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: 2024111651921
申请人: 芜湖千万科技有限公司
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:

1.一种考虑用户项目需求关系的图卷积推荐方法,其特征在于,包括:对用户的预测时间戳进行编码获得用户的时间编码向量,所述时间编码向量包括小时时间特征向量、星期时间特征向量、季度时间特征向量;

将用户的时间编码向量输入预先训练好的与用户对应的用户兴趣模型,获得用户在预测时间戳对每个项目类别的感兴趣程度置信度分数;根据用户项目交互记录生成图结构数据;

将图结构数据输入预先训练好的图卷积网络模型,获得用户对每个项目的基础预测评分;

利用用户在预测时间戳对每个项目所属项目类别的感兴趣程度置信度分数调整用户对该项目的基础预测评分,得到用户对每个项目的调整预测评分;

将用户对项目的调整预测评分按照从高到低排序,向用户推荐排序序列中前K1个项目,K1为正整数;

用户兴趣模型采用多层感知机结构,与用户u对应的用户兴趣模型的训练方法包括:基于用户项目交互记录获取用户u的按照时间升序排列的项目类别-时间戳序列;

对项目类别-时间戳序列中时间戳进行编码获得时间编码向量序列;

构建并初始化用户兴趣模型;

以用户兴趣损失函数最小化为目标利用时间编码向量序列对用户兴趣模型进行训练获得与用户u对应的用户兴趣模型;

其中,用户兴趣损失函数为:

其中,T表示时间编码向量序列的时间戳集合;yu,t表示用户u在时间戳t对项目类别的真实感兴趣程度向量,真实感兴趣程度向量包括用户u在时间戳t对所有项目类别的真实感兴趣程度,具体的:基于用户u的项目类别-时间戳序列获取到每个时间戳用户u的真实交互项目类别,将用户u在时间戳t真实交互的项目类别的真实感兴趣程度设为1,将用户u在时间戳t没有真实交互的项目类别的真实感兴趣程度均设为0,获得的用户u在时间戳t对项目类别的真实感兴趣程度向量为所有项目类别的真实感兴趣程度组成的序列;表示用户兴趣模型输出的用户u在时间戳t对项目类别的感兴趣程度置信度向量,感兴趣程度置信度向量包括用户u在时间戳t对所有项目类别的感兴趣程度置信度分数;LBCE(,)表示二元交叉熵损失函数;λ表示正则系数;

用户u在时间戳t的正则项Ru,t为:

i,j均表示项目类别索引;分别表示中用户u在时间戳t对第i个项目类别、第j个项目类别的感兴趣程度置信度分数;dH(ci,cj)表示求取项目类别ci和项目类别cj的编码的汉明距离,|C|表示项目类别集合C包含的项目类别数。

2.如权利要求1所述的考虑用户项目需求关系的图卷积推荐方法,其特征在于,所述对用户的预测时间戳进行编码获得用户的时间编码向量,包括:对用户的预测时间戳除以第一转换系数的商进行向下取整获得整数时间值;

取整数时间值除以24的余数作为小时时间特征;

对整数时间值除以24的商进行向下取整获得第一中间值,取第一中间值除以7的余数作为星期时间特征;

对整数时间值除以2184的商进行向下取整获得第二中间值,取第二中间值除以4的余数作为季度时间特征;

分别对小时时间特征、星期时间特征、季度时间特征进行矢量转换,获得小时时间特征向量、星期时间特征向量、季度时间特征向量;

拼接小时时间特征向量、星期时间特征向量、季度时间特征向量获得用户的时间编码向量。

3.如权利要求1所述的考虑用户项目需求关系的图卷积推荐方法,其特征在于,所述用户兴趣模型包括输入层、一个以上全连接层和输出单元;

所述输入层组合时间身份辅助矩阵和用户u的时间编码向量获得输入表示其中,t表示时时间戳;时间身份辅助矩阵包括小时身份辅助矩阵和星期身份辅助矩阵||表示矩阵拼接操作;

所述一个以上全连接层对输入表示进行学习分别获得隐藏层表示;

所述输出单元将最后一层全连层输出的隐藏层表示转换为用户在时间戳t对每个项目类别的感兴趣程度置信度分数。

4.如权利要求1所述的考虑用户项目需求关系的图卷积推荐方法,其特征在于,项目类别的编码获取方法包括:基于用户项目交互记录构建项目类别相似度矩阵;

对项目类别相似度矩阵进行特征值分解获得特征向量矩阵和特征值对角矩阵;

