基于生成对抗网络的云展会内容推荐方法、系统及设备技术方案

本发明专利技术提供一种基于生成对抗网络的云展会内容推荐方法，包括第一步，构建生成器，用于生成用户浏览行为score得分序列；第二步，构建判别器，对score得分序列进行真实性判断以得到有效用户浏览行为数据；第三步，推荐唯一有效用户浏览行为数据以作为确定输出的目标结果。本发明专利技术通过对用户特征、内容特征的建模，根据新用户的注册特征提供冷启动推荐，并同步利用不同用户的特征相似性提供基于用户特征的推荐以及利用内容特征进行推荐从多角度反应用户偏好的方式，达到对用户带来更多纬度的组合展示，以进行交互获取用户的反馈。

【技术实现步骤摘要】
基于生成对抗网络的云展会内容推荐方法、系统及设备
本专利技术涉及线上云展会系统数字化推荐
，具体为一种基于生成对抗网络的云展会内容推荐方法、系统及设备。
技术介绍
云展会系统，是依托网络技术平台，不限时间、场地、人数和商品数量，运用文字、图像、视频的有机组合来操作一个展会项目。其本质是以互联网为基础，将云计算、大数据、移动互联网技术、社交社群、展会产业链中的各个实体构建起一个数字信息集成化的展示空间，从而形成全方位立体化的新型展览模式，这也是对线下展会一种延伸和补充，是线下实体展会的衍生产品，被誉为“永不落幕的展会”，云展会系统的数字化功能可以极大地助力实体展会行业经济提速。传统的展会，通过专业的布展设计人员对展会现场进行设计，设计需要展示信息的参观路径、展示位置等信息，吸引参展者参与，尽可能的将参观者引导至感兴趣的展位，使参展者和参观者双方获益。而传统展会的线上推荐系统，基于历史数据，在历史数据中找到用户与信息的关联信息，然后通过规则或者算法对用户进行推荐，一般来说这样的算法和数据分析需要大量的历史数据作为积累，所产生的的算法随着时间的推移准确率会越来越低。主要有以下集中方法：1.基于人口统计学的推荐，当我们需要对一个User进行个性化推荐时，利用第一种UserProfile计算其他用户与其之间的相似度，然后挑选出与其最相似的前K个用户，之后利用这些用户的购买和打分信息进行推荐。2.基于内容的推荐，构建UserProfile，例如将该User曾经打过份的所有Item的ItemProfile做一个加权平均，作为该User的profile。计算该用户未尝试过的Item与该用户的UserProfile之间的相似度，并按照相似度由大到小的顺序生成推荐列表。3.协同过滤，利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。以上所有的传统的推荐系统，最终目的是要以用户为中心，提升用户和商家的交互成果和效率。但是在以用户为中心的推荐系统中，未体现如何能以自然、透明的方式与用户交互，了解用户真实的需求和偏好，以及通过与用户的自然交互，推荐系统估计、提取，同时也向用户反馈、影响用户的满意度、偏好、需求、兴趣、活动模式等隐含的状态，从而从用户的偏好、用户决策推理的行为过程出发，替用户做最好决定的技术方案。与此同时，现有技术中体现的优化的目标都是短期收益，比如点击率、观看时长，很难对长期收益建模；最主要的是预测用户的兴趣，但模型都是基于loggedfeedback训练，样本和特征极度稀疏，大量的物料没有充分展示过，同时还是有大量的新物料和新用户涌入，存在大量的bias，另外，用户的兴趣变化剧烈，行为多样性，存在很多Noise。
技术实现思路
针对现有技术存在的不足，本专利技术目的是提供一种基于生成对抗网络的云展会内容推荐方法、系统及设备，以解决上述
技术介绍
