一种基于长短期兴趣与社会影响力的群体需求预测方法技术

一种基于长短期兴趣与社会影响力的群体需求预测方法，该方法首先基于用户访问资源时的IP地址划分群体；其次，结合用户的历史访问记录，为每一个用户建立兴趣

【技术实现步骤摘要】
一种基于长短期兴趣与社会影响力的群体需求预测方法


[0001]本专利技术属于群体推荐
，具体涉及一种基于长短期兴趣与 社会影响力的群体需求预测方法。

技术介绍

[0002]公共数字文化服务还存在不少瓶颈问题，诸如：资源采集交换缺 少统一的标准规范，数字资源“孤岛化”现象普遍存在，社会主体参 与资源建设单一，缺少个性化服务等，项目致力于从技术层面对上述 问题予以研究突破。本专利技术即基于长短期兴趣与社会影响力的群体需 求预测方法，围绕公共数字文化惠民服务中智能化对提升我国公共数 字文化服务水平，在梳理分析国内外相关机构和
研究现状的 基础上，拟解决处于云端的公共文化资源在调度和分发时的效率问题 和公平问题，为实现我国公共文化资源智能共建共享与管理提供理论 基础和技术支撑。
[0003]与传统的群体需求预测技术不同，公共文化云资源中的群体需求 预测的最终目的是将云端资源按照用户需求预先调度到靠近群体用 户的位置，解决云资源使用的效率问题，因此，需要直接按照用户访 问时的ip地址进行群体划分，根据区域用户的历史访问记录和实时 访问情况预测群体需求。而且，在现有的大多数群体需求预测方法中， 主要考虑用户偏好问题，而较少考虑到影响群体决策的一些其他因 素，例如个体用户兴趣迁移问题和群体成员间社会影响力。在建立一 种实时性、高效率的群体需求预测机制时，将用户兴趣迁移与成员间 社会影响力纳入考量也是很有必要的。

技术实现思路

[0004]为了克服上述现有技术的不足，本专利技术的目的是提供一种基于长 短期兴趣与社会影响力的群体需求预测方法，将用户的兴趣迁移与社 会影响力嵌入到群体需求预测中，提供一种基于长短期兴趣和社会影 响力的群体需求预测方法，用于实现根据用户历史访问行为分析用户 长短期兴趣偏好、对他人意见敏感程度以及与其他用户相互关系等信 息，进而对群体需求进行实时预测，以提高公共文化云平台资源访问 的效率。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种基于长短期兴趣与社会影响力的群体需求预测方法，包括以 下步骤：
[0007]步骤1，群体划分：按照用户IP地址划分群体；
[0008]步骤2，用户访问数据处理：根据用户对资源的历史访问数据构 建用户在不同时刻的兴趣
‑
评分关联表，挖掘用户需求随时间的变化 情况，具体包括：
[0009]1)对资源类别进行编号标码，构建资源类别标签词典，并根据 资源属性取值将资源归属到不同类别中，进而构建资源
‑
类别表；
[0010]2)分别构建两个q行M列的矩阵，分别存放q个用户对M个资 源的访问时间和评分，即用户
‑
资源访问时间表和用户
‑
资源评分表； 扫描输入的样本数据集，提取用户对资源的访问时间以填充用户
‑
资 源访问时间表，提取用户对资源评分以填充用户
‑
资源评分表；
[0011]3)对于每一个用户，分别从资源
‑
类别表、用户
‑
资源访问时间 表、用户
‑
资源评分表中筛选出与该用户相关的记录，构建该用户在 不同时刻的兴趣
‑
评分关联表；其中，每个用户的兴趣
‑
评分关联表中 的记录按照访问时间升序排序；
[0012]步骤3，建立基于LSTM的个体项目评分预测模型：基于长短期 记忆神经网络(Long Short
‑
Term Memory,LSTM)模型，根据用户在 不同时刻的兴趣
‑
评分关联表建立相应的个体项目评分预测模型，获 取用户对项目的初始评分矩阵，进而形成群体用户对项目的初始评分 矩阵，步骤如下：
[0013]1)逐行提取兴趣
‑
评分关联表中的记录，将用户随时间发生变化 的部分作为LSTM模型的输入，将用户评分作为模型的输出，去训练 每个用户基于LSTM的网络模型；
[0014]2)LSTM网络包括遗忘门f
t
、输入门i
t
、更新门C
t
和输出门o
t
四种门 结构，用以保持和更新细胞状态，其中t表示当前时刻，f、i、C、o 表示四种不同的门结构对应向量；
[0015]①
遗忘门层用以决定从细胞状态中丢弃的信息，它读取上一层的 输出h
t
‑1和当前时刻的输入x
t
，输出一个数值f
t
，并赋值给当前细胞的 状态C
t
‑1；其中f
t
计算方式为：
[0016]f
t
＝σ(W
f
·
[h
t
‑1，X
t
]+b
f
)
[0017]其中h表示隐藏的状态结构，x
t
表示当前时刻LSTM的输入向量， C表示细胞状态向量，f
t
表示遗忘门的激活向量，W
f
、U
f
和b
f
分别表示 的是遗忘门的输入权重、循环权重和偏置；
[0018]②
输入门层用以筛选新旧信息并存放于细胞状态，它包含两个部 分：第一部分，通过sigmod函数决定需要输入的值；另一部分，通 过tanh函数创建一个新的候选值向量，该向量会被加入到状态C
t
中； 新的候选值向量计算为：
[0019]i
t
＝σ(W
i
·
[h
t
‑1，x
t
]+b
i
)
[0020][0021]其中W
i
和b
i
、W
C
和b
C
分别表示的是输入门的输入权重和偏置以及 更新门的输入权重和偏置；
[0022]③
更新门层更新旧细胞状态，将C
t
‑1更新为C
t
，更新方式为：
[0023][0024]其中，细胞状态用以存放模型中的关键信息，为LSTM网络模型 能够得以存储用户的个性化信息的关键；
[0025]④
输出门层基于细胞的状态输出数值：首先运行一个sigmoid层 来确定细胞状态将输出的部分o
t
；接着把细胞状态通过tanh进行处理 并把它和sigmoid门的输出相乘；最后输出确定要输出的部分h
t
，即 下一时间步的评分预测：
[0026]o
t
＝σ(W
o
·
[h
t
‑1，x
t
]+b
o
)
[0027]h
t
＝o
t
*tanh(C
t
)
...

