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: 2023106217567
申请人: 南京邮电大学
专利类型:发明专利
专利状态:未下证
专利领域: 电通信技术
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:

1.一种基于用户偏好解耦的用户套餐推荐方法,其特征在于,包括以下步骤:步骤S1:采集用户的套餐订阅数据和满意度评分数据,建立用户套餐订阅数据集,并进行数据预处理;

步骤S2:使用三个嵌入表示分别表征用户对于套餐中流量、语音和价格的偏好,并且从用户套餐订阅数据集中抽取特定数据来训练每个嵌入表示,使得每个嵌入表示只捕捉其中一种偏好;

步骤S3:利用注意力机制自适应融合三个嵌入表示,得到用户总体偏好表征;

步骤S4:基于用户总体偏好表征计算用户对于候选套餐的满意程度,并根据满意程度生成套餐推荐列表;

在步骤S2中,包括以下步骤:

步骤S21:从用户套餐订阅数据集中抽取三种特定数据,形成三个子数据集一O1、数据集二O2和数据集三O3,使得模型分别从三个子数据集中学习用户对于套餐中流量、语音和价格的偏好;

所述数据集一O1中每条数据的满意度标签满足:语音满意度标签为满意,而流量满意度标签为不满意;

数据集二O2中每条数据的满意度标签满足:流量满意度标签为满意,语音满意度标签为不满意;

数据集三O3中的数据满足:正样本的套餐性价比高于负样本的套餐性价比,所述正样本即套餐整体满意度评分为满意的用户,负样本为套餐整体满意度评分为不满意的用户,套餐性价比Pc的计算方式为: 其中,α和β分别为计算性价比时流量和语音的权重,flux表示套餐中包含的流量,voice表示套餐中包含的语音时长,price表示套餐的价格;

步骤S22:基于数据集一O1、数据集二O2和数据集三O3子数据集分别训练矩阵分解模型学习用户对于套餐中流量、语音和价格的偏好,得到流量嵌入表示 语音嵌入表示和价格嵌入表示 具体步骤为:在推荐场景下,设定U={u1,u2,…,uM}为用户集合,V={v1,v2,…,vN}为套餐集合,其中,u和v分别为用户ID和套餐ID;设定ui,a、vi,a、ui,v分别为用户画像特征、套餐信息特征和用户套餐消费特征,一个用户的行为aj定义为该用户在第j月订阅的套餐信息vi、套餐信息特征vi,a以及在当月的用户套餐消费特征ui,v;

一个用户u的订阅行为序列定义为用户所有的行为按照时间顺序构成的序列Su={a1,a2,…,an},用户与套餐的交互信息为显式反馈数据,即用户对于套餐的满意度yu,v;

使用全连接层一 和全连接层二 分别将用户ID向量和套

餐ID向 量转 换为一 系列密 集向量的 集合一 和集合 二其中|U|、|V|分别表示用户和套餐的数量,du表示初始用户ID特征向量维度的大小,dv表示初始套餐ID特征向量维度的大小;

将用户ID特征与用户画像特征级联构成初始用户特征 其中[·]表示将两个向量级联,将套餐ID特征与套餐信息特征级联构成套餐初始特征利用矩阵分解层来预测用户对于套餐的整体满意度,具体步骤为:计算用户特征 与套餐特征 的内积得到用户u对于套餐v的满意度预测值使用均方差损失优化推荐模型,使满意度预测值y′u,v不断接近满意度真实值yu,v:

其中,Wf为模型的参数, 为L2正则化项,fset={flux,voice,price},表示三个f f关键因素:流量、语音和价格;U和V表示某一个子数据集中的用户集合和套餐集合,Lf为建模用户某一偏好时的损失函数;

基于流量的模型参数、语音的模型参数、价格的模型参数Wflux、Wvoice和Wprice,用户初始特征 分别更新为流量嵌入表示 语音嵌入表示 和价格嵌入表示 分别表征用户对于套餐中流量、语音和价格的偏好;

在步骤S3中,包括以下步骤:

步骤S31:基于用户套餐订阅序列数据,利用长短时记忆网络学习用户短期倾向 长短时记忆网络的序列步骤更新方式计算如公式(3)~公式(7)所示:fk=σ(xkWf+hk‑1Uf+bf)    (3),ik=σ(xkWi+hk‑1Ui+bi)    (4),ok=σ(xkWo+hk‑1Uo+bo)    (5),ck=fk⊙ck‑1+ik⊙φ(xkWc+hk‑1Uc+bc)      (6),hk=ok⊙φ(ck)    (7),

其中,Wf、Uf和bf分别表示遗忘门参数一、遗忘门参数二和遗忘门参数三,Wi、Ui和bi分别表示输入门参数一、输入门参数二和输入门参数三,Wo、Uo和bo分别表示输出门参数一、输出门参数二和输出门参数三,fk、ik和ok分别表示遗忘门、输入门和输出门,ck表示记忆元,Wc、Uc和bc分别表示记忆元参数一、记忆元参数二和记忆元参数三,xk表示用户订阅行为序列中第k个行为的套餐消费特征,⊙表示按照元素相乘,σ是sigmoid函数,φ是tanh函数,hk表示用户在第k个时刻的短期偏好;hk‑1表示用户在第k‑1时刻的短期偏好,ck‑1表示k‑1时刻记忆元的状态;

步骤S32:设关键因素集合为fset={voice,flux,price};

使用注意力网络计算最终的用户表征:

其中, 表示用户总体偏好表征,ANN表示注意力网络,给定用户u的短期偏好 注意力函数l将维度为du的关键因素用户表征 映射为权重值ωfactor,ωfactor表示第k个时刻factor方面偏好表征的重要性;

以此类推,聚合函数g将所有关键因素用户表征聚合为用户总体偏好表征 计算方式如公式(9)~公式(11)所示:其中, 为模型参数,ψ(·)为RELU激活函数,T表示向量转置符号,exp(·)表示指数函数, 表示用户u在第k时刻factor方面偏好表征,hfacotr为经过ψ(·)更新后的用户在factor方面偏好表征。

2.根据权利要求1所述的基于用户偏好解耦的用户套餐推荐方法,其特征在于,在步骤S1中,包括以下步骤:步骤S11:采集用户的套餐订阅数据和满意度评分数据,建立用户套餐订阅数据集,所述用户套餐订阅数据集包括用户画像数据、套餐详情数据、套餐消费数据和满意度评分数据,所述满意度评分数据包括语音满意度评分、流量满意度评分以及套餐整体满意度评分,评分数据包括满意和不满意;

步骤S12:对用户套餐订阅数据集中的数据进行预处理,预处理包括以下步骤:

1)对所述用户套餐订阅数据集中的数据重复项进行去重;

2)使用独热编码重新编码用户ID和套餐ID,假设套餐集合为Y=[y1,y2,…,yn],对于其中任意一个特征yj,编码之后的向量为value=[0,0,…,0,1,0,..,0],其中,向量的长度为集合的大小N=|Y|,向量的第j维为1,其余维度为0;

3)将所述用户套餐订阅数据集中的二元特征或者连续值特征标准化到[0,1]之间的一个实数;

步骤S13:基于预处理后的用户套餐订阅数据集,构建每个用户的订阅行为序列,一个用户的行为序列为用户所有行为按照时间顺序构成的序列,用户的每个行为定义为用户当前订阅的套餐和套餐消费行为。

3.根据权利要求1所述的基于用户偏好解耦的用户套餐推荐方法,其特征在于,在步骤S4中,具体包括以下步骤:步骤S41:使用矩阵分解层计算用户u对于套餐v的整体满意度:其中, 为套餐i的特征,γ为超参数,用于调整用户短期偏好和用户总体偏好在推荐时的重要性;

同样,使用均方差损失来优化模型参数:

其中,L为损失函数,λ为正则化项 的系数;

步骤S42:基于用户总体偏好表征、用户短期偏好表征和套餐表征,计算用户对所有候选套餐的整体满意度,然后按照整体满意度从高到低排序,生成套餐推荐列表,取套餐推荐列表排名为前q的套餐推荐给用户。

