【技术实现步骤摘要】
本专利技术涉及智能推荐，尤其涉及一种基于用户交互特征的直播间推荐方法。
技术介绍
1、近年来，直播平台已经成为现代人获取信息、娱乐和社交的重要渠道之一，这些平台提供了各种类型的直播内容，包括娱乐、游戏、教育、体育等。随着直播平台的迅速发展，直播内容越来越丰富并且具备很强的实时性，用户往往需要在大量内容中进行选择，这就给推荐系统提供了发挥的空间，直播推荐的准确性直接影响了用户的体验和平台的收益。因此，如何从海量直播内容中为用户提供准确的推荐成为了一个亟待解决的问题。
2、现有的推荐方法主要包括基于协同过滤的方法、基于内容的方法和混合推荐方法等。其中，基于协同过滤的方法主要利用用户的历史行为数据来预测用户的兴趣，但这种方法忽略了直播内容的属性信息。基于内容的方法主要根据直播内容的属性进行推荐，但这种方法忽略了用户的行为数据。混合推荐方法则试图将上述两种方法进行结合，以提高推荐的准确性。
3、然而，现有的推荐方法仍然存在一些不足。首先，它们往往只考虑了用户的历史行为数据或直播内容的属性信息，而忽略了用户与直播间的交互特征。这些特征包括用户在直播间的停留时间、用户点赞、分享和打赏等行为。这些特征可以反映出用户对直播间的兴趣程度和偏好，有助于提高推荐的准确性。其次，现有的方法往往只关注用户的单一兴趣，而忽略了推荐结果的多样性，容易形成信息茧房。推荐结果的多样性和准确性对于提高用户体验和增加用户粘性至关重要。
技术实现思路
1、针对现有技术的不足，本专利技术提供一种基于
2、一种基于用户交互特征的直播间推荐方法，包括以下步骤：
3、s1、根据用户行为产生的交互数据，进行预处理，获得特征值和标签特征，其中预处理包括数据清洗、数据字段筛选、数据完善和数据组装；得到特征值和标签特征后，对特征值与标签特征使用z-score归一化处理；
4、s1.1、从存储用户浏览记录和直播间送礼记录的数据库中，提取数据集；所述数据集包含了每个用户进入直播间时的行为，以及对直播间的送礼记录信息；提取数据集中每个用户每次进入直播间时的行为，并将其进行处理；针对每个用户，计算其针对每一个直播间的“进入直播间次数”以及“送出的总礼物价值”两个特征；然后将“进入直播间次数”以及“送出的总礼物价值”进行加权计算，得到用户对某一直播间的特征值，该特征值表示用户对该直播间的喜欢程度；
5、s1.2、根据计算得到的特征值，以用户id为根据进行排名，并选择特征值最高的前三项作为用户喜好的直播间；记录这三个直播间的类型和直播间id并存入“用户喜欢的列表”中，将用户喜好的直播间以布尔类型进行标记设置特征标签，将用户喜好的直播间设为1，其他直播间设为0；
6、s2、对经过s1处理的数据进行embedding处理，转化为低维度的稠密向量。并将不同特征对应的向量做拼接，以得到一个以直播间id为首的物品特征集和一个以用户id以及用户信息为首的用户特征集；
7、s2.1、从数据集中提取用户的浏览记录和行为记录，其中包括用户id、直播间id、送礼记录、观看记录。根据用户的历史浏览记录，推断出用户最可能喜欢的直播间类型和对应的直播间id；记录在一段时间内用户观看过的直播间类型和直播间id，并将这些直播间和直播间类型分配给其他记录，作为用户关联和物品关联的特征；每种特征都选取最多三个数值，以表示用户对该直播间类型的喜好程度；
8、s2.2、使用观看时长、最大在线时长、直播间id以及礼物总数来衡量直播间的热度；首先，计算直播间的热度值，计算方法为将原始数据加权计算出一个新的特征值，将这个新特征值记录为heat，然后，对所有列进行z-score归一化，将归一化后的热度值与每一条原始数据进行匹配，作为直播间的热度特征，并将其加入原始数据中；
9、步骤s2.3、将用户对于不同直播间类型的喜好程度以及每个直播间的热度特征以7：3的比例分为训练集和测试集；
