【技术实现步骤摘要】
本专利技术主要涉及电影推荐算法的研究，主要包括传统推荐模型和基于注意力机制的推荐模型，利用模型给用户推荐感兴趣的项目。
技术介绍
1、互联网的发展使人们搜索信息更加方便，但是在信息化发展迅速的今天，由于信息量过于庞大，导致人们很难从海量信息中快速搜索到自己想要的结果。有很多信息是人们从来没有接触过，但是有潜在的兴趣。这便造成了资源的浪费，使得很多资源不能有效利用。在这种信息爆炸的时代，给用户推荐自己感兴趣的结果，便成了时代的主流。推荐系统能很好地解决资源浪费的现象，使得推荐结果更加符合用户的兴趣偏好。
2、在信息化时代，群组推荐在生活中有着广泛的应用，例如电影推荐、餐厅推荐等，都需要利用群组信息对用户进行推荐。生活中很多情况不仅仅专注于个性化的服务，而是面向群组用户。通常情况下群组用户使用推荐系统的频率要远远高于个人，这样就对推荐结果的准确性提出了新的挑战。群组的推荐必须要考虑群组成员的兴趣偏好，并尽可能的满足群组中的大部分用户需求。群组推荐要考虑刚进群组的用户，即要解决冷启动和稀疏性问题。群组推荐系统相比于传统的推荐系统面临一些新的问题，例如群组推荐系统要考虑群组成员之间信息共享的问题，这在传统推荐系统中是不需要考虑的。群组成员之间信息共享主要存在于用户的偏好融合阶段。
3、目前推荐系统最重要的是如何设计更好的群组推荐模型，如何对用户偏好进行融合以及采用什么样的融合策略和算法来给用户推荐想要的结果。这是目前推荐系统所要做的重要工作，本文也是在这样的背景下对推荐算法做一些改进，例如把模型融合和推荐融合结合
技术实现思路
1、鉴于目前推荐系统存在的问题，本文专利技术提供了基于群组偏好融合的推荐算法模型，可以充分考虑用户和群组的偏好信息，利用注意力机制动态地调整用户在群组中所占据的权重。
2、为了实现上述的目的，本专利技术采用如下技术方案，分别是基于传统推荐模型和基于注意力机制的推荐模型：
3、(1)模型融合(群组推荐)
4、模型融合对数据要求较高，如果数据很稀疏，模型表现效果不是很好。模型融合的过程就是建立群组偏好的过程，模型的输入是群组中每个成员的偏好信息，输出数据为群组偏好模型，模型融合过程是根据群组成员在群组中所占的权重以及对项目的评分进行融合，得到群组偏好。在群组推荐中，本文拟采用的方法是在协同过滤的基础上引入注意力机制，来提高群组推荐的准确性。基于注意力机制的推荐模型可以动态地学习用户之间的交互信息，动态地调整群组中每个用户的权重，提供用户在不同群组中不同角色更清晰的定位，并且能够更好地解释群组的最终决策，从而优化了群组决策过程的建模过程。
5、(2)推荐融合(个人推荐)
6、推荐融合应用在传统推荐系统比较多，主要过程是通过协同过滤算法和融合策略得到推荐的结果，采用的融合策略有均值策略、最小痛苦策略、最开心策略和最受尊敬者策略，采用不同的策略对用户偏好进行融合，产生的推荐列表记作l1。
7、推荐融合方法又被称作基于内存的融合方法，在使用推荐融合的时候一般都是基于评分融合，群组成员的交互考虑比较少，仅使用一种推荐融合方法，会使得最后的推荐结果和实际情况偏差较大。与推荐融合相反的另一种融合方法是模型融合，这种方法通常会考虑用户之间的相互作用，可以缓解推荐融合的缺点，把模型融合和推荐融合结合既能考虑个人的偏好，也能考虑到用户之间的交互作用，两种方法结合可以提高最终推荐结果的准确度。
8、(4)基于注意力机制的群组推荐模型的设计
9、该模型包含三个模块，嵌入层，融合层和预测层，其中嵌入层主要是把稀疏的用户向量和嵌入向量转化成稠密的向量。融合层主要是动态的去学习用户在群组中的权重，融合用户和群组的兴趣偏好，最终可以得到群组-项目向量。预测层根据融合层得到的组-项目向量，再利用ncf网络模型预测出群组对项目的预测评分。在模型训练过程中始终考虑用户个人偏好对群组的影响权重，在融合层充分融合个人偏好，不丢弃个人偏好，最终可以得到群组对项目的偏好信息，此时会丢失部分个性化偏好信息，经过预测层的时候把用户的信息加入进来，形成群组和用户个人两个任务进行训练，即采用多任务学习来完成本文的推荐预测评分结果。综上可知群组偏好信息不能脱离用户个人信息而独立存在，否则会导致丢失用户个人的信息，最终会使得预测结果不准确，不符合用户的偏好。因此在进行有关群组推荐的过程中要充分考虑用户和群组的偏好信息，把用户个人的偏好信息和群组的偏好信息充分融合，这也是目前推荐领域研究的热点问题。
本文档来自技高网...【技术保护点】
1.本专利技术涉及一个传统推荐模型和基于注意力机制的推荐模型，传统推荐模型主要利用模型融合和推荐融合结合的方式对用户感兴趣的内容进行推荐，其中模型融合主要针对的是群组推荐，推荐过程中会忽略个人偏好信息，推荐融合是一种个性化推荐方式，主要针对的是个人的推荐，推荐过程中会忽略群组的一些特征信息，所以把模型融合和推荐融合进行结合，理论上充分考虑了群组和用户的偏好信息，可以使得推荐结果更加准确。这种方法可以在一定程度上提高推荐的准确度，但在实际生活中用户的偏好是在不断变化的，在群组的权重信息也是不断变化的，所以提出使用基于注意力机制的群组偏好融合模型，可以动态的调整用户的权重信息。该模型主要包括嵌入模块，融合模块和预测模块，并在预测模块使用多任务学习来提升模型的准确度。
2.根据权要求1所述的推荐模型，其特征在于，所述的基于注意力机制的推荐模型推荐模型主要的核心部分是用户偏好的融合，分别分为基于用户和项目的偏好融合。
3.根据权力要求2所述的推荐模型，其特征在于，在获取用户偏好的时候采用注意力机制，动态的获取用户和群组的偏好信息。
4.根据权力要求3所
5.根据权力要求4所述的推荐模型，其特征在于，在推荐的过程中始终考虑用户个人的一些偏好信息，充分考虑特征的全面性。
...【技术特征摘要】
1.本发明涉及一个传统推荐模型和基于注意力机制的推荐模型，传统推荐模型主要利用模型融合和推荐融合结合的方式对用户感兴趣的内容进行推荐，其中模型融合主要针对的是群组推荐，推荐过程中会忽略个人偏好信息，推荐融合是一种个性化推荐方式，主要针对的是个人的推荐，推荐过程中会忽略群组的一些特征信息，所以把模型融合和推荐融合进行结合，理论上充分考虑了群组和用户的偏好信息，可以使得推荐结果更加准确。这种方法可以在一定程度上提高推荐的准确度，但在实际生活中用户的偏好是在不断变化的，在群组的权重信息也是不断变化的，所以提出使用基于注意力机制的群组偏好融合模型，可以动态的调整用户的权重信息。该模型主要包括嵌入模块，融合模块和预测模块，并在预...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。