System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及商业领域用户兴趣推荐,具体为基于混合结构图的用户兴趣点推荐方法、系统和设备。
技术介绍
1、随着大数据时代的到来,每分甚至每秒产生的信息量都呈现指数级的增长趋势。用户在使用相关软件时(例如美团、携程等),面对大量数据,难以做出抉择,大大降低用户体验。推荐系统的目标是帮助用户发现和访问他们可能感兴趣的内容,提高用户体验,增加用户参与度,并促进销售和内容消费。
2、大多数研究在异构图上学习节点表示时,通过在不同类型的实体之间传递信息来实现,忽略了同质实体之间的关系。例如,如果每个兴趣点只由其访问者表示,而不考虑兴趣点之间的地理接近性,那么最终的表示将失去其自然特征。部分研究设计来自单一信息源的原始节点特征,例如用户的人口特征或兴趣点的gps坐标,但很少结合多源信息。当使用极为稀疏的数据进行训练时,这将学到弱的最终表示。部分研究没有采用适当的方法来设计原始输入。大多数研究只是对分类变量进行独热编码,这可能会丢失原始数据的特征,特别是在编码位置信息时,结合多个信息源会引入噪音,导致信息推荐效果较差,用户体验感较差。
技术实现思路
1、本专利技术的目的是提供基于混合结构图的用户兴趣点推荐方法、系统和设备。
2、本专利技术技术方案如下:
3、一种基于混合结构图的用户兴趣点推荐方法,包括如下操作:
4、s1、获取用户多源属性和兴趣点多源属性,分别经初始化嵌入处理,得到用户多源嵌入向量和兴趣点多源嵌入向量;
5、s2、基于所
6、所述用户中心异构图和兴趣点中心异构图,分别依次经多源属性信息聚合处理和节点特征信息聚合处理,得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵;
7、s3、基于获取的用户交互信息和兴趣点交互信息,得到用户交互同构图和兴趣点交互同构图;
8、所述用户交互同构图和初始用户嵌入矩阵,经第一图注意力处理,得到优化用户嵌入矩阵;
9、所述兴趣点交互同构图和初始兴趣点嵌入矩阵,经第二图注意力处理,得到优化兴趣点嵌入矩阵;
10、s4、基于所述优化用户嵌入矩阵和优化兴趣点嵌入矩阵,得到兴趣点评分矩阵;获取所述兴趣点评分矩阵中,评分值大于阈值对应的兴趣点,作为推荐兴趣点。
11、所述s2中,所述用户中心异构图由多个用户特征区域构成,所述多个用户特征区域中,最外层区域为兴趣点多源嵌入向量,中间区域为兴趣点,中心区域为用户;所述兴趣点中心异构图由多个兴趣特征区域构成,所述多个兴趣特征区域中,最外层区域为用户多源嵌入向量,中间区域为用户,中心区域为兴趣点。
12、所述s2中多源属性信息聚合的操作具体为:将所述用户中心异构图中,用户的目标邻居兴趣点的兴趣点标识嵌入、空间距离嵌入和平均得分嵌入,分别与对应属性影响因子相乘后,进行求和处理,得到的目标邻居兴趣点嵌入矩阵用于执行所述节点特征信息聚合的操作;将所述兴趣点中心异构图中,兴趣点的目标邻居用户的用户标识嵌入、评论时间嵌入和评论文本嵌入,分别与对应属性影响因子相乘后,进行求和处理,得到的目标用户嵌入矩阵用于执行所述节点特征信息聚合的操作。
13、所述空间距离嵌入,是基于用户对所有邻居兴趣点产生评分的平均经度和平均纬度,以及用户对目标邻居兴趣点产生评分的经度和纬度得到的。
14、所述节点特征信息聚合的操作具体为:所有目标邻居兴趣点嵌入矩阵,分别与对应节点影响因子相乘后,进行求和处理,得到所述初始用户嵌入矩阵;所有目标邻居用户嵌入矩阵,分别与对应节点影响因子相乘后,进行求和处理,得到所述初始兴趣点嵌入矩阵。
15、所述s3中,所述第一图注意力处理的操作具体为:将所述用户交互同构图中,用户的所有初始用户嵌入矩阵,分别依次经多头注意力处理和线性处理后,进行拼接,得到所述优化用户嵌入矩阵;所述第二图注意力处理的操作具体为:将所述兴趣点交互同构图中,兴趣点的所有初始兴趣点嵌入矩阵,分别依次经多头注意力处理和线性处理后,进行拼接,得到所述优化兴趣点嵌入矩阵。
16、将所述用户多源嵌入向量中的评论文本嵌入,进行语义特征提取,得到更新评论文本嵌入;所述更新评论文本嵌入用于执行s2中的操作。
17、一种基于混合结构图的用户兴趣点推荐系统,包括:
18、用户多源嵌入向量和兴趣点多源嵌入向量生成模块,用于获取用户多源属性和兴趣点多源属性,分别经初始化嵌入处理,得到用户多源嵌入向量和兴趣点多源嵌入向量;
