【技术实现步骤摘要】
本专利技术涉及朋友推荐领域，更具体地说是一种基于大语言模型标签分类的可解释朋友推荐方法。
技术介绍
1、推荐系统(recommender system，rs)本质上是一种信息过滤系统，旨在根据用户的偏好和行为来为用户推荐商品、服务或信息。通过算法推荐达到节省用户时间，提升用户满意度，建立用户信任。但是对于用户来说，他们不仅希望得到推荐，还希望了解推荐的原因。可解释推荐系统不同于传统的推荐系统，为用户推荐的同时，给用户提供推荐理由，向用户解释清楚为什么推荐这些项目，使得推荐内容更容易被用户所接受。可解释推荐系统不仅能够提升推荐系统的透明度，还能够提升用户对推荐系统的信任度和接受度，进而提升用户对推荐产品的满意度。
2、面对不同的实际应用场景，推荐系统的解释有不同的形式。比如，基于用户和物品的解释，其中基于用户的解释通过分析目标用户的行为特征，找到具有相似兴趣和经验的用户群体，然后根据这个群体的偏好为目标用户推荐可能感兴趣的内容，而基于物品的解释可以让用户知道所推荐的物品与他之前喜欢的其他物品相似；基于特征的解释是将候选物品中用户感兴趣的内容特征与用户偏好进行匹配，通过以特征作为解释，用户可以直观的理解内容为什么被推荐，如根据研究兴趣、学术领域和学校等生成学者推荐；文本解释是通过生成文本信息作为解释，帮助用户理解每条推荐；视觉解释是利用视觉图像的直观性进行可解释的推荐。
3、近些年内，随着互联网信息的爆炸式增长，标签(由用户指定用来描述项目的关键词)在互联网信息检索领域中变得越来越重要，标签推荐也因此受到了研
4、目前已有大量的研究讨论了如何将标签应用于推荐系统领域。wu等人提出了一个生成模型(tag2word)，根据标签-单词分布以及标签本身生成单词。he等人针对用户冷启动问题，提出一种结合标签数据和朴素贝叶斯分类的推荐算法。利用标签数据表示用户的属性特征，通过朴素贝叶斯分类器匹配新老用户，利用相似用户群体推断新用户的兴趣。chen等人提出了一种图神经网络增强的个性化标签推荐模型，该模型将图神经网络融入到成对交互分解模型中,考虑了由标签分配产生的两类交互图(即用户-标签交互图和物品-标签交互图)。对于每个交互图，利用图神经网络捕获交互图中编码的协作信号，并通过沿交互图传输和组装实体邻居的表示，将协作信号融入实体表示的学习中。zou等人提出了一种基于注意力学习的标签感知推荐模型，该模型能够捕捉用户和物品基于标签的多种潜在特征。该模型采用嵌入方法为每个用户和每个物品生成密集的基于标签的特征向量。为了将这些向量压缩为固定长度的特征向量，构建了一个注意力池化层，可以根据不同特征的重要性自动分配不同的权重。将用户和物品的特征向量串联起来作为多层全连接网络的输入，学习非线性的高层交互特征。
5、尽管标签推荐算法各有不同，但根据标签推荐任务的三大特性：项目内容的多样性、标签之间的相关性和用户偏好的差异性，可以将标签推荐方法划分为3个类别，基于内容的标签推荐方法；基于标签相关性的推荐方法；基于用户偏好的推荐方法。同样的现在推荐系统也有一些挑战需要解决，第一点是复杂度高，可解释性的推荐系统需要考虑用户的偏好、行为特征、推荐理由等多方面因素，系统设计和实现较为复杂。第二点是解释性与性能之间的权衡，在追求推荐系统的解释性的同时，可能会影响系统的性能和准确性，需要在解释性和性能之间进行权衡。第三点是用户理解难度，用户可能难以理解推荐系统提供的解释或推荐理由，导致用户对推荐结果的信任度降低。第四点是数据稀疏性，在面对数据稀疏性的情况下，可解释性的推荐系统可能难以准确地解释推荐结果的原因或依据。
技术实现思路
1、本专利技术的目的在于提供一种基于大语言模型标签分类的可解释朋友推荐方法，以期能为多平台内给每位用户推荐具有相似特征的其他朋友用户，推荐结果既满足准确性和多样性，还要满足可解释性，以解释推荐结果的原因或依据，进而进一步实现用户的个性化朋友推荐。
2、在本专利技术的一个方面，本专利技术提出了一种基于大语言模型标签分类的可解释朋友推荐方法。根据本专利技术的实施例，所述方法包括以下步骤：
3、(1)获取用户的文本属性信息和关注信息；
4、(2)构建用户的文本属性词库，基于文本属性词库对用户文本属性重新分词并更新，获得更新后的文本属性信息集合；
5、(3)将更新后的文本属性信息集合作为大语言模型q&a问答模式的输入并进行特征提取和分类，构建用户的基本信息，获取用户的分类信息；
6、(4)计算用户之间的相似度、关注度、推荐度；
7、(5)基于步骤(4)获得的推荐度，得到一个维数为n×n的矩阵resim，每一列代表当前用户与其他用户之间的推荐度，根据推荐度值进行降序排序并取前k，从而获得为n位用户所推荐的候选推荐列表crl，且维度为k×n；
8、(6)利用多目标进化优化框架对候选推荐列表crl进行优化，得到最优推荐列表。
9、另外，根据本专利技术上述实施例的一种基于大语言模型标签分类的可解释朋友推荐方法，还可以具有如下附加的技术特征：
10、在本专利技术的一些实施例中，所述步骤(1)具体如下，设u为每位用户的所有文本属性信息集合，其中u＝{u1,u2,…ui,…un}；设v为每位用户的所有关注信息，其中v＝{v1,v2,…vi,…,vn}。
