一种基于用户人格分析的群组推荐方法技术

本发明专利技术公开了一种基于用户人格分析的群组推荐方法，其特点是采用将用户人格信息作为侧面信息的群组推荐方法，该方法获取用户的人格隐式表示，将人格作为用户属性构建用户与物品的协同知识图谱，生成协同知识图谱中每个实体的邻居实体聚合表示，并生成协同知识图谱中每个实体的多阶聚合表示，融合用户人格表示和实体高阶表示生成群组偏好表示，最终根据群组偏好表示和物品表示预测二者匹配程度进行基于用户人格分析的群组推荐。本发明专利技术与现有技术相比具有较好的避免数据稀疏性问题，在考虑到个体人格的基础上再进行群组推荐会更符合实际情况，推荐结果更为准确，可解释性更强，准确率更高，有效性更好。有效性更好。有效性更好。

【技术实现步骤摘要】
一种基于用户人格分析的群组推荐方法


[0001]本专利技术涉及群组推荐任务
，具体地说是一种基于用户人格分析的群组推荐方法。

技术介绍

[0002]群组推荐(Group Recommendation)是推荐系统中的一项新兴任务，其目的是根据一组用户的偏好向这个群组推荐项目。如何从小组成员与物品的海量交互数据中抽取出整个群组的偏好变得尤为重要，特别是在团体活动领域，群组推荐系统能够为团体活动提出建议，给予整个团体每个成员更好的体验。
[0003]在早期研究中，研究者们将群组视为一个特殊的个体，并将个体推荐方法应用于群组推荐任务。但是，这种方法只适用于拥有充分的群组
‑
项目交互信息的稳定群组，而不适用于群组
‑
项目交互信息非常稀疏，甚至缺失的偶发群组。为了解决偶发群组的群组
‑
项目交互信息稀疏性问题，研究者们采用基于个体评分或偏好聚合的方法来处理群组推荐任务。然而，这些预定义的聚合方法不足以捕捉群体决策复杂的动态过程，导致群体推荐的次优表现。
[0004]随着注意力机制在深度学习中的发展，群组推荐系统也融入了注意力模块以模拟群体中的每个成员，对群体的最终决策作出不同权重的贡献的动态过程。然而，这些工作根据用户的固有兴趣或物品的固有特征单独的对他们建模，不能充分利用群组、用户和项目之间的相互依存关系，并且针对偶发群组仍然存在严重的冷启动问题。现有的研究往往使用图神经网络进行群组推荐，因为图神经网络能够抓群组、用户和项目之间相互依存，相互作用的关系，从而能够更好地聚合群组偏好并改善偶发群组的冷启动问题。
[0005]现有技术的群组推荐往往假设用户对于群组的决策贡献大小是基于对物品的喜好程度或是自身的社会影响力强弱，存在着群组推荐任务中偶发群组数据稀疏性问题。而实际上，个体在群组中对最终决策的影响很大程度上是由个体人格与个体对物品的喜好程度共同决定的，一个温和的人格在群组中更可能表现得忽略自身的喜好，而一个强势的人格可能放大自身的喜好。