【技术保护点】

【技术特征摘要】
1.一种基于长短期兴趣与社会影响力的群体需求预测方法，其特征在于，包括以下步骤：步骤1，群体划分：按照用户IP地址划分群体；步骤2，用户访问数据处理：根据用户对资源的历史访问数据构建用户在不同时刻的兴趣
‑
评分关联表，挖掘用户需求随时间的变化情况，具体包括：1)对资源类别进行编号标码，构建资源类别标签词典，并根据资源属性取值将资源归属到不同类别中，进而构建资源
‑
类别表；2)分别构建两个q行M列的矩阵，分别存放q个用户对M个资源的访问时间和评分，即用户
‑
资源访问时间表和用户
‑
资源评分表；扫描输入的样本数据集，提取用户对资源的访问时间以填充用户
‑
资源访问时间表，提取用户对资源评分以填充用户
‑
资源评分表；3)对于每一个用户，分别从资源
‑
类别表、用户
‑
资源访问时间表、用户
‑
资源评分表中筛选出与该用户相关的记录，构建该用户在不同时刻的兴趣
‑
评分关联表；其中，每个用户的兴趣
‑
评分关联表中的记录按照访问时间升序排序；步骤3，建立基于LSTM的个体项目评分预测模型：基于长短期记忆神经网络(Long Short
‑
Term Memory,LSTM)模型，根据用户在不同时刻的兴趣
‑
评分关联表建立相应的个体项目评分预测模型，获取用户对项目的初始评分矩阵，进而形成群体用户对项目的初始评分矩阵，步骤如下：1)逐行提取兴趣
‑
评分关联表中的记录，将用户随时间发生变化的部分作为LSTM模型的输入，将用户评分作为模型的输出，去训练每个用户基于LSTM的网络模型；2)LSTM网络包括遗忘门f
t
、输入门i
t
、更新门C
t
和输出门o
t
四种门结构，用以保持和更新细胞状态，其中t表示当前时刻，f、i、C、o表示四种不同的门结构对应向量；
①
遗忘门层用以决定从细胞状态中丢弃的信息，它读取上一层的输出h
t
‑1和当前时刻的输入x
t
，输出一个数值f
t
，并赋值给当前细胞的状态C
t
‑1；其中f
t
计算方式为：f
t
＝σ(W
f
·
[h
t
‑1，x
t
]+b
f
)其中h表示隐藏的状态结构，x
t
表示当前时刻LSTM的输入向量，C表示细胞状态向量，f
t
表示遗忘门的激活向量，W
f
、u
f
和b
f
分别表示的是遗忘门的输入权重、循环权重和偏置；
②
输入门层用以筛选新旧信息并存放于细胞状态，它包含两个部分：第一部分，通过sigmod函数决定需要输入的值；另一部分，通过tanh函数创建一个新的候选值向量，该向量会被加入到状态C
t
中；新的候选值向量计算为：i
t
＝σ(W
i
·
[h
t
‑1，x
t
]+b
i
)其中W
i
和b
i
、W
C
和b
C
分别表示的是输入门的输入权重和偏置以及更新门的输入权重和偏置；
③
更新门层更新旧细胞状态，将C
t
‑1更新为C
t
，更新方式为：其中，细胞状态用以存放模型中的关键信息，为LSTM网络模型能够得以存储用户的个性化信息的关键；
④
输出门层基于细胞的状态输出数值：首先运行一个sigmoid层来确定细胞状态将输
出的部分o
t
；接着把细胞状态通过tanh进行处理并把它和sigmoid门的输出相乘；最后输出确定要输出的部分h
t
，即下一时间步的评分预测：o
t
＝σ(W
o
·
[h
t
‑1，x
t
]+b
o
)h
t
＝o
t
*tanh(C
t
)其中W
o
和b
o

【专利技术属性】
技术研发人员：高岭，李妍，向东，许佶鹏，朱海蓉，孙秦豫，郭子正，杨旭东，郭红波，杨琰，
申请(专利权)人：西北大学，
类型：发明
国别省市：