【技术实现步骤摘要】
本专利技术提供了一种结合深度学习与信息融合的资源推荐方法，旨在解决推荐系统中的数据稀疏问题，通过利用用户的评论、评分以及信任信息发掘用户的偏好，从而更好的为目标用户生成相应的推荐。
技术介绍
1、近年来，随着网络信息的爆炸性增长,各种各样的信息被提供给用户,如何帮助用户筛选出自己喜欢的物品,成为众多专家、学者关注的问题。为了解决这一问题,诞生了推荐系统,它是一种信息过滤系统，通过学习和预测用户的偏好，向用户推荐符合用户偏好的物品。目前，推荐系统在课程学习、在线观影和社交网络等许多领域中得到了广泛的应用，并为许多行业带来了巨大的效益。推荐系统可以有效地对信息进行过滤和筛选，帮助用户以个性化的方式来检索符合其需求的信息资源，缓解信息过载的问题。推荐技术经过不断的发展和更新，已经在教育、音乐、电子商务、社交网络等领域广泛应用。推荐系统已经得到了广泛的研究和部署，其目的是通过诸如购买等交互数据向用户推荐物品。
2、基于推荐机制，推荐系统被划分为以下3类:(1)基于内容的推荐系统，(2)基于协同过滤的推荐系统，(3)融合以上两者的混合型推荐系统。基于内容的推荐系统通过分析用户的画像和物品的特征，从而为用户做出推荐。这类推荐系统可以很好地解决冷启动问题，但只能为用户推荐与其交互过的物品相似物品，在推荐的多样性方面存在一定的局限性。与之不同的是，基于协同过滤的推荐系统，对目标用户以及和目标用户相似的用户历史行为进行分析，从而根据用户的偏好为用户推荐物品。与基于内容的推荐系统相比，这种基于协同过滤的推荐系统一般可以得到更为精确的推荐
3、在推荐系统领域中，应对稀疏性问题是一项核心挑战。这一问题源于用户-项目交互数据的不完整性，导致难以精确刻画用户的个性化需求。为克服此难题，信息融合推荐策略扮演了重要角色，它能够整合用户的多维度反馈，例如评论内容、评分记录以及社交信任网络等丰富信息，以深度挖掘并精准捕捉用户的兴趣偏好。
4、综上所述，本文构建了一种新的深度学习模型——结合注意力卷积神经网络(cnn)与图神经网络(gnn)的信息融合资源推荐模型acgif。首先,在cnn中加入注意力机制来处理评论信息，从评论信息中学习用户和项目的个性化表示。根据评论编码学习评论表示,通过用户/项目编码学习评论中用户/项目表示。加入个性化注意力机制来筛选不同重要性级别的评论。然后,利用gnn来处理评分和信任信息。对于每个用户来说,扩散过程从最初的嵌入开始,融合相关特性和捕获潜在行为偏好的自由用户潜在向量。设计了一个分层的影响传播结构,以模拟用户的潜在嵌入如何随着社交扩散过程的继续而演变。最后,对前两部分得到的用户对项目的偏好向量进行加权融合,获得最终的用户对于项目的偏好向量。
技术实现思路
1、本专利技术提供了一种结合深度学习与信息融合的资源推荐方法，旨在解决推荐系统中的数据稀疏问题，通过利用用户的评论、评分以及信任信息发掘用户的偏好，从而更好的为目标用户生成相应的推荐。
2、本方法基于卷积神经网络与图神经网络的信息融合，构建了一种新的深度学习模型—-结合注意力卷积神经网络与图神经网络的信息融合资源推荐模型acgif，在卷积神经网络中加入注意力机制，利用图神经网络来处理相关信息，二者进行有效结合，实现对用户喜好的推荐，具体实施步骤由一下步骤组成：
3、s1：提出了一个新的深度学习模型——结合注意力cnn与gnn的信息融合资源推荐模型acgif，用于更好地为目标用户生成相应的推荐；
4、s2：在cnn中加入注意力机制来处理评论信息,从评论信息中学习用户和项目的个性化表示,能够筛选不同重要性级别的评论；
5、s3：利用gnn来处理评分和信任信息，设计了一个分层的影响传播结构,以模拟用户的潜在嵌入如何随着社交扩散过程的继续而演变；
6、s4：通过对acgif混合模型输入评论文本，对cnn和gnn的输出向量进行加权组合，得到最终用户对项目的偏好向量。
7、2.根据权利要求1所述的基于卷积神经网络与图神经网络的信息融合资源推荐方法其特征在于：所述s1把两种网络的特征相结合，其模型进一步包括以下特征：
8、s1-1：收集数据集中的评分信息、信任信息、评论信息；
9、s1-2：评分的分数为1到5之间的整数,其中1表示“不喜欢”,5表示“喜欢”在预处理过程中,为了对模型进行简化,对评分数量小于5的用户和项目进行过滤,同时在信任数据中也只保留相对应的用户；
