【技术实现步骤摘要】
本专利技术涉及的是一种用户推荐系统领域的技术，具体是一种基于用户聚类探索的对话在线推荐系统。
技术介绍
1、推荐系统作为一种信息过滤系统，克服了普通搜索引擎仅根据关键词进行筛选的不足：学习用户偏好，并根据用户偏好推荐合适的物品。以在线学习为基础，用户聚类在线学习对多个用户的交互信息进行共享，将同一聚簇内所有用户交互信息进行综合，帮助推荐系统对单个用户进行推荐。
技术实现思路
1、本专利技术针对现有技术中用户聚类结构固定导致前期的聚类错误会累积的缺陷，提出一种基于用户聚类探索的对话在线推荐系统，使用汤姆森采样算法进行探索，获取更优用户聚类结构，提高算法性能及推荐效果。对推荐系统中用户进行物品推荐和关键词推荐，使得被推荐物品符合用户偏好，提高用户体验以及推荐系统收益。
2、本专利技术通过以下技术方案实现：
3、本专利技术涉及一种基于用户聚类探索的对话在线推荐系统，包括：模型初始化模块、用户聚类模块、物品推荐模块、对话推荐模块、用户反馈收集模块和用户偏好更新模块，其中：模型初始化模块生成物品特征向量和关键词特征向量；用户聚类模块使用汤姆森采样算法，围绕用户特征向量采样生成每个用户的结构特征向量后，通过k-means方法根据物品偏好对用户结构特征向量进行聚类，得到用户聚簇；物品推荐模块根据物品特征向量和用户交互记录，生成最符合用户偏好的物品推荐；对话推荐模块根据关键词特征向量和用户的交互记录，生成最符合用户偏好的关键词询问；用户反馈收集模块收集用户对于系统所推荐物品
4、所述的物品特征向量，通过以下方式得到：首先根据物品与用户历史交互记录，构建用户打分矩阵，其次对用户打分矩阵进行svd矩阵分解，获得所有物品的特征向量xi。
5、所述的关键词特征向量，通过以下方式得到：将历史数据中已标注标签作为关键词，统计单个关键词相关的所有物品特征向量，关键词相关的所有物品特征的均值(重心)即为关键词特征向量。
6、所述的模型初始化模块包括：物品特征向量生成单元和关键词特征向量生成单元，其中：物品特征向量生成单元根据历史交互信息，对历史用户对物品的评分矩阵进行奇异值分解，得到物品特征向量，关键词特征向量生成单元根据物品关键词，对同一标签下的物品特征向量进行求均值，得到关键词的特征向量。
7、所述的生成最符合用户偏好的物品推荐是指：根据用户聚类结构，筛选出和用户u同属于同一用户聚簇p的所有用户及其交互信息，累加计算sp＝∑u∈psu和矩阵(物品向量乘物品向量转置、关键词向量乘关键词向量转置)以及bp＝∑u∈pbu和向量(用户反馈乘物品向量、用户反馈乘关键词向量)后，估算用户u所属聚类p对于关键词偏好向量和对于物品偏好向量，其中：λ为物品推荐与用户推荐间的平衡参数，最后利用置信上界算法估算用户聚类p对于各个物品it的反馈上界选出预期反馈最高的物品推荐给用户，其中：α、为算法超参数，用于控制在线学习对于物品和关键词的探索强弱，矩阵范数计算方式为
8、所述的物品推荐模块包括：筛选单元、累加单元、反馈上界评估单元以及查找单元，其中：筛选单元根据用户聚类结构信息，筛选出与当前用户相同聚类标签的用户，得到同一聚类下所有用户，累加单元根据同一聚类下所有用户信息，累加该聚类下用户的su、和bu、得到sp＝∑u∈psu和和bp＝∑u∈pbu和反馈上界评估单元根据同一聚类下历史信息，计算用户聚类对于单个物品的反馈上界得到用户对所有物品的反馈上界，查找单元根据所有物品的反馈上界信息，查找最高值物品，得到本轮推荐物品结果。
9、所述的生成最符合用户偏好的关键词推荐是指：根据用户聚类结构，筛选出和用户u同属于同一用户聚簇p的所有用户及其交互信息，累加计算sp＝∑u∈psu和矩阵(物品向量乘物品向量转置、关键词向量乘关键词向量转置)以及bp＝∑u∈pbu和向量(用户反馈乘物品向量，用户反馈乘关键词向量)，计算关键词向量与所有用户偏好之间的相似性选出最符合用户偏好的关键词询问用户。
10、所述的对话推荐模块包括：筛选单元、累加单元、相似性计算单元以及查找单元，其中：筛选单元根据用户聚类结构信息，筛选出与当前用户相同聚类标签的用户，得到同一用户聚类下的所有用户，累加单元根据同一聚类下所有用户信息，累加该聚类下用户的su、和bu、得到sp＝∑u∈psu和和bp＝∑u∈pbu和相似性单元根据同一聚类下历史信息，计算用户聚类对于单个关键词的偏好，得到每个关键词与用户偏好的相似性，查找单元根据用户对所有关键词的反馈，查找最高值关键词，得到本轮关键词询问结果。