中提出的问题，本专利技术通过利用生成器、判别器对模拟器生成的用户浏览行为进行判断，丢弃无效数据、保留有效数据的方式，有效解决了训练样本的数据稀疏问题，以及通过采用基于序列建模的深度学习模型LSTM作为判别器的方式，有效保留了用户浏览行为的时序信息，以确定分类结果更为准确，进而对用户行为的真实性进行客观判断，解决了现有技术中的问题。为了实现上述目的，本专利技术是通过如下的技术方案来实现：一种基于生成对抗网络的云展会内容推荐方法，包括以下步骤：第一步，构建生成器，用于生成用户浏览行为score得分序列S1-1、通过浏览行为模拟器获取用户浏览行为数据，其中，用户浏览行为数据包括用户特征数据以及内容特征数据；S1-2、预设推荐系统，建立针对用户特征数据与内容特征数据组合的score得分计算模型；S1-3、基于score得分计算模型计算得到用户浏览行为数据score得分序列；第二步，构建判别器，对所述score得分序列进行真实性判断以得到有效用户浏览行为数据；第三步，推荐唯一有效用户浏览行为数据以作为确定输出的目标结果。作为对本专利技术中所述一种基于生成对抗网络的云展会内容推荐方法的改进，在步骤S1-2中，通过预设推荐系统得到所述score得分计算模型的具体实施方式为：S1-21、获取训练样本，其中，所述训练样本中至少标注有第一训练特征信息和第二训练特征信息，所述第一训练特征信息用于表征用户浏览行为数据的特征向量信息，所述第二训练特征信息用于表征用户特征数据与内容特征数据组合的score分值信息；S1-22，采用所述第一训练特征信息和第二训练特征信息输入至回归模型同时进行训练，得到score得分计算模型，其中，回归模型包括线性回归模型、多项式回归模型、回归树模型以及回归森林模型。作为对本专利技术中所述一种基于生成对抗网络的云展会内容推荐方法的改进，在基于所述score得分计算模型得到所述score得分序列之后，且在所述判别器对所述score得分序列进行真实性判断之前，还包括S1-31、score得分计算模型将得到的所述score得分序列转化为所述判别器输入形式的用户浏览行为序列。作为对本专利技术中所述一种基于生成对抗网络的云展会内容推荐方法的改进，在第二步中，采用基于序列建模的深度学习模型LSTM作为判别器，所述判别器的具体构建过程为：S2-1、获取建模训练样本，其中，所述建模训练样本中至少标注有第三训练特征信息和第四训练特征信息，所述第三训练特征信息用于表征过往云展会的用户浏览行为数据信息，所述第四训练特征信息用于表征含有人工标记的过往云展会的用户浏览行为数据信息；S2-2、规则建模：建立时间序列模型，以用于保留过往云展会的用户浏览行为的时序信息，以及在时间序列模型下的各个时刻所对应的用户特征信息以及内容特征信息，具体为：S2-21、采用第三训练特征信息和第四训练特征信息输入至深度学习模型LSTM，并同时进行建模训练；S2-22、基于经训练后的深度学习模型LSTM，且以时间值为单位将获取的所述建模训练样本的训练特征信息建模为用户浏览行为的行为序列，其中，所述建模训练样本的特征信息包括过往云展会的用户浏览行为数据信息以及含有人工标记的过往云展会的用户浏览行为数据信息；S2-23、将所述score得分计算模型输出的用户浏览行为数据score得分序列与所述深度学习模型LSTM输出的行为序列进行对比；S2-24、根据对比结果对所述训练样本重新划分，以用于解决所述训练样本特征信息稀疏问题，与此同时，依据对比结果对所述score得分序列进行真实性判断，得到有效用户浏览行为数据。作为对本专利技术中所述一种基于生成对抗网络的云展会内容推荐方法的改进，在步骤S2-22中，在以时间值为单位将获取的所述建模训练样本的训练特征信息建模为行为序列的过程中：若本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的云展会内容推荐方法，其特征在于：包括以下步骤：/n第一步，构建生成器，用于生成用户浏览行为score得分序列/nS1-1、通过浏览行为模拟器获取用户浏览行为数据，其中，用户浏览行为数据包括用户特征数据以及内容特征数据；/nS1-2、预设推荐系统，建立针对用户特征数据与内容特征数据组合的score得分计算模型；/nS1-3、基于score得分计算模型计算得到用户浏览行为数据score得分序列；/n第二步，构建判别器，对所述score得分序列进行真实性判断以得到有效用户浏览行为数据；/n第三步，推荐唯一有效用户浏览行为数据以作为确定输出的目标结果。/n

