一种群组推荐方法、装置、设备、介质和产品制造方法及图纸

本发明专利技术提供一种群组推荐方法、装置、设备、介质和产品，其中，该方法包括：获取群组中每个用户与至少一个项目的交互信息，确定第一交互信息，通过第一交互信息确定用户偏好特征；确定每个用户与群组的第二交互信息，根据第一交互信息和第二交互信息得到偏移偏好特征，进而得到群组偏好特征；获取至少一个项目的语义特征，通过语义特征和群组偏好特征，确定交互特征，通过交互特征，确定群组对至少一个项目的偏好值。结合自注意力机制和记忆神经网络实现了群组用户的偏好偏移和群组偏好的表示，提高了临时性群组推荐的准确度。了临时性群组推荐的准确度。了临时性群组推荐的准确度。

【技术实现步骤摘要】
一种群组推荐方法、装置、设备、介质和产品


[0001]本专利技术涉及深度学习领域，尤其涉及一种群组推荐方法、装置、设备、介质和产品。

技术介绍

[0002]群体活动是人们生活中必不可少的一部分，且随着智能手机和社交网络的普及，极大的方便了人们组成各种持久性或者临时性群组。
[0003]由于信息过载的问题，群组推荐系统方法应运而生，并已普遍应用于各种领域，例如电子商务，社交媒体和学术活动。
[0004]持久性群组通常是由一些有着好友关系或者共同兴趣的用户组成，因此持久性的群组中的成员较固定，且历史交互数量比较丰富。
[0005]与持久性群组不同，临时性群组是由多个用户因为一次活动而临时组成的，因此临时性群组的历史交互数量通常只有一次。
[0006]由于历史交互的高度稀疏性，使得传统的群组推荐方法并不适用于临时性群组的推荐场景，亟需设计针对临时性群组特点的推荐方法，临时性群组推荐系统效果迫切需要极大的提升。
[0007]现有的基于深度学习的临时性群体推荐方法主要存在以下两个问题：
[0008](1)成员在群组内的偏好会因为其他用户的影响而发生偏移，但是现有的方法大多是直接聚合成员的个性化偏好得到群组的偏好，导致模型不能够准确的表达群组的偏好。
[0009](2)目前大多数模型都是通过一次性聚合成员的偏好信息，忽略了群组在进行决策时的动态过程，导致模型的推荐效果并不理想。

