时序感知的动态社交场景推荐方法技术

本发明专利技术公开了一种时序感知的动态社交场景推荐方法，包括：从用户历史消费行为和社交行为记录中获取用于分析的基本数据；根据基本数据建模用户时序消费行为与时序社交行为，从而利用获得的动态用户个人偏好与动态社交背景信息还原历史消费行为中用户的决策过程，再结合用户的决策函数估计商品的相对排序，并实现用户决策函数中相关参数的训练；对于新的商品，基于完成参数训练的决策函数，计算用户对于每个商品的偏好得分，进而通过稳定匹配的方式预测用户选择的结果并进行推荐。上述方法，既可以实现对于用户的精准画像，又可以提升对于用户决策分析乃至商品推荐的性能，实现一举多得的效果。

Dynamic social scene recommendation based on temporal awareness

The invention discloses a time sequence aware dynamic social scene recommendation method, which includes: obtaining basic data for analysis from the user's historical consumption behavior and social behavior records; modeling user's time sequence consumption behavior and time sequence social behavior according to the basic data, so as to restore the user's information in the historical consumption behavior by using the obtained dynamic user's personal preference and dynamic social background information In the decision-making process, the relative ordering of goods is estimated by combining the user's decision-making function, and the training of relevant parameters in the user's decision-making function is realized. For new goods, based on the decision-making function of completing parameter training, the user's preference score for each product is calculated, and then the result of user selection is predicted and recommended by the way of stable matching. The above method can not only achieve the accurate portrait of users, but also improve the performance of user decision analysis and product recommendation, and achieve the effect of one stroke and more.

