【技术实现步骤摘要】
本专利技术涉及人工智能，特别涉及一种基于社交约束的网络影音智能推荐方法及系统。
技术介绍
1、随着推荐系统的迅速发展和各种智能终端的广泛应用，个性化推荐的需求越发突出，呈现出不断增长的势头。近年来，智能手机的兴起更是推动了推荐系统的迅速发展和普及。对于网络影音平台来说，智能推荐技术既能够提升用户体验从而增加用户粘性，又能为企业带来丰厚的利润回报，逐渐成为各大平台的核心竞争力。
2、从现有的研究和应用情况来看，常见的智能推荐技术主要包括协同过滤推荐和基于图神经网络推荐。然而，这些技术通常都局限于研究用户和项目之间的成对关系，无法满足老用户高精度和多样性的推荐需求；并且这些技术面临着数据稀疏性带来的挑战，降低了新用户的使用体验。同时，越来越多的网络影音平台上线好友互动功能，注重挖掘平台好友间的价值，给智能推荐技术带来新的机遇和挑战。因此，如何在大数据背景下有效利用社交关系实现更加精准的个性化推荐，对于网络影音平台具有十分重要的现实意义。
技术实现思路
1、本专利技术要解决的技术问题是：设计一种基于社交约束的网络影音智能推荐方法及系统，能够在大数据背景下有效利用社交关系来实现高精度的个性化推荐。
2、为了达到上述目的，本专利技术采用了下列技术方案：
3、一种基于社交约束的网络影音智能推荐方法，包含四个构成部分，步骤s10为异构网络融合阶段，步骤s20为模体信息抽取阶段，步骤s30为模型构建阶段，步骤s40为模型训练阶段，步骤s50为偏好预测阶段；具体步
4、s10、收集历史数据生成信息数据库，将行为交互网络和社交关系网络以图数据形式存储并融合为一个异构网络；
5、s20、从步骤s10获得的异构网络中抽取社交模体、行为模体和联合模体，基于不同模体将输入数据转化为对应的超图；
6、s30、利用超图神经网络对步骤s20得到的超图进行建模，基于超图神经网络构建多通道超图神经网络模型，包含用户向量表征模块、项目向量表征模块、对比学习模块和偏好预测模块；
7、s40、对于步骤s30构建的多通道超图神经网络模型，通过迭代计算方式进行模型求解，确定模型的最优参数；
8、s50、应用步骤s30构建的多通道超图神经网络模型，以及步骤s40确定的模型最优参数，为用户生成最终的推荐预测。
9、进一步，所述步骤s10具体包括以下步骤：
10、s11、从网络影音社交平台收集历史数据生成信息数据库，将行为交互矩阵记为将社交关系矩阵记为其中u＝{u1,u2,…,u|u|}表示用户集，i＝{i1,i2,…,i|i|}表示项目集，ru,i＝1表示用户u与项目i有交互，反之则表示为ru,i＝0，sj,k＝1表示用户j与用户k有社交联系，反之则表示为sj,k＝0；
11、s12、用图g＝(v,e)来表示网络，其中v和e分别表示网络中的节点和边的集合，将行为交互图gr＝(vr,er)和社交关系图gs＝(vs,es)融合为一个异构图gf＝(vf,ef)，其中行为交互图gr为一个二部图，节点vr既包含用户，也包含网络影音资源，边vr表示用户曾观看或购买过该网络影音资源；社交关系图gs中的节点vs仅表示用户，边es为有向边且连接着两个在网络影音社交平台上有定向社交关系的用户；在异构图gf中，
12、进一步，所述步骤s20具体包括以下步骤：
13、s21、由步骤s12得到的异构图gf中包含丰富的局部结构，这些局部结构保留了用户之间特定的社交联系和相应的交互行为；识别和利用这些局部结构的特征能挖掘高层次的语义信息，更好地了解用户的偏好；为此，设计了三类模体对异构图gf中的局部结构进行刻画：(1)社交模体描述了一组用户中明确的社会关系，其邻接矩阵可表示为(2)行为模体模拟了不受社会关系约束的交互模式，在这种模式中用户通过共同的交互项目相互关联，其邻接矩阵可表示为(3)联合模体通过整合社交信息和交互信息来描述强化的局部连接模式，其邻接矩阵可表示为其中m1＜m2＜m3＜m4＜m5＜m6，对于模体诱导生成的邻接矩阵，矩阵中的元素可由模体中两个点i和j的共现情况来计算，如式(1)所示：
14、
15、其中，表示模体mm的邻接矩阵，m表示所设计的模体个数；
16、s22、经过步骤s21，异构图gf分别从社交关系视角、交互行为视角和联合视角用不同类型的模体进行重组；在每一种视角中，异构图gf实际上都被转化为一个以相应类型的模体为条件的超图；在超图中，节点之间通过超边连接，每条超边可能连接多个节点，使用矩阵a∈{0,1}|v|×|e|记录节点之间的邻接关系，其中每个元素a(v,e)表示超边e是否包含节点v，如式(2)所示：
17、
18、进一步，所述步骤s30包括以下具体步骤：
19、s31、超图神经网络是超图的一种特定应用，用于对超图进行建模和分析，相比于传统的图神经网络，超图神经网络可以处理多元关系和高阶关系；同时，超图神经网络可以处理不同大小和形状的超图，并且可以在超图中对节点和超边进行嵌入学习和表示学习；
20、在用户向量表征模块中，用户在低维空间中的向量表征由式(3)计算：
21、
