ri,j＝1表示用户i对与项目j有隐式反馈记录，例如，用户评价了一家店铺或者用户搜索了一家店铺。用户隐式反馈矩阵R中的1在隐式反馈中并不表示用户实际喜欢这个项目。同样，这里的0不代表用户不喜欢这个项目，却可以看作是负面反馈(用户对这些项目不敢兴趣)和潜在交互(用户不知道这些项目)的混合体。2-2.通过矩阵分本文档来自技高网...

【技术保护点】
一种融合结构特征和隐式反馈的个性化推荐方法，其特征在于包括以下步骤：步骤1、使用逻辑乙型函数函数来计算成对三元组的排序概率，从而得到项目实体的结构嵌入向量vj，用结构嵌入向量来表示项目实体在知识库中的结构知识；知识库通常被表示为具有多种类型的实体和多种类型的链接的异构网络，这种异构网络表达了知识库中最重要的结构信息，也被看作是“结构知识”；使用逻辑乙型函数函数来计算成对三元组的排序概率，将TransR拓展到Bayesian TransR，通过Bayesian TransR的方式计算概率σ(fr(vh,vt)‑fr(vh,v′t))，从而得到项目实体的结构嵌入向量vj，用来表示项目实体在知识库中的结构知识；步骤2、对于每个推荐项目，从用户的“隐式反馈”行为中推断排序的场景，具体如下：2‑1.假设有m个用户和n个项目，定义用户隐式反馈矩阵

【技术特征摘要】
1.一种融合结构特征和隐式反馈的个性化推荐方法，其特征在于包括以下步骤：步骤1、使用逻辑乙型函数函数来计算成对三元组的排序概率，从而得到项目实体的结构嵌入向量vj，用结构嵌入向量来表示项目实体在知识库中的结构知识；知识库通常被表示为具有多种类型的实体和多种类型的链接的异构网络，这种异构网络表达了知识库中最重要的结构信息，也被看作是“结构知识”；使用逻辑乙型函数函数来计算成对三元组的排序概率，将TransR拓展到BayesianTransR，通过BayesianTransR的方式计算概率σ(fr(vh,vt)-fr(vh,v′t))，从而得到项目实体的结构嵌入向量vj，用来表示项目实体在知识库中的结构知识；步骤2、对于每个推荐项目，从用户的“隐式反馈”行为中推断排序的场景，具体如下：2-1.假设有m个用户和n个项目，定义用户隐式反馈矩阵为：Ri,j＝1表示用户i对与项目j有隐式反馈记录，用户隐式反馈矩阵R中的1在隐式反馈中并不表示用户实际喜欢这个项目；同样，这里的0不代表用户不喜欢这个项目，却可能够看作是负面反馈和潜在交互的混合体；2-2.通过矩阵分解模型从定义的用户隐式反馈矩阵中得到项目的潜在偏移向量ηj～N(0,λII)和ui～N(0,λUI)；步骤3、通过BayesianPersonalizedRanking利用用户评分来优化用户对物品的排序；具体的：在用户隐式反馈矩阵R中，当Ri,j＝1，Ri,j′＝0时，则表示比起项目j′，用户i更加喜欢项目j，同时用p(j＞j′；i|θ)来表示用户偏好的概率，并结合项目在知识库中的结构嵌入表示和协同过滤中的潜在表示，重新定义项目的潜在向量表示为：ej＝ηj+vj所以，重新给出用户偏好的概率为：

【专利技术属性】
技术研发人员：王麒诚，龚泽鑫，厉紫阳，沈徐兰，冯卢梦，邢白夕，
申请(专利权)人：汉鼎宇佑互联网股份有限公司，
类型：发明
国别省市：浙江,33