10、s3、创建推荐模型，将物品特征向量和用户特征向量输入进目前流行的推荐模型，即mlp的多层结构，然后根据mlp多层结构中获得的用户特征及模式，由推荐模型对用户喜好进行计算和预估，输出测试集中用户对不同直播间的喜好程度和是否喜欢某一直播间，其中喜好程度用数值表示，是否喜欢某一直播间用二分类表示；
11、s3.1、采用嵌入特征来处理模型中的类别型的特征。首先，循环遍历特征字典(即将原始数据处理为特征列表的结果)中的每一个分类特征，并将其转化为相应的分类特征列，然后，将分类特征列转化为嵌入特征列，其中嵌入特征列的嵌入维度设置为10，将每个转化后的嵌入特征列添加到一个列表中，以便后续特征的组合和处理；
12、s3.2、将用户id和直播间id这两个特征转化为分类特征列，并将这两个分类特征列转化为嵌入特征列，嵌入特征列的嵌入维度设置为10，并将两个嵌入特征列加入到3.1创建的特征列表中。随后根据不同直播间id，定义一个包含礼物价值和进入次数的列表，然后将这两列导入数值特征列；
13、s3.3、创建推荐模型；在推荐模型的第一层，将数值特征列和分类特征列进行结合，并使用三个全连接层作为mlp的结构，每个隐藏层都设置为128个节点，并使用relu作为激活函数,将这些作为中间层；最后一层是一个输出层，设置为一个节点，并使用sigmoid激活函数进行二分类操作；
14、s4、根据用户对不同直播间的喜好程度和是否喜欢某一直播间，针对每个用户建立一个对不同物品喜好的排名，以得到用户喜好的前6个直播间的数据，用作直播平台对用户推荐的依据。对于不足6个的直播间，补足到6个，达到直播间推荐的效果；
15、s4.1、将经过s1.2、和s2.3处理后的数据导入推荐模型中，在预测后使用准确度、roc准确度和pr准确度分别评估模型，并提供模型中的前十二个样本的预测结果，每个预测结果包括准确度、roc准确度和pr准确度；预测结果表示为用户、直播间id、喜欢程度、预测是否喜欢四列；其中，喜欢程度是一个[0,1]之间的数值，越接近于1代表越可能喜欢该直播间，越接近于0代表越可能不喜欢该直播间，预测是否喜欢这一列中，根据喜欢程度预测该用户是否喜欢该直播间，并进行验证，最终将验证结果作为预测是否准确的重要指标；
16、s4.2、将预测结果生成为csv文件，并生成一个列表，将热度特征最高的前二十项直播间存入列表，在预测时，如果发现用户喜好的直播间不足六项，则补充到六项，原则为从列表中随机选择。
17、采用上述技术方案所产生的有益效果在于：
18、本专利技术提供一种基于用户交互特征的直播间推荐方法，可以根据用户数据和直播间数据，综合考虑并进行推荐，推荐效果好，推荐准确度高。
本文档来自技高网...【技术保护点】
1.一种基于用户交互特征的直播间推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于用户交互特征的直播间推荐方法，其特征在于，所述步骤1具体包括以下步骤：
3.根据权利要求1所述的一种基于用户交互特征的直播间推荐方法，其特征在于，所述步骤2具体包括以下步骤：
4.根据权利要求1所述的一种基于用户交互特征的直播间推荐方法，其特征在于，所述步骤3具体包括以下步骤：
5.根据权利要求1所述的一种基于用户交互特征的直播间推荐方法，其特征在于，所述步骤4具体包括以下步骤：
【技术特征摘要】
1.一种基于用户交互特征的直播间推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于用户交互特征的直播间推荐方法，其特征在于，所述步骤1具体包括以下步骤：
3.根据权利要求1所述的一种基于用户交互特征的直播间推荐方法，其特征...
【专利技术属性】
技术研发人员：朱荣晖，王广普，陈伟成，陈建，张斌，
申请(专利权)人：财咨道信息技术有限公司，
类型：发明
国别省市：
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。