一种基于张量分解的动态个性化推荐方法及系统技术方案

本发明专利技术提出了一种基于张量分解的动态个性化推荐方法，对反映用户兴趣特征的用户

【技术实现步骤摘要】
一种基于张量分解的动态个性化推荐方法及系统


[0001]本专利技术涉及智能推荐搜索技术，具体涉及一种基于张量分解的动态个性化推荐方法及系统。

技术介绍

[0002]在互联网用户需求日益多元化的今天，个性化推荐技术广泛应用于视频推荐、购物推荐和广告推荐等业务上，例如YouTube视频推荐系统，淘宝购物推荐系统等。作为满足互联网用户个性化需求的核心技术，个性化推荐算法一直是人工智能领域的研究热点。随着机器学习技术的发展，基于机器学习的个性化推荐技术成为了主流。
[0003]主流个性化推荐技术可分为，基于协同过滤的个性化推荐技术，基于序列模型的个性化推荐技术，基于强化学习的个性化推荐技术。基于协同过滤的个性化推荐技术，以深度学习模型为基础，借助深度学习网络强大的映射能力，将抽象的用户兴趣特征转化到连续可计算的语义空间中，从计算出用户对不同事物感兴趣的概率值。基于序列模型的个性化推荐技术，通过序列模型对时序信息的挖掘能力，从而对用户未来兴趣点进行预测。基于强化学习的个性化推荐技术
[8]，由于强化学习基于路径展开个性化推荐的特征，该技术往往能够从符合认知习惯的角度上开展个性化推荐。
[0004]由于没有考虑到用户兴趣随时间的动态变化，基于协同过滤和基于强化学习的个性化推荐技术不具备拟合用户兴趣点动态变化的能力。基于序列模型的个性化推荐技术，尽管具有挖掘时序信息变化规律的能力，但是用户行为记录在时间上的高度稀疏性，使得序列信息不完整，极易让模型产生过拟合，限制了模型的兴趣推荐能力。因此，本专利技术提出一种基于张量分解的动态个性化推荐技术，通过引入张量分解方法，使推荐算法能够挖掘用户兴趣随时间动态变化的特征，同时还能避免因数据稀疏带来的过拟合问题。