【技术实现步骤摘要】
时序感知的动态社交场景推荐方法
本专利技术涉及深度学习和推荐系统领域，尤其涉及一种时序感知的动态社交场景推荐方法。
技术介绍
推荐系统是一种信息过滤系统，旨在通过电商平台上的用户行为数据分析其偏好并进行信息筛选，从而为用户提供个性化推荐服务。目前，推荐系统已广泛应用于各个行业，可推荐的对象包括电影、书籍、音乐、新闻等各种各样丰富的商品和服务。近年来，随着社交平台的发展和社交元素与新兴商业应用的结合，用户之间的社交行为成为推荐产品的重要依据，表现为用户在平台上的选择受到其社交关系的影响。因此，在设计推荐算法时，将社交影响因素加以考虑能够有效提升推荐效果。在目前的研究工作和专利中，还未发现有结合动态社交影响力与用户序列行为对用户进行推荐的研究，尤其是将动态社交影响纳入时间序列的范畴加以表征建模的研究。
技术实现思路
本专利技术的目的是提供一种时序感知的动态社交场景推荐方法，通过建模用户的时序消费行为与时序社交行为，从而更加真实地捕捉社交信息对用户消费选择的动态影响，并还原用户在消费过程中的偏好动态变化过程，同时解决用户偏好预测与商品推荐任务并提升推荐效果。本专利技术的目的是通过以下技术方案实现的：一种时序感知的动态社交场景推荐方法，包括：从用户历史消费行为和社交行为记录中获取用于分析的基本数据；根据基本数据建模用户时序消费行为与时序社交行为，从而利用获得的动态用户个人偏好与动态社交背景信息还原历史消费行为中用户的决策过程，再结合用户的决策函数估计商品的相对排序，并实现用户决策函数中相关参数的训练；对于新的商品，基于完成参数训练的决策函数，计算用户对于每个商品的偏好得分，进而通过稳定匹配的方式预测用户选择的结果并进行推荐。由上述本专利技术提供的技术方案可以看出，通过对用户时序消费行为建模，可以更为真实地还原用户在消费时的决策变化过程，同时通过动态地建模用户社交行为，可以捕获社交信息对用户消费选择的影响，从而既可以实现对于用户的精准画像，又可以提升对于社交影响力分析乃至商品推荐的性能，实现一举多得的效果。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。图1为本专利技术实施例提供的一种时序感知的动态社交场景推荐算法的流程图；图2为本专利技术实施例提供的面向图结构信息与时序信息的注意力机制建模示意图。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。图1为本专利技术实施例提供的一种时序感知的动态社交场景推荐算法的流程图，如图1所示，其主要包括如下步骤：步骤1、从用户历史消费行为和社交行为记录中获取用于分析的基本数据。步骤2、根据基本数据建模用户时序消费行为与时序社交行为，从而利用获得的动态用户个人偏好与动态社交背景信息还原历史消费行为中用户的决策过程，再结合用户的决策函数估计商品的相对排序，并实现用户决策函数中相关参数的训练；步骤3、对于新的商品，基于完成参数训练的决策函数，计算用户对于每个商品的评分，进而通过稳定匹配的方式预测用户选择的结果并进行推荐。本专利技术实施例上述方案中，通过对用户时序消费行为建模，可以更为真实地还原用户在消费时的决策变化过程，同时通过动态建模用户社交行为，捕获社交信息对用户消费选择的影响，从而既可以实现对于用户的精准画像，又可以提升对于社交影响力分析乃至商品推荐的性能，实现一举多得的效果。为了便于理解，下面针对上述三个步骤的优选实施方式进行介绍。1、基本数据的收集、筛选及预处理。本步骤主要分为如下两个阶段，各阶段优选实施方式如下：1)基本数据的收集本专利技术实施例中，所述基本数据至少包括历史用户消费行为信息及用户社交行为信息。其中，历史消费行为信息至少包括：用户身份标识、商品身份标识、用户对商品的行为、以及行为发生所对应的时间戳。历史社交行为信息至少包括：用户身份标识、用户之间的行为、以及行为发生所对应的时间戳。2)数据预处理。由于需要对用户序列性的行为进行建模，以动态地预测用户偏好，因此，首先根据时间戳划分出多个时间段，以指定时间间隔作为一个时间窗，用户的消费行为数据与社交行为数据时间窗口划分方式相同。旨在预测用户的未来决策，因此，可以将最后一个时间窗内的数据将作为测试集，其余时间窗的数据作为训练集。用户对商品的行为以二值形式表示是否有交互行为，同样，用户的社交行为以二值形式表示是否有社交关系。为确保每一个用户都有测试的数据，在数据筛选过程，将时间窗数目少于设定值的用户的基本数据剔除。示例性的，可以设置一个月为时间窗口长度，设定值可以2。当然，在具体应用时，合适的时间窗口、以及设定值的具体数值可根据数据的实际情况加以调节。2、模型训练与参数估计。本步骤主要分为六个阶段，各阶段优选实施方式如下：1)参数初始化。参数初始化是指对用户对商品的评价因素进行参数初始化，所涉及的评价因素也即决策函数中的相关参数。对于用户u而言，其对商品的评价因素包括：商品v的表示向量qv与用户u受到社交影响的个人偏好向量用户偏好向量包含两部分：动态用户个人偏好以及用户的动态社交背景信息则用户u对于商品v的决策函数表示为：其中，表示用户u对商品v的评分，评分大小决定排序列表中相应商品的位置；dot(.)表示向量内积；各评价因素初始化方式如下：商品的表示向量qv以小数值的均匀分布初始化，用户的u初始个人偏好向量以零向量进行初始化，在计算用户的社交背景向量时，需要初始化的有：好友u′所对应的时间向量和用户u的初始特征向量每个时间窗对应的时间向量采用随机初始化并通过查表获得用户初始特征的初始化是u在t时段内消费的商品的向量的池化。2)动态用户偏好预测。动态用户偏好建模，是利用循环神经网络结合基本数据中的历史用户消费行为信息，建模用户时序消费行为，获得动态用户个人偏好。本专利技术实施例中，通过对用户的历史消费行为进行建模，并预测每个时间窗口内的用户偏好。用户u在t时间窗内的偏好向量为用户偏好的获得取决于两部分：用户当前的输入特征和用户前一时间窗内的偏好向量即用户过去的偏好对其当前的偏好有影响；输入特征的计算来自用户在t时段消费的商品向量的聚合；将用户初始偏好向量和特征序列输入到循环神经网络(RNN)，循环神经网络输出用户u在各个时间段内的偏好向量序列其中，t＝1,2,...,T，T表示时间窗总数。3)动态社交信息提取。动态用户偏好预测，利用注意力本文档来自技高网...

