基于上下文感知及特征交互建模的个性化推荐方法及系统技术方案

本发明专利技术公开了一种基于上下文感知及特征交互建模的个性化推荐方法及系统，属于数据挖掘技术领域，本发明专利技术要解决的技术问题为如何根据用户在不同上下文环境下的偏好为用户进行推荐，提高推荐的准确性，采用的技术方案为：该方法是构建基于上下文感知特征交互的特征交互网络模型，具体如下：构建上下文特征信息属性模型；构建上下文特征信息‑用户/上下文特征信息‑物品交互模型；构建不同上下文特征信息对用户/物品的影响程度模型；构建上下文环境对用户/物品潜在特征信息的整体影响模型；构建特征交互网络预测模型。本发明专利技术还公开了基于上下文感知及特征交互建模的个性化推荐系统。

Personalized recommendation method and system based on context awareness and feature interaction modeling

【技术实现步骤摘要】
基于上下文感知及特征交互建模的个性化推荐方法及系统
本专利技术属于数据挖掘
，应用于网络的个性化推荐，具体地说是一种基于上下文感知及特征交互建模的个性化推荐方法及系统。
技术介绍
近年来，随着网络点餐等新兴技术的出现，餐饮业迎来了新的发展，然而在种类繁杂的食品环境下，用户常常难以选择准确的、符合自己口味的食物，因此对于当前的大多数点餐软件以及实体餐厅来说，如何根据用户的实际需求来推荐给用户满意的食物是重中之重。当前，常见的食品推荐系统往往只是关注了用户和物品自身特征，并没有考虑用户和物品所处的特殊上下文环境，因此无法观测到用户兴趣随上下文环境所发生的变化。针对上下文感知推荐系统这一较新的领域，相对传统的CARS方法可分为三类：上下文预过滤、上下文后过滤和上下文建模，这些传统的上下文感知推荐算法几乎没有考虑建立上下文与用户/物品的交互关系，而是使用上下文信息来驱动数据选择或数据构造，因此对推荐结果造成不好的影响。近年来，深度学习被应用于情境感知的推荐任务中，引起了广泛的关注,如引入上下文感知递归神经网络(CA-RNN)，该网络考虑了顺序建模本文档来自技高网...

【技术保护点】
1.基于上下文感知及特征交互建模的个性化推荐方法，其特征在于，该方法是构建基于上下文感知特征交互的特征交互网络模型，具体如下：/n构建上下文特征信息属性模型，根据不同数据集，选取用户/物品所处特定的上下文环境，根据上下文环境信息构建上下文特征信息向量；/n构建上下文特征信息-用户/上下文特征信息-物品交互模型，利用双线性函数将不同的上下文特征信息向量和用户/物品潜在特征向量映射到共享隐空间中，再通过输出函数得到交互结果，从而捕获上下文和用户/物品之间的交互并得到上下文对用户/物品的交互结果；/n构建不同上下文特征信息对用户/物品的影响程度模型，结合上下文特征信息-用户/上下文特征信息-物品的交...

【技术特征摘要】
1.基于上下文感知及特征交互建模的个性化推荐方法，其特征在于，该方法是构建基于上下文感知特征交互的特征交互网络模型，具体如下：
构建上下文特征信息属性模型，根据不同数据集，选取用户/物品所处特定的上下文环境，根据上下文环境信息构建上下文特征信息向量；
构建上下文特征信息-用户/上下文特征信息-物品交互模型，利用双线性函数将不同的上下文特征信息向量和用户/物品潜在特征向量映射到共享隐空间中，再通过输出函数得到交互结果，从而捕获上下文和用户/物品之间的交互并得到上下文对用户/物品的交互结果；
构建不同上下文特征信息对用户/物品的影响程度模型，结合上下文特征信息-用户/上下文特征信息-物品的交互结果与给定的用户/物品潜在特征信息向量，通过单隐藏层求得不同上下文特征信息的注意力值，再利用softmax函数求得不同上下文特征信息的注意力权重，并最终得到上下文特征信息-用户/上下文特征信息-物品整体交互结果，从而区分不同上下文特征信息对用户/物品的影响程度；
构建上下文环境对用户/物品潜在特征信息的整体影响模型，将潜在用户/物品特征信息向量与上下文环境对用户的整体交互效果进行融合，最终得到受上下文环境影响所产生的上下文特征信息-用户/上下文特征信息-物品整体作用结果，从而获取上下文环境对用户/物品的整体作用效果；
构建特征交互网络预测模型，将上下文特征信息-用户整体作用结果与上下文特征信息-物品整体作用结果带入改进的矩阵分解算法中，并加入受上下文环境影响产生的上下文用户评分偏置项和上下文物品评分偏置项，从而产生更加准确的预测评分值，最终得到预测结果。


2.根据权利要求1所述的基于上下文感知及特征交互建模的个性化推荐方法，其特征在于，所述构建上下文特征信息属性模型具体如下：
采用针对上下文环境自身的属性信息来进行建模，构建上下文特征信息向量Cm，其中，m表示会有M个上下文特征信息，m＝{1,2,…,M}。


3.根据权利要求1所述的基于上下文感知及特征交互建模的个性化推荐方法，其特征在于，所述构建上下文特征信息-用户/上下文特征信息-物品交互模型中通过输出函数得到交互结果，公式如下：



其中，和表示上线性函数层的权重矩阵；Pu表示用户潜在特征向量；表示上下文信息Cm的特征向量；表示偏置项；表示与交互模型相关的模型参数；σ(·)表示激活函数ReLU；输出层函数为：表示输出层的权重矩阵；表示上下文信息和用户之间交互所产生的潜在向量；表示偏置项。


4.根据权利要求1所述的基于上下文感知及特征交互建模的个性化推荐方法，其特征在于，所述构建不同上下文特征信息对用户/物品的影响程度模型具体如下：
结合上下文特征信息-用户/上下文特征信息-物品的交互结果与给定的用户潜在特征向量，通过单隐藏层求得每个上下文特征信息的不同注意力值，再利用softmax函数求得每个上下文特征信息的注意力权重值α(u,cm)，公式如下：






其中，W1φ和表示权重矩阵；bφ表示偏置项；φ表示在注意力机制模块相关的模型参数；σ(·)表示激活函数ReLU；
得到每个上下文作用的注意力权重后，对注意力权重进行加权求和，得到上下文环境对用户的整体交互效果向量Fu,c，其公式如下，：



其中，α(u,cm)表示每个上下文特征信息的注意力权重值；表示上下文特征信息-用户交互结果。


5.根据权利要求1所述的基于上下文感知及特征交互建模的个性化推荐方法，其特征在于，所述构建上下文环境对用户/物品潜在特征信息的整体影响模型具体如下：
将潜在用户/物品特征信息向量与上下文环境对用户的作用效果进行双线性函数交互融合，最终得到受上下文环境影响所产生的上下文感知用户/物品特征结果，公式如下：






其中，和表示权重矩阵；bβ和表示偏置向量；σ(·)是激活函数ReLU。


6.根据权利要求1-5中的任一项所...

【专利技术属性】
技术研发人员：高茜，马鹏程，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东;37