一种用户操作数据的可视化与人机交互推荐方法技术

本发明专利技术公开了一种用户操作数据的可视化与人机交互推荐方法，属于人机交互技术领域，方法包括：获取与目标用户行为相似的参照用户和对应评分记录；计算目标用户对待推荐话题的预测评分；获取目标用户与交互程序对话内容和对话内容数量，预测待推荐话题被推荐至目标用户概率；构建待推荐优秀话题库；引入实体关系实体三元组的约束条件，利用TransD算法构建Trans映射模型；将对话内容输入至Trans映射模型，提取对话内容的词向量、实体对实体的关系向量和上下文实体向量并将三者进行融合，获取对话内容的对话内容嵌入向量；利用注意力模型确定目标用户当前时刻推荐话题嵌入向量；获取目标用户对待推荐优秀话题的点击概率，将点击率较高的推荐至目标用户。率较高的推荐至目标用户。率较高的推荐至目标用户。

【技术实现步骤摘要】
一种用户操作数据的可视化与人机交互推荐方法


[0001]本专利技术属于人机交互
，具体涉及一种用户操作数据的可视化与人机交互推荐方法。

技术介绍

[0002]人机交互是研究人类与计算机之间交互的技术，旨在设计和开发用户友好、高效、有效的计算机系统和界面。人机交互方法涉及多个层面，包括用户界面设计、用户体验评估、交互技术、认知心理学、社会学、设计原则等。其中，人机交互推荐方法则是在人机交互环境下，利用推荐技术为用户提供个性化的推荐服务的方法。这种方法通常结合了人机交互的理论和方法，并利用推荐系统的技术来为用户提供推荐信息，从而增强用户的交互体验和满意度。
[0003]目前，在人机对话的过程中进行话题推荐的过程中，往往需要较多的目标用户行为数据，这就造成在用户行为数据稀疏的情况下，往往不能得到准确的推荐话题，用户交互体验差，另外，现有技术在进行推荐话题时，往往只是对目标用户的交互数据进行分析，新话题推荐驱动力低，在交互陷入僵局时，由于目标用户行为数据不足可能导致推荐准确率进入恶性循环。

