一种基于档案网络的美食推荐方法技术

本发明专利技术公开了一种基于档案网络的美食推荐方法，本方法结合了实体之间的关系本身包含的信息，引入了档案网络分别处理用户长期兴趣和用户评论数据，并通过改进后的LSTM序列模型将用户短期兴趣融合，最终通过上下文来确定他们的重要程度，因此本方法容纳了大量的关联信息和隐藏语义，使得学习得到的用户表示质量更佳，美食推荐结果更准确，具备部署可行性和卓越的推荐效果。

【技术实现步骤摘要】
一种基于档案网络的美食推荐方法
本专利技术涉及大数据处理领域，具体涉及一种基于档案网络的美食推荐方法。
技术介绍
用户建模是在线推荐系统的一项基本任务。在过去的几十年中，对协同过滤(CF)技术进行了很好的研究，以模拟用户的长期偏好。传统上，用户表示纯粹在离线阶段生成。如果不参考特定的候选美食项目进行推荐，就很难从兴趣的角度完全捕捉用户偏好。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的基于档案网络的美食推荐方法可以针对用户的喜好进行精准推荐。为了达到上述专利技术目的，本专利技术采用的技术方案为：提供一种基于档案网络的美食推荐方法，其包括以下步骤：S1、建立美食项目知识图谱，将美食项目知识图谱中待推荐美食项目实体与对应关系所连接的其他实体邻居做单跳的聚合，得到待推荐美食项目表示；S2、采用档案网络分别获取用户的长期兴趣表示和用户属性表示，采用LSTM序列模型获取用户的短期兴趣表示；根据当前用户浏览行为的上下文获取上下文表示；S3、将长期兴趣表示、短期兴趣表示、用户属性表示和上下文表示进行拼接，得到拼接向量，将拼接向量进行激活，得到权重值；S4、将权重值与长期兴趣表示和短期兴趣表示进行融合，并将融合后的结果与用户属性表示进行聚合，得到最终用户表示；S5、将最终用户表示与待推荐美食项目表示进行拼接后激活，得到待推荐美食项目的点击率预测值；S6、将点击率预测值最大的若干个待推荐美食项目作为推荐结果，完成美食推荐。进一步地，步骤S1的具体方法包括以下子步骤：S1-1、建立美食项目知识图谱，包括美食项目的所述商标、代言人、属性和分类；S1-2、根据美食项目知识图谱中不同的关系进行相应实体邻居表示聚合，得到邻居聚合后的表示；S1-3、根据公式：获取第q个待推荐美食项目表示xq；其中σ为知识图谱中的激活函数；表示第q个美食项目自身参与聚合的可训练参数；gq表示第q个美食项目的原始表示；表示第q个美食项目在第r种关系中聚合的可训练参数；R表示关系的总数；表示第q个美食项目在第r种关系的邻居聚合后的表示。进一步地，步骤S2中采用档案网络获取用户的长期兴趣表示的具体方法包括以下子步骤：S2-1-1、将用户行为按照行为发生的时间信息划分为用户短期行为和用户长期行为；S2-1-2、将用户长期行为进行矢量化，得到长期行为矢量化向量；长期行为矢量化向量包括与用户相关的每个项目所对应的长期行为向量；S2-1-3、将长期行为矢量化向量通过正交多头注意力机制池进行汇总，并根据公式：得到每个用户对每个项目的长期行为档案列向量xiu；其中Θu代表用户u关于所有项目的长期行为矢量化向量集；θv代表用户u对于项目v的长期行为矢量化向量；表示通过正交多头注意力机制池得到的关于θv的权重，i表示长期行为档案向量编号，即第i个长期行为档案列向量对应于项目v，也对应于θv；S2-1-4、根据公式：将用户对项目的长期行为档案列向量与待推荐美食项目进行注意力计算和加权聚合，得到用户的长期兴趣表示其中表示通过注意力机制得到的第i个长期行为档案列向量的权重；B(u)表示长期行为档案列向量集。