【技术特征摘要】
1.一种基于生成对抗网络的云展会内容推荐方法，其特征在于：包括以下步骤：
第一步，构建生成器，用于生成用户浏览行为score得分序列
S1-1、通过浏览行为模拟器获取用户浏览行为数据，其中，用户浏览行为数据包括用户特征数据以及内容特征数据；
S1-2、预设推荐系统，建立针对用户特征数据与内容特征数据组合的score得分计算模型；
S1-3、基于score得分计算模型计算得到用户浏览行为数据score得分序列；
第二步，构建判别器，对所述score得分序列进行真实性判断以得到有效用户浏览行为数据；
第三步，推荐唯一有效用户浏览行为数据以作为确定输出的目标结果。


2.根据权利要求1所述的一种基于生成对抗网络的云展会内容推荐方法，其特征在于：在步骤S1-2中，通过预设推荐系统得到所述score得分计算模型的具体实施方式为：
S1-21、获取训练样本，其中，所述训练样本中至少标注有第一训练特征信息和第二训练特征信息，所述第一训练特征信息用于表征用户浏览行为数据的特征向量信息，所述第二训练特征信息用于表征用户特征数据与内容特征数据组合的score分值信息；
S1-22，采用所述第一训练特征信息和第二训练特征信息输入至回归模型同时进行训练，得到score得分计算模型，其中，回归模型包括线性回归模型、多项式回归模型、回归树模型以及回归森林模型。


3.根据权利要求1或2所述的一种基于生成对抗网络的云展会内容推荐方法，其特征在于：在基于所述score得分计算模型得到所述score得分序列之后，且在所述判别器对所述score得分序列进行真实性判断之前，还包括
S1-31、score得分计算模型将得到的所述score得分序列转化为所述判别器输入形式的用户浏览行为序列。


4.根据权利要求1或2所述的一种基于生成对抗网络的云展会内容推荐方法，其特征在于：在第二步中，采用基于序列建模的深度学习模型LSTM作为判别器，所述判别器的具体构建过程为：
S2-1、获取建模训练样本，其中，所述建模训练样本中至少标注有第三训练特征信息和第四训练特征信息，所述第三训练特征信息用于表征过往云展会的用户浏览行为数据信息，所述第四训练特征信息用于表征含有人工标记的过往云展会的用户浏览行为数据信息；
S2-2、规则建模：建立时间序列模型，以用于保留过往云展会的用户浏览行为的时序信息，以及在时间序列模型下的各个时刻所对应的用户特征信息以及内容特征信息，具体为：
S2-21、采用第三训练特征信息和第四训练特征信息输入至深度学习模型LSTM，并同时进行建模训练；
S2-22、基于经训练后的深度学习模型LSTM，且以时间值为单位将获取的所述建模训练样本的训练特征信息建模为用户浏览行为的行为序列；
S2-23、将所述score得分计算模型输出的用户浏览行为数据score得分序列与所述深度学习模型LSTM输出的行为序列进行对比；
S2-24、根据对比结果对所述训练样本重新划分，以用于解决所述训练样本特征信息稀疏问题，与此同时，依据对比结果对所述score得分序列进行真实性判断，得到有效用户浏览行为数据。


5.根据权利要求4所述的一种基于生成对抗网络的云展会内容推荐方法，其特征在于：在步骤S2-22中，在以时间值为单位将获取的所述建模训练样本的训练特征信息建模为行为序列的过程中：
若存在建模训练样本的训练特征信息所对应的时间值小于所述建模时的时间值时，...

【专利技术属性】
技术研发人员：龙利民，陈功，李强，
申请(专利权)人：图灵人工智能研究院南京有限公司，
类型：发明
国别省市：江苏;32