技术实现思路

[0005]本专利技术的目的在于提出一种基于张量分解的动态个性化推荐技术，拟解决现有个性化推荐不能有效学习用户兴趣随时间动态变化规律的问题，提升个性化推荐的效果。
[0006]实现本专利技术目的的技术解决方案为：一种基于张量分解的动态个性化推荐方法，包括如下步骤：
[0007]步骤1，对反映用户兴趣特征的用户
‑
物品
‑
时间关联网络数据进行统计，得到用户、物品和时间戳构成的集合，并对集合中的元素进行ID编号；
[0008]步骤2，将用户集合、物品集合和时间戳集合中的元素随机映射至语义向量空间中，建立用户、物品和时间戳到兴趣语义空间的初步映射关系；
[0009]步骤3，构建语义空间下用户、物品和时间之间的语义关联关系，使用户、物品和时间能够正确映射到语义空间中；
[0010]步骤4，根据用户、物品和时间到语义空间的语义关联关系，通过反向传播神经网络，训练最优动态个性化推荐模型，预测用户的兴趣点，完成个性化推荐任务。
[0011]进一步的，步骤1，对用户集合、物品集合和时间戳集合中的元素进行ID编号，保证每个集合内每个元素的ID编号都不相同。
[0012]进一步的，步骤2，将用户集合、物品集合和时间戳集合中的元素随机映射至语义向量空间中，建立用户、物品和时间戳到兴趣语义空间的初步映射关系，具体方法为：
[0013]将用户集合、物品集合和时间戳集合中每一个元素，在维度为d的语义空间中，生成每一个元素对应维度为d的语义向量，对语义向量每个维度上的值赋上随机值，其中，用户集合u表示用户语义向量，R
d
表示d维的实数向量，即用户语义向量是d维的实数向量；物品集合i表示物品语义向量，R
d
表示d维的实数向量，即物品语义向量是d维的实数向量；时间戳集合t表示时间戳语义向量，R
d
表示d维的实数向量，即时间语义向量是d维的实数向量。
[0014]进一步的，步骤3，构建语义空间下用户、物品和时间之间的语义关联关系，使用户、物品和时间能够正确映射到语义空间中，具体方法为：
[0015]在张量分解的基础上，引入时间维度信息，构建动态个性化推荐模型，模型结构如下公式所示，构建了语义空间下用户、物品和时间之间的语义关联关系，公式如下：
[0016][0017]其中，φ表示用户u在时间为t对物品i感兴趣的得分，得分值域为[0，1]，其中，φ表示用户u在时间为t对物品i感兴趣的得分，得分值域为[0，1]，是一个参数矩阵，
×1表示沿三阶参数矩阵第1维度方向上的向量乘积运算符，
×2表示沿三阶参数矩阵第2维度方向上的向量乘积运算符，
×3表示沿三阶参数矩阵第3维度方向上的向量乘积运算符。
[0018]进一步的，步骤4，根据用户、物品和时间到语义空间的语义关联关系，通过反向传播神经网络，训练最优动态个性化推荐模型，预测用户的兴趣点，完成个性化推荐任务，具体方法为：
[0019]在训练集上使用交叉熵损失函数衡量模型预测结果与训练集真值之间的差距，公式如下：
[0020][0021]其中，sigmoid表示激活函数，φ表示用户感兴趣的得分，p
i
＝sigmoid(φ)代表第i个样本的预测结果，也就是用户对某物品感兴趣的概率值，代表损失值，n代表训练样本个数，y
i
代表第i个样本的真值，y
i
＝1表示为真，y
i
＝0表示为假；
[0022]借助随机梯度下降优化器反向传播更新神经网络中的参数；在每一轮训练结束时，计算MRR值，并保留模型；经过多轮训练，挑选其中MRR值最大的那一轮得到模型作为最优模型。
[0023]一种基于张量分解的动态个性化推荐系统，基于所述的基于张量分解的动态个性化推荐方法，实现基于张量分解的动态个性化推荐。
[0024]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，基于所述的基于张量分解的动态个性化推荐方法，实现基于张量分解的动态个性化推荐。
[0025]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，基于所述的基于张量分解的动态个性化推荐方法，实现基于张量分解的动态个性化推荐。
[0026]本专利技术与现有技术相比，其显著优点为：形成了一种基于张量分解的动态个性化推荐技术，该技术可发掘用户兴趣随时间动态变化的特征并开展相应的个性化推荐，有效解决了以往推荐模型对用户兴趣特征挖掘不充分以及因数据在时间分布上稀疏而产生过拟合的问题。
附图说明
[0027]图1为基于张量分解的动态个性化推荐方法的流程示意图；
[0028]图2为实施例的方法流程示意图。
具体实施方式
[0029]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0030]本专利技术基于张量分解的动态个性化推荐方法，如图1所示，包括以下步骤：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于张量分解的动态个性化推荐方法，其特征在于，包括如下步骤：步骤1，对反映用户兴趣特征的用户
‑
物品
‑
时间关联网络数据进行统计，得到用户、物品和时间戳构成的集合，并对集合中的元素进行ID编号；步骤2，将用户集合、物品集合和时间戳集合中的元素随机映射至语义向量空间中，建立用户、物品和时间戳到兴趣语义空间的初步映射关系；步骤3，构建语义空间下用户、物品和时间之间的语义关联关系，使用户、物品和时间能够正确映射到语义空间中；步骤4，根据用户、物品和时间到语义空间的语义关联关系，通过反向传播神经网络，训练最优动态个性化推荐模型，预测用户的兴趣点，完成个性化推荐任务。2.根据权利要求1所述的基于张量分解的动态个性化推荐方法，其特征在于，步骤1，对用户集合、物品集合和时间戳集合中的元素进行ID编号，保证每个集合内每个元素的ID编号都不相同。3.根据权利要求1所述的基于张量分解的动态个性化推荐方法，其特征在于，步骤2，将用户集合、物品集合和时间戳集合中的元素随机映射至语义向量空间中，建立用户、物品和时间戳到兴趣语义空间的初步映射关系，具体方法为：将用户集合、物品集合和时间戳集合中每一个元素，在维度为d的语义空间中，生成每一个元素对应维度为d的语义向量，对语义向量每个维度上的值赋上随机值，其中，用户集合u表示用户语义向量，R
d
表示d维的实数向量，即用户语义向量是d维的实数向量；物品集合i表示物品语义向量，R
d
表示d维的实数向量，即物品语义向量是d维的实数向量；时间戳集合t表示时间戳语义向量，R
d
表示d维的实数向量，即时间语义向量是d维的实数向量。4.根据权利要求3所述的基于张量分解的动态个性化推荐方法，其特征在于，步骤3，构建语义空间下用户、物品和时间之间的语义关联关系，使用户、物品和时间能够正确映射到语义空间中，具体方法为：在张量分解的基础上，引入时间维度信息，构建动态个性化推荐模型，模型结构如下公式所示，构建了语义空间下用户、物品和时间之间的语义关联关系，公式如下：其中...

【专利技术属性】
技术研发人员：罗晋，胡岩峰，沈红，彭晨，陶昊然，付啟明，姜添，向镐鹏，闵飞，
申请(专利权)人：苏州空天信息研究院，
类型：发明
国别省市：