进一步地，步骤S2中采用档案网络获取用户属性表示的具体方法包括以下子步骤：S2-2-1、将用户评论数据进行矢量化，得到评论数据矢量化向量；其中用户评论数据包括用户ID、评论标题、评论主体、评论等级和评论时间；S2-2-2、将长期行为矢量化向量通过正交多头注意力机制池进行汇总，并根据公式：得到每个用户对每个项目的评论数据档案列向量其中Θp代表用户u关于所有项目的评论数据矢量化向量集；θp代表用户u对于项目v的评论数据矢量化向量；表示通过正交多头注意力机制池得到的关于θp的权重，i表示评论数据档案向量编号，即第i个评论数据档案列向量对应于项目v的评论数据，也对应于θp；S2-2-3、根据公式：将用户对项目的评论数据档案列向量与待推荐美食项目进行注意力计算和加权聚合，得到用户属性表示其中表示通过注意力机制得到的第i个评论数据档案列向量的权重；C(u)表示评论数据档案列向量集。进一步地，步骤S2中采用LSTM序列模型获取用户的短期兴趣表示的具体方法包括以下子步骤：S2-3-1、将用户行为按照行为发生的时间信息划分为用户短期行为和用户长期行为，根据公式：ck＝fk⊙Tδ⊙ck-1+ik⊙Ts⊙φ(xkWc+hk-1Uc+bc)获取LSTM序列模型的细胞状态输出；其中ck表示第k个细胞的状态输出；fk表示第k个细胞的遗忘门输出；ck-1表示第k-1个细胞的状态输出；ik表示第k个细胞的输入门输出；φ表示LSTM序列模型的细胞激活函数；xk表示第k个细胞的原始输入，即用户短期行为；Wc、Uc和bc均为常数；hk-1表示第k-1个细胞的隐藏状态输出；⊙表示LSTM序列模型的中的element-wise相乘，即Hadamard乘积；Tδ为表示用户历史美食交互行为序列中连续的两个美食项目交互间隔时间的时间间隔门；Ts为表示LSTM细胞中的美食项目与待预测的美食项目的时间跨度的时间跨度门；S2-3-2、根据公式：获取LSTM序列模型的细胞输出门的输出；其中ok表示第k个细胞的输出门的输出；和b0均为常数；表示时间间隔；表示时间跨度；S2-3-3、将LSTM序列模型的细胞状态输出和输出门的输出通过注意力机制得到细胞的隐藏状态输出，并根据公式：获取用户u的短期兴趣表示其中Bu表示用户u交互过的美食项目总数；ai表示第i个细胞的注意力系数；hi表示第i个细胞的隐藏状态输出。进一步地，步骤S2中根据当前用户浏览行为的上下文获取上下文表示的具体方法为：对于数值型的当前用户浏览行为则直接输入；对于类别型的当前用户浏览行为则进行one-hot编码；对于字符串型的当前用户浏览行为则进行embedding操作；将对当前用户浏览行为的所有操作进行拼接得到上下文表示。进一步地，步骤S3的具体方法为：将长期兴趣表示、短期兴趣表示、用户属性表示和上下文表示进行拼接，得到拼接向量，根据公式：将拼接向量进行激活，得到权重值α；其中σ为sigmoid激活函数；Wm和bm均为常数；为用户u的短期兴趣表示；为用户u的长期兴趣表示；为用户u的用户属性表示；xcontext为上下文表示。进一步地，步骤S4的具体方法为：根据公式：将权重值α与长期兴趣表示和短期兴趣表示进行融合，并将融合后的结果与用户属性表示进行聚合，得到最终用户表示进一步地，步骤S5的具体方法为：将最终用户表示与待推荐美食项目表示进行拼接，将拼接得到的向量通过两层的感知机后通过sigmoid函数激活，得到待推荐美食项目的点击率预测值。本专利技术的有益效果为：本方法根据知识图谱中的不同关系，本文档来自技高网...