4.一种基于用户偏好解耦的用户套餐推荐系统,其特征在于,包括以下模块:数据采集模块:采集用户的套餐订阅数据和满意度评分数据,建立用户套餐订阅数据集,并进行数据预处理;

训练模块:使用三个嵌入表示分别表征用户对于套餐中流量、语音和价格的偏好,并且从用户套餐订阅数据集中抽取特定数据来训练每个嵌入表示,使得每个嵌入表示只捕捉其中一种偏好;

融合模块:利用注意力机制自适应融合三个嵌入表示,得到用户总体偏好表征;

套餐生成模块:基于用户总体偏好表征计算用户对于候选套餐的满意程度,并根据满意程度生成套餐推荐列表;

在训练模块中,执行以下步骤:

步骤S21:从用户套餐订阅数据集中抽取三种特定数据,形成三个子数据集一O1、数据集二O2和数据集三O3,使得模型分别从三个子数据集中学习用户对于套餐中流量、语音和价格的偏好;

所述数据集一O1中每条数据的满意度标签满足:语音满意度标签为满意,而流量满意度标签为不满意;

数据集二O2中每条数据的满意度标签满足:流量满意度标签为满意,语音满意度标签为不满意;

数据集三O3中的数据满足:正样本的套餐性价比高于负样本的套餐性价比,所述正样本即套餐整体满意度评分为满意的用户,负样本为套餐整体满意度评分为不满意的用户,套餐性价比Pc的计算方式为: 其中,α和β分别为计算性价比时流量和语音的权重,flux表示套餐中包含的流量,voice表示套餐中包含的语音时长,price表示套餐的价格;

步骤S22:基于数据集一O1、数据集二O2和数据集三O3子数据集分别训练矩阵分解模型,学习用户对于套餐中流量、语音和价格的偏好,得到流量嵌入表示 语音嵌入表示和价格嵌入表示 具体步骤为:在推荐场景下,设定U={u1,u2,…,uM}为用户集合,V={v1,v2,…,vN}为套餐集合,其中,u和v分别为用户ID和套餐ID;设定ui,a、vi,a、ui,v分别为用户画像特征、套餐信息特征和用户套餐消费特征,一个用户的行为aj定义为该用户在第j月订阅的套餐信息vi、套餐信息特征vi,a以及在当月的用户套餐消费特征ui,v;

一个用户u的订阅行为序列定义为用户所有的行为按照时间顺序构成的序列Su={a1,a2,…,an},用户与套餐的交互信息为显式反馈数据,即用户对于套餐的满意度yu,v;

使用全连接层一 和全连接层二 分别将用户ID向量和套

餐ID向 量转 换为一 系列密 集向量的 集合 一 和集合 二其中|U|、|V|分别表示用户和套餐的数量,du表示初始用户ID特征向量维度的大小,dv表示初始套餐ID特征向量维度的大小, 表示实数域;

将用户ID特征与用户画像特征级联构成初始用户特征 其中,[·]表示将两个向量级联,将套餐ID特征与套餐信息特征级联构成套餐初始特征利用矩阵分解层来预测用户对于套餐的整体满意度,具体步骤为:计算用户特征 与套餐特征 的内积得到用户u对于套餐v的满意度预测值使用均方差损失优化推荐模型,使满意度预测值y′u,v不断接近满意度真实值yu,v:

其中,Wf为模型的参数, 为L2正则化项,fset={flux,voice,price},表示三个f f关键因素:流量、语音和价格;U和V表示某一个子数据集中的用户集合和套餐集合,Lf为建模用户某一偏好时的损失函数;

基于流量的模型参数、语音的模型参数、价格的模型参数Wflux、Wvoice和Wprice,用户初始特征 分别更新为流量嵌入表示 语音嵌入表示 和价格嵌入表示 分别表征用户对于套餐中流量、语音和价格的偏好;

在融合模块中,执行以下步骤:

步骤S31:基于用户套餐订阅序列数据,利用长短时记忆网络学习用户短期倾向 长短时记忆网络的序列步骤更新方式计算如公式(3)~公式(7)所示:fk=σ(xkWf+hk‑1Uf+bf)    (3),ik=σ(xkWi+hk‑1Ui+bi)    (4),ok=σ(xkWo+hk‑1Uo+bo)    (5),ck=fk☉ck‑1+ik☉φ(xkWc+hk‑1Uc+bc)    (6),hk=ok☉φ(ck)    (7),

其中,Wf、Uf和bf分别表示遗忘门参数一、遗忘门参数二和遗忘门参数三,Wi、Ui和bi分别表示输入门参数一、输入门参数二和输入门参数三,Wo、Uo和bo分别表示输出门参数一、输出门参数二和输出门参数三,fk、ik和ok分别表示遗忘门、输入门和输出门,ck表示记忆元,Wc、Uc和bc分别表示记忆元参数一、记忆元参数二和记忆元参数三,xk表示用户订阅行为序列中第k个行为的套餐消费特征,⊙表示按照元素相乘,σ是sigmoid函数,φ是tanh函数,hk表示用户在第k个时刻的短期偏好;hk‑1表示用户在第k‑1时刻的短期偏好,ck‑1表示k‑1时刻记忆元的状态;

步骤S32:设关键因素集合为fset={voice,flux,price};

使用注意力网络计算最终的用户表征:

其中, 表示用户总体偏好表征,ANN表示注意力网络,给定用户u的短期偏好 注意力函数l将维度为du的关键因素用户表征 映射为权重值ωfactor,ωfactor表示第k个时刻factor方面偏好表征的重要性;

以此类推,聚合函数g将所有关键因素用户表征聚合为用户总体偏好表征 具体计算方式如公式(9)~公式(11)所示:其中, 为模型参数,ψ(·)为RELU激活函数,T表示向量转置符号,exp(·)表示指数函数, 表示用户u在第k时刻factor方面偏好表征,hfacotr为经过ψ(·)更新后的用户在factor方面偏好表征。

5.根据权利要求4所述的基于用户偏好解耦的用户套餐推荐系统,其特征在于,在数据采集模块中,执行以下步骤:步骤S11:采集用户的套餐订阅数据和满意度评分数据,建立用户套餐订阅数据集,所述用户套餐订阅数据集包括用户画像数据、套餐详情数据、套餐消费数据和满意度评分数据,所述满意度评分数据包括语音满意度评分、流量满意度评分以及套餐整体满意度评分,评分数据包括满意和不满意;

步骤S12:对用户套餐订阅数据集中的数据进行预处理,预处理包括以下步骤:

1)对所述用户套餐订阅数据集中的数据重复项进行去重;

2)使用独热编码重新编码用户ID和套餐ID,假设套餐集合为Y=[y1,y2,…,yn],对于其中任意一个特征yj,编码之后的向量为value=[0,0,…,0,1,0,..,0],其中,向量的长度为集合的大小N=|Y|,向量的第j维为1,其余维度为0;

3)将所述用户套餐订阅数据集中的二元特征或者连续值特征标准化到[0,1]之间的一个实数;

步骤S13:基于预处理后的用户套餐订阅数据集,构建每个用户的订阅行为序列,一个用户的行为序列为用户所有行为按照时间顺序构成的序列,用户的每个行为定义为用户当前订阅的套餐和套餐消费行为。

6.根据权利要求4所述的基于用户偏好解耦的用户套餐推荐系统,其特征在于,在套餐生成模块中,执行以下步骤:步骤S41:使用矩阵分解层计算用户u对于套餐v的整体满意度:其中, 为套餐i的特征,γ为超参数;

同样,使用均方差损失来优化模型参数:

其中,L为损失函数,λ为正则化项 的系数;

步骤S42:基于用户总体偏好表征、用户短期偏好表征和套餐表征,计算用户对所有候选套餐的整体满意度,按照满意程度从高到低排序,生成套餐推荐列表,取套餐推荐列表排名为前q的套餐推荐给用户。