【技术实现步骤摘要】
基于好奇心的个性化推荐方法、系统、计算机设备和存储介质
[0001]本专利技术属于个性化推荐
,特别是涉及一种基于好奇心的个性化推荐方法、系统、计算机设备和存储介质。
技术介绍
[0002]当今社会,随着信息技术的飞速发展,互联网数据体量的高速增加,“信息爆炸”成为信息时代的一个关键名词。如何对纷繁芜杂的海量信息进行“过滤”,在浩如烟海的数据中选择能够满足用户需求的物品,成为工业界所面临的一个难题。由此,推荐系统应运而生,作为一种能够根据用户历史访问记录挖掘用户偏好的系统,推荐系统可以帮助用户在纷杂的信息中快速找到自己感兴趣的信息,大大节省了用户的时间开销。另一方面,推荐系统能够精确的为用户推荐高度相关的物品,增加用户对于互联网服务平台的粘性,帮助互联网服务业创造营收,实现用户和平台双赢。
[0003]然而,传统推荐系统过分聚焦精确度推荐,使用户陷入“信息茧房”和“信息孤岛”的处境,即只能获得与自己历史访问记录高度相关的信息,而忽视了用户对于外在信息的探索倾向。随着时间的推移,传统面向精确度的推荐会使得用户对与其访问记录高度相关的推荐列表感到无聊和枯燥,无法激发用户的点击和购买兴趣。
技术实现思路
[0004]为了解决上述现有技术的不足,本专利技术提供了一种基于好奇心的个性化推荐方法、系统、计算机设备和存储介质,该方法通过基于多层感知机(MLP)和注意力机制的双分支网络捕捉用户和物品的隐式特征,并显式建模用户个体偏好和社会共识关系,用以挖掘用户隐式反馈中隐藏的好奇心特质;遵循心理学上的W ...
【技术保护点】
【技术特征摘要】
1.一种基于好奇心的个性化推荐方法,其特征在于,所述方法包括:获取数据集,根据数据集构建用户物品交互矩阵;所述数据集包括Movielens
‑
1M和LastFM
‑
2K;将用户物品交互矩阵中的用户和物品编号输入好奇心模型中的个体偏好模块,得到个体偏好得分;将用户物品交互矩阵中的用户和物品编号输入好奇心模型中的社会共识模块,得到社会共识分数;将个体偏好得分和社会共识分数输入好奇心模型中的好奇心挖掘模块,生成好奇心曲线;利用用户物品交互矩阵分别训练个体偏好模块和社会共识模块,根据初步训练后的个体偏好模块和社会共识模块输出的个体偏好得分和社会共识分数构建好奇心曲线,根据好奇心曲线计算好奇心分数并将其作为指导权重对个体偏好模块和社会共识模块继续进行训练;利用训练好的好奇心模型中的个体偏好模块和社会共识模块,对真实场景中的用户物品交互数据进行预测,并对预测得分进行排序,得到最终的推荐列表。2.根据权利要求1所述的个性化推荐方法,其特征在于,所述获取数据集,根据数据集构建用户物品交互矩阵,包括:对数据集进行处理,得到处理后数据集;根据处理后数据集,构建用户物品交互矩阵;其中:所述对数据集进行处理,得到处理后数据集,包括:对数据集中的无效信息进行过滤,对过滤后的用户和物品分别进行连续编号;将Movielens
‑
1M数据集中的显式评分信息转化为隐式反馈数据;所述根据处理后数据集,构建用户物品交互矩阵,包括:利用处理后数据集中的用户和物品编号以及隐式反馈数据构建用户物品交互矩阵,对于用户物品交互矩阵中A∈R
m
×
n
中的每一项,代表用户与物品是否存在交互,定义如下:其中,Hit表示用户和物品发生过交互,存在隐式反馈,A
p,q
表示交互矩阵中用户p对应的q物品项,m和n分别表示处理后数据集中用户和物品的数量。3.根据权利要求2所述的个性化推荐方法,其特征在于,所述个体偏好模块为基于矩阵分解的个体偏好模块,且通过多层感知机增加模块非线性表达能力;所述将用户物品交互矩阵中的用户和物品编号输入好奇心模型中的个体偏好模块,得到个体偏好得分,包括:根据用户物品交互矩阵中的用户和物品编号,利用两个可学习的嵌入矩阵和得到个体偏好模块中用户和物品的隐式特征表达;其中,d表示用户和物品隐式特征的维度;将用户和物品的隐式特征表达输入多层感知机增加其非线性,得到最终的用户和物品隐式特征表达;
利用最终的用户和物品隐式特征表达的向量内积,得到个体偏好得分。4.根据权利要求2所述的个性化推荐方法,其特征在于,所述社会共识模块为基于注意力机制的社会共识模块;所述将用户物品交互矩阵中的用户和物品编号输入好奇心模型中的社会共识模块,得到社会共识分数,包括:根据用户物品交互矩阵中的用户和物品编号,利用两个可学习的嵌入矩阵和得到社会共识模块中用户和物品的隐式特征表达;根据用户和物品的隐式特征表达,基于注意力机制进行社会共识关系显式建模,得到社会共识关系向量;其中,d表示用户和物品隐式特征的维度;根据社会共识关系向量,通过<头节点,关系,尾节点>的三元组形式描述不同用户和物品之间的社会共识关系图;根据社会共识关系图,聚合用户与其所对应的社会共识关系向量,得到基于社会共识的用户隐式特征,并通过与物品的隐式特征表达进行向量内积得到社会共识分数。5.根据权利要求4所述的个性化推荐方法,其特征在于,所述根据用户和物品的隐式特征表达,基于注意力机制进行社会共识关系显式建模,得到社会共识关系向量,包括:对于访问过物品i的用户集合U
i
={u1,u2,u3,...},将用户集合U
i
中的每个用户视为值向量,将物品i视为查询向量,利用注意力机制聚合访问过物品i的所有用户的信息,得到加权聚合后的社会共识关系向量r
i
,表示如下:att
i,u
=sigmoid(V
iT
W
a
V
u
)其中,W
a
∈R
d
×
d
指可学习权重,att
i,u
表示物品i对于用户u的注意力分数,V
u
和V
i
分别表示社会共识模块中用户和物品的隐式特征表达;通过注意力机制完成不同社会共识的关系建模后,得到适用于整个数据集的社会共识关系向量集R
I
={r...
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。