【技术保护点】
1.一种基于档案网络的美食推荐方法，其特征在于，包括以下步骤：/nS1、建立美食项目知识图谱，将美食项目知识图谱中待推荐美食项目实体与对应关系所连接的其他实体邻居做单跳的聚合，得到待推荐美食项目表示；/nS2、采用档案网络分别获取用户的长期兴趣表示和用户属性表示，采用LSTM序列模型获取用户的短期兴趣表示；根据当前用户浏览行为的上下文获取上下文表示；/nS3、将长期兴趣表示、短期兴趣表示、用户属性表示和上下文表示进行拼接，得到拼接向量，将拼接向量进行激活，得到权重值；/nS4、将权重值与长期兴趣表示和短期兴趣表示进行融合，并将融合后的结果与用户属性表示进行聚合，得到最终用户表示；/nS5、将最终用户表示与待推荐美食项目表示进行拼接后激活，得到待推荐美食项目的点击率预测值；/nS6、将点击率预测值最大的若干个待推荐美食项目作为推荐结果，完成美食推荐。/n

【技术特征摘要】
1.一种基于档案网络的美食推荐方法，其特征在于，包括以下步骤：
S1、建立美食项目知识图谱，将美食项目知识图谱中待推荐美食项目实体与对应关系所连接的其他实体邻居做单跳的聚合，得到待推荐美食项目表示；
S2、采用档案网络分别获取用户的长期兴趣表示和用户属性表示，采用LSTM序列模型获取用户的短期兴趣表示；根据当前用户浏览行为的上下文获取上下文表示；
S3、将长期兴趣表示、短期兴趣表示、用户属性表示和上下文表示进行拼接，得到拼接向量，将拼接向量进行激活，得到权重值；
S4、将权重值与长期兴趣表示和短期兴趣表示进行融合，并将融合后的结果与用户属性表示进行聚合，得到最终用户表示；
S5、将最终用户表示与待推荐美食项目表示进行拼接后激活，得到待推荐美食项目的点击率预测值；
S6、将点击率预测值最大的若干个待推荐美食项目作为推荐结果，完成美食推荐。


2.根据权利要求1所述的基于档案网络的美食推荐方法，其特征在于，所述步骤S1的具体方法包括以下子步骤：
S1-1、建立美食项目知识图谱，包括美食项目的所述商标、代言人、属性和分类；
S1-2、根据美食项目知识图谱中不同的关系进行相应实体邻居表示聚合，得到邻居聚合后的表示；
S1-3、根据公式：



获取第q个待推荐美食项目表示xq；其中σ为知识图谱中的激活函数；表示第q个美食项目自身参与聚合的可训练参数；gq表示第q个美食项目的原始表示；表示第q个美食项目在第r种关系中聚合的可训练参数；R表示关系的总数；表示第q个美食项目在第r种关系的邻居聚合后的表示。


3.根据权利要求1所述的基于档案网络的美食推荐方法，其特征在于，所述步骤S2中采用档案网络获取用户的长期兴趣表示的具体方法包括以下子步骤：
S2-1-1、将用户行为按照行为发生的时间信息划分为用户短期行为和用户长期行为；
S2-1-2、将用户长期行为进行矢量化，得到长期行为矢量化向量；长期行为矢量化向量包括与用户相关的每个项目所对应的长期行为向量；
S2-1-3、将长期行为矢量化向量通过正交多头注意力机制池进行汇总，并根据公式：



得到每个用户对每个项目的长期行为档案列向量其中Θu代表用户u关于所有项目的长期行为矢量化向量集；θv代表用户u对于项目v的长期行为矢量化向量；表示通过正交多头注意力机制池得到的关于θv的权重，i表示长期行为档案向量编号，即第i个长期行为档案列向量对应于项目v，也对应于θv；
S2-1-4、根据公式：



将用户对项目的长期行为档案列向量与待推荐美食项目进行注意力计算和加权聚合，得到用户的长期兴趣表示其中表示通过注意力机制得到的第i个长期行为档案列向量的权重；B(u)表示长期行为档案列向量集。


4.根据权利要求1所述的基于档案网络的美食推荐方法，其特征在于，所述步骤S2中采用档案网络获取用户属性表示的具体方法包括以下子步骤：
S2-2-1、将用户评论数据进行矢量化，得到评论数据矢量化向量；其中用户评论数据包括用户ID、评论标题、评论主体、评论等级和评论时间；
S2-2-2、将长期行为矢量化向量通过正交多头注意力机制池进行汇总，并根据公式：



得到每个用户对每个项目的评论数据档案列向量其中Θp代表用户u关于所有项目的评论数据矢量化向量集；θp代表用户u对于项目v的评论数据矢量化向量；表示通过正交多头注意力机制池得到的关于θp的权重，i...

【专利技术属性】
技术研发人员：王庆先，张仁建，李昊杰，黄庆，常奥，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51