22、其中，hk∈{hs,hb,hj}表示基于对应模体类型学得的用户向量表征，表示ak的度矩阵，ak∈{as,ab,aj}，l表示神经网络的层数；
23、为了克服信息聚合过程中出现的过度平滑问题，对超图神经网络中所有层的输出取平均值作为每一层的向量表征，如式(4)所示：
24、
25、其中，l表示超图神经网络的层数，表示超图神经网络的输出；
26、为了获得全面的用户向量表征，利用多通道注意力机制自适应地聚合基于不同模体学得的向量表征，对于每个用户u，利用权重系数(αs,αb,αj)来描述不同模体下用户向量表征的权重，如式(5)所示：
27、
28、其中，ak表示注意力权重系数，和为注意力函数中的学习参数，表示基于某个模体学得的用户向量表征，t表示转置；
29、借助注意力机制生成新的用户向量表征，如式(6)所示：
30、
31、s32、在项目向量表征模块中，利用式(7)定义项目向量表征：
32、q(l+1)＝d-1rτh*(l) (7)
33、其中，r为用户与项目的交互矩阵，d为r的度矩阵，h*为用户向量表征模块的输出；
34、s33、在对比学习模块中，为了替换以单个标量为输入的激活函数引入self-gating激活函数，其函数表达式为y＝x*sigmoid(x)；为了使自监督学习更有效，首先通过式(8)中所设计的self-gating激活函数增强模型的非线性近似能力和稳定性：
35、
36、其中，表示经过self-gating激活函数后的超图神经网络的输出，表示超图神经本文档来自技高网...
【技术保护点】
1.一种基于社交约束的网络影音智能推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于社交约束的网络影音智能推荐方法，其特征在于，所述步骤S10具体包括以下步骤：
3.根据权利要求2所述一种基于社交约束的网络影音智能推荐方法，其特征在于，所述步骤S20具体包括以下步骤：
4.根据权利要求3述一种基于社交约束的网络影音智能推荐方法，其特征在于，所述步骤S30具体包括以下步骤：
5.根据权利要求4所述一种基于社交约束的网络影音智能推荐方法，其特征在于，所述步骤S40具体为：给定迭代次数N，迭代执行步骤S31～S34，直到达到迭代次数，完成对多通道超图神经网络模型的训练，获得模型的最优参数。
6.根据权利要求4所述一种基于社交约束的网络影音智能推荐方法，其特征在于，所述步骤S50具体为：将从网络影音社交平台上获取的待预测的用户和网络影音资源数据导入到多通道超图神经网络模型中，由式(14)得到Top-10预测结果。
7.一种基于社交约束的网络影音智能推荐系统，其特性在于，用于实现权利要求1～6任一项所
8.根据权利要求7所述的一种基于社交约束的网络影音智能推荐系统，其特性在于，所述异构网络融合单元执行步骤S10，通过计算机处理器利用收集到的用户历史数据，并加载到计算机内存中；所述模体信息抽取单元根据异构网络融合单元生成的异构网络执行步骤S20，从异构网络中抽取得到社交模体、行为模体和联合模体，基于不同模体将输入数据转化为对应的超图；所述模型构建单元执行步骤S30，利用超图神经网络对超图进行建模，基于超图神经网络构建多通道超图神经网络模型，包含用户向量表征模块、项目向量表征模块、对比学习模块和偏好预测模块；所述模型训练单元执行步骤S40，通过迭代计算确定参数，利用多尺度对比学习机制更新用户和项目的向量表征，提升表征学习的有效性，获取模型的最优参数；所述偏好预测单元执行步骤S50，将待预测的用户和项目数据代入模型中，生成最终的预测结果，将推荐结果输出至各类用户，为各种网络影音平台提供智能推荐。
...【技术特征摘要】
1.一种基于社交约束的网络影音智能推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于社交约束的网络影音智能推荐方法，其特征在于，所述步骤s10具体包括以下步骤：
3.根据权利要求2所述一种基于社交约束的网络影音智能推荐方法，其特征在于，所述步骤s20具体包括以下步骤：
4.根据权利要求3述一种基于社交约束的网络影音智能推荐方法，其特征在于，所述步骤s30具体包括以下步骤：
5.根据权利要求4所述一种基于社交约束的网络影音智能推荐方法，其特征在于，所述步骤s40具体为：给定迭代次数n，迭代执行步骤s31～s34，直到达到迭代次数，完成对多通道超图神经网络模型的训练，获得模型的最优参数。
6.根据权利要求4所述一种基于社交约束的网络影音智能推荐方法，其特征在于，所述步骤s50具体为：将从网络影音社交平台上获取的待预测的用户和网络影音资源数据导入到多通道超图神经网络模型中，由式(14)得到top-10预测结果。
7.一种基于社交约束的网络影音智能推荐系统，其特性在于，用于实现权利...
【专利技术属性】
技术研发人员：杜航原，刘源，王文剑，白亮，金弟，白璐，
申请(专利权)人：山西大学，
类型：发明
国别省市：
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。