技术实现思路

[0004]为了解决现有技术在人机对话的过程中进行话题推荐的过程中，往往需要较多的目标用户行为数据，这就造成在用户行为数据稀疏的情况下，往往不能得到准确的推荐话题，用户交互体验差，另外，现有技术在进行推荐话题时，往往只是对目标用户的交互数据进行分析，推荐范围小，新话题推荐驱动力低，在交互陷入僵局时，由于目标用户行为数据不足可能导致推荐准确率进入恶性循环的技术问题，本专利技术提供一种用户操作数据的可视化与人机交互推荐方法。
[0005]第一方面
[0006]本专利技术提供一种人机交互推荐方法，包括：
[0007]S101：获取与目标用户行为相似的参照用户，并获取参照用户的喜好话题和各喜好话题对应的评分记录；
[0008]S102：根据参照用户的喜好话题评分记录，计算目标用户对待推荐话题的预测评分；
[0009]S103：获取目标用户与交互程序的对话内容和对话内容数量，预测待推荐话题被推荐至目标用户的概率，其中，对话内容包括交互话题和关于交互话题的多个上下文向量；
[0010]S104：根据目标用户对待推荐话题的预测评分和交互话题被推荐至目标用户的概率，得到待推荐话题的排名得分，并依据排名得分挑选待推荐优秀话题，构建待推荐优秀话题库；
[0011]S105：引入实体关系实体三元组的约束条件，利用TransD算法构建Trans映射模
型；
[0012]S106：将对话内容输入至Trans映射模型，提取对话内容的词向量、实体对实体的关系向量和上下文实体向量；
[0013]S107：利用知识感知深度学习模型将词向量、实体对实体的关系向量和上下文实体向量进行融合，获取对话内容的对话内容嵌入向量；
[0014]S108：考虑目标用户在不同时刻对话内容对当前时刻候选话题的影响因素，利用注意力模型确定目标用户在当前时刻的推荐话题嵌入向量；
[0015]S109：基于对话内容嵌入向量和推荐话题嵌入向量，利用深度学习模型获取目标用户对待推荐优秀话题的点击概率；
[0016]S110：选择大于预设概率的点击概率对应的待推荐优秀话题推荐至目标用户。
[0017]第二方面
[0018]本专利技术提供一种人机交互推荐系统，包括：
[0019]第一获取模块，用于获取与目标用户行为相似的参照用户，并获取参照用户的喜好话题和各喜好话题对应的评分记录；
[0020]计算模块，用于根据参照用户的喜好话题评分记录，计算目标用户对待推荐话题的预测评分；
[0021]预测模块，用于获取目标用户与交互程序的对话内容和对话内容数量，预测待推荐话题被推荐至目标用户的概率，其中，对话内容包括交互话题和关于交互话题的多个上下文向量，；
[0022]第一构建模块，用于根据目标用户对待推荐话题的预测评分和交互话题被推荐至目标用户的概率，得到待推荐话题的排名得分，并依据排名得分挑选待推荐优秀话题，构建待推荐优秀话题库；
[0023]第二构建模块，用于引入实体关系实体三元组的约束条件，利用TransD算法构建Trans映射模型；
[0024]提取模块，用于将对话内容输入至Trans映射模型，提取对话内容的词向量、实体对实体的关系向量和上下文实体向量；
[0025]融合模块，用于利用知识感知深度学习模型将词向量、实体对实体的关系向量和上下文实体向量进行融合，获取对话内容的对话内容嵌入向量；
[0026]确定模块，用于考虑目标用户在不同时刻对话内容对当前时刻候选话题的影响因素，利用注意力模型确定目标用户在当前时刻的推荐话题嵌入向量；
[0027]第二获取模块，用于基于对话内容嵌入向量和推荐话题嵌入向量，利用深度学习模型获取目标用户对待推荐优秀话题的点击概率；
[0028]推荐模块，用于选择大于预设概率的点击概率对应的待推荐优秀话题推荐至目标用户。
[0029]与现有技术相比，本专利技术至少具有以下有益效果：
[0030]本专利技术通过获取与目标用户行为相似的参照用户，以参照用户的喜好话题作为话题推荐驱动力，对目标用户进行话题推荐，在目标用户的行为数据很少的情况下，也可以根据参照用户的喜好推测出较准确的待推荐优秀话题，降低了用户交互使用门槛，提高用户使用体验，降低目标用户喜好获取难度，能够在第一时间抓住用户兴趣点进行及时推荐，避
免交互出现僵局。此外，通过引入实体关系实体三元组的约束条件，构建更加准确的映射模型，避免在对话内容的实体提取过程中出现较大偏差，提高最终的推荐准确程度。提取包括上下文实体向量并将获取到的向量内容进行融合，利用注意力模型结合推荐话题嵌入向量和对话内容嵌入向量进行兴趣话题推荐，进一步提高推荐的准确性，提升交互体验，有利于交互产品的推广和使用。
附图说明
[0031]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性、技术特征、优点及其实现方式予以进一步说明。
[0032]图1是本专利技术提供的一种人机交互推荐方法的流程示意图；
[0033]图2是本专利技术提供的一种人机交互推荐系统的结构示意图。
具体实施方式
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅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，并获得其他的实施方式。
[0035]为使图面简洁，各图中只示意性地表示出了与专利技术相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
[0036]还应当进一步理解，在本专利技术说明书和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人机交互推荐方法，其特征在于，包括：S101：获取与目标用户行为相似的参照用户，并获取所述参照用户的喜好话题和各所述喜好话题对应的评分记录；S102：根据所述参照用户的喜好话题评分记录，计算所述目标用户对待推荐话题的预测评分；S103：获取所述目标用户与交互程序的对话内容和对话内容数量，预测所述待推荐话题被推荐至所述目标用户的概率，其中，所述对话内容包括交互话题和关于所述交互话题的多个上下文向量；S104：根据所述目标用户对所述待推荐话题的预测评分和所述交互话题被推荐至所述目标用户的概率，得到所述待推荐话题的排名得分，并依据所述排名得分挑选待推荐优秀话题，构建待推荐优秀话题库；S105：引入实体关系实体三元组的约束条件，利用TransD算法构建Trans映射模型；S106：将所述对话内容输入至所述Trans映射模型，提取所述对话内容的词向量、实体对实体的关系向量和上下文实体向量；S107：利用知识感知深度学习模型将所述词向量、所述实体对实体的关系向量和所述上下文实体向量进行融合，获取所述对话内容的对话内容嵌入向量；S108：考虑所述目标用户在不同时刻对话内容对当前时刻候选话题的影响因素，利用注意力模型确定所述目标用户在当前时刻的推荐话题嵌入向量；S109：基于所述对话内容嵌入向量和所述推荐话题嵌入向量，利用深度学习模型获取所述目标用户对所述待推荐优秀话题的点击概率；S110：选择大于预设概率的所述点击概率对应的待推荐优秀话题推荐至所述目标用户。2.根据权利要求1所述的人机交互推荐方法，其特征在于，所述S101具体包括：S1011：利用二维评分矩阵和相似度计算方法，计算所述目标用户与所述参照用户的相似度；S1012：选择相似度大于预设相似度的参照用户；S1013：从所述参照用户的历史浏览数据中获取所述参照用户的喜好话题和各所述喜好话题对应的评分记录。3.根据权利要求1所述的人机交互推荐方法，其特征在于，所述S102具体包括：S1021：根据各个参照用户，构造参照用户集；S1022：获取所述参照用户的喜好话题评分记录；S1023：根据所述参照用户的喜好话题评分记录，计算所述目标用户对待推荐话题的预测评分：S(T)表示所述预测评分，表示所述目标用户u对已评分项目的平均评分，表示所
述参照用户v对以评分项目的平均评分，S
v,T
表示所述参照用户对所述待推荐话题T的评分，S
u,v
表示通过用户项目二维评分矩阵和相似度原理计算得到的所述参照用户和所述目标用户之间的相似度，N
u
表示所述参照用户集。4.根据权利要求1所述的人机交互推荐方法，其特征在于，所述S103具体包括：S1031：通过word2vec提取所述对话内容的交互话题和关于所述交互话题的多个上下文向量；S1032：根据所述交互话题和所述交互话题的多个上下文向量，预测所述交互话题被推荐至所述目标用户的概率：其中，P(T'/C)表示所述交互话题出现概率，C表示所述上下文向量组成的上下文向量集，c
k
表示所述交互话题对应的具体内容。5.根据权利要求1所述的人机交互推荐方法，其特征在于，所述S104具体包括：S1041：所述待推荐话题的排名得分的计算方式为：Rank
u,c
(T)＝S(T)
·
P(T/C)；S1042：根据所述排名得分，选择得分值高的预设数量的待推荐话题作为待推荐优秀话题，构建待推荐优秀话题库。6.根据权利要求1所述的人机交互推荐方法，其特征在于，所述Trans映射模型具体为：其中，(h,r,t)表示所述实体关系实体三元组，M
rh
表示头实体映射矩阵，M
rt
表示尾实体映射矩阵，表示头实体映射向量，...

【专利技术属性】
技术研发人员：王东辉，赵文涛，曹豪杰，
申请(专利权)人：道有道科技集团股份公司，
类型：发明
国别省市：