11、所述的用户聚簇，通过以下方式得到：计算应划分的用户聚类个数其中：m为用户个数，t为对于所有用户的推荐轮数，t为当前推荐轮数，δ为控制用户聚类个数的超参数。以用户特征向量θ′u为均值、累加矩阵的逆为协方差进行高斯分布采样，得到用户结构特征向量使用k-means算法对所有用户结构特征向量聚类，其中聚类个数为k(t)，k-means对用户聚类结果即为用户聚类结构，所有用户被分割为不相交的聚簇集合[p]。
12、所述的用户聚类模块包括：用户聚类单元、结构特征向量单元和聚簇生成单元，其中：用户聚类单元根据公式，计算出用户聚类个数k(t)，结构特征向量单元从用户偏好更新模块获得最新的用户偏好向量θ′u，以用户特征向量θ′u为均值、累加矩阵的逆为协方差由进行高斯分布采样得到用户结构特征向量聚簇生成单元使用k-means算法对所有用户结构特征向量聚为k(t)类，得到聚簇集合[p]。
13、所述的更新用户偏好特征向量是指：根据收集到对物品的反馈，更新用户累加矩阵su和累加向量bu，以及用户聚类累加矩阵和累加向量根据收集到对关键词的反馈，更新用户关键词累加矩阵和累加向量以及用户聚类累加矩阵和累加向量
14、所述的用户偏好更新模块包括：物品偏好更新单元、关键词偏好更新单元以及偏好特征向量生成单元，其中：物品偏好更新单元根据用户对物品的反馈信息，对用户参数与和用户集参数与进行更新，关键词偏好更新单元根据用户对所询问关键词的反馈信息，对用户参数和累加向量进行更新，偏好特征向量生成单元根据，计算得到用户偏好特征向量。
15、技术效果
16、本专利技术在用户聚类时使用汤姆森采样对用户特征向量进行采样，从而用户聚类结构进行探索，获得了更好的聚类结构和推荐效果。
本文档来自技高网...【技术保护点】
1.一种基于用户聚类探索的对话在线推荐系统，其特征在于，包括：模型初始化模块、用户聚类模块、物品推荐模块、对话推荐模块、用户反馈收集模块和用户偏好更新模块，其中：模型初始化模块生成物品特征向量和关键词特征向量；用户聚类模块使用汤姆森采样算法，围绕用户特征向量采样生成每个用户的结构特征向量后，通过k-means方法根据物品偏好对用户结构特征向量进行聚类，得到用户聚簇；物品推荐模块根据物品特征向量和用户交互记录，生成最符合用户偏好的物品推荐；对话推荐模块根据关键词特征向量和用户的交互记录，生成最符合用户偏好的关键词询问；用户反馈收集模块收集用户对于系统所推荐物品以及所询问关键词的反馈；用户偏好更新模块根据用户对于推荐系统所推荐物品的反馈以及所询问关键词的反馈，更新用户偏好特征向量；
2.根据权利要求1所述的基于用户聚类探索的对话在线推荐系统，其特征是，所述的模型初始化模块包括：物品特征向量生成单元和关键词特征向量生成单元，其中：物品特征向量生成单元根据历史交互信息，对历史用户对物品的评分矩阵进行奇异值分解，得到物品特征向量，关键词特征向量生成单元根据物品关键词，对同一标签
3.根据权利要求1所述的基于用户聚类探索的对话在线推荐系统，其特征是，所述的生成最符合用户偏好的物品推荐是指：根据用户聚类结构，筛选出和用户u同属于同一用户聚簇p的所有用户及其交互信息，累加计算Sp＝∑u∈pSu和矩阵(物品向量乘物品向量转置、关键词向量乘关键词向量转置)以及bp＝∑u∈pbu和向量(用户反馈乘物品向量、用户反馈乘关键词向量)后，估算用户u所属聚类p对于关键词偏好向量和对于物品偏好向量其中：λ为物品推荐与用户推荐间的平衡参数，最后利用置信上界算法估算用户聚类p对于各个物品it的反馈上界选出预期反馈最高的物品推荐给用户，其中：α、为算法超参数，用于控制在线学习对于物品和关键词的探索强弱，矩阵范数计算方式为
4.根据权利要求1所述的基于用户聚类探索的对话在线推荐系统，其特征是，所述的物品推荐模块包括：筛选单元、累加单元、反馈上界评估单元以及查找单元，其中：筛选单元根据用户聚类结构信息，筛选出与当前用户相同聚类标签的用户，得到同一聚类下所有用户，累加单元根据同一聚类下所有用户信息，累加该聚类下用户的Su、和bu、得到Sp＝∑u∈pSu和和bp＝∑u∈pbu和反馈上界评估单元根据同一聚类下历史信息，计算用户聚类对于单个物品的反馈上界得到用户对所有物品的反馈上界，查找单元根据所有物品的反馈上界信息，查找最高值物品，得到本轮推荐物品结果。
