【技术实现步骤摘要】
一种基于异构信息网络的个性化推荐方法
本专利技术涉及一种基于异构信息网络的个性化推荐方法,属于计算机软件
技术介绍
随着网络的迅速发展,网上的信息量大幅增长。如何在大量信息中准确获得对用户真正有用的那部分信息成为了一个重要的问题。推荐系统是一个非常有潜力的解决办法,它可以根据用户的信息需求、兴趣等,将用户感兴趣的信息、产品等推荐给用户。在推荐系统中,为了更加全面的获取多样化的信息,考虑到异构信息网络可以包含多类型的实体和关系,基于异构信息网络的推荐方法得到了越来越广泛的研究。现有的基于异构信息网络的推荐方法大致可分为两大类:基于元路径的推荐方法和基于元图的推荐方法。基于元路径的推荐方法通常是预定义一个元路径集合来生成实体之间的语义相关性,然后把他们看作潜在特征来进行推荐。例如,中国专利(公开号:CN103955535A)通过不同的元路径获取不同的语义信息,并利用基于异步双向随机游走的相关性计算方法来计算不同元路径下用户与物品之间的相关性,进而向用户推荐其可能感兴趣的物品。基于元图的推荐方法通过元图来生成两个实体之间复杂的相关性并能够捕捉到他们之间的复杂语义。例如,中国专利(公开号:CN103955535A)将异构信息网络划分为不同元图,利用各元图获取用户和物品的相似性矩阵,然后对相似性矩阵进行融合并构造评分方程。根据已知评分的样本对评分方程进行训练,从而预测用户对物品的评分并将评分符合预设条件的物品推荐给用户。该方法能有效解决现有技术使用元路径分析用户和物品相似性语义覆盖不全面的问题,充分考虑特征之间的关联性,从而为用户推荐有用的物品。由于基于元 ...
【技术保护点】
1.一种基于异构信息网络的个性化推荐方法,其步骤包括:1)将用户对物品的评分数据集分为训练集和测试集;其中,评分数据集中的每一条评分记录包含用户对物品的喜好程度打分;构建评分预测架构,其包括特征提取器、基于注意力的特征增强模块和基于分层次特征交互的评分预测模块;其中,特征提取器用于生成用户的表示向量、物品的表示向量以及提取元图上用户和物品的潜在特征;基于注意力的特征增强模块包含用户注意力网络和物品注意力网络,用户注意力网络用于对用户的潜在特征的重要性进行区分;物品注意力网络用于对物品的潜在特征的重要性进行区分;基于分层次特征交互的评分预测模块用于特征相关性挖掘,包括用户各加权潜在特征之间的内在联系,物品各加权潜在特征之间的内在联系,用户与其加权潜在特征之间的相关性,物品与其加权潜在特征之间的相关性,以及用户和物品之间的特征交互关系;2)将训练集中用户对物品的评分记录输入到特征提取器中,得到用户的表示向量、物品的表示向量并提取元图上用户和物品的潜在特征;然后将不同潜在特征输入到基于注意力的特征增强模块,学习得到各潜在特征的权值,将权值与潜在特征进行点乘操作,得到加权潜在特征;然后将加权潜 ...
【技术特征摘要】
1.一种基于异构信息网络的个性化推荐方法,其步骤包括:1)将用户对物品的评分数据集分为训练集和测试集;其中,评分数据集中的每一条评分记录包含用户对物品的喜好程度打分;构建评分预测架构,其包括特征提取器、基于注意力的特征增强模块和基于分层次特征交互的评分预测模块;其中,特征提取器用于生成用户的表示向量、物品的表示向量以及提取元图上用户和物品的潜在特征;基于注意力的特征增强模块包含用户注意力网络和物品注意力网络,用户注意力网络用于对用户的潜在特征的重要性进行区分;物品注意力网络用于对物品的潜在特征的重要性进行区分;基于分层次特征交互的评分预测模块用于特征相关性挖掘,包括用户各加权潜在特征之间的内在联系,物品各加权潜在特征之间的内在联系,用户与其加权潜在特征之间的相关性,物品与其加权潜在特征之间的相关性,以及用户和物品之间的特征交互关系;2)将训练集中用户对物品的评分记录输入到特征提取器中,得到用户的表示向量、物品的表示向量并提取元图上用户和物品的潜在特征;然后将不同潜在特征输入到基于注意力的特征增强模块,学习得到各潜在特征的权值,将权值与潜在特征进行点乘操作,得到加权潜在特征;然后将加权潜在特征、用户的表示向量以及物品的表示向量输入基于分层次特征交互的评分预测模块进行评分预测,然后根据预测值与真实值之间的误差更新网络参数,直到评分预测模型收敛且在测试集上的效果达到最优;3)将测试集中用户的ID和待评分物品的ID输入到步骤2)训练得到的评分预测模型中,得到各用户对每一待评分物品的预测评分值,然后根据预测评分值为用户推荐物品。2.如权利要求1所述的方法,其特征在于,通过查表操作生成用户的表示向量和物品的表示向量;基于元图的用户-物品相似度矩阵计算和矩阵因子分解得到用户的潜在特征和物品的潜在特征;其中,用户-物品相似度矩阵U表示用户,R表示用户对物品的评论,I表示物品,K表示评论中所提及的关键词,WUR表示用户和评论之间的邻接矩阵,WRI表示评论和物品之间的邻接矩阵,WRK表示评论和关键词之间的邻接矩阵,WUI表示用户和物品之间的邻接矩阵,⊙是两个矩阵间的点乘运算符;通过公式对用户-物品相似矩阵S进行因子分解分别获得用户的潜在特征U和物品的潜在特征I;其中,λu和λi为超参数。3.如权利要求1所述的方法,其特征在于,用户各加权潜在特征之间的内在联系为物品各加权潜在特征之间的内在联系为其中,C表示元图的个数,表示第i个元图上用户的加权潜在特征矩阵,表示第i个元图上物品的加权潜在特征矩阵。4.如权利要求1所述的方法,其特征在于,用户与其加权潜在特征之间的相关性为物品与其加权潜在特征之间的相关性为其中,X为用户的表示向量矩阵,Y为物品的表示向量矩阵,C表示元图的个数,表示第i个元图上用户的加权潜在特征矩阵,表示第i...
【专利技术属性】
技术研发人员:代飞飞,古晓艳,李波,张金超,钱明达,王伟平,
申请(专利权)人:中国科学院信息工程研究所,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。