欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020116240284
申请人: 山西大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.融合属性特征注意力与异质类型信息的旅游景点推荐方法,其特征在于,包括以下步骤:步骤S1,根据用户对景点的历史评分记录建模用户的交互特征表示;

步骤S2,根据用户属性通过注意力机制建模用户的属性特征表示;

步骤S3,融合用户的属性特征表示和交互特征表示,建模用户的特征表示;

步骤S4,根据步骤S1‑S3,同样地融合景点的类别属性特征表示和交互特征表示,建模景点的特征表示;

步骤S5,融合用户和景点各自的类型信息矩阵,更新用户和景点的特征表示,学习用户和景点在类型信息下的语义嵌入表示;

步骤S6,根据知识表示学习中翻译原理,通过多层感知机学习用户对景点的评分;

步骤S7,根据学习到的用户和景点语义嵌入表示,计算用户对候选集景点的评分,根据评分高低进行排序,生成推荐景点列表;

步骤S8,依据用户和景点的属性,为推荐景点列表中的景点标注评分的原因;

所述步骤S1中根据用户对景点的历史评分记录建模用户的交互特征表示,具体步骤为:根据用户ID对用户进行one‑hot编码为uone‑hot={1,0,...,0},并初始化用户嵌入向量矩阵Wu,实现对用户交互特征表示为:uInt=uone‑hotWu                (1);

所述步骤S2中根据用户属性通过注意力机制建模用户的属性特征表示,具体步骤为:步骤2.1,基于one‑hot的编码表示和查询表初始化用户的属性嵌入表示,对用户的属性进行初始化特征表示,定义为:步骤2.2,考虑到不同属性对于用户的特征表示贡献不同,用户属性ai的隐层特征输出分数hi为:式(3)中, bu为神经网络的权重参数;

步骤2.3,定义用户属性ai的注意力权重为:

式(4)中,αi为属性ai在用户所有属性中的归一化注意力权重,t是用户所有属性的个数,exp是指数函数;

步骤2.4,使用注意力机制将用户的所有属性特征进行融合,定义用户的属性特征表示如下:式(5)中,ai为不同属性对于用户属性特征表示的贡献程度,t是用户所有属性的个数;

所述步骤S3中融合用户的属性特征表示和交互特征表示,建模用户的特征表示,具体步骤为:将用户的属性特征表示和交互特征表示进行拼接得到用户特征表示,定义为:u=uAtt‖uInt                (6);

所述步骤S4中根据步骤S1‑S3,同样地融合景点的类别属性特征表示和交互特征表示,建模景点的特征表示,具体步骤为:步骤4.1,根据景点ID对景点进行one‑hot编码为vone‑hot={1,0,...,0},并初始化景点嵌入向量矩阵Wv,实现对景点交互特征表示为:vInt=vone‑hotWv                (7)步骤4.2,基于one‑hot的编码表示和查询表初始化景点的属性嵌入表示,对景点的属性进行特征表示,可以定义为:步骤4.3,考虑到不同属性对于景点的特征表示贡献不同,景点属性bi的隐层特征输出分数 为:式(9)中, bv为神经网络的权重参数;

步骤4.4,定义景点属性bi的注意力权重为:

式(10)中,βi为景点属性bi在景点所有属性中的归一化注意力权重,s是景点所有属性的个数,exp是指数函数;

步骤4.5,使用注意力机制将景点的所有属性特征进行融合,定义景点的属性特征表示如下:式(11)中,βi为不同属性对于景点属性特征表示的注意力贡献程度,s是景点所有属性的个数;

步骤4.6,将景点的属性特征表示和交互特征表示进行拼接得到景点特征表示,定义为:v=vAtt‖vInt                 (12);

所述步骤S5中融合用户和景点各自的类型信息矩阵,更新用户和景点的特征表示,学习用户和景点在类型信息下的语义嵌入表示,具体步骤为:步骤5.1,基于用户的特征表示,融合用户的节点类型信息,学习用户在类型信息下的语义嵌入表示为:u′=Muu                   (13)式(13)中,Mu是学习参数,表示用户实体的类型信息矩阵,将用户实体u映射到统一空间;

步骤5.2,将景点的特征表示v与景点的类型信息矩阵Mv进行融合,学习景点在类型信息下的语义嵌入表示为:v'=Mvv                     (14);

所述步骤S6中根据知识表示学习中翻译原理,通过多层感知机学习用户对景点的评分,具体步骤为:步骤6.1,用户u对景点v的评分r视作用户的语义嵌入u'和景点语义嵌入v'在某一空间上的翻译关系r,将用户、景点和评分关系定义为:u'+r=v'                    (15)步骤6.2,将用户和景点的距离关系v'‑u'送入到多层感知机,考虑到偏置b',学习用户对景点的评分,即评分预测函数定义为:

2.根据权利要求1所述的融合属性特征注意力与异质类型信息的旅游景点推荐方法,其特征在于,所述步骤S7中根据学习到的用户和景点语义嵌入表示,计算用户对候选集景点的评分,根据评分高低进行排序,生成推荐景点列表,具体步骤为:对于候选集景点中新的景点v″,与用户组成三元组(u,r,v″),基于用户u和景点v″的语义表示,根据步骤6.2中的评分预测函数进行评分预测,将预测评分较高的前k个景点进行推荐。

3.根据权利要求2所述的融合属性特征注意力与异质类型信息的旅游景点推荐方法,其特征在于,所述步骤S8中依据用户和景点的属性,为推荐景点列表中的景点标注评分的原因,具体步骤为:对于评分推荐结果,根据步骤2.3和步骤4.4的注意力权重计算方法,得到用户各个属性的贡献度αi以及景点属性贡献度βi,依据贡献度最高的属性信息来对景点推荐的结果生成相应的推荐解释。