5.根据权利要求1所述的基于用户聚类探索的对话在线推荐系统，其特征是，所述的生成最符合用户偏好的关键词推荐是指：根据用户聚类结构，筛选出和用户u同属于同一用户聚簇p的所有用户及其交互信息，累加计算Sp＝∑u∈pSu和矩阵(物品向量乘物品向量转置、关键词向量乘关键词向量转置)以及bp＝∑u∈pbu和向量(用户反馈乘物品向量，用户反馈乘关键词向量)，计算关键词向量与所有用户偏好之间的相似性选出最符合用户偏好的关键词询问用户。
6.根据权利要求1所述的基于用户聚类探索的对话在线推荐系统，其特征是，所述的对话推荐模块包括：筛选单元、累加单元、相似性计算单元以及查找单元，其中：筛选单元根据用户聚类结构信息，筛选出与当前用户相同聚类标签的用户，得到同一用户聚类下的所有用户，累加单元根据同一聚类下所有用户信息，累加该聚类下用户的Su、和bu、得到Sp＝∑u∈pSu和和bp＝∑u∈pbu和相似性单元根据同一聚类下历史信息，计算用户聚类对于单个关键词的偏好，得到每个关键词与用户偏好的相似性，查找单元根据用户对所有关键词的反馈，查找最高值关键词，得到本轮关键词询问结果。
7.根据权利要求1所述的基于用户聚类探索的对话在线推荐系统，其特征是，所述的用户聚类模块包括：用户聚类单元、结构特征向量单元和聚簇生成单元，其中：用户聚类单元根据公式，计算出用户聚类个数k(t)，结构特征向量单元从用户偏好更新模块获得最新的用户偏好向量θu，以用户特征向量θu为均值、累加矩阵的逆为协方差由进行高斯分布采样得到用户结构特征向量聚簇生成单元使用k-means算法对所有用户结构特征向量聚为k(t)类，得到聚簇集合[p]。
8.根据权利要求1所述的基于用户聚类探索的对话在线推荐系统，其特征是，所述的用户偏好更新模块包括：物品偏好更新单元、关键词偏好更新单元以及偏好特征向量生成单元，其中：物品偏好更新单元根据用户对物品的反馈信息，对用户参数与和用户集参数与进行更新，关键词偏好更新单元根据用户对对话关键词的反馈信息，对用户参数和累加向量进...
【技术特征摘要】
1.一种基于用户聚类探索的对话在线推荐系统，其特征在于，包括：模型初始化模块、用户聚类模块、物品推荐模块、对话推荐模块、用户反馈收集模块和用户偏好更新模块，其中：模型初始化模块生成物品特征向量和关键词特征向量；用户聚类模块使用汤姆森采样算法，围绕用户特征向量采样生成每个用户的结构特征向量后，通过k-means方法根据物品偏好对用户结构特征向量进行聚类，得到用户聚簇；物品推荐模块根据物品特征向量和用户交互记录，生成最符合用户偏好的物品推荐；对话推荐模块根据关键词特征向量和用户的交互记录，生成最符合用户偏好的关键词询问；用户反馈收集模块收集用户对于系统所推荐物品以及所询问关键词的反馈；用户偏好更新模块根据用户对于推荐系统所推荐物品的反馈以及所询问关键词的反馈，更新用户偏好特征向量；
2.根据权利要求1所述的基于用户聚类探索的对话在线推荐系统，其特征是，所述的模型初始化模块包括：物品特征向量生成单元和关键词特征向量生成单元，其中：物品特征向量生成单元根据历史交互信息，对历史用户对物品的评分矩阵进行奇异值分解，得到物品特征向量，关键词特征向量生成单元根据物品关键词，对同一标签下的物品特征进行求平均，得到关键词的特征向量。
3.根据权利要求1所述的基于用户聚类探索的对话在线推荐系统，其特征是，所述的生成最符合用户偏好的物品推荐是指：根据用户聚类结构，筛选出和用户u同属于同一用户聚簇p的所有用户及其交互信息，累加计算sp＝∑u∈psu和矩阵(物品向量乘物品向量转置、关键词向量乘关键词向量转置)以及bp＝∑u∈pbu和向量(用户反馈乘物品向量、用户反馈乘关键词向量)后，估算用户u所属聚类p对于关键词偏好向量和对于物品偏好向量其中：λ为物品推荐与用户推荐间的平衡参数，最后利用置信上界算法估算用户聚类p对于各个物品it的反馈上界选出预期反馈最高的物品推荐给用户，其中：α、为算法超参数，用于控制在线学习对于物品和关键词的探索强弱，矩阵范数计算方式为
4.根据权利要求1所述的基于用户聚类探索的对话在线推荐系统，其特征是，所述的物品推荐模块包括：筛选单元、累加单元、反馈上界评估单元以及查找单元，其中：筛选单元根据用户聚类结构信息，筛选出与当前用户相同聚类标签的用户，得到同一聚类下所有用户，累加单元根据同一聚类下所有用户信息，累加该聚类下用户的su、和bu、得到sp＝∑u∈psu和和...
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。