【技术保护点】
1.一种时序感知的动态社交场景推荐方法，其特征在于，包括：/n从用户历史消费行为和社交行为记录中获取用于分析的基本数据；/n根据基本数据建模用户时序消费行为与时序社交行为，从而利用获得的动态用户个人偏好与动态社交背景信息还原历史消费行为中用户的决策过程，再结合用户的决策函数估计商品的相对排序，并实现用户决策函数中相关参数的训练；/n对于新的商品，基于完成参数训练的决策函数，计算用户对于每个商品的偏好得分，进而通过稳定匹配的方式预测用户选择的结果并进行推荐。/n

【技术特征摘要】
1.一种时序感知的动态社交场景推荐方法，其特征在于，包括：
从用户历史消费行为和社交行为记录中获取用于分析的基本数据；
根据基本数据建模用户时序消费行为与时序社交行为，从而利用获得的动态用户个人偏好与动态社交背景信息还原历史消费行为中用户的决策过程，再结合用户的决策函数估计商品的相对排序，并实现用户决策函数中相关参数的训练；
对于新的商品，基于完成参数训练的决策函数，计算用户对于每个商品的偏好得分，进而通过稳定匹配的方式预测用户选择的结果并进行推荐。


2.根据权利要求1所述的一种时序感知的动态社交场景推荐方法，其特征在于，所述基本数据至少包括：历史用户消费行为信息及用户社交行为信息；
其中，历史消费行为信息至少包括：用户身份标识、商品身份标识、用户对商品的行为、以及行为发生所对应的时间戳。
历史社交行为信息至少包括：用户身份标识、用户之间的行为、以及行为发生所对应的时间戳。


3.根据权利要求1或2所述的一种时序感知的动态社交场景推荐方法，其特征在于，该方法还包括：
对获得的基本数据进行数据筛选，数据筛选时根据时间戳划分出多个时间段，以指定时间间隔作为一个时间窗，进行数据划分，将时间窗数目少于设定值的用户的基本数据剔除。


4.根据权利要求1所述的一种时序感知的动态社交场景推荐方法，其特征在于，所述根据基本数据建模用户时序消费行为与时序社交行为，从而利用获得的动态用户个人偏好与动态社交背景信息还原历史消费行为中用户的决策过程，再结合用户的决策函数估计商品的相对排序，并实现用户决策函数中相关参数的训练包括：
参数初始化：对用户对商品的评价因素进行参数初始化，所涉及的评价因素也即决策函数中的相关参数；
动态用户偏好预测：利用循环神经网络结合基本数据中的历史用户消费行为信息，建模用户时序消费行为，获得动态用户个人偏好；
动态社交信息提取：利用注意力机制结合基本数据中的用户社交行为信息，建模用户的时序社交行为，获得动态社交背景信息；
计算目标函数：通过结合动态用户个人偏好与动态社交背景信息，还原历史消费行为中用户的决策过程，从而计算相应目标函数；
参数迭代更新：利用目标函数更新用户的决策函数中相关参数；
生成商品排序列表：利用参数迭代优化结果，结合决策函数更新用户对于商品的完整排序列表，并进行循环优化，直至商品对于用户的完整排序列表不再改变。


5.根据权利要求4所述的一种时序感知的动态社交场景推荐方法，其特征在于，
对于用户u而言，其对商品的评价因素包括：商品v的表示向量qv与用户u受到社交影响的个人偏好向量用户偏好向量包含两部分：动态用户个人偏好以及用户的动态社交背景信息则用户u对于商品v的决策函数表示为：其中，表示用户u对商品v的评分，评分大小决定排序列表中相应商品的位置；dot(.)表示向量内积；
各评价因素初始化方式如下：
商品的表示向量qv以小数值的均匀分布初始化，用户的u初始个人偏好向量以零向量进行初始化，在计算用户的社交背景向量时，需要初始化的有：好友u′所对应的时间向量和用户u的初始特征向量每个时间窗对应的时间向量采用随机初始化并通过查表获得用户初始特征的初始化是u在t时段内消费的商品的向量的池化。


6.根据权利要求4或5所述的一种时序感知的动态社交场景推荐方法，其特征在于，动态用户偏好预测的方式包括：
用户u在t时间窗内的偏好向量为用户偏好的获得取决于两部分：用户当前的输入特征和用户前一时间窗内的偏好向量即用户过去的偏好对其当前的偏好有影响；输入特征的计算来自用户在t时段消费的商品向量的聚合；
将用户初始偏好向量和特征序列输入到循环神经网络，循环神经网络输出用户u在各个时间段内的偏好向量序列其中，t＝1,2,...，T，T表示时间窗总数。


7.根据权利要求4或5所述的一种时序感知的动态社交场景推荐方法，其特征在于，动态社...

【专利技术属性】
技术研发人员：徐童，陈恩红，刘阳，李徵，黄威，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34