技术实现思路

[0006]本专利技术的目的是针对现有技术的不足而设计的一种基于用户人格分析的群组推荐方法，采用将用户人格信息作为侧面信息的群组推荐方法，利用知识图谱学习用户的偏好特征表示，以及用户对于项目的文本评论抽取用户的人格特征表示，使用结合用户的偏好特征表示和人格特征表示生成群组的特征表示，最后根据群组的特征表示为群组推荐物品，该方法在考虑到个体人格的基础上再进行群组推荐会更符合实际情况，推荐结果更为准确，可解释性更强，方法简便，效果更好，具有良好的应用前景。
[0007]实现本专利技术目的具体技术方案是：一种基于用户人格分析的群组推荐方法，其特点是采用将用户人格信息作为侧面信息的群组推荐方法，具体包括以下步骤：
[0008]步骤一、获取用户的人格隐式表示
[0009]使用n维向量T＝{t1,t2…
t
n
}作为用户的人格表示，其中n的取值在100到200之间，t
i
是第i个心理词库类别的显著度。
[0010]所述人格表示T由用户的历史评论文本信息计算而得，对于每一个用户，第一步是由下述(r)式计算每个心理词库类别的词频tf
i
：
[0011][0012]其中，C
i
是用户历史评论文本中出现的第i类心理词库类别词的次数；N是历史评论文本中的总词数。
[0013]第二步是下述(s)式计算每个心理词库类别的逆文本频率指数idf
i
：
[0014][0015]其中，M表示历史评论文本的总数，D
i
表示包含第i类心理词库类别词的评论文本数量。于是用户u的人格隐式表示T
u
由下述(a)式表示：
[0016]T
u
＝{t1,t2…
t
n
}＝tf
i
×
idf
i
×
{R1,R2…
R
n
}
ꢀꢀꢀꢀꢀ
(a)。
[0017]其中，R
i
为第i个心理词库类别与人格的相关性因子。
[0018]步骤二、将人格信息作为用户属性构建用户与物品的协同知识图谱
[0019]协同知识图谱由用户
‑
物品交互图用户人格特征和物品侧面信息知识图谱共同构成，所述用户
‑
物品交互图具体如下述(b)式：
[0020][0021]其中，和分别表示所有用户的集合和所有物品的集合；r
ui
表示用户u与物品i的交互关系。
[0022]所述物品侧面信息知识图谱具体如下述(c)式：
[0023][0024]其中，ε表示知识图谱中所有实体的集合；表示知识图谱中所有关系的集合；(h,r,t)表示头实体h与尾实体t具有关系r的三元组。
[0025]所述协同知识图谱由用户
‑
物品交互图和物品侧面信息知识图谱共同构成，具体如下述(d)式：
[0026][0027]其中，为所有用户的人格表示集合；Interact指用户与物品的交互关系；personality指用户对于人格属性的拥有关系。
[0028]步骤三、生成协同知识图谱中每个实体的邻居实体聚合表示
[0029]对于步骤二中生成的协同知识图谱中的每个实体h，以信息传播的形式生成实体h的邻居实体聚合信息表示具体如下述(e)式：
[0030][0031]其中，表示协同知识图谱中以实体h作为头实体的三元组的集合；e
t
表示实体h的邻居实体t的表示；π(h,r,t)表示每次信息传播的衰减因子，即在关系r下有多少信息从
邻居实体t传播到实体h，π(h,r,t)的实现具体如下述(f)式：
[0032][0033]其中，W
r
为关系r的注意力权重矩阵；tanh作为非线性激活函数。
[0034]采用SoftMax函数对传播衰减因子π进行标准化，具体如下述(g)式：
[0035][0036]其中，r
′
和t
′
分别表示中以h为头实体的其他不同于π(h,r,t)的三元组中的关系和尾实体。
[0037]步骤四、生成协同知识图谱中每个实体的多阶聚合表示；
[0038]将步骤三中得到的实体h的邻居实体与实体h的表示e
h
聚合得到实体h的1阶表示具体如下述(i
‑
1)式：
[0039][0040]其中，W为可训练的参数。
[0041]根据实体h的1阶表示得到实体h的l阶表示具体如下述(i)式：
[0042][0043]其中，为实体h的l
‑
1阶邻居实体聚合表示。经过l阶的迭代后，会获得实体h多阶表示由于不同阶包含实体的不同传播信息，故拼接多阶表示作为实体h的多阶表示，具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户人格分析的群组推荐方法，其特征在于采用将用户人格信息作为侧面信息的群组推荐方法，具体包括以下步骤：步骤一、获取用户的人格隐式表示T
u
；步骤二、将人格信息作为用户属性构建用户与物品的协同知识图谱步骤三、生成协同知识图谱中每个实体的邻居实体聚合表示步骤四、生成协同知识图谱中每个实体的多阶聚合表示步骤五、融合用户人格表示和实体高阶表示生成对于物品j和群组g
l
的偏好表示g
l
(j)；步骤六、根据群组偏好表示g
l
(j)和物品表示预测二者匹配程度进行群组推荐。2.根据权利要求1所述的一种基于用户人格分析的群组推荐方法，其特征在于所述人格隐式表示T
u
为下述(a)式：T
u
＝{t1,t2…
t
n
}＝tf
i
×
idf
i
×
{R1,R2…
R
n
}
ꢀꢀꢀꢀ
(a)；其中，tf
i
为第i个心理词库类别的词频；idf
i
为第i个心理词库类别的逆文本频率指数；R
i
为第i个心理词库类别与人格的相关性因子。3.根据权利要求1所述的一种基于用户人格分析的群组推荐方法，其特征在于所述协同知识图谱为用户
‑
物品交互图和物品侧面信息知识图谱共同构成，所述用户
‑
物品交互图由下述(b)式表示为：其中，和分别表示所有用户的集合和所有物品的集合；r
ui
表示用户u与物品i的交互关系；所述物品侧面信息知识图谱由下述(c)式表示：其中，ε表示知识图谱中所有实体的集合；表示知识图谱中所有关系的集合；(h,r,t)表示头实体h与尾实体t具有关系r的三元组；所述协同知识图谱由下述(d)式表示为：其中，其中，为所有用户的人格表示集合；Interact指用户与物品的交互关系；personality指用户对于人格属性的拥有关系。4.根据权利要求1所述的一种基于用户人格分析的群组推荐方法，其特征在于所述邻居实体聚合表示为下述(e)式：其中，表示协同知识图谱中以实体h作为头实体的三元组的集合；e
t
表示实体h的邻居实体t的表示；π(h,r,t)为下...

【专利技术属性】
技术研发人员：吴雯，叶光泽，周锡雄，贺樑，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：