19、初始用户嵌入矩阵和初始兴趣点嵌入矩阵生成模块,用于基于所述用户多源嵌入向量和兴趣点多源嵌入向量,得到用户中心异构图和兴趣点中心异构图;所述用户中心异构图和兴趣点中心异构图,分别依次经多源属性信息聚合处理和节点特征信息聚合处理,得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵;
20、优化用户嵌入矩阵和优化兴趣点嵌入矩阵生成模块,用于基于获取的用户交互信息和兴趣点交互信息,得到用户交互同构图和兴趣点交互同构图;所述用户交互同构图和初始用户嵌入矩阵,经第一图注意力处理,得到优化用户嵌入矩阵;所述兴趣点交互同构图和初始兴趣点嵌入矩阵,经第二图注意力处理,得到优化兴趣点嵌入矩阵;
21、推荐兴趣点生成模块,用于基于所述优化用户嵌入矩阵和优化兴趣点嵌入矩阵,得到兴趣点评分矩阵;获取所述兴趣点评分矩阵中,评分值大于阈值对应的兴趣点,作为推荐兴趣点。
22、一种基于混合结构图的用户兴趣点推荐设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现上述的基于混合结构图的用户兴趣点推荐方法。
23、一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现上述的基于混合结构图的用户兴趣点推荐方法。
24、本专利技术的有益效果在于:
25、本专利技术提供的一种基于混合结构图的用户兴趣点推荐方法,基于自然特性丰富的用户多源属性和兴趣点多源属性,构建用户中心异构图和兴趣点中心异构图,并通过多源属性信息聚合处理实现异构图最外层区域到中间区域的属性信息聚合,通过节点特征信息聚合处理实现异构图中间区域到中心区域的节点信息聚合,得到初始用户嵌入矩阵和初始兴趣点嵌入矩阵;接下来,构建用户交互同构图和兴趣点交互同构图,分布与初始用户嵌入矩阵和初始兴趣点嵌入矩阵进行图注意力处理,得到的优化用户嵌入矩阵和优化兴趣点嵌入矩阵,经获取内积处理,获得兴趣点评分矩阵,选取合适评分值,进行兴趣点推荐,可保证推荐结果的准确度,提升了信息推荐的效果和用户的体验感。通过该推荐方法,不仅保留了多源属性的自然特征,还关注了不同实体之间的异质关系和同类实体之间的同质关系,同时也考虑了它们之间的影响程度,实现了推荐准确率更高、效果更好。
本文档来自技高网...【技术保护点】
1.一种基于混合结构图的用户兴趣点推荐方法,其特征在于,包括如下操作:
2.根据权利要求1所述的基于混合结构图的用户兴趣点推荐方法,其特征在于,所述S2中,
3.根据权利要求1所述的基于混合结构图的用户兴趣点推荐方法,其特征在于,所述S2中多源属性信息聚合的操作具体为:
4.根据权利要求3所述的基于混合结构图的用户兴趣点推荐方法,其特征在于,所述空间距离嵌入,是基于用户对所有邻居兴趣点产生评分的平均经度和平均纬度,以及用户对目标邻居兴趣点产生评分的经度和纬度得到的。
5.根据权利要求3所述的基于混合结构图的用户兴趣点推荐方法,其特征在于,所述节点特征信息聚合的操作具体为:
6.根据权利要求1所述的基于混合结构图的用户兴趣点推荐方法,其特征在于,所述S3中,
7.根据权利要求1所述的基于混合结构图的用户兴趣点推荐方法,其特征在于,将所述用户多源嵌入向量中的评论文本嵌入,进行语义特征提取,得到更新评论文本嵌入;所述更新评论文本嵌入用于执行S2中的操作。
8.一种基于混合结构图的用户兴趣点推荐系统,其特
9.一种基于混合结构图的用户兴趣点推荐设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-7任一项所述的基于混合结构图的用户兴趣点推荐方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于混合结构图的用户兴趣点推荐方法。
...【技术特征摘要】
1.一种基于混合结构图的用户兴趣点推荐方法,其特征在于,包括如下操作:
2.根据权利要求1所述的基于混合结构图的用户兴趣点推荐方法,其特征在于,所述s2中,
3.根据权利要求1所述的基于混合结构图的用户兴趣点推荐方法,其特征在于,所述s2中多源属性信息聚合的操作具体为:
4.根据权利要求3所述的基于混合结构图的用户兴趣点推荐方法,其特征在于,所述空间距离嵌入,是基于用户对所有邻居兴趣点产生评分的平均经度和平均纬度,以及用户对目标邻居兴趣点产生评分的经度和纬度得到的。
5.根据权利要求3所述的基于混合结构图的用户兴趣点推荐方法,其特征在于,所述节点特征信息聚合的操作具体为:
6.根据权利要求1所述的基于混合结构图的用户兴趣点推荐方法...
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。