技术实现思路

[0010]本专利技术提供一种群组推荐方法、装置、设备、介质和产品，通过用户历史交互的项目表示用户的偏好，进而通过多层自注意力神经网络建模群组内部成员之间的复杂的高阶交互，获取用户在群组内的高阶偏移偏好；通过使用记忆神经网络，将目标群组内多个成员的高阶偏移偏好进行聚合，获得目标群组的偏好向量，进而计算目标群组对候选项目的偏好得分值，基于所有候选项目的偏好值进行排序，为目标群组生成项目推荐列表。旨在解决现有的临时性群组推荐方法直接聚合成员的个性化偏好，而没有考虑到用户的偏好偏移，且没有对决策的动态过程进行建模的问题。
[0011]第一方面，本专利技术提供了一种群组推荐方法，包括：获取群组中每个用户与至少一个项目的交互信息，确定第一交互信息，通过所述第一交互信息确定用户偏好特征；确定所述每个用户与所述群组的第二交互信息，将所述第一交互信息和所述第二交互信息输入多层自注意力神经网络中，得到每个用户对所述至少一个项目的偏移偏好特征；将所述偏移偏好特征输入多跳记忆网络，得到群组偏好特征；获取所述至少一个项目的语义特征，通过所述语义特征和所述群组偏好特征，确定交互特征，根据所述交互特征，通过激活函数，确
定所述群组对所述至少一个项目的偏好值。
[0012]进一步地，所述通过所述第一交互信息确定用户偏好特征，包括：将所述第一交互信息输入第一多层神经网络中，得到所述用户偏好特征。
[0013]进一步地，所述获取所述至少一个项目的语义特征，包括：获取所述至少一个项目的语义信息，将所述语义信息输入第二多层神经网络中，得到所述至少一个项目的语义特征。
[0014]进一步地，所述获取所述至少一个项目的语义特征，通过所述语义特征和所述群组偏好特征，确定交互特征，包括：获取所述至少一个项目的语义特征，将所述语义特征和所述群组偏好特征相乘后，经过多层池化操作，确定所述交互特征。
[0015]进一步地，所述获取所述至少一个项目的语义特征，将所述语义特征和所述群组偏好特征相乘后，经过多层池化操作，确定所述交互特征，包括：获取所述至少一个项目的语义特征，将所述语义特征和所述群组偏好特征相乘后，通过多层ReLU线性修正单元，确定所述交互特征。
[0016]进一步地，所述将所述偏移偏好特征输入多跳记忆网络，得到群组偏好特征，包括：将所述偏移偏好特征输入多跳记忆网络后，进行正则化处理，得到所述群组偏好特征。
[0017]第二方面，本专利技术还提供了一种群组推荐装置，包括：第一处理模块，用于获取群组中每个用户与至少一个项目的交互信息，确定第一交互信息，通过所述第一交互信息确定用户偏好特征；第二处理模块，用于确定所述每个用户与所述群组的第二交互信息，将所述第一交互信息和所述第二交互信息输入多层自注意力神经网络中，得到每个用户对所述至少一个项目的偏移偏好特征；第三处理模块，用于将所述偏移偏好特征输入多跳记忆网络，得到群组偏好特征；第四处理模块，用于获取所述至少一个项目的语义特征，通过所述语义特征和所述群组偏好特征，确定交互特征，根据所述交互特征，通过激活函数，确定所述群组对所述至少一个项目的偏好值。
[0018]第三方面，本专利技术还提供一种电子设备，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程序时实现如上述任一种所述群组推荐方法的步骤。
[0019]第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述群组推荐方法的步骤。
[0020]第五方面，本专利技术还提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一种所述群组推荐方法的步骤。
[0021]本专利技术提供的一种群组推荐方法、装置、设备、介质和产品，通过多层自注意力机制建模了群组内成员之间的高阶交互，得到了群组的序列交互特征矩阵，通过结合记忆神经网络集合群组成员偏好，并捕获群组偏好的偏移特征，实现群组对候选项目的偏好得分计算，提高了临时性群组推荐的准确度。本专利技术利用了多层自注意力机制建模用户之间的高阶交互，从而可以捕获目标群组内成员的兴趣偏好偏移特征；利用了记忆神经网络聚合成员不同交互阶段的特征，并捕获了群组成员在动态决策过程中的序列交互特征。可以有效的提神群组推荐的效果。
附图说明
[0022]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是根据本专利技术提供的群组推荐方法的一些实施例的流程示意图；
[0024]图2是根据本专利技术提供的群组推荐方法的一个应用场景的流程示意图；
[0025]图3是根据本专利技术提供的群组推荐控制装置的一些实施例的结构示意图；
[0026]图4是根据本专利技术提供的电子设备的结构示意图。
具体实施方式
[0027]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种群组推荐方法，其特征在于，包括：获取群组中每个用户与至少一个项目的交互信息，确定第一交互信息，通过所述第一交互信息确定用户偏好特征；确定所述每个用户与所述群组的第二交互信息，将所述第一交互信息和所述第二交互信息输入多层自注意力神经网络中，得到每个用户对所述至少一个项目的偏移偏好特征；将所述偏移偏好特征输入多跳记忆网络，得到群组偏好特征；获取所述至少一个项目的语义特征，通过所述语义特征和所述群组偏好特征，确定交互特征，根据所述交互特征，通过激活函数，确定所述群组对所述至少一个项目的偏好值。2.根据权利要求1所述的群组推荐方法，其特征在于，所述通过所述第一交互信息确定用户偏好特征，包括：将所述第一交互信息输入第一多层神经网络中，得到所述用户偏好特征。3.根据权利要求1所述的群组推荐方法，其特征在于，所述获取所述至少一个项目的语义特征，包括：获取所述至少一个项目的语义信息，将所述语义信息输入第二多层神经网络中，得到所述至少一个项目的语义特征。4.根据权利要求1至3任一所述的群组推荐方法，其特征在于，所述获取所述至少一个项目的语义特征，通过所述语义特征和所述群组偏好特征，确定交互特征，包括：获取所述至少一个项目的语义特征，将所述语义特征和所述群组偏好特征相乘后，经过多层池化操作，确定所述交互特征。5.根据权利要求4所述的群组推荐方法，其特征在于，所述获取所述至少一个项目的语义特征，将所述语义特征和所述群组偏好特征相乘后，经过多层池化操作，确定所述交互特征，包括：获取所述至少一个项目的语义特征，将所述语义特...

【专利技术属性】
技术研发人员：章颂，郑楠，王丹力，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：