11、在本专利技术的一些实施例中，所述步骤(2)具体如下，假设有n个用户并进行数字序列化，针对n位用户的文本属性信息集合u＝{u1,u2,…ui,…un}出现过度分词问题，构建一个新文本属性词库lex并对n个用户的文本属性信息集合u＝{u1,u2,…ui,…un}进行重新分词、去除用户属性中的重复信息、删除停用词和统一化大小写的操作，最终得到更新后的文本属性信息集合u'＝{u'1,u'2,…,u'i,…u'n}。
12、在本专利技术的一些实施例中，所述步骤(3)中，分类具体分为七大类标签，分类信息记为lab＝{lab1,lab2,…,labi,…,labn}，labi表示的第i位用户的标签集合。
13、在本专利技术的一些实施例中，所述步骤(4)具体如下：
14、(401)计算用户之间的相似度j
15、相同属性标签用户之间的相似度采用jaccard相似系数去计算：
16、
17、式中，j(a,b)表示a和b两个用户标签集合laba和labb之间的相似度，laba∩labb表示用户a的标签集合与用户b的标签集合的交集元素的个数，laba∪labb表示用户a的标签集合与用户b的标签集合的本文档来自技高网...
【技术保护点】
1.一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于：所述步骤(1)具体如下，设U为每位用户的所有文本属性信息集合，其中U＝{u1,u2,…ui,…uN}；设V为每位用户的所有关注信息，其中V＝{v1,v2,…vi,…,vN}。
3.根据权利要求2所述的一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于：所述步骤(2)具体如下，假设有N个用户并进行数字序列化，针对N位用户的文本属性信息集合U＝{u1,u2,…ui,…uN}出现过度分词问题，构建一个新文本属性词库Lex并对N个用户的文本属性信息集合U＝{u1,u2,…ui,…uN}进行重新分词、去除用户属性中的重复信息、删除停用词和统一化大小写的操作，最终得到更新后的文本属性信息集合U'＝{u’1,u’2,…,u’i,…u’N}。
4.根据权利要求3所述的一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于：所述步骤(3)中，分类具体分为七大类标签，分类信息记为Lab＝{l
5.根据权利要求4所述的一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于，所述步骤(4)具体如下：
6.根据权利要求5所述的一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于，所述步骤(6)包括以下步骤：选取衡量推荐列表的准确性和多样性作为多目标函数、初始化种群、种群进化。
7.根据权利要求6所述的一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于，所述选取衡量推荐列表的准确性和多样性作为多目标函数具体如下：
8.根据权利要求7所述的一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于，所述初始化种群具体如下：采用随机初始化策略生成初始种群P，即随机生成PopSize行k列的决策矩阵，计算得到PopSize行M列的目标矩阵。
9.根据权利要求8所述的一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于，所述种群进化包括以下步骤：
...【技术特征摘要】
1.一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于：所述步骤(1)具体如下，设u为每位用户的所有文本属性信息集合，其中u＝{u1,u2,…ui,…un}；设v为每位用户的所有关注信息，其中v＝{v1,v2,…vi,…,vn}。
3.根据权利要求2所述的一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于：所述步骤(2)具体如下，假设有n个用户并进行数字序列化，针对n位用户的文本属性信息集合u＝{u1,u2,…ui,…un}出现过度分词问题，构建一个新文本属性词库lex并对n个用户的文本属性信息集合u＝{u1,u2,…ui,…un}进行重新分词、去除用户属性中的重复信息、删除停用词和统一化大小写的操作，最终得到更新后的文本属性信息集合u'＝{u’1,u’2,…,u’i,…u’n}。
4.根据权利要求3所述的一种基于大语言模型标签分类的可解释朋友推荐方法，其特征在于：所述步骤(3)中，分类具体分为...
【专利技术属性】
技术研发人员：葛媛媛，王红艳，张建鑫，朱萌，张磊，
申请(专利权)人：安徽大学，
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。