10、s1-3：对于信任数据,均用1表示其信任,用0表示不信任；
11、s1-4：评论信息使用的是用户对物品类型的文本信息，由于数据集中，评论的项目不仅包括书籍，还包括汽车、电影、电子产品以及软件等，为了研究简便，剔除了与电子产品无关的信息；
12、3.根据权利要求1所述的基于卷积神经网络与图神经网络的信息融合资源推荐方法其特征在于：所述s2通过在cnn模型加入注意力机制来处理评论信息，其模型进一步包括以下特征：
13、s2-1：在嵌入层把一个用户u对一个项目i的评论文本d转化成一个数字矩阵；
14、s2-2：将评论信息的词嵌入矩阵x传入到卷积层,用来提取输入文本的上下文特征，卷积层的工作方式如下列公式(1)所示：
15、
16、s2-3：其中，输入文本中第i个词的上下文特征表示为,则该特征值是通过卷积层中滑动窗口内的第j个共享权重参数计算获得的,其中ws表示滑动窗口的大小，*表示在卷积层计算中的卷积操作,即滑动窗口内的第j个过滤函数对其在窗口内的ws个词向量进行非线性并行处理；为偏置向量；h函数表示一个非线性激活函数relu；
17、s2-4：通过卷积层操作,生成了输入文本的上下文特征向量fj∈rs-ws+1，经过卷积层的wf的加权计算,最终生成一个特征矩阵
18、s2-5：其中，nf表示卷积层中共享权重参数的数量,也就是滑动窗口内过滤函数的数量，
19、s2-6：在池化层分别引入单词水平的注意力机制和评论水平的注意力机制；
20、s2-7：对于单词级的注意力机制w,首先为用户生成能够体现个性化的注意力向量。因为每个用户或项目都具有唯一的id特征,所以我们先通过基于id的嵌入层将所有用户和项目表示为低维向量。给定用户u的id嵌入,利用多层感知器生成用户u的个性化注意力向量,如公式(2)所示：
21、
22、s2-8：w1是mlp的权重矩阵,b1是偏置项,uid为用户u的嵌入id，然后为用户生成特定的注意力向量,过程如公式(3)、公式(4)所示：
23、
24、
25、s2-9：其中,aw为注意力和谐矩阵,为用户u特有的注意力向量,fk为第k个词的表示,γi为评论中第i个单词的注意力权重；
26、s2-10：本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络与图神经网络的信息融合资源推荐方法，其特征在于：在卷积神经网络中加入了注意力机制，并结合图神经网络以缓解数据稀疏的问题，以准确的给用户推荐相应的偏好，具体包括以下步骤完成判断该信息是否推荐给用户：
2.根据权利要求1所述的基于卷积神经网络与图神经网络的信息融合资源推荐方法其特征在于：所述S1把两种网络的特征相结合，其模型进一步包括以下特征：
3.根据权利要求1所述的基于卷积神经网络与图神经网络的信息融合资源推荐方法其特征在于：所述S2通过在CNN模型加入注意力机制来处理评论信息，其模型进一步包括以下特征：
4.根据权利要求1所述的基于卷积神经网络与图神经网络的信息融合资源推荐方法其特征在于：所述S3利用GNN来处理评分和信任信息，设计了一个分层的影响传播结构，以模拟用户的潜在嵌入如何随着社交扩散过程的继续而演变，其模型进一步包括以下特征：
5.根据权利要求1所述的基于卷积神经网络与图神经网络的信息融合资源推荐方法其特征在于：所述S4通过对ACGIF混合模型输入评论文本，对CNN和GNN的输出向量进行加权组合，
...【技术特征摘要】
1.一种基于卷积神经网络与图神经网络的信息融合资源推荐方法，其特征在于：在卷积神经网络中加入了注意力机制，并结合图神经网络以缓解数据稀疏的问题，以准确的给用户推荐相应的偏好，具体包括以下步骤完成判断该信息是否推荐给用户：
2.根据权利要求1所述的基于卷积神经网络与图神经网络的信息融合资源推荐方法其特征在于：所述s1把两种网络的特征相结合，其模型进一步包括以下特征：
3.根据权利要求1所述的基于卷积神经网络与图神经网络的信息融合资源推荐方法其特征在于：所述s2通过在cnn模型加入注意力...
【专利技术属性】
技术研发人员：李慧，吴帅，张舒，陈志愿，张飞龙，郭玥，樊宁，杨玉，
申请(专利权)人：江苏海洋大学，
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。