从特征值对角矩阵中选择前K2个最大特征值对应在特征向量矩阵中的特征向量组成伪矩阵,所述伪矩阵中每个项目类别包括K2维元素,K2为正整数;

对伪矩阵进行归一化,并利用符号函数将归一化后的伪矩阵的每个元素映射到{0,1}范围,映射完成后每个项目类别被编码成K2维二进制编码。

5.如权利要求4所述的考虑用户项目需求关系的图卷积推荐方法,其特征在于,所述基于用户项目交互记录构建项目类别相似度矩阵,包括:基于用户项目交互记录获得任意两个项目类别间的类别相似度,项目类别ci和项目类别cj间的类别相似度为:其中,表示用户项目交互记录中与项目类别ci交互过的用户集合;表示用户项目交互记录中与项目类别cj交互过的用户集合;

所有项目类别间的类别相似度组成项目类别相似度矩阵,项目类别相似度矩阵大小为|C|×|C|。

6.如权利要求1或2或3或4或5所述的考虑用户项目需求关系的图卷积推荐方法,其特征在于,所述根据用户项目交互记录生成图结构数据,包括:基于用户项目交互记录提取用户集、项目集和用户项目交互图,所述用户项目交互图的节点包括用户节点和项目节点;

获取用户项目交互图的邻接矩阵,并对邻接矩阵标准化获得标准邻接矩阵;

基于标准邻接矩阵计算任意两个用户间的用户相似度,以及计算任意两个项目间的项目相似度;

在所有用户相似度和所有项目相似度中选择最相似的top-K3对节点,分别在top-K3对节点的每对节点间添加相似边,生成用户相似图和项目相似图;

用户项目交互图、用户相似图和项目相似图组成图结构数据。

7.如权利要求6所述的考虑用户项目需求关系的图卷积推荐方法,其特征在于,所述将图结构数据输入预先训练好的图卷积网络模型,获得用户对每个项目的基础预测评分,包括:所述图卷积网络模型分别获取用户和项目的特征表示;

其中,用户u的特征表示eu为:

项目m的特征表示em为:

计算用户对每个项目的基础预测评分,其中,用户u对项目m的基础预测评分为:其中,表示图卷积网络模型的第k层输出的用户u的嵌入表示,当k大于0时:表示图卷积网络模型的第k层输出的项目m的嵌入表示:

其中,K表示图卷积网络模型层数索引最大值;U表示用户集;I表示项目集;αk表示图卷积网络模型的第k层的权重系数;Nu表示图结构数据中用户u的邻居节点集合;Nm表示图结构数据中项目m的邻居节点集合;Su表示图结构数据的用户相似图中用户u的相似用户节点集合;Sv表示图结构数据的用户相似图中用户v的相似用户节点集合;Sm表示图结构数据的项目相似图中项目m的相似项目节点集合;Sn表示图结构数据的项目相似图中项目n的相似项目节点集合。

8.如权利要求1或2或3或4或5或7中任一项所述的考虑用户项目需求关系的图卷积推荐方法,其特征在于,用户u对项目m的调整预测评分为:其中,表示用户u对项目m的基础预测评分;γ表示增强调整因子,γ≥1;β表示抑制调整因子,β∈[0,1];表示用户u在时间戳t对项目m所属的第i个项目类别的感兴趣程度置信度分数。

9.一种考虑用户项目需求关系的图卷积推荐装置,用于实现权利要求1-8之一所述的考虑用户项目需求关系的图卷积推荐方法,其特征在于,包括:时间编码模块,对用户的预测时间戳进行编码获得用户的时间编码向量,所述时间编码向量包括小时时间特征向量、星期时间特征向量、季度时间特征向量;

用户兴趣模型模块,将用户的时间编码向量输入预先训练好的与用户对应的用户兴趣模型,获得用户在预测时间戳对每个项目类别的感兴趣程度置信度分数;

图结构数据生成模块,根据用户项目交互记录生成图结构数据;

基础预测评分获取模块,将图结构数据输入预先训练好的图卷积网络模型,获得用户对每个项目的基础预测评分;

评分调整模块,利用用户在预测时间戳对每个项目所属项目类别的感兴趣程度置信度分数调整用户对该项目的基础预测评分,得到用户对每个项目的调整预测评分;

推荐模块,将用户对项目的调整预测评分按照从高到低排序,向用户推荐排序序列中前K1个项目,K1为正整数。